Методы и алгоритмы адаптивной реконструкции моделей сложных систем тема диссертации и автореферата по ВАК РФ 05.13.18, доктор технических наук Булдакова, Татьяна Ивановна

• Булдакова, Татьяна Ивановна
• доктор технических наук
• 2005

Оглавление диссертации доктор технических наук Булдакова, Татьяна Ивановна

Введение.

1. Методы и алгоритмы создания моделей сложных систем в условиях неполных данных. 1.1. Проблема формализации сложных систем.

1.2. Основные подходы к исследованию сложных систем в условиях неопределенности. 1.3. Модели временных рядов, цели и методы их анализа.

1.3.1. Виды моделей временных рядов.

1.3.2. Модели трендов и сглаживание.

1.3.3. Адаптивные методы прогнозирования временных рядов

1.4. Обработка нестационарных ВР.

1.4.1. Анализ на нестационарность.

1.4.2. Проверка гипотезы о стационарности случайной составляющей.

1.5. Концепция адаптивной реконструкции моделей сложных систем 51 Выводы к главе 1.

2. Реконструкция сложных систем на основе методов нелинейной динамики.

2.1. Постановка задачи реконструкции систем по экспериментальным данным.

- 7 /. 2.1.1. Реконструкция аттрактора. 2.1.2. Определение размерности вложения.

2.2. Построение модели исследуемой системы.

2.3. Анализ алгоритмов реконструкции ДС.

Выводы к главе 2.

3. Разработка модельных уравнений систем с учетом принципов их функционирования.

3.1. Разработка модельных уравнений сложных систем, работающих в периодическом режиме.

3.1.1. Аппроксимация нелинейной функции модельного уравнения на основе априорной информации.

3.1.2. Нейросетевая аппроксимация нелинейной функции модельного уравнения.

3.2. Разработка модельных уравнений систем на основе волнового описания регистрируемых сигналов. jl^. 3.2.1. Волновое описание сигнала.

3.2.2. Разработка модельных уравнений.

3.2.3. Модели состояния для сигналов волновой структуры.

3.2.4. Анализ полученных результатов.

3.3. Пример разработки модельного уравнения пульсового механизма.

Выводы к главе 3.

4. Нейросетевая реконструкция систем.

4.1. Особенности нейросетевой обработки данных и практического использования ИНС.:.

4.2. Проблемы обучения сети.

4.3. Постановка задачи реконструкции на нейронных сетях.

4.4. Анализ реконструкции систем на нейронных сетях.

I ^ 4.5. Пример нейросетевой реконструкции. ' Выводы к главе 4.

5. Разработка принципов и алгоритмов оценок адекватности и избыточности реконструированных моделей.

5.1. Постановка задачи определения областей адекватности.

5.2. Виды аппроксимированных областей адекватности.

5.3. Оценка избыточности моделей по формам Пфаффа.

5.4. Разработка критерия адекватности моделей при моделировании на нейросетях.

5.4.1. Энтропия - мера относительной упорядоченности систем

5.4.2. Энтропийный критерий адекватности моделей.

Выводы к главе 5.

6. Методы реконструкции в задачах прогнозирования и медицинской диагностики.

6.1. Анализ задач прогнозирования и медицинской диагностики

6.1.1. Обзор существующих методов прогнозирования в ; медицине.

6.1.2. Примеры нейросетевого прогнозирования и идентификации в медицине.

6.1.3. Разработка подходов к нейросетевой идентификации пульсограмм.

6.2. Выявление групп риска и прогнозирование с помощью нейронных сетей.

6.2.1. Выбор архитектуры классифицирующей нейросети.

6.2.2. Разработка алгоритмов обучения сети.

6.2.3. Расчет выходных значений сети.

6.2.4. Описание разработанной информационно-аналитической системы прогнозирования развития язвенной болезни.

6.3. Принципы построения и возможности разработанной медицинской системы мониторинга здоровья и выявления групп риска «Медицинская система БАРС».

6.3.1. Описание базы данных БАРС.

6.3.2. Алгоритмы предварительной обработки сигналов.

6.3.3. Возможности системы.

Выводы к главе 6.

7. Применение разработанных методов, моделей и алгоритмов для оценки состояния промышленных предприятий.

7.1. Необходимость аналитической обработки производственной информации.

7.2. Роль и функции промышленных информационно-аналитических систем.

7.3. Разработка информационно-аналитической системы управления снабжением и производством ТОиИ.

7.3.1. Принципы построения и возможности информационно-аналитической системы.

7.3.2. Разработка алгоритмов нейросетевой реконструкции в инструментальном производстве.

7.3.2.1. Прогноз загрузки оборудования.

7.3.2.2. Прогноз брака и потребления энергии.

7.3.2.3. Прогноз потребности материалов.

7.3.3. Реализация в системе японских «семи инструментов качества».

7.3.4. Программная реализация системы.

Выводы к главе 7.

Введение диссертации (часть автореферата) на тему «Методы и алгоритмы адаптивной реконструкции моделей сложных систем»

Важной задачей при решении проблем в различных областях науки является математическая формализация объекта или системы. Наличие адекватной модели расширяет возможности изучения реальных процессов и явлений, позволяет реализовать эффективное управление системой любой природы. Поэтому проблема разработки адекватных моделей всегда была междисциплинарной и актуальной.

Исследование сложных систем имеет свои особенности. Следует подчеркнуть, что само понятие «сложная система» в настоящее время недостаточно формализовано, предлагаются различные подходы к классификации сложных систем. В последнее время наиболее часто используется классификация по уровням сложности, введенная К. Боулингом.

В настоящее время разработан математический аппарат моделирования весьма сложных технических систем, на их основе созданы и широко используются в промышленности системы автоматизированного проектирования (И.П. Норенков, В.Б. Маничев, Б.В. Баталов, В.Н. Ильин, Г.Г. Казенное, А.И. Петренко и др.). При этом следует отметить, что хотя моделируемые сложные системы состоят из большого числа связанных элементов, они допускают декомпозицию на простые составляющие, модели которых известны. В соответствии с классификацией К. Боулинга, эти системы имеют уровень сложности не выше третьего.

Для систем, сложность которых обусловливается не количеством известных элементов с детерминированными связями, а невозможностью их декомпозиции, не удается использовать известные автоматизированные методы при построении моделей. Поэтому в классической теории моделирования систем при исследовании объектов неизвестной структуры используется метод «черного ящика», когда модель строят, зная реакцию на известные входные воздействия. Однако такой метод позволяет создавать макромодели только тех объектов, которые допускают проведение экспериментов.

В настоящее время разрабатываются подходы к формализации систем четвертого уровня сложности. Для этих систем характерны эволюционное развитие, синергизм действия, доступность только по результатам косвенных измерений и наблюдений. Принципиальным отличием систем этого уровня сложности является невозможность нахождения для них строгого ^ , математического описания на базе известных законов физики, химии, биологии и других естественных наук.

Особенности, присущие системам этого уровня сложности, требуют использования других подходов к их формализации. Эти подходы должны позволять строить модели в условиях неполных данных, отражать поведенческие особенности системы, учитывать цели исследования систем, определять соответствующие критерии адекватности описания основных характеристик системы.

В случае, когда детальные сведения о сложной системе отсутствуют или их явно недостаточно для создания модели, возникает проблема ее разработки (реконструкции) на основе неполной информации о внутренней динамике. Зачастую единственная информация о сложной системе содержится лишь в регистрируемых сигналах.

Поэтому одним из основных методов исследования сложных систем был и остается анализ временных рядов. В классическом представлении метод позволяет определить статистические характеристики и построить

- ( модели неизвестных процессов. При этом в качестве исходной информации используется временной ряд, отражающий динамику доступных для измерения фазовых переменных. Исследованиям в области анализа временных рядов посвящено много публикаций отечественных и зарубежных ученых (Т. Андерсон, Дж. Бокс, Г. Дженкинс, Х.Д. Льюис, 3. Брандт,

H. Джонсон, Ф. Лион, Дж. Бендат, А. Пирсол, В.Я. Катковник, A.B. Катычев, Ю.П. Лукашин, Л.Н. Ковалева, Ю.В. Сажин, Ю.В. Сарайкин, K.M. Четыркин и др.). Однако существующие методы анализа временных рядов позволяют прогнозировать изменение только регистрируемых фазовых переменных и не позволяют получить формализованное описание свойств самой системы.

Поэтому более предпочтительным для создания моделей сложных систем при наличии априорно неполных данных является использование принципов информационного кибернетического моделирования (Н. Винер, А.Н. Горбань, В.Л. Заковоротный, Д.А. Россиев, Ю.Н. Минаев и др.). В противоположность аналитическому подходу, при котором моделируется внутренняя структура системы на основе полных данных об ее динамике, информационная модель имитирует поведенческие особенности сложной системы. Функционирование системы в рамках такой модели описывается чисто информационно, на основе данных измерений или наблюдений над реальной системой.

В настоящее время такие информационные модели создаются методами реконструкции, развиваемыми в нелинейной динамике. Последние достижения в этой области сформировали концептуальную основу для понимания базовых принципов функционирования сложных систем. Теоретическое обоснование получили методы реконструкции систем в виде универсальных моделей заданной структуры. Такие методы и алгоритмы в достаточной степени освещены в отечественных и зарубежных источниках (B.C. Анищенко, Т.Е. Вадивасова, В.В. Астахов, А.Н. Павлов, Б.П. Безручко, Г.Г. Малинецкий, А.Б. Потапов, С.П. Курдюмов, О.Л. Аносов, О.Я. Бутковский, Д.А. Грибков, В.В. Грибкова, Ю.Л. Кравцов, Ю.И. Кузнецов, А.Г. Ржанов, M. Casdagli, J.F. Gibson, J.P Crutchfîeld, J.D. Farmer, A.M. Fraser, F. Takens, N.H. Packard, H.L. Swinney и др.).

Вместе с тем стало очевидно, что предложенные и теоретически обоснованные универсальные методы реконструкции сложных систем в практическом плане оказались недостаточными. Основной проблемой является отсутствие механизма математической формализации исходной информации о системе. Поэтому требуется разработка альтернативных подходов к реконструкции сложных систем, учитывающих характер функционирования систем или особенности структуры регистрируемых сигналов. t"

Особое место занимает класс систем, функционирующих в режиме предельного цикла, поскольку такие системы наиболее часто встречаются в . Jk различных областях (в технике, медицине, экономике). Исходя из принципов синергетики, переменные, характеризующие подобные сложные системы, можно разделить на две группы: параметры порядка, определяющие динамику системы, и подчиненные моды. Информация об этих переменных содержится как в регистрируемых сигналах, так и в априорных сведениях о структуре системы.

Эффективным методом создания адаптивных моделей с учетом целей исследования систем является применение нейросетевых технологий. Созданию новых архитектур и алгоритмов обучения нейронных сетей способствовали работы зарубежных ученых: W.S. McCulloch, W.H. Pitts, D. Hebb, К. Fukushima, R. Hecht-Nielsen, J. Hopfield, D. Tank, D. Goldberg, T. Kohonen, B. Kosko, F. Rosenblatt, S. Osowski, M. Minsky, S. Papert. Большой вклад в развитие теории и практики нейронных сетей внесли отечественные ученые А.И. Галушкин, В.А. Головко, А.Н. Горбань, B.JI. Дунин-Барковский, В.В. Круглов, Л.Г Комарцова, Ю.Г. Антомонов, А.В. Максимов и ряд других \ известных ученых.

Повышенный интерес к искусственным нейронным сетям объясняется их способностью относительно легко адаптироваться к задачам в различных отраслях знаний. Они позволяют работать с неполной информацией и выявлять скрытые взаимосвязи между исследуемыми переменными. Однако общая методология решения практических задач с помощью нейросетевых технологий находится в процессе становления. Перспективным направлением создания информационных моделей сложных систем является их реконструкция на нейронных сетях.

Кроме того, методы и алгоритмы адаптивной реконструкции необходимо реализовать в информационной системе, в которой происходят сбор, хранение и обработка данных, полученных по результатам наблюдений или измерений. Особенностью такой системы должно быть использование алгоритмов дообучения и настройки нейросетей по мере получения дополнительной информации.

Целью диссертационной работы является решение важной научно-технической проблемы - разработка методологии адаптивной реконструкции моделей сложных систем с учетом принципов синергетики и создание на ее основе новых методов и алгоритмов получения информационных моделей, позволяющих осуществлять идентификацию, диагностику и прогнозирование исследуемых систем.

Достижение поставленной цели подразумевает решение следующих основных задач:

1. Анализ методов и алгоритмов реконструкции моделей сложных систем по неполной информации об их внутренней динамике, в том числе по регистрируемым временным рядам, с целью их практического применения для решения прикладных задач.

2. Разработка метода и алгоритма адаптивной реконструкции модельных уравнений, учитывающих особенности функционирования сложных систем.

3. Разработка метода реконструкции на нейронных сетях, позволяющего получить адаптивную модель сложной системы для выявления скрытых взаимосвязей и закономерностей.

4. Разработка методов и алгоритмов для оценки адекватности и избыточности реконструированных моделей.

5. Разработка программного обеспечения для реализации адаптивных методов и алгоритмов реконструкции моделей сложных систем в информационно-аналитических комплексах.

6. Разработка методики для решения практических задач по моделированию и прогнозированию состояния сложных систем по неполной или косвенной информации об их свойствах.

Научная новизна работы:

1. Впервые выполнена классификация задач реконструкции моделей сложных систем, сформулированы признаки классификации. Предложены структуры моделей для каждого класса задач. Поставлена и решена задача адаптивной реконструкции на основе неполной информации о внутренней динамике систем, которая получена по результатам наблюдений или измерений, с учетом фундаментальных принципов синергетики.

2. Впервые разработан метод и алгоритм реконструкции модельных уравнений сложных систем, функционирующих в режиме предельного цикла. Алгоритм отличается учетом априорной и текущей информации о свойствах системы и позволяет на основе волнового описания регистрируемых сигналов формировать адаптивную модель. Доказана эффективность метода при реконструкции моделей биосистем по регистрируемым биосигналам.

3. Теоретически обоснован метод нейросетевой реконструкции для систем четвертого уровня сложности, разработаны критерии по выбору архитектуры сети и алгоритмов обучения для задач реконструкции. Разработанный алгоритм нейросетевой реконструкции на динамических нейронных сетях позволяет строить адаптивную модельную систему, выявляющую скрытые взаимосвязи между параметрами. Показано, что нейросетевая реконструкция более эффективна в задачах распознавания образов, диагностики и прогнозирования, чем методы реконструкции, развиваемые в нелинейной динамике.

4. Разработаны оригинальные алгоритмы оценки адекватности и избыточности реконструированных моделей. В отличие от известных, предложенные алгоритмы позволяют оценить адекватность моделей при нейросетевой реконструкции и устранить их избыточность при волновом описании сигналов.

5. Разработана методика решения прикладных задач исследования биологических и производственных систем на основе реконструированных моделей, проведены анализ предложенных методов и алгоритмов адаптивной реконструкции.

6. Создана медицинская информационно-аналитическая система, в которой реализованы разработанные методы адаптивной реконструкции информационных моделей состояния организма человека. Особенностью системы является выявление скрытых взаимосвязей и закономерностей при нейросетевом анализе данных с целью мониторинга здоровья и выявления групп риска.

7. Разработана информационно-управляющая система для инструментального производства. Исследованы возможности адаптивной реконструкции его моделей при решении задач нейросетевого прогнозирования по накопленной в базе данных производственной информации.

Практическая значимость работы заключается в расширении возможностей и повышении эффективности процесса реконструкции моделей сложных систем на основе его адаптации к структурным особенностям систем или регистрируемых сигналов:

1) разработанная концепция и созданная на ее базе методология адаптивной реконструкции позволяют создавать информационные модели сложных систем различной физической природы;

2) на основе разработанных в диссертации методов, моделей и алгоритмов адаптивной реконструкции созданы программные комплексы, предназначенные для решения задач прогнозирования, идентификации, диагностики сложных систем, демонстрирующих коллективное поведение (биологических и производственных);

3) показано, что реализация методов адаптивной реконструкции моделей в информационно-аналитических комплексах позволяет выявлять скрытые закономерности и взаимосвязи между данными и повышает достоверность прогнозов;

4) диссертационные исследования связаны с выполнением по заданию Министерства образования и науки Российской Федерации следующих НИР, в которых автор была ответственным исполнителем: «Разработка теоретических основ построения робастных автоматизированных систем» (1996 г.), «Разработка теоретических основ построения интеллектуальных информационно-измерительных систем» (1997 г.), «Интеллектуальные технологии диагностики и анализа сложных систем» (2001 г.), «Разработка теории идентификации сложных систем естественного происхождения» (2002 г.), «Исследование принципов идентификации функциональных взаимосвязей сложных биосистем» (2003 г.), «Разработка и исследование нейросетевых методов идентификации с целью диагностики сложных систем (в медицине)» (2004 г.);

5) разработанные методы и алгоритмы применялись в двух хоздоговорах с ОАО «Саратовский подшипниковый завод»:

- «Разработка новой технологии интеллектуальной обработки информации для системы управления снабжением и производством технологической оснастки и инструмента» (2001-2002 гг.);

- «Разработка новой технологии идентификации состояния, прогнозирования отказов и управления шлифовальным оборудованием и ее реализация на станке модели 8\\^аАОЬ-50» (2002-2004 гг.);

• 6) разработанная информационно-аналитическая система используется в медицинской практике в Медицинском отделе ГУВД

Саратовской области и на кафедре внутренних болезней и интернатуры Саратовского государственного медицинского университета для прогноза заболеваний и планирования оздоровительных мероприятий, а также для проведения социально - гигиенического мониторинга, так как позволяет оперативно анализировать взаимодействия различных биопараметров;

7) материалы диссертации внедрены в учебный процесс и используются в курсах «Интегрированные системы», «Разработка программно-методических комплексов автоматизированных систем», «Интеллектуальные системы», «Технологии и алгоритмы анализа данных», «Информационные системы», читаемых студентам факультета электронной техники и приборостроения Саратовского государственного технического университета и студентам специальности «Прикладная информатика (в управлении)» Поволжской академии государственной службы имени П.А. Столыпина.

На защиту выносятся:

1. Концепция адаптивной реконструкции информационных моделей сложных систем по неполным данным об их внутренней динамике, основанная на принципах синергетики.

2. Методология адаптивной реконструкции сложных систем, которая базируется на положении о масштабной инвариантности процессов и использует базовые модельные уравнения.

3. Метод адаптивной реконструкции моделей сложных систем, функционирующих в режиме предельного цикла, на основе синергетических принципов подчиненности и ведущей роли параметров порядка; подходы к построению модельных уравнений, использующие априорную информацию о структуре исходной системы либо о структуре регистрируемого сигнала; алгоритм на основе волнового описания регистрируемых сигналов, который позволяет реконструировать модели, учитывающие особенности нестационарных систем, функционирующих в квазипериодическом режиме.

4. Метод нейросетевой реконструкции сложных систем на основе базовых моделей нейронных сетей, критерии выбора архитектуры сети и алгоритмов обучения, позволяющие эффективно решать задачи прогнозирования состояния и развития сложных систем по неполной информации о свойствах системы на основе выявления скрытых взаимосвязей между данными.

5. Разработанные критерии и алгоритмы оценки адекватности реконструированных моделей, реализующие многокритериальную параметрическую оптимизацию допусков на выходные параметры и позволяющие строить аппроксимированные области адекватности в виде гиперфигур - гиперпараллелепипеда или гиперсферы; критерий адекватности нейросетевых моделей на основе энтропийного показателя относительной упорядоченности реальной и модельной систем; критерий оценки избыточности моделей при волновом описании регистрируемых сигналов по интегральным формам Пфаффа.

6. Разработанный медицинский информационно-аналитический комплекс, реализующий предложенные методы и алгоритмы и позволяющий на основе выявления скрытых взаимосвязей и закономерностей протекания биопроцессов прогнозировать состояние и развитие систем по регистрируемым биосигналам или косвенной информации о свойствах биосистемы.

7. Разработанная информационно-управляющая система, реализующая предложенные методы и алгоритмы и позволяющая решать задачи нейросетевого прогнозирования в инструментальном производстве на основе выявления скрытых функциональных связей параметров и производственных факторов, учета кластеров, периодической составляющей временных рядов.

Структура и объем диссертации. Диссертация состоит из введения, семи глав, заключения, списка использованной литературы и приложения. Работа изложена на 294 страницах машинописного текста, содержит 63 рисунка и 9 таблиц, список литературы включает 243 наименования.

Заключение диссертации по теме «Математическое моделирование, численные методы и комплексы программ», Булдакова, Татьяна Ивановна

ВЫВОДЫ К ГЛАВЕ 7.

1. Для поддержки принятия управленческих решений в производственной сфере требуются эффективные методы аналитической обработки всей информации, поступающей и хранящейся в информационных системах. Особенностью таких систем является использование алгоритмов дообучения и настройки нейросетей по мере получения дополнительной информации.

2. Практическая значимость предложенных методов реконструкции обусловливается возможностью их алгоритмической реализации в информационно-аналитических системах на базе традиционных СУБД. Разработанные методы и алгоритмы позволяют на основе реконструированных моделей выполнять прогноз состояния и развития производства.

3. Производственно-экономические структуры относятся к системам четвертого уровня сложности и подчиняются фундаментальным системным законам. Для них характерен синергизм поведения, и они могут быть описаны простыми моделями, включая нейронные сети, что подтверждается успешной Эксплуатацией разработанной информационно-аналитической системы.

4. Разработанные алгоритмы нейросетевой реконструкции моделей используются для решения задач прогнозирования загрузки оборудования, анализа брака, оценки потребности материалов. Выбор архитектуры нейронной сети определяется конкретной задачей и, в частности, характером изменения параметров, поэтому предложены различные подходы к решению задач нейросетевой реконструкции в инструментальном производстве.

5. Особенностью разработанной информационно-аналитической системы для ОАО «Саратовский подшипниковый завод» является компьютерная поддержка штампов и других инструментов на протяжении всего их жизненного цикла на предприятии (САЬ8-технологии).

ЗАКЛЮЧЕНИЕ

В работе решена актуальная научно-техническая проблема разработки и создания программно-алгоритмических средств адаптивной реконструкции моделей сложных систем в условиях неопределенности для прогнозирования состояния и развития систем, демонстрирующих коллективное поведение (биологических и производственных) на основе неполной или косвенной информации об их свойствах.

Для решения поставленных задач созданы информационно-аналитические комплексы, осуществляющие сбор, хранение и регистрацию необходимых данных и реализующие разработанные методы и алгоритмы адаптивной реконструкции моделей исследуемых сложных систем.

Основные научные результаты диссертации сводятся к следующему.

1. Выполнена классификация задач реконструкции сложных систем и сформулированы соответствующие требования к реконструированным моделям. Предложены структуры базовых модельных уравнений для каждого класса задач на основе синергетических принципов подчиненности и ведущей роли параметров порядка.

2. Исследованы подходы к разработке (реконструкции) моделей сложных систем в условиях неопределенности (по неполным данным). Показано, что перспективным является синергетический подход, позволяющий создавать информационные модели. Проанализированы особенности информационного моделирования сложных систем и выбора информационного базиса моделей.

3. Выполнен анализ методов и проведено исследование универсальных алгоритмов реконструкции модельных уравнений систем, которые разрабатываются в нелинейной динамике, с целью их практического применения для решения прикладных задач. Предложены способы повышения вычислительной эффективности этих алгоритмов.

4. Сформулирована проблема и предложена концепция адаптивной реконструкции моделей сложных систем по неполной информации об их свойствах. Разработаны методы и алгоритмы ее решения.

5. Разработана методология адаптивной реконструкции моделей сложных систем четвертого уровня сложности на основе принципов синергетики.

6. Выполнен анализ процесса моделирования сложных систем на искусственных нейронных сетях. Поставлена задача нейросетевой реконструкции, предложены критерии для выбора архитектуры нейронных сетей и алгоритмов обучения.

7. Разработан метод реконструкции на динамических нейронных сетях, позволяющий создавать адаптивную модельную систему с учетом целей исследования, имитирующую динамику исходной системы. Показано, что областью применения метода является моделирование сложных систем по неполной, зашумленной или косвенной информации о свойствах системы.

8. Разработана информационная система, в которой реализуется нейросетевая реконструкция модели по косвенной информации о состоянии здоровья человека, позволяющая выявлять группы риска и прогнозировать тяжесть и длительность хронических заболеваний, в том числе язвенной болезни, на основе определения скрытых взаимосвязей между параметрами.

9. Предложены два подхода к реконструкции модельных уравнений систем естественного происхождения, учитывающие особенности их функционирования или особенности частотно-временного описания регистрируемых сигналов. Разработана методика и приведены примеры их реализации при реконструкции модели пульсового механизма по регистрируемому с помощью датчика сигналу пульсовой волны.

10.Разработан метод и алгоритм реконструкции, основанный на волновом описании регистрируемых сигналов и учитывающий априорную и текущую информацию о системе. Проведено исследование предложенного метода. Выполнено моделирование пульсового механизма с использованием модели, учитывающей волнообразный характер пульсации стенок артериального сосуда.

11.Разработаны алгоритмы оценки адекватности модельной системы.

Алгоритмы позволяют строить аппроксимированные области адекватности в

265 виде гиперфигур (гиперпараллелепипеда или гиперсферы), вписанных в область работоспособности системы. Предложен критерий и разработан метод, позволяющие на основе энтропийного показателя относительной упорядоченности системы оценить адекватность модели при нейросетевой реконструкции.

12. Показано, что при использовании волнового описания регистрируемых сигналов возможно появление избыточности реконструированных моделей. Предложен критерий для контроля избыточности реконструированных моделей с использованием интегрированных форм Пфаффа. Предложен способ его применения.

13.Разработана и создана медицинская информационно-аналитическая система, реализующая методы и алгоритмы адаптивной реконструкции моделей по регистрируемым биосигналам или косвенной информации о свойствах биосистемы, позволяющая решать задачи прогнозирования ее состояния и развития на основе выявления скрытых взаимосвязей и закономерностей протекания биопроцессов.

14. Разработана и создана информационно-управляющая система, реализующая предложенные методы и алгоритмы адаптивной реконструкции моделей (по неполным данным и косвенной информации) и позволяющая решать задачи нейросетевого прогнозирования в инструментальном производстве. Предложены различные подходы к построению нейросетевых моделей на основе выявления скрытых функциональных связей параметров и производственных факторов, учета кластеров, периодической составляющей временных рядов.

15.На основе предложенной методики решены практические задачи по идентификации, диагностике, прогнозированию сложных систем (биологических и производственных) с использованием разработанных методов и алгоритмов адаптивной реконструкции информационных моделей в условиях неопределенности.

Список литературы диссертационного исследования доктор технических наук Булдакова, Татьяна Ивановна, 2005 год

1. Айламазян А.К., Стась Е.В. Информатика и теория развития. М.: Наука, 1989.

2. Алипов H.H., Израильтян И.М., Соколов A.B., Трубецкая Л.В., Кузнецова Т.Е. Сравнительная характеристика индексов расслабимости сердца // Бюллетень экспериментальной биологии и медицины. 2001. № 5. С. 495500.

3. Андерсон Т. Статистический анализ временных рядов. М.: Мир, 1976. -760с.

4. Андрейчиков A.B., Андрейчикова О.Н. Интеллектуальные информационные системы. М.: Финансы и статистика, 2004. - 424 с.

5. Анищенко B.C. Знакомство с нелинейной динамикой: Лекции соросовского профессора. Саратов: Изд-во ГосУНЦ «Колледж», 2000. -180 с.

6. Анищенко B.C., Вадивасова Т.Е., Астахов В.В. Нелинейная динамика хаотических и стохастических систем. Фундаментальные основы и избранные проблемы / Под ред. B.C. Анищенко. Саратов: Изд-во Сарат ун-та. - 1999. - 368 с.

7. Анищенко B.C., Янсон Н.Б., Павлов А.Н. Может ли режим работы сердца здорового человека быть регулярным? // Радиотехника и электроника. 1997. Том 42, № 8. С. 1005-1010.

8. Анищенко B.C., Янсон Н.Б., Павлов А.Н. Седло-фокус в модели электрической активности сердца человека // Письма в ЖТФ. 1996. Том 22, вып. 4. С. 78-83.

9. Ю.Аносов О.Л., Бутковский О.Я., Кравцов Ю.А. Восстановление динамических систем по хаотическим временным рядам // Известия вузов «ПНД». 2000. Том 8, № 1. С. 29-51. 1 I.Ahtomohob Ю.Г. Принципы нейродинамики. Киев: Наукова думка, 1974. -200 с.

10. Байбурин В.Б., Терентьев A.A. Модели и методы научно-технического прогнозирования. Саратов: Изд-во СГТУ, 1999. - 116 с.

11. Бакусов Л.М., Зулкарнеев Р.Х., Загидуллин Ш.З. Применение показателя приближенной энтропии для оценки регулярности физиологических процессов // Вестник новых медицинских технологий. 1998. Т. 5, № 3-4. С. 13-15.

12. Н.Балантер Б.И., Ханин М.А., Чернавский Д.С. Введение в математическое моделирование патологических процессов. М.: Медицина, 1980. - 264 с.

13. Беллман Р. Математические методы в медицине/ Пер. с англ. М.: Мир. 1987.-200 е., ил.

14. Беляев К.П., Соловьев В.Н. О коррекции параметров численной модели с помощью данных измерений // Математическое моделирование. 2001. Т. 13, № 10. С. 3-16.

15. Бендат Дж., Пирсол А. Измерение и анализ случайных процессов. М.: Мир, 1974.-466 с.

16. Бессмертный Б.С. Математическая статистика в клинической, профилактической и экспериментальной медицине. М.: Медицина, 1967. -304 с.

17. Бокс Дж., Дженкинс Г. Анализ временных рядов. Прогноз и управление. Выпуск 1.-М.: Мир, 1974. 408 с.

18. Боровиков И.П., Обухов Ю.В., Боровиков В.П., Пасечник В.И. Новые алгоритмы восстановления сигналов и изображений, моделируемых при помощи дифференциальных уравнений // Радиотехника и электроника. 1999. № 8. С. 982-987.

19. Боулдинг К. Общая теория систем скелет науки // Исследования по общей теории систем. - М.: Прогресс, 1969, с. 106-124.

20. Булдакова Т.И. Адаптивная реконструкция на ассоциативных нейронных сетях // Прикладные исследования в радиофизике и электронике: Сб. научн. ст. Саратов: ООО «Исток-С», 2001. - С. 77-80.

21. Булдакова Т.И. Анализ метода нейросетевой реконструкции // Моделирование в радиофизических устройствах: Сб. науч. ст. Саратов: ООО «Исток-С», 2002, с. 92-94.

22. Булдакова Т.И. Методы оценки качества инструментального производства // Автоматизация и управление в машино- и приборостроении. Саратов: СГТУ, 2003, с. 28-33.

23. Булдакова Т.И. Методы реконструкции систем по биосигналам // Информационные технологии в образовании, технике и медицине. -Волгоград: РПК «Политехник». 2002. Ч. 2. С. 194-197.

24. Булдакова Т.И. Моделирование динамики нейрона с помощью ПМК ПА-7 // Проблемы управления и связи. Саратов: Изд-во СГТУ, 2000. - С. 232235.

25. Булдакова Т.И. Моделирование сложных систем на самоорганизующихся нейронных сетях // Физические основы радиоэлектроники и полупроводников. Саратов: Изд-во Сарат. педагог, ин-та, 2000. -С. 8183.

26. Булдакова Т.И. Реконструкция модели на основе волнового описания пульсового сигнала // Моделирование процессов в радиофизических и оптических устройствах. Саратов: Научная книга, 2003, с. 96-100.

27. Булдакова Т.И. Численные методы оптимизации. Саратов: Изд-во СГТУ, 1997.-66 с.

28. Булдакова Т.И., Карагод А.Л., Суятинов С.И. Пути информатизации отечественных предприятий // Перспективы культурно-цивилизационной эволюции общества. Саратов: СГТУ, 2003. С. 233-238.

29. Булдакова Т.И., Кобзарь Т.В. Использование нейронных сетей при моделировании систем различной физической природы. Саратов: Изд-во СПИ, 1997. С. 28-30.

30. Булдакова Т.И., Коблов A.B., Кузнецов A.B., Суятинов С.И. Нейросетевые методы идентификации пульсовых сигналов // Вестник новых медицинских технологий. 2002. № 4. С. 61-63.

31. Булдакова Т.И., Колентьев C.B., Лившиц В.Б., Суятинов С.И. Двухэтапное распознавание образов в нейросетевых диагностических системах // Информационные технологии в образовании, технике и медицине. -Волгоград: РПК «Политехник», 2000. С. 194- 196.

32. Булдакова Т.И., Колентьев C.B., Суятинов С.И. Вейвлет анализ и нейронные сети в алгоритмах измерения относительной плотности вещества // Состояние и проблемы измерений. - Москва: Изд-во МГТУ, 1999г.-С. 274-275.

33. Булдакова Т.И., Колентьев C.B., Суятинов С.И. Алгоритм оценки относительной плотности тканей по рентгеновским снимкам с использованием вейвлет-анализа // Вестник новых медицинских технологий. 2003. № 1. С. 6-8.

34. Булдакова Т.И., Кузнецов A.B. Реконструкция моделей медико-биологических систем // Информационные технологии в образовании. -Саратов: Изд-во СГТУ, 2000. С. 137-138.

35. Булдакова Т.И., Кузнецов A.B. Нейросетевой подход в задачах идентификации медицинских сигналов // Труды 8 Всероссийскойконференции «Нейрокомпьютеры и их применение». Москва, 2002. С. 639-642.

36. Булдакова Т.Н., Самочетова Н.С., Султанов С.И. Нейросетевая модель взаимодействия биосистем // Средства математического моделирования: Тезисы докл. 4-й международной конференции. Санкт-Петербург, 2003, с. 174.

37. Булдакова Т.И., Суятинов С.И. Информационно-аналитическая система управления снабжением и производством инструмента // Информационные технологии. 2002. № 11. С. 28-33.

38. Булдакова Т.И., Суятинов С.И. Нейрокомпьютерные системы. Саратов: Изд-во СГТУ, 1999.- 96 с.

39. Булдакова Т.И., Суятинов С.И., Коблов A.B. Критерий адекватности моделей при моделировании на нейросетях // Прикладные исследования в радиофизике и электронике. Саратов: ООО «Исток-С», 2001. С. 81 - 85.

40. Булдакова Т.Н., Суятинов С.И., Колентьев C.B. Нейросетевые алгоритмы прогнозирования в инструментальном производстве // Информационные технологии. 2003. № 3. С. 14-18.

41. Булдакова Т.Н., Суятинов С.И., Лысункин В.В. Два подхода к регистрации и анализу пульсограмм // Конверсия, приборостроение, медицинская техника. Владимир: Владим. гос. ун-т, 1999. С. 186-188.

42. Булдакова Т.Н., Суятинов С.И. Метод нейросетевой реконструкции систем // Информационные технологии. 2002. № 7. С. 37-40.

43. Булдакова Т.И., Суятинов С.И. Нейросетевая идентификация пульсового сигнала. Доклады 4-й Международной конференции «Цифровая обработка сигналов и ее применение». - Москва: ИПРЖР, 2002. С. 418420.

44. Булдакова Т.Н., Суятинов С.И. Принципы построения и возможности информационно-аналитической системы управления снабжением и производством инструмента // Межвузовский научный сборник

45. Автоматизация и управление в машино- и приборостроении». Саратов: СГТУ, 2002, с. 23-27.

46. Булдакова Т.И., Суятинов С.И. Разработка модельного уравнения для идентификации пульсового механизма // Моделирование в радиофизических устройствах: Сб. науч. ст. Саратов: ООО «Исток-С», 2002, с. 87-91.

47. Булдакова Т.И., Суятинов С.И. Разработка модельного уравнения пульсового механизма на основе волнового подхода // Доклады 5-й Международной конференции «Цифровая обработка сигналов и ее применение». Москва: ИПРЖР, 2003. С. 135-138.

48. Булдакова Т.И., Суятинов С.И. Реконструкция динамических систем на нейронных сетях // Интеллектуальные системы и информационные технологии управления. СПб.: Изд-во СПбГТУ, 2000. - С. 290-292.

49. Василенко В.Х. Врачебный прогноз. Душанбе: Дониш, 1982. - 108 с.

50. Вебер A.B., Данилов А.Д., Шифрин С.И. Knowledge-технологии в консалтинге и управлении предприятием. СПб: Наука и техника, 2003. -176 с.

51. Винер Н. Кибернетика, или управление и связь в животном и машине (2-е изд.): Пер с англ. М.: Наука, 1983.

52. Галушкин А.И. Теория нейронных сетей: Учеб. пособие для вузов / Общая ред. А.И. Галушкина. М.: ИПРЖР, 2000. - 416 е., ил.

53. Гвоздев В.И., Попов О.Н., Сезонов Ю.Н., Спиридонов О.П. Основные законы биоинформационных систем // Зарубежная радиоэлектроника. Успехи современной радиоэлектроники. 2000. № 3. С. 54-57.

54. Гельфанд И.И., Розенфельд Б.И., Шифрин М.А. Структурная организация данных в задачах медицинской диагностики и прогнозирования // Вопросы кибернетики. Задачи медицинской диагностики и прогнозирования с точки зрения врача. М.: АН СССР, 1988. - С. 5-64.

55. Гельфанд М.С., Миронов A.A. Вычислительная биология на рубеже десятилетий // Молекулярная биология. 1999. Т. 33, № 6. С. 969-984.

56. Гик Дж. Прикладная общая теория систем. М.: Мир, 1981.

57. Головко В.А. Нейронные сети: обучение, организация и применение: Учеб. пособие для вузов / Общая ред. А.И. Галушкина. М.: ИГ1РЖР, 2001.-256 с.

58. Гольдбергер Э.Л., Ригни Д.Р., Уэст Б.Дж. Хаос и фракталы в физиологии человека // В мире науки. 1990. № 4. С. 25-32.

59. Горбань А.Н., Россиев Д. А. Нейронные сети на персональном компьютере. Новосибирск: Наука, 1996. - 276 с.

60. Грибков Д.А., Грибкова В.В., Кравцов Ю.Л., Кузнецов Ю.И., Ржанов А.Г. Восстановление структуры динамической системы по временным рядам // Радиотехника и электроника. 1994. Вып. 2. С. 269.

61. Гофман В.Э., Хомоненко А.Д. Работа с базами данных в Delphi. СПб.: БХВ-Петербург, 2001. - 656 с.

62. Дабровски А., Дабровски Б., Пиотрович Р. Суточное мониторирование ЭКГ. М.: Медпрактика, 2000. - 208 с.

63. Директор С., Рорер Р. Введение в теорию систем. М.: Мир, 1974. - 464 с.

64. Дмитриев A.C. Хаос и обработка информации в нелинейных динамических системах (обзор) // Радиотехника и электроника. 1993. Т.38, №1. СЛ.

65. Дмитриев A.C. Запись и распознавание информации в одномерных динамических системах // Радиотехника и электроника. 1991. Т. 36, № 1. С.101-108.

66. Дмитриев A.C., Куминов Д.А. Сложная динамика простейших электронных нейроподобных систем // Радиотехника и электроника. 1992. № 3. С. 479-487.

67. Дмитриев И.Э. Картирование корреляционной размерности электроэнцефалограммы человека //Известия вузов «ПНД». 1998. Т.6, № 6. С. 39-49.

68. Добеши И. Десять лекций по вейвлетам. Ижевск: НИЦ «Регулярная и хаотическая динамика», 2001. - 464 с.

69. Дунин-Барковский B.JI. Информационные процессы в нейронных структурах. М.: Наука, 1978. - 163 с.

70. Дюк В., Самойленко A. Data mining: учебный курс. СПб: Питер, 2001. -368 с.73.3абелинский А.И. Нелинейная самоорганизация как подход к построению прогнозирующих моделей // Автоматизация и современные технологии. 2001. №9. С. 17-19.

71. Зуев С.М. Статистическое оценивание параметров математических моделей заболеваний. М.: Наука, 1988. - 173 с.

72. Емельянов В.В., Ясиновский С.И. Введение в интеллектуальное имитационное моделирование сложных дискретных систем и процессов. Язык РДО. М.: АНВИК, 1998.

73. Ивахненко А.Г., Мюллер И. А. Самоорганизация прогнозирующих моделей. Киев: Техшка, 1985. -223 с.

74. Ивахненко А.Г., Зайченко Ю.П., Димитров В.Д. Принятие решений на основе самоорганизации. М.: Сов. радио, 1976. - 280 с.

75. Игошева Н.Б., Павлов А.Н., Анищенко Т.Г. Методы анализа сердечного ритма. Саратов: Изд-во ГосУНЦ «Колледж», 2001. - 120 с.

76. Калядин Н.И., Кузнецов П.Г., Леменков В.А., Ходырева М.Д. Компьютерные медицинские мониторы: Состояние и перспективы // Медицинская техника. 1999. № 5. С. 34-37.

77. Калянов Г.Н. CASE-технологии. Консалтинг при автоматизации бизнес-процессов. М.: Горячая линия - Телеком, 2000. - 320 с.

78. Канторович Г.Г. Анализ временных рядов // Экономический журнал Высшей школы экономики. 2002. - № 1. - С. 85-116.

79. Капица С.П., Курдюмов С.П., Малинецкий Г.Г. Синергетика и прогнозы будущего. М.: Эдиториал УРСС, 2001. - 288 с.

80. Катковник В.Я. Непараметрическая идентификация и сглаживание данных. Метод локальной аппроксимации. М.: Мир, 1985.

81. Климонтович Ю.Л. Критерии относительной степени упорядоченности или хаотичности открытых систем // Труды международной конференции «Критерии самоорганизации в физических, химических и биологических системах». М: Изд-во Моск. ун-та, 1995. - С. 84-101.

82. Ковалева JI.H. Многофакторное прогнозирование на основе рядов динамики. М.: Статистика, 1980. - 103 с.

83. Колентьев C.B., Булдакова Т.Н. Иерархический подход к обработке данных в задачах восстановления структуры объекта // Информационные технологии в образовании. Саратов: Изд-во СГТУ, 2000. - С. 135-136.

84. Колмогоров А.Н. Представление непрерывных функций многих переменных суперпозицией функций одной переменной и сложением // Докл. АН СССР. 1957. Т. 114, № 5. С. 953-956.

85. Комарцова Л.Г., Максимов A.B. Нейрокомпьютеры: Учеб. пособие для вузов. М.: Изд-во МГТУ им. Н.Э. Баумана, 2002. - 320 е., ил. (Сер. Информатика в техническом университете).

86. Копейкин C.B. Адаптивные методы обработки измерений. Саратов: Изд-во СГУ, 1982.- 120 с.

87. Корнеев В.В., Гареев А.Ф., Васютин C.B., Райх В.В. Базы данных. Интеллектуальная обработка информации. М.: "Нолидж", 2000. - 352 с.

88. Корячко В.П., Курейчик В.М., Норенков И.П. Теоретические основы САПР. М.: Энергоатомиздат, 1976. - 400 с.

89. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. М.: Горячая линия. - Телеком, 2001. - 382 с.

90. Краснощеков П.С., Петров Л.Л. Принципы построения моделей. М.: Изд-во МГУ, 1983.-264 с.

91. Кременецкий С. Д. Прикладные математические модели: от электродинамики, радиофизики, радиоастрономии . до информатики, телекоммуникаций . И Успехи современной радиоэлектроники. 2001. № 6. С. 60-71.

92. Кузнецов A.B., Булдакова Т.П. Анализ методов расчета производных в алгоритмах реконструкции // Доклады 5-й Международной конференции «Цифровая обработка сигналов и ее применение». М: ИПРЖР, 2003. С. 374-377.

93. Кузнецов Г.В. Основные идеи пространственного подхода при моделировании сердечно-сосудистой системы человека // Вестник новых медицинских технологий. 1999. № 2. С. 49-50.

94. Кузнецов П.Г., Невоструев A.A. Применение электрокардиограмм для распознавания состояния человека // 52-я научная сессия, посвященная Дню радио. Тезисы докладов, ч. 2. М.: 1997. С. 158-159.

95. Кулаичев А.П. Компьютерный контроль процессов и анализ сигналов. -М.: Информатика и компьютеры, 1999. 291 с.

96. Ланда П.С., Розенблюм М.Г. Об одном методе оценки размерности вложения аттрактора по результатам эксперимента // ЖТФ. 1989. Т. 59, № 1.С. 13.

97. Лачинов В.М., Поляков А.О. Информодинамика или Путь к Миру открытых систем. СПб.: Изд-во СПбГТУ, 1999. - 432 с.

98. Левинштейн М.Л. Операционное исчисление и его приложения к задачам электротехники. М.-Л.: Изд-во «Энергия», 1964. - 466 с.

99. Линник Ю.В. Избранные труды. Теория вероятностей. М.: Наука, 1981.-717 с.

100. Лифшиц В.Б., Булдакова Т.И., Суятинов С.И., Колентьев C.B. Статистический и нейросетевой методы идентификации ипрогнозирования в медицине // Информационные технологии. 2004. № 3. С. 60-63.

101. Лопин В.И., Шепелов О.В. Нейросетевой программный комплекс диагностики заболеваний // Приборы и системы управления. 1999. № 12. С. 12-13.

102. Лукашин Ю.П. Адаптивные методы краткосрочного прогнозирования. М.: Статистика, 1979. - 254 с.

103. Лукашин Ю.П. Адаптивные методы краткосрочного прогнозирования временных рядов. М.: Финансы и статистика, 2003. - 416 с.

104. Лукашин Ю.П. Линейная регрессия с переменными параметрами. М.: Финансы и статистика, 1992. - 256 с.

105. Льюис Х.Д. Методы прогнозирования экономических показателей. -М.: Финансы и статистика, 1986. 240 с.

106. Лэнинг Дж.Х., Бэттин Р.Г. Случайные процессы в задачах автоматического управления. М.: Изд-во иностранной литературы, 1958. -388 с.

107. Максимей И.В. Имитационное моделирование на ЭВМ. М.: Радио и связь, 1988.

108. Малинецкий Г.Г., Потапов А.Б. Современные проблемы нелинейной динамики. М.: Эдиториал УРСС, 2000. - 336 с.

109. Матвеев Н.М. Дифференциальные уравнения. Л.: Изд-во ЛГУ, 1963. -418 с.

110. Методы робастного, нейро-нечеткого и адаптивного управления / Под ред. Н.Г. Егупова. М.: Изд-во МГТУ им. Н.Э. Баумана, 2001. - 744 с.

111. Минаев Ю.Н., Филимонова О.Ю., Бенамеур Лиес. Методы и алгоритмы решения задач идентификации и прогнозирования в условиях неопределенности в нейросетевом логическом базисе. М.: Горячая линия-Телеком, 2003. - 205 с.

112. Михайлов Ф.А., Теряев Е.Д., Булеков В.П., Данков Г.Ю., Саликов JI.M., Степаньяиц Г.А. Динамика нестационарных линейных систем. М.: Изд-во «Наука», 1967. - 368 с.

113. Могилевский В.Д. Формализация динамических систем. М.: Вузовская книга, 1999. - 216 с.

114. Молчанов М.А., Молчанов Я.М. Автоматизированная система управления БОСС как база создания системы принятия стратегических решений в управлении малым бизнесом // Приборы и системы: управление, контроль, диагностика. 2000. № 11. С. 23-26.

115. Назаров A.B., Лоскутов А.И. Нейросетевые алгоритмы прогнозирования и оптимизации систем. СПб.: Наука и техника, 2003. -384 с.

116. Нейроинформатика /А.Н.Горбань, В.Л.Дунин-Барковский, А.Н.Кирдин и др. Новосибирск: Наука. Сибирское предприятие РАН, 1998. - 296 с.

117. Норенков И.П., Булдакова Т.И. Статистические анализ и оптимизация на основе алгоритмов центрирования // Известия вузов. Радиоэлектроника. 1985. № 6. С. 84-86.

118. Норенков И.П., Зиновьев П.А., Булдакова Т.И. Алгоритм центрирования на основе линейных аппроксимаций // Известия вузов. Радиоэлектроника. 1983. № 6. С. 14-18.

119. Норенков И.П., Сомов П.А., Булдакова Т.И. Алгоритмы получения адаптивных макромоделей //Современные тенденции развития САПР интегральных микросхем. М.: МИЭТ, 1984. - С. 48-53.

120. Опалев A.A., Эмануэль В.JI. Основы медицинской метрологии. СПб.: Изд-во СПб ГМУ, 1999. - 96 с.

121. Осовский С. Нейронные сети для обработки информации / Пер. с польского И.Д. Рудинского. М.: Финансы и статистика, 2002. - 344 с.

122. Павлов А.Н., Янсон Н.Б., Анищенко B.C. Реконструкция динамических систем // Радиотехника и электроника. 1999. Том 44, № 9. С.1075-1092.

123. Петров В.П., Осипов В.В., Есин C.B., Барышев С.С. Применение нейросетевых компьютерных технологий в определении лечебной тактики у больных с язвенной болезнью желудка и двенадцатиперстной кишки // Вестник хирургии, 2000, 159, № 1, с. 73-76.

124. Петрякова Е.А. Нейронные сети Хопфилда с несимметрической матрицей коэффициентов связи между нейронами // Известия вузов. Приборостроение. 1994. Т. 37, № 3-4. С.24-32.

125. Полонников Р.И. Информационные меры при исследовании биологических процессов // Телемедицина становление и развитие,-СПб: Изд-во СПИИРАН, 2000. С. 47-54.

126. Полуэктов P.A., Опарина И.В., Топаж А.Г., Финтушал С.М., Миршель В. Адаптируемость динамических моделей агроэкосистем к различным почвенно-климатическим условиям // Математическое моделирование. 2000. Т. 12, № U.C. 3-16.

127. Поройков В.В. Зарубежные электронные информационные ресурсы по лекарственным препаратам для профессионалов в области здравоохранения // Компьютерные технологии в медицине. 1998. № 1. С. 87-93.

128. Поспелов Д.А. Ситуационное управление: теория и практика. М.: Наука, 1986.

129. Построение экспертных систем / Пер. с англ.; Под ред. Ф. Хейеса-Рота, Д. Уотермана, Д. Лената. М.: Мир, 1987. - 441 е., ил.

130. Пригожин И. От существующего к возникающему. М.: Наука, 1985. -327с.

131. Прохорович В.Е. Прогнозирование состояния сложных технических комплексов. СПб.: Наука, 1999. - 157 с.

132. Пупков К.А., Коньков В.Г. Интеллектуальные системы. М.: Издательство МГТУ им. Н.Э. Баумана, 2003. - 348 с.

133. Пупков К.А., Шмыкова H.A. Анализ и расчет нелинейных систем с помощью функциональных степенных рядов. М.: Машиностроение, 1982.- 150 с.

134. Распознавание образов и медицинская диагностика / Под ред. Ю.И. . Неймарка. М.: Наука, 1972. - 328 с.

135. Рябова C.B., Петин В.Г. Возможность прогнозирования синергетических эффектов комбинированных воздействий на организменном уровне // Радиационная биология. Радиоэкология. 2000. Т.40, № 2. С. 192-196.

136. Салычев О.С. Волновое описание возмущений в задачах оценки ошибок инерциальных систем навигации. М.: Машиностроение, 1992. -216 с.

137. Салычев О.С., Быковский A.B. Волновой метод оценивания вектора состояния динамической системы // Вестник МГТУ. Серия «Приборостроение». 1990. № 1. С. 4 - 13.

138. Самарский A.A., Михайлов А.П. Математическое моделирование: Идеи. Методы. Примеры. М.: Физматлит, 2001. - 320 с.

139. Самонастраивающиеся системы. Справочник / Под общей редакцией д.т.н., профессора П.И. Чинаева. Киев: Наукова думка, 1969. - 528 с.

140. Саркисов Д.С. Некоторые особенности развития медико-биологических наук в последние столетия // Бюллетень экспериментальной биологии и медицины. 2001. Т. 131, № 1. С. 5-10.

141. JL!' 147. Системы автоматизированного проектирования в радиоэлектронике:

142. Справочник /Е.В.Авдеев, А.Т.Еремин, И.П.Норенков, М.И.Песков. М.: Радио и связь, 1986. - 368 с.

143. Системы автоматизированного проектирования: В 9-ти кн. Кн. 7. Лабораторный практикум / Булдакова Т.И., Жук Д.М., Комалов С.С. и др.- М.: Высшая школа, 1986. 144 с.

144. Системы автоматизированного проектирования: В 9-ти кн. Кн. 7. Лабораторный практикум / Булдакова Т.И., Жук Д.М., Комалов С.С. и др.- Минск: Вышэйшая школа, 1988. 144 с.

145. Ситдыков Р.К., Лифшиц В.Б., Булдакова Т.И., Суятинов С.И. Язвенная болезнь у оперативных сотрудников МВД: прогнозирование и идентификация // Медицинский вестник МВД. 2004. № 1. С. 20-24.

146. Славин М.Б. Методы системного анализа в медицинских исследованиях. М.: Медицина, 1989. - 302 с.

147. Солодовников В.В., Бородин Ю.И., Ионнисиан А.Б. Частотные методы анализа и синтеза нестационарные нелинейных систем. М.: Сов. радио, 1972.-324 с.

148. Справочник по теории автоматического управления / Под ред A.A. -г ' Красовского. -М.: Наука, 1987. -711 с.

149. Справочное пособие по теории систем автоматического регулирования и управления. Минск: Вышэйшая школа, 1973. - 584 с.

150. Статистические методы прогнозирования на основе временных рядов: Учеб. пособие / Ю.В. Сажин, A.B. Катычев, В.А. Басова, Ю.В. Сарайкин.- Саранск: Изд-во Мордов. ун-та, 2000. 116 с.

151. Статистическое моделирование и прогнозирование /Под ред. А.Г. Гранберга. М.: Финансы и статистика, 1990. - 382 с.

152. Статистические методы повышения качества: Пер. с англ. /Под ред. X. Кумэ. М.: Финансы и статистика, 1990. - 304 с.

153. Суятинов С.И., Булдакова Т.П. Метод идентификации связанных систем естественного происхождения // Труды II Международной конференции «Идентификация систем и задачи управления». М.: Ин-т проблем управления, 2003. С. 344-350.

154. Суятинов С.И., Булдакова Т.И. Синергетические основы алгоритмов идентификации систем естественного происхождения // Доклады 4-й Международной конференции «Цифровая обработка сигналов и ее применение». Москва: ИПРЖР, 2002. С. 47-49.

155. Суятинов С.И., Булдакова Т.И. Принципы разработки модельных уравнений биологических систем // Информационные технологии в образовании, технике и медицине. Волгоград: РПК «Политехник», 2002. С. 235-238.

156. Суятинов С.И., Булдакова Т.И., Епифанов А.Н. Нейросетевой алгоритм идентификации и управления подачей шпинделя // Математические методы в технике и технологиях: Сб. тр. XVI Междунар. науч. конф. -Ростов н/Д, 2003. Т. 5. С. 202-204.

157. Суятинов С.И., Коблов A.B., Булдакова Т.И. Особенности и алгоритм интерпретации измерительных биосигналов // Материалы 8-й Всероссийской научно-техн. конф. «Состояние и проблемы измерений». -М.: МГТУ им. Н.Э. Баумана, 2002. С. 28-29.

158. Султанов С.И., Коблов А.В., Булдакова Т.И. Принципы разработки модельных уравнений для идентификации сложных систем // Труды II Международной конференции «Идентификация систем и задачи управления». М.: Ин-т проблем управления, 2003. С. 336-343.

159. Телемедицина: новые информационные технологии на пороге XXI века / Под ред Р.М. Юсупова, Р.И. Полонникова. СПб: СПИИРАН, 1998. -490 с.

160. Тихомиров Ю.В. Microsoft SQL Server 7.0: разработка приложений. -СПб.: БХВ-Петербург, 2000. 352 с.

161. Тоффоли Т., Марголус Н. Машины клеточных автоматов. М.: Мир, 1991. -280с.

162. Трубецков Д.И. Колебания и волны для гуманитариев. Саратов: Изд-во ГосУНЦ «Колледж», 1997. - 392 с.

163. Тюрин Ю.Н., Макаров А.А. Статистический анализ данных на компьютере. М.: ИНФРА-М, 1998. - 528 с.

164. Урицкий В.М., Музалевская Н.И. Фрактальные структуры и процессы в биологии (обзор) // Биомедицинская информатика / Под ред. Р.И. Полонникова, К.Г.Короткова. СПб: Ольга, 1995. С.84-130.

165. Ушенко А.Г. Лазерная диагностика биофракталов // Квантовая электроника. 1999. Т. 29, № 3. С. 239-245.

166. Фаронов В.В., Шумаков П.В. Delphi 5. Руководство разработчика баз данных. М.: Нолидж, 2000. - 640 с.

167. Фильтрация и стохастическое управление в динамических системах / Под ред. К.Т. Леондеса. М.: Мир, 1980. - 408 с.

168. Фролов М.В., Гусев М.И., Лазарев Н.В., Милованова Г.Бю Потулова Л.А. Информационная технология диагностики функционального состояния человека-оператора // Аэрокосмическая и экологическая медицина. 2000. Том 34, № 2. С. 27-33.

169. Хан М.Г. Быстрый анализ ЭКГ. СПб.: Изд-во БИНОМ, 2001. - 286 с.

170. Хейес-Рот Ф., Уотерман Д., Ленат Д. Построение экспертных систем. -М.: Мир, 1987.-441 с.

171. Хемминг Р.В. Численные методы для научных работников и инженеров. М.: Наука, 1968. - 400 с.

172. Химмельблау Д. Прикладное нелинейное программирование / Пер. с англ. М.: Мир, 1975. - 534 с.

173. Хованова H.A., Хованов И.А. Методы анализа временных рядов. -Саратов: Изд-во ГосУНЦ «Колледж», 2001. 120 с.

174. Цянь Сюэ-Сэнь. Техническая кибернетика. М.: Изд-во иностранной литературы, 1956. - 464 с.

175. Четыркин K.M. Статистические методы прогнозирования. М.: Статистика, 1977. - 200 с.

176. Шевченко Ю.Л., Щихвердиев H.H., Оточкин A.B. Прогнозирование в кардиохирургии. СПб: Питер Паблишинг, 1998. - 208 с. - (Серия «Практическая медицина»).

177. Шумаков В.И., Новосельцев В.Н., Сахаров М.П. и др. Моделирование физиологических систем организма. М.: Медицина, 1971. - 352 с.

178. Элементы теории биологических анализаторов / Под общ. ред. Н.В. Позина. М.: Наука, 1978. - 360 с.

179. Юзбашев М.М., Манелля А.И. Статистический анализ тенденций и колеблемости. М.: Финансы и статистика, 1983. - 207 с.

180. Янсон Н.Б., Анищенко B.C. Моделирование динамических систем по экспериментальным данным // Известия вузов. Прикладная нелинейная динамика. 1995. Т.З, №3. С. 112.

181. Янсон Н.Б., Павлов А.Н., Балансе А.Г., Анищенко B.C. Задача реконструкции математической модели применительно к электрокардиограмме // Письма в ЖТФ. 1996. Т. 22, № 16. С. 57.

182. Baxt W.G. Complexity, chaos and human physiology: the justification for nonlinear neural computational analysis // Cancer Lett. 1994. Vol. 77, N 2-3. P. 85-93.

183. Bouldakova T.I., Suyatinov S.I., Kolentev S.V. Criteria of identification of the medical images // SPIE Proceeding. 2003. Vol. 5067. P. 148-153.

184. Breeden J.L., PackardN.H. A learning algorithm for optimal representation JL^ ol experimental data// Int. J. of Bif. and Chaos. 1994. Vol. 4, № 2. P. 311.

185. Breeden J.L., Habler A. Reconstructing equations of motion from experimental data with unobserved variables // Phys. Rev. A. 1990. V. 42, №. 10. P. 5817-5826.

186. Brown R.G. Statistical forecasting for inventory control. N.Y., 1959.

187. Brown R.G. Smoothing forecasting and prediction of discrete time series. -N.Y., 1963.

188. Buldakova T.I., Kolentev S. V., Snyatinov S.I. Measurement of Relative Density of Tissue Using Wavelet Analysis and Neural nets // SPIE Proceeding. 2001. V. 4158, paper 55. P. 260-268.

189. Buldakova T.I., Suyatinov S.I. Adaptive reconstruction system on neural networks // Abstracts of the 6th International School on Chaotic Oscillations and Pattern Formation (CHAOS'Ol). Saratov, 2001. - P. 21-22.

190. Buldakova T.I., Suyatinov S.I. Reconstruction of Dynamic Systems on Neural Networks //. Proceeding of the International Scientific Conference1.telligent Systems and Information Technologies in Control". SPb: SPbSTU

191. Publishers, 2000.-P. 69-71.

192. Buldakova T.I., Suyatinov S.I. Registration and identification of pulse signal for medical diagnostics // SPIE Proceedings. 2002. Vol. 4707, paper 48. P. 343350.

193. Casdagli M. Nonlinear prediction of chaotic time series // Physica D. 1989. Vol. 35. P. 335.

194. Castro R., Saner I. Correlation dimension of attractors through interspike intervals //Phys. Rev. E. 1997. V.55. P. 267-287.

195. Crenters J., Hubler A. Construction of differential equations from experimental data//Z. Naturforsch. A. 1987. Vol. 42, N 8. P. 797.

196. Dickey DA., Bell W.R., Miller R.B. Unit roots in time series models: Tests and applications // American statistician. 1986. Vol. 40. P. 12-26.

197. European respiratory monograph: Respiratory mechanics //Edited by J. Milic-Emili. Published by European Respiratory Society Journals Ltd. Volume 4. Monograph 12, November 1999. 298 p.

198. Erdogmus D., Principe J. C. An Error-Entropy Minimization Algorithm for Supervised Training of Nonlinear Adaptive Systems // IEEE Trans. Signal Process. 2002. Vol. 50, No 7. P. 1780-1786.

199. Farmer J.D., Ott E., Yorke J A. The Dimension of Chaotic Attractors // Physica D. 1983. V. 7, N 1-3. P. 153-180.

200. Farmer J. D., Sidorovich J.J. Predicting chaotic time series // Phys. Rev Lett. 1987. Vol. 59. P. 845.

201. Fraser A.M. Reconstructing attractors from scalar time series: a comparison of singular systems and redundancy criteria // Physica D. 34 (1989). P. 391.

202. Fraser A.M., Swinney H.L. Independent coordinates from mutual information // Phys. Rev. A. 1986. Vol. 33. P. 1134.

203. Fukushima K. Analysis of the process of visual pattern recognition by Neocognitron // Neural Networks. 1987. Vol. 2. P .413-420.

204. Gibson J.F., Farmer J.D., Casdagli M., Eubank S. An analytic approach to practical state space reconstruction // Physica D. 57 (1992). P.l.

205. Gindi G.R., Darken C.J., O'Brien K.M. et al. Neural network and conventional classifiers for fluorescence-guided laser angioplasty // IEEE Trans. Biomed. Eng. 1991. Vol. 38, N 3. P. 246-252.

206. Gouesbet G., Letellier C. Global vector-field reconstruction by using a multivariate polynomial approximation on nets // Phys. Rev. E 1994. Vol. 49. P. 4955.

207. Gouesbet G., Letellier C. Global vector-field reconstruction by using a multivariate polynomial L2 approximation on nets // Phys. Rev. E. 1994. V.49. P 4955-4972.

208. Greenside H.S., Wolf A., Swift ./., Pignataro T. Impracticality of a box counting algorithm for calculating the dimensionality of strange attractors // Phys. Rev. A. 25 (1982). № 6. P. 3453-3456.

209. Haber R., Unbehauen H. Structure identification of nonlinear dynamic system survey on input/output approaches // Autocratic, 1990. Vol. 26. P. 651677.

210. Hecht-Nielsen R. Neurocomputing. Amsterdam: Addison Wesley, 1991.

211. Hebb D. Organization of behaviour. N.Y.: J. Wiley, 1949.

212. Hoher M., Kestler H.A., Palm G. et al. Neural network based QRS classification of the signal averaged electrocardiogram // Eur. Heart J. 1994. Vol. 15. Abstr. Suppl. XH-th World Congress Cardiology (734). P. 114.

213. Holt C.C. Forecasting trends and seasonals by exponentially weighted moving averages // O.N.R. Memorandum, Carnegie Inst, of Technology. -1957. -№ 2.

214. Hopjield J. Neural network and physical systems with emergent collective computational abilities // Proc. National Academy of Science USA. 1982. Vol. 79. Pp. 2554-2558.

215. Hopfield J., Tank D. Neural computations of decisions in optimization problems// Biological Cybernetics. 1985. Vol. 52. P. 141-152.

216. Hopfield J., Tank D. Computing with neural circuit: a model // Science. 1986. Vol. 233. P. 625-633.

217. Jack L.B., Nandi A.K. Genetic algorithms for feature selection in machine condition monitoring with vibration signals. IEE Proc. Vision, Image and Signal Process. 2000. 147, N 3. P. 205-212.

218. Kennel M.B. Statistical test for dynamical nonstationarity in observed time-series data // Phys. Rev. E. 1997. Vol 56, N 1. P. 316-321.

219. Kennel M.B., Isabelle S. Method to distinguish possible chaos from colored noise and to determine embedding parameters // Phys. Rev. A.46 (1992). P.3111.

220. Kohonen T. The self organizing map // Proc. of IEEE. 1990. Vol. 78. P. 1464-1479.

221. Kohonen T. Self-organizing maps. Berlin: Springer Verlag, 1995.

222. Kosko B. Bidirectional associative memories // IEEE Trans. Systems, Man and Cybernetics. 1988. Vol. 18. P. 49-60.

223. Leung H. Prediction of Noisy Chaotic Time Series Using an Optimal Radial Basis Function Neural Network I I IEEE Trans, on Neural Networks. 2001. Vol. 12, N5. P. 1163-1172.

224. Liebert W., Schuster H.G. Proper choice of the time delay for the analysis of chaotic time series // Phys. Lett. A. 1989. Vol. 142. P. 107.

225. Lundin J. Artificial neural networks in outcome prediction // Ann. chir. et dynaecol. 1998. 87, N 2, p 128-130.

226. Maclin P.S., Dempsey J. Using an artificial neural network to diagnose hepatic masses // J. Med. Syst. 1992. Vol. 16, N 5. P.215-225.

227. Manuca R., Savit R. Stationarity and nonstationarity in time series analysis // PhysicaD. 1996. Vol. 99. P 134-161.

228. McCulloch W.S., Pitts W.H. A logical calculus of ideas immanent in nervous activity//Bull. Math. Biophisics. 1943. Vol. 5. P. 115-119.

229. Minsky M, Papert S. Perceptrons: an introduction to computational geometry. Cambridge, MA, 1988.

230. Okamoto Y., Nakano H., Yoshikawa M. et. al. Study on decision support system for the interpretation of laboratory data by an artificial neural network // Rinsho. Byori. 1994. Vol. 42, N 2. P. 195-199.

231. Packard N. H., Criitchfield J.P., Farmer J.D., Shaw R.S. Geometry from a time series // Phys. Rev. Lett. 1980. Vol. 45. P. 712.

232. Poli R., Cagnoni S., Livi R. et. AI. A Neural Network Expert System for Diagnosing and Hypertension // Computer. 1991. N 3. P. 64-71.

233. Rinast E., Under R., Weiss H.D. Neural network approach for computerassisted interpretation of ultrasound images of the gallbladder // Eur. J. Radiol. 1993. Vol 17, N3. P. 175-178.

234. Schreiber T. Detecting and Analyzing Nonstationarity in a Time Series Using Nonlinear Cross Predictions // Phys. Rev. Lett. 1997. Vol. 78, N 5. P. 843-846.

235. Takens F. Detecting strange attractors in turbulence // Lect. Notes in Math. Berlin: Springer. 898 (1981). P. 336-381.

236. Tronci St., Giona M., Baratti R. Reconstruction of chaotic time series by neural models: a case study // Neurocomputing/ 2003. Vol. 55. P. 581-591.

237. Vetter R., Cebka P., Vesin J.M., Thonet G. Subband modeling of the human cardiovascular system: New insights into cardiovascular regulation // Ann. Biomed. Eng. 1998. Vol. 26, N 2. P. 293-307.