Методы, модели, алгоритмы, инструментальные средства построения имитационно-лингвистических систем тема диссертации и автореферата по ВАК РФ 05.13.18, доктор технических наук Ходашинский, Илья Александрович

• Ходашинский, Илья Александрович
• доктор технических наук
• 2004

Оглавление диссертации доктор технических наук Ходашинский, Илья Александрович

ВВЕДЕНИЕ.

ГЛАВА 1. МЕТОДОЛОГИЧЕСКИЕ ОСНОВЫ ПОСТРОЕНИЯ ИМИТАЦИОННО-ЛИНГВИСТИЧЕСКИХ СИСТЕМ.

1.1. Системы, модели.

1.2. Проблемы и задачи, решаемые имитационно-лингвистическими системами.

1.3. Имитационно-лингвистические системы как подмножество интеллектуальных систем.

1.3.1. Интеллектуальные системы.

1.3.2. Системы, основанные на знаниях.

1.3.3. Нечеткие системы.

1.3.4. Системы ситуационного управления.

1.3.5. Интеллектуальные системы анализа данных.

1.3.6. Системы обработки естественного языка.

1.3.6. Гибридные системы.

1.4. Измерения и оценивание.

1.4.1. Измерения.

1.4.2. Величина.

1.4.3. Шкалы.

1.4.4. Оценка и оценивание.

Выводы.

ГЛАВА 2. ОЦЕНИВАНИЕ ВЕЛИЧИН КАК МЕТОД ПОСТРОЕНИЯ ИМИТАЦИОННО-ЛИНГВИСТИЧЕСКИХ СИСТЕМ.

2.1. Оценивание величин.

2.1.1. Неформальная постановка задачи.

2.1.2. Формальная постановка задачи оценивания.

2.1.3. Построение лингвистических шкал оценок величин.

2.2. Псевдофизическая логика оценок величин.

2.2.1. Гипотезы и правила вывода для сравнительных оценок.

2.2.2. Гипотезы и правила вывода для динамических оценок.

2.3. Оценивания величин на основе нечеткой арифметики.

2.3.1. Нечеткие числа.

2.3.2. Операции над нечеткими числами.

2.3.3. Метрические подходы к оцениванию величин.

2.3.4. Определение ближайших нечетких чисел.

2.3.5. Оценивание через дефаззификацию.

2.3.6. Сравнительные оценки двух нечетких величин.

2.3.7. Пример применения нечеткой арифметики в оценивании величин.

2.4. Оценивание величин на основе нечеткой логики.

2.4.1. Основные операции нечеткой логики и алгоритмы их выполнения.

2.4.2. Нечеткий вывод.

2.4.3. Исследования нечеткологической системы оценивания.

2.5. Нейронные сети для обучения нечеткой системы оценивания величин.

2.6. Оценивание величин на основе субъективных вероятностей.

2.6.1. Процедура вывода.

2.6.2. Определение априорных вероятностей выбора правила.

2.6.3. База правил системы оценивания.

2.6.4. Анализ результатов вывода.

2.8. Оценивания величин на основе алгебраических свойств отношений между величинами.

Выводы.

ГЛАВА 3. МЕТОДЫ, МОДЕЛИ, АЛГОРИТМЫ ПЛАНИРОВАНИЯ ДЕЙСТВИЙ В ИМИТАЦИОННО-ЛИНГВИСТИЧЕСКОЙ СИСТЕМЕ.

3.1. Взаимодействие пользователя с имитационно-лингвистической системой.

3.1.1. Участники взаимодействия и их задачи.

3.1.2. Модель взаимодействия.

3.2. Планирование вычислений.

3.2.1. Продукционное планирование в пространстве задач.

3.2.2. Планирование с использованием функциональной семантической сети.

3.2.3. ПРОЛОГ-реализация планирования вычислений.

3.2.4. ЛИСП-реализация планирования вычислений.

3.2.5. Обсуждение систем планирования вычислений.

3.3. Поиск в семантической сети специального вида.

3.3.1. Представление знаний о предметной области.

3.3.2. Алгоритм поиска в сети.

3.4. Пополнение знаний.

Выводы.

ГЛАВА 4. ИНСТРУМЕНТАЛЬНЫЕ СРЕДСТВА ПОСТРОЕНИЯ И ИССЛЕДОВАНИЯ ИМИТАЦИОННО-ЛИНГВИСТИЧЕСКИХ СИСТЕМ

4.1. Инструментальные средства анализа структурной информации.

4.2. Инструментальные средства построения и исследования систем оценивания величин на основе нечеткой логики.

4.2.1. Общая характеристика инструментальных средств.

4.2.2. Основные элементы интерфейса инструментальных средств.

4.2.3. Визуализации результатов оценивания.

4.2.4. Сравнительный анализ инструментальных средств.

4.3. Инструментальные средства построения и исследования систем оценивания величин на основе псевдофизической логики.

4.4. Инструментальные средства обучения системы оценивания величин с использованием нейронных сетей. ф 4.4.1. Общая характеристика инструментальных средств.

4.4.2. Основные элементы интерфейса.

Выводы.

ГЛАВА 5. РЕАЛИЗАЦИЯ ИМИТАЦИОННО-ЛИНГВИСТИЧЕСКИХ СИСТЕМ.

5.1. Моделирование атмосферного канала связи.

5.2. Прогнозирование классов опасности химических соединений.

5.2.1. Прогнозирование влияния органических соединений на изменение свойств стали.

5.2.1. Прогнозирование экологической опасности химических соединений.

5.3. Оптимизация работы тепловой сети.

5.4. Обработка хронограмм.

5.5. Создание сред вузовского обучения.

5.5.1. Общие вопросы разработки интеллектуальных обучающих систем.

5.5.2. Агентно-ориентированная технология разработки интеллектуальных обучающих систем

5.5.3. Онтологический подход к разработке интеллектуальных обучающих систем.

5.6. Разработка тренажерных систем.

5.6.1. Общее описание.

5.6.2. Формальное описание схемы, как составляющей части тренажера.

5.6.3. Этапы создания компьютерного тренажера.

5.6.4. Язык описания сценария тренировки.

5.6.5. Имитационно-лингвистическая модель.

5.6.6. Средства создания тренажеров.

Выводы.

Введение диссертации (часть автореферата) на тему «Методы, модели, алгоритмы, инструментальные средства построения имитационно-лингвистических систем»

Актуальность. На рубеже 90-х годов двадцатого века стало возможным говорить о формировании единого мирового информационного пространства и о зарождении информационного общества, основанного на знаниях и информационных технологиях. В это же время родился новый тип экономики, в которой основу составляют производство, распределение и использование знаний. Знание в этой экономике рассматривается как информационный продукт и выступает в роли нового нематериального богатства. Как отмечают авторы работы [1], «одной из главных особенностей новой экономики является совершенствование механизма получения нового знания», по словам В.Л. Макарова [2] «в настоящее время инвестиции в знания растут быстрее, чем в основные фонды: в странах - членах Организации экономического сотрудничества и развития в 90-е годы - в среднем на 3,4% против 2,2%».

Знания - это конечный результат научного познания. Научное познание осуществляется на основе интеграции неформальных и формальных методов, интеллекта человека и возможностей компьютера.

Трактующий мышление с позиций логики, И.С. Ладенко различает два вида знаний — идеи и факты, идеи - это знания о свойствах и отношениях объектов, а их истинность устанавливается с помощью специальных процедур исследования; факты - это знания, констатирующие существование объектов [3]. Известный специалист в области искусственного интеллекта У.Вудс разделяет знания о реальной действительности на факты и правила. Факты, по его мнению, указывают на истинное состояние действительности, правила позволяют как предсказывать изменения во времени или в результате выполнения некоторой последовательности действий, так и косвенным образом получать характеристики ненаблюдаемых явлений (общие физические, логические, психофизические и социологические законы реальной действительности) [4]. В нашей работе знание понимается как достоверное представление человека о реальном мире, его обобщенный опыт, выраженный в виде правил, эвристик, моделей, законов, и представленный как высокоструктурированные данные, сосредоточенные в базах знаний, базах данных, библиотеках программ.

В интеграционных процессах научного познания используются достижения методологии науки и психологии, математики и логики, семиотики и информатики. Особое место здесь занимает информатика, в частности, такие ее разделы как искуственный интеллект и моделирование, позволяющие создавать принципиально новые компьютерные системы получения новых знаний.

Можно выделить ключевые этапы в технологии работы со знаниями: получение новых знаний; представление знаний; обработка знаний; пополнение знаний.

С точки зрения человека, получение новых знаний - это процесс научного творчества. Процесс этот претерпел существенные изменения в связи с вовлечением в него персонального компьютера. Уменьшилась нужда в постановке дорогостоящих натурных экспериментов за счет проведения компьютерных имитационных исследований. Решение любой задачи - это получение неизвестных знаний на основе известных или уменьшение неопределенности известных знаний, считает Е.С. Кузин [5], уточняя, что решение задачи в целом всегда осуществляется комплексной системой человек-компьютер. Получение знаний компьютером преследует две основные цели: 1) извлечение информации из среды, 2) обобщение и структурирование указанной информации. Решение указанной проблемы рассматривается в работах следующих ученых: В.Н. Вагина, Т.А. Гавриловой, В.В. Емельянова, А.П. Еремеева, A.C. Клещева, Е.С. Кузина, О.П. Кузнецова, О.И. Ларичева, Г.С. Осипова, Д.А. Поспелова, Г. Саймона, В.Л. Стефанюка, В.К. Финна, И.Б. Фоминых, В.Г. Хорошевского, А.И. Эрлиха, С. Осуга, Ю. Саки и др.

Рассматривая проблему представления знаний, У. Вудс выделяет два аспекта этой проблемы: выразительную адекватность (способность выделять существенные и игнорировать малозначащие детали) и эффективность нотации, выраженную через такие категории как вычислительная эффективность, концептуальная ясность, компактность представления и простота модификации [4]. Проблеме представления знаний посвящено множество работ отечественных и зарубежных авторов [6-30].

Всякий доступ к явлениям действительности происходит посредством построения моделей, приближений и уточнений, утверждает Д. Люгер [13]. Моделирование - это средство формализации знаний и одновременно средство получения нового знания. Как отмечают A.A. Самарский и А.П. Михайлов, методология математического моделирования стала интеллектуальным ядром информационных технологий [31]. У исследователей появилась возможность больше генерировать гипотез, ставить имитационный эксперимент, интерпретировать полученные результаты.

Основным средством реализации экономики знаний являются компьютеры и информационные технологии, призванные обеспечить перенос в компьютерные системы накопленный человеческий опыт. На важность этой проблемы указывал академик А.П. Ершов, полагавший, что основная задача информатизации заключается в созданиии информационного фонда человечества в глобальной компьютерной сети. Задача автоматизации человеческой деятельности актуальна всегда.

Повышение интеллектуальности информационных технологий, считает В.П. Ильин, «ставит сложную задачу вовлечения в технологическую цепочку математического моделирования таких традиционных атрибутов искусственного интеллекта, как средства принятия решений, экспертные системы и проблемно-ориентированные базы знаний» [32].

Несмотря на то, что идея совместного использования данных количественных и качественного характера высказывалась еще в 70-е годы в ситуационном управлении Д.А. Поспеловым и его учениками [19, 23, 33, 34], а в моделировании систем Н.П. Бусленко [35], проблема эта далека от своего решения. Актуальными являются задачи разработки методов и средств решения слабо структурированных проблем, к которым относятся задачи, решаемые с помощью эвристических и аналитических методов и моделей. К слабоструктурированным относятся проблемы исследования предметных областей, в основе описания которых лежат понятие величины, где под величиной понимается изменяющееся свойство объекта, измеренное в шкалах сильнее номинальной. Методологической основой для решения слабо структурированных проблем является утилитарная концепция измерения, которую разработали С.С. Гончаров, Ю.Л. Ершов, К.Ф. Самохвалов [36]. Предложенный Е.Е. Ви-тяевым в работах [37, 38] подход к созданию формальной теории предметных областей, в основе описания которых лежат понятие величины, опирается на методы конструктивной логики, однако здесь отсутствуют средства учета нечетких данных и не рассматриваются средства имитации, что затрудняет моделирование сложных предметных областей. В настоящем диссертационном исследовании устраняется этот недостаток.

Управление знаниями требует создания интерфейсов, обеспечивающих массовое применение компьютеров. В условиях отсутствия единой теории языкового общения, необходимо организовать взаимодействие на естественном языке, ограниченном семантикой и прагматикой исследуемой предметной области. Проблемам общения посвящено достаточно большое количество работ, над решением этой проблемы работали следующие отечественные и зарубежные ученые: Ю.Д. Апресян, А.П. Ершов, У. Вудс, A.C. Нариньяни, Э.В. Попов, Ч. Филмор, Р. Шенк. Актуальной в связи с изложенным является организация коммуникативного взаимодействия пользователя с компьютерной системой.

Научные и практические результаты, полученные в диссертации, нашли применение в госбюджетной работе 1.2.01 «Исследование алгоритмов моделирования функционирования территориально-распределенных инженерных сетей».

Целью работы является разработка методологических основ и программно-инструментальных средств создания имитационно-лингвистических систем.

Для достижения указанной цели необходимо решить следующие задачи:

• разработать методы и приемы совместного использования информации количественного и качественного характера;

• разработать методы и приемы оценивания величин;

• разработать приемы структурной и параметрической идентификации нечетких систем оценивания величин;

• разработать модели и алгоритмы взаимодействия пользователя с имитационно-лингвистической системой, основываясь на гипотезе о «компьютерной речи».

Научная новизна. Развита методология построения имитационно-лингвистических систем, предназначенных для изучения свойств объектов исследуемых предметных областей, в основе описания которых лежит понятие величины. В рамках указанной методологии получены следующие научные результаты:

1) разработаны и исследованы методы оценивания величин: методы, основанные на псевдофизической логике оценок величин, методы, основанные на нечеткой арифметике и нечеткой логике, методы на основе алгебраических свойств отношений между величинами;

2) разработаны и исследованы предикатно-грамматические модели зависимостей «структура-свойство» для автоматизации анализа и обработки структурной химической информации;

3) предложена обобщенная модель обработки запроса в имитационно-лингвистической системе, состоящая из четырех частных моделей: модели лексики языка, модели грамматики языка запросов, моделей лексической и синтаксической адаптации системы к запросам пользователя. Практическая ценность работы заключается в разработке следующих средств:

• методик, алгоритмов и программ, реализующих методы представления и переработки информации качественного характера в имитационно-лингвистических системах;

• адаптивных алгоритмов лексического и синтаксического анализа запросов пользователя, позволяющие учитывать профессиональную подготовку пользователя и исправлять орфографические ошибки;

• программно-инструментальных комплексов построения и исследования имитационно-лингвистических систем, позволяющих настраивать систему на исследуемую предметную область и логику пользователя.

Обоснованность предложенных методов подтверждена использованием их для решения практических задач. Основные результаты диссертационной работы используются в отделе информационных технологий ФГУП «НПЦ «Полюс» в виде методик совместного использования информации количественного и качественного характера, а также в виде алгоритмов оценивания величин при моделировании систем преобразовательной техники и электромеханики. Разработанные методы и средства обработки данных количественного и неколичественного характера используются в Томском НИИ курортологии и физиотерапии при разработке моделей назначения больным различных нозологий интенсивных курсов лечения и для выявления и оценки параметров биоритмов. В Институте химии нефти СО РАН разработанные имитационно-лингвистические модели прогнозирования свойств химических соединений использованы в научно-исследовательской работе при выполнении нескольких бюджетных и хоздоговорных НИР. Программно-инструментальные средства проектирования тренажеров и программный комплекс моделирования зависимостей «структура-свойство» применяются в решении производственных задач на Томской ТЭЦ-3 ОАО ТОМСКЭНЕРГО, здесь же внедрены методы и средства обработки неколичественной информации в постоперативном контроле работы ТЭЦ-3, когда программно-информационный комплекс используется в деятельности инженерного персонала цеха наладки и испытаний оборудования ТЭЦ-3 для проведения плановых и экспресс испытаний, а также планирования ремонтов оборудования. Программно-инструментальные средства выбора оптимального состава работающего оборудования тепловой сети вошли в итоговый отчет госбюджетной работы 1.2.01 «Исследование алгоритмов моделирования функционирования территориально-распределенных инженерных сетей», выполненной в ТУСУР.

Часть программно-инструментальных средств передана в отраслевой фонд алгоритмов и программ Министерства образования Российской федерации (свидетельства регистрации 3747, 3748, номера государственной регистрации 50200400971, 50200400972). Теория построения имитационно-лингвистических систем положена в основу учебного курса «Методы искусственного интеллекта», читаемого автором в ТУСУРе для студентов специальности 220200.

Текст диссертационной работы изложен в пяти главах. В первой главе рассмотрены проблемы и задачи, решаемые имитационно-лингвистическими системами (ИЛС), определены цели их создания, указано место этих систем на множестве компьютерных систем. Анализ целей разработки ИЛС и особенностей исследуемых предметных областей позволил сформулировать требования к созданию таких систем, важнейшими из которых являются требование совместного использования количественных и качественных методов исследования предметных областей и требование интерактивного взаимодействия конечного пользователя с системой. Основным действием или операцией, определенной как на количественных так и на качественных данных, в ИЛС является оценивание величин. Проведенный в первой главе анализ позволил декомпозировать задачу создания имитационно-лингвистических систем на ряд следующих подзадач:

• разработка средств оценивания величин;

• создание средств сборки моделирующих программных модулей в рамках решения задачи имитационного моделирования:

• определение объема и структуры семантической сети, информация в которой представлена в виде потенциально выводимых знаний в рамках средств оценивания величин;

• создание модели языка общения;

Во второй главе приведены методы, модели и алгоритмы оценки величин. В работе предложены и исследованы следующие новые методы оценивания величин:

1) псевдофизическая логика оценок величин; суть оценивания здесь заключается в сопоставлении двух разнотипных шкал, допустимым преобразованием в которых является операция сдвига; значения сдвигов были определены путем проведения серий психометрических экспериментов, на основании которых были сформулированы правила вывода;

2) оценивание на основе нечеткой арифметики; здесь рассмотрены четыре типа наиболее часто используемых нечетких чисел: треугольные, трапециевидные, параболические, гауссовы; приведены метрические методы оценивания, имеющие геометрическую интерпретацию, решена задача нахождения ближайшего нечеткого числа, а также сравнения нескольких нечетких величин на основе интегральной меры;

3) нечеткие системы оценивания, основой которых является нечеткая база правил; здесь исследовано влияние на результаты вывода различных операторов конъюнкции (¿-нормы), импликации (классической, неклассической), агрегации (аппроксимация Мамдани, формально-логический способ); параметрическая идентификация нечеткой системы оценивания проведена с использованием нейронной сети;

4) оценивание- на основе субъективных вероятностей позволяет учитывать несовпадающие мнения экспертов при оценивании однотипных ситуаций, описываемых антецедентом правила; базируется указанный тип оценивания величин на модифицированном байесовском подходе;

5) оценивание на основе алгебраических свойств отношений между величинами, представленное в виде аксиоматической системы, в которой носителем является множество величин, а сигнатура определена на множестве отношений: «больше» (>), «меньше» (<), «равно» (=), «неравно» «больше или равно» («меньше или равно» («противоречиво», «неопределенно».

В третьей главе рассмотрены методы, модели, алгоритмы планирования действий в имитационно-лингвистической системе. Здесь различаются следующие виды действий: оценивание, вычисление, поиск в семантической сети специального вида, взаимодействие с пользователем. Основными функциями лингвистического обеспечения имитационно-лингвистических систем являются следующие: представление знаний о языке общения; перевод сообщения пользователя на язык, понятный компьютеру, и выявление целей пользователя; определение вида работы системы и обеспечение информацией вычислительных процессов; синтез (формирование) ответа на языке пользователя. Под планированием вычислений в работе понимается поиск последовательности действий, приводящих к достижению поставленной цели. В работе рассматриваются два способа планирования: декомпозиция больших программных систем на небольшие программные модули и далее композиция из модулей целевой программной системы, обеспечивающей решение поставленной пользователем задачи и планирование в пространстве задач (формул). При построении имитационно-лингвистических систем важную роль играют методы представления знаний об исследуемой предметной области. Автором выбрана семантическая сеть специального вида. Особенностью данного типа сети является то, что в качестве понятий здесь выбраны величины, характеризующие свойства объектов исследуемой предметной области. Основой для построения сети служат данные, полученные в результате опроса экспертов и анализ научно-технических источников информации по исследуемой предметной области. Форма хранения информации в сети выбрана так, что данные представлены в виде сведений в рамках некоторого логического исчисления.

В четвертой главе рассмотрены инструментальные средства, которые решают следующие задачи: подготовка исходных данных, формирование и отладка алгоритмов, проверка адекватности используемых моделей.

В пятой главе приведены примеры применения имитационно-лингвистических систем для решения задач моделирования, прогнозирования, оптимизации и обучения.

В главе рассмотрено применение имитационно-лингвистических систем для решения проблемы прогнозирования опасности химических соединений: экологической опасности и влияние органических соединений на изменение свойств материалов паропроводов высокого давления. Решение указанной проблемы предполагает решение задач компьютерного ввода и представления химических соединений, а также оценки физико-химических свойств химических соединений путем анализа их структур. Основываясь на результатах эксперимента, нами разработана инструментальная система компьютерного представления химических структур и моделирования их воздействия на изменение механических свойств материалов паропроводов. Система представляет собой набор универсальных алгоритмов и программ, настраиваемых на экспериментальные данные. Основные функции системы - это моделирование влияния химических соединений на свойства стали, а также ввод, редактирование, представление структурной химической информации. Моделируются изменение временного сопротивления разрушению, условного предела текучести и твердости, относительного удлинения и ударной вязкости. Кроме того, химические соединения разбиваются на классы опасности в зависимости от степени воздействия на указанные выше параметры стали.

Экологическая опасность характеризуется следующими параметрами: предельно допустимая концентрация, летальная доза и класс опасности. Указанные параметры получают экспериментальным путем (опыты на животных), что требует больших материальных и временных затрат. Оценка данных характеристик возможна на основе моделирования. В работе рассмотрена комплексная система моделей, включающая предикатно-грамматическую модель, регрессионные модели и модель аналогий.

Пакет программ имитационно-лингвистического моделирования атмосферного информационного канала предназначен для имитации на компьютере флуктуаций любых параметров (амплитуды, фазы, разности фаз и др.) разнесенных сигналов, необходимых при анализе и оптимизации качественных показателей информационных радиотехнических систем. Параметры имитационной модели атмосферного информационного канала, разработанной Ю.М. Полищуком, определены по экспериментальным данным о флук-туациях амплитуды, фазы, разности фаз и интенсивности случайных электромагнитных полей. Запросы разработчиков радиотехнических систем сводятся к нахождению статистических характеристик сигнала в зависимости от значений параметров канала.

В работе рассмотрена проблема выбора оптимального состава работающего оборудования. Для решения указанной проблемы решены следующие задачи: разработаны имитационная модель тепловой сети, создан интерфейс пользователя с имитационной моделью для изменения параметров тепловой сети, определена целевая функция и ограничения.

В работе исследуются модели двух типов обучающих систем: вузовские среды и производственные тренажеры. Создание среды вузовского обучения предполагает разработку ряда моделей: онтологическую модель изучаемой дисциплины, модель обучающего (преподавателя), модель обучающегося (студента), а также создание правил обучающих воздействий. Среда вузовского обучения есть многоагентная система, задаваемая следующими компонентами: множеством агентов, множеством отношений между агентами, множеством действий, выполняемых этими агентами, средой обитания агентов. В системе определены следующие агенты: Преподаватель, Студент, Психолог, Методист, Администратор.

Все главы сопровождаются выводами, вытекающими из сущности рассматриваемых разделов. Приложения содержат акты внедрения результатов диссертационной работы, результаты экспериментов и другие иллюстративные материалы.

В выполненной диссертационной работе решена научная проблема комплексного оценивания количественных и качественных величин и создания на их основе инструментальных средств построения имитационно-лингвистических систем. Внедрение разработанных моделей, алгоритмов и программно-инструментальных средств вносит значительный вклад в решение проблемы разработки интеллектуальных систем моделирования.

Автор благодарен своим коллегам - сотрудникам кафедры Автоматизации обработки информации Томского университета систем управления и радиоэлектроники за непосредственное участие в обсуждении многих положений диссертационной работы.

Автор признателен своему научному консультанту - заведующему кафедрой Автоматизации обработки информации профессору Ехлакову Юрию Поликарповичу.

Особая благодарность автора за научное и практическое сотрудничество адресуется студентам кафедры Автоматизации обработки информации Томского университета систем управления и радиоэлектроники.

Заключение диссертации по теме «Математическое моделирование, численные методы и комплексы программ», Ходашинский, Илья Александрович

Выводы

В главе приведены примеры применения имитационно-лингвистических систем для решения задач моделирования, прогнозирования, оптимизации и обучения. В процессе решения указанных проблем получены результаты, приведенные ниже.

1. Разработан новый способ компьютерного представления графовых структур, ориентированный на использование его в качестве входного языка для лингвистических моделей; предложен комплексный подход к анализу связи «структура-свойство», основанный на совместном использовании моделей качественного и количественного характера; разработаны алгоритмы функционирования комплекса имитационно- лингвистических моделей анализа и обработки структурной химической информации.

2. Задачи оптимизация работы тепловой сети и обработки хронограмм решены с использованием формализованной схемы «имитационная модель - генетический алгоритм».

3. Предложен онтологический подход к разработке интеллектуальных обучающих систем, отличительной особенностью которого является представление учебной дисциплины как системы структурированного научного знания; создание онтологии учебной дисциплины предполагает разработку трех компонентов: непосредственно онтологии учебной дисциплины, метаонтологии и онтологии задач; в рамках работы над созданием онтологии задач проведено системное планирование и проектирование тестовых заданий.

4. Для реализации интеллектуальных обучающих систем предложена агентно-ориентированная технология, основными достоинствами которой являются быстрая разработка первоначального варианта системы, быстрая модификация действующего варианта системы, эффективная организация работ в распределенной системе.

5. Предложена структура компьютерного тренажера, который состоит из следующих частей: визуальной, модельной, управляющей и непосредственно сценария. Предложены модели описания и расчета электрических схем.

6. Спроектирован и реализован пакет инструментальных программ, включающий в себя: графический редактор электрических схем, графический редактор тепло-механических схем, графический редактор щитов управления и редактор сценариев тренировочных занятий.

Степень внедрения и использования результатов приведена в таблице 5.1.

Организации степень внедрения модели и алгоритмы методики программы тэц-з ОАО ТОМСК-ЭНЕРГО 1) оценивание степени загрязнения поверхностей нагрева котлов; 2) прогнозирование влияния химических соединений на изменение физико-механических свойств стали 12Х1МФ; 3) функционирование электрического и тепломеханического оборудования; 4) оптимальный выбор работающего тепломеханического оборудования; 5) модель общения пользователя с системой методика совместного использования предикатно-грамматических, регрессионных моделей и моделей аналогий; формализованная схема «Имитационная модель + Генетический алгоритм» 1) программный комплекс испытаний котлов; 2) подсистема оценки влияния химических соединений на свойства стали; 3) тренажеры персонала электрического и котлотурбинного цехов («теплосеть станции», «схема регулирования турбины», «оперативные переключения»)

ФГУП нпц «Полюс» оценивание величин при моделировании систем преобразовательной техники и электромеханики методика планирования вычислений в моделирующей системе

Институт химии нефти РАН прогнозирование классов биологической опасности химических соединений; модель общения пользователя с системой методика совместного использования преди-катно-грамматиче-ских, регрессионных моделей и моделей аналогий

Томский НИИ курортологии и физиотерапии 1) прогнозирование интенсивных курсов лечения; 2) выявление и оценка параметров биологических ритмов; формализованная схема «Имитационная модель + Генетический алгоритм» 1) подсистема оценки эффективности лечения; 2) программный комплекс «Модифицированный косинор-анализ»

Томский политехнический университет 1) онтологические модели учебных дисциплин; 2) агентно-ориентирован-ная модель обучающих систем; 1) методика генерации тестовых заданий; 2) методика анализа ответов

ТУ СУР 1) онтологические модели учебных дисциплин; 1) методика генерации тестовых заданий; 2) методика анализа ответов. программа «анализатор ответов обучающегося»

Заключение

В выполненной диссертационной работе решена научная проблема комплексного оценивания количественных и качественных величин и создания на их основе инструментальных средств построения имитационно-лингвистических систем. Внедрение разработанных моделей, алгоритмов и программно-инструментальных средств вносит значительный вклад в решение проблемы разработки интеллектуальных систем моделирования.

В результате проведенных исследований получены следующие основные теоретические и практические результаты:

1) сформулированы принципы построения имитационно-лингвистических систем;

2) разработаны и исследованы следующие новые методы оценивания величин: псевдофизическая логика оценок величин, оценивание на основе нечеткой арифметики, нечеткологическое оценивание, оценивание на основе субъективных вероятностей, оценивание на основе алгебраических свойств отношений между величинами;

3) разработан и исследован нейросетевой метод обучения нечетких систем оценивания величин;

4) разработана методика представления знаний о величинах с применением семантической сети специального вида;

5) разработаны и исследованы методы, модели, алгоритмы планирования действий в имитационно-лингвистической системе;

6) разработаны и исследованы предикатно-грамматические модели зависимостей «структура-свойство» для автоматизации анализа и обработки структурной химической информации;

7) предложена обобщенная модель обработки запроса в имитационно-лингвистической системе, состоящая из четырех частных моделей: модели лексики языка, модели грамматики языка запросов, моделей лексической и синтаксической адаптации системы к запросам пользователя;

8) разработаны инструментальные средства построения и исследования имитационно-лингвистических систем, позволяющие настраивать систему на логику пользователя.

9) на основе разработанных методов, моделей и алгоритмов и инструментальных средств созданы следующие имитационно-лингвистические системы:

• прогнозирования экологической опасности химических соединений;

• моделирования влияния химических соединений на свойства стали;

• оптимизации работы тепловой сети электрической станции;

• выявления параметров биологических ритмов;

• моделирования атмосферного канала связи; построения вузовских сред обучения; построения тренажеров персонала электрических станций.

Список литературы диссертационного исследования доктор технических наук Ходашинский, Илья Александрович, 2004 год

1. Российский фонд фундаментальных исследований - как элемент новой экономики, основанной на знании. О.В. Сюнтюренко, Н.С. Лялюшко, В.А. Минин, С.А.Цыганов // Вестник РФФИ. - 2003. - №2. - с. 5-13.

2. Макаров B.JI. Экономика знаний, уроки для России // Вестник РАН. 2003. Т. 73, №5. - с. 450-456.

3. Ладенко И.С. Интеллект и логика. Красноярск: Изд-во Краснояр. ун-та,1985- 144 с.

4. Вудс У.А. Основные проблемы представления знаний // ТИИЭР, 1986, т. 74, №Ю, с. 32-46.

5. Кузин Е.С. Представление знаний и решение информационно-сложных задач в компьютерных системах // Приложение к журналу «Информационные технологии». 2004. - №4. - 32 с.

6. Берштейн Л.С., Мелехин В.Б. Нечеткие динамические семантические сети для представления знаний интеллектуальных систем управления // АиТ. -2001.-№3.-с. 123-129.

7. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. СПб.: Питер, 2000. - 384 с.

8. Искусственный интеллект. В 3-х кн. Кн.1. Системы общения и экспертные системы: Справочник / Под ред. Д.А. Поспелова - М.: Радио и связь, 1990.-304 с.

9. Искусственный интеллект. В 3-х кн. Кн.2. Модели и методы: Справочник / Под ред. Д.А. Поспелова - М.: Радио и связь, 1990. - 304 с.

10. Искусственный интеллект. В 3-х кн. Кн.З. Программные и аппаратные средства: Справочник / Под ред. Д.А. Поспелова - М.: Радио и связь, 1990. -304 с.

11. Логический подход к искусственному интеллекту: от классической логики к логическому программированию. / Тейз А., Грибомон П., Луи Ж. и др. -М.: Мир, 1990-432 с.

12. Лорьер Ж.-Л. Системы искусственного интеллекта. М.: Мир, 1991 - 568 с.

13. Люгер Д.Ф. Искусственный интеллект: стратегии и методы решения сложных проблем. М.: «Вильяме», 2003 - 864 с.

14. Нильсон Н. Принципы искусственного интеллекта. М.: Радио и связь,1985-376 с.

15. Нариньяни A.C. He-факторы: неточность и недоопределенность различие и взаимосвязь // Изв. РАН. Теория и системы управления. - 2000. - №5. -с. 44-56.

16. Поспелов Г. С., Поспелов Д.А. Искусственный интеллект прикладные системы. - М.: Знание, 1985 - 48 с.

17. Страбыкин Д.А. Логический вывод в системах обработки знаний. СПб.: СПбГЭТУ, 1998 - 164 с.

18. Попов Э.В. Экспертные системы: Решение неформализованных задач в диалоге с ЭВМ. М.: Наука, 1987. - 288 с.

19. Поспелов Д.А. Логико-лингвистические модели в системах управления. -М.: Энергоиздат, 1981. 232 с.

20. Поспелов Д.А. Предисловие редактора / Экспертные системы: состояние и перспективы. М.: Наука, 1989. - с. 3-8.

21. Поспелов Д.А. Прикладная семиотика и искусственный интеллект // Программные продукты и системы. 1999. - №3. - с. 10-13.

22. Поспелов Д.А. Ситуационное управление. Новый виток развития // Изв. РАН. Теория и системы управления. 1995. №5. с. 152-159.

23. Поспелов Д.А. Ситуационное управление: теория и практика. М.: Наука,1986-288 с.

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

25. Представление знаний в человеко-машинных и робототехнических системах. Том А. Фундаментальные исследования в области представления знаний. М.: ВЦ АН СССР, ВИНИТИ. 1984. 261 с.

26. Представление знаний. Тематический выпуск // ТИИЭР. 1986. т. 74, №10. 202 с.

27. Представление и использование знаний. / Под ред. X. Уэно, М. Исудзука. -М.: Мир, 1989.-220 с.

28. Приобретение знаний. / Под ред. С. Осуги, Ю. Саэки. М.: Мир, 1990. -304 с.

29. Уинстон П. Искусственный интеллект. М.: Мир, 1980 - 519 с.

30. Уотермен Д. Руководство по экспертным системам. М.: Мир, 1989 - 388 с.

31. Самарский A.A., Михайлов А.П. Математическое моделирование: Идеи. Методы. Примеры. М.: ФИЗМАТЛИТ, 2002 - 320 с.

32. Ильин В.П. Вычислительно-информационные технологии математического моделирования // Автометрия. 2000. - №1. - с. 3-16.

33. Башлыков A.A. Проектирование систем принятия решений в энергетике. -М.: Энергоатомиздат, 1986. 204 с.

34. Диалоговые системы в АСУ. М.: Энергоатомиздат, 1983. - 206 с.

35. Бусленко Н.П. Моделирование сложных систем. М.: Наука, 1978. - 399 с.

36. Гончаров С.С., Ершов Ю, Л., Самохвалов К.Ф. Введение в логику и методологию науки. М.: Интерпракс, Новосибирск: Институт математики СО РАН, 1994. - 256 с.

37. Витяев Е.Е. Конструктивное числовое представление величин / Вычислительные системы. Вып. 111. Методы анализа данных. Новосибирск: 1985. с. 23-32.

38. Витяев Е.Е. Обнаружение закономерностей (методология, метод, программная система SINTEZ). Методология. / Вычислительные системы. Вып. 138. Методологические проблемы науки. Новосибирск: 1997. с. 2660.

39. Рузавин Г.И. Методология научного исследования. М.: ЮНИТА-ДАНА,1999-317 с.

40. Клини С. Математическая логика. М.: Мир, 1973 - 480 с.

41. Чень Ч.} Ли Р. Математическая логика и автоматическое доказательство теорем. М.: Наука, 1983 - 360 с.

42. Кейслер Г., Чэн Ч.Ч. Теория моделей. М.: Мир, 1977 - 614 с.

43. Стариченко Б.Е. Теоретические основы информатики. М.: Горячая линия-Телеком, 2003-312 с.

44. Большой энциклопедический словарь. М.: Большая Российская энциклопедия, 2000. - 1456 с.

45. Моисеев H.H. Математика в социальных науках / Математические методы в социологических исследованиях. М. 1981. с. 161-183.

46. Кун Т. Структура научных революций. М.: Прогресс, 1977. - 300 с.

47. Ивлев Ю.В. Основы логической теории аргументации / Логические исследования. Вып. 10. М.: Наука, 2003. с. 50-60.

48. Курдюмов С.П., Малинецкий Г.Г. Синергетика и системный анализ / Новое в синергетике: Взгляд в третье тысячелетие. -М.: Наука, 2002. С. 3-27.

49. Плотинский Ю.М. Теоретические и эмпирические модели социальных процессов. М.: Издательская корпорация «Логос», 1998 - 280 с.

50. Перегудов Ф.И., Тарасенко Ф.П. Основы системного анализа. Томск: Изд-воНТЛ, 1997-396 с.

51. Садовский В.Н. Основания общей теории систем. Логико-методологический анализ. М.: Наука, 1974 - 279 с.

52. Шрейдер Ю.А., Шаров A.A. Системы и модели. М.: Радио и связь, 1982.152 с.

53. Блинов А.Л., Петров В.В. Элементы логики действий. М.: Наука, 1991. -232 с.

54. Леоненков A.B. Нечеткое моделирование в среде MATLAB и fuzzyTECH. -СПб.: БХВ-Петербург, 2003 736 с.

55. Нечеткие множества в моделях управления и искусственного интеллекта. А.Н. Аверкин, И.З. Батыршин, А.Ф. Блишун и др. М.: Наука, 1986. - 312 с.

56. Методы робастного, нейро-нечеткого и адаптивного управления / Под ред. Н.Д. Егупова. М.: Изд-во МГТУ им. Н.Э. Баумана, 2002. - 744 с.

57. Головина Е.Ю. Подход к созданию нечетких динамических систем поддержки принятия решений // // Программные продукты и системы. 2002. - №3. - с. 2-7.

58. Кудинов Ю.И. Нечеткие модели вывода в экспертных системах // Изв. РАН. Теория и системы управления. 1997. - №5. - с. 75-83.

59. Chen Q., Kawase S. Оп fuzzy-valued fuzzy reasoning // Fuzzy Sets and Systems. -2000.-vol. 113.-p. 237-251.

60. Ходашинский И.А. Нечеткие системы оценивания величин / Труды Всероссийской конференции «Математические и информационные технологии в энергетике, экономике, экологии». Часть 2. Иркутск: ИСЭМ СО РАН, 2003. с. 225-232.

61. Ходашинский И.А. Нечеткологическое оценивание величин // Известия Томского политехнического университета. 2003. т. 306. №3. с. 10-15.

62. Ходашинский И.А. Методы и модели оценки величин // Труды Международной научно-технической конференции «Интеллектуальные системы» (IEEE AIS'04) T. 1.-М.: Физматлит, 2004.-е. 141-146.

63. Emami M. R., Turksen I. В., Goldenberg A. A. A unified parameterized formulation of reasoning in fuzzy modeling and control // Fuzzy Sets and Systems. -1999.-v. 108.-p. 59-81.

64. Hong T.-P., Processing individual fuzzy attributes for fuzzy rule induction network // Fuzzy Sets and Systems. 2000. - v. 112. - p. 127-140.

65. Cordon O., Herrera F., Zwir I. Linguistic Modeling by Hierarchical Systems of Linguistic Rules // IEEE Transactions on Fuzzy Systems. 2002. - v. 10. - p. 220.

66. Казаков E.B., Москвитин A.A., Самохвалов К.Ф. Проект разработки языков спецификации задач, ориентированных на пользователя / Вычислительные системы. Вып. 158. Модели когнитивных процессов. Новосибирск: 1997. с. 63-94.

67. Саймон Г. Науки об искусственном. -М.: Мир, 1972 147 с.

68. Ларичев О.И. Теория и методы принятия решений. М.: Логос, 2000 - 296 с.

69. Трахтенгерц Э.А. Возможности и реализация компьютерных систем поддержки принятия решений // Изв. РАН. Теория и системы управления. -2001. -№3. с. 86-113.

70. Полищук Ю.М., Ходашинский И.А. Имитационно-лингвистические модели в интеллектуальных системах моделирования. Томск, 1984. - 29 с. - Рукопись представлена Томск, ин-том автоматизир. систем упр. и радиоэлектрон. Деп. в ВИНИТИ 26 марта, 1984г., № 1632-84.

71. Полищук Ю.М., Ходашинский И.А. Лингвистическое обеспечение имитационного моделирования сложных систем // УсиМ. 1985. - N4. - с. 84 -88.

72. Павловский Ю.Н. Имитационные системы и модели. М.: Знание, 1990. -48 с.

73. Шенон Р. Имитационное моделирование систем искусство и наука. - М.: Мир, 1978.-418 с.

74. Валдисоо М.Н., Вутт Э.В., Койт М.Э. Об одном методе разработки диалоговой системы и опыте его применения // Изв. РАН. Теория и системы управления. 2003. - №3. - с. 149-157.

75. Тарасов В.Б. Искусственная жизнь и нечеткие эволюционные многоагент-ные системы основные теоретические подходы к построению интеллектуальных организаций // Изв. РАН. Теория и системы управления. - 1998. №5.-с. 12-28.

76. Интеллектуальные системы поддержки принятия решений в нештатных ситуациях с использованием информации о состоянии природной среды. / В.А. Геловани, A.A. Башлыков, В.Б. Бритиков, Е.Д. Вязилов. М.: Эдито-риалУРСС, 2001.-304 с.

77. Гергей Т., Финн В.К. Об интеллектуальных системах / Экспертные системы: состояние и перспективы. М.: Наука, 1989. - с. 9-30.

78. Виноградов А.Н., Жиляков Л.Ю., Осипов Г.С. Динамические интеллектуальные системы, I. Представление знаний и основные алгоритмы // Изв. РАН. Теория и системы управления, 2002. - №6. - с. 119-127.

79. Виноградов А.Н., Жиляков Л.Ю., Осипов Г.С. Динамические интеллектуальные системы, И. Моделирование целенаправленного поведения // Изв. РАН. Теория и системы управления. 2003. - №1. - с. 87-94.

80. Вригт фон Г. Если-то / Исследования по неклассическим логикам. М.: Наука, 1989. с. 4-15.

81. Сигеру Омату, Марзуки Халид, Рубия Юсоф Нейроуправление и его приложения. М.: ИПРЖР, 2000 - 272 с.

82. Аверкин А.Н., Костерев В.В. Триангулярные нормы в системах искусственного интеллекта // Изв. РАН. Теория и системы управления. 2000. -№5.-с. 107-119.

83. Batyrshin I., Kaynak О. Parametric Classes of Generalized Conjunction and Disjunction Operations for Fuzzy Modeling // IEEE Transactions on Fuzzy Systems. 1999. - v. 7. - p. 586-596.

84. Zadeh L. A new direction in AI. Toward a computational theory of perceptions // AI Magazine. 2001. - v. 22. - p. 73-84.

85. Gegov A., Frank P. Hierarchical fuzzy control of multivariable systems // Fuzzy Sets and Systems. 1995. - v. 72. - p. 299-310.

86. Wang C.-H., Hong T.-P., Tseng S.-S. Integrating membership functions and fuzzy rule sets from multiple knowledge sources // Fuzzy Sets and Systems. -2000.-v. 112.-p. 141-154.

87. Zadeh L. Fuzzy Logic, Neural Networks, and Soft Computing // Communications of ACM. 1994. v. 37, №3. - p. 77-84.

88. Chen S-M. Weighted Fuzzy Reasoning Using Weighted Fuzzy Petri Nets // IEEE Transactions on Knowledge and Data Engineering. 2002. - v. 14. - p. 386397.

89. Галушкин А.И. Теория нейронных сетей. Кн. 1. M.: ИПРЖР, 2000 - 416 с.

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

91. Осовский С. Нейронные сети для обработки информации. М.: Финансы и статистика, 2002. - 344 с.

92. Ходашинский И.А. Нейросетевой метод обучения нечеткой системы оценивания величин // Нейрокомпьютеры: разработка, применение. № 12, 2003. с. 3-6.

93. Mastorocostas P., Theocharis J. FUNCOM: A constrained learning algorithm for fuzzy neural networks // Fuzzy Sets and Systems. 2000. - v. 112. - p. 1-26.

94. Shi Y., Mizumoto M. Some considerations on conventional neuro-fuzzy learning algorithms by gradient descent method // Fuzzy Sets and Systems. -2000.-v. 112.-p. 51-63.

95. Shi Y., Mizumoto M. A new approach of neuro-fuzzy learning algorithm for tuning fuzzy rules // Fuzzy Sets and Systems. 2000. - v. 112. - p. 99-116.

96. Yang Y., Xu X., Zhang W. Design neural networks based fuzzy logic // Fuzzy Sets and Systems. 2000. - v. 114. - p. 325-328.

97. Никитин И.А. Концепция гибридного нейрологического средства исследования и конструирования нейросетевых систем // Нейрокомпьютеры: разработка и применение. 2001. №7-8. с. 31-35.

98. Терехов В.А., Ефимов Д.В., Тюкин И.Ю. Нейронные системы управления. М.: Высш. шк., 2000 - 183 с.

99. Курейчик В.М. Генетические алгоритмы. Состояния. Проблемы. Перспективы // Изв. РАН. Теория и системы управления. 1999. №1. с. 144-160.

100. Комарцова Л.Г. Двухэтапный алгоритм обучения нейронной сети на основе генетического поиска // Нейрокомпьютеры: разработка и применение. 2001. №1. с. 3-9.

101. Шукович Г. Применение генетических алгоритмов и систем генерирующих графов для создания модулярных нейросетей // Программирование.2002. № I.e. 13-20.

102. Емельянов В.В., Курейчик В.В., Курейчик В.М. Теория и практика эволюционного моделирования. М.: ФИЗМАТ ЛИТ, 2003. - 432 с.

103. Редько В.Г. Эволюционная кибернетика. М.: Наука, 2001 - 156 с.

104. Su М.-С., Chang Н.-Т. Application of neural networks incorporated with real-valued genetic algorithms in knowledge acquisition // Fuzzy Sets and Systems. -2000.-v. 112.-p. 85-97.

105. Oh S.-K., Pedrycz W., Park H.-S. Hybrid identification in fuzzy-neural networks // Fuzzy Sets and Systems. 2003. - v. 138. - p. 399-426.

106. Duan J.-C., Chung F.- L. Cascaded fuzzy neural network model based on syllogistic fuzzy reasoning // IEEE Transactions on Fuzzy Systems. 2003. - v. 11. - p. 293-306.

107. Bastian A. Identifying fuzzy models utilizing genetic programming // Fuzzy Sets and Systems. 2000. - v. 113. - p. 333-350.

108. Alpaydin G., Dundar G., Balkir S. Evolution-based design of neural fuzzy networks using self-adapting genetic parameters // IEEE Transactions on Fuzzy Systems.-2002.-v. 10.-p. 211-221.

109. Oh S.-K., Pedrycz W., Park B.-J. Self-Organizing Neurofuzzy Networks Based on Evolutionary Fuzzy Granulation // IEEE Transactions on Systems, Man, and Cybernetics Part A: Systems and Humans. - 2003. - v. 33. - p. 271-277.

110. Spiegel D., Sudkamp Т., Sparse data in the evolutionary generation of fuzzy models // Fuzzy Sets and Systems. 2003. - v. 138. - p. 363-379.

111. Королев Л.Н. От составителя специального выпуска // Программирование.2003. №4. с. 6-12.

112. Чекинов Г.П., Чекинов С.Г. Ситуационное управление: состояние и перспективы // Информационные технологии. Приложение. 2004. №2. с. 1-32.

113. Любарский Ю.Я. Интеллектуальные информационные системы. М.: Наука, 1990-232 с.

114. Дюк В., Самойленко A. Data Mining: учебный курс. СПб.: Питер, 2001. -368 с.

115. Финн В.К. Об интеллектуальных системах типа ДСМ для наук о жизни и социальном поведении // НТИ. Сер. 2. 2002, №6, с. 1-4.

116. Финн В.К. Об особенностях ДСМ-метода как средства интеллектуального анализа данных//НТИ. Сер. 2. 2001, №5, с. 1-4.

117. Шапот М. Интеллектуальный анализ данных в системах поддержки принятия решений // Открытые системы. 1998. №1. с. 30-35.

118. Загоруйко Н.Г., Ёлкина В.Н., Лбов Г.С. Алгоритмы обнаружения эмпирических закономерностей. Новосибирск: Наука, 1985 -110 с.

119. Михиенко Е.В. Логическая спецификация нейронных сетей / Вычислительные системы. Вып. 169. Математические модели в информатике. Новосибирск: 2002. с. 3-25.

120. Лбов Г.С., Старцева Н.Г. Алгоритм многоклассового распознавания, основанный на логических решающих функциях / Вычислительные системы. Вып. 111. Методы анализа данных. Новосибирск: 1985. с. 3-10.

121. Влэдуц Г. Э., Гейвандов Э. А. Автоматизированные информационные системы для химии М.: Наука, 1974- 312 с.

122. Голендер В. Е., Розенблит А. Б. Вычислительные методы конструирования лекарств-Рига: Зинатне, 1978 -270 с.

123. Раевский О. А., Сапегин А. М. Возможности и перспективы конструирования биологически активных веществ // Успехи химии 1988 - Вып 9, Т. 57.-С. 1565-1586.

124. Walentovski R. Unique, unambiguous representation of chemical structures by computerization of a simple notation // J. Chem. Inf. Comput. Sci- 1980. Vol. 20, N. 3—P. 181-192.

125. Мищенко Г. Л. О новом виде формул в органической химии // Ж. Всес. хим. общ-ва.- 1985.- Т. 30, N. 6.- С. 577-578.

126. Мищенко Г. Л., Егорова Т. А. Дифференцирующая способность модифицированного ИПЯ для органических соединений // НТИ Сер. 2 - 1986-N. 5.-С. 30-32.

127. Розенблит А. Б., Голендер В. Е. Логико-комбинаторные методы в конструировании лекарств Рига: Зинатне, 1984 - С. 350.

128. Fujita S. «Structure-reaction type» paradigm in the conventional methods of describing organic reactions and the concept of imaginary transition structures overcoming this paradigm // J. Chem. Inf. Cornput. Sci 1987 - Vol. 27, N. 3-P. 120-126.

129. Стьюпер Э., Брюггер У., Джуре П. Машинный анализ связи химической структуры и биологической активности-М.: Мир., 1982-С. 285.

130. Fujita S. Description of organic reactions based onimaginary transition structures. 1. Introduction of new concepts // J. Chem. Inf. Comput. Sci- 1986-VoL 26, N. 4.-P. 205-212.

131. Owolabi O. An efficient graph approach to matching chemical structures // J. Chem. Inf. Comput. Sci.- 1988.- Vol. 28, N. 4.- P. 221-226.

132. Abe H., Kudo Y., Yamasaki T. and oth. A convenient notation system for organic structure on the basis of connectivity stack// J. Chem. Inf. Comput. Sci-1984.-Vol. 24, N. 4 P. 212-216.

133. Walker S. В. Development of СAOCI and its use in ICI Plant Protection Division // J. Chem. InL Comput. Sci.- 1983 -Vol. 23, N. l.-P. 3-5.

134. Bond О. В., Bowman С. M., Davison L. C, and oth. Applications of the Viswesser line notation of the Dow Chemical Company // J. Chem. Inf. Cormф put. Sci.- 1982.- Vol. 22, N. 2.- P. 103-105.

135. Read R. C. A new system for the designation of chemical compounds. 1. Theoretical preliminares and the coding of acyclic compounds // J. Chem. Inf. Comput. Sci.- 1983.-Vol. 23, N. 3-P. 135-149.

136. Read R. C. A new system for the. designation of chemical compounds. 2. Coding of cyclic compounds // J. Chem. Inf. Comput. Sci 1985 - Vol. 25, N. 2 - P. 116-128.

137. Weininger D. SMILES, a chemical language and information system. 1. Introduction to methodology and encoding rules // J. Chem. Inf. Comput. Sci-1988.-Vol. 28, N. 1-P. 31-36.

138. Gottlieb O. R., Кар 1 an M. A. C. Replacement nodal-substractive nomenclature and codes of chemical compounds // J. Chem. Inf. Comput. Sci 1986. Vol. 26, N. 1-P. 1-3.

139. Klopman G., McGonical M. Computer simulation of physical chemical properties of organic molecules. 1. Molecular system identification // J. Chem. Inf.• Comput. Sci-1981.-Vol. 21, N. l.-P. 48-52.

140. Tokizane S., Monjoh T. Computer storage and retrieval of generic chemical structures using structure attributes // J. Chem. Inf. Comput. Sci 1987 - Vol. 27, N. 3.-P. 177-187.

141. Jovanovic A.D. Combinatorial characterization of hexagonal systems. Application of graphs in chemistry and physics // Discrete Appl. Math. - 1988. - vol. 19.-p. 259-270.

142. Автоматический анализ сложных изображений. M.: Мир, 1969. - 310 с.

143. Gordon J.E. Chemical inference. 2. Formalization of the language of organic chemistry: Generic systematic nomenclature // J. Chem. Inf. Comput. Sci. -1984 Vol. 24, N. 2. - P. 81-92.

144. Khrishnamurthy E.V. WISENOH. A formal organic chemistry nomenclature system // J. Chem. Inf. Comput. Sci. 1982 - Vol. 22, N. 3. - P. 152-160.

145. Vancea R., Holbon St., Ciubotariu D. Context-free grammar and deterministic automation approaches generation in copolymers. 1. Binary copolymers with ultimate effect // MATSH. Commons math. chem. 1986. -N. 20. - p. 251-279/

146. Салмина Н.Ю., Ходашинский И.А. Логико-лингвистическая модель прогнозирования биологической опасности химических соединений // НТИ Сер. 2 -N3, 1991. с. 27-31.

147. Pollock J. J., Zamora A. Automatic spelling correction in scientific and scholarly text // Communications of the ACM. 1984. - Vol. 24. - № 4. - p. 358• 368.

148. Красиков Ю. В. Теория речевых ошибок (на материале ошибок наборщика). М.: Наука, 1980. - 160 с.

149. Pollock J. J., Zamora A. Collection and characterization of spelling errors in scientific and scholarly text // J. Amer. Soc. Inform. Sei. 1983. -Vol. 34. -№ 1. -P. 51-58.

150. Штурман Я. П., Партыко 3. В. Анализ искажений при вводе реферативной информации в систему «Ассистент» // НТИ. Сер. 2. 1982. -№ 3. - С. 1721.

151. Партыко 3. В. Анализ искажений, возникающих при вводе текстов в ИИС «Ассистент» // НТИ. Сер. 2. 1982. - № 1. -С. 21-26.

152. Zamora A. Automatic detection and correction of spelling errors in a large data base // J. Amer. Soc. Inform. Sei. 1980. - Vol. 31. -№ 2. - P. 51 -57.

153. Pollock J. J., Zamora A. System design for detection and correction of spelling errors in scientific and scholarly text // J. Amer. Soc. Inform. Sei. -1984. -Vol. 35.-№2.-P. 104-109.

154. Morgan H. L., Spelling correction in systems programms // Communications of the ACM. 1970. - Vol. 13. -№ 2. -P. 90-94.

155. Subieta K. A simple method of data correction //Pr. IPI PAN. 1983. -№ 527. -12 pp.

156. Forney G. D. The Viterby algorithm // Proc. IEEE. 1973. -№ 61. -P. 268-278.

157. Kashyap R. L., Oommen B. J. Spelling correction using probabilistic methods // Pattern Recognit. Lett. 1984. - Vol. 2. - № 3. - P. 147-154.

158. Angel 1 R. C, Freund G. E., Wil lei 1 P. Automatic spelling correction using a trigram similarity measure // Inform. Proc. Management. 1983. - Vol. 19. // № 4.-255-261.

159. Волков В. H., Иванисов А. В. Реализация алгоритма распознавания и выборки слов с использованием функции совпадения. // Программирование, 1982. -№ 2. -С. 90-92.

160. Короткова М. А., Салмина Н. Ю., Ходашинский И. А. Исправление лексических ошибок в текстах запросов на естественном языке / Радиотехнические методы и средства измерения. -Томск: Изд-во Томск, ун-та, 1985. с. 115.

161. Вагин В.Н., Еремеев А.П. Некоторые базовые принципы построения интеллектуальных систем поддержки принятия решений реального времени // Изв. РАН. Теория и системы управления. 2001. №6. с. 114-123.

162. Еремеев А.П., Денисенко JI.C. Обработка недоопределенной информации в системе поддержки принятия решений реального времени применительно к оперативной службе электростанций // Изв. РАН. Энергетика. 2002. №2. с. 32-43.

163. Емельянов В.В., Ясиновский С.И. Введение в интеллектуальное имитационное моделирование. Язык РДО. М.: АНВИК, 1998. - 165 с.

164. Салмина Н.Ю., Ходашинский И.А. Использование базы знаний в имитационном моделировании. В кн. «Вопросы промышленной эксплуатации информационных ресурсов, экспертные системы». Труды Всесоюзной школы-семинара. Калинин. 1986. с. 88-90.

165. Суппес П., Зинес Дж. Основы теории измерений / Психологические измерения. М.: Мир, 1967, с. 9 - 110.

166. Пфанцагль И. Теория измерений. М.: Мир, 1976. - 248 с.

167. Берка К. Измерения: понятия, теория, проблемы. М.: Прогресс, 1987. -320 с.

168. Слабкий Л.И. Методы и приборы предельных измерений в экспериментальной физике. -М.: Наука, 1973. 272 с.

169. Кузнецов В.А., Ялунина Г.В. Общая метрология. М.: ИПК Издательство стандартов, 2001. - 272 с.

170. Сергеев А.Г., Латышев М.В., Терегеря В.В. Метрология, стандартизация, сертификация. -М.: Логос, 2001. 536 с.

171. Цветков Э.И. Основы формализованного описания процедур измерения величин // Измерения контроль автоматизация. 1986. №3 (59). с. 11-17.

172. Тартаковский Д.Ф., Ястребов A.C. Метрология, стандартизация и технические средства измерений. М.: Высш. шк., 2002. - 205 с.

173. Назаров Н.Г. Метрология. Основные понятия и математические модели. -М.: Высш. шк., 2002 348 с.

174. Губарев В.В. Алгоритмы статистических измерений. М.: Энергоатомиз-дат, 1985.-272 с.

175. Косарев Ю.Г. Человек как универсальный измерительный прибор (в порядке постановки проблемы) / Вычислительные системы. Вып. 160. Искусственный интеллект и экспертные системы. Новосибирск: 1997. с. 36-42.

176. Полл Р., Бокхорст П. Измерение качества работы. Международное руководство по измерению эффективности работы университетских и других библиотек-М.: Логос, 2001 152 с.

177. Рождественский Ю.В. Словарь терминов. Общество. Семиотика. Экономика. Культура. Образование. М.: Флинта: Наука, 2002 - 112 с.

178. Лебег А. Об измерении величин. М.: Учпедгиз, 1960 - 204 с.

179. Ивин A.A. Основания логики оценок. М.: МГУ, 1970 - 229 с.

180. Ивин A.A. Практическая логика. М.: ФАИР-ПРЕСС, 2002 - 288 с.

181. Брожик В. Марксистская теория оценки. М.: Прогресс, 1982. - 261 с.

182. Баранов А.Н. Когнитивный статус естественно языковой оценки (к типологии языковых стратегий оценивания) / Формальные и неформальные рассуждения. Ученые записки Тартуского государственного университета. Вып. 840. Тарту: 1989. с. 5-23.

183. Баранов А.Н., Паршин П.Б. Нормы и экстремумы: количественная оценка ситуаций в логике практического рассуждения / Семиотические модели в управлении. Тезисы докладов и сообщений к 5 научно-методической конференции. Новосибирск, 1984. с. 20-22.

184. Моделирование языковой деятельности в интеллектуальных системах / Под ред. А.Е. Кибрика и A.C. Нариньяни. М.: Наука, 1987. - 280 с.

185. Орлов А.И. Высокие статистические технологии // Заводская лаборатория. 2003, №11, т. 69. с. 55-60.

186. Сейдж Э., Меле Дж. Теория оценивания и ее применение в связи и управлении. М.: Связь, 1976 - 496 с.

187. Алефельд Г., Херцбергер Ю. Введение в интервальные вычисления. М.: Мир, 1987-360 с.

188. Журавлев Ю.И., Камилов М.М., Туляганов Ш.Е. Алгоритмы вычисления оценок и их применение. Ташкент. Изд-во «Фан», 1974. - 120 с.

189. Миркин Б.Г. Проблема группового выбора. М.: Наука, 1974 - 256 с.

190. Ходашинский И.А. Логика оценок величин. Томск, 1984. - 29 с. - Рукопись представлена Томск, ин-том автоматизир. систем упр. и радиоэлектрон. Деп. в ВИНИТИ 26 марта, 1984г., № 1631-84.

191. Ходашинский И.А. Псевдофизическая логика оценок величин // Известия АН ССР. Техническая кибернетика-№5, 1988. с. 96-107.

192. Фрумкина P.M., Василевич А.П. Получение оценок вероятностей слов психометрическими методами / Вероятностное прогнозирование в речи. -М.: Наука, 1971, с. 7-28.

193. Варосян С.О., Поспелов Д.А. Неметрическая пространственная логика // Изв. АН СССР. Техн. кибернет., 1982. №5. с. 86-99.

194. Карпенко А.С. Современные исследования в философской логике: мировой уровень, российская наука, РФФИ // Вестник РФФИ. 2003. №3. с. 5271.

195. Chen S-J., Chen S-M. Fuzzy Risk Analysis Based on Similarity Measures of Generalized Fuzzy Numbers // IEEE Transactions on Fuzzy Systems. 2003. -v. 11.-p. 45-56.

196. Ходашинский И.А. Оценивание величин средствами нечеткой арифметики // Автометрия. № 3, 2004. с. 21 -31.

197. Ma М., Kandel A., Friedman М. A new approach for defiizzification // Fuzzy Sets and Systems. 2000. - v. 111. - p. 351-356.

198. Yao J.-S., Wu K. Ranking fuzzy numbers based on decomposition principle and signed distance // Fuzzy Sets and Systems. 2000. - v. 116. - p. 275-288.

199. Baldwin J.F., Guild N.C.F. Comparison of fuzzy numbers on the same decision space // Fuzzy Sets and Systems. 1979. vol. 2. - p. 213 - 233.

200. Chen S.-H., Ranking fuzzy numbers with maximizing set and minimizing set // Fuzzy Sets and System. 1985. - vol. 17. - p. 113 -129.

201. F. Choobinech, H. Li, An index for ordering fuzzy numbers // Fuzzy Sets and Systems. 1993. vol. 54. - p. 287- 294.

202. Yager R.R. A procedure for ordering fuzzy subsets of the unit interval // Inform. Sci. 1981. - vol. 24. - p. 143 -161.

203. Stoeva S., Nikov A. A fuzzy backpropagation algorithm // Fuzzy Sets and Systems. 2000. - v. 112. - p. 27-39.

204. Duan J.-C., Chung F.-L. Cascaded fuzzy neural network model based on syllogistic fuzzy reasoning // IEEE Transactions on Fuzzy Systems. 2001. - v. 9. - p. 293306.

205. Кокс Д., Хинкли Д. Теоретическая статистика. М.: Мир, 1978 - 560 с.

206. Наумов Г.Е., Подиновский В.В., Подиновский Вик.В. Субъективная вероятность: способы представления и методы получения // Изв. РАН. Теория и системы управления. 1991. - №5. - с. 94-109.

207. Ходашинский И.А. Оценивание величин на основе субъективных вероятностей // Труды Всероссийской конференции «Математические и информационные технологии». Иркутск: ИСЭМ СО РАН, 2004. с. 221-228.

208. Попов Э.В. Общение с ЭВМ на естественном языке М.: Наука, 1982.-360 с.

209. Налимов В.В. Вероятностная модель языка. О соотношении естественных и искусственных языков. М.: Наука, 1979. - 303 с.

210. Нариньяни A.C. Новый этап развития естественный язык. // Перспективы системного и теоретического программирования. Труды Всесоюзного симпозиума. - Новосибирск, 1979. С. 42-53.

211. Есперсен О. Философия грамматики М.: Едиториал УРСС, 2002. - 408 с.

212. Грибель В.А., Карякин Ю.В., Ходашинский И.А. Языковые средства пользователя проблемно-ориентированных комплексов для обучения // Теория и практика совершенствования систем управления ВУЗом. Томск: Изд-во Томск, гос. ун-та, 1982. - С. 128-135.

213. Имитационное моделирование технических систем оперативного обнаружения аномалий на поверхности океана / Г.В. Варламов, Гулидов А.Н., Т.А.Плешивцева, Ю.М. Полищук, И.А. Ходашинский // Мониторинг океана. М.: Ин-т океанологии АН СССР, 1986.

214. Машинная имитация, сбор и банкирование мониторинговых данных / Г.В.Варламов, Ю.М. Полищук, И.А. Ходашинский, В.Б.Хон // Тезисы докладов 36 Всесоюзной научной сессии, посвященной Дню радио. Часть 3. -М.: Радио и связь, 1981.

215. Салмина Н.Ю., Ходашинский И.А. Модель языка общения в проблемно-ориентированных информационных системах // Искусственный интеллект, итоги и перспективы. Труды Всесоюзной конференции. М.: МДНТП. 1985.-С. 91-98.

216. Ходашинский И.А. Лингвистический процессор системы накопления и хранения экспериментальных данных // Автоматизация обработки первичных данных. Межвуз. сб. науч. трудов. Пенза: Пенз. политех. ин-т,1984. -С. 134-138.

217. Ахо А., Ульман Дж. Теория синтаксического анализа, перевода и компиляции. Т. 1 Синтаксический анализ. М.: Мир, 1978. - 612 с.

218. Салмина Н.Ю., Ходашинский И.А. Методы и средства автоматического исправления орфографических ошибок // НТИ Сер. 2 N10, 1986.

219. Кларк Э.М., Грамберг О., Пелед Д. Верификация моделей программ. М.: МЦНМО, 2002.-416 с.

220. Перевозчикова О.Л., Ющенко Е.Л. Системы диалогового решения задач на ЭВМ. Киев: Наукова думка, 1986. - 264 с.

221. Криштопа И.В., Микаилов Г.В., Перевозчикова О.Л. Основные характеристики диалоговых маршрутных систем // Кибернетика. 1984. - №6. - С. 42-48.

222. Ходашинский И.А., Лещишин И.Л., Прокашев А.И. Системы планирования вычислений // Алгоритмическое и информационное обеспечение систем экоинформации. Сборник научных трудов. ТФ СО АН СССР. Томск, 1989.-С. 5-19.

223. Региональные экологические информационно-моделирующие системы / Полищук Ю.М., Силич В.А., Татарников В.А., Ходашинский И.А., Ципи-лева Т.А. Новосибирск: ВО Наука, 1993. - 133 с.

224. Ходашинский И.А. Методы искусственного интеллекта, базы знаний, экспертные системы. Учебное пособие. Томск: Томск, гос. университет систем управления и радиоэлектроники, 2002. - 139 с.

225. Ходашинский И.А. ПРОЛОГ в примерах и задачах. Томск: Курсив, 2001. -280 с.

226. Лавров С.С. Синтез программ//Кибернетика. 1982. -№6.-С. 11-16.

227. Тыугу Э.Х. Концептуальное программирование. М.: Наука, 1984. - 255 с.

228. Везденев Ю.Г., Холоденко О.А. Применение атрибутивных схем перевода для описания вычислительных моделей // Тез. докл. III Всесоюзной конф. «Автоматизация производства систем программирования». Таллинн: АН ЭССР, 1986.-с. 190-192.

229. Лещишин И.Л. Ходашинский И.А. Сравнение языковых средств ПРОЛОГ и ЛИСП в одной системе планирования вычислений // УсиМ. N6. - 1989.

230. Салмина Н.Ю., Ходашинский И.А. Система прогнозирования экологической опасности химических соединений // Девятая Всесоюзная конференция «Химическая информатика». Черноголовка: ИФАВ, 1992. - С. 110111.

231. Полищук Ю.М., Салмина Н.Ю., Ходашинский И.А. A System of Computerized Representation and Processing of Chemical Structures // Abstracts International Conference on Petroleum Chemistry. Tomsk: 1991. - p. 312-313.

232. Полищук Ю.М. Пространственно-временная структура случайных электромагнитных полей при распространении в тропосфере. Томск, Изд-во Томск, ун-та, 1975. - 92 с.

233. Полищук Ю.М. Имитационно-лингвистическое моделирование систем с природными компонентами. Новосибирск: Наука, 1992. - 229 с.

234. Котов Н.Н., Савиков А.А., Ходашинский И.А. Влияние органических соединений на механические свойства материала паропроводов // Металловедение и термическая обработка металлов. 1992. - №8. с. 21-23.

235. Котов Н.Н., Ходашинский И.А. Компьютерное прогнозирование влияния органических соединений на изменение механических свойств материалов // Заводская лаборатория. 1996. - №7. с. 57-59.

236. Основные свойства нормируемых в водах органических соединений // М.Я.Белоусова, Т.В. Авгуль, Н.С. Сафронова. М.: Наука. -1987. -104 с.

237. Идельчик И.Е. Справочник по гидравлическим сопротивлениям. -М.: Гос-энергоиздат, 1960.

238. Меренков А.П., Хасилев В.Я. Теория гидравлических цепей. М.: Наука, i 1985.-278 с.

239. Механизмы адаптационных реакций организм. /Под ред. Т. И. Шустовой. -Томск: Изд-во Том. ун-та, 1987. С. 105 - 111.

240. Хронобиология и хрономедидицина. Под ред. Ф.И. Комарова, С.И. Рапопорта. М.: Триада-Х. 2000. 460 с.

241. Емельянов И.П. Формы колебаний в биоритмологии. -Новосибирск: Нау• ка, 1976. 127 с.

242. Глушакова Е.С., Ходашинский И.А., Хон В.Б. Модифицированный коси-нор-анализ для исследования динамики биохимических показателей сыворотки крови интактных животных // Биомедицинские технологии и радиоэлектроника. №5-6, 2004. с. 62-64.

243. Созоров Н.Г., Ходашинский И.А. The Trainee Psychology- Pedagogical Card » and the Instructor Knowledge Formalization. // East-West Conference on

244. Emerging Computer Technologies in Education. Conference Proceedings.• ICSTI, Moscow, 1992. p. 299-301.

245. Ходашинский И.А. Методы формирования и анализа ответов в АСУ ПДС-2000. В кн.: Новые информационные технологии в университетском образовании. Материалы международной научно-методической конференции. Новосибирск: ИДМИ, 2000. с. 146-147.

246. Докучаев П.В., Ходашинский И.А. Обучение с использованием анимационных фильмов // Программные продукты и системы N2, 1998. - с. 23-25.

247. Интеллектуальная обучающая среда вуза / Б.Л. Агранович, Д.М.Богданов,

248. Н.Г. Созоров, И.А. Ходашинский. // «Технический университет. Проблемы, опыт, перспективы». Тезисы докладов международной научно-практической конференции. Томск, 1994. - с. 73-74.

249. Клещев A.C., Артемьева И.Л. Математические модели онтологий предметных областей.Ч. 1. Существующие подходы к определению понятия «онтология». // НТИ. Сер. 2. 2001. №2. - с. 20-27.

250. Клещев A.C., Артемьева И.Л. Математические модели онтологий предметных областей.Ч.2. Компоненты модели. // НТИ. Сер. 2. 2001. №3. - с. 19-29.

251. Клещев A.C., Артемьева И.Л. Математические модели онтологий предметных областей.Ч.З. Сравнение разных моделей онтологий. // НТИ. Сер. 2. 2001.-№4.-с. 10-15.

252. Евгенев Г.Б. Онтология инженерных знаний. // Информационные технологии.-2001.-№6.-с. 2-5.

253. Шенк Р. Обработка концептуальной информации. М.: Энергия, 1980 -360 с.

254. Стерлинг Л., Шапиро Э. Искусство программирования на языке Пролог. -М.: Мир, 1989.-460 с.

255. Ходашинский И.А. Вопросы, задачи и анализ ответов в интеллектуальных обучающих системах // Информационные технологии. 2001. - №5. - с. 36-41.

256. Ходашинский И.А. Компьютерная технология разработки тестов // НТИ. Сер. 2. 2003. -№3. - с. 8-11.

257. Талызина Н.Ф. Теоретические основы контроля в учебном процессе. М.: Знание. - 1983.-с. 3-37.

258. Вех В.В., Волдачинский В.Л., Ходашинский И.А. Создание компьютерных тренажеров производства оперативных переключений в электроустановках// Электрические станции. 1995. -№ 4. с. 6-10.

259. Вех В.В., Ходашинский И.А. Инструментальные средства создания компьютерных тренажеров оперативного персонала электрических станций и сетей. // «Тренажеры и компьютеризация профессиональной подготовки».

260. Тез. докл. IV-й Всероссийской научно-методической конференции. М.: ГАНГ им. Губкина, 1994. - с. 61-62. 280. Вех В.В., Котов H.H., Ходашинский H.A. Опыт разработки компьютерных тренажеров и обучающих программ // Энергетик - 1998. - № 1.-е. 22-23.