Модели и методы формирования нечетких правил в интеллектуальных системах диагностики состояния сложных объектов тема диссертации и автореферата по ВАК РФ 05.13.18, кандидат наук Катасёв, Алексей Сергеевич

• Катасёв, Алексей Сергеевич
• кандидат наук
• 2014

Оглавление диссертации кандидат наук Катасёв, Алексей Сергеевич

СОДЕРЖАНИЕ

Введение

1. Анализ предметной области и постановка задачи формирования базы знаний экспертной системы диагностики состояния сложного объекта

1.1. Понятие и назначение экспертных систем

1.2. Способы получения знаний для экспертных систем

1.3. Обнаружение знаний в базах данных

1.4. Классификация типов и видов данных для решения задачи диагностики состояния сложного объекта

1.5. Представление знаний в экспертной диагностической системе

1.5.1. Проблема представления знаний

1.5.2. Анализ моделей представления знаний в экспертных системах

1.5.3. Виды продукционных правил для решения задачи диагностики состояния объекта и их сравнительный анализ

1.6. Постановка задачи формирования базы знаний экспертной системы диагностики состояния сложного объекта

1.7. Выводы

2. Параметрическая нечетко-продукционная модель определения состояния сложного объекта

2.1. Разработка методики группировки параметров объекта диагностики, входящих в состав продукционных правил

2.1.1. Постановка задачи группировки параметров

2.1.2. Методика группировки параметров сложного объекта

2.1.3. Особенности формируемых групп параметров

2.2. Предлагаемый вид нечетко-продукционных правил

2.3. Разработка методики построения совокупности систем продукционных правил, описывающих состояние объекта

2.3.1. Постановка задачи построения совокупности систем нечетко-продукционных правил

2.3.2. Методика построения совокупности систем правил

2.4. Разработка алгоритмов логического вывода на системах нечетко-продукционных правил

2.4.1. Используемые термины и обозначения

2.4.2. Алгоритм логического вывода для несвязанной системы правил

2.4.3. Алгоритм логического вывода для связанных систем правил

2.4.4. Алгоритм логического вывода для совокупности систем правил

2.4.5. Достоинства алгоритмов логического вывода

2.5. Выводы

3. Модель и методы идентификации значений параметров нечетко-продукционной модели определения состояния объекта

3.1. Постановка задачи идентификации значений параметров модели

3.2. Методы инициализации параметров модели

3.2.1. Определение начальных значений параметров функций принадлежности в правилах

3.2.2. Определение начальных значений достоверности правил

3.2.3. Определение начальных значений весов условий в правилах

3.3. Настройка значений параметров модели

3.3.1. Постановка задачи построения нейронечетких моделей определения состояния объекта

3.3.2. Построение структуры нечетких нейронных сетей

3.3.3. Обучение нечетких нейронных сетей

3.3.3.1. Определение выхода сети при известном входном образе

3.3.3.2. Определение параметров обучения сети

3.3.3.3. Требования по настройке вектора параметров функций принадлежности

3.3.3.4. Правила и ограничения при настройке вектора параметров функций принадлежности

3.3.3.5. Изменение значений вектора параметров функций принадлежности для заданного входного образа

3.3.3.6. Алгоритм обучения нечеткой нейронной сети

3.3.3.7. Временная сложность алгоритма обучения

3.4. Нейронечеткая модель, как универсальный аппроксиматор объектов с дискретным выходом

3.4.1. Нечеткие системы, как универсальные аппроксиматоры

3.4.2. Алгоритм аппроксимации объектов с дискретным выходом на основе нечеткой базы знаний

3.4.3. Оценка аппроксимирующей способности разработанной нечеткой нейронной сети

3.5. Выводы

4. Технология формирования нечетких правил базы знаний и алгоритм их использования для диагностики

4.1. Особенности начального состояния базы знаний

4.2. Постановка задачи оценки и устранения избыточности начального состояния базы знаний

4.3. Методика оценки и устранения избыточности базы знаний

4.4. Технология формирования базы знаний экспертной системы

4.5. Использование правил базы знаний для диагностики состояния сложного объекта

4.6. Выводы

5. Программный комплекс формирования и использования нечетких правил для диагностики состояния сложных объектов

5.1. Описание разработанного программного комплекса

5.1.1. Назначение программного комплекса

5.1.2. Средства разработки программного комплекса

5.1.3. Структура и состав программного комплекса

5.1.4. Пример функционирования программного комплекса

5.2. Оценка классифицирующей способности формируемых баз знаний при анализе известных наборов данных

5.2.1. Описание и предварительный анализ наборов данных

5.2.2. Результаты классификации исходных данных

5.2.3. Результаты классификации данных с пропущенными значениями

5.3. Примеры практического использования программного комплекса для формирования баз знаний экспертных систем

5.3.1. Формирование базы знаний для диагностики клинических проявлений поясничного остеохондроза

5.3.1.1. Особенности диагностического процесса в медицине

5.3.1.2. Этапы медицинской диагностики

5.3.1.3. Исходные данные для анализа

5.3.1.4. Анализ и интерпретация полученных результатов

5.3.2. Формирование базы знаний для диагностики порывов на водоводах в процессах поддержания пластового давления

5.3.2.1. Общее описание системы

5.3.2.2. Особенности формирования базы знаний

5.3.2.3. Методика обнаружения утечек из водоводов

5.3.2.4. Полученные практические результаты

5.3.3. Формирование базы знаний для фильтрации электронных почтовых сообщений

5.3.3.1. Фильтрация электронных почтовых сообщений

5.3.3.2. Получение исходных данных и формирование базы знаний

5.3.3.3. Оценка адекватности сформированной базы знаний

5.3.3.4. Использование базы знаний в составе системы спам-фильтрации

5.4. Сравнение программного комплекса с другими инструментальными средствами формирования нечетких правил

5.4.1. Анализ инструментальных средств построения систем нечеткого логического вывода

5.4.2. Анализ методов извлечения нечетких правил из баз данных, используемых в Rule Maker

5.5. Выводы

Заключение

Список литературы

Приложение 1. Описание методов и классов, реализованных в программном комплексе

Приложение 2. Полный список параметров и их значений для диагностики остеохондроза поясничного отдела позвоночника

Приложение 3. Экономический эффект от использования экспертной системы диагностики порывов на водоводах

Приложение 4. Акты о внедрении и использовании результатов диссертационного исследования

Приложение 5. Свидетельство о регистрации программы для ЭВМ

СПИСОК СОКРАЩЕНИЙ

АРМ - автоматизированное рабочее место

АСУ ТП - автоматизированная система управления технологическим процессом

БГ - блок гребенки

БЗ - база знаний

ВБГ - выносной БГ

КНС - кустовая насосная станция

ННС - нечеткая нейронная сеть

ПДС - позвоночный двигательный сегмент

ПОХ - поясничный остеохондроз

ПОП - поясничный отдел позвоночника

ППД - поддержание пластового давления

ФП - функция принадлежности

ЦППД - цех ППД

ЭС - экспертная система

ANFIS - adaptive network based fuzzy inference system

CF - certainty factor

KDD - knowledge discovery in databases

Введение диссертации (часть автореферата) на тему «Модели и методы формирования нечетких правил в интеллектуальных системах диагностики состояния сложных объектов»

ВВЕДЕНИЕ

Одним из способов познания окружающего мира является моделирование, позволяющее изучать свойства и закономерности сложных объектов посредством построения и использования моделей - упрощенных аналогов моделируемых объектов [163,192]. Сложные объекты, как правило, характеризуются следующими основными особенностями [50,142]:

• наличием большого числа входов, выходов и состояний, полный учет которых либо нереален, либо резко увеличивает сложность модели;

• разнотипностью описывающих параметров и нелинейным характером внутренних связей и закономерностей;

• неопределенностью, нечеткостью и неполнотой данных на входе, выходе объекта и в переходе между его состояниями;

• нечеткой выраженностью структуры, которая может изменяться в зависимости от ситуации.

Кроме того, многообразие и сложность процессов, протекающих в реальном мире, приводят к тому, что все они в той или иной степени оказывают свое воздействие на моделируемые объекты, что еще более усложняет их. Это требует применения соответствующего математического аппарата и накладывает ограничения на квалификацию специалистов, занимающихся моделированием.

Традиционные подходы, основанные на аппарате математической статистики или имитационном моделировании, не позволяют строить адекватные модели сложных объектов в условиях ограниченности временных, вычислительных и материальных ресурсов. Поэтому в последнее время при решении многих практических задач, связанных с управлением производственными процессами, распознаванием образов, диагностикой состояния сложных объек-

тов, наблюдается повышение научного и практического интереса к методам и моделям искусственного интеллекта с применением технологий интеллектуального анализа данных [27,74,75,118,126,168,175,180,193].

Теория нечетких множеств [90], как одно из направлений искусственного интеллекта, позволяет строить модели приближенных рассуждений человека в условиях неопределенности на основе нечетких рассуждений и правил логического вывода [2,18,20]. Нечеткие модели описывают сложные объекты на естественном языке при помощи лингвистических переменных, а сам механизм нечеткого логического вывода понятен человеку. Данные преимущества обусловили широкое применение методов нечеткой логики для решения задач диагностики, управления, поддержки принятия решений в различных предметных областях человеческой деятельности [2,7,25,26,91,240].

Принято условно выделять следующие этапы развития нечеткой логики и нечетких систем [125,142]:

• конец 60-х - начало 70-х г.г. XX столетия - зарождение теории нечетких множеств и развитие теоретического фундамента для данного научного направления;

• 70-80-е г.г. XX столетия - получение первых практических результатов в области нечеткого управления, разработке экспертных систем (ЭС), построенных на нечеткой логике, и нечетких контроллеров;

• конец 80-х г.г. XX столетия по настоящее время - появление пакетов прикладных программ для построения нечетких ЭС и стремительное расширение областей применения нечеткой логики в автомобильной, аэрокосмической, транспортной промышленности, в бытовой технике, в сфере финансов, анализа, принятия управленческих решений и других. Исследованиям в области нечеткого моделирования и разработки нечетких экспертных систем посвящены работы известных зарубежных и российских ученых: Заде JI.A., Клира Дж., Мамдани Е.А., Сугено М., Тэрано Т., Кофмана А., Поспелова Д.А., Ларичева О.И., Аверкина А.Н., Борисова А.Н., Батыршина И.З., Еремеева А.П., Алиева P.A., Берштейна Л.С., Ковалева С.М., Васильева

В.И., Сидоркиной И.Г., Соловьева В.Д., Гловы В.И., Аникина И.В. и др. Однако, несмотря на достоинства ЭС, основанных на нечеткой логике, они имеют существенный недостаток, а именно необходимость привлечения человека-эксперта для построения правил базы знаний (БЗ) и задания используемых в них функций принадлежности (ФП) [2,11]. Наиболее сложным этапом построения нечеткой системы является выбор формы и параметров ФП, так как из-за субъективности мнения эксперта построенные им ФП могут не вполне отражать реальную действительность. Кроме того, несмотря на возможность использования при разработке нечеткой ЭС технологий инженерии знаний и методов практического извлечения и структурирования знаний, процесс формулирования нечетких правил и задания ФП требует значительных временных затрат и большой аналитической работы эксперта, что существенно усложняет разработку экспертной системы.

В настоящее время существуют адаптивные модели нечеткого логического вывода, в которых параметры функций принадлежности настраиваются в процессе обучения на экспериментальных данных. Исследованиям в этой области посвящены работы следующих ученых: Херреры Ф., Фукуды T., Kappa Ч., Лозано М., Сакава М., Кордона О., Касиласа Ж., Хоффмана Ф., Янга Р., Круглова В.В., Ротштейна А.П., Штовбы С.Д., Финна В.К., Вагина В.Н., Коб-ринского Б.А., Загоруйко Н.Г., Ярушкиной Н.Г., Ходашинского И.А., Емалет-диновой Л.Ю., Паклина Н.Б. и др.

В технической литературе класс адаптивных нечетких ЭС получил название «мягкие экспертные системы» [205,206]. «Мягкий» подход к формированию нечетких БЗ основан на использовании методов и алгоритмов интеллектуального анализа данных, автоматического (без участия эксперта) извлечения скрытых в них закономерностей. Однако, при моделировании сложных объектов, особенно в экспертных диагностических системах, необходимо учитывать большое количество параметров и их значений, что приводит к громоздкости формируемых нечетких правил и невысокой эффективности их практического

использования. Кроме того, проблема выбора числа ФП в правилах, задания их границ и начальных значений параметров остается актуальной.

Для разрешения указанных проблем и повышения точности принятия решений в интеллектуальных системах диагностики состояния сложных объектов актуальна разработка нового подхода к формированию нечетких правил, адекватно описывающих закономерности в анализируемых данных. При построении диагностической системы целесообразно привлечение эксперта для решения задачи декомпозиции исходного множества параметров на подмножества, описывающие отдельные подсистемы объекта, их состояния и связи между ними. Кроме того, учет мнения эксперта необходим на этапе гранулирования значений входных параметров объекта, выбора числа и границ функций принадлежности, их инициализации.

Следовательно, при формировании нечетких правил в системах диагностики состояния сложных объектов анализ исходных данных целесообразно проводить в два этапа: автоматизированный (с участием эксперта) — для структурной идентификации модели объекта, и автоматический - для параметрической идентификации модели. Автоматизация начального этапа выявления скрытых закономерностей в данных должна повысить эффективность их анализа за счет сочетания достоинств методов машинного обучения (способности автоматически извлекать знания из данных) с интеллектуальными возможностями эксперта (его знаниями, опытом и пониманием особенностей решаемой задачи). Это позволит в конкретной предметной области сформировать адекватные базы нечетких правил для моделируемых объектов и повысить точность принимаемых решений.

Таким образом, научно-техническая проблема, решаемая в диссертации, заключается в разработке нового подхода и его методологии для автоматизированного формирования нечетких правил в интеллектуальных системах диагностики состояния сложных объектов. Решение данной проблемы имеет научный и практический интерес для построения нечетких моделей сложных объектов, повышения их адекватности и интерпретируемости.

Объект исследования: нечеткие базы знаний интеллектуальных систем диагностики состояния сложных объектов.

Предмет исследования: модели, методы и алгоритмы автоматизированного формирования нечетких правил.

Цель диссертационной работы: повышение эффективности формирования нечетких правил в интеллектуальных системах диагностики состояния сложных объектов путем разработки методологии нового подхода, включающего теоретические положения, модели, методы, критерии и алгоритмы, а также программный комплекс автоматизированного (с участием эксперта) анализа разнотипных, нечетких и неполных исходных данных для извлечения скрытых в них закономерностей. Эффективность сформированных систем правил оценивается их адекватностью и точностью принимаемых на их основе решений по диагностике состояния объектов.

Достижение поставленной цели потребовало решения следующих задач:

1) построения параметрической нечетко-продукционной модели определения состояния сложного объекта на основе разработки методики группировки параметров объекта, вида нечетко-продукционного правила, методики построения совокупности систем правил, а также алгоритмов логического вывода на системах нечетко-продукционных правил;

2) идентификации значений параметров нечетко-продукционной модели определения состояния сложного объекта на основе разработки эффективных вычислительных методов с применением современных компьютерных технологий;

3) оценки и устранения избыточности начального состояния базы нечетких правил за счет разработки и применения эффективного численного метода редукции вырожденных и незначимых для определения состояния объекта правил;

4) разработки технологии автоматизированного формирования систем нечетко-продукционных правил с идентифицированными значениям параметров;

5) разработки алгоритма использования сформированных систем нечетко-продукционных правил для диагностики состояния сложного объекта;

6) реализации разработанных численных методов и алгоритмов в виде программного комплекса для формирования нечетких правил и проведения вычислительных экспериментов;

7) решения практических задач формирования нечетких правил для интеллектуальных диагностических систем в социальных и технических областях.

Методы исследования. Для решения обозначенных задач использованы методы математического моделирования, нечеткой логики, искусственных нейронных сетей, визуализации данных, корреляционного анализа, прикладной статистики, объектно-ориентированного программирования.

Достоверность полученных результатов. Предложенные в диссертационной работе оригинальные методики, модели, методы и алгоритмы теоретически обоснованы и не противоречат известным положениям других авторов. Достоверность полученных результатов обеспечена математически строгим выполнением расчетов, подтверждена вычислительными экспериментами и результатами практического использования.

Научная новизна работы заключается в разработке:

1) методики группировки параметров объекта для получения совокупности групп параметров «входы - выход» и определения структуры их взаимосвязей;

2) вида нечетко-продукционного правила для формализации четких и нечетких разнотипных зависимостей в анализируемых данных;

3) методики построения совокупности систем нечетко-продукционных правил, определяемых группами параметров «входы - выход», структурой их взаимосвязей и значениями (градациями) входных и целевого параметров;

4) алгоритмов логического вывода на системах нечетко-продукционных правил для определения состояния сложного объекта в условиях разнотипности, нечеткости и отсутствия части исходных данных;

5) параметрической нечетко-продукционной модели определения состояния сложного объекта в виде совокупности систем нечетко-продукционных правил и алгоритмов логического вывода на правилах;

6) эффективных вычислительных методов инициализации и настройки значений параметров нечетко-продукционной модели определения состояния сложного объекта: параметров функций принадлежности, весов условий и достоверности каждого нечетко-продукционного правила;

7) нейронечетких моделей - аналога нечетко-продукционной модели определения состояния объекта, в виде обученных нечетких нейронных сетей;

8) структуры нечетких нейронных сетей и эффективного алгоритма их обучения на комплектных и некомплектных обучающих выборках;

9) эффективного численного метода редукции вырожденных и незначимых для определения состояния сложного объекта правил на основе оценки и устранения избыточности начального состояния базы знаний;

10) алгоритма использования сформированных систем правил для диагностики состояния сложного объекта в режимах постановки и уточнения диагноза.

Теоретическая значимость диссертационной работы заключается в разработке методологии нового подхода и математического обеспечения в виде эффективных методик, алгоритмов и вычислительных методов автоматизированного формирования нечетких правил в интеллектуальных системах диагностики состояния сложных объектов.

Практическая ценность работы заключается в разработке технологии и программного комплекса, реализующего предложенные методы и алгоритмы автоматизированного формирования нечетко-продукционных правил для интеллектуальных систем диагностики состояния сложных объектов.

По проблеме диссертационного исследования опубликованы 63 работы, в том числе 1 монография, 16 статей в российских рецензируемых научных журналах, 4 статьи в других российских научных журналах, 37 публикаций в материалах научных семинаров и конференций, 1 статья в зарубежном научном

журнале и 4 учебно-методических издания. Получено 1 свидетельство о регистрации программы для ЭВМ.

С целью апробации основные результаты диссертационной работы докладывались и обсуждались на следующих конференциях:

• седьмой международной конференции «Распознавание образов и анализ изображений: новые информационные технологии» (Санкт-Петербург, 2004);

• международной молодежной научной конференции «XII Туполевские чтения» (Казань, 2004);

• международной научно-методической конференции «Инновационное образование в техническом университете» (Казань, 2004);

• второй ежегодной международной научно-практической конференции «Инфокоммуникационные технологии глобального информационного общества» (Казань, 2004);

• международной молодежной научной конференции «Туполевские чтения», посвященной 1000-летию города Казани (Казань, 2005);

• третьей ежегодной международной научно-практической конференции «Инфокоммуникационные технологии глобального информационного общества» (Казань, 2005);

• четвертой ежегодной международной научно-практической конференции «Инфокоммуникационные технологии глобального информационного общества» (Казань, 2006);

• первой межвузовской научно-практической конференции «Современная торговля: теория, методология, практика» (Казань, 2007);

• пятой ежегодной международной научно-практической конференции «Инфокоммуникационные технологии глобального информационного общества» (Казань, 2007);

• шестой ежегодной международной научно-практической конференции «Инфокоммуникационные технологии глобального информационного общества» (Казань, 2008);

второй всероссийской научной конференции с международным участием «Нечеткие системы и мягкие вычисления» (Ульяновск, 2008); одиннадцатой национальной конференции по искусственному интеллекту с международным участием «КИИ-2008» (Дубна, 2008); республиканской научно-практической конференции «Проблемы анализа и моделирования региональных социально-экономических процессов» (Казань, 2009);

двенадцатой международной конференции по мягким вычислениям и измерениям (Санкт-Петербург, 2009);

международной научно-практической конференции «Проблемы социально-экономического развития города и села в условиях мирового экономического кризиса» (Казань, 2009);

седьмой международной научно-практической конференции «Инфоком-муникационные технологии глобального информационного общества»

I

(Казань, 2009);

второй всероссийской научной конференции «Информационные технологии в системе социально-экономической безопасности России и ее регионов» (Казань, 2009);

двенадцатой международной конференции «Проблемы управления и моделирования в сложных системах» (Самара, 2010);

второй международной научно-практической конференции «Современные проблемы безопасности жизнедеятельности: теория и практика» (Казань, 2012);

всероссийской научно-технической конференции, посвященной 40-летию основания Института технической кибернетики и информатики КНИТУ-КАИ «Проблемы и перспективы развития информационных технологий» (Казань, 2012);

третьей всероссийской научно-практической конференции «Проблемы анализа и моделирования региональных социально-экономических процессов» (Казань, 2012);

шестнадцатой международной конференции по мягким вычислениям и измерениям (Санкт-Петербург, 2013);

четырнадцатой международной научно-технической конференции «Кибернетика и высокие технологии XXI века» (Воронеж, 2013); четвертой международной научно-практической конференции «Проблемы анализа и моделирования региональных социально-экономических процессов» (Казань, 2013);

международной научно-практической конференции «Закономерности и тенденции развития науки в современном обществе» (Уфа, 2013); семнадцатой международной конференции по мягким вычислениям и измерениям (Санкт-Петербург, 2014).

Реализация результатов работы. Результаты исследования: внедрены в промышленную эксплуатацию в виде модуля автоматизированного формирования нечетких правил интеллектуальной системы диагностики порывов на водоводах в процессах поддержания пластового давления;

использованы при разработке экспертной системы предварительного выявления писем несанкционированной массовой рассылки для формирования базы знаний фильтрации электронных почтовых сообщений; использованы для формировании базы знаний диагностики клинических проявлений поясничного остеохондроза при разработке экспертной системы диагностики, прогнозирования и лечения остеохондроза поясничного отдела позвоночника;

внедрены в учебный процесс федерального государственного бюджетного образовательного учреждения высшего профессионального образования «Казанский национальный исследовательский технический университет им. А.Н. Туполева-КАИ» и используются при изучении дисциплин «Технологии интеллектуального анализа данных», «Системы искусственного интеллекта», «Базы знаний интеллектуальных систем», «Модели приобретения и представления знаний».

Пути дальнейшей реализации. С целью развития методологии автоматизированного формирования нечетких правил принятия решений целесообразно совершенствование разработанного математического и программного обеспечения, расширение классов решаемых задач, а также разработка, внедрение и практическое использование интеллектуальных систем в других предметных областях человеческой деятельности.

На защиту выносятся следующие результаты:

1) методика группировки параметров объекта для получения совокупности групп параметров «входы - выход» и определения структуры их взаимосвязей;

2) вид нечетко-продукционного правила для формализации четких и нечетких разнотипных зависимостей в анализируемых данных;

3) методика построения совокупности систем правил, определяемых группами параметров «входы - выход», структурой их взаимосвязей и значениями (градациями) входных и целевого параметров, для построения параметрической нечетко-продукционной модели определения состояния сложного объекта;

4) алгоритмы логического вывода на системах нечетко-продукционных правил для определения состояния сложного объекта в условиях разнотипности, нечеткости и отсутствия части входных данных;

5) параметрическая нечетко-продукционная модель определения состояния сложного объекта в виде совокупности систем нечетко-продукционных правил и алгоритмов логического вывода на правилах;

6) методы инициализации и настройки значений параметров модели: параметров функций принадлежности, весов условий и достоверности правил;

7) нейронечеткая модель определения состояния сложного объекта: структура и алгоритм обучения нечетких нейронных сетей;

8) метод редукции вырожденных и незначимых для определения состояния сложного объекта нечетко-продукционных правил;

9) алгоритм использования сформированных систем правил для диагностики состояния сложного объекта в режимах постановки и уточнения диагноза;

10) технология и программный комплекс автоматизированного формирования нечетких правил для диагностики состояния сложных объектов.

Структура и объем диссертации. Диссертация изложена на 257 страницах машинописного текста, содержит 78 рисунков, 25 таблиц, состоит из введения, пяти глав, заключения, списка использованной литературы из 253 наименований на 26 страницах и 5 приложений на 39 страницах.

Сведения о личном вкладе автора. Постановка научно-технической проблемы, содержание диссертации и все представленные в ней результаты получены лично автором. Подготовка к публикации некоторых результатов проводилась совместно с соавторами, причем вклад диссертанта был определяющим.

Во введении анализируются особенности сложных объектов, рассматриваются вопросы их моделирования. Указывается, что для построения моделей сложных объектов целесообразно использовать методы искусственного интеллекта, основанные на нечеткой логике и технологиях интеллектуального анализа данных. Анализируются проблемы разработки нечетких экспертных систем и формирования нечетких баз знаний как традиционными методами инженерии знаний (с участием эксперта), так и «мягкими» методами анализа данных (без участия эксперта). Для разрешения выявленных проблем и повышения точности принятия решений в интеллектуальных системах диагностики состояния сложных объектов актуализируется необходимость разработки методологии нового подхода, включающего теоретические положения, модели, методы, критерии и алгоритмы, а также программный комплекс автоматизированного (с участием эксперта) формирования нечетких правил, адекватно описывающих закономерности в анализируемых данных.

В первой главе рассматриваются общие вопросы и проблемы формирования баз знаний экспертных систем. Анализируются способы получения знаний, а также технология их извлечения из баз данных. Приводится классификация

типов и видов данных, используемых в задачах диагностики состояния сложных объектов. Показывается, что в условиях наличия больших массивов неполных, нечетких, разнотипных данных для повышения эффективности формирования нечетких правил целесообразно привлечение эксперта на начальных этапах интеллектуального анализа данных. Проводится анализ и обосновывается выбор нечетко-продукционной модели представления знаний. Ставится задача автоматизированного формирования нечетких правил в интеллектуальных системах диагностики состояния сложных объектов.

Во второй главе ставится задача и производится разработка методики группировки параметров сложного объекта. Описываются особенности формируемых групп параметров. Предлагается вид нечетко-продукционных правил, удовлетворяющий требованиям диагностики состояния сложных объектов с учетом особенностей обрабатываемых данных. Ставится задача и разрабатывается методика построения совокупности систем нечетко-продукционных правил выбранного вида. Для определения состояния сложного объекта предлагаются алгоритмы логического вывода на системах правил. Анализируются достоинства алгоритмов.

В третьей главе решаются задачи идентификации значений параметров нечетко-продукционной модели определения состояния сложного объекта. Предлагаются вычислительные методы инициализации и настройки значений параметров функций принадлежности, весов условий и достоверности каждого правила. Настройка значений данных параметров производится в процессе построения нейронечетких моделей определения состояния сложного объекта путем разработки нечетких нейронных сетей (ННС) и их обучения на исходных данных. Производится оценка временной сложности алгоритма обучения ННС и ее аппроксимирующей способности.

В четвертой главе анализируются особенности начального состояния базы правил, сформированной в результате идентификации значений параметров модели определения состояния сложного объекта, ставится задача оценки и устранения ее избыточности. Для решения данной задачи предлагается числен-

ный метод редукции вырожденных и незначимых для определения состояния сложного объекта правил. Описывается разработанная технология автоматизированного формирования систем нечетко-продукционных правил. Предлагается алгоритм использования сформированных правил для определения состояния сложного объекта в режимах постановки и уточнения диагноза.

В пятой главе описывается состав математического обеспечения и его соответствие решаемым задачам, приводится описание разработанного программного комплекса. Производится оценка классифицирующей способности формируемых баз знаний при анализе комплектных и некомплектных наборов данных. Сравниваются полученные результаты классификации с известными результатами других авторов. На примере формирования систем нечетких правил для решения задач диагностики в медицине, нефтяной отрасли и информационной безопасности показывается эффективность разработанного математического и программного обеспечения. Производится сравнительный анализ разработанного программного комплекса с другими инструментальными средствами формирования нечетких правил и построения систем нечеткого логического вывода.

Список литературы диссертационного исследования кандидат наук Катасёв, Алексей Сергеевич, 2014 год

СПИСОК ЛИТЕРАТУРЫ

1. Абрахин С.И., Беликова О.С. Аппроксимация функций с применением интеллектуальных технологий идентификации // Труды XVI Всероссийской научно-методической конференции «Телематика'2009», 22-25 июня 2009 г., Санкт-Петербург, т.2. - С. 387-389.

2. Аверкин А.Н., Батыршин И.З., Блишун А.Ф., Силов В.Б., Тарасов В.Б. Нечеткие множества в моделях управления и искусственного интеллекта / Под ред. Д.А. Поспелова. - М.: Наука. Гл. ред. физ.-мат. лит., 1986. -312 с.

3. Аверкин А.Н., Гаазе-Рапопорт М.Г., Поспелов Д.А. Толковый словарь по искусственному интеллекту. - М.: Радио и связь, 1992. - 256 с.

4. Аверкин А.Н., Прокопчина C.B. Мягкие вычисления и измерения // Интеллектуальные системы. - 1997. - № 2. - С. 93-114.

5. Алексеев A.A., Кораблев Ю.А., Шестопалов М.Ю. Идентификация и диагностика систем. - М: Издательский центр «Академия», 2009. - 351 с.

6. Алиев P.A., Абдикеев Н.М., Шахназаров М.М. Производственные системы с искусственным интеллектом. - М.: Радио и связь, 1990. - 264 с.

7. Алтунин А.Е., Семухин М.В. Модели и алгоритмы принятия решений в нечетких условиях. - Тюмень: Изд-во ТГУ, 2000. - 352 с.

8. Андрейчиков A.B., Андрейчикова О.Н., Хорычев A.A. Экспертная система для прогнозирования стратегических инноваций // Качество. Инновации. Образование. - 2011. - № 12. - С. 26-36.

9. Аникин И.В. Модели нечетких нейронных сетей // Эволюционное моделирование / Под ред. В.А. Райхлина. Труды Казанского городского семинара «Методы моделирования». Вып. 2. Казань: Изд-во «Наука», 2004.-С. 111-136.

10. Аникин И.В., Гильмуллин Т.М. Моделирование объектов информационной безопасности для задачи оценки рисков // Научно-технические ведомости СПбГТУ. Информатика. Телекоммуникации. Управление. -2009.-№ 5.-С. 151-155.

11. Асаи К., Ватада Д., Иваи С. и др. / Под ред. Т. Тэрано, К. Асаи, М. Суге-но. Прикладные нечеткие системы. - М.: Мир, 1993. - 368 с.

12. Бажанов Ю.С., Бухнин A.B. Оптимизация баз знаний экспертных систем с применением нейронных нечетких сетей // Нейрокомпьютеры: разработка, применение. - 2007. -№11.- С.28-34.

13. Барри Б. Программирование на Java для чайников, 3-е издание. -М.: «Диалектика», 2013. - 384 с.

14. Барсегян A.A., Куприянов М.С., Степаненко В.В., Холод И.И. Методы и модели анализа данных: OLAP и Data Mining. - СПб.: БХВ-Петербург, 2004. - 336 е.: ил.

15. Барсегян A.A., Куприянов М.С., Степаненко В.В., Холод И.И. Технологии анализа данных: Data Mining, Visual Mining, Text Mining, OLAP. - 2e изд., перераб. и доп. СПб.: БХВ-Петербург, 2007. - 384 е.: ил.

16. Барсегян A.A., Куприянов М.С., Холод И.И., Тесс М.Д. Анализ данных и процессов: учебное пособие. - 3-е изд., перераб. и доп. СПб.: БХВ-Петербург, 2009. - 512 е.: ил.

17. Барышев М.В., Гатчин И.Ю., Гатчин Ю.А. Модели представления знаний экспертных систем // Научно-технический вестник Санкт-Петербургского государственного университета информационных технологий, механики и оптики. - 2006. - № 29. - С. 14-18.

18. Батыршин И.З. Лексикографические оценки правдоподобности с универсальными границами. I. // Техническая кибернетика. Известия академических наук. - 1994. - № 5. - С. 28-45.

19. Батыршин И.З. Методы представления и обработки нечеткой информации в интеллектуальных системах // Новости искусственного интеллекта. - 1996. -№ 2. -С. 9-65.

20. Батыршин И.З. Основные операции нечеткой логики и их обобщения. -Казань: Отечество, 2001. - 100 е., ил.

21. Батыршин И.З., Недосекин А.О., Стецко A.A., Тарасов В.Б., Язенин A.B., Ярушкина Н.Г. Нечеткие гибридные системы. Теория и практика / Под ред. Ярушкиной Н.Г. - М.: ФИЗМАТЛИТ, 2007. - 208 с.

22. Башлыков A.A., Еремеев А.П. Экспертная диагностическая система как компонент интеллектуальной системы поддержки принятия решений реального времени // Новости искусственного интеллекта. - 2002. - № 3. -С. 35-40.

23. Башлыков A.A., Еремеев А.П. Экспертные системы поддержки принятия решений в энергетике / Под. ред. А.Ф. Дьякова. - М.: Изд-во МЭИ, 1994, 216 с.

24. Берштейн Л.С., Мелехин В.Б.. Планирование поведения интеллектуального робота. - М: Энергоатомиздат, 1994. - 240 с.

25. Борисов А.Н., Алексеев A.B., Крумберг O.A. Модели принятия решений на основе лингвистической переменной. - Рига: Зинатне, 1982. - 256 с.

26. Борисов А.Н., Крумберг O.A., Федоров И.П. Принятие решений на основе нечетких моделей: примеры использования. - Рига: Зинатне, 1990. -184 с.

27. Борисов В.В., Бычков И.А., Дементьев A.B., Соловьев А.П., Федулов A.C. Компьютерная поддержка сложных организационно-технических систем. - М.: Горячая линия - Телеком, 2002. - 154 с.

28. Боровиков В. STATISTICA. Искусство анализа данных на компьютере: Для профессионалов. 2-е изд. - СПб.: Питер, 2003. - 686 е.: ил.

29. Бочарников В.П. Fuzzy-технология: Математические основы. Практика моделирования в экономике. - Санкт-Петербург: «Наука» РАН, 2001. -328 с.

30. Бочарников В.П., Свешников C.B. Fuzzy-технология: Основы моделирования и решения экспертно-аналитических задач. - К.: Ника-Эльга, 2003.-293 с.

31. Бурдин O.A., Кононов A.A. Комплексная экспертная система управления информационной безопасностью «АванГард» // Информационное общество. - 2002. - № 3. - С. 38-44.

32. Бухтояров В.В. Трехступенчатый эволюционный метод формирования коллективов нейронных сетей для решения задач классификации // Программные продукты и системы. - 2012. - № 4. - С. 101-106.

33. Вагин В.Н. Дедукция и обобщение в системах принятия решений. - М.: Наука, 1988.-384 с.

34. ВапникВ.Н., Червоненкис А.Я. Теория распознавания образов. - М.: Наука, 1974.-416 с.

35. Васильев В.И., Хисамутдинов Т.З., Матвеев П.В., Красько A.C. Экспертная система поддержки принятия решений при управлении рисками в процессе аудита информационной безопасности // Информационная безопасность: матер. VII междунар. науч.-практ. конф. Таганрог: Изд-во ТРТУ, 2005. - С. 43-46.

36. Васильев В.И., Шевченко А.И. Восстановление пропущенных данных в эмпирических таблицах // Искусственный интеллект. - 2003. - № 3. - С. 317-324.

37. Васильев О.М., Ветров Д.П., Кропотов Д.А. Представление и обнаружение знаний в экспертных системах для задач распознавания образов // Журнал вычислительной математики и математической физики. - 2007. - Т. 47. - № 8. - С. 1428-1454.

38. Веселовский В.П. Практическая вертеброневрология и мануальная терапия. Рига. 1991.-344 с.

39. Воронцов К.В., Каневский Д.Ю. Коэволюционный метод обучения алгоритмических композиций // Таврический вестник информатики и математики.-№ 2.-2005. - С. 51-66.

40. Втюрин В.А. Автоматизированные системы управления технологическими процессами. Основы АСУТП: Учебное пособие для студентов

специальности 220301 «Автоматизация технологических процессов и производств». - СПб: СПбГЛТА, 2006. - 152 с.

41. Габитов Г.Х., Сафонов E.H., Стрижнев В.А. и др. Совершенствование системы поддержания пластового давления основа эффективной разработки нефтяного месторождения // Нефтяное хозяйство. - 2005. - № 7. — С. 98-99.

42. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. - СПб.: Питер, 2001. - 384 е.: ил.

43. Гаврилова Т.А., Червинская K.P. Извлечение и структурирование знаний для экспертных систем. - М.: Радио и связь, 1992. - 200 с.

44. Галкина В.А. Дискретная математика: комбинаторная оптимизация на графах. - М.: Гелиос АРВ, 2003. - 232 е., ил.

45. Галушкин А.И. Теория нейронных сетей. Кн. 1: Учеб. пособие для вузов / Общая ред. А.И. Галушкина. - М.: ИПРЖР, 2000. - 416 е.: ил. (Нейрокомпьютеры и их применение).

46. Герберт Ш. Java: руководство для начинающих. - 5-е изд. - М.: Вильяме, 2012.-624 с.

47. Гильмуллин Т.М. Экспертный программный комплекс для управления рисками информационной безопасности // Интеллектуальные системы принятия решений и проблемы вычислительного интеллекта ISDMCI'2009: Материалы международной научной конференции. Том. I. - Херсон: Изд-во ХНТУ, 2009. - С. 255-258.

48. Глова В.И., Аникин И.В., Аджели М.А. Мягкие вычисления (soft computing) и их приложения: Учебное пособие / Под ред. Гловы В.И. - Казань: Изд-во Казан, гос. техн. ун-та. - 2000. - 98 с.

49. Глова В.И., Аникин И.В., Катасёв A.C. Система предупреждения аварий оборудования в процессах поддержания пластового давления // Вестник Казанского государственного технического университета им. А.Н. Туполева. - 2006. - № 2. - С. 46-49.

50. Глова В.И., Аникин И.В., Катасёв A.C., Кривилёв М.А., Насыров Р.И. Мягкие вычисления: учебное пособие. Казань: Изд-во Каз. гос. технич. университета им. А.Н. Туполева, 2010. - 206 с.

51. Глова В.И., Аникин И.В., Катасёв A.C., Подольская М.А. Нейронечеткая модель формирования баз знаний экспертных систем: эффективность для диагностики заболеваний. Моделирование процессов / Под. ред. В.А. Райхлина. Труды Казанского научного семинара «Методы моделирования». Вып. 3. - Казань: Изд-во КГТУ, 2007. - С. 153-173.

52. Глова В.И., Аникин И.В., Катасёв A.C., Подольская М.А. Формирование базы знаний медицинской диагностической экспертной системы на основе нечеткой нейронной сети // Исследования по информатике. Вып. 12. / Казань: Отечество, 2007. С. 31 - 46.

53. Глова В.И., Аникин И.В., Шагиахметов М.Р. Методы многокритериального принятия решений в условиях неопределенности в задачах нефтедобычи. Казань: Изд-во Казан, гос. техн. ун-та, 2004. - 31 с.

54. Глова В.И., Аникин И.В., Шагиахметов М.Р. Система нечеткого моделирования для решения задач повышения нефтедобычи // Вестник КГТУ им. А.Н. Туполева. - 2001. -№ 3. - С. 59-61.

55. Глова В.И., Катасёв A.C., Корнилов Г.С. Кластеризация значений входных параметров нечеткой нейронной сети // Вестник Казанского государственного технического университета им. А.Н. Туполева, № 1, 2009. -С. 74-77.

56. Глова В.И., Катасёв A.C., Корнилов Г.С. Преднастройка и оптимизация параметров нечеткой нейронной сети при формировании баз знаний экспертных систем // Информационные технологии. - 2010. - № 5. - С. 15-19.

57. Головко В.А. Нейронные сети: обучение, организация и применение. Кн. 4: Учебное пособие для вузов / Общая ред. А.И. Галушкина. М.: ИПРЖР, 2001. - 256 е.: ил.

58. Горбань А.Н. Обобщенная аппроксимационная теорема и вычислительные возможности нейронных сетей // Сибирский журнал вычислительной математики. - Т.1. - 1998. - № 1. - С. 12-24.

59. Горбатиков В.А., Пальянов А.П. Технология дискретных закачек в системах 1111Д, контроль и управление системой // Известия вузов: Нефть и газ. Тюмень: ТюмГНГУ. - 2001. - № 1. - С. 33-40.

60. Горев С.М. Автоматизация производственных процессов нефтяной и газовой промышленности. Курс лекций. Ч. 1. - Петропавловск-Камчатский: КамчатГТУ, 2003. - 121 с.

61. Городецкий А.Е., Курбанов В.Г., Тарасова И.Л. Экспертная система анализа и прогнозирования аварийных ситуаций в энергетических установках // Информационно-управляющие системы. - 2012. - № 4. - С. 59-63.

62. Городецкий В.И., Самойлов В.В., Малов А.О. Современное состояние технологии извлечения знаний из баз и хранилищ данных (часть 1) // Новости искусственного интеллекта. - 2002. - № 3. - С. 3-12.

63. Городецкий В.И., Самойлов В.В., Малов А.О. Современное состояние технологии извлечения знаний из баз и хранилищ данных (часть 2) // Новости искусственного интеллекта. - 2002. - № 4. - С. 3-9.

64. Городецкий С.Ю., Гришагин В.А. Нелинейное программирование и многоэкстремальная оптимизация.- Нижний Новгород: Издательство Нижегородского Университета, 2007. - С. 357-363.

65. Гохман О.Г. Экспертное оценивание: Учебное пособие. - Воронеж: Изд-во ВГУ, 1991.-152 с.

66. Гумеров А.Г., Бажайкин С.Г., Багманов A.A. и др. Методика по организации эксплуатации оборудования насосных станций систем сбора, подготовки нефти и систем поддержания пластового давления на предприятиях ОАО «Татнефть», 2005. - 202 с.

67. Гуров В.В. Спам-фильтры для предприятий // Сети и системы связи. -2007.-№6.-С. 80-89.

68. Демикова Н.С., Кобринский Б.А., Асанов А.Ю., Воинов A.B. Использование технологии интеллектуального анализа клинических данных в диагностике наследственных болезней // Клинико-лабораторный консилиум. -2011.-№ 2.-С. 18-22.

69. Джошуа Б. Java. Эффективное программирование. - М.: Лори, 2002. -224 с.

70. Дубинин A.A. Анализ моделей и методов медицинской диагностики // Информатика: проблемы, методология, технологии: материалы IX меж-дунар. науч.-метод. конф. Воронеж: ВГТУ, 2009. - Т. 1. - С. 253-256.

71. Дубинин A.A., Леденева Т.М. Особенности информации для медицинских диагностических систем // Новые технологии в научных исследованиях, проектировании, управлении, производстве: труды Всерос. конф. Воронеж: ВГТУ, 2009. - С. 182-183.

72. Дьяконов В.П. MATLAB 6/6.1/6.5 + SIMULINK 4/5 в математике и моделировании. - М.: СОЛОН-Пресс, 2003 - 565 с.

73. Дюбуа Д., Прад А. К анализу и синтезу нечетких отображений // Нечеткие множества и теория возможностей. Последние достижения / Пер. с англ. / Под ред. P.P. Ягера. М.: Радио и связь, 1986. - С. 229-240.

74. Дюк В., Самойленко A. Data Mining: учебный курс. СПб.: Питер, 2001. -386 е.: ил.

75. Дюк В.А., Флегонтов A.B., Фомина И.К. Применение технологий интеллектуального анализа данных в естественнонаучных, технических и гуманитарных областях // Известия российского государственного педагогического университета им. А.И. Герцена. - 2011. - № 138. - С. 77-84.

76. Дюк В.А., Эмануэль В.Л. Информационные технологии в медико-биологических исследованиях. - СПб.: Питер, 2003. - 528 с.

77. Елисеева И.И., Юзбашев М.М. Общая теория статистики: Учебник / Под ред. И.И. Елисеевой. — 5-е изд., перераб. и доп. — М.: Финансы и статистика, 2004. - 656 е.: ил.

78. Емалетдинов А.К., Байков И.В. К проблеме проектирования автоматизированного управления и моделирования подсистемы поддержания пластового давления АСУТП нефтедобычи // Вестник Оренбургского государственного университета. - 2004. - № 12. - С. 160-163.

79. Емалетдинова Л.Ю., Катасёв A.C., Кирпичников А.П. Нейронечеткая модель аппроксимации сложных объектов с дискретным выходом // Вестник Казанского технологического университета. - 2014. - Т. 17. — №5.-С. 295-299.

80. Емалетдинова Л.Ю., Катасёв A.C. Нечетко-продукционная каскадная модель диагностики состояния сложного объекта // Программные системы и вычислительные методы, № 1, 2013. - С. 69-81.

81. Емалетдинова Л.Ю., Стрункин Д.Ю. Моделирование диагностической деятельности врача на основе нечеткой нейронной сети // Искусственный интеллект и принятие решений. - 2010. - № 3. - С. 158-162.

82. Емельяненко А.Р., Лапшин Д.Д., Квашнина Г.А. Использование аппарата экспертных систем в процессе поддержки принятия решений // Вестник Воронежского государственного технического университета. - 2009. -Т. 5.-№5.-С. 244-249.

83. Емельянов В.В., Курейчик В.В., Курейчик В.М. Теория и практика эволюционного моделирования. - М.: ФИЗМАТЛИТ, 2003. - 432 с.

84. Ермолаев О.Ю. Математическая статистика для психологов: Учебник. -2-е изд., испр. - М.: Московский психолого-социальный институт: Флинта, 2003.-336 с.

85. Жанатауов С.У. Методы прогностических переменных // Машинные методы обнаружения закономерностей. Новосибирск, 1981. Вып. 88: Вычислительные системы. С. 151-155.

86. Жариков О.Г., Литвин A.A., Ковалев В.А. Экспертные системы в медицине // Медицинские новости. - 2008. - № 10. - С. 15-18.

87. Загоруйко Н.Г. Прикладные методы анализа данных и знаний. - Новосибирск: Изд-во Ин-та математики, 1999. - 270 с.

88. Загоруйко Н.Г., Ульянов Г.В. Локальные методы заполнения пробелов в эмпирических таблицах // Экспертные системы и распознавание образов. Новосибирск, 1988. Вып. 126: Вычислительные системы. С. 75-121.

89. Заде Л.А. Основы нового подхода к анализу сложных систем и процессов принятия решений // Математика сегодня. - М.: Знание, 1974. — С. 549.

90. Заде Л.А. Понятие лингвистической переменной и его применение к принятию приближенных решений. М.: Мир, 1976. - 168 с.

91. Зак Ю.А. Принятие решений в условиях нечетких и размытых данных: Fuzzy-технологии. - М.: Либроком, 2013. - 352 с.

92. Зиновьев И.П., Аникин И.В. Усовершенствование системы нечеткого вывода Такаги-Сугено // Вестник Казанского государственного технического университета им. А.Н. Туполева. — 2009. - № 3. - С. 84-88.

93. Злоба Е., Яцкив И. Статистические методы восстановления пропущенных данных // Computer Modelling & New Technologies. - 2002. - Vol. 6. -№1.-P. 51-61.

94. Змитрович А.И. Интеллектуальные информационные системы. Минск: «ТетраСистемс», 1997. - 368 с.

95. Катасёв A.C. Аппроксимация объектов с дискретным выходом на основе нечетко-продукционных баз знаний // Вестник Казанского государственного технического университета им. А.Н. Туполева, №4, 2013. — С. 212-217.

96. Катасёв A.C. Математическое и программное обеспечение формирования баз знаний мягких экспертных систем диагностики состояния сложных объектов: монография. - Казань: ГБУ «Республиканский центр мониторинга качества образования», 2013. — 200 е., ил.

97. Катасёв A.C. Математическое обеспечение для формирования баз знаний мягких экспертных диагностических систем // Информационные, измерительные и управляющие системы: Научно-техн. сб. Самарского отделения Поволжского центра Метрологической академии России /

Под ред. проф. В.Н. Нестерова. - Самара: Изд-во Самарского научного центра РАН, 2013. Вып. 5. - С. 8-21.

98. Катасёв A.C. Математическое обеспечение и программный комплекс формирования нечетко-продукционных баз знаний для экспертных диагностических систем // Фундаментальные исследования, № 10 (часть 9), 2013.-С. 1922-1927.

99. Катасёв A.C. Формирование базы знаний для фильтрации электронных почтовых сообщений // Моделирование систем / Под. ред. В.А. Райхли-на. Труды Республ. научного семинара «Методы моделирования». Вып. 5. - Казань: Изд-во «Фэн» («Наука»), 2013. - С. 85-99.

ЮО.Катасёв A.C. Формирование базы знаний системы фильтрации электронных почтовых сообщений // Научно-технический вестник Поволжья, № 2013. - С. 191-194.

101.Катасёв A.C., Абдулхаков А.Р. Редукция нечетких правил в задаче оптимизации баз знаний экспертных систем // Вестник Казанского государственного технического университета им. А.Н. Туполева, № 3, 2012. -С. 110-115.

102.Катасёв A.C., Ахатова Ч.Ф. Алгоритм обучения нечеткой нейронной сети для определения параметров нечетко-продукционнои модели диагностики состояния сложных объектов // Закономерности и тенденции развития науки в современном обществе: сборник статей Международной научно-практической конференции. 29-30 марта 2013 г.: 4.1 / отв. ред. Л.Х. Курбанаева. - Уфа: РИЦ БашГУ, 2013. - С. 141-147.

103 .Катасёв A.C., Ахатова Ч.Ф. Гибридная нейронечеткая модель интеллектуального анализа данных для формирования'баз знаний мягких экспертных диагностических систем // Электронное научно-техническое издание «Наука и образование» (МГТУ им. Баумана). Инженерное образование, № 12, декабрь, 2012.

104.Катасёв A.C., Ахатова Ч.Ф. Нейронечеткая система обнаружения продукционных зависимостей в базах данных // Программные продукты и системы, № 3, 2011. - С. 26-32.

105.Катасёв A.C., Газимова Д.Р. Инвариантная нечетко-продукционная модель представления знаний в экспертных системах // Вестник Казанского государственного технического университета им. А.Н. Туполева, № 1, 2011.-С. 142-148.

Юб.Катасёв A.C., Газимова Д.Р. Модель представления знаний в партнерских экспертных системах // Научно-технические ведомости СПбГПУ, №5, 2010.-С. 135-139.

107.Катасёв A.C., Кривилёв М.А., Подольская М.А. Нейронечеткая модель формирования базы знаний для диагностики заболеваний // Вестник Казанского государственного технического университета им. А.Н. Туполева.-№ 4. - 2007. - С. 61-64.

108.Катасёв A.C., Левадный Т.Р. Свидетельство о государственной регистрации программы для ЭВМ №2013661597. Программа для автоматизированного формирования баз знаний мягких экспертных диагностических систем. - М.: Роспатент, 2013.

109.Катасёв A.C., Подольская М.А. Новая информационная технология: искусственный интеллект в обработке медицинских данных // Неврологический вестник. - том XXXVIII. - вып. 3-4. - 2006. - С. 85-90.

ПО.Катасёв A.C., Подольская М.А. Применение систем искусственного интеллекта для диагностического процесса в вертеброневрологии // Казанский медицинский журнал. - том 88. - № 4. - 2007. - С. 346-351.

Ш.Катасёв A.C., Подольская М.А. Формирование базы знаний экспертной системы диагностики клинических проявлений поясничного остеохондроза // В мире научных открытий, № 2.1(50), 2014. - С. 492-504.

112.Карпузова В.И., Скрипченко Э.Н., Стратонович Ю.Р., Чернышева К.В. Информационные технологии в экономике. Системы поддержки принятия решений на базе АП Deductor Studio Academic 5.1: учебное пособие

для студентов экономического факультета. - Москва: Изд-во ФГОУ ВПО РГАУ-МСХА, 2010. - 80 е.: ил.

113.Кацко И.А., Паклин Н.Б. Практикум по анализу данных на компьютере: Учеб. пособие для вузов. - М.: Изд-во «КолосС», 2009. - 278 с.

1 Н.Кирпичников А.П., Осипова A.JL, Ризаев И.С. Повышение аналитических возможностей баз данных // Вестник Казан, технол. ун-та. - 2012. -№ 3. - С. 157-160.

115.Кобринский Б.А. Искусственный интеллект и медицина: возможности и перспективы систем, основанных на знаниях // Новости искусственного интеллекта. - 2001. - № 4. - С. 44-51.

Пб.Козлова Т.Д., Игнатьев A.A., Самойлова Е.М. Реализация экспертной системы поддержки принятия решений для определения неисправностей технологической системы // Вестник Саратовского государственного технического университета. - 2011. - Т. 2. - № 2. - С. 219-224.

117.Колесникова С.И. Методы анализа информативности разнотипных признаков // Вестник Томского государственного университета. Управление, вычислительная техника и информатика. - 2009. - № 1(6). - С. 6980.

118.Корнеев В.В., Гареев А.Ф., Васютин C.B., Райх C.B. Базы данных. Интеллектуальная обработка информации. М.: Издатель Молгачева C.B., Издательство Нолидж, 2001. - 496 е., ил.

119.Коробулина О.Ю., Иванова Н.В. Экспертная система аудита информационной безопасности // Программные продукты и системы. - 2010. -№4.-С. 91-93.

120.Котов Ю.Б. Новые математические подходы к задачам медицинской диагностики. М: УРСС, 2004. - 328 с.

121.Кругл ob B.B. Адаптивные системы нечеткого вывода // Нейрокомпьютеры: разработка и применение. - 2003. - № 5. - С. 15-19.

122.Круглов B.B. Сравнение алгоритмов Мамдани и Сугено в задаче аппроксимации функции // Нейрокомпьютеры: разработка, применение. - 2003. -№ 5. - С. 70-82.

123.Круглов В.В., Абраменкова И.В. Методы восстановления пропусков в массивах данных // Программные продукты и системы. - 2005. - № 2. -С. 4-14.

124.Круглов В.В., Борисов В.В. Гибридные нейронные сети. - Смоленск: Русич, 2001.-224 с.

125.Круглов В.В., Дли М.И. Интеллектуальные информационные системы: компьютерная поддержка систем нечеткой логики и нечеткого вывода. -М.: Физматлит, 2002. - 256 с.

126.Круглов В.В., Дли М.И., Годунов Р.Ю. Нечеткая логика и искусственные нейронные сети. - М.: Физматлит, 2001. - 224 с.

127.Кудинов Ю.И., Келина А.Ю., Кузнецов Ю.В. Нечеткие регуляторы Мамдани // Вести высших учебных заведений Черноземья. - 2011. - № 4.-С. 35-41.

128.Левин М. Антиспам без секретов: Практические рекомендации по борьбе с нелегальной рассылкой по электронной почте - М.: Бук-пресс, 2006. -320 с.

129.Леоненков A.B. Нечеткое моделирование в среде MATLAB и FuzzyTech.

- СПб.: БХВ-Петербург, 2005. - 736 с.

130.Лила В.Б., Костюков A.B. Экспертная система диагностики силовых трансформаторов // Инженерный вестник Дона. - 2013. - № 1. - С. 22.

131.Литтл Р.Дж.А., Рубин Д.Б. Статистический анализ данных с пропусками.

- М.: Финансы и статистика, 1991. - 430 с.

132.Луценко Е.В. Методика использования репозитория UCI для оценки качества математических моделей систем искусственного интеллекта, Научный журнал КубГАУ [Электронный ресурс]. - Краснодар: КубГАУ, 2003. - № 02(2). - Режим доступа: http://ej.kubagro.ru/2003/02/12/pl2.asp.

133.Макконелл Дж. Основы современных алгоритмов. 2-ое дополнен, изд. -М.: Техносфера, 2004. - 368 с.

134.Максимова А.Ю., Варламов О.О. Миварная экспертная система для распознавания образов на основе нечеткой классификации и моделирования различных предметных областей с автоматизированным расширением контекста // Известия Южного федерального университета. Технические науки.-2011.-Т. 125.-№ 12.-С. 77-87.

135.Малышев Н.Г., Берштейн Л.С., Боженюк A.B. Нечеткие модели для экспертных систем в САПР. - М.: Энергоиздат, 1991. - 136 с.

136.Маренко В.А. Способы представления данных в экспертных системах // Математические структуры и моделирование. - 2001. - № 8. - С. 34-39.

137.Маринин С.А. Борьба со спамом и вирусами. - Санкт-Петербург: НТ Пресс, 2007 г. - 48 с.

138.Минский М. Фреймы для представления знаний: Пер с англ. / Под ред. Ф.М. Кулакова. - М.: Энергия, 1979. - 342 с.

139.Митюшкин Ю.И., Мокин Б.И., Ротштейн А.П. SoftComputing: идентификация закономерностей нечеткими базами знаний. УН1ВЕРСУМ-Вшниця, 2002. - 145 с.

НО.Монахов В. Язык программирования Java и среда NetBeans. - 3-е изд. -СПб.: БХВ-Петербург, 2011. - 704 с.

141.Орлов А.И. Экспертные оценки: Учебное пособие. - М.: ИВСТЭ, 2002. -31 с.

142.Паклин Н.Б. Адаптивные модели нечеткого вывода для идентификации нелинейных зависимостей в сложных системах: Дисс. на соиск. уч. степ, к-та техн. наук. - Ижевск, 2004. - 162 с.

143.Паклин Н.Б., Орешков В.И. Бизнес-аналитика: от данных к знаниям: учебное пособие. - 2-е изд., испр. - СПб.: Питер, 2013. - 704 е.: ил.

144.Подольская М.А. Мышечная преднастройка при поясничном остеохондрозе. Автореферат дис. ... канд. мед. наук. - Казань, 1983. - 16 с.

145.По дольская М.А. Подвижность вероятностного прогнозирования в области моторики больных с неврологическими проявлениями поясничного остеохондроза. Материалы III съезда невропатологов и психиатров Белоруссии. - Минск, 1986. - С. 93-95.

146.Подольская М.А., Катасёв A.C. Стандартизация этапов сбора и анализа информации при поясничном остеохондрозе позвоночника на основе нечетких нейронных сетей. Инфокоммуникационные технологии глобального информационного общества: тез. докл. 4-й ежегодной между-нар. научн.-практ. конф., Казань, 2006. - С. 89-92.

147.Подольская М.А., Катасёв A.C., Кривилёв М.А. Математические методы и модели искусственного интеллекта в разработке систем медицинской диагностики и реабилитации // Лечебная физкультура и спортивная медицина в современной системе охраны здоровья и трудоспособности населения. Сборник статей конференции. Казань, 2008. - С. 136-146.

148.Подольская М.А., Нуриев З.Ш. Компьютерно-томографическое исследование паравертебральных мышц на поясничном уровне при дистрофических вертеброгенных заболеваниях // Медицинская визуализация. -2004.-№4.-С. 127-136.

149.По дольская М.А., Нуриев З.Ш. Универсальная методика исследования собственных мышц позвоночника и паравертебральных мышц на поясничном уровне при дистрофических вертеброгенных заболеваниях методом рентгеновской компьютерной томографии: Учебное пособие. Казань, КГМА. - 2003. - 58 с.

150.Поллак Г.А. Инструментальные средства разработки экспертных систем: Учебное пособие. — Челябинск: Изд. ЮУрГУ, 2003. - 65 с.

151.Попелянский Я.Ю. Вертебральные синдромы поясничного остеохондроза. Казань. 1974. - 284 с.

152.Попелянский Я.Ю., Подольская М.А. Вероятностное прогнозирование и мышечная преднастройка - механизмы защиты опорно-двигательного

аппарата позвоночника. Материалы V Всесоюзного съезда геронтологов. -Киев, 1988-97 с.

153.Попов Э.В. Особенности разработки и использования экспертных систем // Справочник: Искус, интел. - Кн.1: Сист. Общ. и эксп. сист. - М., 1990.-261 с.

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

155.Попова Е.В. Экспертная система диагностики вертеброгенных поясничных болей // Известия Южного федерального университета. Технические науки. - 2004. - Т. 37. - № 2. - С. 126-127.

156.Портянкин И. Swing: Эффектные пользовательские интерфейсы, 2-е издание. - Санкт-Петербург: «Лори», 2011. - 600 с.

157.Прикладные интеллектуальные системы, основанные на мягких вычислениях / под ред. Н.Г. Ярушкиной. - Ульяновск: УлГТУ, 2004. - 139 с.

158.Продеус А.Н., Захрабова E.H. Экспертные системы в медицине. Учебное пособие. - Киев: ВЕК, 1998. - 320 е.: ил.

159.Радченко С.А. Экспертная система управления технологическим процессом в реальном режиме времени // Известия Южного федерального университета. Технические науки. - 2008. - Т. 79. - № 2. - С. 191-194.

160.Реброва О.Ю. Статистический анализ медицинских данных. Применение пакета прикладных программ STATISTICA. М., МедиаСфера, 2003. -312 с.

161.Роберт С., Кевин У. Алгоритмы на Java. - 4-е изд. - М.: Вильяме, 2012. -848 с.

162.Розенблат Ф. Принципы нейродинамики: Персептрон и теория механизмов мозга: Пер. с англ. - М.: Мир, 1965. - 480 с.

163.Ротт А.Р. Моделирование технических объектов и систем: учебное пособие / Map. гос. ун-т. - Йошкар-Ола, 2009. - 148 с.

164.Ротштейн А.П. Интеллектуальные технологии идентификации: нечеткая логика, генетические алгоритмы, нейронные сети. - Винница: УНИВЕРСУМ - Винница, 1999. - 320 с.

165.Ротштейн А.П. Медицинская диагностика на нечеткой логике. - Винница: Континент-ПРИМ, 1996. - 132 с.

166.Руденко A.A. Системы поддержания пластового давления: нынешнее состояние и перспективы развития // Насосы и оборудование. - № 2(23). -2003.-С. 31-32.

167.Рутковская Д., Пилиньский М., Рутковский JI. Нейронные сети, генетические алгоритмы и нечеткие системы: Пер. с польск. И.Д. Рудинского.

- М.: Горячая линия-Телеком, 2006. - 452 е.: ил.

168.Рутковский JI. Методы и технологии искусственного интеллекта / пер. с польского И.Д. Рудинского. - М.: Горячая линия-Телеком, 2010. - 520 с.

169.Рыженкова К.В. Методы восстановления пропусков в данных при проведении статистических исследований // Интеллект. Инновации. Инвестиции. -2011.- №3.- С. 127-133.

170.Себестиан Г.С. Процессы принятия решений при распознавании образов: Пер. с англ. Киев: Техника, 1965. - 152 с.

171.Семенова М.А., Семенов В.А. Метод автоматической фильтрации при борьбе со «спамом» // Известие вузов. «Приборостроение». - 2009. Т. 52,

- № 9. - С. 32-34.

172.Сенилов М.А., Цепелев В.П. Программные средства для разработки систем нечеткой логики и эволюционных алгоритмов // Информационные технологии в инновационных проектах: Тр. IV Междунар. науч.-техн. конф. - Ч. 2. - Ижевск: Изд-во ИжГТУ, 2003. - С. 87-89.

173.Сергиенко Р.Б. Исследование сходимости многошагового метода формирования нечеткого классификатора // Теория и практика системного анализа: Труды II Всероссийской научной конференции молодых ученых с международным участием. — Т. I. - Рыбинск: РГАТУ им. П.А. Соловьева, 2012. - С. 25-36.

174.Сергиенко Р.Б. Метод формирования нечеткого классификатора самонастраивающимися коэволюционными алгоритмами // Искусственный интеллект и принятие решений. - 2010. - № 3. - С. 98-106.

175.Сидоркина И.Г. Системы искусственного интеллекта: учебное пособие. - М.: КНОРУС, 2014. - 248 с.

176.Сидоркина И.Г. Технология и инструментальные средства представления знаний: учебное пособие. - Йошкар-Ола: МарГТУ, 2008. - 232 с.

177.Сидоркина И.Г., Килеев В.В. Интеграция моделей представления знаний в системах искусственного интеллекта. В Кн . Информационные технологии в профессиональной деятельности и научной работе: сборник материалов Всероссийской научно-практической конференции - ч.2. -Йошкар-Ола: МарГТУ, 2012, стр. 184-187.

178.Снитюк В.Е. Эволюционный метод восстановления пропусков в данных // Сборник трудов VI-й Международной конференции «Интеллектуальный анализ информации». Киев, 2006. - С. 262-271.

179.Созинова E.H. Применение экспертных систем для анализа и оценки информационной безопасности // Молодой ученый. - 2011. - № 10. Т. 1. -С. 64-66.

180.Соловьев В.Д. Технологии извлечения из текстов информации о событиях в реальном времени // Нейрокомпьютеры: разработка, применение. -№1.-2013.-С. 23-30.

181.Стрекалов A.B. Математические модели гидравлических систем для управления системами поддержания пластового давления. Тюмень: ОАО Тюменский дом печати. 2007. - 664 с.

182.Стрекалов A.B. Системный анализ и моделирование гидросистем поддержания пластового давления. Тюмень: ИФ «Слово», 2002. - 324 с.

183.Стрункин Д.Ю. Выбор значимых для прогнозирования времени выживания показателей пациента // Ползуновский вестник. — 2011. — № 3/1. -С. 158-162.

184.Стрункин Д.Ю. Методика определения показателей пациента, значимо влияющих на выживаемость // Измерение, контроль, информатизация: Материалы двенадцатой международной научно-технической конференции. Барнаул: Изд-во АлтГТУ, 2011. - С. 202-206.

185.Суслов В.И., Ибрагимов Н.М., Талышева Л.П., Цыплаков A.A. Эконометрия: Учебное пособие. - Новосибирск: Издательство СО РАН, 2005. -744 с.

186.Терпунов В.А., Айрапетов С.А. Блочная кустовая насосная станция БКНС-160x400/20 для дискретной закачки воды в пласт // Нефтяное хозяйство. 2004. -№ 1. - С. 78-80.

187.Тестирование многослойного персептрона. URL: http://poligon.machne-leaming.ru/Report/View.aspx?reportId=4&page=l&from=list.

188.Таунсенд К., Фохт Д. Проектирование и программная реализация экспертных систем на персональных ЭВМ. - М.: Финансы и статистика, 1991.

189.Титов А.Н., Нуриев Н.К., Тазиева Р.Ф. Оценка параметров вероятностной модели по экспериментальным данным // Вестник Казан, технол. унта. - 2013. - № 19. - С. 324-330.

190.Ткалич С.А. Применение экспертных систем в безаварийном управлении // Электротехнические комплексы и системы управления. — 2010. — №2.-С. 35-39.

191.Тюрин Ю.Н., Макаров A.A. Анализ данных на компьютере / Под ред. В.Э. Фигурнова. - 3-е изд., перераб. и доп. - М.: ИНФРА - М, 2003. -544 е.: ил.

192.Усков A.A., Котельников С.А., Грубник Е.М., Лаврушин В.М. Гибридные нейросетевые методы моделирования сложных объектов: Монография. - Смоленск: Смоленский филиал AHO ВПО ЦС РФ «Российский университет кооперации», 2011. - 132 е.: ил.

193.Фролов Ю.В. Интеллектуальные системы и управленческие решения. -М.:МГПУ, 2000.-294 с.

194.Халафян A.A. STATISTICA 6. Статистический анализ данных. 3-е изд. Учебник - М.: ООО «Бином-Пресс», 2007. - 512 е.: ил.

195.Ходашинский И.А. Идентификация нечетких систем: методы и алгоритмы // Проблемы управления. - 2009. - № 4. - С. 15-23.

196.Ходашинский И.А., Дудин П.А., Лавыгина A.B. Биоинспирированные методы параметрической идентификации нечетких моделей // Доклады Томского государственного университета систем управления и радиоэлектроники. - 2007. - С.81-92.

197.Ходашинский И.А., Лавыгина A.B. Применение генетического алгоритма для обучения нечетких систем типа синглтон // Обозрение прикладной и промышленной математики. - 2007. - Т. 14. - № 6. - С. 1143-1144.

198.Черняховская М.Ю. Представление знаний в экспертных системах медицинской диагностики. - Владивосток: Институт автоматики и процессов управления ДВНЦ АН СССР, 1983. - 212 с.

199.ШилдтГ. SWING: руководство для начинающих.-М.: «Вильяме», 2007.-704 с.

200.Штовба С.Д. Введение в теорию нечетких множеств и нечеткую логику. - Винница: УНИВЕРСУМ-Винница, 2001. - 756 с.

201.Штовба С.Д. Идентификация нелинейных зависимостей с помощью нечеткого логического вывода в системе MATLAB // Математика в приложениях. -2003. -№ 2(2). - С. 9-15.

202.Штовба С.Д. Классификация объектов на основе нечеткого логического вывода // Exponenta Pro - Математика в приложениях. - 2004. -№ 1(5). -С. 68-69.

203.Штовба С.Д. Проектирование нечетких систем средствами MATLAB. — М.: Горячая линия - Телеком, 2007. - 288 е.: ил.

204.Юнкеров В.И., Григорьев С.Г. Математико-статистическая обработка данных медицинских исследований. - СПБ.: ВМедА, 2002. - 266 с.

205.Ярушкина Н.Г. Гибридные системы, основанные на мягких вычислениях: определение, архитектура, возможности // Программные продукты и системы. - 2002. - № 3. - С. 19-22.

206.Ярушкина Н.Г. Основы теории нечетких и гибридных систем: Учеб. пособие. - М.: Финансы и статистика, 2004. - 320 е.: ил.

207.Afifl А.А., Elashoff R.M. Missing observations in multivariate statistics // J. Amer. Statist. Assoc. 1966. - Vol. 61. - P. 595-604.

208.Bache K., Lichman M. UCI Machine Learning Repository [http://archive.ics.uci.edu/ml]. Irvine, CA: University of California, School of Information and Computer Science. 2013.

209.Batyrshin I. Uncertainties with memory in construction of strict monotonic t-norms and t-conorms for finite ordinal scales: basic definitions and applications // Applied and Computational Mathematics. - 2011. - Vol. 10. - N 3. -P. 498-513.

210.Batyrshin I., Zakuanov R., Bikushev G. Expert system based on algebra of uncertainties with memory in process optimization, in: D. Ruan, P. D'hondt, P. Govaerts and E. E. Kerre, Eds., Fuzzy Logic and Intelligent Technologies in Nuclear Science, FLINS 1994. (World Scientific, Singapore, 1994). - P. 156-159.

21 l.Breiman L. Arcing classifiers // The Annals of Statistic. Mar. 1998. - Vol. 26. -P. 801-849.

212.Castro J.L. Fuzzy logic controllers are universal approximators // IEEE Trans, on Systems, Man and Cyb. Part B: Cybernetics. - 1995. - Vol. 25. - P. 629635.

213.Castro J.L., Delgado M. Fuzzy Systems With Defuzzification Are Universal Approximators // IEEE Transactions on Systems, Man and Cybernetics. -Part B: Cybernet. - 1996. - Vol. 26. - P. 149-152.

214.Cybenko G. Approximation by superpositions of a sigmoidal functions // Mathematics of Control, Signal and Systems. - 1989. - Vol. 2. - P. 303-314.

215.Espinosa J., Vandewalle J., Wertz V. Fuzzy logic, identification and predictive control. - London: Springer-Verlag, 2005. - 263 p.

216.Fisher R.A. The Use of Multiple Measurements in Taxonomic Problems // Annals of Eugenics (7), 1936. - P. 179-188.

217.Frawley M.J., Piatesky-Shapiro G., Matheus C.J. Knowledge discovery in databases: An overview. AI Magazine, 1992. — P. 1-27.

218.Fuzzy Logic Toolbox. User's Guide, Version 2. - The Math Works Inc., 1999.

219.Jang J.R., Sun C.T. ANFIS: Adaptive-Network-based Fuzzy Inference Systems // IEEE Tranc. on Systems, Man and Cybernetics, 1993. - Vol. 23. - P. 665-685.

220.Jang J.R., Sun C.T., Mizutani E. Neuro-Fuzzy and Soft Computing. A Computational Approach to Learning and Machine Intelligence. - Prentice Hall, 1997.-613 p.

221.Ho T.K. The random subspace method for constructing decision forests // IEEE Trans, on Pattern Analysis and Machine Intelligence. Aug. 1998. - Vol. 20.-P. 832-844.

222.Hornik K. Some results on neural network approximation // Neural Networks. - 1993. - Vol. 6. - P. 1069-1072.

223.Khodashinsky I.A., Dudin P.A. Parametric Fuzzy Model Identification Based on Hybrid and Colony Algorithm // Optoelectronics, Instrumentation and Data Processing. - 2008. - Vol. 44. - N 5. - P. 402-411.

224.Korenevskii N.A., Krupchatnikov R.A., Gorbatenko S.A. Generation of fuzzy network models taught on basis of data structure for medical expert systems // Biomedical Engineering. V. 42, № 2, 2008. - P. 67-72.

225.Kosko B. Fuzzy systems as universal approximators // Proceedings of the IEEE International Conference on Fuzzy Systems. - 1992. - P. 1153-1162.

226.Kwiatkowska M., Atkins M.S., Ayas N.T., Ryan C.F. Knowledge-based data analysis: first step toward the creation of clinical prediction rules using a new

typicality measure // IEEE Trans, on Information technology in biomedicine. V. 11, №6, 2007.-P. 651-660.

227.Larsen P.M. Industrial applications of fuzzy logic control // International Journal of Man-Machine Studies. - 1980. - Vol. 12. - № 1. - P. 3-10.

228.Mahmoodabadi S.Z., Alirezaie J., Babyn P., Ahmadian A., Abolhasani M. A fast expert system for electrocardiogram arrhythmia detection // Expert Systems. V. 27, № 3, 2010. - P. 180-200.

229.Mamdani E.H. Application of Fuzzy Logic to Approximate Reasoning Using Linguistic Synthesis // IEEE Transactions on Computers. - 1977. - Vol. 26. -P. 1182-1191.

230.Mouzouris, G.C., Mendel, J.M. Non-singleton fuzzy logic systems // Proceedings of the Third IEEE Conference on Fuzzy Systems. - 1994. - Vol. 1. - P. 456-461.

231.Pea J.M., Vityaev E. Knowledge discovery in bioinformatics // Intelligent data analysis. V. 14, №2, 2010.-P. 157-158.

232.Sahami M., Dumais S., Heckerman D., Horvitz E. A Bayesian approach to filtering junk e-mail//AAAI Workshop on Learning for Text Categorization. 1998.-P 55-62.

233.Schapire R. The boosting approach to machine learning: An overview. MSRI Workshop on Nonlinear Estimation and Classification, Berkeley, CA, 2001. -23 p.

234.Sergienko R.B., Semenkin E.S. Michigan and Pittsburgh Methods Combining for Fuzzy Classifier Generating with Coevolutionary Algorithm for Strategy Adaptation, Proc. of 2011 IEEE Congress on Evolutionary Computation, New Orleans, LA, USA, 2011.

235.Shatovska T.B., Repka V.B., Kamenieva I.V., Marchenko M.M. Data Mining Repository // Bionics of Intelligence: Sci. Mag. - 2009. - Vol. 2 (71). - P. 7578.

236.Solovyev V., Kuzmin S. Expert-system-based ecologists' workstations. Internal Journal of Applied Expert Systems. V. 1, № 3, 1993. - P. 75-86.

237.Solovyev V., Kuzmin S. Expert system for analysis of the air pollution. Proc. XI Internat.conf. "Expert systems & their applications". Avignon. 1992. P. 438-443.

238.Stefanescu L., Ungureanu L., Constantinescu M., Barbu C., Stefanescu A. Expert system and its applications for a sustainable environment management // Journal of environmental protection and ecology. V. 12, № 3, 2011. - P. 1582-1591.

239.Thiago S. Guzella, Walmir M. Caminhas A review of machine learning approaches to Spam filtering // Expert Systems with Applications. - 2009.-V. 36,-№7.-P. 10206-10222.

240.Tron E., Margaliot M. Mathematical Modeling of Observed Natural Behavior: a Fuzzy Logic Approach // Fuzzy Sets and Systems. - 2004. - Vol. 146. -P. 437-450.

241.Vasil'ev O.M., Vetrov D.P., Kropotov D.A. Knowledge representation and acquisition in expert systems for pattern recognition // Computational mathematics and mathematical physics. V. 47, № 8, 2007. - P. 1373-1397.

242.Vovk Svetlana P., Ginis Larisa A. Modeling and forecasting of transitions between levels of hierarchies in difficult formalized systems // European Researcher. V. 1, № 5, 2012. - P. 541-545.

243.Vrana I., Aly S. Modeling heterogeneous experts' preference ratings for environmental impact assessment through a fuzzy decision making system // IFIP advances in information and communication technology. V. 359, 2011. - P. 535-549.

244.Wang L.X. Fuzzy systems are universal approximators // Proceedgins of IEEE International Conference on Fuzzy Systems. - San Diego, CA, 1992. -Vol. 10.-P. 1163-1170.

245.Wang L.X., Mendel J.M. Fuzzy basis functions, universal approximation, and orthogonal least squares learning // IEEE Transactions of Neural Networks. -1992.-Vol.3.-P. 807-813.

246.Wang Y., Niu D., Ji L. Power load forecasting using data mining and knowledge discovery technology // International journal of intelligent information and database systems V. 5, № 5, 2011. - P. 452-467.

247.Yuanchun Zhu, Ying Tan. A Local-Concentration-Based Feature Extraction Approach for Spam Filtering // IEEE Transactions on Information Forensics and Security. - 2011. - Vol. 6. - № 2. - P. 486-497.

248.Zadeh L.A. The Concept of a Linguistic Variable and its Application to Approximate Reasoning, Part 1, 2 and 3 // Information Sciences. - 1975. - V. 8. - P. 199-249, 301-357 and Information Sciences. - 1976. - V. 9. - P. 43-80.

249.Zadeh L.A. Fuzzy Sets // Information and Control. - 1965. - Vol. 8. - P. 338353.

250.Zadeh L.A. Fuzzy Sets and Information Granularity, in: M.Gupta, R.Ragade and R. Yager (eds), Advances in Fuzzy Set Theory and Applications, North-Holland, Amsterdam, 1979. - P. 3-18.

251.Zadeh L.A. Outline of a New Approach to the Analysis of Compex Systems and Decision Processes // IEEE Transactions on Systems, Man and Cybernetics. - 1973. - Vol. SMC 3. - P. 28-44.

252.Zadeh L.A. Some Reflections on Information Granulation and its Centrality in Granular Computing, Computing with Words, the Computational Theory of Perceptions and Precisiated Natural Language. In Y. Lin, Tsau Yiyu Yao, Lotfi A. Zadeh // Data Mining, Rough Sets and Granular Computting. Heidelberg - N. Y., 2002. Studies in Fuzziness and Soft Computing, 95. - P. 320.

253.Zadeh L.A. Toward a Theory of Fuzzy Information Granulation and its Centrality in Human Reasoning and Fuzzy Logic // Fuzzy Sets and Systems, 90 (1997).-P. 111-127.

ПРИЛОЖЕНИЕ 1. ОПИСАНИЕ МЕТОДОВ И КЛАССОВ, РЕАЛИЗОВАННЫХ В ПРОГРАММНОМ КОМПЛЕКСЕ

Разработанный программный комплекс для формирования баз знаний экспертных диагностических систем содержит 42 класса. В свою очередь программные классы сгруппированы в следующие пакеты:

• fnn.controller - пакет классов для управления приложением;

• fnn.model - пакет классов для работы с данными;

• fnn.model.granule - пакет классов для работы с гранулами;

• fnn.model.membershipFunction - пакет классов для работы с функциями принадлежности;

• fnn.view - пакет классов пользовательского интерфейса;

• fnn.view.dialog - пакет классов, описывающих работу диалоговых окон;

• test - пакет тестовых классов.

Рассмотрим наиболее значимые из разработанных классов и содержащиеся в них методы. Класс Data инкапсулирует данные и содержит методы для работы с ними. При каждом импорте данных в программный комплекс создается экземпляр данного класса. После его создания вызывается метод чтения файла - «readFile» (см. листинг 1). Перед вызовом данного метода полю «fileName» присваивается значение имени файла (включая путь). В процессе чтения создаются экземпляры класса Parameter, которые заполняются данными по мере построчного чтения данных из файла. Листинг 1.

public void readFile() throws IOException, DataException, FileNotFoundException {

if (fileName == null) { return;

}

if (parameters != null) {

parameters = null; groupListModelList.clear(); realMatrix = null; correlationAHToAllModel = null; correlationModel = null; selectedParameters.clear(); systemsOfRules.clear();

}

BufferedReader bufferedReader = null; try {

bufferedReader = new BufferedReader(new InputStreamReader(new FilelnputStream(getFileName()),encoding)); String line = "";

List<String [] > tmparr = new ArrayListO () ; for (rowCount = 0; (line = bufferedReader.readLine()) != null; rowCount++) {

if (isFirstLinelsHeader() && rowCount == 0) {

String[] tmp = line.split(separator.value); parameters = new ArrayList(tmp.length); int i = 0;

for (String col : tmp) {

parameters.add(new Parameter(i++, col,

this));

}

} else {

tmparr.add(line.split(separator.value));

}

}

rowCount—;

if (tmparr. size () > 0) {

if (!firstLinelsHeader) {

parameters = new ArrayListO;

for (int i = 0; i < tmparr.get(0).length; i++)

{

parameters.add(new Parameter(i,

String.valueOf(i), this));

}

}

for (int i = '.); i < rowCount; i++) {

for (int j = 0; j < parameters.size(); j++) { try {

parameters.get(j).addValue(trim ? tmparr. get (i) [j ]. trim () : tmparr. get (i) [j ]) ;

} catch (Exception e) {

parameters.get(j).addValue(""); e.printStackTrace();

}

>

}

} else {

throw new DataException(Messages.EMPTY_FILE);

}

this.fireTableStructureChanged();

this.fireTableDataChanged() ; } finally {

if (bufferedReader != null) { try {

bufferedReader.close() ; } catch (IOException ex) { Loger.getLogger(Data.class.getName()).log(Level.SEVERE,

null, ex);

}

}

}

>

Данный класс также содержит методы для генерации полной системы правил. Для этого вызывается метод createSystemOfRules (см. листинг 2), которому в качестве аргумента передается экземпляр класса Parameter. Метод возвращает в качестве результата экземпляр класса SystemOfRules. Данный метод вызывает рекурсивный метод generateCombination (см. листинг 3), на вход которого подаются экземпляры классов SystemOfRules, Parameter (целевой параметр), List (список индексов гранул) и значение типа int (индекс параметра).

Листинг 2.

*

* Создание системы правил для параметра parameter.

*

* @param parameter Целевой параметр.

* @return SystemOfRules Система правил. */

public SystemOfRules createSystemOfRules(Parameter parameter) throws DataException {

if (parameter.getMeaningParameters().size() == 0) (

throw new DataException("Количество значимых параметров

не может быть равным 0"); }

List<Rule> systemOfRules = new ArrayListO(); List<Integer> indexesGranules = new ArrayListO(parameter.getMeaningParameters().size());

for (int i = C; i < parameter.getMeaningParameters().size(); i++> {

indexesGranules.add(Integer.valueOf(0));

}

generateCombination(systemOfRules, parameter, indexesGranules, 0);

systemsOfRules.put(parameter, new SystemOfRules(parameter, systemOfRules));

return systemsOfRules.get(parameter);

}

Листинг 3.

/**

* Рекурсивный метод генерации всех комбинаций условий правил.

*

* gparam systemOfRules Система правил, в которую добавляются новые правила

* gparam aimParameter Целевой параметр.

* gparam indexesGranules Индексы гранул.

* gparam parameterlndex Индекс параметра. */

private void generateCombination(List<Rule> systemOfRules, Parameter aimParameter, List<Integer> indexesGranules, int parameterlndex) {

if (aimParameter.getMeaningParameters().size() == parameterlndex) {

for (Object value : aimParameter.getUniqueValues()) { systemOfRules.add(new Rule(aimParameter,

Utils.convertlntegers(indexesGranules), value)); }

return;

}

for (int i = 0/ i <

aimParameter.getMeaningParameters().get(parameterlndex).getCountOf Granule (); i++) {

indexesGranules.set(parameterlndex, i); generateCombination(systemOfRules, aimParameter,

indexesGranules, parameterlndex + 1); >

}

Еще одним ключевым методом является buildMembershipFunctions (см. листинг 4) того же класса Data. Данный метод предназначен для создания функций принадлежности. Аргументом метода является экземпляр класса Parameter, который представляет собой целевой параметр. Для каждого входного параметра, который является значимым для целевого, в методе создаются экземпляры классов, расширяющие абстрактный класс AbstractGranule. Для числовых параметров создаются экземпляры класса NumberGranule, а для нечисловых - экземпляры класса OneObjectGranule. Далее производится инициализация поля AbstractMembershipFunction класса AbstractGranule. Листинг 4.

* Метод для создания функций принадлежности.

*

* gparam parameter - параметр для которого создаются ФП.

* gthrows MembershipFunctionException

public void buildMembershipFunctions(Parameter parameter) throws MembershipFunctionException {

for (Parameter p : parameter.getMeaningParameters()) { if (p.getGranules () . size () == 1) {

if (p.getGranule(0) instanceof NumberGranule) { NumberGranule g = (NumberGranule)

p.getGranule(U);

g.setMembershipFunction(new TriangularMembershipFunction(TriangularMembershipFunction.TYPE_INN

ER, g.getMin(), g. getMax ())) ;

}

} else if (p. getGranules () . size () >1) {

if (p.isNumberType() && p.isGranulated()) {

for (int i = 0; i < p.getGranules() .size () - 1;

i++) {

NumberGranule gl = (NumberGranule)

p.getGranule(i);

NumberGranule g2 = (NumberGranule)

p.getGranule(i + 1) ;

double d = (g2.getMin() - gl.getMax()) /

if (i == 0) {

// left

gl.setMembershipFunction(new TriangularMembershipFunction(TriangularMembershipFunction.TYPE_LEF T, gl. getMin () , g2.getMin() + d)) ;

} else {

// inner

NumberGranule g3 = (NumberGranule)

p.getGranule(i - 1);

gl.setMembershipFunction(new TriangularMembershipFunction(TriangularMembershipFunction.TYPE_INN

ER, g3. getMax (), g2. getMin () + d)) ;

}

}

// right

NumberGranule g2 = (NumberGranule) p. getGranule (p. getGranules () . size () - 1);

NumberGranule gl = (NumberGranule) p.getGranule(p.getGranules().size() - 2);

g2.setMembershipFunction(new TriangularMembershipFunction(TriangularMembershipFunction.TYPE_RIG HT, gl.getMax(), g2.getMax()));

// move min max double k = 0.1d;

for (int i = 0; i < p.getGranules().size();

i++) {

TriangularMembershipFunction mf = (TriangularMembershipFunction) p.getGranule(i).getMembershipFunction();