Модели и методы параллельных вычислений для построения отказоустойчивых диагностических тестов в интеллектуальных системах с когнитивной компонентой тема диссертации и автореферата по ВАК РФ 05.13.18, кандидат наук Ямшанов, Артем Вячеславович

• Ямшанов, Артем Вячеславович
• кандидат наук
• 2017

Оглавление диссертации кандидат наук Ямшанов, Артем Вячеславович

Оглавление

Стр.

Введение

Глава 1. Обзор литературы

1.1 Модели представления знаний

1.2 Распознавание образов и принятие решений

1.3 Использование средств когнитивной графики при принятии решений и обосновании принятия решений

1.4 Выводы

Глава 2. Принятие и обоснование решений с применением

матричной модели представления знаний, тестовых методов распознавания образов и средств когнитивной графики

2.1 Матричная модель представления данных и знаний. Закономерности в данных и знаниях

2.2 Математические основы построения безызбыточных безусловных диагностических тестов и отказоустойчивых безызбыточных безусловных диагностических тестов

2.3 Математические основы распознавания с применением безызбыточных безусловных диагностических тестов и отказоустойчивых безызбыточных безусловных диагностических тестов

2.4 Математические основы отображения исследуемого объекта в ^симплексе

2.5 Выводы

Глава 3. Программная реализация параллельных алгоритмов при построении отказоустойчивых диагностических и средств когнитивной графики

3.1 Параллельные модели вычислений для построения

безызбыточной матрицы импликаций

3.1.1 Параллельная модель вычислений Divide2

3.1.2 Параллельная модель вычислений ManyWorkers

3.1.3 Структуры данных применяемых при построении безызбыточной матрицы импликаций

3.1.4 Технические особенности реализации

3.1.5 Результаты эксперимента и их анализ

3.2 Параллельные алгоритмы поиска безызбыточных ^кратных

столбцовых покрытий безызбыточной матрицы импликаций

3.2.1 Параллельная модель вычислений для поиска безызбыточных ^кратных столбцовых покрытий безызбыточной матрицы импликаций в глубину

3.2.2 Параллельный алгоритм поиска безызбыточных ^кратных столбцовых покрытий безызбыточной матрицы импликаций в ширину

3.2.3 Технические особенности реализации

3.2.4 Результаты эксперимента и их анализ

3.3 Основы программной реализации фреймворка визуализации

средств когнитивной графики

3.3.1 Основы программной реализации прототипа фреймворка визуализации средств когнитивной графики

3.3.2 Основы программной реализации актуальной версии фреймворка визуализации средств когнитивной графики

3.3.3 Адаптация средств когнитивной графики для работы при функциональных или технических ограничениях

3.4 Комплекс программ ИМСЛОГО

3.5 Выводы

Глава 4. Применение разработанных алгоритмов и средств

когнитивной графики при разработке интеллектуальных систем

4.1 Интеллектуальная обучающе-тестирующие система

4.2 Интеллектуальная система профилактики психологического

здоровья

4.3 Интеллектуальная информационная технология

дорожно-климатического районирования

4.4 Выводы

Заключение

Список сокращений и условных обозначений

Словарь терминов

Список литературы

Список рисунков

Список таблиц

Приложение А. АКТЫ И СПРАВКИ О ВНЕДРЕНИИ

Введение диссертации (часть автореферата) на тему «Модели и методы параллельных вычислений для построения отказоустойчивых диагностических тестов в интеллектуальных системах с когнитивной компонентой»

Введение

Искусственный интеллект, интеллектуальная обработка информации и распознавание образов безусловно являются одними из самых востребованных весьма актуальных в настоящее время научных направлений и относятся к приоритетному направлению Стратегии НТР РФ "Н1 Переход к передовым цифровым, интеллектуальным производственным технологиям, роботизированным системам, новым материалам и способам конструирования, создание систем обработки больших объемов данных, машинного обучения и искусственного интеллекта". При этом остается ряд нерешенных проблем, связанных с вычислительной сложностью применяемых методов, используемых для принятия решений, а также ряд проблем, связанных с представлением данных и знаний и обоснованием принятых решений.

Основополагающие результаты в области распознавания образов получены Ю.И. Журавлевым, К.В. Рудаковым, а в области искусственного интеллекта и интеллектуальных систем - John McCarthy, Marvin Minsky, Lotfi Zadeh, С.Н. Васильевым, О.И. Ларичевым, Г.С. Поспеловым, Д.А. Поспеловым, В.К. Финном. Весьма большой вклад в искусственный интеллект и создание интеллектуальных систем внесли А.Н. Аверкин, В.Н. Вагин, Т.А. Гаврилова, В.В. Голенков, А.П. Еремеев, А.Д. Закревский, Ю.А. Загорулько, Б.А. Кобринский, И.В. Котельников, О.П. Кузнецов, Б.А. Кулик, В.М Курейчик, Л.В. Массель, М.А. Михеен-кова, А.С. Нариньяни, Г.С. Осипов, В.С. Переверзев-Орлов, А.Б. Петровский, Ю.Н. Печерский, Г.В. Рыбина, В.Л. Стефанюк, Д.Ш. Сулейманов, В.Б. Тарасов,

A.В. Тузиков, В.Ф. Хорошевский, А.Я. Фридман, А.А. Шалыто, А.Е. Янковская, Н.Г. Ярушкина и ряд других учёных. Значительные результаты в распознавании образов достигнуты А.Е. Андреевым, М.М. Бонгардом, М.Н. Вайнцвайг, К.В. Воронцовым, Н.Г. Загоруйко, Е.В. Дюковой, А.В. Кельмановым, В.Б. Кудрявцевым, Г.С. Лбовым, В.Д. Мазуровым, К.А. Найденовой, Л.А. Растригиным, М.Ю. Ха-чай, А.Е. Янковской, Laurent Hyafil, Ronald Rivest и др. Большой вклад в создании средств когнитивной графики и визуализации данных внесли Ю.Р. Валькман,

B.Л. Горохов, А.А. Зенкин, Б.А. Кобринский, А.В. Колесников, В.М. Хачумов, А.Е. Янковская, Daniel Keim, Gennady Andrienko и др.

Анализ работ в рассматриваемых направлениях показывает, что весьма актуальными являются логические, логико-комбинаторные, включая тестовые, ме-

тоды распознавания образов, являющиеся крайне востребованными для таких проблемных и междисциплинарных областей как медицина, психология, психиатрия, социология, биология, экобиомедицина, геология, экогеология, образование, проектирование, радиоэлектроника, дорожное районирование, защита информации и др. При этом актуальными задачами, связанными с применением вышеперечисленных методов, являются: задача оптимизации процедур построения диагностических тестов, рассматриваемая в публикациях Ю.И. Журавлева, Е.В. Дюковой, А.Е. Андреева, А.Е. Янковской и др.; задача создания механизма учёта и обработки различного рода ошибок в базах данных и знаний, рассматриваемая в публикациях Н.Г. Загоруйко, Ю.Н. Печерского, А.Е. Янковской и др.; задача создания методов и различных средств когнитивной графики (СКГ) для поддержки принятия решений и их обоснования, рассматриваемая в публикациях Д.А. Поспелова, А.А. Зенкина, А.Е. Янковской, Б.А. Кобринского, А.В. Колесникова и др.

Диссертационная работа направлена на решение задач из вышеприведённых областей и на развитие методов, предложенных ранее А.Е. Янковской. В основе распознавания образов с использованием тестовых методов, предложенных А.Е. Янковской, лежит поиск закономерностей в данных и знаниях — подмножеств признаков с определёнными легко интерпретируемыми свойствами, влияющими на различимость объектов из разных образов, устойчиво наблюдаемых для объектов из обучающей выборки и проявляющимися на других объектах той же природы, а также весовые коэффициенты признаков и их информационный вес. Среди всех закономерностей выделим безызбыточные безусловные диагностические тесты (ББДТ) и отказоустойчивые ББДТ (ОУ ББДТ), нахождению которых посвящена настоящая диссертация. В основе нахождения ББДТ и ОУ ББДТ лежит построение безызбыточной матрицы импликаций (БМИ), задающей различимость объектов из разных образов, а задача нахождения ББДТ сводится к нахождению кратчайших покрытий БМИ для ББДТ, а ОУ ББДТ — ^-кратных покрытий БМИ. Принятие решения об отнесении исследуемого объекта к одному из образов основано на вычислениях коэффициентов условной близости исследуемого объекта к каждому образу и их сопоставлении с пороговым значением, задаваемым пользователем. Для обоснования результатов распознавания предлагается применение СКГ из семейства п-симплексов.

Актуальность проводимых диссертантом исследований подтверждается их поддержкой Российского фонда фундаментальных исследований (проекты: №13-

07-00373 "Основанное на конвергенции нескольких наук и научных направлений построение отказоустойчивых диагностических тестов и принятие решений в интеллектуальных системах" (рук. А.Е. Янковская), №13-07-98037 "Создание гибридной интеллектуальной обучающе-тестирующей системы, ориентированной на смешанное образование и обучение" (рук. А.Е. Янковская), №14-07-00673 "Интеллектуальная информационная технология дорожно-климатического районирования, основанная на тестовых методах распознавания образов и средствах когнитивной графики" (рук. В.Н. Ефименко), №16-07-00859 "Основанное на конвергенции нескольких наук и научных направлений построение отказоустойчивых диагностических тестов и принятие решений в самообучающихся интеллектуальных системах с когнитивной компонентой" (рук. А.Е. Янковская)) и Российским гуманитарным научном фондом (проект: №13-06-00709 "Структуризация данных и знаний, создание интеллектуальной системы биопсихосоциальной экспресс-диагностики и профилактики депрессии у женщин в репродуктивный период" (рук. А.Е. Янковская)), исполнителем которых является диссертант.

Целью данной работы является развитие моделей, логических и численных методов и создание комплекса программ для реализации параллельных вычислений при построении и применении безызбыточных безусловных диагностических тестов (ББДТ) и отказоустойчивых безызбыточных безусловных диагностических тестов (ОУ ББДТ), направленное на сокращение вычислительной сложности применяемых методов, увеличение допустимого размера входных данных и сокращение временных затрат; а также развитие средств когнитивной графики (СКГ) и их применение для обоснования результатов распознавания и принятия решений.

Для достижения поставленной цели сформулированы следующие задачи:

1. Разработка моделей параллельных вычислений для построения ББДТ и ОУ ББДТ и машинных моделей представления данных, предназначенных для параллельных вычислений и используемых для построения ББДТ и ОУ ББДТ.

2. Развитие логических и численных методов для построения ББДТ и ОУ ББДТ и распознавания образов на их основе в целях уменьшения вычислительной сложности тестовых методов распознавания.

3. Создание когнитивной модели для обоснования результатов принятия решения в динамических системах, развитие численных методов для её визуализации; развитие когнитивных средств из семейства п-симплексов.

4. Разработка комплекса программ, реализующих параллельные вычисления для построения ББДТ и ОУ ББДТ, распознавания образов на их основе и обоснования результатов принятия решения с применением СКГ.

Научная новизна:

1. Созданы две новые модели распараллеливания вычислений по данным для построения БМИ и поиска кратчайших покрытий БМИ, а также безызбыточных покрытий БМИ, включая ^-кратные; и оригинальная машинная модель представления БМИ в пространстве целочисленных признаков. Разработанные модели используются для построения минимальных безусловных ДТ, а также ББДТ, включая ОУ ББДТ. Отличием разработанных моделей является многократное, соизмеримое с количеством процессорных ядер ЭВМ, увеличение производительности программных модулей построения БМИ и поиска кратчайших и безызбыточных покрытий.

2. Модифицированы логические и численные методы вычисления весовых коэффициентов характеристических признаков и коэффициентов условной близости распознаваемого объекта к образам, предназначенные для обучающей выборки с заданными в интервальной форме значениями целочисленных признаков и используемые при построении БМИ и распознавании образов на основе ББДТ (ОУ ББДТ). Отличием модифицированных методов является возможность работы с обучающей выборкой без реального использования строк замещения.

3. Создана новая когнитивная модель - 2-симплекс призма и развиты численные методы для визуализации СКГ из семейства п-симплексов. Отличием созданной когнитивной модели является её применимость для обоснования результатов принятия решений в динамических системах. Развитие численных методов заключается более эффективным способом преобразования координат из пространства п-симплекса в декартово пространство.

4. Расширено ядро интеллектуального инструментального средства ИМС-ЛОГ (ИИС ИМСЛОГ) в направлении использования нескольких вычислительных узлов и использования облачных технологий. Кроме того разработаны универсальные программные модули, которые позволяют вести вычисления, как с использованием классического ядра, так и с применением модифицированного ядра ИМСЛОГО. Отличием модифициро-

ванного ядра является возможность развёртывания программного комплекса на нескольких вычислительных узлах, в том числе с использованием облачных технологий; а отличием созданных программных модулей - многократное, соизмеримое с количеством процессорных ядер ЭВМ, увеличение их производительности.

Практическая значимость:

1. Разработанные модели параллельных вычислений и машинные модели представления данных позволяют многократно уменьшить временные затраты на построение ББДТ, ОУ ББДТ и применение тестовых методов распознавания образов.

2. Развитые логические и численные методы тестового распознавания образов позволяют использовать исходные данные и знания с заданными в интервальной форме значениями признаков в целочисленном признаковом пространстве при существенном ускорении вычислений.

3. Разработанный на основе развитых моделей, логических и численных методов комплекс программ целесообразно использовать для распознавания образов и принятия решений в области медицины, психологии, генетики, социологии, экономики, образовании, геологии, строительстве, экологии и др.

4. Разработанные и развитые модели, логические и численные методы, будучи интегрированными в инструментальные средства ИМСЛОГ и ИМ-СЛОГО и сконструированные на их основе прикладные интеллектуальные системы, позволяют строить ББДТ и ОУ ББДТ и принимать решения на основе обучающих выборок с большим количеством признаков (более 102), большим размером обучающей выборки (более 105) и/или обучающих выборках, заданных в целочисленном признаковом пространстве, для широкого круга проблемных областей.

Полученные в ходе работы над диссертацией результаты были применены в следующих областях: СКГ применены при разработке комплекса ИС профилактики психологического здоровья Psyhealth (СибГМУ, ТГУ); разработанные модели, логические и численные методы, а также СКГ использованы при создании ИС дорожно-климатического районирования (ТГАСУ); СКГ использованы при разработке гибридной интеллектуальной обучающе-тестирующей системы, ориентированной на смешанное образование и обучение (ТГУ); предложенный подход к оптимизации параллельных вычислений и разработанный инструментарий

использованы при оптимизации программного продукта SmartPTTPLUS SIP-100 (ООО "Элком+"); созданные и развитые модели легли в основу ряда практических занятий по дисциплине "Технологии и методы программирования", а предложенный подход к оцениванию студентов применен при проведении учебных занятий (ТУСУР); СКГ и предложенный подход к оцениванию студентов применены при проведении учебных занятий по дисциплине "Power Electronics" (ТПУ).

Mетодология и методы исследования. В теоретическом плане использовались методы дискретной математики, теории графов, комбинаторики, инженерии знаний, распознавания образов, искусственного интеллекта, когнитивной графики, геометрии, тригонометрии, лексического анализа. В практической части использовались методы прикладного и системного программирования, параллельного и многопоточного программирования, программной оптимизации, компьютерной графики.

Основные положения, выносимые на защиту:

1. Две созданные оригинальные модели параллельных вычислений и машинная модель представления данных, используемые для построения ББДТ и ОУ ББДТ и поиска кратчайших покрытий БМИ, а также безызбыточных покрытия БМИ, включая ^-кратные, позволяют многократно, соизмеримо с количеством процессорных ядер ЭВМ, повысить производительность программного модуля построения БМИ и поиска кратчайших и безызбыточных покрытий БМИ.

2. Модифицированные логические и численные методы, используемые при построении БМИ и распознавании образов на основе ББДТ (ОУ ББДТ) в пространстве целочисленных признаков, сокращают количество вычислений более чем на 50% для обучающей выборки, содержащей 1% заданных в интервальной форме значений признаков, и более чем на 99% для обучающей выборки, содержащей 2% заданных в интервальной форме значений признаков.

3. Созданная оригинальная когнитивная модель 2-симплекс призма и численные методы для обоснования результатов распознавания с использованием СКГ из семейства n-симплексов позволяют визуализировать и обосновывать принятие решений в динамических системах.

4. Разработанные на основе предложенных моделей и численных методов ряд программных модулей и расширенное ядро для программного комплекса ИМСЛОГО позволяют многократно, соизмеримо с количеством

процессорных ядер ЭВМ, снизить временные затраты на использование тестовых методов распознавания образов и развёртывание программного комплекса на нескольких вычислительных узлах, в том числе с использованием облачных технологий.

Достоверность полученных результатов обеспечивается: используемой базой реальных и сгенерированных тестовых данных и знаний для различных проблемных областей (медицина, геология, дорожно-климатическое районирование), проведением большого количества экспериментов, анализом и сравнением результатов с уже существующей системой ИИС ИМСЛОГ, результатами практического использования предложенных в диссертации моделей и средств, а также всесторонними обсуждениями полученных результатов на международных конгрессах, симпозиумах, конференциях, семинарах, круглых столах и всероссийских конференциях. Полученные результаты не противоречат результатам, опубликованным ранее другими авторами.

Апробация работы. Основные результаты работы докладывались на: научной сессии НИЯУ МИФИ в 2014 г (г. Москва), международных конференциях "Открытые семантические технологии проектирования интеллектуальных систем = Open Semantic Technologies for Intelligent Systems" в 2014 г., 2015 г и 2017 г (Беларусь, г. Минск), международных конференциях студентов и молодых ученых "Перспективы развития фундаментальных наук" в 2014 г, 2015 г, 2016 г, 2017 г (г Томск), международной конференции "Pattern Recognition and Information Processing" в 2014 г (Беларусь, г. Минск), XII Всероссийском совещании по проблемам управления в 2014 г (г. Москва), международных конференциях по Kогнитивной науке в 2014 г и 2016 г (г ^лининград и г. Светлогорск), международных конференциях "Интеллектуализация обработки информации" в 2014 г и 2016 г (Греция, о. ^ит и Испания, г. Барселона), всероссийской конференции с международным участием "Математические методы распознавания образов" в 2015 г (г Светлогорск), всероссийской мульти-конференции по проблемам управления в 2015 г (г Геленджик), международной конференции "Linguistic and Cultural Studies: Traditions and Innovations" в 2015 г (г. Томск), международной конференции "Computer Science & Information Technology" в 2016 г (Швейцария, г. Цюрих), международной конференции "EASTED: Modelling, Identification and Control" в 2016 г Австрия, г. Инсбрук), международной конференции "Information Technologies in Science, Management,

Social Sphere and Medicine" в 2016 г. (r. Томск), национальной конференции по искусственному интеллекту с международным участием в 2016 r. (г. Смоленск).

Личный вклад. Автор принимал активное участие в разработке комплекса ИС профилактики психологического здоровья, гибридной обучающе-тестирующей ИС в образовании, ИС дорожно-климатического районирования. Автор разработал машинную модель представления БМИ в пространстве целочисленных признаков; развил логические и численные методы, используемые при построении БМИ и распознавании образов, для обучающей выборки с пропущенными и/или заданными в интервальной форме значениями в пространстве целочисленных признаков; предложил новый субоптимальный параллельный алгоритм для построения БМИ; решил ряд задач, недостающих для программной реализации ранее предложенного параллельного алгоритма для построения БМИ; предложил новый оригинальный параллельный алгоритм поиска безызбыточных ^-кратных покрытий БМИ; программно реализовал, исследовал эффективность и оптимизировал вышеперечисленные алгоритмы. Диссертант структурировал и расширил семейство СКГ, основанное на n-симплексе; исследовал применение СКГ для ряда проблемных областей; предложил математическую модель СКГ и численные методы для отображения параметров динамических процессов; разработал оригинальные СКГ применительно к ИС дорожно-климатического районирования, обучающе-тестирующей ИС; сформулировал основы программной реализации всех вышеописанных СКГ и реализовал их программно. Диссертант внёс основной вклад в программную реализацию комплекса интеллектуальных систем профилактики психологического здоровья "Psyhealth", прототипа фреймворка для визуализации средств когнитивной графики "CognProto", фреймворка для визуализации средств когнитивной графики "CognRender"

Публикации. Основные результаты по теме диссертации изложены в 32 печатных изданиях, из них 2 статьи в журналах, рекомендованных Высшей аттестационной комиссией при Министерстве образования и науки Российской Федерации для опубликования основных научных результатов диссертаций, 2 — в журналах, индексированных в международных системах научного цитирования (Scopus, Web of Science), 3 — в трудах конференций, индексированных в международных системах научного цитирования (Scopus, Web of Science), 23 — в трудах международных и всероссийских конференций.

Объем и структура работы. Диссертация состоит из введения, четырёх глав, заключения и двух приложений. Полный объём диссертации составляет

167 страниц, включая 49 рисунков и 14 таблиц. Список литературы содержит 163 наименования.

Глава 1. Обзор литературы

Под задачей распознавания образов будем понимать следующую задачу, определенную Ю.И. Журавлевым в публикации [1]: "построение на основе систематических и экспериментальных исследований эффективных вычислительных средств для отнесения формализованных описаний ситуаций и объектов к соответствующим классам", "в основе такого отнесения (распознавания, классификации) лежит получение некоторой агрегированной оценки ситуации из её описания".

Интерес к исследованиям в данной области не только не угасает, а наоборот усиливается, о чем говорит увеличение количества публикаций, количества формулируемых задач и количество вовлеченных в её развитии исследователей.

При этом о задаче распознавания образов невозможно говорить без двух составляющих: о самих данных и знаниях, точнее о моделях их представления и о способе обоснования полученного результата. Первая секция главы содержит обзор литературы по моделям представления знаний, применяемых при построении систем искусственного интелекта в общем и при решении задачи распознавания образов в частности, в том числе матричной модели представления данных и знаний, предложенной А.Е. Янковской. Во второй секции главы приведены различные подходы, применяемые при решении задачи распознавания образов, причём особое мнение уделено логическим и тестовым методам распознавания образов. В третьей секции главы обсуждается один из распространённых подходов к обоснованию решений, а именно, использование средств когнитивной графики.

1.1 Модели представления знаний

При решении задач для разных проблемных областей для представления данных и знаний применяются различные модели. В том или ином виде все созданные на текущий день модели представления знаний являются производными от следующих четырёх, классификацию которых дал Д.А. Поспелов в 1990г. [1]:

1. Логическая модель представления знаний [1—3](в англоязычной литературе Knowledge Representation in Propositional Logic

[4; 5]). Формально логическая модель определяется как структура М =<Т, Р, А, В >, где:

- Т — множество базовых элементов (пропозициональных переменных), представляемых в виде пропозициональных букв, например, р, д, г, в,...). Элементы множества Т могут быть различной природы, например, наличие признака у объекта, слова в предложении и т.д.

- Р — множество синтаксических правил, представляемых в виде логических знаков (союзов, например, "Л" — конъюнкции, "V" — дизъюнкции, "—" — отрицания и т.д.) и технических знаков (например, скобок для указания приоритета применения логических знаков). Из синтаксических правил и базовых элементов составляются синтаксически правильные совокупности (пропозициональные правила). Множество базовых элементов Т и множество синтаксических правил Р составляют собой алфавит логической модели.

- А — множество аксиом, множество синтаксически правильных совокупностей, исходно считающимися правильными.

- В — правила вывода, на основе которых из синтаксически правильных совокупностей можно вывести другие синтаксически правильные совокупности.

Для логического вывода требуется рабочая память - информационная структура, предназначенная для временного хранения промежуточных результатов вывода (синтаксически правильных совокупностей). В настоящее время в основном применяется только в системах вывода правил в области математической логики и почти не применяется в остальных видах интеллектуальных систем. Логическая модель часто рассматривается при обучении в качестве демонстрации, как одна из наиболее простых моделей представления знаний. Кроме того, модели, построенные на основе нечёткой логики (Lotfi Zadeh [6; 7], где Т определяется не просто как набор элементов (пропозициональные переменные могут принимать только значения 0 или 1), а через функцию принадлежности элемента, принимающую любые значения в диапазоне [0,1]), темпоральной логики и модальной логики также относятся к логическим моделям представления знаний. Преимуществом логической модели является простота и использование в качестве "фундамента" классического аппа-

рата математической логики, методы которой достаточно хорошо изучены и формально обоснованы. Недостатком является ограниченность и невозможность представления всех человеческих знаний в виде логической модели.

2. Сетевая модель представления знаний [1; 8—10] (в англоязычной литературе Knowledge Representation in Semantic Memory [11; 12]) В основе модели лежит структура, ранее названная семантической сетью, вида M =< I,Ci,C2,..., Cn >, где:

- I — множество информационных единиц, представленных в виде понятий предметной области. Понятиями являются абстрактные или конкретные объекты, например, автомобиль, любовь и т.д.

- CbC2,... ,Cn — множество различных типов связей между информационными единицами. Связи выражают отношения между объектами, например, "является", "имеет частью", "принадлежит" и т.д.

По назначению разделяются на:

- классифицирующие, описываюющие различные иерархические отношения между понятиями.

- функциональные, описывающие процедуры вычисления одних информационных единиц через другие.

- сценарии, описывающие казуальные отношения (причинно-следственные связи или влияние одних событий на другие).

- другие, не входящие в вышеперечисленную классификацию.

В основе поиска решения лежит поиск фрагментов сети, удовлетворяющих некоторому шаблону, и создание на их основе новых узлов и связей с использованием правил вывода. Преимуществами сетевой модели являются универсальность за счёт наличия различного типа связей Ci,C2,..., Cn; наглядность в представлении знаний, представленных в графическом виде; близость структуры сети к структуре фраз на естественном языке; соответствие структуры сети современным представлениям о структуре человеческой памяти. Недостатками модели являются сложность поиска решения из-за отсутствия аппарата формального вывода и трудоёмкости работы (вычислительной); трудоёмкость создания, использования и поддержания актуальности знаний при описании систем реального уровня сложности. Сетевая модель является одной из самых часто применяемых моделей в настоящее время. Особого внима-

ния заслуживают такие следующие производные модели: сложные сети, хранящие огромное количество информации, и когнитивные карты, позволяющие проводить анализ слабо структурированных проблемных областей [13; 14].

3. Продукционная модель представления знаний [1; 9; 15] (в англоязычной литературе Knowledge Representation in Production Rules [4; 16]). Продукционная модель базируется (содержит элементы) логических и сетевых моделей. Формально продукционная модель определяется как структура M =< S,L,A ^ B,Q >, где:

Список литературы диссертационного исследования кандидат наук Ямшанов, Артем Вячеславович, 2017 год

Список литературы

1. Справочник Искусственный интеллект. В 3-х книгах. Книга 2: Модели и методы. / под ред. Д. А. Поспелов. —Москва : Радио и связь, 1990. — 304 с.

2. Поспелов Д. А. Логико-лингвистические модели в системах управления. — Москва : Энергоатомиздат, 1981. — 232 с.

3. Поспелов Д. А. Моделирование рассуждений. Опыт анализа мыслительных актов. — Москва : Радио и связь, 1989. — 184 с.

4. Lifschitz V., Morgenstern L., PlaistedD. Knowledge representation and classical logic // Foundations of Artificial Intelligence. — 2008. — Vol. 3. — Pp. 3-88.

5. Hauskrecht M. Knowledge Representation. Propositional logic // CS 1571 Lectures. — 2012. —URL: http://people.cs.pitt.edu/~milos/courses/cs1571-Fall2012/Lectures/Class10.pdf.

6. Zadeh L. A. The concept of a linguistic variable and its application to approximate reasoning—I // Information sciences. — 1975. — Vol. 8, no. 3. — Pp. 199-249.

7. Zadeh L. A. From computing with numbers to computing with words: From manipulation of measurements to manipulation of perceptions // The Dynamics of Judicial Proof. — Springer, 2002. — С. 81—117.

8. Кузнецов И. П., Золотов Е. В. Семантические представления. — Москва : Наука, 1986. — 296 с.

9. Гаврилова Т. А., Хорошевский В. Ф. Базы знаний интеллектуальных систем. — 2000.

10. Golenkov V. V., Guliakina N. A. Graphodynamical models of parallel knowledge processing // Open Semantic Technologies for Intelligent Systems (OSTIS-2013).—2013.—P. 2352.

11. Quillian M. R. {Semantic memory}. — 1968.

12. Roussopoulos N. D. A semantic network model of data bases. — 1977.

13. Axelrod R. Structure of decision: The cognitive maps of political elites. — Princeton university press, 2015.

14. Кузнецов О., Кулинич А., Марковский А. Анализ влияний при управлении слабоструктурированными ситуациями на основе когнитивных карт // Человеческий фактор в управлении/Под ред. НА Абрамовой, КС Гинсберга, ДА Новикова.-М.: КомКнига. — 2006. — С. 313—344.

15. УэноХ., Исидзука М. Представление и использование знаний. — Москва : Мир, 1989.—220 с.

16. Post E. L. Absolutely unsolvable problems and relatively undecidable propositions: Account of an anticipation. — 1941.

17. Минский М., Гринбаум О. Н., Кулаков Ф. М. Фреймы для представления знаний. — Москва : Энергия, 1979. — 152 с.

18. Minsky M. A framework for representing knowledge. — 1975.

19. Artificial intelligence: a modern approach. Vol. 2 / S. J. Russell [et al.]. — Prentice hall Upper Saddle River, 2003. — 1152 pp.

20. Янковская А. Е. Логические тесты и средства когнитивной графики. — 2011. —92 с.

21. Fisher R. A. The use of multiple measurements in taxonomic problems // Annals of eugenics. — 1936. — Vol. 7, no. 2. — Pp. 179-188.

22. Minsky M. L. Some methods of artificial intelligence and heuristic programming // Proc. Symposium on the Mechanization of Thought Processes, Teddington. — 1958.

23. Вапник В. Н., Червоненкис А. Я. Теория распознавания образов. — Москва : Наука, 1974. — 416 с.

24. Журавлев Ю. И., Рязанов В. В., Сенько О. В. Распознавание. Математические методы. Программная система. Практические применения. — Москва : Фазис, 2005. — 159 с.

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

26. Горелик А. Л., Скрипкин В. А. Методы распознавания. — Москва : Высшая школа, 2004. — 222 с.

27. Rosenblatt F. The perceptron: a probabilistic model for information storage and organization in the brain // Psychological review. — 1958. — Vol. 65, no. 6. — P. 386.

28. Minsky M., Papert S. Perceptrons. — 1969.

29. Аркадьев А. Г., Браверман Э. М. Обучение машины распознаванию образов. — Москва : Наука, 1964. — 110 с.

30. Айзерман М. А., Браверман Э. М., Розоноэр Л. И. Метод потенциальных функций в теории обучения машин. — Москва : Наука, 1970. — 384 с.

31. Pattern classification and scene analysis. Vol. 3 / R. O. Duda, P. E. Hart, [et al.]. — Wiley New York, 1973. — 512 pp.

32. TouJ.T., Gonzalez R. C. Pattern recognition principles. — 1974.

33. Haykin S. Neural Networks: A Comprehensive Foundation. — Pearson Education, Inc, 1999.

34. Чегис И. А., Яблонский С. В. Логические способы контроля работы электрических схем // Сборник статей по математической логике и её приложениям к некоторым вопросам кибернетики. Труды Математического ин-та им. В.А. Стеклова. — Москва, 1958. — Т. 51. — С. 270—360.

35. Гуревич И. Б., Журавл ев Ю. И. Минимизация булевых функций и эффективные алгоритмы распознавания // Кибернетика. — Украина, Киев, 1974. — №3. —С. 16—20.

36. Журавлёв Ю. И. Об алгебраическом подходе к решению задач распознавания или классификации // Проблемы кибернетики. — 1978. — № 33. — С. 5—68. — URL: http://www.ccas.ru/frc/papers/zhuravlev78prob33.pdf.

37. Дюкова Е. В. Асимптотически оптимальные тестовые алгоритмы в задачах распознавания // Проблемы кибернетики. — Москва, 1982. — Т. 39. — С. 165—199.

38. Fu K. S. Syntactic methods in pattern recognition. — Elsevier, 1974. — 306 pp.

39. Александров В. В., Горский Н. Д. Алгоритмы и программы структурного метода обработки данных. — Москва : Наука, 1983. — 208 с.

40. Forsyth D. A., Ponce J.Computer vision: a modern approach. — Prentice Hall Professional Technical Reference, 2002. — 792 pp.

41. Рудаков К. В. Алгебраическая теория универсальных и локальных ограничений для алгоритмов распознавания. — Москва : ВЦ РАН, 1992. — 145 с.

42. Нечеткие множества в моделях управления и искусственного интеллекта / А. Н. Аверкин [и др.]. — Москва : Наука, 1986. — 312 с.

43. Блишун А. Ф. Нетрадиционные модели и системы с нечеткими знаниями. — Москва : Энергоатомиздат, 1991. — С. 143. 143 с.

44. Тэрано Т., Асаи К., Сугэно М. Прикладные нечеткие системы. — Москва : Мир, 1993. —368 с.

45. Пегат А. Нечеткое моделирование и управление. — Москва : Бином. Лаборатория знаний, 2009. — 798 с.

46. Растригин Л. А., Эренштейн Р. X. Принятие решений коллективом решающих правил в задачах распознавания образов // Автоматика и телемеханика. — 1975. — № 9. — С. 133—144.

47. Растригин Л. А., Эренштейн Р. Х. Коллективные правила распознавания. — Москва: Энергоиздат, 1981.

48. Мазуров В. Д. Комитеты систем неравенств и задача распознавания // Кибернетика. — 1971. — Т. 3. — С. 140—146.

49. Мазуров В. Д. Метод комитетов в распознавании образов. — Свердловск : ИММ УНЦ АН СССР, 1974. — 165 с.

50. Ивахненко А. Г. Системы эвристической самоорганизации в технической кибернетике. — Техшка, 1971. — 372 с.

51. Ивахненко А. Г., Зайченко Ю. П., Димитров В. Д. Принятие решений на основе самоорганизации. — Сов. радио, 1976. — 280 с.

52. Дюкова Е. В., Журавлев Ю. И., Рязанов В. В. Диалоговая система анализа и распознавания образов. — Москва : ВЦАН СССР, 1988. — 40 с.

53. Сенько О. В. Использование процедуры взвешенного голосования по системе базовых множеств в задачах прогнозирования // Журнал вычислительной математики и математической физики. — Москва, 1995. — Т. 35, № 10.— С. 1552—1563.

54. Найденова К. А. Реляционная модель анализа экспериментальных данных // Техническая кибернетика. — 1982. — № 4. — С. 103—119.

55. Найденова К. А., Полежаева Ю. Г. Алгоритм нахождения наилучших диагностических тестов // В сб.: Применение методов математической логики.—1986.—С. 63—67.

56. Воронцов К. В. Комбинаторная теория надёжности обучения по прецедентам: дис. ... канд. / Воронцов Константин Вячеславович. — ВЦ РАН, 2010.

57. Воронцов К. В. Профессиональный информационно-аналитический ресурс, посвященный машинному обучению, распознаванию образов и интеллектуальному анализу данных. — 2007. — URL: http://www.machinelearning.ru (дата обр. 01.03.2017).

58. Воронцов К. В. Видеолекции курса «Машинное обучение». — 2015. — URL: https: //yandexdataschool. ru/ edu - process / courses / machine - learning (дата обр. 01.03.2017).

59. Дюкова Е. В. О сложности реализации дискретных (логических) процедур распознавания // Журнал вычислительной математики и математической физики. — 2004. — 44:3. — С. 562—272.

60. Дюкова Е. В., Прокофьев П. А. Об асимптотически оптимальном перечислении неприводимых покрытий булевой матрицы // Прикладная дискретная математика. — 2014. — 1 (23).

61. Янковская А. Е. Сокращение числа признаков в распознающих системах // В сб.: Автоматизированные системы управления хозяйством Томской области. — Томск, 1980. — С. 136—140.

62. Янковская А. Е. Оптимизирующие преобразования в процессе синтеза асинхронного автомата и их приложения // MTA SZTAKI TANULMANYOK. — 1980. — С. 212—227.

63. Бонгард М. М. Проблема узнавания. — Москва : Физматгиз, 1967.

64. Лбов Г. С. Методы обработки разнотипных экспериментальных данных. — Новосибирск : Наука, 1981. — 160 с.

65. Блох А. Ш. Об одном алгоритме обучения для задач по распознаванию образов // В кн.: Вычисл. техн. в машиностр. — 1966. — № 10. — С. 37— 43.

66. Орлов В. А. Применение граф-схемного метода распознавания образов: Дис. на соискание уч. ст. канд. физ.-матем. Дис. ... канд. / Орлов В А. — Владивосток: ДНЦ АН СССР, 1974.

67. Hyafil L., Rivest R. L. Constructing optimal binary decision trees is NP-complete // Information Processing Letters. — 1976. — Vol. 5, no. 1. — Pp. 1517.

68. Янковская А. Е. Об оптимальном сочетании условных и безусловных диагностических тестов в интеллектуальных системах // Искусственный интеллект - 96: Сб. научных трудов V Национальной конференции с международным участием. Т. 1. — 1996. — С. 77—80.

69. Янковская А. Е., Черногорюк Г. Э. Интеллектуальная медицинская система, основанная на смешанных диагностических тестах // Математические методы в технике и технологиях (ММТТ-2000): Сб. трудов 13-й Международной научной конференции. Т. 4. — 2000. — С. 121—124.

70. Янковская А. Е. Сокращение числа признаков в распознающих системах // В сб.: Автоматизированные системы управления хозяйством Томской области / под ред. Ф.И. Перегудов. — 1980. — С. 136—140.

71. Янковская А. Е. Автоматные методы решения некоторых оптимизационных задач обработки информации на троичных матрицах // Математические методы в задачах управления. Тез. докл. — 1981. — С. 33—35.

72. Янковская А. Е. Алгоритмы спуска при решении некоторых задач синтеза дискретных устройств и их приложения // Теория дискретных управляющих устройств. — 1982. — С. 206—214.

73. Yankovskaya A. E., Gedike A. I. Construction and Evaluation of Compressed Descriptions of Patterns in an Intelligent Recognizing System // Pattern Recognition and Image Analysis. — 1999. — Vol. 9, no. 1. — Pp. 124-127.

74. Yankovskaya A. E., Gedike A. I. Finding of All Shortest Column Coverings of Large Dimension Boolean Matrices // Proceedings of the First International Workshop on Multi-Architecture Low Power Design (MALOPD). — 1999. — Pp. 52-60.

75. Kelmanov A. V. On the complexity of some data analysis problems // Computational Mathematics and Mathematical Physics. — 2010. — Т. 50, № 11. —С. 1941—1947. —URL: http://dx.doi.org/10.1134/S0965542510110163.

76. Кудрявцев В. Б., Андреев А. Е. Тестовое распознавание // Фундаментальная и прикладная математика. — 2009. — Т. 15, № 4. — С. 67—99.

77. Поликарпова Н. И., Шалыто А. А. Автоматное программирование. — СПб: Питер, 2009.

78. Пушкин В. Н. Психология и кибернетика. — Москва: Педагогика, 1971. — 230 с.

79. Зенкин А. А. Когнитивная компьютерная графика. — Наука, 1991. — 192 с.

80. Поспелов Д. А. Когнитивная графика — окно в новый мир // Программные продукты и системы. — 1992. — № 2. — С. 4—6.

81. Поспелов Д. А. Десять "горячих точек" в исследованиях по искусственному интеллекту // Интеллектуальные системы (МГУ). — 1996. — Т. 1, № 1— 4. — С. 47—56.

82. Friendly M. A brief history of data visualization // Handbook of data visualization. — Springer, 2008. — Pp. 15-56.

83. Venn /.Symbolic Logic. — Macmillan, 1881. — 500 pp.

84. Валъкман Ю. Р. Когнитивные графические метафоры: когда, зачем, почему и как мы их используем // Доклады Междун. конф."Знания-Диалог-Решение"(КDS-95), Киев, Ялта. — 1995. — С. 261—272.

85. Валъкман Ю. Р. Графическая метафора-основа когнитивной графики // IV Нац. конф. с межд. уч."Искусств. интеллект-94": Сб. науч. тр. TI Рыбинск. — 1994. — С. 94—100.

86. Chernoff H. The use of faces to represent points in k-dimensional space graphically // Journal of the American Statistical Association. — 1973. — Vol. 68, no. 342.—Pp. 361-368.

87. Горохов В. Л., Муравьев И. П. Когнитивная машинная графика. Методы динамических проекций и робастная сегментация многомерных данных. Методология, методики и интерфейсы. — СПбГИЭУ СПб., 2007. — 170 с.

88. Горохов В. Л., Лукъянец А. А., Чернов А. Г. Современные методы когнитивной визуализации многомерных данных. — Томск: Некоммерческий фонд развития региональной энергетики, 2007. — 215 с.

89. Хачумов В. М. Компьютерная графика в учебном процессе Университета г. Переславля //. — МГУ, 2004. — С. 311—315.

90. Хачумов В. М. Распознавание образов и когнитивная графика // Системы проектирования, технологической подготовки производства и управления этапами жизненного цикла промышленного продукта (CAD/CAM/PDM -2009). Труды 9-й международной конференции. Под редакцией Е.И. Артамонова. — 2009. — С. 25—30.

91. Колесников А. В., Листопад С. В. Концептуально-визуальные основы виртуальных гетерогенных коллективов, поддерживающих принятие решений //. — Балтийского федерального университета им. Иммануила Канта, 2016.— С. 8—56.

92. Анохин А. Н. Новое поколение человеко-машинных интерфейсов для управления технологическими процессами // Человеческий фактор: серия «Проблемы психологии и эргономики. — 2011. — № 3. — С. 58.

93. Keim D. A. Information Visualization and Visual Data Mining // IEEE Transactions on Visualization and Computer Graphics. — 2002. — Vol. 7, no. 1. — Pp. 100-107.

94. Challenges in visual data analysis / D. A. Keim [et al.] // Tenth International Conference on Information Visualisation (IV'06). — IEEE. 2006. — Pp. 9-16.

95. Visual analytics: Definition, process, and challenges / D. Keim [et al.] // Information visualization. — Springer, 2008. —Pp. 154-175.

96. Visual analytics of movement / G. Andrienko [et al.]. — Springer Science & Business Media, 2013.

97. Andrienko G., Andrienko N., Wrobel S. Visual analytics tools for analysis of movement data // ACM SIGKDD Explorations Newsletter. — 2007. — Vol. 9, no. 2. — Pp. 38-46.

98. Fekete J.-D., Plaisant C. Interactive information visualization of a million items // Information Visualization, 2002. INFOVIS 2002. IEEE Symposium on. — IEEE. 2002. — Pp. 117-124.

99. Берестнева О. Г., Осадчая И. А., Немеров Е. В. Методы исследования структуры медицинских данных // Вестник науки Сибири. — 2012. — 1 (2).

100. Башлыков А. А. Когнитивная графика как средство образного представления информации в человеко-машинных системах управления сложными объектами // Автоматизация, телемеханизация и связь в нефтяной промышленности. — 2008. — № 12. — С. 15—24.

101. Новоселов Ю. В. Методы и программные средства когнитивной графики для интеллектуальных систем поддержки принятия решений: дис. ... канд. / Новоселов ЮВ. — Национальный исследовательский университет МЭИ, 2013.

102. Джевага К. А., Мезенцев А. О. Функциональная модель процесса когнитивно-образной визуализации разнородных данных // Интернет-журнал науковедение. — 2016. — Т. 8, № 2.

103. Вицентий А. В. Когнитивный интерфейс для работы с географической информацией //. — Научный центр "Олимп"(Астрахань), 2016. — С. 196— 200.

104. Hingston P. A. Animated proportional Venn diagrams: a study into their description, construction and business application: PhD thesis / Hingston Phillip Anthony. — RMIT University, 2006.

105. Yankovskaya A. E. New Kinds of Regularities in Knowledge and Algorithms of Their Revealing // Proceedings of 7th Open German/Russian Workshop on Pattern Recognition and Image Understanding. — 2007.

106. Янковская А. Е. Построение k-значных диагностических тестов в интеллектуальной системе с матричным представлением знаний // Сборник научных трудов VI Национальной конференции по искусственному интеллекту с международным участием (КИИ-98). Т. 1. — 1998. — С. 264—269.

107. Янковская А. Е. Принятие решений, устойчивых к ошибкам измерения значений признаков в интеллектуальных системах // Искусственный интеллект. Интеллектуальные системы (ИИ-2009). Материалы X Международной научно-технической конференции. — Таганрог : Изд-во ТТИ ЮФУ, 2009.— С. 127—130.

108. Ямшанов А. В. Исходный код утилит для экспериментов с построением диагностических тестов. — 2016. —URL: https://github.com/zZLOiz/diagnostic-test-experiments (дата обр. 10.12.2016).

109. Yankovskaya A. E., Yamshanov A. V. Development of Cross-Platform Cognitive Tools Invariant to Problem Areas and their Integration into Intelligent Systems // Key Engineering Materials. Multifunctional Materials: Development and Application. — 2016. — Vol. 683. — Pp. 609-616.

110. Yankovskaya A. E., Yamshanov A. V. Family of 2-simplex cognitive tools and their application for decision-making and its justifications // Computer Science & Information Technology (CS & IT). — AIRCC Publishing Corporation, 2016. — Pp. 63-76.

111. Янковская А. Е. Преобразование пространства признаков в пространство образов на базе логико-комбинаторных методов и свойств некоторых геометрических фигур // Распознавание образов и анализ изображений: новые информационные технологии. Тез. докладов I Всесоюзной конференции. Минск. Т. 2. — 1991. — С. 178—181.

112. Кондратенко С. В., Янковская А. Е. Система визуализации TRIANG для обоснования принятия решений с использованием когнитивной графики // Тезисы докладов III конференции по Искусственному интеллекту. Т. 1. — 1992.— С. 152—155.

113. Ямшанов А. В., Кривдюк Н. М. Специфика программной реализации когнитивных средств в интеллектуальных диагностических и обучающих системах // Перспективы развития фундаментальных наук [Электронный ресурс]: труды XI Международной конференции студентов и молодых учёных. — Томск : ТПУ, 2014. — С. 703—709.

114. Янковская А. Е., Ямшанов А. В., Кривдюк Н. М. 2-симплекс призма - когнитивное средство принятия и обоснования решений в интеллектуальных динамических системах // Машинное обучение и анализ данных. — 2015. — Т. 1,№ 14.— С. 1930—1938.

115. Янковская A. Е., Китлер С. В. Интеллектуальная подсистема построения отказоустойчивых диагностических тестов в пространстве k-значных признаков // Труды Конгресса по интеллектуальным системам и информационным технологиям «AIS-IT'10». Научное издание в 4-х томах. — Москва : Физматлит, 2010. — С. 343—350.

116. Янковская А. Е., Китлер С. В. Принятие решений на основе параллельных алгоритмов тестового распознавания образов // Искусственный интеллект. — 2010. — №3. —С. 151—159.

117. Янковская А. Е. Оптимизация распараллеливания алгоритма построения диагностических тестов // Математические методы распознавания образов. Сборник докладов 15-й Всероссийской конференции. — Москва: МАКС Пресс, 2011. —С. 92—95.

118. Yankovskaya A. E., Kitler S. V. Parallel algorithm for constructing k-valued fault-tolerant diagnostic tests in intelligent systems // Pattern Recognition and Image Analysis. — 2012. — Vol. 22, no. 3. — Pp. 473-482.

119. A data alignment technique for improving cache performance / P. R. Panda [et al.] // Computer Design: VLSI in Computers and Processors, 1997. ICCD'97. Proceedings., 1997 IEEE International Conference on. — IEEE, 1997. — Pp. 587-592.

120. Meyers S. CPU Caches and Why You Care. — 2013. — URL: http://www. aristeia . com / TalkNotes / codedive - CPUCachesHandouts . pdf (visited on 09/30/2016).

121. Michael M. M., Scott M. L. Simple, fast, and practical non-blocking and blocking concurrent queue algorithms // Proceedings of the fifteenth annual ACM symposium on Principles of distributed computing. — ACM, 1996. — Pp. 267-275.

122. Herlihy M. P. Impossibility and universality results for wait-free synchronization // Proceedings of the seventh annual ACM Symposium on Principles of distributed computing. — ACM, 1988. — Pp. 276-290.

123. Ямшанов А. В., Янковская А. Е. Реализация параллельного алгоритма построения диагностических тестов и исследование его производительности // Материалы 8-й Всероссийской мультиконференции, в 3 томах. Т. 1. — Ростов-на Дону : Изд-во Южного федерального университета, 2015. — С. 118—120.

124. Янковская А. Е., Ямшанов А. В. Параллельный алгоритм построения отказоустойчивых безызбыточных безусловных диагностических тестов для интеллектуальных систем // Пятнадцатая национальная конференция по искусственному интеллекту с международным участием КИИ-2016 (3-7 октября 2016г., г.Смоленск, Россия). Труды конференции. В 3-х томах. Т. 2. — Смоленск : Универсум, 2016. — С. 235—243.

125. Янковская А. Е., Ямшанов А. В. Ускоренный параллельный алгоритм построения безызбыточной матрицы импликаций при синтезе отказоустойчивых безызбыточных диагностических тестов // Научно техническая информация. Серия 2. Информационные процессы и системы. — 2016. — № 12.— С. 13—25.

126. Radatz J., Geraci A., Katki F. IEEE standard glossary of software engineering terminology // IEEE Std. — 1990. — Т. 610121990, № 121990. — С. 3.

127. Nagy T. Waf: the meta build system. — 2005. — URL: https://waf.io/ (дата обр. 30.09.2016).

128. Gregg B. Blazing Performance with Flame Graphs. — 2013. — URL: https: //www.usenix.org/conference/lisa13/technical -sessions/plenary/gregg (дата обр. 30.09.2016).

129. Kayce B. Performance profiling with the Timeline. — 2016. — URL: https:// developer.chrome.com/devtools/docs/timeline (дата обр. 30.09.2016).

130. Гедике А. И. Выявление закономерностей в знаниях и принятие решений в интеллектуальных логико-комбинаторных распознающих системах: дис. ... канд. / Гедике А И. — Томский государственный архитектурно-строительный университет, 1998.

131. Янковская А. Е., Ямшанов А. В. О развитии инвариантных к проблемным областям средств когнитивной графики, их кроссплатформенной программной реализации и их интеграции в интеллектуальные системы (часть 1) // Сборник трудов XII Международной конференция студентов и молодых ученых / Томский политехнический университет. — Томск : Изд-во Томского политехнического университета, 2015. — С. 717—719.

132. Ямшанов А. В., Янковская А. Е. О развитии инвариантных к проблемным областям средств когнитивной графики, их кроссплатформенной программной реализации и их интеграции в интеллектуальные системы (часть 2) // Сборник трудов XII Международной конференция студентов и молодых ученых / Томский политехнический университет. — Томск : Изд-во Томского политехнического университета, 2015. — С. 720—722.

133. Ямшанов А. В. Исходный код прототипа фреймворка визуализации средств когнитивной графики. — 2014. — URL: https://github.com/zZLOiz/cogn-proto (дата обр. 30.09.2016).

134. Ямшанов А. В. Специфика реализации кроссплатформенного фреймворка для визуализации когнитивных средств // Перспективы развития фундаментальных наук: сборник трудов XIII Международной конференция студентов, аспирантов и молодых ученых. Россия, Томск, 26-29 апреля 2016г. / под ред. И.А. Курзиной, Г.А. Вороновой. Т. 7. — Томск : Национальный Исследовательский Томский политехнический университет, 2016. — С. 129— 131.

135. Ямшанов А. В. Исходный код фреймворка визуализации средств когнитивной графики. — 2016. — URL: https://github.com/zZLOiz/cogn-render (дата обр. 30.09.2016).

136. Everitt C. Interactive order-independent transparency // White paper, nVIDIA. — 2001. — Vol. 2, no. 6. — P. 7.

137. Sherwood B. GlowScript: Technical Issues. — 2014. — URL: http://www. glowscript.org/docs/GlowScriptDocs/technical.html (visited on 09/30/2016).

138. Rougier N.Shader-based antialiased dashed stroked polylines // Journal of Computer Graphics Techniques. — 2013. — Vol. 2, no. 2. — Pp. 91-107.

139. Янковская А. Е. Смешанные диагностические тесты — новая парадигма создания интеллектуальных обучающих и контролирующих систем // Материалы Всероссийской научно-практической конференции "Новое качество образования в новых условиях". Т. 1. — Томск : ТОИПКРО, 2011. — С. 195—203.

140. Федеральный центр образовательного законодательства. — 2016. — URL: http://www.lexed.ru/faq/arkhiv-voprosov.php (дата обр. 30.09.2016).

141. Определение уровня усвоенных знаний по обучающему курсу, представленному семантической сетью / А. Е. Янковская [и др.] // Открытые семантические технологии проектирования интеллектуальных систем = Open Semantic Technologies for Intelligent Systems (OSTIS-2015). Материалы V междунар. науч.-техн. конф. —Беларусь, Минск: Учреждение образования «Белорусский государственный университет информатики и радиоэлектроники», 2015. — С. 331—338.

142. Ямшанов А. В. Демонстрация использования СКГ 2-симплекс призмы для отображения результатов прогнозирования обучения. —2016. —URL: http: //cogntool.tsuab.ru/demos/2-simplex-prediction/ (дата обр. 30.09.2016).

143. Yankovskaya A. E., Yamshanov A. V., Krivdyuk N. M. Application of Cognitive Graphics Tools in Intelligent Systems // International Journal of Engineering and Innovative Technology (IJEIT). — 2014. — Vol. 3, no. 7. — Pp. 58-65.

144. Янковская А. Е., Ямшанов А. В., Кривдюк Н. М. Применение когнитивных графических средств на основе 3-симплекса в интеллектуальных обучающе-тестирующих системах // Научная сессия НИЯУ МИФИ-2014. Аннотации докладов. В 3 томах. Т. 3. — Москва : НИЯУ МИФИ, 2014. — С. 130.

145. Янковская А. Е., Ямшанов А. В., Кривдюк Н. М. Средства когнитивной графики в интеллектуальных обучающе-тестирующих системах // Открытые семантические технологии проектирования интеллектуальных систем = Open Semantic Technologies for Intelligent Systems (0STIS-2014). Материалы IV междунар. науч.-техн. конф. — Беларусь, Минск : Учреждение образования «Белорусский государственный университет информатики и радиоэлектроники», 2014. — С. 303—308.

146. Янковская А. Е., Ямшанов А. В. Интеллектуальные обучающе-тестирующие системы с применением когнитивных технологий // XII Всероссийское совещание по проблемам управления ВСПУ-2014: Труды. [Электронный ресурс]. — Москва : Институт проблем управления им. В.А. Трапезникова РАН, 2014. — С. 4183—4191.

147. Янковская А. Е., Ямшанов А. В. Средства когнитивной графики в интеллектуальных обучающе-тестирующих системах // Шестая международная конференция по когнитивной науке: Тезисы докладов. — Москва : Институт психологии РАН, 2014. — С. 655—656.

148. Yankovskaya A. E., Yamshanov A. V, Krivdyuk N. M. Cognitive tools in intelligent systems of decision-making support // Intelligent Data Processing: Theory and Applications. Book of abstracts of the 10th International Conference. — Moscow : Torus Press, 2014. —P. 57.

149. Янковская А. Е., Ямшанов А. В., Кривдюк Н. М. Когнитивные средства в интеллектуальных системах поддержки принятия решений // Интеллектуализация обработки информации: 10-я международная конференция. Тезисы докладов. — Москва : Торус Пресс, 2014. — С. 56.

150. Yankovskaya A. E., Yamshanov A. V., Krivdyuk N. M. 2-simplex prism — a cognitive tool for decision-making and its justifications in intelligent dynamic systems // Mathematical Methods for Pattern Recognition. Book of abstract of

the 17th All-Russian Conference with International Participation. — Moscow : TORUS PRESS, 2015. — P. 83.

151. Янковская А. Е., Ямшанов А. В., Кривдюк Н. М. 2-симплекс призма - когнитивное средство принятия и обоснования решений в интеллектуальных динамических системах // Математические методы распознавания образов. Тезисы докладов 17-й Всероссийской конференции с международным участием. — Москва : ТОРУС ПРЕСС, 2015. — С. 82.

152. Yankovskaya A. E., Dementyev Y. N., Yamshanov A. V. Application of Learning and Testing Intelligent System with Cognitive Component Based on Mixed Diagnostics Tests // Procedia - Social and Behavioral Sciences. — 2015. — No. 206.—Pp. 254-261.

153. Когнитивные средства в обучающе-тестирующих системах, основанных на смешанных диагностических тестах / А. Е. Янковская [и др.] // Искусственный интеллект и принятие решений. — 2015. — № 4. — С. 95—105.

154. Интеллектуальная информационная технология в образовании / А. Е. Янковская [и др.] // Сборник научных трудов III Международной научной конференции "Информационные технологии в науке, управлении, социальной сфере и медицине". Т. 1. — Томск : Изд-во Томского политехнического университета, 2016. — С. 442—446.

155. Intelligent Information Technology in Education / A. E. Yankovskaya [et al.] // Advances in Computer Science Research. — Atlantis Press, 2016. — Pp. 17-21.

156. Янковская А. Е., Ямшанов А. В. Применение 2-симплекс призмы для исследования и моделирования процесса в различных проблемных областях // Седьмая международная конференция по когнитивной науке: Тезисы докладов. Калининград, 23-27 июня 2014 г. — Москва : Изд-во «Институт психологии РАН», 2016. — С. 655—656.

157. Prediction of Students' Learning Results with Usage of Mixed Diagnostic Tests and 2-simplex Prism / A. E. Yankovskaya [et al.] // Intelligent Data Processing: Theory and Applications. Book of abstracts of the 11th International Conference. — Moscow : TORUS PRESS, 2016. — P. 45.

158. Прогнозирование результатов обучения студентов с использованием смешанных диагностических тестов и 2-симплекс призмы / А. Е. Янковская [и др.] // Интеллектуализация обработки информации: Тезисы докладов 11-й Международной конференции (Москва, Россия-Барселона, Испания). — Москва : ТОРУС ПРЕСС, 2016. — С. 44.

159. Янковская А. Е., Китлер С. В., Силаева А. В. Интеллектуальная система диагностики и интервенции организационного стресса: её развитие и апробация // Открытое образование. — 2012. — 2 (91). — С. 61—69.

160. К вопросу динамики развития представлений об организационном стрессе и подходов к его оценке / Н. А. Корнетов [и др.] // Фундаментальные исследования. —2011. — № 10. — С. 598—603.

161. A syndrome produced by diverse nocuous agents / H. Selye [et al.] // Nature. — 1936. — Vol. 138, no. 3479. — P. 32.

162. Комплекс интеллектуальных систем профилактики психологического здоровья. — 2014. —URL: http://psyhealth.tsuab.ru/ (дата обр. 30.09.2016).

163. Yankovskaya A. E., Yamshanov A. V. Bases of intelligent system creation of decision-making support on road-climatic zoning // Pattern Recognition and Information Processing (PRIP'2014): Proceedings of the 12th International Conference. — Belarus, Minsk : UIIP NASB, 2014. — Pp. 311-315.

Список рисунков

1.1 Круги Эйлера.................................29

1.2 Пиктографик с использованием лиц Чернова................31

2.1 Пример матричного представления данных и знаний...........36

2.2 Фрагмент бинарной матрицы тестов Т...................38

2.3 Разработанные когнитивные средства семейства п-симплексов.....47

2.4 Демонстрация перевода коэффициентов из 2-симплекс пространства

в декартово пространство......................................................50

2.5 Отображение внешнего и внутреннего доверительного интервала на 2-симплексе..................................51

3.1 Процесс последовательного деления вычислений на подзадачи.....58

3.2 План выполнения программы построения матрицы и'..........59

3.3 Пример распределения вычислительных задач по потокам.......63

3.4 Используемая структура данных для хранения матрицы и1.......65

3.5 Маркированный односвязный список с локальной блокировкой .... 67

3.6 Переход по узлам МОСЛБ .........................70

3.7 Удаление узла в МОСЛБ ..........................70

3.8 Дообработка добавленных строк в МОСЛБ................70

3.9 Средство визуализации вычислительных потоков.............74

3.10 Параллельная реализация с применением параллельной модели вычислений Divide2..............................78

3.11 Параллельная реализация с применением параллельной модели вычислений ManyWorkers..........................78

3.12 Продолжительность выполнения программы построения БМИ в зависимости от количества признаков для тестовых данных.......81

3.13 Продолжительность выполнения программы построения БМИ в зависимости от количества образов для тестовых данных..................81

3.14 Продолжительность выполнения программы построения БМИ в зависимости от количества объектов для тестовых данных........81

3.15 Продолжительность выполнения программы построения БМИ в зависимости от количества потоков для данных из области кардиологии. 82

3.16 Продолжительность выполнения программы построения БМИ в зависимости от количества потоков для тестовых данных......... 82

3.17 Структура, применяемая для хранения промежуточных состояний алгоритма (вершин дерева поиска).....................86

3.18 Пример генерируемых масок покрытий для 5 признаков при h = 3. . . 90

3.19 Ускорение программы поиска безызбыточных покрытий БМИ в зависимости от количества потоков для области исследования грунтов. 93

3.20 Ускорение программы поиска безызбыточных покрытий БМИ в зависимости от количества потоков для области дорожного районирования.................................93

3.21 Ускорение программы сокращенного поиска безызбыточных покрытий БМИ в зависимости от количества потоков для области исследования грунтов.............................94

3.22 Ускорение программы сокращенного поиска безызбыточных покрытий БМИ в зависимости от количества потоков для области дорожного районирования..........................94

3.23 Ускорение программы сокращенного поиска безызбыточных покрытий БМИ в зависимости от количества потоков для области кардиологии..................................94

3.24 Ускорение программы сокращенного поиска h-кратных (h = 3) безызбыточных покрытий БМИ в зависимости от количества потоков

для тестовых данных.............................94

3.25 Визуализация 3-симплекса..........................100

3.26 Архитектура фреймворка визуализации СКГ................102

3.27 Сравнение изображений, полученных с применением разных версий фреймворка..................................103

3.28 Демонстрация отрисовки с применением метода Depth Peeling......104

3.29 Демонстрация текстуры для трассировки указателя............105

3.30 Демонстрация отрисовки линии со специальным шейдером.......105

3.31 Адаптация СКГ из семейства п-симплексов................107

3.32 Обзорная диаграмма компонент разрабатываемого комплекса программ ИМСЛОГО.............................109

4.1 Архитектура разрабатываемой обучающе-тестирующей ИС.......117

4.2 XY график для отображения результатов обучения............118

4.3 Визуализация динамики обучения с использованием 3-симплекса. . . .119

4.4 Визуализация кластеризации студентов с использованием 3-симплекса. 119

4.5 Иллюстрация вычисления погрешности..................122

4.6 Иллюстрация применения СКГ 2-симплекс призма для визуализации прогноза....................................122

4.7 Отображение результатов начального этапа лечения организационного стресса в 2-симплекс призме..............125

4.8 Отображение результатов заключительного этапа лечения организационного стресса в 2-симплекс призме..............126

4.9 Отображение результатов моделирования в 2-симплекс призме.....127

4.10 Средство визуализации карты местности с районированием.......130

Список таблиц

1 Количество необходимых вычислений при использовании строк замещения и предложенных формул....................45

2 Продолжительность выполнения программы в различных конфигурациях для реальных данных...................77

3 Продолжительность выполнения программы в различных конфигурациях для тестовых данных...................77

4 Продолжительность выполнения программы построения БМИ в зависимости от количества признаков для тестовых данных.......83

5 Продолжительность выполнения программы построения БМИ в зависимости от количества образов для тестовых данных......... 83

6 Продолжительность выполнения программы построения БМИ в зависимости от количества объектов для тестовых данных........83

7 Продолжительность выполнения программы построения БМИ в зависимости от количества потоков для данных из области кардиологии. 84

8 Продолжительность выполнения программы построения БМИ в зависимости от количества потоков для тестовых данных......... 84

9 Продолжительность выполнения программы поиска безызбыточных покрытий БМИ в зависимости от количества потоков для области исследования грунтов.............................95

10 Продолжительность выполнения программы поиска безызбыточных покрытий БМИ в зависимости от количества потоков для области дорожного районирования..........................95

11 Продолжительность выполнения программы сокращенного поиска безызбыточных покрытий БМИ в зависимости от количества потоков

для области исследования грунтов......................95

12 Продолжительность выполнения программы сокращенного поиска безызбыточных покрытий БМИ в зависимости от количества потоков

для области дорожного районирования...................96

13 Продолжительность выполнения программы сокращенного поиска безызбыточных покрытий БМИ в зависимости от количества потоков

для области кардиологии........................... 96

14 Продолжительность выполнения программы сокращенного поиска в глубину Н-кратных (Н = 3) безызбыточных покрытий БМИ в зависимости от количества потоков для тестовых данных......... 96

Приложение А АКТЫ И СПРАВКИ О ВНЕДРЕНИИ

МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ АВТОНОМНОЕ ОБРАЗОВАТЕЛЬНОЕ

УЧРЕЖДЕНИЕ ВЫСШЕГО ОБРАЗОВАНИЯ «НАЦИОНАЛЬНЫЙ ИССЛЕДОВАТЕЛЬСКИЙ ТОМСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ»

Ж.

Ж 4-/J

УТВЕРЖДАЮ

оректор по научной работе, . физ.-мат. наук

_И.В. Ивонин

2016 г.

АКТ

т

о внедрении результатов диссертационной работы Ямшанова Арт^агВяя®&?швовича

Комиссия в составе:

председателя комиссии - O.A. Змеев, начальник управления-проректор по

информатизации, зав. каф. программной инженерии, проф., докт. физ.-мат. наук; членов комиссии - С.П. Сущенко, декан факультета информатики, зав.

каф. прикладной информатики, проф., докт. техн. наук;

- И.Л. Фукс, старший преподаватель каф. теоретических основ информатики составили настоящий акт о нижеследующем:

В рамках гранта РФФИ 13-07-98037а «Создание гибридной интеллектуальной обучающе-тестирующей системы, ориентированной на смешанное образование и обучение» (срок действия гранта с 1 января 2013г. по 31 декабря 2015г.) была разработана и внедрена в Национальном Исследовательском Томском государственном университете пилотная версия гибридной интеллектуальной обучающе-тестирующей системы, ориентированной на смешанное образование и обучение. В рамках гранта РГНФ 13-06-00709а «Структуризация данных и знаний, создание интеллектуальной системы биопсихосоциальной экспресс-диагностики и профилактики депрессии у женщин в репродуктивный период» (срок действия гранта с 1 января 2013г. по 31 декабря 2015г.) был разработан комплекс интеллектуальных систем профилактики психологического здоровья Psyhealth (http://psyhealth.tsuab.ru/), состоящий из следующих систем:

1. ДИОС - Интеллектуальная система экспресс-диагностики и интервенции организационного стресса.

2. ДИАПРОД - Интеллектуальная система экспресс-диагностики и профилактики депрессии, основанная на пороговой и нечеткой логике.

3. ДИАПРОД-ЛОГ - Интеллектуальная система диагностики и профилактики депрессии.

A.B. Ямшанов, являясь исполнителем вышеупомянутых грантов со стороны Томского государственного университета систем управления и радиоэлектроники, выполнял разработку и программную реализацию ряда средств когнитивной графики: 3-симплекса с отображением в виде трехмерной модели, 3-симплекса с отображением в виде различных типов разверток на плоскость, 2-симплекс призмы для отображения динамических процессов, секторной диаграммы с отображением дополнительных зависимостей. Кроме того, A.B. Ямшанов внёс основной вклад в программную реализацию комплекса интеллектуальных систем профилактики психологического здоровья Psyhealth.

Использование созданных средств когнитивной графики применительно к гибридной интеллектуальной обучающе-тестирующей системе, ориентированной на смешанное образование и обучение, позволило: повысить качество оценки студентов; отслеживать их

траекторию обучения; сопоставлять персональные траектории студента с достижениями учебной группы или интернет-сообщества, с целью оптимизации учебного процесса. Использование созданных средств когнитивной графики применительно к комплексу интеллектуальных систем профилактики психологического здоровья РзуЬеакЬ позволило: давать более качественную интерпретацию состояния психического здоровья обследуемого; принимать и обосновывать принимаемые диагностические решения с применением средств когнитивной графики; снабжать обследуемого индивидуально подобранной и смоделированной траекторией лечения.

Председатель комиссии начальник управления-проректор по информатизации, зав. каф. программной инженерии, проф.. докт. физ.-мат. наук

Члены комиссии:

декан факультета информатики, зав. каф. прикладной информатики, проф., докт. техн. наук старший преподаватель каф. теоретических основ информатики

ТГАСУ

Министерство образования и науки Российской Федерации Федеральное государственное бюджетное образовательное учреждение высшего образования "Томский государственный архитектурно-строительный университет"

ГVX

по научной работе,

В.А. Клйменов

В ' .' ^Фбг.

г> Os //

АКТ

о внедрении результатов диссертационной работы Ямшанова Артема Вячеславовича

Комиссия в составе:

председателя комиссии - В.Н. Ефименко, декан дорожно-строительного

факультета, зав. каф. автомобильных дорог, проф., докт. техн. наук

членов комиссии - М.В. Бадина, доц. каф. автомобильных дорог,

канд. техн. наук - A.B. Сухоруков, ст. преподаватель каф. автомобильных дорог

составили настоящий акт о нижеследующем:

В рамках гранта РФФИ 14-07-00673а " Интеллектуальная информационная технология дорожно-климатического районирования, основанная на тестовых методах распознавания образов и средствах когнитивной графики" (срок действия гранта с 1 января 2014г. по 31 декабря 2016г.) была разработана интеллектуальная система, предназначенная для дорожно-климатического районирования географических территорий, положенная в основу интеллектуальной информационной технологии дорожно-климатического районирования. В основу интеллектуально системы положены знания высококвалифицированных экспертов и результаты исследований по Западной Сибири, Интеллектуальная система апробирована на ряде примеров.

A.B. Ямшанов, являясь исполнителем гранта, выполнял разработку и программную реализацию средств когнитивной графики, позволяющих специалистам в области проектирования и строительства автомобильных дорог наглядно представлять базу данных и знаний, информационные структуры и выявленные закономерности, принимать и обосновывать принимаемые решения.

Председатель комиссии декан дорожно-строительного факультета, зав. каф. автомобильных дорог, проф., докт. техн. наук

Члены комиссии:

доц. каф, автомобильных дорог, канд. техн. наук ст. преподаватель каф. автомобильных дорог

В.Н. Ефименко

М.В.Бадина A.B. Сухоруков

ООО «Элком+», 634021, г. Том-тел./факс: [phone]

фзкс (авто): e-maü: tomsk@elc

пр- Фрунзе, 130а многоканальный) 3822} 49-70-В0 /доб. 1010) plus "i: www.elC6frtptus.nj

¡¡¡Ж®

SS

:ыи директор

p. F. Теттттякгш----------

2016 г.

АКТ

о внедрении результатов диссертационной работы Ямшанова Артема Вячеславовича

Комиссия в составе:

председателя комиссии - А.Л. Федоренко, начальник департамента

технологической связи;

членов комиссии - Я.В. Казаков, начальник отдела разработки

программного обеспечения;

- Д.В. Кустов, ведущий инженер-программист отдела разработки программного обеспечения

составили настоящий акт о нижеследующем:

Компания «Элком+» специализируется на внедрении комплексных проектов в области систем технологической связи и автоматизации. Направления деятельности компании включают в себя проектирование систем промышленной автоматизации и технологической связи, разработку и внедрение систем промышленной автоматизации, разработку и внедрение систем технологической связи, разработку программного обеспечения для систем цифровой радиосвязи.

Результаты диссертационной работы A.B. Ямшанова на тему "Модели и методы параллельных вычислений для построения отказоустойчивых диагностических тестов в интеллектуальных системах с когнитивной компонентой" весьма актуальны, представляют практический интерес и были использованы нашей компанией при разработке программного обеспечения SmartPTT PLUS SIP-100, выполняющего роль телефонного шлюза для систем радиосвязи, построенных на платформе MOTOTRBO™.

Использование полученных в ходе выполнения диссертационной работы моделей параллельных вычислений и инструментов для их исследования и оптимизации позволило найти узкие места в серверной части продукта SmartPTT PLUS SIP-100 и реорганизовать структуру нескольких программных модулей на почти независимую параллельную обработку разных

потоков данных, что привело к многократному, соизмеримому с количеством процессорных ядер на серверном оборудовании, повышению производительности программного комплекса и достижению необходимых критериев его эффективности.

Председатель комиссии

начальник департамента технологической связи ^ / Л.Л. Федоренко

Члены комиссии:

начальник отдела разработки программного обеспечения

ведущий инженер-программист отдела разработки программного обеспечения

ч

. / Я.В.Казаков

'/ Д.В. Кустов

Министерство образования и науки Российской Федерации

Федеральное государственное бюджетное образовательное учреждение

высшего образования

«ТОМСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ СИСТЕМ УПРАВЛЕНИЯ

И РАДИОЭЛЕКТРОНИКИ» (р

РЖДАЮ

екто(£Гцо учебной работе П.Е. Троян

2016 г.

о внедрении результатов диссертационной работы Ямшанова Артема Вячеславовича

Комиссия в составе:

председателя комиссии - Е.М. Давыдова, декан факультета безопасности, доц.

каф. комплексной информационной безопасности электронно-вычислительных систем, канд. техн. наук членов комиссии — Е.Ю. Костюченко, доц. каф. комплексной

информационной безопасности электронно-вычислительных систем, канд. техн. наук - A.A. Конев, доц. каф. комплексной информационной безопасности электронно-вычислительных систем, канд. техн. наук составили настоящий акт о нижеследующем:

Результаты диссертационной работы A.B. Ямшанова на тему "Модели и методы параллельных вычислений для построения отказоустойчивых диагностических тестов в интеллектуальных системах с когнитивной компонентой" используются в учебном процессе на кафедре комплексной информационной безопасности электронно-вычислительных систем факультета безопасности Томского государственного университета систем управления и радиоэлектроники.

Полученные в ходе диссертационной работы результаты легли в основу ряда практических занятий по дисциплине «Технологии и методы программирования» для студентов, обучающихся по специальности «Информационная безопасность автоматизированных систем», проводимых A.B. Ямшановым. Применение разработанных методов для оценки студентов позволило повысить качество оценивания студентов и повысить их мотивацию к обучению. Председатель комиссии декан факультета безопасности, доц. каф. комплексной информационной безопасности электронно-вычислительных систем, канд. техн. наук

Члены комиссии:

доц. каф. комплексной информационной безопасности электронно-вычислительных систе: канд. техн. наук

доц. каф. комплексной информационной безопасности электронно-вычислительных систем, канд. техн. наук

Е.М. Давыдова

/' Е.Ю. Костюченко

/ A.A. Конев

Минздрав России

Федеральное государственное бюджетное образовательное учреждение высшего образования «Сибирский государственный медицинский университет» Министерства здравоохранения Российской Федерации (ФГБОУ ВО СибГМУ Минздрава России) Московский тракт, д. 2, г. Томск. 634050 Телефон [phone]; Факс [phone] ОКПО 01963539 ОГРН 1027000885251 ИНН 7018013613 КПП 701701001

Утверждаю

Проректор по учебной работе д-р{\1е$г наук, профессор

.В. Логвинов,

2016 г.

На №

№ от

АКТ

внедрения в учебный процесс кафедр клинической психологии и психотерапии и медицинской и биологической кибернетики с курсом медицинской информатики ФГБОУ ВО СибГМУ Минздрава России результатов диссертационной работы Ямшанова A.B. на тему «Модели и методы параллельных вычислений для построения отказоустойчивых диагностических тестов в интеллектуальных системах с когнитивной компонентой», представленной на соискание ученой степени кандидата технических наук.

Мы, нижеподписавшиеся, комиссия в составе: председателя - заведующего кафедрой клинической психологии и психотерапии доктора мед. наук, профессора А.Н.Корнетова и членов: и.о. заведующего кафедрой медицинской и биологической кибернетики с курсом медицинской информатики доктора техн. наук К.С.Бразовского, доктора техн. наук, профессора В.А.Фокина и канд. техн. наук, профессора Я.С.Пеккера удостоверяем, что результаты диссертационной работы Ямшанова A.B. внедрены в учебный процесс кафедр клинической психологии и психотерапии и медицинской и биологической кибернетики с курсом медицинской информатики в виде следующих систем:

1. ДИОС-Интеллектуальная система экспресс-диагностики и интервенции организационного стресса.

2.ДИАПР0Д-Интеллектуальная система экспресс-диагностики и профилактики депрессии, основанная на пороговой и нечеткой логике.

3.ДИАПРОД-ЛОГ-Интеллектуальная система диагностики и профилактики депрессии.

Использование полученных Ямшановым A.B. результатов, позволяет давать более качественную интерпретацию состояния психического здоровья обследуемого, принимать и обосновывать диагностические решения с применением средств когнитивной графики, а также снабжать обследуемого индивидуально подобранной и смоделированной траекторией лечения.

Председатель:

Заведующий кафедрой клинической

психологии и психотерапии, д-р мед. наук, профессор

Члены комиссии:

И.о. зав, кафедрой МБК с курсом МИ , д-р техн. наук

.Н.Корнетов

канд. техн. наук, профессор

д-р техн. наук, профессор

Я.С. Пеккер

В.А.Фокин

TOMSK Bl III томский POLYTECHNIC Ш U ПОЛИТЕХНИЧЕСКИЙ UNIVERSITY ■■■ УНИВЕРСИТЕТ

Министерство образования и науки Российской Федерации федеральное государственное автономное образовательное учреждение высшего образования «Национальный исследовательский Томский политехнический университет» (ТПУ)

Директор ЭНЙН

I ~ ,j * *°с

эниш

В.М. Завьялов 2016 г.

W

ч\ О

V АКТ

о внедрении результатов дисссртациоипои работы Ямшанова Артема Вячеславовича

Комиссия в составе:

председателя комиссии - Ю.Н. Дементьев, заведующий кафедрой

электропривода и электрооборудования (ЭПЭО), энергетического института (ЭНИН), ТПУ, доктор PhD, к.т.н., доцент;

членов комиссии - Д.Ю.Ляпунов, доцент кафедры ЭПЭО ЭНИН, ТПУ,

к.т.н., доцент;

- С.И. Качинj профессор кафедры ЭПЭО ЭНИН, ТПУ, д.т.н., профессор составили настоящий акт о нижеследующем:

Результаты диссертационной работы A.B. Ямшанова на тему «Модели и методы параллельных вычислений для построения отказоустойчивых диагностических тестов в интеллектуальных системах с когнитивной компонентой» используются в учебном процессе кафедры электропривода и электрооборудования Энергетического института Национального исследовательского Томского политехнического университета при проведении практических и лабораторных занятий по следующим дисциплинам «Программные средства профессиональной деятельности», «Математическое моделирование в электротехнике», «Математическое моделирование в электроприводе», «Теория автоматического управления».

Использование результатов исследований A.B. Ямшанова по когнитивной визуализации, моделированию и прогнозированию траекторий обучения студентов позволяет преподавателю: наглядно наблюдать за процессом обучения в группе и при необходимости принимать решения о его корректировке, прогнозировать траектории обучения студентов, сократить затраты на обучения путем создания подгрупп студентов со схожей способностью к обучению.

Кроме того, результаты исследований, проведенные в диссертационной работе A.B. Ямшановым, позволяют студенту: отслеживать свою траекторию обучения, повысить качество оценки и мотивацию к обучению, принимать и обосновывать решения о коррекции траектории обучения, прогнозировать свою траекторию обучения, получить индивидуально подобранную траекторию обучения.

Председатель комиссии

Члены комиссии:

Ю.Н. Дементьев Д.Ю.Ляпунов С.И.Качин