Программно-диагностический комплекс для управления состоянием многопараметрических технических объектов на основе методов семантического анализа тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат технических наук Зимнович, Роман Викторович

• Зимнович, Роман Викторович
• кандидат технических наук
• 2007

Оглавление диссертации кандидат технических наук Зимнович, Роман Викторович

ПЕРЕЧЕНЬ УСЛОВНЫХ ОБОЗНАЧЕНИЙ.

ВВЕДЕНИЕ.

ГЛАВА 1. ИССЛЕДОВАНИЕ СУЩЕСТВУЮЩИХ МЕТОДОВ ДИАГНОСТИКИ И СПОСОБОВ ПОСТРОЕНИЯ СИСТЕМ УПРАВЛЕНИЯ СОСТОЯНИЕМ МНОГОПАРАМЕТРИЧЕСКИХ ТЕХНИЧЕСКИХ ОБЪЕКТОВ.

1.1 Постановка задачи.

1.2 Функциональные и структурные схемы систем, подсистем и процессов, протекающих в системе управления состоянием.

1.3 Особенности проявления неисправностей многопараметрических технических объектов и их классификация.

1.3.1 Оценка состояния многопараметрических технических объектов.

1.3.2 Типы неисправностей, методы их выявления и этапы их устранения.

1.4 Интеллектуальные методы диагностики.

1.5 Методы анализа смысла текста.

Выводы по главе 1.

ГЛАВА 2. РАЗРАБОТКА МЕТОДЫ И СРЕДСТВА ИНФОРМАЦИОННОЙ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ ПРИ УПРАВЛЕНИИ СОСТОЯНИЕМ.

2.1 Принятие решений при устранении нештатных ситуаций и неисправностей многопараметрических технических объектов.

2.1.1 Основные задачи, решаемые подсистемой поддержки принятия решений.

2.1.2 Этапы процесса устранения нештатных ситуаций и неисправностей многопараметрических технических объектов.

2.2 Структура средств управления состоянием многопараметрических технических объектов.

2.2.1 Иерархическая структура системы управления состоянием.

2.2.2 Функционирование рабочих мест системы управления состоянием.

2.3 Разработка метода активации узлов в управлении состоянием многопараметрических технических объектов.

2.4 Исследование методов принятия решений на основе нечеткой логики.

Выводы по главе 2.

ГЛАВА 3. РАЗРАБОТКА ИНТЕЛЛЕКТУАЛЬНОЙ СОВЕТУЮЩЕЙ СИСТЕМЫ НА ОСНОВЕ СЕМАНТИЧЕСКОГО АНАЛИЗАТОРА.

3.1 Создание структуры семантического анализатора.

3.1.1 Функциональная модель семантического анализатора.

3.1.2 Базы знаний, построенные на основе семантических сетей.

3.2 Разработка методов, моделей и алгоритмов построения семантического анализатора.

3.2.1 Методы определения семантической близости понятий.

3.2.2 Математическое описание семантического куба.

3.2.3 Выбор формы представления семантического куба.

3.2.4 Алгоритм работы семантического анализатора.

Выводы по главе 3.

ГЛАВА 4. ПРАКТИЧЕСКАЯ РЕАЛИЗАЦИЯ ПРОГРАММНО-ДИАГНОСТИЧЕСКОГО КОМПЛЕКСА.

4.1 Разработка архитектуры и программная реализация диагностического комплекса для управления техническим состоянием.

4.1.1 Структура 4-хуровневого программно-диагностического комплекса.

4.1.2 Диагностирование с помощью нейронной сети.

4.1.3 Диагностирование с помощью семантического анализатора.

4.1.4 Разработка программных средств диагностического комплекса.

4.1.5 Интерфейс программно-диагностического комплекса Intellectual diagnostician 1.0.

4.2 Анализ эффективности функционирования системы обеспечения безопасности информации при управлении техническим состоянием.

4.3 Результаты экспериментальных исследований характеристик программно-диагностического комплекса.

4.3.1 Экспериментальная проверка метода семантической сети.

4.3.2 Решение задачи распознавания неисправностей многопараметрических технических объектов с помощью семантического анализатора.

Выводы по главе 4.

Введение диссертации (часть автореферата) на тему «Программно-диагностический комплекс для управления состоянием многопараметрических технических объектов на основе методов семантического анализа»

Возросшие сложность и динамичность процессов эксплуатации многопараметрических технических объектов (МТО) определяют необходимость анализа их технического состояния и проведения работ по созданию эффективной системы управления состоянием (СУС) МТО. Эта задача приобретает особую актуальность в связи с появлением интегрированных компьютеризированных систем, способных взять на себя выполнение некоторых трудоёмких этапов данного процесса. К рассматриваемому классу МТО относятся распределённые вычислительные системы, системы связи, военная техника и т.п.

При управлении состоянием МТО руководителям различных уровней приходится принимать решения в сложных условиях, характеризующихся дефицитом времени и отсутствием всей необходимой информации. При этом принимаемые решения должны быть безошибочными, правильными и обоснованными. И если на низших уровнях управления решение принимается преимущественно в соответствии с эксплуатационной документацией, то на более высоких уровнях управления для уменьшения степени риска в процессе принятия решения значительно возрастает необходимость использования высокоэффективной интеллектуальной СУС МТО, которая позволяет обеспечить оперативный контроль за ходом эксплуатации техники, всесторонне оценивать её техническое состояние, надежность, эксплуатационно-технические характеристики и вырабатывать оптимальные стратегии воздействий, направленные на поддержание постоянной готовности техники к применению по её назначению.

В рамках этой макрозадачи выделяется подзадача создания алгоритмов и методов, необходимых для функционирования автоматизированной подсистемы поддержки принятия решений при управлении состоянием МТО. Под состоянием подразумевается работоспособность частей техники, обеспечивающих выполнение основных функций. А под управляющими решениями подразумеваются решения, касающиеся поиска и устранения причин возникновения неисправностей техники. Решение данной задачи особенно важно, так как от быстроты и точности диагностирования неисправностей техники напрямую зависит эффективность работы всей системы управления, поскольку данная информация является основой для принятия решений по управлению состоянием МТО.

Отдельной проблемой является задача выбора метода и средств устранения причин неисправности МТО. Существующие интеллектуальные советующие системы (ИСС) [69], способные её решить обладают многими недостатками. В частности, нейронные сети [26, 30, 50, 51, 77, 95], экспертные системы [22, 96] становятся бесполезными, когда требуется решить задачу из класса, где способ решения априорно не внесён в базу знаний (БЗ) ИСС. Подобная ситуация приводит к тому, что внедрение ИСС тормозится, так как они не оправдывают высокого доверия к ним со стороны неспециалистов.

В процессе управления состоянием МТО часто приходится сталкиваться с неисправностями, идентификация которых не может быть выполнена имеющимися средствами.

Развиваются три подхода к решению задачи повышения эффективности управления техническим состоянием. Первый подход генерации нестандартных решений состоит в совершенствовании существующих ИСС с целью расширения их возможностей по решению задач различных типов. Данный подход ограничен принципами, положенными в основу работы существующих ИСС.

Второй подход состоит в интеграции различных ИСС в одну систему таким образом, чтобы решение поставленной задачи осуществлялось той ИС, которая имеет большие возможности для этого по сравнению с возможностями других ИСС. Данный подход имеет два недостатка. Во-первых, он не решает проблемы в целом. Во-вторых, такая ИСС неизбежно оказывается большой, сложной и трудно обучаемой.

Третий подход основан на поиске новых принципов для создания ИСС. Для решения нестандартных задач целесообразно применение метода построения рассуждений, отличного от формально-логического вывода, используемого в экспертных системах, и включения сюда методов семантического анализа и советующей системы установления причин неисправностей при нестандартных ситуациях. Используемые в настоящее время принципы построения ИСС не позволяют строить ИС, обладающие всеми названными способностями.

Предлагаемый в настоящей работе подход к построению ИСС состоит в объединении известных программных средств диагностики и разработке новых методов принятия решений и использовании знаний, накопленных в журналах оперативного учёта и БЗ для идентификации неисправностей МТО на основе семантического анализа. Это позволяет расширить способности ИСС за счёт увеличения и уточнения информации, хранимой в БЗ.

Таким образом, в соответствии с выше поставленными задачами, разработка алгоритмов, методов и программных средств на их основе, позволяющих, с использованием интеллектуальных технологий, увеличить вероятность достоверного определения неисправностей и выдать рекомендации по их устранению является актуальной задачей.

Целью данной диссертации является разработка методов, алгоритмов и математической модели, позволяющих создать ПДК, обеспечивающий повышение достоверности обнаружения неисправностей и увеличение эффективности управления состоянием МТО.

Объектом исследования являются распределённые комплексы МТО и существующие в них системы управления их состоянием,

Предметом исследования являются методы, модели и алгоритмы, направленные на диагностику неисправностей, генерацию рекомендаций по восстановлению работоспособности МТО и выработки рекомендаций по устранению причин их возникновения.

Задачи работы. Для достижения общей цели поставлены следующие задачи:

- исследование существующих интеллектуальных методов диагностики и способов построения СУС МТО;

- определение особенностей организации иерархических СУС МТО и разработка на их основе новых методов и алгоритмов принятия решений по управлению состоянием;

- разработка способа представления базы знаний, математической модели и алгоритмов, необходимых для выявления смысла и связей диагностических записей на основе методов семантического анализа;

- разработка структуры и программной реализации диагностического комплекса по поиску и устранению неисправностей МТО с использованием, методов семантического анализа;

- экспериментальная проверка разработанных научных положений, методов и реализации ПДК.

Научная новизна. В работе получены следующие новые научные результаты:

- предложен новый подход к использованию интеллектуальных технологий в СУС МТО, основанный на анализе семантической информации с последующим распознаванием неисправностей техники по её признакам;

- формализовано представление структуры СУС МТО, предназначенной для управления информационными потоками, автоматизации и сопровождения процесса поддержания технических средств в рабочем состоянии;

- разработано формализовано представление базы знаний в виде семантического куба;

- разработана математическая модель семантического анализатора, позволяющая выявлять смысл и связи диагностических записей;

- разработан метод активации узлов на основе абдуктивного подхода к принятию управленческих решений в распределённой СУС МТО;

- разработан алгоритм определения семантической близости фраз на основе предложенных семантических норм для решения задачи диагностики МТО;

- создана информационная структура ПДК на основе базы данных, нейросетевого кластеризатора, экспертной системы и семантического анализатора;

- разработан ПДК по поиску неисправностей МТО и выработки рекомендаций по их устранению на основе методов семантического анализа.

Практическая ценность работы. Разработанный ПДК предназначен для анализа информации о неисправностях МТО, заносимых в журналы контроля технического состояния, способен распознавать причины возникновения неисправностей в условиях нечёткости или недостоверности исходных данных, генерировать нестандартные предложения по поиску причин возникновения неисправностей и выработки рекомендаций по их устранению.

Разработанные программные компоненты представляют собой законченную программную реализацию, обладающую дружественным интерфейсом и высоким быстродействием, позволяющая повысить точность идентификации возникающих неисправностей и выработки решений по их устранению в условиях повышения сложности техники и снижения квалификации обслуживающего персонала.

Результаты экспериментальных исследований показали, что Применение программных средств обеспечило увеличение точности распознавания неисправностей субблоков общего применения МТО при использовании семантического анализатора, входящего в состав ПДК, до 82-92%, что на 10% выше, чем при использовании экспертного метода и на 30-40% выше, чем при использовании статистического метода.

Методы исследования. Данная работа базируется на методах системного анализа, распознавания образов, компьютерной лингвистики и семантического анализа, теории и методах диагностики систем.

Область применения диссертации. Результаты данной работы предназначены для создания ПДК по поиску причин возникновения неисправностей МТО и выработки рекомендаций по их устранению в СУ С МТО разного назначения.

Реализация результатов работы. Результаты диссертационной работы нашли практическое применение в НИР «Очистка» - «Исследование путей создания высокоэффективной системы ситуационного управления основными процессами жизненного цикла ВВТ вида на основе использования интеллектуальных технологий», выполненной в результате исследований, которые проводились в период с октября 2001 года по октябрь 2004 года в ЗАО «НТЦ Элине».

Результаты работы используются также в учебном процессе МГИЭТ (ТУ) при чтении курса «Системный анализ и теории систем» на кафедре ИПОВС, и при проведении лабораторных работ по поиску и устранению неисправностей в АСУ «ПОРИ-П2» на военной кафедре.

Апробация. Основные результаты работы докладывались и получили одобрение на:

- VII Международной научно-технической конференции «Электроника и информатика - 2005», Москва, г. Зеленоград в 2005 г.;

- 13 всероссийской межвузовской научно-технической конференции студентов и аспирантов «Микроэлектроника и информатика», Москва, г. Зеленоград в 2006 г.;

- I научно-теоретическая межвузовская конференция студентов и аспирантов «Современные тенденции развития информационно-компьютерных технологий», г. Москва, 2006 г.

Публикации. По теме диссертации опубликовано 11 печатных работ, в том числе 8 научных статей. Без соавторов опубликовано 7 работ. Одна работа опубликована в рецензированном журнале (в соответствии со списком ВАК).

Структура и объём работы. Диссертационная работа состоит из введения,

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Зимнович, Роман Викторович

Выводы по главе 4

1 Разработана структура ПДК для контроля технического состояния МТО, получившего название Intellectual diagnostician 1.0. Этот комплекс основан на использовании четырёх различных методов диагностирования неисправностей: поиск в таблице (базе данных системы), диагностическая нейронная сеть (нейронный кластеризатор), экспертная система (вывод на правилах) и семантический анализатор.

2 Разработан алгоритм диагностирования программы Intellectual diagnostician 1.0. ПДК реализует АОСБ и метод семантической сети, используемый для её автоматического обучения, и способен выдвигать «осмысленные» гипотезы о возможных причинах неисправностей сложной техники.

3 Приведено описание практической реализация ПДК «Intellectual diagnostician 1.0». ПДК обладает дружественным интерфейсом, высоким быстродействием и позволяет повысить точность идентификации возникающих неисправностей и выработки решений по их устранению в условиях повышения сложности техники и снижения квалификации обслуживающего персонала.

4 Результаты экспериментов доказали высокое качество работы метода семантической сети, предназначенного для определения степеней семантической близости понятий по заданной семантической сети. Данный метод показал свою способность правильно распознавать смысловые и иные связи между объектами предметной области, выявляя среди них похожие объекты. Таким образом, эксперименты полностью подтвердили выводы, предположения и гипотезы, сделанные в данной работе.

5 в ходе проведения экспериментальных исследований подтверждено увеличение точности распознавания неисправностей при использовании семантического анализатора до 82-92%, что на 10% выше, чем при использовании экспертного метода и на 30-40% выше, чем при использовании статистического метода. Полученные экспериментальные результаты подтвердили наличие у семантических норм свойств, заявленных в подразделе 3.2.2.

Заключение

В итоге проделанной работы, отражённой в данной диссертационной работе, получены следующие результаты, обладающие научной новизной и практической значимостью:

1) предложен новый подход к использованию интеллектуальных технологий в СУС МТО, основанный на методах семантического анализа;

2) формализовано представление структуры СУС МТО, предназначенной для управления информационными потоками, автоматизации и сопровождения процесса поддержания технических средств в рабочем состоянии;

3) разработан метод активации узлов на основе абдуктивного подхода к принятию управленческих решений в распределённой СУС МТО;

4) формализовано представление базы знаний в виде семантического куба и разработана математическая модель семантического анализатора, необходимая для выявления смысла и связей диагностических записей;

5) разработан алгоритм определения семантической близости диагностических записей;

6) предложена информационная структура ПДК по поиску неисправностей МТО и выработки рекомендаций по их устранению на основе базы данных, нейросетевого кластеризатора, экспертной системы и семантического анализатора;

7) разработан ПДК для управления состоянием МТО на основе методов семантического анализа;

8) в ходе проведения экспериментальных исследований подтверждено увеличение точности распознавания неисправностей МТО при использовании семантического анализатора, входящего в состав ПДК, до 82-92%, что на 10% выше, чем при использовании экспертного метода и на 35-45% выше, чем при использовании статистического метода;

9) результаты диссертационной работы нашли практическое применение в НИР «Очистка» - «Исследование путей создания высокоэффективной системы ситуационного управления основными процессами жизненного цикла ВВТ вида на основе использования интеллектуальных технологий», применены в войсковой части 43034 и внедрены в учебный процесс кафедры ИПОВС МИЭТ, военной кафедры при МИЭТ.

Таким образом, следует вывод о том, что была достигнута цель, поставленная во введении к данной работе, состоящая в разработке методов, алгоритмов и математической модели, позволяющих создать ПДК, обеспечивающий повышение достоверности обнаружения неисправностей и увеличение эффективности управления состоянием МТО.

Список литературы диссертационного исследования кандидат технических наук Зимнович, Роман Викторович, 2007 год

1. ГОСТ 27.002-89. Надежность в технике. Основные понятия. Термины иопределения.

2. Сотник С. JI. Конспект лекций по курсу "Основы проектирования системискусственного интеллекта". SSOffice, 1997-1998.

3. Алексеев А. Интеллектуальные системы принятия проектных решений.

4. Зинатне, 2005.- ISBN:5-7966-1035-X.

5. Абрамчук В.Е., В.В. Клюев, П.П. Пархоменко. Технические средствадиагностирования: Справочник. / Под общ. ред. В.В. Клюева. М.: Машиностроение, 1989.

6. Альтернатива // Большая советская энциклопедия. В 30-и томах. Т. 1: А

7. Ангоб / Гл. ред. А. М. Прохоров. Изд. 3-е. - М.: Советская энциклопедия, 1970. -С. 484.

8. Андрейчиков А.В., Андрейчикова О.Н. Интеллектуальныеинформационные системы.- Финансы и статистика, 2006. ISBN: 5-27902568-2.

9. Арсеньев Ю.Н., Шелобаев С.И., Давыдова Т.Ю. Принятие решений.

10. Интегрированные интеллектуальные системы.- Юнити, 2003. ISBN: 5238-00552-0.

11. Арутюнова Н. Д. Дискурс Большой энциклопедический словарь. М.:1. Языкознание, 1998.

12. Арутюнова Н. Д. Прагматика Большой энциклопедический словарь. М.:1. Языкознание, 1998.

13. Арутюнова Н.Д. Предложение и его смысл: логико-семантическиепроблемы // Лингвистическое наследие XX века. Изд.4.- 2005. ISBN:5-354-00787-9.

14. Баранов М. Т. и др. Русский язык: Справ, материалы: Учеб. пособие дляучащихся / М. Т. Баранов, Т. А. Костяева, А. В. Прудникова; Под ред. Н. М. Шашнского. 5-е изд., испр. -М.: Просвещение, 1989.

15. Берштейн Л.С., Мелихов А.Н., Коровин С.Я. Ситуационныесоветующие системы с нечеткой логикой. М.: Наука, 1990. - 272 с.

16. Большаков А. А., Бобов А. В., Антамошин А. Н., Лобанов В. В.,

17. Кузнецова И. Н., Близнова О. В. Интеллектуальные системы управления организационно-техническими системами.- Горячая Линия -Телеком,2006.- ISBN: 5-93517-289-5.

18. Бочкарев А. Е. Семантический словарь. Деком, 2003. - ISBN: 5-89533083.5.

19. Вагин В.Н., Головина Е.Ю., Загорянская А.А. Достоверный иправдоподобный вывод в интеллектуальных системах. М.: Физматлит, 2004.-ISBN: 5-9221-0474-8

20. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальныхсистем. СПб.: Питер, 2001. - ISBN: 5-94723-449-1.

21. Гаскаров, Д.В. Интеллектуальные информационные системы. Учеб. длявузов. М.: Высш. шк., 2003.

22. Горбань А.Н., Дунин-Барковский B.JI., Кирдин А.Н., Миркес Е.М.,

23. Новоходько А.Ю., Россиев Д.А., Терехов С.А., Сенашова М.Ю., Царегородцев В.Г. Нейроинформатика.- Новосибирск: Наука. Сибирское предприятие РАН, 1998.

24. Городецкий Б. Ю., Андрющенко В. М., Гусева Е. К., Ревзин И. И.

25. Семантические проблемы построение автоматизированных систем обработки текстовой информации / Вычислительная лингвистика /., ред. -М.: Наука, 1976.-С. 16-33.

26. Грановская Р. М., Березная И. Я. Интуиция и искусственный интеллект.-Л.: Изд-во ЛГУ, 1991.

27. Дударь З.В. Шуклин Д.Е. Семантическая нейронная сеть, какформальный язык описания и обработки смысла текстов на естественном языке // Радиоэлектроника и информатика. X,: Изд-во ХТУРЭ, 2000. - №. 3. - С. 72-76.

28. Егоров Н., Карпов А. Диагностические информационно-экспертныесистемы.- СПб., Изд-во Санкт-Петербургского университета, 2002. -ISBN: 5-288-01957-6.

29. Еремеев В.Е. Символы и числа "Книги перемен".- М.:Ладомир, 2005.1.BN:5-86218-383-3.

30. Ефимов Е. И. Решатели интеллектуальных задач. М.: Наука. Гл. ред.физ.-мат. лит., 1982.

31. Жолковский А. К. Модель "Смысл Текст" // Энциклопедиякибернетики. Киев: Украинская Советская Энциклопедия, 1974. -Том 2.

32. Заенцев И. Нейронные сети: основные модели Учебное пособие к курсу

33. Нейронные сети» для студентов 5 курса магистратуры. УДК 6128:6815.

34. Кибрик А. Е. Генеративная лингвистика // Большой энциклопедическийсловарь. М.: Языкознание, 1998.

35. Колшанский Г. В. Соотношение субъективных и объективных факторовв языке. -М., 1975.

36. Клюев В. В., Пархоменко П. П. Технические средствадиагностирования. Справочник. Под общ. ред. Пархоменко П.П-М.: Энергия, 1981.-320 с.

37. Круглое В.В., Дли М.И., Голунов Р.Ю. Нечеткая логика иискусственные нейронные сети. Учеб.пособие.- М.: Изд-во физ.-мат. литературы, 2001.

38. Макаров И.М., Лохин В.М. Интеллектуальные системы автоматическогоуправления. -М.: Физматлит, 2001.

39. Мельчук И. А. Опыт теории лингвистических моделей "Смысл Текст".-М.: Наука, 1974.

40. Мышление // Краткая философская энциклопедия. М.: Прогресс, 1994.1. С. 280.

41. Николаева Т. М. Эмпатия // Большой энциклопедический словарь. М.:1. Языкознание, 1998.

42. Падучева Е. В. Высказывание и его соотнесённость с действительностью.-М., 1985.

43. Пономарев В.В. Концептуальная модель комплекса средствлингвистического и программного обеспечения экспертно-поисковой системы. МИФИ,2004.- ISBN: 5-86404-196-3.

44. Попов Э.В. Искусственный интеллект в трех книгах. Книга 1. Системыобщения и экспертные системы.- М.: Радио и связь, 1990. ISBN: 5-25600365-8, 5-256-00756-4.

45. Попов Э.В. Искусственный интеллект в трех книгах. Книга 2. Модели иметоды. М.: Радио и связь, 1990. - ISBN: 5-256-00368-2, 5-256-00756-4.

46. Попов Э.В. Искусственный интеллект в трех книгах. Книга 3.

47. Программые и аппаратные средства. М.: Радио и связь, 1990. - ISBN: 5-256-00366-6, 5-256-00756-4.

48. Попов Э.В. Статические и динамические экспертные системы,- М.:

49. Финансы и статистика, 1996.- УДК: 681,51.

50. Поспелов Д. А. Предисловие редактора тома // Представление знаний вчеловеко-машинных системах. М.: Изд-во ВЦ АН СССР: ВИНИТИ, 1984.-Т. А.-С. 23-32.

51. Пупков К. Интеллектуальные системы: Исследование и создание.- МГТУим. Н.Э. Баумана, Издательство, 2003. ISBN: 5-7038-2038-3.

52. Пушкин В. Н. Оперативное мышление в больших системах. Э.:1. Энергия, 1965.

53. Стефанюк B.JI. Локальная организация интеллектуальных систем.

54. Модели и приложения.- Физматлит, 2004. ISBN: 5-9221-0395-4.

55. Ступин В.А. Инфосоциолингвистика. Методология,методика и техникаисследования динамики терминологических процессов и предметных областей: Учебно-методическое пособие для аспирантов. Спб. -СПбГУ, 2000.

56. Сусов И. П. Личность как субъект языкового общения // Межличностныеаспекты языкового общения. Калинин, 1989.

57. Сусов И. П. Семантика и прагматика предложения. Калинин, 1980.

58. Тарасик В.П., Рынкевич С.А. Системы управления транспортнымисредствами: Монография.- УП «Технопринт», 2004. -ISBN:985-464-664-5.

59. Тихомиров О. К. Структура мыслительной деятельности человека. М.:1. Изд-во МГУ, 1969.

60. Уоссермен. Ф. Нейрокомпьютерная техника: теория и практика.- М.:1. Мир, 1992.

61. Усков А. А., Кузьмин А. В. Интеллектуальные технологии управления.

62. Искусственные нейронные сети и нечеткая логика. М.: Горячая Линия-Телеком, 2004.

63. Шаломыгин М.В. Арбитман Г.Е Кушнир С.С. Системаинтеллектуальной поддержки для мониторинга энергетических объектов. 1994. - УДК:621.313.322-051:681.

64. Шемакин Ю.И. Семантика самоорганизующихся систем.

65. Академический проект, 2003. ISBN: 5-8291-0168-8.

66. Марчук Ю.Н. Основы компьютерной лингвистики,- М.'.Сигнал,2000.

67. Шмелев Д.Н. Проблемы семантического анализа лексики. Изд.2. 2006.-ISBN:5-484-00357-l.

68. Воронин В.В. Эвристические правила для диагностической экспертнойсистемы // Автоматизация и современные технологии №10 ноябрь.-2005.-ISSN: 0869-4931.

69. Зимнович Р.В., Лисов О.И., Купцов С.В. Организация обменаинформацией в системах управления принятием решения // Оборонный комплекс- научно-техническому прогрессу России: Межотр. науч.-техн. журнал. -М.: ВИМИ, 2006.-№2. С. 12-19.

70. Зимнович Р.В. Переборные многокритериальные задачи оптимизациихарактеристик МТО на основе генетических алгоритмов // Электроника и информатика 2005. Тез. докл. М.:МИЭТ 2005. - С.197:

71. Зимнович Р.В., Лисов О.И., Марков А.Б. Управление состояниемраспределённых технических систем. Оборонный комплекс- научно-техническому прогрессу России: Межотр. науч.-техн. журнал/ВИМИ. -М., 2006. - №2. - С.66-70

72. Зимнович Р.В. Формирование новых картежей знаний на основесемантического куба // Системный анализ и информационно-управляющие системы. Сборник научных трудов. Под ред. В.А. Бархоткина. М.: МИЭТ,. 2006. - С. 143-148.

73. Зимнович Р.В. Функциональная структура системы управлениясостоянием сложных технических объектов // Естественные и технические науки: СпутникПлюс-М., 2007.-№1.-С. 115-116.

74. Зимнович Р.В. Программно-диагностический комплекс контролясостояния сложных технических объектов // Естественные и технические науки: СпутникПлюс- М., 2007.-№1.-С.113-114.

75. Зимнович Р.В. Программные средства диагностического комплексапоиска неисправностей сложных технических объектов // Естественные и технические науки: СпутникПлюс. М., 2007.-№1.-С. 120-121.

76. Лисов О.И., Зимнович Р.В. Семантический куб, как формапредставления знаний в экспертной системе. Системный анализ и информационно-управляющие системы. Сборник научных трудов. Под ред. В.А. Бархоткина. -М.: МИЭТ. 2006. - С. 139-142.

77. Лисов О.И., Зимнович Р.В. Структура управления безопасностьюинформации в системах контроля специальной техники // Вопросы защиты информации: Межотр. науч.-техн. журнал. М.: ВИМИ, 2005. -№4 - С.27-29.

78. Серёгин А. Ю. Генерация знаний в интеллектуальных системах //

79. Микроэлектроника и информатика 2002. Девятая всероссийская межвузовская научно-техническая конференция студентов и аспирантов: Тезисы докладов. - М.: МИЭТ, 2002. - С. 160.

80. Серёгин А. Ю. Методы диагностирования в интеллектуальныхсоветующих системах / Научные основы технологий, материалов, приборов и систем электронной техники: Межвузовский сборник / Гусев

81. B. В., Соколова Т. Ю., ред. М.: МИЭТ, 2002. - С. 233-236.

82. Третьяков В.П., Михайлов С.Г. Адаптивно-резонансная нейронная сетьс расширенной областью принятия решения. Автометрия, №2, 1993. 1. C.80-86.

83. Шерстобитов С. В. "Центр значимости" как компонент анализасубъективного смысла высказывания // Журнал "Тверской лингвистический меридиан". Выпуск 4 / Под ред. И. П. Сусова. Тверь: Тверской гос. Университет, 2000.

84. Ашарина И. В. Диссертация: разработка интеллектуальных системдиагностирования сложных технических объектов,- Москва ,1995. -УДК 658.52.011.56.012.3.005.

85. Ван Валин Р., Фоли У. Референциально-ролевая грамматика // Новое взарубежной лингвистике. Вып. 11. -М., 1982.

86. Джейкокс Дж. Руководство по поиску неисправностей в электроннойаппаратуре. Перевод с английского А. И. Зильбермана. М.: Мир, 1989.

87. Джейн Анил К., Мао Жианчанг, Моиуддин К. М. Введение вискусственные нейронные сети / Пер. с англ. Открытые системы № 4/97.-С. 16-24.

88. Калан Роберт The Essence of Neural Networks First Edition.- 2001.- ISBN5.8459-0210-Х, 0-13-908732-X.

89. Лорьер Ж.-JI. Системы искусственного интеллекта: Пер. с франц. М.:1. Мир, 1991.

90. Нейлор К. Как построить свою экспертную систему.- Перевод с англ.

91. Слепова Н. Н.- М.: Энергоатомиздат, 1991.

92. Хант Э. Искусственный интеллект: Пер. с англ. / Под ред. В. JI.

93. Стефанюка. -М.: Мир, 1978.

94. Чейф У. Данное, контрастивность, определённость, подлежащее топики иточка зрения // Новое в зарубежной лингвистике. Вып. 11. М., 1982.

95. Экспертные системы: Принцип работы и примеры / Под ред. Р. Форсайта;

96. Пер. с англ. М.: Радио и связь, 1987.

97. Яковишин B.C. Формальный язык: теория, грамматика, применение.

98. Минск: ИТК НАН Беларуси, 2000.

99. Alaksandrau S., Fadziejeu P. Multicontext automatic processing of largeamounts of information. Principles, methods, initial algorithms.- Minsk: Intellectual Partner, 2000. The Library of Congress Control No. 13850014.

100. Anderson C. Learning and Problem Solving with Multilayer Connectionist

101. Systems. Ph. D. Thesis, University of Massachusets, 1986.

102. Ash by W. Ross. Desing for the brain. New York: Wiley, 1952.

103. Chafe Wallace Cognitive constraints on information flow // R. Tomlin (ed.),

104. Coherence and Grounding in Discourse. Amsterdam: John Benjamins. 1987.

105. Cover T. Learning in pattern recognition // Methodologies of Pattern

106. Recognition / Watanabe S. New York, 1969.

107. Cover Т., Hart P. Nearest neighbour pattern classification // IEEE Trans.1.form. Theory. IT-13. pp. 21-27.

108. David M. Kroenke Теория и практика построения баз данных. 8-е изд.оригинал: Database processing. 2003. - ISBN: 5-94723-275-8.

109. Dryer Matthew S. Focus, pragmatic presupposition, and activated propositions

110. Journal of Pragmatics, 26, 1996.

111. Goldberd David E. Genetic Algorithms in Search / Optimization and Machine1.arning. Addison-Wesley Publishing Company, Inc., 1989.

112. Holland J. N. Adaptation in Natural and Artificial Systems / Ann Arbor.

113. Michigan: Univ. of Michigan Press, 1975.

114. Hopfield J. J. Neural Networks and Physical Systems with Emergent

115. Collective Computational Abilities // Proc. National Academy of Sciences. -USA 79, 1982.-pp. 2554-2558.

116. Joseph C. Giarratano, Gary D. Riley Expert Systems: Principles and

117. Programming, 4th edition. 2006. - ISBN: 978-5-8459-1156-8, 0-534-38447-1.

118. Katz J., Fodor J. The structure of a semantic theory // The Structure of1.nguage. -N. Y.: Prentice-Hall, Englewood, Cliffs, 1964.

119. Kilgarriff A. Generative Lexicon Meets corpus Data: The Case of Nonstandard Word Uses, Brighton. UK. - 2001.

120. Kuno Susumo. Subject, Topic and the Speaker's Empathy // Li, C., ed. Subjectand topic. Academic Press. New York, 1976.

121. Kuno Susumo. Three perspectives in the functional approach to syntax // Grossmann. Papers from the parasession of functionalism. Chicago, 1975.

122. McCulloch W. S., Pitts W. A logical Calculus of Ideas Immanent in Nervous Activity // Bull. Mathematical Biophysics. Vol. 5. 1943. -pp. USDS.

123. Minsky M., Papert S. Perceptions: An Introduction to Computational Geometry. Mass., Cambridge: MIT Press, 1969.

124. Rosenblatt R. Principles of Neurodynamics. Spartan Books: New York, 1962.

125. Rumelhart D. E., McClelland J. L. Parallel Distributed Processing: Exploration in the Microstructure of Cognition. Mass., Cambridge: MIT1. Press, 1986.

126. Schank R. Conceptual information processing. Amsterdam: North-Holland Publ. Co., 1975.

127. Рус. Пер.: Шенк P. Обработка концептуальной информации. М.: Энергия, 1980.

128. Selfridge О. Pandemonium. A paradigm for learning // Proceedings of the Symposium on the Mechanization of Thought Processes / Blake D., Utteley A.-London, 1959.

129. Shimojo Mitsuaki Focus structure and morphosyntax in Japanese: WA and GA, and word order flexibility: Dissertation of Doctor of Philosophy. -Buffalo, 1995.

130. Tugwell D., Kilgarriff A. Harnessing the lexicographer in the Quest for Accurate Word Sense Disambiguation, Brighton. UK. - 2000.

131. Vemuri V. Artifical Neural Networks: Theoretical Conceptions.- IEEE Publications. Computer Soc. Press Technology. Ser. Neural Net- works, Washington, 1988.

132. Werbos P. Beyond Regression: New Tools for Prediction and Analysis in the Behavioral Sciences. Phd Thesis. Mass., Cambridge: Harvard University, Dept. of Applied Mathematics, 1974.

133. Wilks Y. A. Grammar, meaning, and the machine analysis of language. -London: Routledge and Kegan Paul, 1972.

134. Zubin D. Discourse Function of Morphology // Discourse and Syntax, T. Givon (ed.). New York: Academic Press, 1976.

135. Хоггер К./ Введение в логическое программирование/1988