Разработка математических моделей и программного комплекса для многопараметрических SMART-систем тема диссертации и автореферата по ВАК РФ 05.13.18, кандидат наук Обади Абдулфаттах Али Мохсен

• Обади Абдулфаттах Али Мохсен
• кандидат наук
• 2019

Оглавление диссертации кандидат наук Обади Абдулфаттах Али Мохсен

ОГЛАВЛЕНИЕ

ВВЕДЕНИЕ

ГЛАВА 1 СОВРЕМЕННЫЕ СОСТОЯНИЯ И ПЕРСПЕКТИВЫ РАЗВИТИЯ ИСКУССТВЕННЫХ СИСТЕМ

1.1 Краткая история искусственного интеллекта

1.2 Понятие «искусственный интеллект»

1.3 Интеллектуальные системы

1.4 Распознавание образов

1.4.1 Главные задачи концепции распознавания образов

1.5 Классификация образов с помощью решающих функций

1.5.1 Понятие решающей функции

1.5.2 Математическая постановка распознавания

1.5.3 Алгоритм распознавания

1.5.4 Правило байесовского классификатора

1.5.5 Виды свойств образов

1.5.6 Типы систем распознавания

1.6 Нейронные сети и задачи распознавания образов

1.6.1 Концепция персептрона

1.6.2 Распознавание образов с помощью алгоритма обучения

1.6.3 Пример применения алгоритма Хебба для обучения одного нейрона классифицировать задачи численных методов

1.7 Общие понятия о системах эконометрических уравнений, используемых для моделирования поведения сложных объектов

1.8 Выводы по главе

ГЛАВА 2 МАТЕМАТИЧЕСКОЕ МОДЕЛИРОВАНИЕ ПРОЦЕССА РАЗВИТИЯ СПОСОБНОСТЕЙ И ОЦЕНКА ПАРАМЕТРОВ МОДЕЛИ

2.1 Эскизная цифровая модель развития деятельностного потенциала

2.2 Математическая модель развития ABC способностей через учебную деятельность

2.3 Отыскание параметров модели с помощью аппарата обучения нейронных сетей

2.4 Выводы

ГЛАВА 3 МЕТОДОЛОГИЧЕСКИЕ АСПЕКТЫ ПРОЕКТИРОВАНИЯ SMART-ОБРАЗОВАТЕЛЬНЫХ СИСТЕМ И МАТЕМАТИЧЕСКОЕ МОДЕЛИРОВАНИЕ СИТУАЦИЛННОГО УПРАВЛЕНИЯ УЧЕБНЫМ ПРОЦЕССОМ

3.1 Математическая модель ситуационного управления процессом развития способностей

3.2 Вероятностная модель оценки возможностей деятельностного потенциала личности

3.3 Методологическая модель - платформа проектирования образовательных систем с цифровыми технологиями

3.4 Выводы

ГЛАВА 4 РАЗРАБОТКА ЭЛЕМЕНТОВ АВТОМАТИЗИРОВАННЫХ ОБУЧАЮЩИХ SMART-СИСТЕМ И СХЕМ ИХ РЕАЛИЗАЦИИ

4.1 Разработка математического обеспечения оценки качества образовательного курса

4.2 Алгоритм распознавания образов со снятием неопределенности по результату интерактива

4.2.1 Математическое описание алгоритма распознавания

4.3 Разработка алгоритма и программного обеспечения для генератора задач

тестовой системы

4.4 Разработка динамической интеллектуальной карты освоения компетенции

4.4.1 Интеллектуальная карта освоения компетенции

4.4.2 Динамическая интеллектуальная карта освоения компетенции

4.5 Выводы по главе

ЗАКЛЮЧЕНИЕ

СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЕ 1 ЛИСТИНГ

ПРИЛОЖЕНИЕ 2 АКТЫ О ВНЕДРЕНИИ И ИСПОЛЬЗОВАНИИ РЕЗУЛЬТАТОВ ДИССЕРТАЦИОННОГО ИССЛЕДОВАНИЯ

Введение диссертации (часть автореферата) на тему «Разработка математических моделей и программного комплекса для многопараметрических SMART-систем»

ВВЕДЕНИЕ

Актуальность темы исследования и степень ее разработанности.

Проблемы, связанные с описанием поведения отдельных людей и человеческого общества в целом, являются одним из самых сложных для математического моделирования. Причина этому огромное количество и чрезвычайное разнообразие факторов, которые формируют линию поведения конкретной личности. К ним относятся особенности воспитания, образ жизни, уровень образования, темперамент, состояние здоровья, наследственные факторы и многое другое. Большинство из них тесно связанные с природой человеческой психики, а потому практически не подаются формализации. Это, разумеется, не означает, что никаких попыток количественной оценки процессов, происходящих в этой среде, не предпринималось. Напротив, их достаточно много. Однако, большинство работ в области социологии, психологии, педагогики ограничиваются сбором, обработкой и анализом статистических сведений о текущем состоянии политических и общественных симпатий, характере культурных предпочтений, состоянии успеваемости по учебным дисциплинам и т.д. Результаты этих исследований позволяют уловить общие тенденции изменения общественных настроений, заинтересованности обучаемых в различных предметах и пр., но не обладают признаками математических моделей, без наличия которых невозможно построение сколь-нибудь совершенных систем автоматизированного управления.

Образовательная деятельность в целом и освоение различных профессиональных компетенций через обучение в частности, так же входят в круг этих проблем и являются обязательной составляющей человеческого процесса. Отсюда следует, что построение математических моделей, позволяющих рационально планировать учебный процесс, управлять его течением в режиме реального времени, решать задачи среднесрочного и долгосрочного прогнозирования безусловно актуально.

Бурное развитие информационных технологий, прежде всего сети Internet, повсеместное распространение быстродействующих компьютеров, обладающих

объемом памяти, затронуло сферу образования самым существенным образом. Легкость доступа практически ко всем информационным ресурсам из любой точки земного шара, многократно возросшая скорость обработки информации, привели к появлению так называемых дистанционных образовательных технологий, что еще полвека назад казалось совершенно немыслимым. Их высокая востребованность обществом обусловила возникновение идеи создания автоматизированных образовательных SMART - систем, позволяющих сочетать унификацию учебных программ с возможностью построения индивидуальных графиков обучения.

Фундаментом для построения математических моделей образовательного процесса следует считать работы Douady, Чошанова, Нуриева и др. [1-5], в которых были сформулированы основные положения нового направления, получившего название дидактической инженерии. Они доказали, что процесс обучения фактически есть развитие способностей человеческой личности, характеризуемых тремя интегративными показателями [2,3,6-13]. A - формализаторские способности - умение осуществить постановку задачи (формализовать проблему); B - конструктивные способности - умение построить алгоритм и наметить план решения задачи; C - исполнительские способности - умение качественно реализовать разработанный алгоритм и поучить конечный результат. Ими же предложено оценивать качество усвоения знаний двумя показателями: POL -полнотой - объемом знаний, зафиксированных памятью; CHL - целостностью -использовать полученные знания для решения конкретных задач. Процесс обучения являются динамическим, а достигнутый уровень развития способностей определяется по степени сложность задач, к решению которых готов обучаемый. Само же развитие способностей происходит под влиянием потока учебных проблем, сложность которых возрастает от этапа к этапу, оставаясь, однако, в пределах зоны ближайшего развития обучаемых [6,14-18]. Таким образом, в терминах дидактической инженерии задача управления учебным процессом может быть сформулирована так: сформировать поток учебных проблем таких, чтобы за заданный промежуток времени Т, определенным учебным планом, от начального

уровня А0, В0, C0 обеспечить достижение уровня способностей А*, В*, С*, удовлетворяющего соответствующим квалификационным требованиям [19-22].

Модели аналогичной структуры могут быть использованы для описания ряда других процессов, например в медицине при моделировании лечения сложных заболеваний, когда с помощью комплекса медикаментозных процедур добиваются улучшения состояния пациента, контролируя ход лечения специальными аппаратурными средствами, при моделировании процессов производства сельскохозяйственной продукции и т.п. Резюмируя, можно отметить, что модели подобного типа актуальны там тогда, где и когда существуют возможности достоверной оценки состояния моделируемого объекта (системы) в фазовом пространстве характеризующих его признаков и инструмента активного влияния на них в условиях динамики.

Цель работы и задачи исследования.

Целью исследования является разработка математических моделей и программных комплексов для описания сложных динамических систем, которые могут быть использованы при создании автоматизированных SMART - систем и решения задач управления процессом развития способностей через обучение. Для достижения цели необходимо решить следующие задачи:

1. Создать методику оценки вероятности решения проблемы определенного уровня сложности при заданном уровне развития способностей;

2. Разработать математическую модель процесса обучения, учитывающую его динамический характер и взаимозависимость A B C - способностей, которая могла бы использоваться при создании автоматизированных образовательных систем;

3. Построить математическую модель и алгоритм ситуационного управления процессом развития способностей в режиме реального времени по результатам оперативного контроля;

4. Разработать алгоритм оценки параметров динамической модели процесса обучения с помощью аппарата нейронных сетей и программный комплекс

для его реализации на базе модернизированного метода обратного распространения ошибки;

5. Создать математическое обеспечение для оценки качества образовательных курсов;

6. Разработать динамическую интеллектуальную карту развития компетенций в ходе обучения;

7. Провести экспериментальные исследования эффективности разработок на примере конкретного учебного курса.

Объектом исследования. Является динамический процесс развития способностей человека через обучения.

Предметом исследования. Является математическое моделирование динамики развития способностей человека через обучения.

Методы исследования. При выполнении работы использовались методы системного анализа и математического моделирования, методы вычислительной математики, теории вероятности и математической статистики, аппарат совместных одновременных регрессионных уравнений, теория искусственных нейронных сетей, методы объектно-ориентированного программирования.

Научная новизна работы. Автором диссертации получены следующие новые результаты:

1. Разработана методика оценки вероятности успешного решения проблемы определенной сложности при известном уровне развития способностей.

2. Построена математическая модель динамики развития способностей с учетом их взаимосвязи на базе системы совместных регрессионных уравнений.

3. Разработана математическая модель ситуационного управления развитием способностей в режиме on line.

4. Показана возможность применения аппарата нейронных сетей для оценки коэффициентов идентифицируемой системы совместных одновременных регрессионных уравнений.

Теоретическая значимость работы состоит в следующем:

- Для описания процесса развития способностей предложена математическая модель динамики с дискретным временем;

- Обоснована возможность использования подобных моделей для широкого круга процессов с дискретным временем, обладающих свойством отсутствия последействия;

- На базе модели ситуационного управления разработан эффективный алгоритм корректировки в режиме реального времени возможных отклонений от рекомендуемой траектории развития;

- Предложен способ оценки интенсивности взаимовлияния различных способностей друг на друга;

- Разработана модификация метода обратного распространения ошибки, показавшая высокую эффективность для отыскания параметров систем совместных регрессионных уравнений;

Практической значимостью работы является следующее:

- Разработан и апробирован в автоматическом режиме алгоритм распознавания класса учебных задач и проверки правильности решений;

- Предложена методика оценки качества образовательного курса с использованием техники экспертного оценивания;

- Разработаны и апробированы алгоритм и программное обеспечение генератора задач для системы тестового контроля;

> Разработан макет динамической интеллектуальной карты оценки освоения компетенций.

Основные результаты, вносимые на защиту:

- Цифровая модель развития деятельностного потенциала человека.

- Математическая модель для оценки вероятности случайного события «успешно решить проблему определенной сложности».

- Математическая модель развития деятельностного потенциала с использованием аппарата систем совместных регрессионных уравнений.

- Математическая модель индивидуального развития способностей и алгоритм ситуационного управления процессом обучения.

- Интерактивная интеллектуальная карта представления модели информационного объекта.

- Комплекс программ SMART-образовательных систем. Реализация результатов работы.

Результаты диссертационного исследования использованы в учебном процессе КНИТУ-КХТИ на кафедре информатики и прикладной математики. Степень достоверности и апробация результатов.

Достоверность полученных результатов исследования подтверждается корректным применением математического аппарата, а также широким спектром публикаций и выступлений на международных и межрегиональных конференциях. Доклады на конференциях.

■ Международная научно-практическая конференция "Электронная Казань 2017". 25-26 апреля 2017, г. Казань.

■ Международная научно-практическая конференция "Электронная Казань 2018". 25-26 апреля 2018, г. Казань.

■ XV международная научно-практическая конференция "Наука и образования". 5 мая 2018, г. Пенза.

■ XV международная научно-практическая конференция " WORLD SCIENCE: PROBLEMS AND INNOVATIONS". 30 мая 2018, г. Пенза.

■ Международная научно-практическая конференция "Электронная Казань 2019". 21-22 мая 2019, г. Казань.

Публикации.

По теме диссертации опубликовано 22 работ, в том числе 13 статей, 11 из которых в изданиях, включенных в перечень ВАК Министерства образования и науки Российской Федерации, 2 в изданиях, включенных в РИНЦ, 9 работ опубликованы в сборниках материалов международных и всероссийских конференций. Автор принимал непосредственное участие в создании

математических моделей, разработке алгоритмов и программного обеспечения, а также внедрении результатов исследований.

Структура и объем диссертации.

Основное содержание диссертационной работы изложено на 151 страниц машинописного текста, содержит 56 рисунков и 10 таблиц и состоит из введения, четырех глав, заключения, списка литературы, содержащего 169 наименований, и 2 приложений.

Личный вклад автора. Заключается в выполнении основного объема теоретических и экспериментальных исследований, изложенных в диссертационной работе, включая разработку теоретических моделей, методик экспериментальных исследований, проведение исследований, анализ и оформление результатов в виде публикаций и научных докладов.

Все результаты диссертационной работы соответствуют пунктам 4, 5, 8 паспорта специальности 05.13.18 - Математическое моделирование, численные методы и комплексы программ.

Краткое содержание работы

Во введении - обоснована актуальность темы диссертационной работы, сформулированы цель и задачи исследований, научная новизна, теоретическая и практическая значимость полученных результатов, приведена сведения о реализации и апробации результатов работы, структуре диссертации.

В первой главе по материалам литературных источников проведен обзор существенных интеллектуальных систем, а также систем и методов распознавания образов и классификации объектов, разобраны их достоинства и недостатки, обозначены круг задач, где их использования наиболее эффективно. Исследованы имеющиеся в открытой печати сведения о структуре и особенностях функционирующих интеллектуальных систем классификации и распознавания образов сложных многопараметрических объектов. Проведен анализ опыта математического моделирования подобных и аппарата, используемого для этой цели.

Во второй главе - представлены математическая модель динамики развития формализаторских-A, конструктивных-В и исполнительских-С способностей, формирующих деятельностный потенциал личности, и способы оценки ее параметров. Эта модель относится к классу моделей абстрактно-знакового типа и для ее построения был применен аппарат совместных регрессионных уравнений. В состав системы входят три уравнения по числу способностей, подлежащих развитию в ходе процесса обучения. В второй главе также представлен модернизированный метод обратного распространения ошибки для обучения нейронных сетей, позволяющий в среднем на 30 % ускорить процесс обучения по сравнению с базовым методом.

В третьей главе - представлена модель предназначена для решения задач оперативного (ситуационного) управления, когда необходимо в режиме реального времени разработать и реализовать мероприятия по корректировке учебного процесса для конкретного обучающегося. В этой модели предложено учитывать эффекты взаимного влияния способностей друг на друга с помощью частных коэффициентов парной корреляции. В третей главе также представлена вероятностная модель оценки возможностей деятельностного потенциала личности.

В четвертой главе - представлены материалы прикладного характера, касающиеся вопросов практической реализации результатов исследования алгоритмы: программное обеспечение экспертизы качества учебного курса, программный комплекс SMART-образовательных систем распознавания правильности решения задач дисциплины «Численные методы», алгоритм генерации потоков корректных задач по дисциплине «Численные методы», алгоритм распознавания образов со снятием неопределенности по результату интерактива, алгоритм и программного обеспечения для генератора задач тестовой системы, а также динамическая интеллектуальная карта развития компетенций.

В заключении приводится описание основных результатов диссертационной работы.

В приложении представлены листинг и акты о внедрении и использовании результатов диссертационного исследования.

ГЛАВА 1 СОВРЕМЕННЫЕ СОСТОЯНИЯ И ПЕРСПЕКТИВЫ РАЗВИТИЯ

ИСКУССТВЕННЫХ СИСТЕМ

1.1 Краткая история искусственного интеллекта

Попытка развития и внедрения новых идей в образовательный процесс наблюдается с древних времен, и сопровождается развитием других сфер человеческой деятельности. Первой попыткой создания системы искусственного интеллекта следует считать механическую машину для решения различных задач на основе универсальной классификации понятий [23-26], созданную математиком и поэтом Раймондом Луллием еще в 13 веке.

Однако, как самостоятельное научное направление развитие искусственного интеллекта (ИИ) сформировалось только после появления компьютеров в 40-х гг. ХХ в. К этому времени Норберт Винер опубликовал свою работу на основе нового научного направления, которое получило название - Кибернетика [27-31].

Понятие ИИ было предложено в 1956 г. при реализации проекта в Дартсмутском колледже (США). Проект осуществлялся в течении 2 месяцев, с участием 10 человек, по тематике - разработка логических задач [32].

После признания ИИ как самостоятельного научного направления оно разделилось на 2 ветви: нейрокибернетика и кибернетика. Они развивались независимо друг от друга и отличались своими методологиями и технологиями. Идею нейрокибернетики можно представить в следующем:

Исходя из того, что единственным объектом, способным мыслить и думать является человеческий мозг, любое логическое «мыслящее» устройство должно так или иначе воспроизводить его структуру.

Нейрокибернетика сосредоточилась на создании программно-аппаратных элементов со структурой, подобной структуре мозга. Физиологически человеческий мозг состоит из большого количества (до 1021) [26] связанных и взаимодействующих между собой нервных клеток-нейронов. Поэтому усилия нейрокибернетики ориентированы на создании компонентов аналогичных

нейронам, и собранных в единую функционирующую систему. Такие системы получили название «нейронные сети (нейросеть)» [33-35].

В 1956-1965 гг., были созданы первые нейросети Розеблатом и Мак-Каллоком. Эти работы принято считать первыми удачными попытками создания системы, моделирующей человеческий глаз и его взаимодействие с мозгом. Это устройство получило название - персептрон (perception). Устройство умело различать буквы, но было чувствительно к написанию их различными шрифтами, т.е. для него одна буква, написанная двумя шрифтами воспринималась как разные буквы [36].

С 70-80 гг. количество работ по нейрокибернетики несколько уменьшилось вследствие малой памяти и низкого быстродействия существовавших тогда компьютеров [37,38].

В 1980 г. в Японии в проекте «ЭВМ четвертого поколения» был создан первый нейрокомпьютер или компьютер четвертого поколения. В них проблемы ограничения по памяти и быстродействию были решены с помощью новосозданных транспьютеров - компьютеров с большим количеством процессоров, работавших параллельно. Эта технология является одним из эффективных подходов к аппаратной реализации нейросетей, моделирующих структуру мозга человека. Нейрокибернетика в основном применяется в области распознавания образов [38-42].

Для создания нейросетей необходимы 3 агрегаты:

1. Аппаратный - создание аппаратных средств «специальные компьютеры, нейрочипы, платы расширения, набор микросхем» для реализации всех необходимых алгоритмов [42,43].

2. Программный - создание программ и инструментария, для высокоскоростных ЭВМ. Эти сети создаются в пам44].

3. Гибридный - объединение первых двух частей. [45-49].

В основе второго направления ИИ, названного «Кибернетика», лежит принцип черного ящика, т.е. необязательно чтобы структура мыслящего устройства отражала структуру человеческого мозга, а главное, чтобы оно

реагировало на входные воздействия также, как реагирует человеческий мозг [5053].

Исследователи кибернетики считают, что человек не во всем должен слепо подражать природе в научных исследованиях, так как известны устройства, которые не существуют в природе, например, колеса, или существующие в природе, но не подражающие своим подобиям, например, самолет летает, но не машет своими крыльями [51]. Кроме того, на сегодняшний день отсутствуют хотя бы приблизительные объяснения как протекают интеллектуальные процессы у человека, как организована его память, как человек распознает окружающий мир [50, 52-56].

Кибернетика, как направление ИИ, сосредоточена на разработке алгоритмов и решении задач ИИ с использованием существующих моделей компьютеров.

ИИ прошел длинный путь с момента его начала до сегодняшнего дня. В настоящее время ИИ является одним из наиболее важных, перспективных и престижных областей информатики [56].

1.2 Понятие «искусственный интеллект»

На сегодняшний день общепризнанного строгого определения того, что из себя представляет ИИ не существует. По И. Рич, ИИ определен как область исследования, направленная на создание ЭВМ, способных выполнить такие функции, которые пока что человек выполняет их лучше существующих компьютеров [57-60]. Например, такие функции как понимание, анализ, мышление, использование знаний, планирование действий, логический вывод и т. д [61]. Более подробное определение ИИ дает Дж. Ален: «ИИ — это наука о создании машин, способных решать задачи, которые могут решать только люди» [62-64].

В 1950 году А. Тьюринг предложил эмпирический тест для определения интеллектуальности ЭВМ. В ходе теста эксперту было предложено общение с человеком и ЭВМ, причем эксперт не смог идентифицировать с кем он общается ( т.е. с кем ведет диалог) .

Значимость теста пригодна для оценивания надежности современных программ ИИ, но не для решения основной задачи ИИ, заключающейся в разработке общих методологий машинного интеллекта и решения практических задач ИИ [65,66].

Основными направлениями исследований в области ИИ являются:

1. Фундаментальные исследования, в которых разрабатываются новые модели и алгоритмы для решения задач, считающихся интеллектуальными и которые ранее не были формализованы и автоматизированы.

2. Исследования, основанные на новых идеях и алгоритмах решения интеллектуальных задач с использованием новых технологий программирования и ЭВМ с специальной и не фон-неймановской архитектурой [66].

3. Исследования, результатом которых является множества прикладных систем, способных решать задачи, не известные ранее.

Система искусственного интеллекта СИИ — это вычислительная, творческая система (многофункциональная, интегрированная, интеллектуальная) с сложной структурой, использующая накопление и корректировку знаний (синтаксической, семантической, прагматической информации) для постановки и достижения цели, адаптации к изменениям среды и внутреннего состояния путем изменения среды или внутреннего состояния [67-69].

Можно выделить три типа таких систем:

1. Интеллектуальная система — это информационно-вычислительная система с интеллектуальной поддержкой при решении задач без участия человека (ЛПР- лицо принимающие решения) [69,70].

2. Интеллектуализированная система — это информационно-компьютерная система с интеллектуальной поддержкой при решении задач с участием человека

3. Система с интеллектуальной поддержкой — система, способная самостоятельно решать задачи [71-74].

1.3 Интеллектуальные системы

Искусственный интеллект — раздел информатики, изучающий возможность обеспечения разумных рассуждений и действий с помощью вычислительных систем и других искусственных устройств. При этом в большинстве случаев алгоритм решения задачи заранее неизвестен [41,42].

ИИ включает в себе десятки наук, однако максимум усилий и финансирования имеют следующие приоритетные направления:

А) Интеллектуальные игры и компьютерное творчество

Во времена ранних исследований по ИИ машинный интеллект был связан с логическими играми, и его задача заключалась в том, как «научить» компьютер решать игровые задачи — шахматы, шашки, го. Первые программы на любительском уровне играли уже в 1957 г. Их автор, Алекс Бернштейн, принимал участие в работе Дартсмутского семинара. В основе программ лежали лабиринтная модель мышления и эвристики. Этот алгоритм был усовершенствован в 1958г. Ньюэллом, Саймоном и Шоу [72-78].

В России это направление так же достигло больших успехов, в связи с распространением таких школ как отечественная шахматная и математическая школа [2]. Так, в 1974 г. состоялся международный шахматный турнир машин, снабженных соответствующими программами. Победу на этом турнире одержала советская шахматная программа «Каисса», разработанная при участии М. М. Ботвинника — чемпиона мира по шахматам.

Успех программ, выигравших даже у Каспарова, производит большое впечатление. Однако,сейчас это скорее коммерческое направление, так как в научном плане эти идеи считаются тупиковыми. Тем не менее, в 2016 г. программа компании Google победила чемпиона по игре го [79-81].

Б) Представление знаний и разработка систем, основанных на знаниях

В данной диссертации разрабатываются системы именно такого типа.

В) Машинное обучение

Машинное обучение — активно развивающаяся область искусственного интеллекта, которая включает модели, методы и алгоритмы, ориентированные на автоматическое накопление и формирование знаний на основе анализа и обобщения данных [82,83]. Используются также обучение на примерах (или индуктивное) и традиционные подходы из теории распознавания образов. Для систем класса машинного обучения существует «свободный» софт — это системы SLIPPER, Orange, JMLR, Weka3, YALE, Bayda и другие [84,85]. Машинное обучение является одной из важных областей, с помощью которых можно собирать фильтровать и формировать данных в процессе образования параллельно с областью распознавания образов.

В последние годы к этому направлению тесно примыкают стремительно развивающиеся системы анализа данных и поиска закономерностей. Г) Понимание естественных языков

Начиная с 50-х гг., одной из популярных тем исследований в области ИИ является область компьютерной лингвистики, и в частности машинного перевода.

Машинный перевод — выполняемый та компьютере процесс преобразования текста на одном естественном языке в эквивалентный по содержанию текст на другом языке [86-88]. Аналогично машинному переводу можно разработать алгоритмы для учебного процесса что бы читать и различать разные математические символы.

Список литературы диссертационного исследования кандидат наук Обади Абдулфаттах Али Мохсен, 2019 год

СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ

1. Douady R. L Intenierie didactique: une methodologie privilegiee de la recherché // Proceedings of 11th PME Conference. Montreal, Canada. - 1987. Vol. 3. - P. 222228.

2. Douady R. Didactic engineering. Learning and teaching mathematics: An international perspective // En. by T.Nunes & P.Bryant. - East Sussex: Psychology Press, 1997. - P. 373-401.

3. Чошанов М.А. Дидактика и инженерия / М.А. Чошанов. - М.: Бином. Лаборатория знаний, 2011. - 248 с.

4. Коменский Я.А. Великая дидактика. 1939. - 321 с.

5. Выготский Л. С. // Вопросы психологии. - 2015. - № 4. - С. 119-135. (Выготский, Л.С. Педагогическая психология / Л.С. Выготский.- М.: Педагогика - Пресс, 1996. - 230 с.)

6. Занков Л.В. Обучение и развитие / Л.В. Занков. - М.: Просвещение, 1975. -275 с.

7. Эшби У.Р. Введение в кибернетику. 2017. 430 с.

8. Bloom B. Taxonomy of educational odjectives. The classification goals. -N.Y.David McKey Co, 1956. - 216 с.

9. Boehm B.W. A Spiral Model of Software Development and Enhancement. ACM SIGSOFT Software Engineering Notes, Aug. 1986. - p. 14-24.

10. Нуриев Н.К., Старыгина С.Д. Дидактическая инженерия: подготовка инженеров в техногенной образовательной среде //Образование и наука. 2016. № 9 (138). С.6179. DOI: 10.17853/1994-5639-2016-9-61-79.

11. Беспалько В. П. Основы теории педагогических систем. - Воронеж, 1977. - 204 с.

12. Nuriev N.K., Nuriev A.N. Designing of the software web component of the didactic systems of the engineering education // International Conference on Interactive Collaborative Learning (ICL). 2013. 354-358 pp.

13. Nuriev N.K., Starygina S.D. New didactic systems of the engineering education // International Conference on Interactive Collaborative Learning (ICL). 2013. 345350 pp.

14. Старыгина С.Д., Нуриев Н.К. Экспертиза качества результата тестирования // Инженерное образование. № 24. 2018. С. 186-192.

15. Нуриев Н.К., Старыгина С.Д. Численная оценка продолжительности контрольного задания // Образовательные технологии общество. - 2019. - т.22. - № 1. - С.61-67.

16. Старыгина С.Д., Нуриев Н.К., Нургалиева А.А. Численная оценка качества учебных on-line курсов // Образовательные технологии общество. - 2019. -т.22. - № 1. - С.68-78.

17. Старыгина С.Д., Нуриев Н.К. Теоретические основы дидактической инженерии // Образовательные технологии общество. - 2019.- т.22. - № 1. -С.101-110.

18. Хузиахметова А.Р., Нуриев Н.К., Хузиахметова Р.Н. Оценка продолжительности тестирования в зависимости от сложности теста // Современные проблемы науки и образования. - 2019. - № 3. - 5 с.

19. Kolb A.Y. Experiential learning: Experience as the source of learning and development / D.A. Kolb. Vol.1. Englewood Cliffs. - NJ: Prentice-Hall, 1984. 256 p.

20. Erpenbeck J., Sauter W., Sauter S.. Qualifizierung mit Blended Learning. E-Learning and Blended Learning.//Springer Gabler, Wiesbaden, 2015 (https://doi.org/10.1007/9783-658-10175-6_3)

21. Silverman Jason, Hoyos Veronica. Distance Learning, E-Learning and Blended Learning in Mathematics Education, Springer, 2018. — 219 p.

22. Jones, Christopher. Networked Learning. An Educational Paradigm for the Age of Digital Networks. Springer International Publishing Switzerland 2015, 249 p. (https://doi.org/10.1007/978-3-319-01934-5).

23. Частиков А. П., Гаврилова Т. А., Белов Д. Л. Разработка экспертных систем. Среда CLIPS. — СПб. : БХВ-Петербург, 2003. - 608 с.

24. Гаврилова Т. А., Лещева И. А., Страхович Э. В. Об использовании визуальных концептуальных моделей в преподавании // Вестник СПбГУ, серия Менеджмент, (4). — 2011. — С. 125-151.

25. Загорулько Ю. А., Загорулько Г. Б. Использование онтологий в экспертных системах и системах поддержки принятия решений // Труды Второго симпозиума «Онтологическое моделирование», Казань, 11-12 октября 2010 г.

— М. : ИПИ РАН, 2011.

26. Гаврилова Т. А., Кудрявцев Д. В., Муромцев Д. И. Инженерия знаний. Модели и методы: Учебник. — СПб.: Издательство «Лань», 2016. — 324 с.

27. Stottler. History of Artificial Intelligence. — 2002.

28. Люгер, Дж. Искусственный интеллект: стратегии и методы решения сложных проблем / Дж. Люгер, С. Рассел, П. Норвиг. - 4-е изд. ; пер. с англ. - М. : Изд. дом «Вильяме», 2003. - 864 с.

29. Рассел, С. Искусственный интеллект: современный подход / C. Рассел, П. Норвиг. - 2-е изд. ; пер. с англ. - М. : Изд. дом «Вильяме», 2006. - 1408 с

30. Шенк Р., Хантер Л. Познать механизмы мышления. Реальность и прогнозы искусственного интеллекта. — М. : Мир, 1987. С. 15—26.

31. Bahrammirzaee A. A comparative survey of artificial intelligence applications in finance: artificial neural networks, expert system and hybrid intelligent systems. Neural Computing and Applications, 19 (8).— 2010. — Р. 1165-1195.

32. Хант Д. Искусственный интеллект. — М. : Мир, 1986. —. 224 с.

33. Интеллектуальные информационные системы и технологии : учебное пособие / Ю.Ю. Громов, О.Г. Иванова, В.В. Алексеев и др. - Тамбов : Изд-во ФГБОУ ВПО «ТГТУ», 2013. - 244 с

34. Гаврилова Т. А. Представление знаний в экспертной диагностической системе АВТАНТЕСТ // Изв. АН СССР. Техн. Кибернетика. 5. — 1984. — С. 165-173.

35. Гаврилова Т. А. Подготовка коллектива разработчиков экспертной системы // Труды школы-семинара «Проблемы применения ЭС в народном хозяйстве».

— 1989. — С. 59- 62.

36. Гаврилова Т. А. Объектно-структурная методология концептуального анализа знаний и технология автоматизированного проектирования баз знаний // Труды Междунар. конф. «Знания — Диалог — Решение 95», (1). — 1995. — С. 1-9.

37. Гаврилова Т. А. Управление знаниями: ЧТО ДЕЛАТЬ? // Сб. докладов Седьмой научнопрактической конференции «Реинжиниринг бизнес-процессов на основе современных информационных технологий. Системы управления знаниями» (РБП-СУЗ-2004). — М., 2004. — С. 61-67.

38. Гаврилова Т. А., Горовой В. А., Болотникова Е. С. Оценка когнитивной эргономичности онтологии на основе анализа графа. Искусственный интеллект и принятие решений (3). — 2009. — С. 33-41.

39. Гаврилова Т. А., Кудрявцев Д. В., Лещева И. А., Павлов Я. Ю. Об одном методе классификации визуальных моделей // Бизнес-информатика 26(4). — 2013. — С. 21-34.

40. Гаврилова Т. А., Хорошевский В. Ф. 2000. Базы знаний интеллектуальных систем. Учебник для вузов. — СПб. : Питер. 348 с.

41. Гаврилова Т., Гулякина Н. 2008. Визуальные методы работы со знаниями: попытка обзора. Журнал «ИИ и принятие решений», (N1): 15-22.

42. Гарднер М. Математические досуги М.: Мир,1972 г. 494 стр.

43. Павлов С.Н. Системы искусственного интеллекта. Томск «Эль Контент» 2011. 176 стр.

44. Гаврилова Т. А. 2005. Об одном подходе к онтологическому инжинирингу. Новости искусственного интеллекта, (3): 25-31.

45. Гаврилова Т. А., Воинов А. В. Когнитивный подход к созданию онтологии. Научно-техническая информация. Серия 2: Информационные процессы и системы, (3). — 2007. — С. 19-23.

46. Гаврилова Т. А., Кудрявцев Д. В. Формирование корпоративной памяти на основе фасетной классификации // Сб. Научных трудов 9-й Российской научно-практической конференции «Реинжиниринг бизнес-процессов на

основе современных информационных технологий. Системы управления знаниями» (РБП-СУЗ-2006). — М., 2006. — С. 364-377.

47. Гаврилова Т. А., Муромцев Д. И. Интеллектуальные технологии в менеджменте. — СПб. : Изд. СПбГУ, 2008. - 488 с.

48. Кобринский Б. А. Системы искусственного интеллекта в медицине: Состояние, проблемы и перспективы // Новости искусств. интеллекта (2). — 1995. — С. 65-79.

49. Каллан Р. Основные концепции нейронных сетей. — М. : Вильямс, 2001. - 287 с.

50. Кобринский Б. А. Ретроспективный анализ медицинских экспертных систем // Новости искусственного интеллекта, (2). — 2005. — С. 6-17.

51. Борисов А. Н. Построение интеллектуальных систем, основанных на знаниях, с повторным использованием компонентов. — Латвия : Рижский технический университет, 2014. — С. 97-102.

52. Величковский Б. М., Капица М. С. Психологические проблемы изучения интеллекта. Интеллектуальные процессы и их моделирование. — М. : Наука, 1987. — С. 120-141. 34

53. Горовой В. А. Модель классификации методов оценки онтологий // Материалы 2-й международной молодежной конференции «Искусственный интеллект: философия, методология, инновации». Санкт-Петербург. — 2007. — С. 307-310.

54. Городецкий В. И. Многоагентные системы: современное состояние исследований и перспективы применения // Новости искусственного интеллекта (1). — 1996. — С. 44-59.

55. Ерохин В.А. Композитор и компьютер / В.А. Ерохин // Музыка как форма интеллектуальной деятельности / Ред.-сост. М.Г. Арановский. - М.: Книжный дом «ЛИБРОКОМ», 2009. - С. 172-188.

56. Загорулько Ю. А., Загорулько Г. Б., Кравченко А. Ю., Сидорова Е. А. Разработка системы поддержки принятия решений для нефтегазодобывающего предприятия // Труды 12-й национальной

конференции по искусственному интеллекту с международным участием — КИИ-2010. — М. : Физматлит, 2010. — (3). — С. 137-145.

57. Кашевник А., Корзун Д. Ж., Баландин С. И. Разработка интеллектуальных систем на базе платформы Smart-M3. — Петрозаводск : Издательство ПетрГУ, 2013. - 51 c.

58. Кобринский Б. А. Системы искусственного интеллекта в медицине: Состояние, проблемы и перспективы // Новости искусств. интеллекта (2). — 1995. — С. 65-79.

59. Люгер Д. Искусственный интеллект. Стратегии и методы решения сложных проблем. — М. : Вильямс, 2003. - 864 c.

60. Мальковский М. Г. Диалог с системой искусственного интеллекта. — М. : МГУ, 1985. - 213 с.

61. Норвиг П., Рассел С. Искусственный интеллект: современный подход (AIMA-2). — М. ; СПб. ; Киев : Вильямс, 2016.- 1408 с.

62. Осипов Г. С. Приобретение знаний интеллектуальными системами. — М. : Наука ; Физматлит, 1997. - 109 с.

63. Поспелов Д. А., Осипов Г. С. Прикладная семиотика // Новости искусственного интеллекта. — М., 1999. — (1). — С. 9-35.

64. Тарасов В. Б. От многоагентных систем к интеллектуальным организациям: философия, психология, информатика. — М. : УРСС, 2002. - 352 с.

65. Тельнов Ю. Ф. Инжиниринг предприятий на основе интеллектуальных технологий // Информационно-измерительные и управляющие системы (6). — 2013. — С. 55-59.

66. Хорошевский В. Ф. Управление проектами в интеллектуальной системе PIES Workbench // Изв. РАН, серия «Техническая кибернетика» (5). — 1993. — С. 71-98.

67. Kuipers B. Commonsense reasoning about causality: deriving behavior from structure // Artificial intelligence 24 (1). — 1984. — Р. 169-203.

68. Rieger C. An organization of knowledge for problem solving and language comprehension // Artificial Intelligence 7 (2). — 1976. — Р. 89-127.

69. Stephanopoulos G., Han C. Intelligent systems in process engineering: A review // Computers & Chemical Engineering, 20(6). — 1996. — Р. 743-791.

70. Sure Y., Bloehdorn S., Haase P., Hartmann J. & Oberle D. The SWRC ontology-semantic web for research communities. Progress in Artificial Intelligence. — Springer Berlin Heidelberg, 2005. — Р. 218-231.

71. Tempich C., E. Simperl M. Luczak R. Studer H. S. Pinto. Argumentation-based ontology engineering, IEEE Intelligent Systems 22 (6). — 2007. — Р. 52-59.

72. Turban E., Aronson J. Decision support systems & intelligent systems, (7th Ed.) Editorial Prentice Hall. — 2005. - 936 с.

73. Tzou H. & Anderson G. L. (Eds.). Intelligent structural systems (Vol. 13). — Springer Science & Business Media, 2013. - 453 с.

74. Адельсон-Вельский Г. М., Арлазаров В. Л., Битман А. Р., Донской М. В. Машина играет в шахматы. — М. : Наука, 1983. - 208 c.

75. Алексеевская М. А., Недоступ А. В. Диагностические игры в медицинских задачах. Вопросы кибернетики. Задачи медицинской диагностики и прогнозирования с точки зрения врача, (112). — 1988. С. 128-139.

76. Бурков В.И. и др. Деловые игры в принятии управленческих решений. — М. : МИСИС, 1980. - 144 с.

77. Комаров В. Ф. Управленческие имитационные игры. — Новосибирск : Наука, 1989. - 272 с.

78. Пажитнов Л. А. Логическая структура компьютерной игры // Микропроцессорные средства и системы (3).— 1987. — С. 11-13.

79. Гаек П., Гавранек Т. Автоматическое образование гипотез. — М. : Наука, 1984. —280 с.

80. Аншаков О. М., Скворцов Д. П., Финн Д. К. Логические средства экспертных систем типа ДСМ. Семиотика и информатика (28). — 1986. — С. 5-15.

81. Гусакова С. М., Финн В. К. Сходства и правдоподобный вывод // Известия АН СССР. Техническая кибернетика (5). — 1987. — С. 42-63.

82. Финн В. К. Интеллектуальные системы и общество : [сборник статей] / В.К. Финн. - Издание 3-е, стереотипное. - Москва : КомКнига, 2007. - 352 с.

83. Jensen K., Heidorn G. E., Richardson S. D. (Eds.). Natural language processing: the PLNLP approach (Vol. 196). — Springer Science & Business Media, 2012. - 324 p.

84. Masterman M. Semantic message detection for machine translation, using an interlingua. Proc. of Int. // Conference on machine translation. — 1961. — Р. 438475.

85. Samuel K., Obrst L., Stoutenberg S., Fox K., Franklin P., Johnson A., Peterson J. Translating OWL and semantic web rules into PROLOG: Moving toward description logic programs // Theory and Practice of Logic Programming 8 (3).— 2008. — Р. 301-322.

86. Schank R. C. Reminding and memory organization: An introduction to MOPs. Strategies for natural language processing. — N.J. : Hillsdale, 1982. — Р. 455-493.

87. Schank R. C. and Rieger C. Inference and computer understanding of natural language // Artificial Intelligence 5 (4). — 1974. — Р. 373-412.

88. Schank R. C., Tesler G. A conceptual parser for natural language. Proc. of the IJCAI-69.— 1969. — Р. 569-578.

89. Sowa J. Towards the expressive power of natural language. Principles of Semantic Networks. Sowa J. (eds.), Ch. 5, Morgan Kaufman. — 1991. — Р. 157-189.

90. Weizenbaum J. ELIZA — A Computer Program for the Study of Natural Language Communication between Man and Machine // Communications of the Association for Computing Machinery 9.— 1966. — Р. 36-45.

91. Wilks Y. A. Grammar, meaning and the machine analysis of language. — London : Routledge & Kegan Paul, 1972.

92. Гращенко Л. А. и др. Концептуальная модель системы русско-таджикского машинного перевода // Доклады Академии наук Республики Таджикистан 54(4).— 2011. — С. 279- 285.

93. Нелюбин Л. Компьютерная лингвистика и машинный перевод: методическое пособие. Всес. центр переводов. — 1991. - 151 c.

94. Лепский А.Е. Математические методы распознавания образов / А.Е. Лепский, А.Г. Броневич. - Таганрог.: Курс лекций, 2009. - 155 с.

95. Чабан Л.Н. Теория и алгоритмы распознавания образов / Л.Н.Чабан. -Москва.: Учебное пособие, М.: МИИГАиК. 2004. - 70 с.

96. Мерков А. Б. Распознавание образов [Текст]: Построение и обучение вероятностных моделей; Российская акад. наук, Ин-т системного анализа. -Москва: URSS, 2014. - 238 с.

97. Патрик Э. А. Основы теории распознавания образов / Пер. с англ.; под ред. Б. Р. Левина. — М.: Советское радио, 1980. — 407 с.

98. Роботизированные производственные комплексы. / Под ред. Козырева Ю.Г., Кудинова A.A. М.: Машиностроение, 1987. - 270 с.

99. Справочник по промышленной робототехнике в 2 кн. Кн. 2. / Под ред. Нофа Ш. М.: Машиностроение, 1990. —480 с.

100. Асаи К., Китами С., Кодзима Т и др. Промышленные роботы: внедрение и эффективность.

101. Юревич Е.И. Основы робототехники. Л.: Машиностроение, 1985. 252 с.

102. Тимофеев A.B. Роботы и искусственный интеллект. М.: Наука, 1978. - с.192.

103. Энциклопедия "Космонавтика". / Под ред. Глушко В.П. М.: Советская энциклопедия, 1985. - 528 с.

104. П.Лакота H.A. Робототехника для экстремальных сред. В кн.: Робототехника: новый этап развития. М.: Наука, 1993. 264 с.

105. Амамия М., Танака Ю. Архитектура ЭВМ и ИИ. — М. : Мир, 1993. - 400 с.

106. Hennessy J. L., Patterson D. A. Computer architecture: a quantitative approach.— Elsevier, 2011. -705 p.

107. Sakamura K. 21st-century microprocessors. IEEE Micro, (4). — 2000.— Р. 10-11.

108. Dubois M., Annavaram M., Stenstrom P. Parallel computer organization and design. — Cambridge University Press, 2012. -566 p.

109. Тарасов В. Б. От многоагентных систем к интеллектуальным организациям: философия, психология, информатика. — М. : УРСС, 2002. — 352 с.

110. Городецкий В. И. Многоагентные системы: современное состояние исследований и перспективы применения // Новости искусственного интеллекта (1). — 1996. — С. 44-59.

111. Wooldridge M. Introduction to MultiAgent Systems. Wiley. — 2002. 443 p.

112. Grigoriev L., Kudryavtsev D. ORG-Master: Combining Classifications, Matrices and Diagrams in the Enterprise Architecture Modeling Tool // Proceedings of the 4th Conference on Knowledge Engineering and Semantic Web, October 7-9, 2013. Communications in Computer and Information Science (CCIS) Series — Springer, 2013. — Р. 250-258.

113. Сукиасян Э. Р. Каталогизация и классификация. Электронные каталоги и автоматизированные библиотечные системы: избр. ст. — СПб. : Профессия, 2009. 536 c.

114. Alan Y. Commike, Jonathan J. Hull, Syntactic Pattern Classification by Branch and Bound Search, Department of Computer Science State University of New York at Buffalo, NY, 432-437 c.

115. Ari Frank, Dan Geiger, Zohar Yakkini, Adistance-Based Branch and Bound Feature Selection Algorithm, Haifa Israel UAI 2003 2003, 241-248 c.

116. Armand Prieditis and Moontae Lee, When Classification becomes a Problem: Using Branch-and-Bound to Improve Classification Efficiency, Neustar Labs, P. Perner (Ed.): MLDM 2013, LNAI 7988, pp. 466-480, 2013.

117. Kim H. M., Fox M. S., Grüninger M. An ontology for quality management— enabling quality problem identification and tracing // BT Technology Journal 17 (4). — 1999. — Р. 131-140.

118. Kudryavtsev D., Gavrilova T. From Anarchy to System: a Novel Classification of Visual Knowledge Codification Techniques. Knowledge and Process Management // The Journal of Corporate Transformation. In press. — 2016. pp. 3-13

119. Волков А. М., Ломнев В. С. Классификация способов извлечения опыта экспертов // Известия АН СССР, Техн. кибернетика (5). — 1989. — С. 34-45.

120. Нуриев Н.К. Надежность результата теста для оценки качества владения компетенцией / Н.К. Нуриев, С.Д. Старыгина // современные проблемы безопасности жизнедеятельности: интеллектуальные транспортные системы и ситуационные центры: мат. V Международной научно-практической конференции. - Казань: Центр инновационных технологий, 2018. - С.261-271.

121. Старыгина С.Д. Построение математической модели процесса регламентации педагогического тестирования / С.Д. Старыгина, Н.К. Нуриев // информационные технологии и математическое моделирование (ИТММ-2017): мат. XVI междунар. Конфр. Им. А.Ф. Терпухова. - Томск: Изд-во НТЛ, 2017. - С. 223-229.

122. Старыгина С.Д. Построения математической модели измерительного средства педагогического тестирования / С.Д. Старыгина, Е.А. Печений, Н.К. Нуриев // Информационные технологии и математическое моделирование (ИТММ-2017): мат. XVI междунар. Конфр. Им. А.Ф. Терпухова. - Томск: Изд-во НТЛ, 2017. - С. 229-234.

123. Крылов Д.А. Дидактическая инженерия как методология техногенной образовательной среды / Д.А. Крылов, Н.К. Нуриев, С.Д. Старыгина // Евразийский союз ученых (ЕСУ). - 2015. - № 7(16). - Часть 4. - С. 62-64.

124. Нуриев Н.К. Алгоритм оценки качества овладения компетенцией на основе показателя глубины усвоеных знаний / Н.К. Нуриев, С.Д. Старыгина, Д.А. Ахметшин // Альма-Матер. - 2015. - № 11. - С. 64-67.

125. Нуриев Н.К. Дидактическая инженерия: Проектирования систем обучения нового поколения / Н.К. Нуриев, С.Д. Старыгина, Э.А. Гибадуллина // Интеграция образования. - 2016. - Т. 20. - № 3 (84). - С. 393-406.

126. Нуриев Н.К. Дидактическая инженерия: технология подготовки IT-инженеров в техногенной среде / Н.К. Нуриев, С.Д. Старыгина // Альма-Матер (Вестник высшей школы) - 2016. - № 11. - С. 64-67.

127. Нуриев Н.К. Проектирование smart - системы для поддержки обучения «двойной диплом» / Н.К. Нуриев, С.Д. Старыгина // Вестник Казанского государственного технологического университета. - 2012. - № 19. - С. 253257.

128. Старыгина С.Д. Дидактическая инженерия как методология организации подготовки в реально-виртуальной среде / С.Д. Старыгина, Н.К. Нуриев // образовательные технологии. - 2016. - № 2. - С. 27-34.

129. Старыгина С.Д. Дидактическая инженерия: Проектирование систем нового поколения / С.Д. Старыгина, Н.К. Нуриев // образовательные технологии. -2016. - № 3. - С. 23-34.

130. Гарифьянов Н.Ф. Дидактическая инженерия: практика реализации / Н.Ф. Гарифьянов, Н.К. Нуриев // Международный электронный журнал «Образовательные технологии и общество (Education Technology & Society)» (http://ifets.ieee.org/russian/periodical/iournal.html). - 2016. - V.19. - N 4. - C. 385-396. ISSN 1436-4522.

131. Д.А. Ахметшин, Н.К. Нуриев, С.Д. Старыгина, З.Х. Шакирова, Проектирование информационных систем. Отечество, Казань, 2016. 172 с.

132. С.Д. Старыгина, Е.А. Печеный, Н.К. Нуриев, Исследование операций: математическое программирование. Отечество, Казань, 2016. 296 с.

133. Е.А. Печеный, Н.К. Нуриев, С.Д. Старыгина, Экономико-математические модели в управлении. Центр инновационных технологий, Казань, 2016. 224 с.

134. Л. А. Барон, Н.К.Нуриев, С.Д.Старыгина. Численные методы для IT инженеров: учеб. Пособие для вузов /- Казань, 2012. - 176 с

135. Обади А.А., Проектирование математической модели и модуля распознавания образов для смарт-обучающей системы / А.А. Обади, А. А. Аль-Хашеди, Н.К. Нуриев, Е.А. Печеный // Вестник технол. ун-та. 2017. №8. С. 95-100.

136. Обади А.А., Разработка математической модели распознавания запросов-задач коммуникационных услуг /Аль-Хашеди А.А., Обади А.А., Нуриев Н.К., Печеный Е.А. // Фундаментальные исследования. - 2017. - № 6. - С. 9-14;

137. Обади А.А., Разработка математического и программного обеспечения задач распознавания образов на основе персептрона / А.А. Аль-Хашеди, А.А. Обади, Н.К. Нуриев // Вестник технол. ун-та. 2017. №11. С. 85-89.

138. Обади А.А., Моделирование процесса распознавания образов для smart-образовательных систем / А.А. Обади, А.А. Аль-Хашеди, Н.К. Нуриев, Е.А. Печеный // Фундаментальные исследования. - 2017. - № 11-2. - С. 320-324.

139. Обади А.А., Проектирование программного обеспечения смарт-образовательной системы на примере решения алгебраических и

трансцендентных уравнений / А.А. Обади, А.А. Аль-Хашеди, Ф.А. Муршед // Вестник казан. технол. ун-та. 2016. №10. С. 121-124.

140. Обади А.А., Проектирование программного обеспечения умной образовательной системы на примере обучения решения систем линейных уравнений / А.А. Аль-Хашеди, А.А. Обади, Ф.А. Муршед // Вестник технол. ун-та. 2017. №1. С.102-105.

141. Обади А.А., Использование имитационного моделирования для администрирования систем массового обслуживания / Ф.А. Муршед, А.А. Обади, А.А. Аль-Хашеди // Вестник технол. ун-та. 2017. Т.20, №1. С.125-127.

142. Обади А.А. Разработка смарт-системы для распознавания алгебраических и трансцендентных уравнений и их решений / А.А. Аль-Хашеди, А.А. Обади, Ф.А. Муршед // ИКТ в современном мире: Материалы VIII Международной научно-практической конференции «Электронная Казань 2016», ЮНИВЕРСУМ, Казань 2016. С 435-441.

143. Обади А.А. Проектирование программного обеспечения смарт-обучающей системы на примере распознавания задач в коммуникационных услугах / А.А. Аль-Хашеди, А.А. Обади // ИКТ в современном мире: Материалы VIII Международной научно-практической конференции «Электронная Казань 2017», ЮНИВЕРСУМ, Казань 2017. С 30-36.

144. Обади А.А. Проектирование программного обеспечения смарт-обучающей системы на примере распознавания правильности решения задач интерполяции и экстраполяции / А.А. Аль-Хашеди, А.А. Обади // ИКТ в современно мире: технологические, организационные, методические и педагогические аспекты их использования: Материалы VIII Международной научно-практической конференции «Электронная Казань 2017», ЮНИВЕРСУМ Казань 2017. С 422-428.

145. Обади А.А. Проблемы функционирования беспроводной сети в среде с высокой плотностью пользователей / Ф.А. Муршед, А.А. Обади, А.А. Аль-Хашеди // сборник научных трудов по материалам Международной научно-практической конференции НАУКА 21 ВЕКА: ОТКРЫТИЯ, ИННОВАЦИИ,

ТЕХНОЛОГИИ. - Смоленск: Общество с ограниченной ответственностью «НОВАЛЕНСО», 2016. - С. 50-55.

146. Обади А.А. Основные проблемы работы беспроводных сетей с высокой плотностью пользователей / Ф.А. Муршед, А.А. Аль-Хашеди, А.А. Обади // Российско-Китайский Научный Журнал «Содружество». - 2016. - № 2 (2). -С. 17-20.

147. А.А. Обади, Н.К. Нуриев, А.И. Юнусова, Разработка математической модели распознавания образов недоопределенных объектов // Вестник технол. ун-та. 2018. Т.21, №3. С.151-157.

148. Обади А.А., Тестирование на основе искусственного интеллекта / А.А. Обади, Н.К. Нуриев // XV международной научно-практической конференции "Наука и образования" (сохраняя прошлое, создаём будущее). 5 мая 2018, г. Пенза. С. 64-69.

149. А. А. Обади, Н.К. Нуриев Разработка динамической интеллектуальной карты освоения компетенции // Международный электронный журнал "Образовательные технологии и общество". 2018. Т.21, №2, с.406-413 (РИНЦ).

150. Бехтерев С. Майнд-менеджмент: Решение бизнес-задач с помощью интеллект-карт/ Сергей Бехтерев; Под ред. Глеба Архангельского. - М.: Альпина Паблишер, 2009.

151. Букин Д.С. Развитие памяти по методикам спецслужб/ Д.С. Букин. - М.: Альпина Паблишер, 2014.

152. Анохин П. К. Избранные труды. Системные механизмы высшей нервной деятельности. — М. : Наука, 1979.

153. Берн Э. Игры, в которые играют люди. Люди, которые играют в игры / Пер. с англ. — М. : Прогресс, 1992.

154. Галушкин А. Нейрокомпьютеры. — М. : ИПРЖР, 2000.

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

156. Горбань А. Н., Россиев Д. А. Нейронные сети на персональном компьютере. — Новосибирск : Наука, 1996.

157. Горелов И. Н. Разговор с компьютером. — М. : Наука, 1987

158. Каллан Р. Основные концепции нейронных сетей. — М. : Вильямс, 2001.

159. Тадеусевич Р. и др. Элементарное введение в технологию нейронных сетей с примерами программ. Горячая линия. — 2011.

160. Елисеева И.И. Эконометрика. М.: Издательство Юрайт, 2012. 453 с.

161. Валеев Н.Н., Аксянова А.В., Гадельшина Г.А. Анализ временных рядов и прогнозирование. - Учебное пособие, Казань: изд. КГТУ, 2010. 160 с.

162. Магнус Я.Р., Катышев П.К., Пересецкий А.А. Эконометрика. Начальный курс. М.: Дело, 2007. 504 с.

163. Обади А.А., Разработка алгоритма и программного обеспечения для генератора задач тестовой системы / А.А. Обади // Вестник технол. ун-та. 2019. Т.22, №1. С.106-111.

164. Старыгина С. Д., Проектирование smart образовательных систем с цифровыми технологиями / С. Д. Старыгина, Н. К. Нуриев, Е. А. Печеный, А.А. Обади // Международный электронный журнал "Образовательные технологии и общество". 2019. Т.22, №3, с.54-66 (РИНЦ).

165. Нуриев Н.К., Математическая модель развития проектно-конструктивных способностей в деятельности / Н. К. Нуриев, А.А. Обади, Е. А. Печеный, С. Д. Старыгина // Современные наукоемкие технологии. - 2019. - № 7. - С. 70-77.

166. Обади А.А., Математические модели прогноза и оперативного управления развитием многопараметрических объектов / А.А. Обади, Е. А. Печеный, Н. К. Нуриев // Современные наукоемкие технологии. - 2019. - № 8.

167. Обади А.А., Автоматизированное обновление базы тестовых вопросов в системе контроля знаний / А.А. Обади, С.Д. Старыгина // Материалы XI Международной научно-практической конференции "Электронная Казань 2019" (информационные технологии в современном мире), ЮНИВЕРСУМ Казань 2019. С. 406-414.

168. Обади А.А., Разработка математического обеспечения оценки качества образовательного курса / А.А. Обади, С.Д. Старыгина, Е.А. Печений, Н.К. Нуриев // XXI международной научно-практической конференции "Наука и просвещение" (WORLD SCIENCE: PROBLEMS AND INNOVATIONS). 30 мая 2018, г. Пенза. С. 113-119.

169. Обади А.А., Построение нейронной сети с ускорением времени обучения / А. А. Обади // XI Международный научно-исследовательский конкурс "НАУЧНЫЕ ДОСТИЖЕНИЯ И ОТКРЫТИЯ 2019". 27 августа 2019, г. Пенза. С. 50-59.

ПРИЛОЖЕНИЕ 1 ЛИСТИНГ

Модуль генерации потоков корректных задач Вызов функции генерации

try {

String task = boxTask.Text;

Random random = new Random();

//String ntask = null;

String numc = numcom.Text;

//MessageBox. Show("c"+numc);

String istandart = "0"; int r = 0; int i = 0;

String msg = "";

int rang = Int32.Parse(comboBox1.Text); for (i = 0; i < rang; i++) { String ntask = null; if (i == 0) { ntask = boxTask.Text; }

else { ntask = Generic.generateTask(task, random); } if (standartcmb.Checked == true) { istandart = "1"; }

String levelname = ((KeyValuePair<String, String>)boxTypeTask.SelectedItem).Value.ToString();

int typeTaskId = Int32.Parse(((KeyValuePair<String, String>)boxTypeTask.SelectedItem).Key.ToString());

String q = "insert into tasks set task=@task, level_id=@typeid, numcomp=@numcomp, isStandar=@isStandar";

Dictionary<String, String> d = new Dictionary<String, String>();

d.Add("@task", ntask); d.Add("@typeid", typeTaskId + "");

d.Add("@numcomp", numc + ""); d.Add("@isStandar", istandart + "");

db db = new db(); r = db.query(q, d);

}

catch (Exception ex) { MessageBox. Show("Ошибка!" + ex); } }

Функция генерации

public static String generateTask(String task, Random random) {

String newtask = ""; String nmv = "";

String cutdx = Generic.patternCutOfText(task, "d", new String[] { "x", ";", "/", "*" }, "", false, false); if (!cutdx.Equals(""))

{ task = task.Replace(cutdx, "@d@x@"); }

String cufx = Generic.patternCutOfText(task, "f", new String[] { ")" }, "(", false, false); if (!cufx.Equals("")) { task = task.Replace(cufx, "@f@x@"); }

String cutcorr = Generic.patternCutOfText(task, "£", new String[] { ";", "," }, "=", false, false); if (!cutcorr.Equals("")) { task = task.Replace(cutcorr, "££££"); }

String cutinterval = Generic.patternCutOfText(task, "[", new String[] { "]" }, "", false, false); String cuty = Generic.patternCutOfText(task, "y", new String[] { ";" }, "(", false, false); String cuth = Generic.patternCutOfText(task, "h", new String[] { ";" }, "=", false, false); if (!cuth.Equals("")) { task = task.Replace(cuth, "hhhh"); }

String cutalpha = Generic.patternCutOfText(task, "a", new String[] { ";" }, "=", false, false);

if (!cutalpha.Equals("")) { task = task.Replace(cutalpha, "@alph@"); }

String cutxO = Generic.patternCutOfText(task, "x", new String[] { ";" }, "0", false, false);

String cutyb = Generic.patternCutOfText(task, "y", new String[] { ";" }, "(", false, false);

if (!cutyb.Equals("")) { task = task.Replace(cutyb, "$yb$"); }

if (!cutinterval.Equals("")) {

if (task.Contains("дихотомии") || task.Contains("злотого") || task.Contains("сечения") || task.Contains("минимизируйте")

|| task.Contains("максимум") || ^к.СоШшш("минимум") || task.Contains("Минимизируйте") || task.Contains("Максим")

|| task.Contains("максим") || task.Contains("Миним"))

{ task = task.Replace(cutinterval, "kshksh"); }

else if 0^к.Сойшш("задачи Коши") || ^к.Сойшш("Коши") || task.Contains("задачу Коши") || task. Contains(" Эйлер"))

{ task = task.Replace(cutinterval, "kshksh"); } else { task = task.Replace(cutinterval, "[Произвольно]"); }} if (!cutx0.Equals("")) { task = task.Replace(cutx0, "xx@@"); }

String cutyO = Generic.patternCutOfText(task, "y", new String[] { ";" }, "0", false, false); if (!cuty0.Equals("")) { task = task.Replace(cuty0, "yy@@"); }

String cutz0 = Generic.patternCutOfText(task, "z", new String[] { ";" }, "0", false, false); if (!cutz0.Equals("")) { task = task.Replace(cutz0, "zz@@"); } String xtointx = Generic.patternCutOfText(task, "(", new String[] { "x" }, "x", false, false); if (!xtointx.Equals("")) {

String xtix = random.Next(1, 9).ToString(); String xtoreplax = "(" + xtix + "*x"; task = task.Replace(xtointx, xtoreplax); } String minxpow = Generic.patternCutOfText(task, "x", new String[] {"л" }, "л", false, false); String mpowxtoreplax = "";

if (!minxpow.Equals("")) { String xtix = random.Next(1, 9).ToString();

mpowxtoreplax = xtix + '^л"; task = task.Replace(minxpow, "toreplm"); } String plxpow = Generic.patternCutOfText(task, "+", new String[] { "л" }, "x", false, false);

String xpowtoreplax = "";

if (!plxpow.Equals("")) { if (plxpow.Contains("))A")) {

String xtix = random.Next(1, 9).ToString(); xpowtoreplax = "+" + xtix + "(x))A"; task = task.Replace(plxpow, "toreplp"); } else if (plxpow.Contains(")A")) { String xtix = random.Next(1, 9).ToString(); xpowtoreplax = "+" + xtix + "(x))A"; task = task.Replace(plxpow, "toreplp"); } else if (plxpow.Contains("A")) { String xtix = random.Next(1, 9).ToString(); xpowtoreplax = "+" + xtix + "*(x)A"; task = task.Replace(plxpow, "toreplp"); } } String minxplmin = Generic.patternCutOiText(task, "-", new String[] { "+", "x", "-" }, "x", false, false); String mxtoreplax = "";

if (!minxplmin.Equals("")) { String xtix = random.Next(1, 9).ToString();

mxtoreplax = "-" + xtix + "*x"; task = task.Replace(minxplmin, mxtoreplax); }

String plxplmin = Generic.patternCutOfText(task, "+", new String[] { "+", "x", "-" }, "x", false, false); if (!plxplmin.Equals("")) { String xtix = random.Next(1, 9).ToString();

String xtoreplaxx = "+" + xtix + "*x"; task = task.Replace(plxplmin, xtoreplaxx); } task = task.Replace("toreplp", xpowtoreplax); task = task.Replace("toreplm", mpowxtoreplax); String mxtointx = Generic.patternCutOfText(task, "(", new String[] { "x" }, "-", false, false); if (!mxtointx.Equals("")) { String xtix = random.Next(1, 9).ToString();

String xtoreplax1 = "(" + xtix + "*-x"; task = task.Replace(mxtointx, xtoreplax1); } List<String> sxlist = new List<String>(); for (int i = 0; i <= 100; i++) {

String cutsxno = Generic.patternCutOfText(task, "x", new String[] { "+", "-", "=", "*", "/", "p" }, "", false, false); if (!cutsxno.Equals("")) {

task = ReplaceFirstOccurrence(task, cutsxno, "$$"); // task = task.Replace(cutsxno, "##"); sxlist.Add(cutsxno); }} List<String> powlist3 = new List<String>();

for (int po3 = 0; po3 <= 100; po3++) { String cutx = Generic.patternCutOfText(task, "x", new String[] { "+", "-", "=", "y", " ", ")", "*" }, "A", false, false);

if (!cutx.Equals("")) { task = ReplaceFirstOccurrence(task, cutx, "####"); powlist3.Add(cutx);}}

String cuta = Generic.patternCutOfText(task, "a", new String[] { ";" }, "=", false, false);

String cutb = Generic.patternCutOfText(task, "b", new String[] { ";" }, "=", false, false);

String cutn = Generic.patternCutOfText(task, "n", new String[] { ";" }, "=", false, false);

if (!cutn.Equals("")) { MessageBox.Show(cutn); task = ReplaceFirstOccurrence(task, cutn, "PNP"); }

List<String> powlist2 = new List<String>();

for (int p2 = 0; p2 <= 100; p2++) { String cutp = Generic.patternCutOfText(task, ")", new String[] { "+", "-", "=", "y", ";", "*" }, "A", false, false);

if (!cutp.Equals("")) { task = ReplaceFirstOccurrence(task, cutp, "brbr");

powlist2.Add(cutp); }}

List<String> powlist = new List<String>();

for (int p = 0; p <= 100; p++) { String cutx2p2 = Generic.pattemCutOfText(task, "x", new String[] { "+", "-", "=", "y", ";", "*" }, ")", false, false);

if (!cutx2p2.Equals("")) { if (cutx2p2.Contains("A")) {

task = ReplaceFirstOccurrence(task, cutx2p2, "pppp"); powlist.Add(cutx2p2); }}}

if (!cuty.Equals("")) { task = task.Replace(cuty, "yyyy"); }

if (!cuta.Equals("")) { task = task.Replace(cuta, "aaaa"); }

if (!cutb.Equals("")) { task = task.Replace(cutb, "bbbb"); }

List<double> listNumbersl = new List<double>();

char[] charsl = task.ToCharArray();

foreach (char c in charsl) { Double s = 0;

Boolean res = Double.TryParse(c.ToString(), out s);

if (res) { listNumbersl.Add(s); }}

List<double> num_in_task = new List<double>();

double taskinstr = 0; String taskdstr = "";

for (int i = 0; i < listNumbersl.Count; i++)

{ taskdstr = Regex.Match(task, @"-?\d+(?:\.\d+)?").Value;

if (taskdstr.Equals("")) { break; } else {

taskinstr = Double.Parse(taskdstr); num_in_task.Add(taskinstr);

task = ReplaceFirstOccurrence(task, taskdstr, "RR"); } }

String ncl = "";

if (task.Contams("MHoro™eH") || task.Contains(".narpaH®") || task.Contains("craaHH")) { int konst = random.Next(l,5); int firnuml = TestForm.counterl; int lastnuml = firnuml + konst; double num = 0; List<double> dnum = new List<double>(); for (int i = 0; i < num_in_task.Count; i++) {

num= firnuml + konst; dnum.Add(num); firnuml =(int)num; task = ReplaceFirstOccurrence(task, "RR", num.ToString()); } }

else { for (int i = 0; i < num_in_task.Count; i++) { ncl = random.Next(l, 9).ToString();

task = ReplaceFirstOccurrence(task, "RR", ncl); } }

newtask = task; // reverse

if (!cuta.Equals("")) { newtask = newtask.Replace("aaaa", cuta); }

if (!cutb.Equals("")) { newtask = newtask.Replace("bbbb", cutb); }

foreach (String sx in sxlist) { newtask = ReplaceFirstOccurrence(newtask, "$$", sx); }

foreach (String po3 in powlist3) { newtask = ReplaceFirstOccurrence(newtask, "####", po3); }

foreach (String po in powlist) { newtask = ReplaceFirstOccurrence(newtask, "pppp", po); }

foreach (String po2 in powlist2) { newtask = ReplaceFirstOccurrence(newtask, "brbr", po2); }

newtask = newtask.Replace("PNP", cutn);

newtask = newtask.Replace("@d@x@", cutdx); newtask = newtask.Replace("yyyy", cuty);

newtask = newtask.Replace("xx@@", cutx0); newtask = newtask.Replace("yy@@", cuty0); newtask = newtask.Replace("zz@@", cutz0); newtask = newtask.Replace("@f@x@", cufx); newtask = newtask.Replace("$yb$", cutyb); newtask = newtask.Replace("@alph@", cutalpha); //>>>>>>>>>>>>>>// //Transcendental equation

if (newtask.Contains("Kop") && (newtask.Contains("cos") || newtask.Contains("sin") || newtask.Contains("log") || newtask.Contains("ln") || newtask.Contains("arctan") || newtask.Contains("sqrt") || newtask.Contains("exp"))) { List<String> laseteq = new List<String>(); for (int lq = 0; lq < 10; lq++)

{ String lastequal = Generic.patternCutOfText(newtask, "=", new String[] { ";" }, "", false, false);

if (!lastequal.Equals(""))

{ newtask = newtask.Replace(lastequal, "tlqlq"); laseteq.Add(lastequal); } }

foreach (String leq in laseteq) { newtask = ReplaceFirstOccurrence(newtask, "tlqlq", "=0;"); }

String tasktocheck = Generic.patternCutOfText(newtask, "#", new String[] { "#" }, "", false, false); tasktocheck = tasktocheck.Replace("#", ""); tasktocheck = tasktocheck.Replace("=0;", ""); MessageBox.Show(tasktocheck); double droot = 0;

String root = Equation_Check_root.regulaFalsi(tasktocheck,-10, 10); droot = Double.Parse(root); Boolean isDouble = Double.TryParse(root, out droot);

if (isDouble) { newtask = newtask.Replace("££££", cutcorr);

newtask = newtask.Replace("[npoH3Bo^bHo]", "[-100,100]");

return newtask + "\n" + "the root is " + root; } else { return ""; }

//Other classes

else if (newtask.Contains("cos") || newtask.Contains("sin") || newtask.Contains("log") || newtask.Contains("ln") || newtask.Contains("arctan")

|| newtask.Contains("f(x)") || newtask.Contains("x=") || newtask.Contains("sqrt") || newtask.Contains(" y'=") || newtask.Contains("z'=") || newtask.Contains("dx") || newtask.Contains("3agann Komn") || newtask.Contains("Komn"))

{ newtask = newtask.Replace("hhhh", cuth); newtask = newtask.Replace("££££", cutcorr); newtask = newtask.Replace("kshksh", cutinterval); return newtask;

}

// equation system

else if (newtask.Contains("систему уравнений") || newtask.Contains("система уравнений") || newtask.Contains("Система уравнений") || newtask.Contains("Систему уравнений")

|| newtask.Contains("Решите систему") || newtask.Contains("систему линейных") || newtask.Contains("систему линейных алгебраических уравнений") || newtask.Contains("систему")

|| newtask.Contains("система")) { List<String> laseteq = new List<String>();

for (int lq = 0; lq < 10; lq++) { String lastequal = Generic.patternCutOfText(newtask, "=", new String[] { ";" }, "", false, false);

if (!lastequal.Equals("")) { newtask = newtask.Replace(lastequal, "slqlq"); laseteq.Add(lastequal); }} foreach (String leq in laseteq) { newtask = ReplaceFirstOccurrence(newtask, "slqlq", "=0;"); }

String tasktocheck = Generic.patternCutOfText(newtask, "#", new String[] { "#" }, "", false, false); List<String> siglistcheck = new List<String>(); char[] chartasktocheck_sig = tasktocheck.ToArray(); foreach (char csig in chartasktocheck_sig)

{ if (csig.Equals('-') || csig.Equals('+')) { siglistcheck.Add(csig.ToString()); } }

List<String> sxlistcheck = new List<String>(); for (int i = 0; i <= 100; i++)

{ String cutsxnocheck = Generic.patternCutOfText(tasktocheck, "x", new String[] { "+", "-", "=", "*", "/", "p" }, "", false, false);

if (!cutsxnocheck.Equals("")) { tasktocheck = ReplaceFirstOccurrence(tasktocheck, cutsxnocheck, "$$"); sxlistcheck.Add(cutsxnocheck); } }

for (int i = 0; i <= 100; i++) {

String cutsxnocheck = Generic.patternCutOfText(tasktocheck, "0", new String[] { ";" }, "", false, false); if (!cutsxnocheck.Equals(""))

{ tasktocheck = ReplaceFirstOccurrence(tasktocheck, cutsxnocheck, "$$"); } }

List<double> konstants = new List<double>(); char[] chartasktocheck = tasktocheck.ToArray(); double instr = 0; String dstr = "";

for (int i = 0; i < 100; i++) { dstr = Regex.Match(tasktocheck, @"-?\d+(?:\.\d+)?").Value;

if (dstr.Equals("")) { break; } else { instr = Double.Parse(dstr); konstants.Add(instr); tasktocheck = ReplaceFirstOccurrence(tasktocheck, dstr, "$$"); } }

Double counter = konstants.Count;

Double srtcounter = Math.Sqrt(counter); double[] d = konstants.ToArray();

double[,] matrix = ConvertMatrix(d, (int)srtcounter, (int)srtcounter); int sigindex = 0;

double[,] m = MatrixDecompositionProgram.MatrixCreate((int)srtcounter, (int)srtcounter); for (int i = 0; i < (int)srtcounter; i++) { for (int j = 0; j < (int)srtcounter; j++)

{ m[i, j] = matrix[i, j]; } }

int[] perm; int toggle;

double[,] luMatrix = MatrixDecompositionProgram.MatrixDecompose(m, out perm, out toggle); double[,] lower = MatrixDecompositionProgram.ExtractLower(luMatrix); double[,] upper = MatrixDecompositionProgram.ExtractUpper(luMatrix); double det = MatrixDecompositionProgram.MatrixDeterminant(m); MessageBox.Show("Onpege^HTe^b MarpH^i=" + det.ToString());

if (det == 0) return ""; } else { newtask = newtask.Replace("££££", cutcorr); return newtask; } }

//linear quadratic equation

else { List<String> laseteq = new List<String>(); for (int lq = 0; lq < 10; lq++)

{ String lastequal = Generic.patternCutOfText(newtask, "=", new String[] { ";" }, "", false, false); if (!lastequal.Equals("")) { newtask = newtask.Replace(lastequal, "lqlq"); laseteq.Add(lastequal); } }

foreach (String leq in laseteq) { newtask = ReplaceFirstOccurrence(newtask, "lqlq", "=0;"); }

double a = 1; double b = 0; double vc = 0; Double sa = 0;

String tasktocheck = Generic.patternCutOfText(newtask, "#", new String[] { "#" }, "", false, false); String acut = Generic.patternCutOfText(tasktocheck, "#", new String[] { "A" }, "", false, false); if (!acut.Equals("")) { char[] charsa = acut.ToArray();

foreach (char ca in charsa) { String nc = ca.ToString();

Boolean res = Double.TryParse(ca.ToString(), out sa); if (res) { a = sa; } } } String minacut = Generic.patternCutOfText(tasktocheck, "#", new String[] { "A" }, "", false, false); if (!minacut.Equals(""))

{ if (minacut.Contains("-")) { char[] charsa = minacut.ToArray();

foreach (char ca in charsa) { String nc = ca.ToString(); Boolean res = Double.TryParse(ca.ToString(), out sa);

if (res) { a = -sa; tasktocheck = tasktocheck.Replace(minacut, "mmm"); } } } }

String minacuthid = Generic.patternCutOfText(tasktocheck, "#", new String[] { "A" }, "-", false, false); if (!minacuthid.Equals("")) { tasktocheck = tasktocheck.Replace(minacuthid, "ppp"); }

String placuthid = Generic.patternCutOfText(tasktocheck, "#", new String[] { "A" }, "+", false, false); if (!placuthid.Equals("")) { tasktocheck = tasktocheck.Replace(placuthid, "ppp"); } String plusbcut = Generic.patternCutOfText(tasktocheck, "+", new String[] { "x" }, "", false, false); if (!plusbcut.Equals("")) { char[] charsb = plusbcut.ToArray(); foreach (char cpb in charsb) {

double spb = 0; String nc = cpb.ToString(); Boolean res = Double.TryParse(cpb.ToString(), out spb); if (res) { b = spb; } } }

String minbcut = Generic.patternCutOfText(tasktocheck, "-", new String[] { "x" }, "", false, false); if (!minbcut.Equals("")) { char[] charsmb = minbcut.ToArray();

foreach (char cmb in charsmb)

{ double smb = 0; String nc = cmb.ToString(); Boolean res = Double.TryParse(cmb.ToString(), out smb); if (res) { b = -smb; } } } char[] arrayscpl = { }; for (int sccut = 0; sccut <= l0; sccut++)

{ String plusccut = Generic.patternCutOfText(tasktocheck, "+", new String[] { "x" }, "", false, false); if (!plusccut.Equals("")) { arrayscpl = plusccut.ToArray();

if (!arrayscpl[2].ToString().Equals("=")) {tasktocheck = tasktocheck.Replace(plusccut, "ccc"); }}} char[] arraysc = { };

for (int sccut = 0; sccut <= l0; sccut++) { String minccut = Generic.patternCutOfText(tasktocheck, "-", new String[] { "x" }, "", false, false);

if (!minccut.Equals("")) { arraysc = minccut.ToArray();

if (!arraysc[2].ToString().Equals("=")) { tasktocheck = tasktocheck.Replace(minccut, "ccc"); }}}

String minlastccut = Generic.patternCutOfText(tasktocheck, "-", new String[] { "=" }, "", false, false);

if (!minlastccut.Equals("")) { char[] charsmc = minlastccut.ToArray();

foreach (char cmc in charsmc) { double smc = 0; String nc = cmc.ToString(); Boolean res = Double.TryParse(cmc.ToString(), out smc); if (res) { vc = -smc; }}}

String pluslastccut = Generic.patternCutOfText(tasktocheck, "+", new String[] { "=" }, "", false, false);

if (!pluslastccut.Equals("")) { char[] charspc = pluslastccut.ToArray();

foreach (char cpc in charspc) { double spc = 0; String nc = cpc.ToString(); Boolean res = Double.TryParse(cpc.ToString(), out spc);

if (res) { vc = spc;}}}

double descrement = (Math.Pow(b, 2)) - (4 * a * vc);

if (descrement >= 0) { newtask = newtask.Replace("££££", cutcorr); return newtask; } else { return "";

}}}

ПРИЛОЖЕНИЕ 2 АКТЫ О ВНЕДРЕНИИ И ИСПОЛЬЗОВАНИИ РЕЗУЛЬТАТОВ ДИССЕРТАЦИОННОГО ИССЛЕДОВАНИЯ

МИНОБРНЛУКИ РОССИИ Федеральное государственное бюджетное образовательное учреждение высшего

образования

«Казанский национальный нселедовательскин.технологнчсскии университет»

(ВГБОУ НО «КНИТУ») \

/7- ■ 1 - ' • • Г, .' V . • \л • ^

'О* Ъ \1 и

№

АКТ

| утверждаю

.йроректор но УМР ВО «КНИТУ» Бурмистров А.В. ~П>°) 20

О внедрении результатов диссертационного исследования Обади Абдулфаттах Али Мохсен на тему «Разработка математических моделей и программного комплекса для многопараметрических 8таП-систем» в учебный процесс кафедры информатики и прикладкой математики «ИПМ».

Комиссия в составе: заведующего кафедрой ИПМ д.п.н., проф. Нуриева Н.К., членов кафедры ИПМ д.т.н., проф. Бадертдиновой Е.Р.. к.п.н. доц. Старыгиной С.Д., к.т.н. доц. Ахметшина Д.А. и ответственного за учебный процесс на кафедре ИПМ к.т.н., доц. Титова А.Н. подтверждает, что результаты диссертационного исследования аспиранта Обади А.А., а именно комплекс программ йшал-образовательных систем, внедрены в учебный процесс кафедры информатики и прикладной математики Казанского национального исследовательского технологического университета на сайте myknitu.ru, и используются в образовательном процессе для проведения контрольных работ, тестирования и тренинга обучающихся по дисциплинам «Вычислительная математика». «Информатика», «Методы оптимизации» по направлению 09.03.02 «Информационные системы и технологии. Основание: Решение Кафедры И11М (протокол №3 от «%у> V у, Председатель:

Заведующий кафедрой ИПМ, д.п.н., проф. Члены комиссии: с

д.т.н., проф. ^^/С

к.п.н., доц. усс*?i

к.т.н., доц.

Ответственный за учебный Процесс каф. ИПМ. к.т.н., доц.

^Нуриев Н.К.

адертдинова Е.Р. тарыгина С.Д. Ахметшин Д.А.

Гитов А.Н.

YemenRobot Yemen, Sanaa [phone]

Акт

О внедрении результатов диссертационного исследования Обади Абдулфаттах Али Мохсен на тему «Разработка математических моделей и программного комплекса для многопараметрических Smart- систем» в бизнес процесс компании «YemenRobot», занимающейся разработкой Smart-технологий и решений в области коммуникационных и других услуг на территории республики Йемена.

Директор Компании A.A. Аль-Хаш