Разработка методов и алгоритмов построения деревьев решений для систем управления на железнодорожном транспорте тема диссертации и автореферата по ВАК РФ 05.13.06, кандидат технических наук Панасов, Виктор Леонидович

• Панасов, Виктор Леонидович
• кандидат технических наук
• 2001

Оглавление диссертации кандидат технических наук Панасов, Виктор Леонидович

ВВЕДЕНИЕ.

ГЛАВА 1. ИССЛЕДОВАНИЕ ЗАДАЧ ДИАГНОСТИКИ И УПРАВЛЕНИЯ

ОБЪЕКТАМИ ЖЕЛЕЗНОДОРОЖНОГО ТРАНСПОРТА И ПУТЕЙ ИХ РЕШЕНИЯ С ПРИМЕНЕНИЕМ ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМ.

1.1 Анализ задач управления и диагностики горочных замедлителей и поиска неисправностей в электровозе.

1.2 Исследование требований к структуре и принципам построения экспертных систем технической диагностики и управления.

1.3 Выбор метода приобретения знаний для экспертных систем диагностики и управления.

1.4 Исследование методов и алгоритмов построения деревьев решений и возможностей их усовершенствования.

1.5 Выводы.

ГЛАВА 2. РАЗРАБОТКА МЕТОДОВ И АЛГОРИТМОВ СНИЖЕНИЯ ОШИБКИ

КЛАССИФИКАЦИИ ДЕРЕВЬЕВ РЕШЕНИЙ.

2.1 Выбор методов борьбы со смещенностью оценок критерия разделения и субъективностью процесса построения деревьев решений.

2.2 Разработка алгоритма построения деревьев решений с использованием идей генетических алгоритмов.

2.3 Разработка метода получения объективной оценки критерия разделения.

2.4 Экспериментальное исследование алгоритмов построения деревьев решений

2.5 Выводы.

ГЛАВА 3. РАЗРАБОТКА МЕТОДОВ И АЛГОРИТМОВ СНИЖЕНИЯ ОШИБКИ

КЛАССИФИКАЦИИ ЗА СЧЕТ ПОСТРОЕНИЯ КОЛЛЕКТИВОВ ДЕРЕВЬЕВ РЕШЕНИЙ.

3.1 Исследование принципов и проблем построения коллективов классификаторов

3.2 Разработка метода получения коллектива деревьев решений оптимального размера.

3.3 Разработка метода получения частично независимой оценки ошибки классификации и алгоритма селекции коллектива деревьев решений.

3.4 экспериментальное исследование алгоритма построения коллектива деревьев решений.

3.5 Выводы.

ГЛАВА 4. ПРОГРАММНАЯ РЕАЛИЗАЦИЯ ЭКСПЕРТНОЙ СИСТЕМЫ

ДИАГНОСТИКИ И АЛГОРИТМОВ ПРИОБРЕТЕНИЯ ЗНАНИЙ.

4.1 Интеграция экспертной системы диагностики в горочный вычислительный управляющий комплекс и выбор языка программирования.

4.2 Разработка и реализация оболочки экспертной системы диагностики и управления.

4.3 Программная реализация модулей поддержки эксперимента.

4.4 Программная реализация алгоритмов P.Tree, P.Split и P.Coll.

4.5 Выводы.

ГЛАВА 5. РАЗРАБОТКА ИНДУКТИВНЫХ СИСТЕМ ДИАГНОСТИКИ И

УПРАВЛЕНИЯ ГОРОЧНЫМИ ЗАМЕДЛИТЕЛЯМИ.

5.1 Анализ и разработка советующей системы диагностики и мониторинга состояния горочного замедлителя.

5.2 Разработка системы поддержки принятия решений о выборе ступени торможения

5.3 Разработка системы помощи в поиске неисправностей электрооборудования электровоза.

5.4 Выводы.

Введение диссертации (часть автореферата) на тему «Разработка методов и алгоритмов построения деревьев решений для систем управления на железнодорожном транспорте»

Актуальность работы. В условиях рыночной системы хозяйствования основным способом повышения эффективности производства является усовершенствование методов управления и организации. Очевидно, в этой связи особая роль отводится внедрению передовых компьютерных технологий в задачи управления и контроля.

Железнодорожный транспорт является одной из тех отраслей, где совершенствование управления невозможно без широко применения современных информационных технологий. Во многих технологических процессах на транспорте уже завершен первый этап автоматизации /80/. Однако, большинство информационно-управляющих систем выполняют лишь вспомогательную функцию, когда наиболее сложные решения по прежнему принимаются человеком. Во многих случаях на то есть совершенно объективные причины. Например, ни одна современная управляющая система не способна функционировать с надежностью достаточной для поручения ей таких задач, ошибка в которых может создать угрозу здоровью или жизни человека. Вместе с тем, существует множество процессов, к которым предъявляются сниженные требования по надежности, но уровень их автоматизации по прежнему не высок.

В работах /81, 67/ выделяются следующие первоочередные задачи информатизации на транспорте:

- перенос основных функций управления с операторов на автоматические вычислительные системы, с возложением на оператора контролирующих пассивных функций;

- применение современных средств аналитической обработки информации для поддержки принятия решений;

- переход на ремонтно-восстановительные методы обслуживания;

- создание системы автоматизированной комплексной диагностики с прогнозированием предотказных ситуаций;

- создание экспертных систем, регламентирующих действия оперативного персонала в нештатных ситуациях.

Многие технологические задачи на железнодорожном транспорте чрезвычайно сложны, и их полная структуризация и формализация практически невозможна. Такие задачи невозможно решить обычными аналитическими методами. Традиционно ответственность за принятие решений в таких ситуациях возлагается на человека-специалиста. Вычислительная система здесь все же применяется, но выполняет лишь вспомогательную роль в подготовке данных. К примеру, задача диагностики предотказных состояний горочных замедлителей полностью ложится на дежурного электромеханика /54/. Существующие вычислительные системы проводят нормировку и пересчет основных показателей состояния замедлителя в другие более удобные единицы измерения. Окончательный диагноз ставится электромехаником по совокупности всех факторов доступных из Контрольно-Диагностического Комплекса и с учетом его опыта и других факторов, полученных иными способами.

Следует отметить, что в технике, в отличие от экономики и медицины, очень часто существует альтернатива «слепому» анализу объекта управления или диагностики по внешним признакам 121. Требуемая информация об объекте может быть получена путем его разборки. В этом случае причины неисправности могут быть получены путем непосредственных наблюдений или измерений. Однако, такие операции как правило сопряжены со значительными затратами времени и ресурсов. К примеру, для внешнего осмотра замедлителя необходимо как минимум приостановить процесс роспуска состава, что неизбежно приведет к материальным потерям из-за нарушения графика /54/. Другим примером может служить задача диагностики тяговых двигателей локомотивов. Его разборка — дорогостоящий процесс. Однако, предварительная информация о состоянии двигателя может быть получена без разбора путем виброакустической диагностики /97/. Решение о проведении дальнейших ремонтных работ в подобных задачах может быть принято по неким внешним признакам. К примеру, в случае с замедлителем по результатам анализа таких признаков, как замедление конкретного типа отцепов, инерционность, погодные условия может быть принято решение о продолжении текущего роспуска и проведении визуального осмотра во время следующего технологического окна. Таким образом, анализ технических систем по внешним признакам может способствовать экономии времени и средств за счет более оптимального планирования ремонтно-восстановительных работ /81/.

Ввиду таких свойств, как трудноформализуемость и неполнота входной информации, решением подобных задач, как правило, занимается человек-специалист в данной области. Автоматизация процесса принятия решения в таких задачах невозможна посредством обычных аналитических методов и линейных алгоритмов. Следовательно, для их решения необходимо применять подходы, разработанные в искусственном интеллекте.

В своих рассуждениях специалист пользуется различными типами знаний. Часть из них получены из технической литературы и содержат информацию о внутреннем устройстве и принципах функционирования объекта управления или диагностики. Однако, в таких трудноформализуемых задачах окончательное решение базируется в большей степени на опыте специалиста, который он приобрел при решении подобных задач в прошлом. Для формализации таких опытных знаний и моделирования поведения человека-эксперта в искусственном интеллекте используются экспертные системы /113/.

Развитие теории экспертных систем началось в 60-70-х годах с появлением первых вычислительных систем. Большая часть исследований велась в направлении поиска новых моделей представления знаний и стратегий управления выводом /64/. При этом противоборствовало два стремления. С одной стороны, исследователи стремились найти более универсальные способы представления знаний, с помощью которых можно было бы представить знания из самых разных областей науки, техники и жизни. Такое универсальное представление могло бы предоставить очень привлекательную возможность ассоциативного переноса знаний или метазнаний, накопленных в одной предметной области на другие. С другой стороны, для использования в задачах практического масштаба необходимо было найти такие модели, поиск решений на которых осуществлялся бы достаточно быстро /64/.

Баланс между требованиям к универсальности и вычислительной сложности постоянно сдвигался в сторону первого. Сейчас, при нынешнем уровне быстродействия вычислительных систем и, в особенности, темпах его роста, второе стремление отошло на второй план /59/. В связи с этим, в настоящее время основные усилия исследователей направлены на совершение методов и инструментария разработки экспертных систем (ЭС). Изначально, для построения ЭС применялось три типа специалистов /116/: программисты, эксперты в данной предметной области и инженеры по знаниям. При этом основная нагрузка ложилась именно на инженеров по знаниям, в задачи которых входило извлечение, структуризация и формализация знаний, имеющихся у экспертов. Этот процесс был чрезвычайно долгим и дорогостоящим. При этом нередко приходилось отказываться от выбранной модели представления знаний, разрабатывать новую, и повторять этапы структуризации и формализации заново /116/.

В последние годы очень активно развиваются новые подходы к построения баз знаний ЭС. В этих подходах исследователю отводится менее активная роль. Основная работа по извлечению знаний осуществляется автоматически /116/. Помимо резкого сокращения времени извлечения знаний, такой подход позволяет придать ЭС качественно новые функции. ЭС, оснащенная блоком автоматического приобретения знаний, способна анализировать последствия решений, принятых ею в прошлом /79/. В зависимости от успеха или неудачи принятых ранее решений ЭС может оперативно корректировать свою базу знаний. Таким образом, реализуется своеобразная обратная связь, потенциально способная улучшить качество принятия решений за счет выявления таких знаний об объекте анализа, о которых человек-эксперт мог и не знать /79/.

Большинство систем автоматического приобретения знаний в качестве входных данных используют примеры поведения человека-специалиста в данной предметной области. Чаще всего используются «положительные» примеры правильного поведения, но иногда определенная информация может быть получена из «контрпримеров» неправильного поведения /28/. Причиной широко распространения таких индуктивных форм автоматического приобретения знаний является, по-видимому, простота получения таких примеров. Чаще всего, для этого вообще не требуется активного участия эксперта. Достаточно лишь иметь протокол его действий в самых различных ситуациях, охватывающий достаточно большой период времени. К примеру, для обучения задаче диагностики предотказного состояния замедлителя можно использовать протоколы Контрольно-Диагностического Комплекса, в которых фиксируются все необходимые факторы /50/.

Среди систем индуктивного обучения можно особо выделить сазе-системы /116/, системы, основанные на нейронных сетях /131/ и деревьях решений /125/. Именно этим системам посвящено большинство современных исследований, т.к. с помощью них удается достичь наименьших уровней ошибок прогнозирования.

Ввиду таких свойств, как низкие требования к структуре обучающих примеров, способность обнаруживать негомогенные отношения, простота интерпретации и преобразования в продукционные правила /125/, данная работа посвящена исследованию процедур индуктивного обучения, основанных на деревьях решений. Тенденция к резкому увеличению быстродействия современных вычислительных систем /126/ также использована в работе, т.к. поиск более совершенных процедур приобретения знаний ведется за счет применения методов «грубой силы» /120/, где данная цель достигается за счет искусственного увеличения объемов вычислений.

В качестве объекта исследования в работе используются управляющие и диагностические системы и АРМы, работающие в условиях неполноты информации, и предназначенные для принятия решений в трудноформали-зуемых задачах.

Предметом исследования являются структура, принципы функционирования и диагностики сложных технических объектов железнодорожного транспорта.

Целью диссертационного исследования является разработка и совершенствование методов и алгоритмов построения деревьев решений и коллективов деревьев решений, позволяющих добиться низшей ошибки прогнозирования при меньших затратах вычислительных ресурсов и памяти.

Для достижения поставленной цели необходимо решить следующие задачи:

- обосновать выбор модели представления знаний, основанной на деревьях решений, для задач построения управляющих и диагностических систем на железнодорожном транспорте;

- выявить причины недостаточной точности предсказания существующих алгоритмов построения деревьев решений и предложить пути ее повышения с использованием методов самоорганизации и бутстреп-процедур получения несмещенных оценок;

- выявить недостатки существующих алгоритмов построения коллективов классификаторов применительно к деревьям решений, и предложить пути их устранения с использованием идей самоорганизации в построении моделей;

- программно реализовать предлагаемые алгоритмы построения деревьев решений и коллективов деревьев решений;

- провести сравнительный анализ предлагаемых алгоритмов с существующими на практических базах данных и в виртуальном эксперименте;

- применить разработанные модели и программное обеспечение для решения практических задач в автоматизированных системах управления на железнодорожном транспорте.

Методы исследования основываются на применении фундаментальных и прикладных исследований в области теории вероятности, распознавания образов, имитационного моделирования, экспертных систем, инженерии знаний, математической статистики, самоорганизации, случайного поиска и деревьев решений. В работе использовались методы экспериментального статистического исследования.

В работе использованы труды таких авторов, как Айвазян С.А., Бакаев A.A., Берштейн JI.C., Брейман Д., Вагин В.Н., Васант. X., Гаврилова. Г.А., Гупал A.M., Дрейпер, Жужек А., Ивахненко А.Г., Картик Б., Куинлан Р., Мешалкин В.П., Орлов А.И., Пархоменко П.П., Попов Э.В., Растригин JT.A., Солодовникова В.В., Стоун М., Уотермен Д., Федеров И.П., Фридман X., Фрюнд Й., Фукунага К., Ханд Д., Хант И., Хассон ML, Хейес-Рот Ф., Червин-ская K.P., Чирихин С.Н., Шавлик Д., Шенк Р., Эфрон Б. В вопросах применения методов информационных и экспертных систем на железнодорожном транспорте использовались труды таких авторов, как Мишарин A.C., Козлов П.А., Иванченко В.Н., Лисенков В.М., Лябах H.H., Сапожников В.В., Гуда А.Н., Жарков Ю.И., Ульяницкий Е.М., Тишкин Е.М.

Теоретические исследования, проведенные в работе, апробировались в имитационных экспериментах на модельных задачах и на реальных задачах технической диагностики, в частности, на железнодорожном транспорте.

Научная новизна работы состоит в следующем:

- разработан и исследован подход для решения задач синтеза моделей управления и диагностики технических процессов на железнодорожном транспорте в виде деревьев решений, основанный на методе бутстрепа;

- предложено два новых алгоритма автоматического построения единичных деревьев решений, позволяющих понизить ошибку классификации и одновременно уменьшить сложность классификатора;

- предложен новый алгоритм автоматической селекции коллективов деревьев решений, позволяющий добиться меньшей ошибки прогнозирования при меньшем объеме коллектива;

- введена процедура получения частично независимого критерия ошибки классификации для оптимизационных моделей селекции коллективов деревьев решений путем многократного увеличения объема проверочной выборки;

- введен критерий для сравнения деревьев решений с точки зрения их роли в коллективе.

Практическая ценность работы определяется потребностью в реализации интеллектуального программного обеспечения процедур диагностики и мониторинга горочных замедлителей и поиска неисправностей в электрооборудовании электровозов. В работе достигнуты следующие практические результаты:

1. Разработано программное обеспечение, реализующее предлагаемые методы, а также экспертная система, использованная для поиска неисправностей в электрооборудовании электровоза.

2. Использование результатов диссертационного исследования для усовершенствования систем управления горочными замедлителями позволит сократить численность обслуживающего персонала и повысить качество принимаемых решений.

3. Методы и алгоритмы, предложенные в работе, носят универсальный характер и были использованы в других областях науки, например в медицине.

Достоверность и обоснованность научных положений, выводов и рекомендаций, сформулированных в диссертации, подтверждается результатами вычислительных экспериментов на практических и модельных задачах, публикациями, апробацией работы на ряде всероссийских, международных, региональных и отраслевых конференций, результатами практического использования предложенных в диссертации моделей, методов и алгоритмов, подтвержденными актами.

Апробация работы. Основные положения диссертации и научные результаты докладывались и обсуждались на семинарах кафедры «Информатика» Ростовского государственного университета путей сообщения (РГУПС), на 58-ой научной конференции профессорско-преподавательского состава РГУПС 1999 г., 59-ой Вузовской научно-технической конференции профессорско-преподавательского состава «Транспорт-2000» РГУПС, 2000 г., на Втором всероссийском симпозиуме «Прикладная и промышленная математика» г. Самара, 2001 г., VII Всероссийском семинаре «Нейроинформатика и ее приложения» г. Красноярск, 1999, VIII Всероссийском семинаре «Нейроинформатика и ее приложения» г. Красноярск, 2000 г., Всероссийской научной конференции «Техническая кибернетика, радиоэлектроника и системы управления» г. Таганрог, 2000 г., Третьей Всероссийской научной конференции молодых ученых и аспирантов «Новые информационные технологии. Разработка и аспекты применения» г. Таганрог, 2000 г., Международной научно-технической конференции «Проблемы и перспективы развития железнодорожного транспорта» г. Ростов-на-Дону, 1999 г., Второй международной отраслевой научно-технической конференции «Актуальные проблемы развития железнодорожного транспорта и роль молодых ученых в их решении» 2000 г., Международной научно-технической конференции «Новые технологии управления движением технических объектов» г. Новочеркасск, 2001 г. Материалы диссертации были представлены и отмечены наградой на Конкурсе «Фундаментальные и прикладные проблемы современной техники», организованном и проведенном Северо-Кавказским научным центром высшей школы и Ростовским отделением Российской инженерной академии в 2001 г.

Публикации. По результатам диссертационного исследования опубликовано четырнадцать печатных работ.

Внедрение результатов работы. Материалы диссертационного исследования были использованы для разработки системы оперативной диагностики предотказных состояний горочных замедлителей третьей тормозной позиции и компьютерной системы, предназначенной для выдачи «экспертного» мнения о выборе ступени торможения на третьей тормозной позиции. Материалы диссертации были использованы для разработки системы поиска неисправностей в электрооборудовании электровозов. Результаты исследования были также использованы для разработки систем медицинской диагностики. Результаты внедрения подтверждены соответствующими актами.

Результаты научных исследований также используются в учебном процессе.

Структура и объем работы. Диссертация состоит из введения, пяти глав, содержащих 19 пунктов, заключения, списка использованной литературы и приложений. Основное содержание диссертации изложено на 161 странице, содержит 53 рисунка и 17 таблиц. Список использованных источников содержит 147 наименований отечественных и зарубежных источников.

Заключение диссертации по теме «Автоматизация и управление технологическими процессами и производствами (по отраслям)», Панасов, Виктор Леонидович

5.4 Выводы

1. Исследована существующая методика анализа состояния горочных замедлителей по косвенным признакам. Проведен анализ данной задачи с точки зрения применимости теории распознавания образов.

162

2. Проведен анализ факторов, доступных в КДК для оперативного мониторинга состояния замедлителей. Выделены признаки, позволяющие осуществлять удаленную диагностику предотказ-ных состояний замедлителей третьей тормозной позиции. Приведен анализ эффективности применения алгоритма Р.Тгее 1.0 в данной задаче. Показана возможность интеграции предлагаемой системы в программное обеспечение КДК.

3. Проведен анализ существующей методики выбора ступени и времен затормаживания и оттормаживания замедлителей третьей тормозной позиции. Проиллюстрирован нечеткий характер задачи, обуславливающий целесообразность применения статистических методов.

4. Выбраны основные факторы, участвующие в принятии решения о выборе ступени торможения. Эффективность алгоритма Р.Тгее 1.0 проиллюстрирована на реальных данных, взятых из протоколов роспуска составов на Входной горке станции Омск.

5. Предложена экспертная система диагностики неисправностей в электрических цепях электровоза. Предложен метод построения автоматической подсистемы выдвижения гипотез об оптимальном направлении поиска неисправностей.

ЗАКЛЮЧЕНИЕ

В диссертации решены следующие теоретические и практические задачи:

1. В результате анализа ряда сложных технологических задач железнодорожного транспорта, проведенного в настоящей работе, показано, что одним из эффективных методов их решения являются методы, основанные на построении деревьев решений.

2. Выделены основные свойства и особенности методов построения деревьев решений. Проведен анализ причин недостаточной объективности критериев разделения. Исследованы различные пути борьбы с этой необъективностью и предложены конкретные методы решения этой проблемы.

3. Реализованы новые алгоритмы построения деревьев решений, позволяющие получать решающие правила, дающие меньшую ошибку предсказания. Конструируемые деревья, кроме того, характеризуются меньшей кустистостью и средней длиной, что делает их более привлекательными в системах с ограниченными вычислительными ресурсами и объемами памяти. Данные преимущества достигаются за счет искусственного увеличения объемов вычислений на этапе разработки, что вполне допустимо для большинства систем автоматического управления и диагностики.

4. Исследованы предпосылки применения агрегированных классификаторов и причины их лучшей обобщающей способности. Рассмотрены различные подходы к селекции коллективов деревьев решений, и обоснован выбор нелинейной тактики случайного поиска. Предложена процедура получения независимых критериев оптимизации агрегированного классификатора и различия деревьев, входящих в коллектив, и разработан алгоритм, позволяющий строить коллективы деревьев с лучшей обобщающей способностью и меньшим размером. Увеличение вычислительной сложности алгоритма на этапе обучения вполне оправдывается ее снижением на этапе эксплуатации.

5. Предлагаемые алгоритмы проверены на практических задачах диагностики и управления горочными замедлителями и поиска неисправностей в электрооборудовании электровоза. В задачах осуществлен отбор наиболее информативных признаков. Результаты экспериментов подтверждают целесообразность включения данных методов в состав существующих управляющих и диагностических систем для работы в советующем режиме.

6. Проведено сравнение предлагаемых и существующих алгоритмов в вычислительном эксперименте на модельных и практических базах данных. Алгоритмы Р.Тгее и Р.БрШ позволяют получать деревья меньшего размера и с меньшей ошибкой классификации, чем алгоритм С4.5. Алгоритм Р.Со11 позволяет строить коллектив деревьев решений, также дающий меньшую ошибку классификации при меньшем размере коллектива, чем алгоритм бэггинга.

7. Универсальность предлагаемых методов и алгоритмов подтверждена реализацией автоматической советующей системы прогнозирования вегето-висцеральных нарушений у детей раннего возраста.

Список литературы диссертационного исследования кандидат технических наук Панасов, Виктор Леонидович, 2001 год

1. Автоматические системы управления и контроля. // Сб. статей / Киев: ИК., - 1974. - 75с.

2. Амвросова О.И. Электронно-зондовые измерения в микроэлектронике. // Управляющие системы и машины. 1989. - №2.

3. Анаев Р.Б. Автоматизация процессов контроля и диагностики микропроцессорных систем: Учебное пособие. Ростов-на-Дону: РИ-ИЖТ, 1984. - 80с.

4. Анисимов A.B. Представление упорядоченных деревьев. // Кибернетика. 1980. - №3.

5. Айвазян. С.А. Основы моделирования и первичной обработки данных. М: Финансы и статистика, 1983. - 471с.

6. Айвазян. С.А. Прикладная статистика: исследование зависимостей. М. Финансы и статистика, 1985. - 487с.

7. Айвазян С.А. Прикладная статистика: Классификация и снижение размерности: Справ. Изд. М.: Финансы и статистика, 1989. - 607с.

8. Бакаев A.A. Методы организации и обработки баз знаний. Киев: Наук. думка. 1993. - 149с.

9. Балон JI.B. Неисправности электровозов и способы их устранения. Ростов-на-Дону: Молот, -1993. 152с.

10. Белоусов А.И. Некоторые способы классификации объектов, связанных бинарными отношениями и их приложения в экспертных системах. // Управляющие системы и машины. 1994. - №1.

11. Белявский Г.И., Корабельников Г.Я., Логвинов Ю.Н., Фалькович М.А. Распознавание образов. Теория и приложения. Ростов-на-Дону: Изд-во Рост, ун-та, 1993. - 123с.

12. Берштейн. Л.С. Пособие к практическим занятием по курсу «Математические основы кибернетики». Таганрог: Таганрог, радиотехн. инст., 1976. - 70с.

13. Букатова И.Л. Эвоинформатика: теория и практика эволюционного моделирования. М.: Наука, 1991. - 205с.

14. Букатова И.Л. Эволюционное моделирование: идеи, основы теории, приложения. М.: Знание, 1981. - 64с.

15. Быкадоров А.Л. Теоретико-множественные аспекты архитектуры прикладных задач АСУЭ. Межвузовский сборн. научн. тр. «Автоматизированные системы электроснабжения ж.д.», №96, РГУПС, Ростов-на-Дону. -1994.

16. Вагин. В.Н. Алгоритмы распознавания на древовидных структурах. // Тр. МЭИ «Диалоговые системы в управлении, проектировании и обучении», вып. 485. 1980. - с. 15-21.

17. Вагин В.Н. Дедукция и обобщение в системах принятия решений. М.: Наука,-1988.-383с.

18. Вагин. В.Н. Федотов A.A. Фомина М.В. Методы извлечения и обобщения информации в больших базах данных. // Теория и системы управления. 1999. - №5.

19. Вагис А.Г. Обучающаяся ЭС на основе модели выбора для создания динамических баз данных. //Управляющие системы и машины. -1992.-№5.

20. Вагис А.Г. Реализация статистических ЭС. // Управляющие системы и машины. 1990. - №5.

21. Вапник В.Н. Восстановление зависимостей по экспериментальным данным. М.: Наука, 1979. - 447с.

22. Вапник В.Н. Теория распознавания образов. М.: Наука, 1974. -415с.

23. Ващенко Н. Инструментальные средства для обнаружения и анализа закономерностей CONFOR. // Управляющие системы и машины.1992,-№5.

24. Вершинин A.M., Духанин В.М., Катков В.И. Микропроцессорные технические средства систем автоматики и телемеханики на железнодорожном транспорте: учебное пособие. Ростов н/Д: РИИЖТ, -1986. 70с.

25. Вишневецкий Д.Г., Шабельников А.Н. Проблемы и пути решения задач реструктуризации сложных объектов. СКНЦ, приложение «Научна мысль кавказа». 1999. - №4.

26. Воронин Ю.А. Экспертные системы и анализ данных. Новосибирск.: ВЦ СОАН СССР, 1988. - 137с.

27. Гаврилова. Г.А., Червинская K.P. Извлечение и структурирование знаний для экспертных систем. М.: Радио и связь, 1992. - 100с.

28. Галаган Н.И. Автоматизация разработки прикладных экспертных систем. // Управляющие системы и машины. 1991. - №7.

29. Гераськин С.А. Сарапульцев Б.И. Автоматическая классификация биологических объектов по уровню радиационной устойчивости. // Автоматика и телемеханика. 1993. - №2.

30. Гончарский A.B. Реконструктивная обработка и анализ изображений в задачах вычислительной диагностики. М.: Изд-во МГУ,1993.-139 с.

31. Горелик A.JI. Общая постановка задачи распознавания объектов и являений. // Кибернетика. 1980. - №6.

32. Гуда А.Н. Математическое моделирование сложных технологических процессов железнодорожного транспорта: монография. Ростов н.Д.: Изд-во Рост. Ун-та, 1995. - 155с.

33. Гуда А.Н. Методы анализа данных и принятия решения в затрудненных условиях: монография. Ростов н/Д.: Изд-во СевероКавказского научного центра высшей школы. 1997. - 139с.

34. Гуда А.Н., Лябах H.H., Панасов B.J1., Шамшура С. Прогнозирование вегето-висцеральных нарушений у детей в раннем возрасте // Второй всероссийский симпозиум «По прикладной и промышленной математике», 1-6 июля 2001. Самара. - с. 154 - 155.

35. Гуда А.Н., Панасов B.J1. Бутстреп-процедура построения деревьев решений. // VII Всероссийский семинар «Нейроинформатика и ее приложения». Красноярск, 2000. - с. 54.

36. Гуда А.Н., Панасов B.J1. Повышение устойчивости решения задачи автоматической классификации на основе использования бутстреп-метода // Сб. научн. тр. РГУПС. Ростов-на-Дону, 2000. - с. 16.

37. Гуда А.Н., Панасов B.JI. Экспертная система диагностики микропроцессорных систем управления на железнодорожном транспорте // VII Всероссийский семинар «Нейроинформатика и ее приложения». Красноярск, 1999. - с. 40.

38. Гуляев В.А. Принципы организации экспертных систем для диагностирования электронно-вычислительных систем. // Электронное моделирование. 1991. - №1.

39. Гупал. A.M. Математические методы и программное обеспечение в системах обработки информации. Киев: Наук, думка, 1989. - 243с.

40. Гупал A.M. Разработка алгоритмов индуктивного вывода знаний с использованием листьев и деревьев решений. // Управляющие системы и машины. 1992. -№5.

41. Гупал A.M., Пономарев A.A., Цветков A.M. Об одном методе индуктивного вывода с подрезанием деревьев решений. // Кибернетика и системный анализ. 1993. №5.

42. Дрейпер, Смитт. Прикладной регрессионный анализ. Ч. I. М.: Финансы и статистика. 1986. - 365с.

43. Дрейпер, Смитт. Прикладной регрессионный анализ. Ч. II. М. Финансы и статистика, 1986. - 349с.

44. Дунаев Б.Б. Оптимальные решения при распознавании образов. // Кибернетика. 1982. - №2.

45. Жарков Ю.И. Микропроцессорные информационно-управляющие системы в устройствах электроснабжения. Учебн. пособие. Ростов-на-Дону: РИИЖТ, 1990. - 60с.

46. Закревский А.Д. ЭКСИЛОР экспертная система логического распознавания. // Управляющие системы и машины. - 1992. - №5.

47. Захаревич В.Г. Ориентированные на пользователя информационные системы. Ростов-на-Дону: Изд-во Рост, ун-та, 1985. - 94с.

48. Знюко. А.Г. и др. Теория передачи сигналов. М.: Радио и связь, -1986.-303с.

49. Иванченко В.Н. Классификация отцепов по ходовым свойствам на основе теории распознавания образов. // Вестник ВНИИЖТа. 1983. -№5.

50. Иванченко В.Н. Микропроцессорная система автоматизации сортировочной горки. // Автоматика и телемеханика. 1987. - №9.

51. Иванченко В.Н. Микропроцессорная техника в системах железнодорожного транспорта. // Автоматика, телемеханика и связь. 1982. -№1.

52. Иванченко Микропроцессорная техника на горках. // Железнодорожный транспорт. 1985. - №10.

53. Иванченко В.Н., Анаев Р.Б. Оперативный контроль и диагностика микропроцессорных информационно-управляющих систем. // Автоматика, телемеханика и связь. 1984. - №9.

54. Иванченко В.Н., Лябах H.H., Сепетый A.A. Принципы построения горочного микропроцессорного комплекса // Вестник ВНИИЖТа. -1984.-№8.

55. Иванченко В.Н. Шабельников А.Н. Некоторые проблемы обработки данных в системе управления сортировочным процессом на железнодорожных станциях. СКНЦ, приложение «Научная мысль кавказа». 2000. -№3.

56. Ивахненко А.Г. Индуктивный метод самоорганизации моделей сложных систем. Киев: Наук, думка, 1982. 296с.

57. Ивахненко А.Г. Метод группового учета аргументов в задачах прогнозирования. Киев, 1977. - 27с.

58. Ивахненко А.Г. Моделирование сложных систем по экспериментальным данным. М.: Радио и Связь, 1986. - 119с.

59. Ивахненко А.Г. Объективная кластеризация на основе теории самоорганизации моделей // Автоматика. 1987. - №5.

60. Ивахненко А.Г. Помехоустойчивость моделирования. Киев: Наук, думка,-1985.-214с.

61. Ивахненко А.Г. Принятие решений на основе самоорганизации. М.: Сов. радио, 1976. - 280с.

62. Ивахненко А.Г. Системы эвристической самоорганизации в технической кибернетике. Киев: Техника, 1971. - 372с.

63. Интеллектуализация программного обеспечения информационно-вычислительных систем. // Сб. научн. тр. / Киев: ИК., 1990. -152с.

64. Искусственный интеллект: Справочник, книга 1. М.: Радио и Связь, 1990. - 464с.

65. Ковалев С.М., Каймаков К.Г. Проектирование автоматизированных рабочих мест оперативно-диспетчерского персонала в микропроцессорных системах на железнодорожном транспорте. Учебн. пособие. Ростов-на-Дону: РИИЖТ, 1986. - 65с.

66. Коваль В.Н., Кук Ю.В. Оптимальные системы обнаружения и классификации движущихся объектов. // Кибернетика и системный анализ. -1993. №5.

67. Козлов П.А. Информационные технологии для новой эксплуатационной модели управления перевозками. // Автоматика, связь, информатика. 2001. - №4.

68. Козлов П.А. Курс на комплексную автоматизацию сортировочных станций. // Автоматика, связь, информатика. - 2001. - №1.

69. Козлов П.А. От информационных систем к управляющим. // Железнодорожный транспорт. -1999. №9.

70. Корлякова М.О. Многоуровневая экспертная система на основе обобщения примеров по ризнакам. // Сб. статей «Кибернетика и информатика». 2000. - 371с.

71. Коростиль Ю.М. Экспертная система диагностирования и анализа программ. // Управляющие системы и машины. 1991. - №8.

72. Кульчицкий О.Ю. О задачах статистической классификации с ограничениями на ошибки. // Кибернетика. 1981. - №2.

73. Лаптин Ю.П. Одна экстремальная задача на случайных деревьях. // Кибернетика. 1981. - №2.

74. Левит В.Е., Перезрелов-Орлов B.C. Структура и поле данных при распознавании образов. М.: Наука, 1984. - 124с.

75. Лябах H.H. Математические основы разработки и использования машинного интеллекта. Ростов-на-Дону: Изд-во РГУ, 1990. - 112с.

76. Лябах H.H., Пирогов А.Е. Автоматизация технологических процессов на железнодорожном транспорте на основе микропроцессоров с применением методов распознавания: учебное пособие. Ростов-на-Дону: РИИЖТ, 1984. - 76с.

77. Лябах H.H., Шабельников A.H. Формализация процедуры отбора информативных признаков в задаче управления скатыванием отцепов на сортировочной горке. // Вестник РГУ ПС. 2000. - №2.

78. Мандель И.Д. «Кластерный анализ». М. Финансы и статистика, -1988.- 176с.

79. Мешалкин В.П. Экспертные системы в химической технологии: Основы теории, опыт разработки и применения. М.: Химия, 1995. -398с.

80. Мишарин A.C. Развитие информатизации на Российских железных дорогах. // Автоматика, связь, информатика. 2000. -№11.

81. Мишарин A.C. Развитие информационных и телекоммуникационных систем железнодорожного транспорта. // Автоматика, связь, информатика. 2001. - №7.

82. Модели и системы представления знаний. // Межвуз. сб. научн. тр. / Моск. ин-т радиотехн., электрон, и автомат., 1990. - 108с.

83. Мучник И.Б. Алгоритм формирования локальных признаков для зрительных образов. // Автоматика и телемеханика, 1966. - №10.

84. Орлов А.И. Статистика объектов нечисловой природы. Обзор. // Заводская лаборатория. 1990. - Т.56. - №3.

85. Осис. я.я. Диагностика и идентификация. Рига: Знание, 1974. -175с.

86. Паленичка P.M. Быстрые алгоритмы локальной обработки изображений на основе рекуративных вычислений. // Кибернетика и системный анализ. 1994. - №1.

87. Панасов В.Л. Алгоритм построения коллектива деревьев решений // Третья всероссийская научная конференция молодых ученых и аспирантов «Новые информационные технологии. Разработка и аспекты применения». Таганрог, 2000. - с. 73.

88. Панасов В.Л. Вопросы программной и технической реализации ЭС технической диагностики // Сб. научн. тр. РГУПС. Ростов-на-Дону, 1999.-е. 27.

89. Панасов В.Л. Об одном подходе к построению баз знаний систем технической диагностики // Всероссийская научная конференция студентов и аспирантов «Техническая кибернетика, радиоэлектроника и системы управления». Таганрог, 2000. - с. 110.

90. Панасов В.Л. Построение экспертных систем технической диагностики // Международная научно-техническая конференция «Проблемы и перспективы развития железнодорожного транспорта». -Ростов-на-Дону, 1999. с. 88.

91. Панасов В.Л. Применение деревьев решений в ЭС технической диагностики // Сб. научн. тр. РГУПС. Ростов-на-Дону, 1999. - с. 28.

92. Панасов В.Л., Бережанская С.Б., Лукьяова Е.А. Применение методов машинного обучения для прогнозирования вегето-висцеральных нарушений у детей в раннем возрасте // Приложение №7(20) к журналу «Научная мысль кавказа». Ростов-на-Дону, 2001. - с. 49 - 55.

93. Пархоменко П.П. Основы Технической диагностики: (Оптимизация алгоритмов диагностирования, аппаратурные средства). М.: Энерго-издат,-1981.-319с.

94. Попов Э.В. Экспертные системы: решение неформализованных задач в диалоге с ЭВМ. М.: Наука, 1987. - 283с.

95. Растригин J1.A. Случайный поиск. М.: Знание, 1979. - 64с.

96. Растригин J1.A., Эренштейн Р.Х. Методы коллективного распознавания. М.: Энергоиздат, -1981. 79с.

97. Саломатин H.A., Беляев Г.В. Имитационное моделирование в оперативном управлении производством. М.: Машиностроение, 1984. -208с.

98. Сиротский В.В., Гуска П.С. Система ИНТЕРЭКСПЕРТ инструмент построения ЭС для экономических приложений: Учебн. пособие. М.: МАИ, - 1995. - 43с.

99. Создание и применение гибридных экспертных систем. // Тез. докл. Всесоюзн. конф. / Рига: Рижс. техн. ун-т., 1990. - 177с.

100. Солодовников В.В. Расчет оптимальных систем управления при наличии помех. М. Машиностроение, 1973. - 240с.

101. Ульяницкий Е.М. Микропроцессорная система релейной защиты энергоблоков. Ростов-на-Дону: Изд-во Рост, ун-та, 1990. - 156с.

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

103. Файнзильберг Л.С. К вопросу о безошибочном распознавании двух классов по совокупности пересекающихся признаков. // Кибернетика. -1982. №4.

104. Фалькович М.А. Вопросы технической диагностики. Ростов-на-Дону: РИСИ,-1983.- 162с.

105. Федеров И.П. Автоматизация извлечения знаний при построении экспертных систем. // Сб. научн. тр. Рижский Политехнический Институт, 1989. - с. 48-54.

106. Философов. JI.B. Алгоритмы распознавания по признакам, измеряемым с ошибками. // Кибернетика. 1980. - №6.

107. Философов JI.B. Динамические системы распознавания, обучаемые по каталогам наблюдений. // Кибернетика и системный анализ. -1992. -№3.

108. Форрестер Д. Мировая динамика. М.: Наука, 1978. - 167с.

109. Фу. К. Структурные методы в распознавании образов. М.: Мир, -1977.-319с.

110. Хейес-Рот Ф. и др. Построение экспертных систем. М.: Мир, 1987. -437с.

111. Целых А.Н., Тимошенко Р.П. Принятие решений на основе мер сходства интервальных нечетких множеств. Препринт. Ростов-на-Дону: Изд-во Северо-Кавказского научного центра высшей школы, -1999.-36с.

112. Чачко А.Г. Представление знаний и формирование решений в практических системах искусственного интеллекта. // Кибернетика. -1980. №4.

113. Чирихин С.Н. Средства автоматизации приобретения диагностических знаний в экспертных системах. // Зарубежная радиоэлектроника. 1991. - №8.

114. Чубаков Л.Г. Алгоритмы сегментации изображения на основе иерархического подхода и серединной линии. // Кибернетика и системный анализ. 1990. - №3.

115. Шеннон Р.Ю. Имитационное моделирование систем искусство и наука. М.: Мир, - 1978. - 418с.

116. Шилейко А.В. Электронные устройства железнодорожной автоматики, телемеханики и связи. Учебн. для вузов железнодорожного транспорта. М.: МИИЖТ, 1989.

117. Эфрон. Б. Нетрадиционные методы многомерного статистического анализа. М.: Финансы и статистика, 1988. - 263с.

118. Alenka Zuzek, Franc Novak, Anton Biasizzo, Iztok Savnik, Bojan Cest-nik. Sequential Diagnosis Tool for System Maintenance and Repair. Jozef Stefan Institute. Ljublyana, Slovenia. 1997.

119. Auer P., Holte R. C., Maas W. Theory and application of agnostic pac-learning of small decision trees. In Proceeding Twelfth International Conference on Machine Learning. San Francisco: Morgan Kaufmann. 1995.

120. Breiman, L. Bagging predictors. // Machine Learning. 1996.

121. Breiman, L. Heuristics of instability in model selection: Technical report. Statistics Department, University of California at Berkeley. 1994.

122. Breiman, L., Friedman, J.H., Olshen, R.A., and Stone, C.J. Classification and regression trees. Belmont, CA: Wadsworth. 1984.

123. Carlett J. Megainduction: a test flight. In Proceedings 8th International Workshop on Machine Learning. San Francisco: Morgan Kaufmann. 1991.

124. Chaudhuri В. B. An efficient hierarchical clustering technique // Pat. rec-ogn. letters, 1995. -v. 3, P. 179-183.

125. Dougherty J., Kohavi R., & Sahami M. Supervised and unsupervised discretization of continuous features. In Proceeding Twelfth International Conference on Machine Learning. San Francisco: Morgan Kaufmann. 1995.

126. Freund, Y., and Schapire, R. E. 1996. Experiments with a new boosting algorithm. Unpublished manuscript.

127. Fukunaga, K. Introduction to Statistical Pattern Recognition. New York: Academic Press. 1990.

128. Gallant, S. Neural Network Learning and Expert Systems. Cambridge, MA: MIT Press. 1993.

129. Hand D.J., Discrimination and Classification. Chichester: Wiley. 1981.

130. Hassoun, M. H. Fundamentals of Artificial Neural Networks. Boston, MA: MIT Press. 1995.

131. Hunt, E.B., Marin, J., & Stone, PJ. Experiments in Induction. New York: Academic Press. 1966.

132. Kanal L. Patterns and pattern recognition: 1968 1974. IEEE Trans. Information Theory, IT-20.1974.

133. Karthik Balakrishnan, Vasant Honavar. Intelligent Diagnosis Systems. Technical report. Iowa State University. 2000.

134. Quinlan J.R. Bagging, Boosting and C4.5: Technical report. University of Sydney at Sydney. 1996.

135. Quinlan, J. R. C4.5: Programs for Machine Learning. San Mateo: Morgan Kaufmann. 1993.

136. Quinlan J.R. Improved use of continuous attributes in C4.5. // Journal of Artificial Intelligence Research, 1996, №4.

137. Quinlan, J. R. Inductive knowledge acquisition: a case study. In Quinlan, J. R. (ed), Applications of Expert Systems. Wokingham, UK: Addison Wesley. 1987.

138. Quinlan J.R. Miniboosting decision trees. // Journal of Artificial Intelligence Research. 1998. №7.

139. Quinlan J.R. Simplifying decision trees. Int J Man-Machine Studies 27, Dec 1987, pp. 221-234.

140. Rissanen J. A universal prior for integers and estimation by minimum description length. Annals of Statistics. 1983, №11.178

141. Schank, R. Dynamic Memory: A theory of learning in computers and people. New York, NY: Cambridge University Press. 1982.

142. Schindler M. Electronic Design. 1987, v. 35, N 16.

143. Shavlik, J., & Dietterich, T. Readings in Machine Learning. Palo Alto, CA: Morgan Kaufmann. 1990.

144. Stone M. Cross-validation: a review. Math. Operationforsch. Statist. Ser. Statist. 1977, №9.