Разработка моделей и инструментальных средств когнитивных агентов "совместной деятельности" тема диссертации и автореферата по ВАК РФ 05.13.18, кандидат технических наук Горбатюк, Наталья Владимировна

• Горбатюк, Наталья Владимировна
• кандидат технических наук
• 2003

Оглавление диссертации кандидат технических наук Горбатюк, Наталья Владимировна

Введение.

1. Анализ развития технологий принятия решений.

I 1.1. Анализ значимости эффекта «совместной деятельности».

1.2. Анализ субъектно-ориентированного подхода к моделированию «совместной деятельности» средствами когнитивной психологии и искусственного интеллекта.

1.3. Анализ когнитивных средств «фокусировки внимания» лица, принимающего решение.:тг.?. .::. ;.г.

1.4. Выводы.

2. Разработка концепции синтеза интеллектуальных систем «совместной деятельности».

2.1. Выбор требований к процедуре формирования внимания лица, принимающего решение.

2.2. Разработка базовых принципов организации систем «совместной деятельности» естественного и искусственного интеллектов.

2.3. Разработка модели доски объявления «совместной деятельности».

2.4. Выводы.

3. Разработка агентно-ориентированной технологии «совместной деятельности» интегрированной компьютерной системы.

3.1. Анализ когнитивных свойств гипертекстовых информационных пространств.

3.2. Разработка принципов организации «совместной деятельности» в гипертекстовых информационных пространствах.

3.3. Разработка моделей интегрированной компьютерной системы совместной деятельности».

3.4. Разработка концептуальной модели когнитивного агента «фокусировки внимания».

3.5. Выводы.

4. Синтез нейро-нечетких моделей когнитивных агентов, наделенных ментальными и интенциональными характеристиками.

4.1. Разработка модели нейро-нечеткого регулятора.

4.2. Разработка модели адаптивного нейро-нечеткого регулятора.

4.3. Разработка когнитивной нейро-нечеткой модели.

4.4. Разработка интеллектуальных средств вычисления когнитивного качества

4.5. Выводы.

Введение диссертации (часть автореферата) на тему «Разработка моделей и инструментальных средств когнитивных агентов "совместной деятельности"»

В современных условиях информационных перегрузок и быстротечности протекания информационных процессов принятие решений осуществляется на основе человеко-машинных процедур в виде циклического процесса взаимодействия человека и компьютера (системы искусственного интеллекта). Как правило, действие - принятие решения предварительно анализируется и формируется нормативной базой информационной системы, которая выполняет функции эксперта действий лица, принимающего решение (ЛПР). Деятельность ЛПР имеет дело с нештатными ситуациями, которые возникают в условиях неопределенности при оперативной работе с большими потоками информации в реальном масштабе времени.

Имеется достаточно много должностей, характерной особенностью которых является необходимость принимать решения. Действие, относящееся к категории принять решение», всегда связано с мерой ответственности физического лица, а не « технической системы. Однако следует отметить, что признанием фактора объективности ЛПР в принятии решения нарушен фундаментальный принцип методологии исследования операций - поиск объективно оптимального решения. Признание права субъективности ЛПР на объективность окончательного решения есть признак появления новой парадигмы, характерной для другого научного направления - принятия решений при многих критериях. В тоже время многочисленные психологические исследования показывают, что сами ЛПР без дополнительной аналитической поддержки используют упрощенные, а иногда и противоречивые решающие правила.

Применение системы поддержки принятия решений (СППР) не исключило право принятия решения и меру ответственности за человеком, но отразило практическую целесообразность и необходимость в создании человеко-машинных ;; процедур для решения задач выбора альтернативных «совместных действий» ЛПР и системы искусственного интеллекта. Влияние и значимость человеческого фактора на процесс принятия решений ЛПР накладывает отпечаток на развитие современной теории принятия решений в рамках субъектно-ориентированного подхода, принципиальным моментом которого является снятие противопоставления между «исследователем» и «объектом исследования». Проблема учета активности ЛПР становится первичной в отличие от подхода проектирования традиционных систем искусственного интеллекта по принципу «снизу-вверх» на основе «жестких моделей» информационных управленческих систем. Такой подход требует отступления от концепции «нормативных моделей управления». Основой субъектно-ориентированного подхода являются исследования, направленные на разработку методов, базирующихся на выделении психологических особенностей управленческой деятельности. Такая теория базируется на позиции когнитивной психологии и попытке формализации действий, характерных для человека при принятии им решений.

1. Определение множества альтернативных способов действия.

2. Оценка возможных последствий для каждого выбранного действия.

3. Оценка полезности и ранжирование соотношений «действие - последствие».

4. Выбор варианта действия - принятие решения.

Однажды созданная система СППР с точки зрения нормативной базы и принципа здравого смысла, несомненно, вносит элемент эффективности действий ЛПР при его оперативной работе в нештатных ситуациях, характеризующихся той или иной долей неопределенности. Однако имеющиеся подходы к проектированию система СПГТР не могут отразить субъективность каждой личности, работающей с такой системой. Разрешение указанного противоречия, возможно, достичь путем введения дополнительных организационных мер и изменения методологии синтеза процедур принятия решений. Деятельность человеко-машинного комплекса в нештатных ситуациях должна сочетаться с непрерывным обучением (дообучением) принятия решений как со стороны ЛПР, так и со стороны системы искусственного интеллекта. Такой подход отражает имеющиеся тенденции по формированию деловой информационной среды инфраструктур современных организаций различного профиля. Многие исследования такой организации производства указывают на комплексную целесообразность такого подхода.

Современные результаты когнитивной психологии и искусственного интеллекта позволяют ставить и решать новые задачи построения интегрированных компьютерных систем «совместной деятельности». Так современные возможности гипермедиа позволяют создавать средства визуализации, передачи и обработки информации, с помощью которых увеличивается для ЛПР степень свободы выбора решений и диалогового управления информационными потоками. Тем не менее, средства гипермедиа сами по себе не учитывают индивидуальные особенности ЛПР, однако они наиболее мощны как инструмент обучения, потому что пользователь этих средств фактически слышит, видит и использует реальную информацию в интерактивной окружающей среде. Примером тому являются когнитивные карты и сети, представляющие собой интеллектуальные средства генерации решений путем «фокусировки внимания» образного мышления ЛПР. Практика использования таких моделей показала, что причинно-следственные связи могут быть представлены графовыми моделями, полностью определяющих развитие ситуации.

Визуализация информации является одной из особенностей современного моделирования. По утверждениям психологов, визуализация представления информации является инструментом, позволяющим ЛПР ускорить и повысить эффективность решений. Акт формирования внимания ЛПР является актом интерпретации образа, и, следовательно, является рассуждением, обобщением, формированием гипотез. Использование образного мышления ЛПР в рамках совместной деятельности с системой искусственного интеллекта является механизмом ускоренного мышления на основе использования когнитивных свойств информации. Данное обстоятельство дает основание для построения новых информационных технологий на базе слияния естественного и искусственного интеллектов. 1

Различение информации со стороны ЛПР является важным аспектом, который должен учитываться при принятии решений ЛПР в условиях неопределенности ситуации. Одним из подходов для решения проблемы различения информации является использование меры эффекта различения информации о нечетких объектах. По мнению специалистов, современные системы поставляют настолько большой массив информации, что ЛПР-оператор способен контролировать не более 10% этого массива. Возможные пути решения задач по выделению указанных отношений должны быть основаны на симбиозе образного и символьно - логического представления знаний и их обработки в интеллектуальных системах, позволяющих работать с образами также оперативно, как с символами. Одним из вариантов решения данной проблемы является использование систем автоматизации, основанных на принципах искусственного интеллекта. Наиболее адекватным и реальным является способ, когда отношения предпочтения будут заданы в нечеткой форме. По этой причине целесообразным является применение «мягких вычислений» (нечеткой математики) для принятия решений в условиях неопределенности с целью сокращения пространства поиска альтернативного решения. Современные средства нечеткой математики позволяют оценить размытости компоненты образного мышления человека и использовать их для описания деятельности ЛПР. Методы «мягких» вычислений являются эффективным средством при анализе сложных, слабо формализуемых систем и в последнее время привлекают все большее внимание специалистов разных областей знаний.

Система искусственного интеллекта «совместной деятельности», отражающая субъектно-ориентированный подход, должна содержать в себе механизмы и процедуры различных видов деятельности взаимно дополняющих друг друга и направленных на достижения единой цели, что может быть выполнено разработкой новых видов инструментальных средств, учитывающих современные технологии искусственного интеллекта. Такие инструментальные средств должны реализовывать интенционалъные процедуры деятельности, наделенные психикой, а также процедуры, с помощью которых решаются непосредственно задачи управленческой деятельности. Важным вопросом является выбор технологических средств искусственного интеллекта, которые будут удовлетворять целостности объектов, порождаемых естественным и искусственным интеллектами.

В этой связи разработка технологий и систем принятия решений на основе совместной деятельности» естественного и искусственного интеллектов должна, несомненно, учитывать результаты агентно-ориентированного подхода на основе гибридных нейро-нечетких систем. Именно такой подход может обеспечить представление ментальных и интенциональных моделей деятельности ЛПРпользователя и системы искусственного интеллекта в форме нечетких понятий и правил лингвистического и когнитивного характера. При этом необходимо учитывать значимость знаковых представлений семиотики с точки зрения формирования взаимодействия образного мышления ЛПР и символьного мышления системы ИИ. Аспект семиотического рассмотрения образа позволяет трансформировать проблему значимости образа в проблему координации деятельности. Такая позиция оценки значимости образа позволяет использовать t концептуальные модели в виде наглядного представления семантических отношений совместной деятельности» на уровнях образного и символьного мышлений. Одним из важных свойств прикладной семиотики является возможность использования лексических групп естественного языка для описания и создания графических семантических конструкций «агент - действие - объект». По этой причине возникает возможность совмещения лингвистических и коннекционистских моделей в семантические конструкции концептуальной модели, отражающей «совместную деятельность» и не допускающей строгого формального описания на уровне динамики когнитивных свойств знака.

В тоже время, такой подход позволяет формальное описание концептуальной модели средствами «мягких вычислений» и создание нейро-нечеткой адаптивной системы обработки информации, которая может обучаться по результатам «совместной деятельности». Предварительно заложенная субъективность ЛПР в лингвистических правилах и заданных параметрах коннекционистской модели в виде нейронной сети уточняются в процессе обучения нейронной сети на реальных (объективных) данных. В результате объективная оценка эффективности функционирования нейро-нечеткой системы является оптимизационным критерием. Многомерная оптимизация такой системы может быть решена с помощью генетических алгоритмов. Как известно, эффективность таких алгоритмов особенно высока при решении NP-сложных задач большой размерности, не решаемых никакими детерминированными методами, так как они представляет собой многоцелевую технику решения сложных задач оптимизации, в основе которой лежат принципы моделирования эволюции. Помимо инспирированных биологией операторов и процедур поиска оптимальных решений эти алгоритмы отличаются от традиционных методов оптимизации способом осуществления napaллeлънoгq поиска и принципиально иным его пониманием, связанным с информационными обменами между рассматриваемыми решениями.

Цель работы. Исследование факторов возможности создания «совместной деятельности» естественного и искусственного интеллектов с учетом их интенциональных характеристик и разработка нейро-нечетких моделей эволюционной адаптации к обрабатываемой когнитивной информации.

В соответствии с поставленной целью в диссертации решаются следующие задачи:

1. Анализ предметной области и определение методологии учета факторов, определяющих особенности человеко-машинных процедур принятия решений и перспективы ее развития на основе использования современных технологий когнитивной психологии и искусственного интеллекта.

2. Разработка концепции построения интегрированной компьютерной системы принятия решений, основанной на «совместной деятельности» естественного и искусственного интеллектов.

3. Разработка нейро-нечетких моделей и инструментальных средств, предоставляющих возможность эволюционного синтеза коннекционистских моделей, адаптированных к обрабатываемой когнитивной информации с учетом интенциональных характеристик субъекта и объекта «совместной деятельности».

Новые научные результаты работы.

На основе агентно-ориентированной парадигмы разработана концептуальная модель «совместной деятельности», позволяющая учесть особенности образного мышления лица, принимающего решение, и символьной обработки информации системой искусственного интеллектов.

Разработаны нейро-нечеткие модели когнитивных агентов, отличительной особенностью которых является возможность трансформировать алгоритм обучения v нейронной сети на нечеткую систему и реализовать принцип функциональной эквивалентности - сочетание и попеременное использование преимуществ различных классов архитектур - нечеткой системы и нейронной сети.

Разработаны инструментальные средства эволюционной технологии синтеза и оптимизации когнитивных нейро-нечетких моделей, позволяющих инкорпорирование знаний в виде образов-графов и обучение М - и APT - сетей средствами семиотического моделирования на уровне образного восприятия информации лицом, принимающим решение.

Основные положения, выносимые на защиту:

1. Разработана концепция построения интегрированной компьютерной системы на основе агентно-ориентированного подхода, которая определяет набор моделей с интенциональными характеристиками образного мышления ЛПР и символьного мышления системы искусственного интеллекта для реализации «совместной деятельности».

2. Синтезирована модель нейро-нечеткого регулятора, отличительной особенностью которой является свойство интеграции возможности нечеткой системы к инкорпорированию знаний эксперта в виде лингвистических правил в соответствии с известной моделью Мамдани-Заде, а также возможности нейронных сетей к обучению с целью учета взаимовлияния лингвистических правил и нечетких параметров внутри одного правила.

3. Разработаны эволюционный метод и алгоритм автоматического поиска оптимальных значений параметров нечеткой системы на основе принципа функциональной эквивалентности, позволяющего сочетание и попеременное использование преимуществ различных классов архитектур - нечеткой системы и искусственной нейронной сети.

4. Разработаны модель и генетическая процедура синтеза и оптимизации адаптивного нейро-нечеткого регулятора, которая позволяет трансформировать алгоритм обучения нейронной сети на нечеткую систему и, тем самым, использовать алгоритмы оптимизации нейронных сетей для нечетких систем.

5. Предложена когнитивная модель нейро-нечеткой системы «совместной деятельности», отличительной особенностью которой является возможность инкорпорирования знаний в виде образов-графов и возможность к обучению М- и АРТ-сетей средствами семиотического моделирования на уровне когнитивного (образного) восприятия информации лицом, принимающим решение.

Практическая ценность работы. Созданы инструментальные средства «фокусировки внимания» ЛПР для семиотического моделирования «совместной деятельности» естественного и искусственного интеллектов. Пакет программ «Менеджер образов когнитивных сетей коннекционистских моделей» позволяет учесть субъективные декларативные и процедурные знания ЛПР для оптимизации параметров нейро-нечетких моделей на основе объективных данных, определяющих эффективность принятия решений. Интерфейсы программ приведены в приложении.

Использование результатов работы. Материалы диссертации использованы при выполнении госбюджетных и хоздоговорных научно-исследовательских работ на факультете информационной безопасности ТРТУ и в научно-исследовательском институте технологий комплексной безопасности ТРТУ (г. Таганрог). Акты использования научных результатов, полученных в диссертационной работе, приведены в приложении.

Апробация работы. Основные результаты диссертационной работы были представлены и обсуждались на следующих конференциях:

Международной научно-методической конференции «Информационные технологии и системы в образовании, науке и бизнесе» г. Пенза, 1999 г.;

Второй всероссийской научно-методической конференции «Интернет и современное общество» г. Санкт-Петербург, 1999 г.;

Международной научно-технической конференции и молодежной научной конференции «Интеллектуальные САПР», г. Геленджик, 2000, 2002 г.г.;

Первой Международной научной конференции «Искусственный интеллект», п. Кацивели, Крым, 2000 г.;

Всероссийской научно-технической конференции «Медицинские информационные системы», г. Таганрог, 2000, 2002 г.г.;

Седьмой Национальной конференции по искусственному интеллекту КИИ-%

2000, г. Переславль-Залесский, 2000 г.;

Всероссийской научно-технической конференции с международным участием «Компьютерные технологии в инженерной и управленческой деятельности», г. Таганрог, 2000, 2002 г.г.

Публикации. По теме диссертации опубликовано 20 печатных работ, из них 1 -в российском реферируемом журнале, 3 - в российских реферируемых изданиях, 3 -в материалах международных конференций, 6 - в материалах российских конференций, 4 - в тезисах международных конференций, 3 - в тезисах российских конференций. Перечень публикаций, содержащих описание полученных результатов, приведен в заключении.

Структура и объем работы. Диссертация состоит из введения, четырех разделов, заключения, списка литературных источников из 195 наименований на 15 страницах и приложений на 37 страницах текста и рисунков. Основное содержание работы изложено на 178 страницах текста, из которых 36 страниц являются иллюстрациями и таблицами.

Заключение диссертации по теме «Математическое моделирование, численные методы и комплексы программ», Горбатюк, Наталья Владимировна

4.5. Выводы

1. Нечеткая модель регулятора интегрирует в себе возможности нечеткой системы к инкорпорированию знаний в виде лингвистических правил, задаваемых экспертом. Процесс оптимизации приводит к необходимости учета взаимовлияния не только лингвистических правил на эффективность работы нечеткого регулятора, но и взаимовлияния нечетких параметров внутри одного правила. Предложенный в работе вариант модели нейро-нечеткого регулятора позволяет интеграцию возможности нечеткой системы к инкорпорированию знаний эксперта в виде лингвистических правил, а также возможности нейронных сетей к обучению.

2. Синтез модели нейро-нечеткого регулятора требует выполнение достаточно сложной процедуры функциональной эквивалентности базисных элементов нечетких сетей и искусственных нейронных сетей. Данный принцип позволяет сформулировать задачу синтеза модели адаптивного нейро-нечеткого регулятора. Такая модель позволяет трансформировать алгоритм обучения нейронной сети на нечеткую систему и, тем самым, использовать алгоритмы оптимизации нейронных сетей для нечетких систем. Основными отличительными особенностями адаптивной модели является наличие субъективных знаний эксперта и процедуры обучения на основе объективных данных из предметной области. Наличие процедуры обучения позволяет автоматизировать процесс подбора внутренних параметров регулятора в зависимости от «качества» внешних параметров - набора шкал оценок входной информации и от результатов деятельности системы (выходной информации) с точки зрения различения и разделения информации.

3. Эффективность нейро-нечеткой системы существенно зависит от эффективности обучающего алгоритма нейронной сети. Разработанная адаптивная модель осуществляет оптимизацию работы нейро-нечеткой системы посредством генетического алгоритма. Поиск осуществляется без использования априорных знаний о характере критерия качества управления, а лишь на основе его значений, получаемых выдвигаемыми генетическим алгоритмом пробными значениями параметров. Управление зависит от логической структуры нечеткой системы и значений настраиваемых параметров. Если логическая структура нечеткой системы может быть полностью предопределена на основе знаний эксперта по управлению объектом, то значения настраиваемых параметров определяются экспертом лишь приблизительно. В результате, появляется возможность улучшения работы модели за счет нахождения набора значений параметров, оптимизирующего некоторый критерий качества управления.

4. Вычисление оценки качества управления реализуется эволюционно путем инициирования последовательности испытаний работы модели. Реализуемая генетическая поисковая процедура имеет тенденцию находить и выдвигать все более качественные решения в циклах оптимизации. Проводимые исследования при разработке реальных моделей показали, что формулы вычисления критерия могут быть определены на случай произвольного объекта управления. Для этого необходимо: выделить подмножество переменных начального состояния объекта управления; приписать им веса относительной важности; выразить цель управления через значения переменных состояния объекта управления и ввести алгоритм установки начальных состояний для испытаний.

5. Нечеткие модели с позиции когнитивного понимания информации, представленной через образ, являются основой формализации и манипуляции с символами без апелляции к их смыслу. В тоже время, нейронные сети, представленные в виде изображения через образ графа, могут являться основой для апелляции к смыслу через призму когнитивного образа. Подход на основе «совмещенного» синтеза искусственных нейронных сетей и нечетких систем порождает модель когнитивного нейро-нечеткого регулятора, которая имеет возможность инкорпорирования знаний эксперта в виде образов и возможность обучения через образ. Модель семантической М-сети в виде графа и/или гиперграфа несут в себе огромный когнитивный «заряд» при визуализации информации с целью «включения» образного мышления ЛПР-пользователя. Представление нейронной сети в виде семантического графа фактически является процессом обучения нейронной сети с позиции когнитивного образа. Система «усиления-торможения», воздействуя на нейронную М-сеть, каждый раз показывает ЛПР-пользователю наиболее активную когнитивную информацию и процесс ее изменения во времени. Распределение образа графа на сетку шкал еще более усиливает когнитивную значимость таких образов с точки зрения разделения и различения информации.

Предлагаемая в диссертации когнитивная модель предполагает, что указанные выше проблемы традиционных подходов к решению сложных задач моделирования могут быть сняты или существенно снижены путем семиотического моделирования при условии, что ЛПР-пользователь имеет возможность управлять детализацией просмотра когнитивного графа в зависимости от нюансов его образного мышления. При этом процессы адаптации к внешним условиям и изменениям внутренних параметров интегративной компьютерной системы достигаются на основе генетических механизмов рождения и гибели популяций объектов и решений на уровнях символьного и образного мышления.

6. Анализ деятельности ЛПР с помощью вычислителя критерия управления и генетического алгоритма позволяет соотнести (связать, объединить) действия ЛПР и системы искусственного интеллекта. Объект в этом случае может являться частью системы управления, по аналогии с неявно заданной функцией в математике. Когнитивная модель позволяет соединить субъективные и объективные декларативные знания, а также процедурные знания (действия). Приведенные выше рассуждения определяют общую идею и особенности построения и функционирования когнитивной нейронной сети. Если построения вершин-образов графа и связей между ними является интуитивно понимаемым с точки зрения принципа обучения через задание семантической сети, то вопрос настройки параметров нейронной сети (весов и порогов М-сети) является достаточно сложным и важным. Процедура обучения когнитивной нейронной модели является процедурой когнитивного сжатия информации об объекте в соответствии с заданной обучающей выборкой на основе генетических алгоритмов, применяемых к классу рекуррентных или рециркуляционных сетей.

7. Бионические и когнитивные свойства сетей APT, как модели обработки когнитивных образов при формировании внимания ЛПР, дают основание выбора таких сетей в качестве структурного элемента интерфейса для формирования когнитивного качества управления ЛПР при его работе с визуальной информацией. Совмещение принципов построения М-сетей и АРТ-сетей, позволяет внести интенциональные характеристики образного мышления человека и, тем самым, ввести понятие «вычислитель когнитивного качества управления». Когнитивный анализатор на основе АРТ-сети определяет множество абстрактных образов — образцов кластеров: входной вектор — набор признаков абстрактного образа, значения порогов — мера определения множества таких абстрактных образов. В результате нейронная сеть Гроссберга может выполнять дополнительные функции системы «торможения-усиления» М-сети, связанные с искусственным когнитивным анализом. Данное обстоятельство может быть учтено при эволюции семантического графа с целью «вмешательства» естественного когнитивного мышления ЛПР путем изменения семантического графа.

8. Наличие эволюционных процедур формирования нейронной сети и наличие системы «усиления-торможения» М-сети приводит к важному достоинству -генерации факта существования заранее неизвестной информации заданного пространства образов, о которой ЛПР не имел никакого представления. Процессы самообучения когнитивной нейро-нечеткой системы имеет аналогию с процессом обучения естественного интеллекта ЛПР.

Предложенная когнитивная нейро-нечеткая модель позволяет задавать лингвистические правила в нечеткой системе, позволяет с помощью М-сети осуществить настройку и перестройку визуального и символьного образа, а с помощью АРТ-сети определить корректность вмешательства в процесс классификации или изменения образа-графа, решая тем самым задачу вычисления когнитивного качества. Результат обучения и самообучения, как искусственного интеллекта, так и/или естественного интеллекта, может служить мерой пригодности (мерой оценки) выбранного пространства образов. Степень совпадения абстрактных образов, выделяемых в процессе такого самообучения относительно реальных образов, может служить оценкой правильности выбора абстрактного пространства.

Заключение

Анализ предметной области, определяющей особенности человеко-машинных процедур принятия решений и перспективы ее развития, показал возможность создания моделей «совместной деятельности» естественного и искусственного интеллектов.

Концепция построения интегрированной компьютерной системы принятия решений «совместной деятельности» ориентирована на применение агентно-ориентированного подхода.

Отличительной особенностью предлагаемых в диссертационной работе моделей «совместной деятельности» является возможность инкорпорирования ментальных и интенциональных характеристик средствами нечетких систем и искусственных нейронных сетей, а также возможность семиотического моделирования средствами М- и АРТ-сетей.

В ходе выполнения диссертационной работы были получены следующие новые научные результаты работы.

На основе агентно-ориентированной парадигмы разработана концептуальная модель «совместной деятельности», позволяющая учесть особенности образного мышления лица, принимающего решение, и символьной обработки информации системой искусственного интеллектов.

Разработаны нейро-нечеткие модели когнитивных агентов, отличительной особенностью которых является возможность трансформировать алгоритм обучения нейронной сети на нечеткую систему и реализовать принцип функциональной эквивалентности - сочетание и попеременное использование преимуществ различных классов архитектур - нечеткой системы и нейронной сети.

Разработаны инструментальные средства эволюционной технологии синтеза и оптимизации когнитивных нейро-нечетких моделей, позволяющих инкорпорирование знаний в виде образов-графов и обучение М - и APT - сетей средствами семиотического моделирования на уровне образного восприятия информации лицом, принимающим решение.

В ходе выполнения диссертационной работы были разработаны инструментальные средства, предоставляющие возможность эволюционного синтеза коннекционистских моделей, адаптированных к обрабатываемой когнитивной информации с учетом интенциональных характеристик субъекта и объекта «совместной деятельности».

Пакет программ «Менеджер образов когнитивных сетей коннекционистских моделей» позволяет учесть субъективные декларативные и процедурные знания ЛПР для оптимизации параметров нейро-нечетких моделей на основе объективных данных, определяющих эффективность принятия решений.

Результаты и материалы диссертации использованы при выполнении госбюджетных и хоздоговорных научно-исследовательских работ на факультете информационной безопасности ТРТУ и в научно-исследовательском институте технологий комплексной безопасности ТРТУ (г. Таганрог):

1) госбюджетная НИР № 16051 «Исследование методов и средств обеспечения комплексной безопасности организаций и личности в информационной, технической, экологической, правовой и социально-психологической сферах»;

2) госбюджетная НИР № 16052 «Разработка интеллектуальной модели информационно-психологической безопасности личности студента и инструментальных средств ее аутентификации в открытом образовательном пространстве» (шифр «Психонетика»);

3) хоздоговорная НИР № 971-16005 «Поисковые исследования по созданию нейросистем, основанных на генетических и эволюционных технологиях и ориентированных на решение оптимизационных задач в реальном масштабе времени» (шифр «Колодец»);

4) государственный контракта № 1292-16009 на выполнение НИР «Поисковые исследования и разработка принципов построения перспективных мультиагентных систем военного назначения» (Шифр «Кабарга»).

Основные положения, выносимые на защиту, состоят в следующем:

1. Разработана концепция построения интегрированной компьютерной системы на основе агентно-ориентированного подхода, которая определяет набор моделей с интенциональными характеристиками образного мышления ЛПР и символьного мышления системы искусственного интеллекта для реализации «совместной деятельности».

2. Синтезирована модель нейро-нечеткого регулятора, отличительной особенностью которой является свойство интеграции возможности нечеткой системы к инкорпорированию знаний эксперта в виде лингвистических правил в соответствии с известной моделью Мамдани-Заде, а также возможности нейронных сетей к обучению с целью учета взаимовлияния лингвистических правил и нечетких параметров внутри одного правила.

3. Разработаны эволюционный метод и алгоритм автоматического поиска оптимальных значений параметров нечеткой системы на основе принципа функциональной эквивалентности, позволяющего сочетание и попеременное использование преимуществ различных классов архитектур - нечеткой системы и искусственной нейронной сети.

4. Разработаны модель и генетическая процедура синтеза и оптимизации адаптивного нейро-нечеткого регулятора, которая позволяет трансформировать алгоритм обучения нейронной сети на нечеткую систему и, тем самым, использовать алгоритмы оптимизации нейронных сетей для нечетких систем.

5. Предложена когнитивная модель нейро-нечеткой системы «совместной деятельности», отличительной особенностью которой является возможность инкорпорирования знаний в виде образов-графов и возможность к обучению М- и АРТ-сетей средствами семиотического моделирования на уровне когнитивного (образного) восприятия информации лицом, принимающим решение.

Основные положения диссертации опубликованы в следующих работах:

1. Горбатюк Н.В. Система для самообучения // Труды 2-й международной научной конференции «Психолого-педагогические проблемы формирования личности в воспитательно-образовательных системах» (том 1). - Москва: Международная педагогическая академия, 1998. - С. 198.

2. Горбатюк Н.В. Перспективы применения компьютерной графики и анимации при подготовке инженеров // IV всероссийская конференция студентов и аспирантов «Техническая кибернетика, радиоэлектроника и системы управления»: Тез. докл. - Таганрог: ТРТУ, 1998. - С. 372.

3. Горбатюк Н.В., Непомнящий А.В. О познавательной деятельности студента в гипертекстовой среде // Труды 2-й международной научной конференции «Психолого-педагогические проблемы формирования личности в образовательных системах» (том 2). - Москва: Международная педагогическая академия, 1999. -С. 187-189.

4. Горбатюк Н.В. Модульная обучающая система на основе мультимедийных и гипертекстовых технологий // Информационные технологии и системы в образовании, науке и бизнесе: Сборник материалов Международной научно-методической конференции. - Пенза, 1999. - С. 71-72.

5. Божич В.И., Горбатюк Н.В. Модели интеллектуальной мультимедийной обучающей системы // Интернет и современное общество: Тезисы Второй всероссийской научно-методической конференции. Санкт-Петербург. - СПб.: С.-Петербур. ун-т, 1999. - С. 127.

6. Горбатюк Н.В., Непомнящий А.В. Индивидуализация обучения на основе мультимедийных гипертекстовых систем // Известия ТРТУ. Специальный выпуск: Материалы XLV научно-технической конференции профессорско-преподавательского состава, аспирантов и сотрудников ТРТУ. - Таганрог: ТРТУ, 2000. №1 (15).-С. 181 - 182.

7. Божич В.И., Горбатюк Н.В., Непомнящий А.В. Компьютерная обучающая система // Известия ТРТУ. Тематический выпуск: Интеллектуальные САПР: Материалы Международной научно-технической конференции и молодежной научной конференции «Интеллектуальные САПР».- Таганрог: ТРТУ, 2000. №2 (16). -С. 282-288.

8. Божич В.И., Горбатюк Н.В., Непомнящий А.В. Компьютерная обучающая система // Перспективные информационные технологи и интеллектуальные системы, 2000. №3.-С. 158-186.

9. Горбатюк Н.В. Особенности применения гиперграфовых моделей для визуализации архитектур гипертекстовых систем // Известия ТРТУ. Тематический выпуск. Материалы Международной научно-технической конференции и молодежной научной конференции «Интеллектуальные САПР». - Таганрог: ТРТУ, 2000. №2 (16). - С. 160-165.

10. Горбатюк Н.В. Особенности применения гиперграфовых моделей для визуализации архитектур гипертекстовых систем // Перспективные информационные технологи и интеллектуальные системы, 2000. №3. - С. 123-128

11. Божич В.И., Горбатюк Н.В., Непомнящий А.В., Шницер Ю.Л. Перспективы развития информационных систем предприятий // Известия ТРТУ. Тематический выпуск. Материалы Международной научно-технической конференции и молодежной научной конференции «Интеллектуальные САПР». - Таганрог: ТРТУ, 2000. №2 (16).- С. 288-294.

12. Божич В.И., Горбатток Н.В., Непомнящий А.В., Шницер Ю.Л. Перспективы информационных систем предприятий // Перспективные информационные технологии и интеллектуальные системы, № 3 , 2000, с. 128-135;

13. Божич В.И., Горбатюк Н.В., Шницер Ю.Л. Нейро-нечеткая система интегральной оценки знаний студента // Искусственный интеллект-2000. Тезисы докладов международной конференции. - Таганрог: ТРТУ, 2000. - С. 163-164.

14. Божич В.И., Горбатюк Н.В. Интеллектуальная система компьютерного обучения //Новости искусственного интеллекта, 2000.№ 3.- С. 102-111

15. Захаревич В.Г., Божич В.И., Горбатюк Н.В., Кононенко Р.Н., Шницер Ю.Л. Нейро-нечеткий контроллер системы поддержки принятия решений // Известия ТРТУ. Тематический выпуск: Материалы научно-технической конференции г

Медицинские информационные системы - МИС-2000». - Таганрог: ТРТУ, 2000. №4 (18).-С 52-57.

16. Божич В.И., Горбатюк Н.В. Гипермедиа-структуры информационных систем принятия решений // Известия ТРТУ. Тематический выпуск: Материалы Всероссийской научно-технической конференции с международным участием «Компьютерные технологии в инженерной и управленческой деятельности».-Таганрог: ТРТУ, 2001. №3 (21). - С. 245-248.

17. Горбатюк Н.В. Анализ эффекта непоследовательности гипертекстовых систем обучения // Известия ТРТУ. Тематический выпуск: Материалы Всероссийской научно-технической конференции с международным участием «Компьютерные технологии в инженерной и управленческой деятельности». -Таганрог: ТРТУ, 2001. №3 (21). - С. 248-251.

18. Горбатюк Н.В. Особенности моделирования когнитивных агентов формирования внимания ЛПР // Известия ТРТУ. Тематический выпуск: Материалы научно-технической конференции «Медицинские информационные системы -МИС-2002». - Таганрог: ТРТУ, 2002. № 5 (28). - С 164-167.

19. Горбатюк А.В., Горбатюк Н.В. Особенности построения моделей тьютора и студента на основе эволюционизирующей нейронной сети // Известия ТРТУ. Тематический выпуск. Материалы Международной научно-технической конференции «Интеллектуальные САПР». - Таганрог: ТРТУ, 2002. №3 (26). - С. 146149.

20. Горбатюк А.В. Горбатюк Н.В. Принципы организации компьютерных интегративных систем обучения // Известия ТРТУ. Тематический выпуск: Материалы Всероссийской научно-технической конференции с международным участием «Компьютерные технологии в инженерной и управленческой деятельности».- Таганрог: ТРТУ, 2002. № 2 (21). - С.286-294.

Личный вклад автора в работах, написанных в соавторстве: [3, 6, 16] - анализ когнитивных средств «совместной деятельности»; [5, 7, 8, 13, 14, 20] - агентно-ориентированная концепция построения интегрированной компьютерной системы решения проблемных ситуаций на основе принципа «совместной деятельности» посредством аннотированной когнитивной ссылки; [11, 12] - анализ деятельности человеко-машинных процедур, определяющих значимость феномена «совместной деятельности»; [15] - нейро-нечеткие модели, методы и алгоритмы формирования и обучения коннекционистских моделей для обработки когнитивной информации; [19] - метод и алгоритмы инкорпорирования ментальных и интенциональных характеристик средствами нечетких систем и искусственных нейронных сетей; принципы и метод семиотического моделирования средствами Ми АРТ-сетей.

Список литературы диссертационного исследования кандидат технических наук Горбатюк, Наталья Владимировна, 2003 год

1. Kaplan R.M. 1.telligent Multimedia Systems. Jons Wiley&Sons, Inc. 1997,494 c.

2. Fetterman R.L., Gupta S.K. Mainstream Multimedia. Applying Multimedia in Business. New York, 1993. 278 c.

3. Nielsen J. Multimedia and Hypertext. AP Professional, 1995. 480 c.

4. Зинченко В.П., Назаров А.И Предисловие. Когнитивная психология в контексте психология. От редакторов перевода. Р. Солсо. Когнитивная психология. -Спбю: Питер, 2002. С. 10-21.

5. Леонтьев А.Н. Деятельность, сознание, личность. М.: Политиздат, 1975.

6. Тихомиров O.K. Психология мышления. М.: Изд-во МГУ, 1984.

7. Ломов Б.Ф. Методолические и теоретические проблемы психологии. М.: Наука, 1984.

8. Гордеева Н.Д., Зинченко В.П. Функциональная структура действия. М.: Изд-во МГУ, 1982.

9. Зинченко В.П. Идеи Л.С. Выгодского о единицах анализа психики // Психологический журнал. 1981. - Т.2, № 2. - С. 118-133.

10. Петренко В.Ф. Психосемантика сознания. М.: Изд-во МГУ, 1985.

11. Смирнов С.Д. Психология образ: проблема активности психического отражения. М.: Изд-во МГУ, 1985.

12. Амосов Н.М., Касаткин A.M., Касаткина Л.М., Талаев С.А. Матоматы и разумное поведение. Киев: Наукова думка. - 1973. - 375 с.

13. Восприятие. Механизмы и модели. Под ред. И.Ю. Алексеенко. М.: Мир, 1974.-368 с.

14. Сентаготан Я., Арбиб М. Концептуальные модели нервной системы Под ред. А.Р. Лурия. М.:Мир,- 1979. - 198 с.

15. Куффлер С., Дж. Николе. От нейрона к мозгу. Под ред. Л.Г. Магазаника. -М.: Мир, 1979.-439 с.

16. Минский М. Фреймы для представления знаний. М.: Энергия. - 1979. -151 с.

17. Прибрам К. Языки мозга. Под ред. А.Р. Лурия. М.: Прогресс. - 1975. - 464

18. Хьюбел Д. Глаз, мозг, зрение. Под ред. A.J1 Вызова. М.: Мир. - 1990. -239 с.

19. Блум Ф., Лейзерсон А., Хофстедтер Л. Мозг, разум и поведение. М.: Мир. - 1988.-248 с.

20. Р. Солсо. Когнитивная психология. Спбю: Питер, 2002. - 592с.: ил. -(Серия «Мастера психологии).

21. Бахтияров О.Г. Постинформационные технологии: введение в психотехнику. Киев, «ЭКСПИР». 1997. - 160 с.

22. Гроф С., Уилбер К., Веховски А., Тарт Ч. Практика холотропного дыхнания. Трансперсональная психотерапия. М. Центр психологического тренинга «Breate». 2000.-212 с.

23. Психотерапия и экстрасенсорика /Сост. А. Гопаченко. М.: ТЕРРА-Книжный клуб; Харьков: Фолио, 2002. - 416 с.

24. Тарасов В.Б., Чернышев А.П. О применении нечеткой математики в инженерной психологии // Психологический журнал. 1981. - Т.2, № 4. - С. 110-122.

25. Тарасов В.Б. Информационно-термодинамические показатели нечетких множеств в задачах принятия решений // Модели выбора альтернатив в нечеткой среде. Рига: РПИ, 1984. - С. 87-89.

26. Тарасов В.Б. Нечеткие отношения и психологический синтез деятельности // Принятия решений (методологические, психологические, математические аспекты). Рига: РПИ, 1986. - С. 12-27.

27. Мелихов А.Н., Берштейн Л.С., Коровин С.Я. Расплывчатые ситуационные модели принятия решений: Учебное пособие. Таганрог: ТРТИ, 1986. - 92 с.

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

29. Мелихов А.Н., Баронец В.Д. Проектирование микропроцессорных средств обработки нечеткой информации. Ростов на Дону. Издательство Ростовского университета, 1990. - 130 с.

30. Астанин С.В., Берштейн Л.С., Захаревич В.Г. Проектирование интеллектуального интерфейса «человек машина». Ростов на Дону. Издательство Ростовского университета, 1990.- 116 с.

31. Астанин С.В., Захаревич В.Г. Информационно-советующие комплексы систем гибридного интеллекта. Таганрог: изд-во ТРТУ, 1997. - 136 с.

32. Бериггейн J1.C., Карелин В.П., Целых А.Н. Модели и методы принятия решений в интегрированных интеллектуальных системах. Ростов на Дону. Издательство Ростовского университета, 1999. - 296 с.

33. Целых А.Н. Моделирование процессов принятия решений в нечетких условиях. Ростов на Дону: Изд-во Северо-Кавказского научю центра высшей школы, 1999. - 104 с.

34. Тарасов В.Б., Шостак А.П. Нечеткая топология в моделировании когнитивных процессов // Нечеткие системы: модели и программные средства. -Тверь: Изд-во ТГУ, 1991. С. 43-48.

35. Тарасов В.Б. Системно-организационный подход в искусственном интеллекте // Программные продукты и системы. 1997, № 3. - С. 6-13.

36. Кобринский Б.А. К вопросу о формальном отражении образного мышления и интуиции специалиста слабоструктурированной предметной области // Новости искусственного интеллекта. 1998. - № 3. - С. 64-76.

37. Фоминых И.Б. Интеграция логических и образных методов отражения информации в системах искусственного интеллекта // Новости искусственного интеллекта. 1998. - № 3. - С. 76-85.

38. Божич В.И., Горбатюк Н.В., Непомнящий А.В., Шницер Ю.Л. Перспективы развития информационных систем предприятий // Перспективные информационные технологии и интеллектуальные системы. 2000,, № 3. - С. 128-135.

39. Непомнящий А.В. Гуманитарное образование в высшей технической школе: Психологическое направление. Таганрог. ТРТИ, 1992. - 150 с.

40. Попов Э.В. Реинжиниринг, усовершенствование и моделирование предприятий // Новости искусственного интеллекта. 1998. - № 1. - С. 66-91.

41. Ойхман Е.Г., Попов Э.В. Реинжиниринг бизнеса: Реинжиниринг организаций и информационные технологии. М.: Финансы и статистика, 1997. -336 с.

42. Круглый стол «Парадигмы искусственного интеллекта» // Новости искусственного интеллекта. — 1998. № 3. - С. 140-161

43. Лепский В.Е. Субъектно-ориентированный подход: парадигма искусственного интеллекта // Новости искусственного интеллекта. 1999. - № 1. - С. 90-119.

44. Лепский В.Е. Проблема активности пользователей компьютерных систем и технологий // Прикладная эргономика. 1993. - № 3 - С. 33-40.

45. Абульханова К.А. Мировоззренческий смысл и научное значение категории «субъект» // Российский менталитет: вопросы психологической теории и практики. М., 1997.- С. 56-74.

46. Брушлинский А.В. Проблема психологии субъекта. М.: Институт психологии РАН, 1994.

47. Поспелов Д.А. Профессионально и проблемно ориентированные интеллектуальные системы // Кибернетика: неограниченные возможности и возможные ограничения. Перспективы развития. М.: Наука, 1981. - С. 83-85.

48. Поспелов Д.А., Литвинцева Л.В. Как совместить левое и правое ? // Новости искусственного интеллекта. — 1996. № 2. — С. 66-71.

49. Поспелов Д.А. Метафора, образ и символ в познаний мира // Новости искусственного интеллекта. 1998. - № 1. - С. 94-136.

50. Рубиныггей С.Л. Проблемы общей психологии. М.: Педагогика, 1973.

51. Лефевр В.А. Конфликтующие структуры. М.: Сов. Радио, 1973, 158 с.

52. Поспелов Д.А. Модели мира и семиотическое моделирование // Модели мира. М.: Российская ассоциация искусственного интеллекта, 1997. - С. 5-7.

53. Зинченко В.П. Эргономика и информатика // Вопросы философии. 1986.

54. Григорьев Э.П. Концептуальная основа синтеза альтернативных решений // Информатика и вычислительная техника. 1997. - № 1 - С.78-82.

55. Лепский В.Е. Концепция субъектно-ориентированной компьютеризации управленческой деятельности. М.: Институт психологии РАН, 1998.

56. Борисов А.Н., Алексеев А.В., Меркурьева Г.В. и др. Обработка нечеткой информации в системах принятия решений. М.: Радио и связь, 1989 - 304 с.

57. Гафт М.Г. Принятие решений при многих критериях. М.: Знание, 1979.

58. Розен В.В. Цель оптимальность - решение (математические модели принятия оптимальных решений). - М.: Радио и связь, 1982 - 168 с.

59. Гафт М.Г. Принятие решений при многих критериях. — М.: Знание, 1979.

60. Анич И., Ларичев О.И. Метод Электра и проблема ацикличности отношений альтернатив. «Автоматика и телемеханика» № 8, 1996.

61. Кини Р.А., Райфа X. Принятие решений при многих критериях: Предпочтения и замещения. М.: Радио и связь, 1981. - 560 с.

62. Фишберн П.К. Методы оценки аддитивных ценностей. // Статистическое измерение качественных характеристик. М.: Статистика, 1972 - с.8-34.

63. Акоф Р., Сасиени М. Основы исследования операций. М.: Мир, 1971.

64. Морз Ф.М., Кимбел Д.Е. Методы исследования операций. М.: Советское радио, 1956.

65. Нейман Дж., Моргенштерн О. Теория игр и экономическое поведение. М.: Наука, 1970.

66. Представление и использование знаний: пер. с япон. / Под ред. X. Уэно, М. Исидзука. М.: Мир, 1989 - 220с.

67. Заде Л.А. Основы нового подхода к анализу сложных систем и процессов принятия решений. / Математика сегодня. М.: Знание, 1974 - с. 5 - 49.

68. Орловский С.А. Проблемы принятия решений при нечеткой исходной информации. М.: Наука, Гл. ред. физ.-мат. лит., 1981 -208 с.

69. Моисеев Н.Н. Предисловие к книге Островского С.А. «Проблемы принятия решений при нечеткой исходной информации». М.: Наука, 1981.

70. Борисов А.Н., Крумберг О.А., Федоров И.П. Принятие решений на основе нечетких моделей. Примеры использования. Рига: «Зинатне», 1990. - 184 с.

71. Трахтенгерц Э.А. Взаимодействие агентов в многоагентных системах. -«Автоматика и телемеханика» № 8,1998.

72. Трахтенгерц Э.А, Многоагентные системы поддержки. «Известия Академии наук. Теория и системы управления», № 5, 1998.

73. Заде Л.А. Понятие лингвистической переменной и его применение к принятию приближенных решений. М.: Мир, 1976. - 165 с.

74. Нечеткие множества и теория возможностей. Последние достижения. Под ред. Р. Ягера. М.: Радио и связь, 1986. - 408 с.

75. Дюбуа Д., Прад А. Теория возможностей. Приложения к представлению знаний в информатике. Пер. с фр. // М.: Радио и связь, 1990 288 с.

76. Белкин А.Р., Левин М.Ш. Принятие решений: комбинаторные модели аппроксимации информации. М.: Наука, 1990.

77. Клейменов С.А., Павленко А.И., Рябов С.Н. Основы проектирования автоматизированных технологических комплексов производства элементов РЭА. — Уч. пособие. М.: Высшая школа, 1984 - 120 с.

78. Макроум Б. Макетирование моделированием. // PC Magazine. Russian edition. № 9, 1996 с. 120.

79. Осипов Г.С. Динамика в системах, основанных на знаниях. — «Известия Академии наук. Теория и системы управления», № 5, 1998. с. 24 - 28.

80. Трахтенгерц Э.А. Компьютерная поддержка принятия решений. М.: «СИНТЕГ», 1998.

81. Ларичев О.И., Мошкович Е.М. Качественные методы принятия решений. -М.: Наука. Физматлит, 1996.

82. Ларичев О.И. Объективные модели и субъективные решения. М.: Наука, 1987.

83. Саати Т. Принятие решений. Метод анализа иерархий. М.: Радио и связь, 1993.

84. Бурков В.Н., Новиков В.А. Введение в теорию активных систем. М.: ИПУ, 1996.

85. Бурков В.Н., Еналеев А.К., Новиков Д.А. Механизмы функционирования социально-экономических систем с сообщением информации. // АиТ № 3, 1996 с. 3 -25.

86. Попов Э.В., Фоминых И.Б. и др. Статистические и динамические экспертные системы. -М.: Финансы и статистика, 1996.

87. Франклин Д.Э., Кармода K.JI. и др. Технология экспертных систем для военных применений. Избранные примеры. // ТИИЭР, т. 76, № 10, 1988 с. 18-68.

88. Трахтенгерц Э.А. Компьютерный анализ в динамике принятия решений. // Приборы и системы управления. № 1,1997 с. 49 - 56.

89. Hwang Ch.-L., Lin M.J. Group decision making under multiple criteria. // Lecturre Notes in Economics and Mathematical Systems, vol. 28, 1987.

90. Роберте Ф.С. Дискретные модели с приложениями к социальным биологическим и экологическим задачам. -М.: Наука, 1986.

91. Масалович А.И. Прогноз дает . компьютер / Софтмаркет, N 23, 1996, с.6.

92. Zadeh, Lotfi. Fuzzy Sets / Information and Control, 8(3), June 1965, pp.338-53.

93. Zadeh, Lotfi. Outline of a New Approach to the Analysis of Complex Systems and Decision Processes / IEEE Transactions on Systems, Man, and Cybernetics, SMC-3(1), January 1973,pp.28-44.

94. Kosko, Bart. Fuzzy thinking / Hyperion, 1993.

95. Kosko, Bart. Neural Networks and Fuzzy Systems / Englewood Cliffs, NJ: Prentice-Hall, 1991.

96. Zemankova-Leech, Maria, and Abraham Kandel. Fuzzy Relational Data Bases: A Key to Expert Systems / Cologne: Verlag TUV Rheinland, 1984.

97. McNeill, Daniel and Freiberger, Paul. Fuzzy Logic / Touchstone Rockefeller Center, 1993.

98. Масалович А.И. Этот нечеткий, нечеткий, нечеткий мир / PC Week/RE N. 16,1995.

99. Fuzzy Arithmetic / Prentice Hall, 1995.

100. Силов В.Б. принятие стратегических решений в нечеткой обстановке. М.: ИНПРО - РЕС, 1995.

101. Roberts F.S. Building and analyzying an energy demand signed digraph. // Environment and planning. Vol. 5, 1973 pp. 199 - 221.

102. Дормашев Ю.Б., Романов В.Я. Психология внимания: Учебник. 3-е изд., испр. - М.: Московский психолого-социальный институт: Флинта, 2002 г., 376 с.

103. Солсо P.JT. Когнитивная психология. М.: «Тривола», М.: «Либерея», 2002, 600 е.: ил.

104. Березкин Б.С., Дракин В.И., Лепский В.Е. О проблемах учета человеческих факторов в проектировании информационных систем // Техническая эстетика. 1979. - № 10. - С.25-27.

105. Березкин Б.С., Дракин В.И., Лепский В.Е. Проблемы психологического обеспечения автоматизированных систем управления // Психологический журнал. -1984.-№4.-С. 74-82.

106. Дмитриева Н.В. Синдромальный анализ полипараметрических образов функциональных состояний организма // Новости искусственного интеллекта. -1999.-№ 1.-С. 120-129.

107. Ерошенко Т.М. Вопросы гомеостатирования основных физиологических систем // Итоги науки и техники. Сер. Физиология человека. М.: ВИНИТИ, 1982.

108. Шидловский В.А. Современные концепции гомеостаза // Итоги науки и техники. Сер. Физиология человека. Т.25.-М.: ВИНИТИ, 1982.

109. Дмитриева Н.В. и др. Полиметрический способ оценки функционального состояния человека с помощью графических методов распознавания образов // Физиология человека. 1989. - №4. - С. 103-106.

110. Янковская А.Е. Тестовые распознающие медицинские экспертные системы с элементами когнитивной графики // Компьютерная хроника. 1994. - №8-9.

111. Дмитриева Н.В. и др. Симметрический подход к анализу реовазограммы // Физиология человека. 1993. - № 5. - С. 53-56.

112. Зенкин А.А. Когнитивная компьютерная графика. М.: Наука, 1991.

113. Албу В.А., Хорошевский В.Ф. КОГР система когнитивной графики: разработка, реализация и применения // Изв. АН СССР. Техническая кибернетика. -1990.-№5.

114. Пырлюк Д.В., Янковская А.Е. Построение условных диагностичеких тестов и их применение в интеллектуальных системах // Искусственный интеллект 96. Сб. научных трудов V Национальной конференции с международным участием. Том 1. -Казань, 1996.

115. Янковская А.Е. Графические средства в системах искусственного интеллекта // Новые информационные технологии в исследованиях дискретных структур. Сборник докладов Всероссийской конференции. Екатеринбург: УрО РАН, 1996.

116. Янковская А.Е. Принятие и обоснование решений с использованием методов когнитивной графики на основе знаний экспертов различной квалификации // Известия РАН. Теория и системы управления. 1991. - № 5.

117. Янковская А.Е., Тетенев Ф.Ф., Черногорюк Г.Э. Отражение образного мышления специалиста в медицинской интеллектуальной системе, распознающей патогенез заболеваний // Новости искусственного интеллекта. 1999. - № 1. — С. 129-140.

118. Линдсей П., Норман Д. Переработка информации у человека. (Введение в психологию). М.: Мир, 1974. - 550 с.

119. Восприятие. Механизмы и модели (сборник статей): Пер с анг. — М.: Мир, 1974.-367 с.

120. Блум Ф., Лейзерсон А., Хофстедтер Л. Мозг, разум и поведение: Пер с англ: М.: Мир, 1988. - 248 с.

121. Хьюбел Д. Глаз, мозг, зрение: Пер с англ. М.: Мир, 1990. - 239 с.

122. Роуз С. Устройство памяти от молекул к сознанию. - М.: Мир, 1995. -384 с.

123. Minsky М. The sosiety of Mind. New York: Simon and Shuster, 1986.

124. Поспелов Д.А., Пушкин B.H. Мышление и автоматы. М.: Сов. Радио, 1972.

125. Тарасов В.Б. Моделирование психических образов: как совместить дискретное и непрерывное? // Новости искусственного интеллекта. 1998. - № 3. -С. 86-100.

126. Тарасов В.Б. Агенты, многоагентные системы, виртуальные сообщества: стратегическое направление в информатике и искусственном интеллекте // Новости искусственного интеллекта. 1998. - № 2 - С. 5-63.

127. Тарасов В.Б. От многоагентных систем к интеллектуальным организациям: философия, психология, информатика. М.: Эдиториал УРСС, 2002. - 352 с. (Науки об искусственном.)

128. Цетлин М.Л. О поведении конечных автоматов в случайных средах // Автоматика и телемеханика. 1961. - Т.22, № 10. - С. 1345-1354.

129. Цетлин М.Л. Исследования по теории автоматов и моделированию биологических систем. М.: Наука, 1969.137. // ECAI 94. 11th European Conference on Artificial Intelligence. Edited by A. Cohn. Published in 1994 by John Wiley & Sons, Ltd.

130. Пиаже Ж. Избранные психологические труды: Пер. с франц. И англ. М.: МПА, 1994.

131. Mallonas M. Swarms, Phase Transitions and Collective Intelligence // Artificial Life III / Ed. by C. Langton. New York: Addision-Wesley, 1994.

132. Langton C. Artificial Lifeio New York: Addision-Wesley, 1988.

133. Artificial Life V / Ed. by C. Langton and T. Shimohara. Cambridge MA: MIT PRESS, 1996.

134. Романов A.H., Торопцов B.C., Григорович Д.Б. Технология дистанционного обучения в системе заочного экономического образования. М.: ЮНИТИ-ДАНА, 2000. - 303 с.

135. Гуманитарные исследования в Интернет / Под. Ред. А.Е. Воскунского М., «Можайск-Терра», 2000. - 432 с.

136. Божич В.И., Горбатюк Н.В. Модели интеллектуальной мультимедийной обучающей системы // Интернет и современное общество: Тезисы Второй всероссийской научно-методической конференции. Санкт-Петербург. СПб.: С.-Петербур. ун-т, 1999. - С. 127.

137. Божич В.И., Горбатюк Н.В., Непомнящий А.В. Компьютерная обучающая система // Перспективные информационные технологи и интеллектуальные системы, 2000. №3.-С. 158-186.

138. Божич В.И., Горбатюк Н.В. Интеллектуальная система компьютерного обучения // Новости искусственного интеллекта, 2000. № 3.- С. 102-111

139. Горбатюк Н.В. Особенности применения гиперграфовых моделей для визуализации архитектур гипертекстовых систем // Перспективные информационные технологи и интеллектуальные системы, 2000. №3. С. 123-128

140. Прохоров С.В. Семантические пространства психических состояний. -Дубна: Феникс+, 2002 280 с.

141. Божич В.И., Горбатюк Н.В., Шницер Ю.Л. Нейро-нечеткая система интегральной оценки знаний студента // Искусственный интеллект-2000. Тезисы докладов международной конференции. Таганрог: ТРТУ, 2000. - С. 163-164.

142. Негойце К. Применение теории систем к проблемам управления. М.: МИР, 1981.- 178 с.

143. Нечеткие множества в моделях управления и искусственного интеллекта / Под. ред. Д.А. Поспелова. М.: Наука, 1986.-312 с.

144. Борисов А.Н. и др. Обработка нечеткой информации в системах принятия решений. М.: Радио и связь, 1989. - 304 с.

145. Синергетика и психология. Тексты. Выпуск 2. Социальные процессы. / Под. ред. И.Н. Трофимовой. М.: ЯНУС-К, 1999. - 272 с.

146. Оссовский С. Нейронные сети для обработки информации. М.: Финансы и статистика, 2002. - 344 с.

147. Сигеру Омату, Марзуки Халид, Рубин Юсоф. Нейроуправление и его приложение. Кн. 2. М.: ИПРЖР, 2000. - 272 с.

148. Головко В.А. Нейронные сети: обучение, организация и применение. Кн. 4: Учеб. пособие для вузов / Общая ред. А.И. Галушкина. М.: ИПРЖР, 2001. - 256 с.

149. М. J. D. Powell, The theory of radial basis functions approximation, in Advances of Numerical Analysis Oxford: Clarendon Press, 1992, pp. 105-210.

150. F. Girosi, Some extensions of radial basis functions and their applications in artificial intelligence, Computers Math. Applic., vol. 24, no. 12, 1992, pp. 61-80.

151. J. Moody, C. J. Darken, Fast Learning in Networks of Locally Tuned Processing Units, Neural Computation, vol. 1, 1989, pp. 281-294.

152. Schaffer, D. Whitley, L.J. Eshelman, Combinations of genetic algorithms and neural networks: A survey of the state of the art, in Combinations of Genetic Algorithms and Neural Networks, 1-37, IEEE Computer Society Press, 1992.

153. J. Angeline, G.M. Saunders, and J.B. Pollak, An evolutionary algorithm that constructs recurrent neural networks, IEEE Transactions on Neural Networks, vol.5, no. 1, 54-65, 1994.

154. В. A. Whitehead and Т. D. Choate, Evolving space-filling curves to distribute radial basis functions over an input space. IEEE Transactions on Neural Networks, vol. 5, no. l,pp. 15-23, 1994.

155. D. B. Fogel, Using Evolutionary Programming to Create Neural Networks that are Capable of Playing Tic-tac-toe, in International Conference on Neural Networks, pp. 875-880, 1993.

156. Курейчик B.M. Генетические алгоритмы. Таганрог: Изд. ТРТУ, 1998. -240 с.

157. Гриняев С.Н. Интеллектуальное противодействие информационному оружию. М.: СИНТЕГ, 1999. - 232 с.

158. Нейрокомпьютеры и интеллектуальные роботы. / Под. ред. Н.М. Амосова. -Киев.: Наук, думка, 1994. 272 с.

159. Дюк В.А. Компьютерная психодиагностика. СПб., Изд. «Братство», 1994. - 364 с.

160. Роберт Дилтс. Моделирование с помощью НЛП. СПб., Питер, 2001. - 288с.

161. Джонсон Р. 40 упражнений тренинга НЛП. М.: Изд. «КСП+», 2001. -384с.

162. Математические методы в психологии / Под. Ред. О.Г. Берестневой, A.M. Уразаева. Томск: Изд. Томского государственного педагогического университета, 2001.-304 с.

163. Warren R.M. Perception restoration of missing speach sounds. Science, 167, 1970, pp.393-395.

164. Уссермен Ф. Нейрокомпьютерная техника. M.: Мир, 1992.

165. Carpenter G.A, Grossberg S. (eds.) Pattern Recognition by Self-Organizing Neural Networks. Cambridge, MA, MIT Press, 1991.

166. Carpenter G.A, Grossberg S. Normal and amnesia learning, recognition, and memory by a neural model of cortico-hippocampal interactions. Trends in Neurosci., 16, 1993, pp.131-137.

167. Repp B.H. A range-frequency effect on perception of silence in speach. Haskins Laboratories Status Reporton Speach Research, SR-61, 1980, pp.151-165.

168. Гроссберг С. Внимательный мозг // Открытые системы, 1997, №4 С. 2933.

169. Carpenter G., Grossberg S. Neural dynamics of category learning and recognition: A ttention; m emory с onsolidation and a mnesia. I n В rain S tructure, L earning and Memory (AAAS Symposium Series), eds. J. Davis., R. Newburgh and E. Wegman. 1986.

170. Carpenter G., Grossberg S. A massively parallel architecture for a self-organizing neural pattern recognition machine. Computing Vision. Graphics, and Image Processing 37.1987.-pp. 54-115.

171. Carpenter G., Grossberg S. ART-2: Self-organization of stable category recognition codes for analog input patterns. Applied Optics 26(23):4919-30, 1987.

172. Crossberg S. Competitive learning: From interactive activation to adaptive resonanse. Cognitive Science 11, 1987. pp. 23-63.

173. Lippman R. P. An introduction to computing with neurals nets. IEEE Transactions on Acosufics, Speech and Signal Processing, April, 1987. pp. 4-22.

174. Neural Computing: NeuralWorks Professional II/Plus and NeuralWorks Explorer. Neural Ware, Inc., 1991. 355 p.

175. Ященко В.А. Искусственный интеллект и нейронные сети. // «Искусственный интеллект», № 3, 2000. с. 379-390 .

176. Анил К. Джейн, Жианчанг Мао, Моиуддин К.М., Введение в искусственные нейронные сети // Открытые системы. 1997. - №4. - с. 16-24.

177. Yashchenko V. Neural-like growing networks // SPIE,s Annual International Symposiym on Aerospace/ Defense Sensing, Simulation and Controls, Session Applications of Computational Intelligent III, 24-28 April 2000, Florida USA, vol. 4055. -pp. 14-23.