Разработка программного обеспечения специализированной базы знаний для автоматизации решения инженерных задач тема диссертации и автореферата по ВАК РФ 05.13.11, кандидат технических наук Крутоверцев, Константин Игоревич

• Крутоверцев, Константин Игоревич
• кандидат технических наук
• 2003

Оглавление диссертации кандидат технических наук Крутоверцев, Константин Игоревич

Введение

ГЛАВА 1. Программное обеспечение для автоматизации программирования инженерных задач

1.1. Использование современных программно-математических пакетов для автоматизации программирования инженерных задач.

1.2. Обзор средств автоматизации программрования, применяемых в объектно-ориентированных языках 1 о

1.3. Обзор моделей баз знаний экспертных систем.

1.3.1. Фреймовая модель представления знаний.

1.3.2. Модель представления знаний с использованием семантических сетей.

1.3.3. Представление знаний с использованием продукционных правил

Выводы по главе

ГЛАВА 2. Разработка экспертной системы

2.1. Определение требований и стратегии разработки экспертной системы в соответствии со структурой алгоритмов методов решения систем нелинейных уравнений.

2.2. Функциональный состав экспертной системы

2.3. Разработка структуры базы знаний.

2.4. Разработка структуры базы данных для хранения тарировочных данных

2.5. Разработка механизма построения цепочек правил реализующего численные методы

2.6. Разработка блока объяснения полученных результатов.

2.7. Разработка блока определения варьируемых параметров.

2.8. Разработка генератора программного кода на Visual Basic Application для формирования процедур реализации составляющих правил базы знаний

2.9. Программная реализация экспертной системы

2.10. Описание интерфейса экспертной системы

Выводы по главе

ГЛАВА 3. Методика получения тарировочных данных датчиков сенсорного газоанализатора.

3.1. Методика проведения эксперимента для получения тарировочных кривых датчиков газовой камеры

3.2. Методика расчета компонентов газовой смеси при определении тарировочных данных

3.3. Аппроксимация тарировочных данных в экспертной системе

Выводы по главе

ГЛАВА 4. Проведение исследований с помощью экспертной системы с использованием различных методов решения систем нелинейных уравнений

4.1. Методика проведения исследований с помощью экспертной системы

4.2. Применение метода покоординатного спуска

4.2.1. Использование метода аппроксимации прямой.

4.2.2. Использование метода аппроксимации полиномом второго порядка

4.3. Применение метода поразрядного приближения

4.4. Сравнение полученных результатов с результатами метода нейронных сетей.

Выводы по главе

Введение диссертации (часть автореферата) на тему «Разработка программного обеспечения специализированной базы знаний для автоматизации решения инженерных задач»

В нынешний информационный век компьютеры играют важную роль в жизнедеятельности человека. Необходимость обрабатывать большие объемы информации, решать сложные задачи заставляет ученых разрабатывать и совершенствовать информационные технологии. Одновременно повышаются требования к функциональным возможностям программного обеспечения, разработка которого является сложным и длительным процессом.

Для написания хорошей программы разработчику необходимо обладать способностью соединить общие принципы программного проекта с желанием вникнуть во множество мелочей. Это требует не только колоссальных интеллектуальных усилий, но и соответствующего инструментария, который пока еще далек от совершенства. Именно совершенствование информационных технологий, создание средств автоматизации программирования, позволяющих разработчикам сократить время на программирование, одновременно повысив качество программного продукта, являются важными задачами нынешнего столетия.

Актуальность проблемы

Существует класс задач, для решения которых исследователями и инженерами используются различные численные методы, при этом выбор метода зависит от частных условий. Такая необходимость возникает, когда для решения задачи не существует универсального метода, поэтому используют разные методы, решающие частные задачи. К таким методам относятся методы решения систем нелинейных уравнений, поиска экстремума функционала, искусственные нейронные сети, генетические алгоритмы и так далее [2,24,5152,80-82,117].

Для расчетных работ, в решении подобных задач, применяют языки программирования, математические пакеты или прикладное программное обеспечение, однако, при использовании этих средств исследователи сталкиваются с рядом проблем:

- Современные программно-математические пакеты имеют большие файловые библиотеки численных методов для решения и программирования различных задач, однако для работы с программно-математическими пакетами пользователь должен быть предварительно подготовлен, что требует изучение специальной литературы, знаний специализированных языков программирования встроенных в пакет. Эти требования порождает отсутствие в современных программно-математических пакетах развитых инструментов автоматизации для описания алгоритмов численных методов решения задачи, что безусловно является недостатком.

- Часто у исследователей, которые используют один математический пакет или язык программирования, возникает необходимость использовать численные методы, алгоритмы которых не содержаться в библиотеках пакета. При этом алгоритмы этих методов могут быть описаны в другом математическом пакете, но на языке не понятном пользователю, поэтому возникает проблема «языкового барьера». Компания W3C опубликовала язык MathML (использующий в качестве основы язык XML) разработанный для решения этой проблемы в математических пакетах, однако из-за избыточной информативности MathML не предназначен для представления больших алгоритмов, как, например генетический алгоритм или алгоритмы искусственных нейронных сетей [2,51-52]. Этим объясняется тот факт, что математический пакет MatLab не поддерживает язык MathML.

- Математические пакеты не обладают достаточной гибкостью при использовании разных численных методов и не позволяют пользователю быстро переключаться с одного метода на другой в рамках одного проекта, что необходимо в том случае, если выбор метода зависит от частных условий задачи.

Поэтому актуальна проблема создания такого программного обеспечения, которое позволяло бы пользователю применять и добавлять различные численные методы в рамках одного проекта и при необходимости быстро переключаться с одного метода на другой. При этом пользователь должен быть избавлен от необходимости изучения языков программирования, а инструменты для проектирования задачи и формат хранения алгоритмов должны быть интуитивно понятными.

Целью работы является разработка экспертной системы, позволяющей автоматизировать программирование инженерных задач.

Основные задачи исследования

1. Исследование методов проектирования программ для решения инженерных задач;

2. Исследования программно-математических пакетов с целью выявления недостатков автоматизации программирования инженерных задач;

3. Исследование моделей баз знаний экспертных систем как средств хранения и представления знаний о предметной области, необходимых пользователю в ходе исследований;

4. Разработка механизма для интерпретации алгоритмов, описанных пользователем с помощью средств автоматизации разработки программ;

5. Разработка генератора программного кода, определяющего составляющие алгоритмов численных методов;

6. Разработка человеко-машинного интерфейса для моделирования алгоритмов инженерных задач;

7. Разработка методики проведения исследований с помощью программного обеспечения специализированной базы знаний для автоматизации решения инженерных задач.

Объект исследований Объектом исследований являются программные инструментальные средства, используемые для автоматизации разработки программного обеспечения решения инженерных задач.

Предмет исследований - программное обеспечение специализированной базы знаний для автоматизации решения инженерных задач.

Методы исследования Исследования проводились с использованием теории систем искусственного интеллекта, теории численных методов решения систем нелинейных уравнений (метод покоординатного спуска, поразрядного приближения).

Научная новизна

1. Разработана оригинальная методика проектирования базы знаний, содержащей описание алгоритмов численных методов в виде продукционных правил.

2. Обосновано применение продукционных правил статического и динамического типа для описания алгоритмов численных методов.

3. Разработан механизм построения цепочек правил, основанный на использовании статических и динамических правил базы знаний для реализации численных методов.

4. Разработан генератор программного кода на Visual Basic Application для формирования процедур реализации составляющих правил базы знаний.

Практическая ценность

Разработанная в рамках диссертационной работы экспертная система дает возможность пользователю программировать различные инженерные задачи, использующие численные методы.

Испытания разработанной экспертной системы проводились на примере решения задачи анализа состава газовых смесей, с применением сенсорного газоанализатора. Для данной задачи в экспертной системе используются методы покоординатного спуска и поразрядного приближения, описание алгоритмов которых составили 20 продукционных правил. Изменение количества компонентов исследуемой газовой смеси и состава датчиков газоанализатора не потребовало перепрограммирования системы, что повысило эффективность работы пользователя с программой. Полученные в диссертационной работе тарировочные данные для двух полупроводниковых датчиков дают возможность проводить исследования для определения концентрации двухкомпонентной газовой смеси. Полученные с помощью экспертной системы результаты исследований сравнивались с результатами, полученными на штатном оборудовании, при этом разница погрешностей составила 1%.

Принципы разработанного механизма построения цепочек правил, и генератора программного кода могут найти применение во многих современных математических пакетах (MatLab, MathCad и др.) в качестве средств автоматизации решения инженерных задач.

Представленная в диссертационной работе база знаний, может найти практическое применение в различных пакетах проектирования инженерных задач в качестве средства для описания алгоритмов программ.

Представленная в диссертационной работе экспертная система разработана с помощью MS Access и может быть объединена с проектами, построенными на базе пакета Microsoft Office.

На защиту выносятся

1. Разработанная методика проектирования базы знаний экспертной системы, основанная на использовании правил динамического и статического типа для эффективного описания, хранения и использования знаний о численных методах.

2. Разработанный механизм построения цепочек динамических правил базы знаний.

3. Разработанный генератор программного кода на Visual Basic Application для определения динамических правил базы знаний.

4. Методика проведения исследований с помощью экспертной системы для автоматизации решения инженерных задач.

Главы диссертации

Диссертация разделена на четыре главы:

В 1 -й главе осуществляется формализация задачи исследования. Проведен анализ работ в тех областях знаний, которые используются для автоматизации разработки программного обеспечения решения инженерных задач.

В работе был проведен анализ средств программирования инженерных задач. К таким средствам относятся: языки программирования, математические пакеты, экспертные системы.

Наиболее мощным средством, позволяющим использовать различные математические методы в процессе исследований, являются программно-математические пакеты. Анализ программно-математических пакетов (MathCad, MatLab, Maple и др.) показал, что математические пакеты не лишены недостатков, которые делают сложным процесс программирования инженерных задач.

Проведен анализ средств автоматизации программирования применяемых в современных объектно-ориентированных языках. В результате анализа было установлено, что появившиеся сравнительно недавно средства автоматизации программирования (СОМ-технологии, средства визуального программирования, макроязыки) значительно упрощают процесс написания программ, но не способны полностью избавить разработчика от использования языков программирования. Поэтому существующие средства автоматизации программирования не могут быть применены рядовыми пользователями, не владеющими языками программирования, для решения инженерных задач.

11

Проведен анализ моделей экспертных систем, и выделены особенности продукционной модели, которые сыграли ключевую роль при создании экспертной системы для решения инженерных задач.

Во 2-й главе диссертации были определены особенности численных методов решения систем нелинейных уравнений, которые имели важное значение при создании базы знаний экспертной системы. В данной главе была разработана база знаний экспертной системы, механизм построения цепочек правил, генератор программного кода на VBA для определения динамических правил базы знаний и другие составляющие экспертной системы. Также во 2-й главе было обосновано разделение правил базы знаний на статические и динамические.

В 3-й главе диссертации была разработана методика получения тарировочных данных датчиков сенсорного газоанализатора. Применяя данную методику, пользователь сможет правильно проводить исследования.

В 4-й главе диссертации представлена методика проведения исследований с помощью экспертной системы, представлены результаты работы экспертной системы для определения состава двухкомпонентной газовой смеси на примере использования методов покоординатного спуска и метода поразрядного приближения. Также проведено сравнение полученных результатов с результатами, полученными с помощью искусственной нейронной сети.

Заключение диссертации по теме «Математическое и программное обеспечение вычислительных машин, комплексов и компьютерных сетей», Крутоверцев, Константин Игоревич

Выводы по главе 4

1. В данной главе была описана методика проведения исследований с помощью экспертной системы. Методика была разработана в соответствии с возможностями, предоставляемыми оболочкой экспертной системы. Методика ориентирована на получение более точного результата при проведении исследований. Это достигается за счет возможности изменения значений варьируемых параметров методов, выбора методов анализа состава газовой смеси, а также за счет возможности выбора методов аппроксимации результата, влияющего на точность полученного результата.

2. В главе были представлены результаты проведенных исследований по определению концентрации этилового спирта и ацетона в двухкомпонентной газовой смеси. В исследованиях применялся метод покоординатного спуска и поразрядного приближения, в результате чего были получены несколько отличные друг от друга результаты при одинаковых условиях проведения исследований. Поэтому для анализа газовых смесей важно исследовать разные методы для определения наилучшего из них, позволяющего получать более точные результаты.

3. В результате применения метода покоординатного спуска было определено, что наиболее точные результаты обеспечиваются при шаге итерации не ниже 0,01 ppm, при этом погрешность отклонения составила 3 %. При шаге итерации равном 0,05 ppm время исследований составило 45 сек., что приемлемо для работы с маломощным компьютером.

4. При входных условиях аналогичных п.З выводов был применен метод поразрядного приближения. Метод обеспечивает более высокую скорость поиска результата, чем метод покоординатного спуска и дает результат с аналогичной погрешностью отклонения 2% при шаге итерации 0,05 ppm, поэтому можно сделать вывод о целесообразности применения данного метода для задачи анализа состава газовых смесей. Однако стоит помнить о недостатках метода при попадании в точку локального минимума.

5. При проведении исследований целесообразно применение разных видов аппроксимации тарировочных данных. Было установлено, что аппроксимация полиномом 2-го порядка дает результат с меньшей погрешностью отклонения, чем аппроксимация прямой.

6. Были проведены испытания экспертной системы по определению концентраций двухкомпонентной газовой смеси. Компонентами смеси являлись ацетон с концентрацией 5 ppm и этиловый спирт с концентрацией 1 ppm. Относительная погрешность полученных результатов составила 2 %. Результаты с аналогичной погрешностью были получены при исследовании смеси с концентрацией ацетона 5 ppm и концентрацией этилового спирта 10 ppm. Аналогичные исследования были проведены с применением метода нейронных сетей, при таких же концентрациях компонентов смеси. Погрешность результатов полученных методом нейронных сетей составила 1 %, что не сильно отличается от погрешности результатов полученных экспертной системой, поэтому необходимо сделать вывод о возможности применения экспертной системы для анализа состава газовых смесей.

7. Разработанная экспертная система отвечает всем требованиям, сформулированным в диссертационной работе, предъявленным к программному обеспечению специализированной базы знаний для автоматизации решения инженерных задач, основанных на использовании численных методов.

Заключение

1. Анализ математических пакетов (MathCad, MatLab, Maple и др.) показал, что для целей автоматизации программирования инженерных задач эти универсальные пакеты мало подходят.

2. В результате проведенного анализа средств автоматизации создания программного обеспечения было показано, что существует необходимость использования экспертных систем для автоматизации программирования рассматриваемого класса инженерных задач.

3. В результате анализа моделей баз знаний экспертных систем, в качестве наиболее подходящей для разработки программно-математического обеспечения, была выбрана продукционная модель базы знаний. Эта модель отлична от остальных, тем, что может обеспечить хранение знаний о численных методах решения задачи в наиболее простой форме. Работая с продукционными экспертными системами, пользователь может не знать языков программирования, что существенно упрощает его работу. Используемые технологии баз данных в базе знаний позволяют добавлять новые знания без перепрограммирования экспертной системы.

4. Анализ методов и требований, необходимых для решения систем нелинейных уравнений позволил определить стратегию разработки экспертной системы, предназначенной для автоматизации программирования инженерных задач.

5. В результате исследований были сформулированы требования к программному обеспечению, предназначенному для автоматизации решения инженерных задач, основанных на использовании построения цепочек логических правил. С целью сокращения требуемых вычислительных ресурсов необходимо использовать динамические правила базы знаний, которые генерируются в процессе работы экспертной системы. Добавление в базу знаний новых численных методов не должно вызывать перепрограммирования экспертной системы. С целью автоматизации процесса программирования при определении динамических правил базы знаний необходимо использовать генератор программного кода.

6. Разработанное программное обеспечение специализированной базы знаний отвечает всем требованиям, сформулированным в диссертационной работе и предъявленным к программному обеспечению для автоматизации решения инженерных задач, основанных на использовании численных методов.

7. Разработанная специализированная база знаний позволяет хранить описания численных методов в виде продукционных правил. Такой подход обеспечил использование в базе знаний логических правил двух типов - статических и динамических. Динамические правила генерируются в процессе работы экспертной системы, что обеспечивает значительное уменьшение требуемых вычислительных ресурсов компьютера в процессе решения инженерных задач.

8. Разработан механизм построения цепочек правил, основанный на использовании статических и динамических правил специализированной базы знаний.

9. Разработан алгоритм генерации программного кода на VBA для формирования процедур реализации составляющих правил базы знаний, что позволило решить проблему автоматизации решения инженерных задач, основанных на использовании численных методов поиска решения.

10. Разработанный интерфейс экспертной системы дает возможность пользователю менять значения варьируемых параметров, обеспечивающих требуемую точность результатов и время решения задач.

11. Разработан механизм отображения и объяснения, результатов полученных с помощью экспертной системы.

12. Механизм аппроксимации, реализованный в экспертной системе, позволяет существенно сократить требуемый объем экспериментальных данных и снизить стоимость проведения экспериментов.

13. В диссертации разработана методика проведения исследований программного обеспечения специализированной базы знаний для автоматизации решения инженерных задач. Результаты проведенных исследований показали, что разработанное программное обеспечение соответствует требованиям, сформулированным для программного обеспечения автоматизации решения инженерных задач.

14. В диссертации получен ряд зависимостей, которые позволяют пользователю, задаваться требуемым шагом, для обеспечения заданных значений точности результатов и времени исследований.

15. Для проверки работоспособности разработанного программного обеспечения специализированной базы знаний для автоматизации решения инженерных задач были проведены исследования по определению концентрации двухкомпонентной газовой смеси. В исследованиях применялись методы покоординатного спуска и поразрядного приближения, в результате этого были получены достаточно близкие результаты (расхождение в пределах 2%) при одинаковых условиях проведения исследований. Метод поразрядного приближения дал результат с более высокой скоростью.

16. В процессе исследований были проведены сравнительные испытания программного обеспечения специализированной базы знаний для автоматизации решения инженерных задач со штатным программным обеспечением, основанным на использовании искусственных нейронных сетей, и предназначенным для анализа состава газовых смесей. Расхождения результатов, определяемой концентрации состава газовой смеси, находились в пределах 1 %, что подтвердило возможность использования разработанного программного обеспечения специализированной базы знаний для автоматизации решения инженерных задач.

Список литературы диссертационного исследования кандидат технических наук Крутоверцев, Константин Игоревич, 2003 год

1. Mariana Hentea. Hybrid knowledge-based expert system for intelligent quality control., EUF1.'97.

2. А.И.Змитрович.Интеллектуальные информационные системы. Минск, "Тетра Системе", 1997.

3. M.A.Vila, J.O.Cubero, O.Pons and J.M.Medina Depto. Inheritance problems in Fuzzy Semantic Data Models, de Ciencias de la Computacion e I.A.E.T.S.I de Informatica, Universidad de Granada Avda. Andalucia n.38, 18071 Granada, Spain. EUFIT '97, vol. 2.

4. Vila M.A., Cubero J.C., Madina J.M., Pons O. (1996) Structural vageness in semantic data models. Proceedings of IPMU96 pp.1189-1196 Granada. Spain July 15 (1996)

5. Д.Уотерман,Руководство по экспертным системам. М.:"Мир" 1989.- З20.с.

6. Ф.Хейес-Рот, Д.Уотерман, Д.Ленат.Построение экспертных систем. М.: "Мир", 1987 - 280с.

7. N.Yarushkina. Soft hierarchy analysing method for economic experts system. EUFIT'97.

8. Yarushkina N. Soft method of hierarchy analising for decision making supportsystem. SC-96. International workshop on soft computing. Kazan, Tatarstan, Russia. October 3-6,1996.

9. Vladimir Omelnitsiy, Sergey Astanin. The Development Tools for Expert Systems with Fuzzy Knowledge Base. EUFIT'97.

10. Prof. Sergei. Petrov. Logical dynamic systems and fuzzy logic. EUFIT'97

11. Morgan Kaufmann. Probabilistic Reasoning in Intelligent Systems. Publishers,1.c. San Mateo. Pearl, Judea 1988

12. Senjen, R., and DeBeller, M., and Leckie, C., and Rowles, C. "Hybrid Expert

13. Systems for Manufacturing and Fault Diagnosis." The Ninth Conference on Artificial Intelligence for Applications, March 1-5. Orlando, Florida. IEEE Computer Society Press, Los Alamitos, California 1993 .- p.235-241.

14. Kandel, A., Shneider, M., Langholz G. The Use of Fuzzy Logic for the

15. Managment of Uncertainty in Intelligence Hybrid Systems. Fuzzy Logic for the Management of Uncertainty. Zadeh, L.A., and Kacprzyk, J., editors. John Weily and Sons, Inc. New York, New York 1992, p. 569-587.

16. Бокс Д. Сущность технологии СОМ. Библиотека программиста Essential

17. COM, Don Box -С-Пб.: Питер Ком.2001 г. 400 с.

18. П.М.Таланчук, С.П.Голубков, В.П.Маслов и др.Сенсоры в контрольно-измерительной технике. К.: Тэхника, 1991г.-175 с.

19. Мюллер Дж. Технология СОМ+: библиотека программиста С-Пб.: Питер Ком.2001 г. - 464 с.

20. Александр Бакулин. По СОМ звонит колокол. М.: «Компьютерра», 2001, №22.

21. ХеммингР.В. Численные методы. М.: «Наука», 1972.

22. R.Feldhoff, Claude-Alain Saby,Philippe Bernadet. Discrimination of fuels with chemical sensors and mass spectrometry based electronic noses., The Analyst, 1167-1173, 1999.

23. Дьяконов В.П. Математическая система Maple V R3/R4/R5. М.: "СОЛОН", 1998.-399 е., ил.

24. Волчёнков Н. Г. Программирование на Visual Basic 6: В 3-х ч. Часть 3. М.: Инфра-М 2002. - 238 с.

25. Ф.Уоссермен, Нейрокомпьютерная техника. М.: Мир. - 1992.

26. Dario Gnani a, Vincenzo Guidi a , Matteo Ferroni a , Guido Faglia b ,

27. Giorgio Sberveglieri. High-precision neural pre-processing for signal analysis of asensor array Sensors and Actuators В 47 (1998) 77-83.

28. Mei-Jywan Syu *, Jwo-Ying Liu. Neural network signal detection of an so2 electrode-Sensors and Actuators В 49 (1998) 186-194

29. Matsushima S, Hoffmann A. An Instance-Based Framework for Integrating

30. Domain Knowledge with a Reinforcement Learner. Proceedings of Australian Joint

31. Conference on Artificial Intelligence, Perth, Dec. 1997, 1997.

32. Menzies T. On the Practicality of Abductive Validation, Proceedings of European Conference on Artificial Intelligence, Budapest, 12-15 Aug. 1996, 1996.

33. Lee M, Compton P. From Heuristics to Causality, Proceedings of The Third World Congress on Expert Systems, Seoul Korea, 1996, in press, 1996.

34. Menzies T, Mahidadia A. Ripple-Down Rationality: A Framework for Maintaining PSMs, Proceedings of Workshop on Problem Solving Methods for Knowledge-Based Systems, in connection with IJCAI-97, Nagoya Japan, 29 Aug. 1997, 1997.

35. Beydoun GG, Hoffmann A. NRDR for the Acquisition of Search Knowledge, Proceedings of The Tenth Australian Conference on Artificial Intelligence, Perth Australia, 1997, Springer, 1997.

36. Richards D, Compton P. Uncovering the conceptual models in ripple-down rules, Proceedings of International Conference on Conceptual Structures ICCS'97, Seattle, Aug. 1997, Springer Verlag, 1997.

37. Morgan Kaufmann. Combining Knowledge Acquisition and Machine Learning to Control Dynamic Systems, Shiraz GM, Sammut C, Proceedings of 15th International Joint Conferences on Atrificial Intelligence (IJCAI'97), Nagoya Japan, 1997, pp908-913.

38. Beydoun G, Hoffmann A. Acquisition of Search Knowledge, Proceedings of 10th European Workshop on Knowledge Acquisition, Barcelona Spain, 1997, Springer Verlag, 1997.

39. Richards D., Compton P. Situated Expert Systems, Proceedings of Fourth Conference of the Australasian Cognitive Science Society, Newcastle, 26 Sep. 1997, Newcastle University, 1997.

40. Richards D., Chellen V., Compton P. The Reuse of Ripple Down Rule Knowledge Bases: Using Machine Learning to Remove Repetition, Proceedings of Pacific Knowledge Acquisition Workshop, 23-25 Oct. 1996, University of New South Wales, 1996, pp293-312.

41. Ramadan Z, Preston P, Le-Gia T, Chellen V, Compton P, Mulholland M, Hibbert DB, Haddad PR, Kang В From Multiple Classification RDR to Configuration

42. RDR, Proceedings of AKAW Australian Knowledge Acquisition Workshop, Eds. T. Menzies; D. Richards; P. Cornpton, Perth Australia, 30 Nov. 1997, Perth, 1997, ррб.1-6.14.

43. Richards D, Compton P. Combining Formal Concept Analysis and Ripple Down Rules to Support Reuse, Proceedings of Software Engineering Knowledge Engineering SEKE'97, Madrid, Jun. 1997, Springer Verlag, 1997.

44. Richards D., Compton P. Taking Up the Situated Cognition Challenge with Ripple Down Rules, International Journal of Human Computer Studies, Special Issue on Situated Cognition, Academic Press, London, 1998, 49, pp895-926.

45. Ramadan Z, Preston P, Le-Gia T, Chellen V, Compton P, Mulholland M, Hibbert DB, Haddad PR, Kang B. From Multiple Classification RDR to Configuration

46. RDR, Proceedings of AKAW Australian Knowledge Acquisition Workshop, Perth, 30 Nov. 1998, 1998.

47. Amin A, Al-Sadoun H, Fischer S. Hand Printed Arabic Character Recognition Using an Artificial Neural Network, Pattern Recognition, 1996, 29(4), ррббЗ-675.

48. Milne LK. Attribute Selection in Neural Networks used to Classify Remotely Sensed Data., Proceedings of Visual Information Processing Workshop, Sydney, Dec. 1997, 1997.

49. Sowmya Ramesh AS. A Semantics-preserving transformation of statecharts to FNLOG, , Proceedings of 14th IFAC Workshop on Distributed Computer Control Systems DCCS '97, Seoul Korea, 28-30 Jul. 1997, Elsevier Science Ltd, 1997.

50. Partha Roop S, Sowmya A. CFSMcharts: A New Language for Microprocessor Based System Design, Proceedings of 11th International Conference on VLSI Design 1998, Chennai Madras India, Jan. 1997, IEEE Computer Society, 1997.

51. Peppas P, Pagnucco M, Prokopenko M, Foo N. Preferential Semantics for Causal Fixpoints, Proceedings of Tenth Australian Joint Conference on Artificial Intelligence, Perth Australia, 2-4 Dec. 1997, Springer-Verlag, 1997.

52. O'Neill TJ, Foo NY. Belief Update, the Markovian Situation Calculus, and Discrete Event Systems, Proceedings of 9th Joint Australian Conference on Artificial Intelligence, Perth Australia, 2 Dec. 1997, Springer Verlag, 1997, (full paper).

53. Min K, Wilson WH. Integrated correction of ill-formed sentences, Proceedings of 10th Australian Joint Conference on Artifical Intelligence (AI '97), Perth, Dec. 1997, Springer Verlag, 1997, pp369-378.

54. Zhang Y, Foo N. Answer Sets for Prioritized Logic Programs, Proceedings of International Logic Programming Symposium, ILPS'97, 1997, 1997.

55. Zhang Y, Foo N. Updating Logic Programs, Proceedings of 13th European Conference on Artificial Intelligence, ECAI'98, Eds. H. Prade, Brighton Britain, Aug. 1998, John Wiley & Sons Ltd, London, 1998, pp403-407.

56. O'Neill T, Foo N. Reasoning about Continuous Change, In Proceedings of the Fifth Pacific Rim International Conference on Artificial Intelligence, Eds. H. Lee and H. Motoda, Singapore, 22-27 Nov. 1998, Springer Verlag, Heidelberg, 1998, pp294-304.

57. Каталог фирмы "Solomat". Redwood City, California, USA. 1988.

58. Каталог фирмы "Riken Keiku". Япония. Приборы дедектирования газа для промышленности полупроводников. 1988.

59. Б.Ф.Мясоедов, А.В.Давыдов. Химические сенсоры: возможности и перспективы. Журнал аналитической химии, Том 45, Вып.7. 1990.

60. Paul Е. Keller, Richard Т. Kouzes, Lars J. Kangas Neural Network Based Sensor Systems for Manufacturing Applications

61. Pacific Northwest National Laboratory P.O. Box 999, K7-22

62. Richland, WA 99352 PNNL Document Number: PNL-SA-23252 Advanced Information Systems and Technology Conference in Williamsburg, VA, USA March 1994.

63. Paul E. Keller. Overview of Electronic Nose Algorithms. Battelle Pacific Northwest Division, P.O. Box 999, Richland, WA 99352, USA

64. F. Hayes-Roth, N. Jacobstein. The State of Enowledge-Based Systems. Communications of the ACM, March, 1994, v.37, n.3, pp.27-39.

65. P. Harmon. The Size of the Commercial AI Market in the US. Intelligent Software Strategies. 1994, v. 10, n.l, pp. 1-6.

66. Expert system saves 20 million L on pipeline management. C&I July, 1994, p.31.

67. P. Harmon. The Market for Intelligent Software Products. Intelligent Sopware Strategies 1992, v.8, n.2, pp.5-12.

68. D.R Perley. Migrating to Open Systems: Taming he Tiger. McGraw-Hill, 1993, p.252.

69. H.C.Бахвалов. Численные методы. "Наука" М.: 1975.

70. В.И. Пугачев, Теория управления (методы оптимизации). Кубанский Государственный Технологический Университет, Краснодар. КубГТУ, 1998 105 с.

71. В.Г. Фарафонов. Вычислительная математика "Численные методы решения систем нелинейных уравнений". Тескт лекций. Санкт-Петербургский Институт Авиационного Приборостроения, 1992. 48 с.

72. Trinder JC, Nachimuthu A, Wang Y, Sowmya A, Singh S. Artificial Intelligence Techniques for road extraction from aerial images, Automatic Extraction of GIS Objects from Digital Imagery, Omternational Archives of Photogrammety and

73. Remote Sensing, Vol. 32, Part 3-2W5, Munich Germany, Sep. 1999, ISPRS, 1999, ppll3-118.

74. Artificial Neural Networks: Concepts and Theory, IEEE Computer Society Press, 1992.

75. Горбань A.H. Обучение нейронных сетей. M.": изд. СССР-США СП "ParaGraph", 1990. 160 с.

76. Gordienko P. Construction of efficient neural networks: Algorithms and tests // Proceedings of the International joint Conference on Neural Networks IJCNN'93, Nagoya, Japan, 1993. PP. 313-316.

77. В.Г.Потемкин. Matlab 5 для студентов, "Диалог-МИФИ" Москва 1998г.

78. Матросов A. Maple 6 Решение задач высшей математики и механики.-Санкт-Петербург: BHV 2001.-528 с.

79. Боровиков В. Для профессионалов Statistica искусство анализа данных на компьютере,- Санкт-Петербург-Москва-Харьков-Минск: "Питер" 2001.- 656 с.

80. Боровиков В.П., Боровиков И.П. Statistica статистический анализ и обработка данных в среде Windows.- М.: "Филин" 1998.-608 с.

81. Джон Т. Мэтьюз, Куртис Д. Фини. Под ред. Козаченко Ю.В. Численные методы, использование MatLab. 3-е издание,- Москва Санкт-Петербург -Киев: "Вильяме" 2001,- 720 с.

82. Гульянов А.К. MatLab 5.3. Имитационное моделирование в среде Windows.-Санкт-Петербург: "КОРОНА принт" 2001.- 400 с.

83. Потемкин В.Г. Инструментальные средства MatLab 5.x.- М.: "Диалог-МИФИ".- 336 с.

84. Лазарев Ю. MatLab 5.x,- Киев: "Ирина" BHY 2000.- 384 с.

85. Мартынов Н.Н., Иванов А.П. MatLab 5.x. Вычисления, визуализация, программирование.- М.: Кудиц-образ 2000.-336 с.

86. Лавров К.Н., Цыплякова Т.Л. Под общей редакцией к.т.н. Потемкина В.Г. Финансовая аналитика MatLab 6.- М.: "Диалог-МИФИ" 2001.-368 с.

87. Кирьянов Д. Самоучитель MathCad 2001.- Санкт-Петербург: BHV 2001.- 544 с.

88. Дьяконов В.П., Абраменкова И.В. MathCad 8 PRO в математике, физике и Internet.- М.: "Нолидж" 2000,- 512 с.

89. Кудрявцев Е.М. MathCad 8.- М.: ДМК 2000.-320 с.

90. Кудрявцев Е.М. MathCad 2000 Pro.- М.:ДМК 2001.- 576 с.

91. Дьяконов В.П. MATHEMATICA 4 с пакетами расширений.- М.:"Нолидж" 2001,- 608 с.

92. Крутоверцев К.И. Использование экспертной системы для улучшения работы «Электронного носа», «Конверсия в машиностроении» №6, 2000 г.83 стр. -М.: «Информконверсия», 2000.

93. Свидетельство об официальной регистрации программы для ЭВМ № 2001611433. Экспертная система анализа состава газовых смесей (ЭСАСГС) Крутоверцев К.И.

94. Г.Реклейтис, А.Рейвиндран, К.Рэгсдел. Оптимизация в технике, том 1.-М.: «Мир», 1986.-346 с.

95. Борис Манзон. Компьютерная неделя 10-16 февраля, №5(129), М.: Maple V, версия 4 новые горизонты символьной математики 1998

96. B.W. Char, К.О. Geddes, G.H. Gonnet, B.L. Leong, M.B. Monagan, S.M. Watt . First Leaves: A Tutoral Introduction to Maple V. Springer-Verlag New York, 1992

97. Darren Redfern. The Maple Handbook. Springer-Verlag New York, 1993

98. Дьяконов В., Круглов В. Математические пакеты расширения MatLab. Специальный справочник,- СПб.: Питер, 2001.- 480 е.: ил.

99. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем,- СПб.: Питер, 2001.- 384 с.:ил.

100. Калянов Т.Н. Теория и практика организации бизнес-процессов. Серия «Реинжениринг бизнеса».-М.:СИНТЕГ, 2000, 212 с.

101. Вендров A.M. Case-технологии. Современные методы и средства проектирования информационных систем. М.: Финансы и статистика 1998.

102. McClure С. CASE in Software Automation. N .J., Prentice Hall, 1989.

103. Extending С with Prolog. August 1994 issue of Dr. Dobbs Journal

104. Java Meets Prolog, for Advisors, Analysts and Agents. PC AI magazine, Nov/Dec 1996

105. Integrating Prolog Services with С++ Objects. PC AI magazine, Volume 9, Number 3 May/June 1995119

106. Exploring Prolog. PC AI magazine, Volume 7, Number 5 September/October 1993

107. Paul E. Ке11егю Physiologically Inspired Pattern Recognition for Electronic Noses, Battelle Memorial Institute, Pacific Northwest Division, PO Box 999, Richland, WA 99352, USA.

108. В.В.Круглов, М.И. Дли, Р.Ю. Голунов. Нечеткая логика и искусственные нейронные сети.-М.: «Физматлит», 2001, 224 с.

109. Девид Чеппел. Технологии ActiveX и OLE/Пер. с англ. -М.: «Русская редакция» ТОО «Channel Ltd», 1997. -320 с.

110. Настоящим актом подтверждается использование результатов диссертационной работыпрограммного обеспечения для сенсорных газоанализаторов.

111. Подтверждается возможность использования разработанной в диссертационной работе экспертной системы для проведения анализа состава различных газовых смесей.

112. К.И.Крутоверцева в исследовательских работах по анализу состава газовых смесей в качестве1. От АООТ «Практик-НЦ»:

113. Начальник отдела разработок программного обеспечения, кандидат технических наук1. Вдовичев С.В.1. FTTiTT^ZT^TTT"у уу//, J , У'/'/,у•'4'1. РОССИЙСКАЯ ФЕДЕРАЦИЯ, //''',' /уроссийское агентство но патентами товарным знакам (роспатент)1. СВИДЕТЕЛЬСТВО

114. Об официальной регистрации программы для ЭВМ• /••'• ■/.■'.'.■/.' ■.-,''-/■'/■■/■'■■>///у.-/у.-.s . ■■ , • ••2001611433

115. Экспертная система анализа состава газовых смесей (ЭСАСГС)1. Правообл адател ь(ли) •

116. У^утовф^в %опспшплтп MtofeBul (RU)1. ABTOp (bl): cKfj^nto6ejfijeS (Коисшапшпп M.toj>e£ul (RU)i//,'V' ' "V/ ? '' '/""""''у/ ' у", , / по.заявке/М 2001611348, дата поступления: 2 октября 2001 .

117. Ж//////л/УЖ'/Л, /, . /»/./.7/л.//',„„!/#' /у /'>,,,'/по.заявке/М /uuibUi4«, дата поступления: 2 октября 2001 г , - у. "/ш1. Л, '/регистрировано и/ ' Реестре программ для ЭВМу:У///УШ-УШ/У//УУУ,/ / 'У У "'7/ У'у 'У', ,