Структурно-параметрическая оптимизация баз знаний обучаемых экспертных систем тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат технических наук Бухнин, Алексей Викторович

• Бухнин, Алексей Викторович
• кандидат технических наук
• 2005

Оглавление диссертации кандидат технических наук Бухнин, Алексей Викторович

Введение.

Глава первая. Современные подходы к построению экспертных систем и методы интеллектуального анализа данных.

1.1. Традиционные подходы к представлению и приобретению знаний в интеллектуальных системах.

1.1.1. Общие сведения об экспертных системах.

1.1.2. Представление знаний в экспертных системах.

1.1.3. Приобретение знаний экспертными системами.

1.2. Интеллектуальный анализ данных.

1.2.1. История развития Data mining.

1.2.2. Обзор алгоритмов Data mining.

1.3. Адаптивные системы нечеткого логического вывода.

1.4. Выводы.

Глава вторая. Метод структурно-параметрической оптимизации базы знаний.

2.1. Структура базы знаний.

2.2. Математическая модель нечеткой сети логического вывода.

2.2.1. Нечеткий элемент типа "ИЛИ".

2.2.2. Нечеткий элемент типа "И".

2.2.3. Элемент типа "Входной".

2.2.4. Элемент типа "Входная переменная".

2.2.5. Элемент типа "Сегмент".

2.2.6. Пример нечеткой сети логического вывода.

2.3. Общее описание процесса оптимизации базы знаний.

2.4. Выводы.

Глава третья. Основные алгоритмы оптимизации нечеткой сети логического вывода.

3.1. Генетический алгоритм параметрической оптимизации.

3.2. Алгоритм факторизации.

3.3. Выводы.

Глава четвертая. Исследование эффективности разработанного подхода с помощью математического моделирования.

4.1. Исследование зависимости эффективности генетического алгоритма параметрической оптимизации от значений его параметров.

4.2. Сравнение эффективности модификаций генетического алгоритма.

4.3. Решение прикладных задач.

4.3.1. Классификация цветов.

4.3.2. Построение аналитической модели для прогнозирования активности кариеса зубов в период беременности и ближайшие после родов сроки.

4.3.3. Прогнозирование валютных цен на финансовом рынке.

4.4. Выводы.

Введение диссертации (часть автореферата) на тему «Структурно-параметрическая оптимизация баз знаний обучаемых экспертных систем»

Актуальность исследования. При решении сложных задач во многих областях человеческой деятельности, связанных с использованием слабоформализованных знаний специалистов-практиков, успешно применяются технологии искусственного интеллекта. Системы, основанные на базах знаний или моделях предметной области, описанных на языке, близком к естественному, называют интеллектуальными. На данный момент прикладные интеллектуальные системы используются в десятках тысяч приложений [86]. Одним из наиболее распространенных видов интеллектуальных систем являются экспертные системы (ЭС).

Экспертные системы — это класс интеллектуальных систем, ориентированный на распространение опыта высококвалифицированных специалистов для консультирования менее квалифицированных пользователей. Современные ЭС - это сложные программные комплексы, позволяющие использовать ЭВМ для обработки информации в тех областях науки и техники, где традиционные математические методы малопригодны. К таким областям можно отнести экономику, медицину, геологию, химию и др.

Главное отличие ЭС от других программных средств - это наличие базы знаний (БЗ), в которой знания хранятся в понятной человеку форме, что позволяет специалисту их легче анализировать и изменять. Первыми широкую известность получили нечеткие экспертные системы, в которых представляются и обрабатываются неточные знания (знаменитая медицинская система MYCIN [34]).

В России исследования ЭС проводили ученые B.JI. Вагин, В.И. Городецкий, Г.С. Осипов, Э.В. Попов, Д.А. Поспелов, B.JI. Стефанюк, В.К. Финн, В.Ф. Хорошевский и многие другие. Развитию нечетких ЭС способствовали работы А.Н. Аверкина, А.Н. Борисова, Л.А. Заде, Дж. Клира, А. Кофмана, Е.А. Мамдани, Д.А. Поспелова, А.П. Рыжова и др.

Современное состояние разработок в области ЭС в России исследователи характеризуют "как стадию все возрастающего интереса среди широких слоев специалистов - финансистов, менеджеров, преподавателей, инженеров, медиков, психологов, программистов, лингвистов" [86]. Недостаток в недавнем прошлом учебников и специальной литературы на русском языке, ограниченное финансирование исследований в этой области привело к тому, что отечественный рынок инструментов для разработки ЭС пока является слабым.

Создание эффективной системы - дорогостоящий и продолжительный процесс, требующий привлечения специалистов различных направлений: программистов, инженеров по знаниям, экспертов в прикладной области. Одной из основных проблем при этом является приобретение знаний, т.е. "передача потенциального опыта решения проблемы от некоторого источника знаний и преобразование его в вид, который позволяет использовать эти знания в программе" [94]. Знания передаются во время собеседований между инженером по знаниям и экспертом в предметной области. "Многие исследователи рассматривают функцию приобретения знаний в качестве одного из главных "узких мест" технологии экспертных систем из-за низкой скорости наполнения базы знаний системы правилами" [95]. Для получения требуемого результата необходимо взаимопонимание между экспертом и инженером по знаниям. Не всегда специалист может объяснить, как он решает задачи в своей области.

Между тем, существуют прикладные области, в которых собрано большое количество фактической информации. Эти данные могут быть использованы для генерации правил или для оптимизации имеющейся базы знаний. В настоящее время усилия многих исследователей направ-, лены на разработку адаптивных или самоорганизующихся систем, способных обучаться на примерах. Под самоорганизующейся системой понимается система, упорядоченность и организованность которой возрастает со временем. Наиболее известными примерами подобных систем являются искусственные нейронные сети, системы, использующие метод группового учета аргументов (МГУА), адаптивные системы нечеткого логического вывода (последним посвящены работы Ч. Карра, О. Кордона, Б. Коско, В.В. Круглова, А.П. Ротштейна, Т. Фукуда, Ф. Херреры, С.Д. Штовбы, Р. Янга и др.) Все используемые технологии обладают как достоинствами, так и определенными недостатками. Ней-росетевой подход и МГУА приводят к получению логически непрозрачных систем. Способ решения задачи такими системами трудно вербализовать. Существующие подходы к получению логически прозрачных нейросетей нельзя признать эффективными. Да и само понятие "логической прозрачности" иерархических интеллектуальных систем недостаточно формализовано.

В свою очередь, наиболее изученные варианты систем нечеткого логического вывода не обладают достаточной гибкостью в представлении знаний. Их базы знаний имеют одноуровневый вид, т.е. промежуточные выводы не используются. Кроме того, существующие методы ^ оптимизации таких систем допускают ограниченное участие эксперта в обучении. Его роль сводится к подготовке обучающей выборки и выбору параметров алгоритма оптимизации. Использование априорной информации о прикладной области в виде формулирования начальной базы знаний, защиты от изменения части параметров модели не допускается. Общепризнанного лучшего метода оптимизации нечетких систем на данный момент не существует. Известные алгоритмы обучения различаются особенностями этапов структурной и параметрической оптимизации, подходами к настройке параметров сегментации входных переменных. Последняя задача является особо важной и трудно решаемой (если учитывать требование простой вербализуемости результирующей базы знаний).

Таким образом, актуальной является задача создания эффективного метода оптимизации баз знаний экспертных систем, с возможностью модификации списка нечетких правил и настройки параметров сегментации входных переменных. Метод должен допускать использование априорной информации о прикладной области на разных этапах обучения. Модель системы должна поддерживать иерархический логический вывод.

Целью работы является разработка метода структурно-параметрической оптимизации баз знаний обучаемых экспертных систем и исследование его эффективности. Для достижения поставленной цели необходимо решить следующие задачи:

1. Разработать математическую модель нечеткой адаптивной системы, сочетающую гибкость и универсальность в представлении знаний с простотой вербализации.

2. Ввести критерий структурной сложности нечеткой адаптивной модели, формализующий понятие "логической прозрачности".

3. Разработать и программно реализовать метод оптимизации адаптивной системы, допускающий автоматическую генерацию и модификацию нечетких правил, настройку параметров сегментации входных переменных и при этом позволяющий использовать априорную информацию о прикладной области на различных этапах обучения.

4. Исследовать эффективность применения предложенной модели нечеткой адаптивной системы при решении прикладных задач.

На защиту выносятся:

1. Метод оптимизации баз знаний экспертных систем, основанный на преобразовании исходной БЗ в нечеткую сеть логического вывода, оптимизации сети с использованием обучающей выборки и обратном преобразовании сети в базу знаний.

2. Генетический алгоритм параметрической оптимизации нечеткой сети.

3. Алгоритм факторизации нечеткой сети логического вывода, использующий критерий структурной сложности для получения сети с более легко интерпретируемой структурой.

4. Результаты исследования эффективности предложенной модели и метода оптимизации при решении прикладных задач.

Методы исследования. Работа базируется на методах и моделях теории нечетких множеств, эволюционных вычислений, гибридных интеллектуальных систем, математической статистики, объектно-ориентированного программирования, а также алгоритмах синтеза микропрограммных автоматов.

Научная новизна. В диссертационной работе получены следующие результаты, характеризующиеся научной новизной:

1. Разработан метод оптимизации баз знаний экспертных систем, основанный на преобразовании исходной БЗ в нечеткую сеть логического вывода, оптимизации сети и обратном преобразовании сети в базу знаний. Метод допускает использование априорной информации о прикладной области для получения наиболее полной и точной базы знаний в условиях малой обучающей выборки.

2. Разработана математическая модель нечеткой сети логического вывода, включающая исчерпывающий набор типов элементов, необходимых для преобразования БЗ в сеть и обратно.

3. Введен критерий структурной сложности нечеткой сети логического вывода, используемый для сравнения сетей с различающимися структурами, но позволяющих решать задачу с одинаковой точностью.

4. Разработан алгоритм факторизации нечеткой сети, основанный на выделении устойчивых сочетаний посылок в условных частях нечетких элементов.

Практическая значимость и ценность работы заключается в создании программы-оболочки для построения экспертных систем, которая позволяет пользователю, не являющемуся программистом, создавать базы знаний, оптимизировать их с использованием обучающей выборки, проводить интеллектуальный анализ данных, выявляя логические закономерности. С применением данной разработки была создана аналитическая модель для прогнозирования активности кариеса зубов в период беременности и ближайшие после родов сроки, представляющая профессиональный интерес для врачей-стоматологов.

Апробация работы. Основные положения и результаты диссертационной работы докладывались и обсуждались на Всероссийской научно-технической конференции "Информационные системы и технологии" ИСТ - 2002; Всероссийской научно-технической конференции ИСТ - 2003; Всероссийской научно-технической конференции ИСТ - 2004; III Всероссийской молодежной научно-технической конференции "Будущее технической науки"; Всероссийской научно-технической конференции ИСТ-2005.

Публикации. По материалам диссертационной работы опубликовано 10 печатных работ, из них 3 статьи и 7 публикаций в материалах научных конференций.

Структура и объем работы. Диссертационная работа состоит из введения, четырех глав, заключения, списка литературы из 102 наименований и четырех приложений; содержит 142 машинописные страницы основного текста, включая 27 рисунков и 3 таблицы.

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

4.4. ВЫВОДЫ

1. На основе результатов экспериментов даны рекомендации по выбору значений параметров ГА в зависимости от сложности решаемой задачи.

2. Приведено экспериментальное подтверждение преимущества двухточечного варианта оператора скрещивания над одноточечным.

3. Показана эффективность предложенной модели нечеткой системы и метода ее структурно-параметрической оптимизации при решении широкого круга прикладных задач (классификации, прогнозирования, диагностирования).

4. Приведен пример успешного решения задачи создания базы знаний медицинской экспертной системы с использованием обучающей выборки для автоматической модификации БЗ.

ЗАКЛЮЧЕНИЕ

Главным результатом диссертационной работы является разработка метода структурно-параметрической оптимизации баз знаний экспертных систем, допускающего использование априорной информации о прикладной области в процессе автоматического обучения модели, что позволяет сократить время оптимизации и получить наиболее полную и точную базу знаний в условиях малой обучающей выборки. Основные научные и практические результаты диссертации сводятся к следующему:

1. Разработана математическая модель адаптируемой нечеткой сети логического вывода, допускающая простое преобразование "База знаний -> Сеть" и обратное преобразование. Разработаны алгоритмы ее структурно-параметрической оптимизации: конструктивный алгоритм структурной оптимизации гибридной сети (в котором корректировка правил и функций принадлежности лингвистических переменных происходит одновременно с использованием генетического алгоритма), алгоритм редукции сети, алгоритм факторизации.

2. Предложен критерий структурной сложности сети, позволяющий сравнивать модели, решающие задачу с одинаковой точностью, выбирая наиболее оптимальную по структуре. Показано преимущество данного критерия по сравнению с предлагавшимися ранее.

3. Разработан генетический алгоритм параметрической оптимизации нечеткой сети логического вывода. На основе результатов экспериментов даны рекомендации по выбору значений параметров ГА в зависимости от сложности решаемой задачи. Экспериментально показано преимущество двухточечного варианта оператора скрещивания над одноточечным. Разработана программа-оболочка для построения и обучения нечетких экспертных систем, реализующая методы и алгоритмы, предложенные в работе.

Показана эффективность предложенной модели нечеткой системы и метода ее структурно-параметрической оптимизации при решении задач классификации, прогнозирования и диагностирования. На примере широко известной "Задачи об ирисах Фишера" показано преимущество разработанного метода, допускающего использование априорной информации о прикладной области с целью получения более полной базы знаний. Также была решена задача построения аналитической модели для прогнозирования активности кариеса зубов в период беременности и ближайшие после родов сроки, представляющая профессиональный интерес для врачей-стоматологов.

Список литературы диссертационного исследования кандидат технических наук Бухнин, Алексей Викторович, 2005 год

1. Асанов А.А. Генетический алгоритм построения экспертных решающих правил в задаче многокритериальной классификации // Электронный журнал "Исследовано в России". 2002. - (Рус.). - URL: http://zhumal.ape.relarn.ru/articles/2002/155.pdf 10 мая 2005.

2. Базы данных. Интеллектуальная обработка информации / В.В. Корнеев, А.Ф. Гареев, С.В. Васютин, В.В. Райх. М.: Нолидж, 2001.-496 с.

3. Баранов С.И. Синтез микропрограммных автоматов (граф-схемы и автоматы). 2-е изд., перераб. и доп. - Л.: Энергия, Ленингр. отд-ние, 1979. - 232 с.

4. Сборник научных трудов. В 3 частях. 4.1. -М.: МИФИ, 1999. -С. 17-24.

5. Батнщев Д.И. Генетические алгоритмы решения экстремальных задач / Под ред. Львовича Я.Е.: Учеб. пособие. Воронеж, 1995. -69 с.

6. Батищев Д.И. Методы оптимального проектирования: Учеб. пособие для вузов. М.: Радио и связь, 1984. - 248 с.

7. Батищев Д.И., Исаев С.А. Оптимизация многоэкстремальных функций с помощью генетических алгоритмов II Межвузовский сборник научных трудов "Высокие технологии в технике, медицине и образовании". ВГТУ, Воронеж, 1997. - С. 4-17.

8. Башмаков А.И., Башмаков И.А. Интеллектуальные информационные технологии: Учеб. пособие. М.: Изд-во МГТУ им. Н.Э. Баумана, 2005. - 304 с.

9. Бухнин А.В., Бажанов Ю.С. Выбор критерия оптимальности при структурной оптимизации сети логического вывода // Всероссийская научно-техническая конференция "Информационные системы и технологии": тезисы докладов. Н.Новгород, 2003.

10. Бухнин А.В., Бажанов Ю.С. Использование априорной информации при построении адаптивных систем нечеткого вывода // III Всероссийская молодежная научно-техническая конференция "Будущее технической науки": тезисы докладов. Н.Новгород, 2004.

11. Бухнин А.В., Бажанов Ю.С. Оптимизация баз знаний экспертных систем с применением нечетких нейронных сетей // Вестник ВГАВТ Межвузовская серия "Моделирование и оптимизация сложных систем". Н.Новгород, 2003.

12. Бухнин А.В., Бажанов Ю.С. Особенности конструктивного алгоритма самоорганизации нечеткой продукционной системы // Всероссийская научно-техническая конференция "Информационные системы и технологии": тезисы докладов. Н.Новгород, 2005.

13. Бухнин А.В., Бажанов Ю.С. Построение адаптивных систем нечеткого вывода в условиях малой обучающей выборки // Сборник научных работ "Труды НГТУ". Н.Новгород, 2004. - Т.47: Системы обработки информации и управления. - №11. - С. 8689.

14. Бухнин А.В., Бажанов Ю.С. Построение логически прозрачных искусственных нейроных сетей // Всероссийская научно-техническая конференция "Информационные системы и технологии": тезисы докладов. Н.Новгород, 2002.

15. Бухнин А.В., Бажанов Ю.С. Применение генетического алгоритма при параметрической оптимизации нечетких сетей логического вывода // Всероссийская научно-техническая конференция "Информационные системы и технологии": тезисы докладов. -Н.Новгород, 2004.

16. Бухнин А.В., Бажанов Ю.С. Структурная организация нечеткой продукционной системы // Всероссийская научно-техническая конференция "Информационные системы и технологии": тезисы докладов. Н.Новгород, 2005.

17. Бухнин А.В., Бажанов Ю.С. Структурно-параметрическая оптимизация баз знаний экспертных систем Н Всероссийская научно-техническая конференция "Информационные системы и технологии": тезисы докладов. Н.Новгород, 2002.

18. Гаврилов А.В. Гибридная экспертная система для профориентации // Сборник научных трудов НГТУ. 1997. — № 3(8). -С. 123-132

19. Гаврилов А.В., Губарев В.В., Джо К.-Х., Ли Х.Х. Архитектура гибридной системы управления мобильного робота // Научный вестник НГТУ. 2004. - № 2

20. Гаврилов А.В., Канглер В.М. Использование искусственных нейронных сетей для анализа данных // Сборник научных трудов НГТУ. 1999. - №3(16). - С. 56-63.

21. Гаврилов А.В., Новицкая Ю.В. Гибридные интеллектуальные системы // Сборник научных трудов НГТУ, Новосибирск: НГТУ. 2004. - №1(35). - С. 55-60.

22. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. СПб.: Питер, 2000. - 384 с.

23. Галкина В.А. Дискретная математика: комбинаторные методы оптимизации. М.: Гелиос АРВ, 2003. - 232 с.

24. Горбань А.Н. Обобщенная аппроксимационная теорема и вычислительные возможности нейронных сетей // Сибирский журнал вычислительной математики / РАН. Сиб. Отд. Новосибирск, 1998. - Т. 1, № 1. - С. 11-24.

25. Горбань А.Н. Функции многих переменных и нейронные сети // Соросовский образовательный журнал. 1998. - №12. - С. 105112.

26. Девятков В.В. Системы искусственного интеллекта: Учеб. пособие для вузов. М.: Изд-во МГТУ им. Н.Э. Баумана, 2001. - 352 с.

27. Дегтерев А.С., Канашкин Ф.В., Сумароков А.Д. Обобщение генетических алгоритмов и алгоритмов схемы МИВЕР // Электронный журнал "Исследовано в России". 2004. - (Рус.). -URL: http://zhurnal.ape.relam.ru/articles/2004/153.pdftl0 мая 2005.

28. Деменков Н.П. Pemeime многокритериальных задач оптимизации и принятия решений в нечеткой постановке // Тр. Международной конференции по мягким вычислениям и измерениям SCM-2000. -Т.1. С. 66-69.

29. Десять лет спустя (интервью с Д. Мичи) // Будущее искусственного интеллекта-М.: Наука, 1991. С. 213-216.

30. Джексон П. Введение в экспертные системы. / Пер. с англ. и ред. В.Т. Тертышного. М.: Издательский дом "Вильяме", 2001. -624 с.

31. Джонс М.Т. Программирование искусственного интеллекта в приложениях / Пер. с англ. Осипова А.И. М.: ДМК Пресс, 2004.-312 с.

32. Дьяконов В., Круглов В. Математические пакеты расширения MATLAB. Специальный справочник. СПб.: Питер, 2001. -480 с.

33. Дюк В., Самойленко A. Data mining: учебный курс. СПб.: Питер, 2001.-368 с.

34. Жернаков С.В. К вопросу о построении гибридных нейро-печетких экспертных систем диагностики и контроля ГТД // Управление в сложных системах. Уфа, 1999. - С. 119-126.

35. Заде JI.A. Понятие лингвистической переменной и его применение к принятию приближенных решений. М.: Мир, 1976.

36. Заенцев И.В. Нейронные сети: основные модели / Учебное пособие к курсу "Нейронные сети" для студентов 5 курса магистратуры к. электроники физического ф-та Воронежского Государственного университета, 1999.

37. Зайцева Е.Н., Станкевич Ю.А. Некоторые современные методы решения оптимизационных задач // Материалы Второй международной конференции "Новые информационные технологии в образовании". Мн., 1996.

38. Калинина Е.А., Цаканян Е.В. Применение технологии Data mining для автоматизированного построения баз знаний интегрированных экспертных систем // Интеллектуальные системы и технологии. -2000. 4.3. - С. 156-157.

39. Киликовский В.В., Олимпиева С.П., Киликовский В.В. Компьютерные медицинские консультативные системы, основанные на представлении знаний эксперта в виде семантической сети // Медицинский научный и учебно-методический журнал. 2001. -№2.-С. 17-27.

40. Кобринский Б.А. Нечеткая логика в анализе образных представлений в медицинских системах искусственного интеллекта // Междунар. конф. по мягким вычислениям и измерениям: Сб. докл. Т.1. СПб, 1998. С. 233-235.

41. Колмогоров А.Н. О представлении непрерывных функций нескольких переменных суперпозициями непрерывных функций меньшего числа переменных. Докл. АН СССР, 1956. Т. 108, №2. С. 179-182.

42. Колмогоров А.Н. О представлении непрерывных функций нескольких переменных в виде суперпозиции непрерывных функций одного переменного. Докл. АН СССР, 1957. Т. 114, №5. С. 953-956.

43. Комарцова Л.Г., Максимов А.В. Нейрокомпьютеры: Учеб. пособие для вузов. М.: Изд-во МГТУ им. Н.Э. Баумана, 2002. - 320 с.

44. Круглов В.В. Адаптивные системы нечеткого логического вывода // Нейрокомпьютеры: разработка, применение. 2003. - №5. -С. 13-16.

45. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. М.: Горячая линия - Телеком, 2001. -382 с.

46. Круглой В.В., Дли М.И., Голуиов Р.Ю. Нечеткая логика и искусственные нейронные сети. М.: Физико-математическая литература, 2001.-224 с.

47. Курейчик В.В., Нужнов Е.В. Подходы к организации интегрированной инструментальной среды поддержки процедур генетического поиска и оптимизации решений // Перспективные информационные технологии и интеллектуальные системы. 2003. -№4 (16).

48. Кутуков С.Е. Приложение генетических алгоритмов в управлении технологическими режимами нефтепродуктопроводов // Нефтегазовое дело, 2003. 16 с.

49. Леоненков А.В. Нечеткое моделирование в среде MATLAB и fuzzyTECH. СПб.: БХВ-Петербург, 2003. - 736 с.

50. Маренко В.А. Модели и алгоритмы экспертных систем поддержки принятия решений по электромагнитной совместимости: Автореф. дис. . канд. техн. наук: 05.13.18 / Тюменский государственный университет. Тюмень, 2004. - 20 с.

51. Методы нейроинформатики / Под. ред. А.Н. Горбаня; отв. за выпуск М.Г. Доррер. КГТУ, Красноярск, 1998.-205 с.

52. Методы робастного, нсйро-нсчеткого и адаптивного управления: Учебник / Под ред. Н.Д. Егупова; 2-е изд., стереотипное. М.: Изд-во МГТУ им. Н.Э. Баумана, 2002. - 744 с.

53. Мижаль О.Ф. Локально-параллельная согласованная корректировка термов лингвистической переменной // "Проблемы бионики", Вып. 56, Харьков, 2002, с. 88-93.

54. Минаев Ю.Н., Филимонова О.Ю., Бенамеур Лиес Методы и алгоритмы решения задач идентификации и прогнозирования в условиях неопределенности в нейросетевом логическом базисе. — М.: Горячая линия Телеком, 2003. - 205 с.

55. Минаков И.А. Сравнительный анализ некоторых методов случайного поиска и оптимизации // Известия Самарского научного центра Российской академии наук. Управление и моделирование в сложных системах. 1999. - №2. - С. 286-293.

56. Миркес Е.М. Нейроинформатика / Учебное пособие, Краснояр-CKirii государственный технический университет. Красноярск, 2002.

57. Михаль О.Ф. Организация экспертных систем продукционного типа на локально-параллельных нечетких алгоритмах // "Радиотехника и информатика". 2003. - №1. - С. 93-100.

58. Назаров А.В., Лоскутов А.И. Нейросетевые алгоритмы прогнозирования и оптимизации систем. СПб.: Наука и Техника, 2003.-384 с.

59. Нейроинформатика / А.Н.Горбань, В.Л.Дунин-Барковский, А.Н.Кирдин и др. Новосибирск: Наука. Сибирское предприятие РАН, 1998.-296 с.

60. Осовкский С. Нейронные сети для обработки информации / Пер. с польского И.Д. Рудинского. М.: Финансы и статистика, 2002. -344 с.

61. Паклин Н.Б. Адаптивные модели нечеткого вывода для идентификации нелинейных зависимостей в сложных системах: Авто-реф. дис. . канд. техн. наук: 05.13.18 / ГОУ ВПО "Ижевский государственный технический университет". — Ижевск, 2004. — 20 с.

62. Паклин Н.Б., Сенилов М.А., Тененев В.А. Интеллектуальные модели на основе гибридного генетического алгоритма с градиентным обуче1шем лидера // Искусствешплй интеллект. Донецк: Наука i освгга. - 2004. - № 4. - С. 159-168.

63. Ротштейн А.П. Интеллектуальные технологии идентификации. -(Рус.). -URL: http://exponenta.ru 14 июня 2005.

64. Рутковская Д., Пилиньский М., Рутковский JI. Нейронные сети, генетические алгоритмы и нечеткие системы / Пер. с польск. И. Д. Рудинского. М.: Горячая линия - Телеком, 2004. - 452 с.

65. Снитюк В.Е., Шарапов В.М. Эвошоционно-параметрическая оптимизация RBF-сети // Искусственный интеллект. 2003. - №4.

66. Тененев В.А., Паклин Н.Б. Гибридный генетический алгоритм с дополнительным обучением лидера // Интеллектуальные системы в производстве. 2003. - № 2. - Ижевск: Изд-во ИжГТУ, 2003.-С. 181-206.

67. Терехов В.А., Ефимов Д.В., Тюкин И.Ю. Нейросетевые системы управления: Учеб. пособие для вузов. М.: Высш. шк., 2002. -183 с.

68. Уоссермен Ф. Нейрокомпьютерная техника / Пер. с англ. Ю. А. Зуева, В. А. Точенова. -М: Мир, 1992. 184 с.

69. Усков А.А., Кузьмин А.В. Интеллектуальные технологии управ-лешш. Искусственные нейронные сети и нечеткая логика. М.: Горячая линия - Телеком, 2004. - 143 с.

70. Усков А.А., Пучков А.Ю., Окунев Б.В. Адаптивная нечеткая сеть // Материалы Международной научной конференции "Математические методы в технике и технологиях ММТТ-16". -Ростов-на-Дону, 2003

71. Царегородцев В.Г. Взгляд на архитектуру и требования к ней-роимитатору для решения современных индустриальных задач // Материалы XI Всероссийского семинара "Нейроинформатика и ее приложения". Красноярск, 2003. - 215 с. - С. 171-175.

72. Царегородцев В.Г. К определению информативности независимых переменных для нейронной сети // Материалы XI Всероссийского семинара "Нейроинформатика и ее приложения". -Красноярск, 2003. -215с. С. 176-177.

73. Царегородцев В.Г. Перспективы распараллеливания программ нейросетевого анализа и обработки данных // Материалы III Всеросс. конф. "Математика, информатика, управление 2004". - Иркутск, 2004.

74. Цой Ю.Р., Спицин В.Г. Применение генетического алгоритма для решения задачи адаптивного нейроуправления // Нейроинформатика 2005: Сборник научных трудов VII Всероссийской научно-технической конференции - Т.1. - М.: МИФИ, 2005. -С. 35^43.

75. Цой Ю.Р., Спицын В.Г. Адаптивный оператор мутации для ней-роэволюционного алгоритма. // Труды XI Международной научно-ирактической конференции студентов и молодых ученых "Современные техника и технологии". Томск, 2005.

76. Цой Ю.Р., Спицын В.Г. Генетический алгоритм настройки искусственной нейронной сети // Тезисы докладов конференции-конкурса студентов, аспирантов и молодых ученых "Технологии Microsoft в информатике и программировании". Новосибирск, 2004.-С. 131-133.

77. Цой Ю.Р., Спицын В.Г. Применение генетического алгоритма в задачах оптимизации многоэкстремальных функций //Труды региональной научно-практической конференции студентов "Молодежь и современные информационные технологии". Томск, 2003.-С. 10-11.

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

79. Шарапов В.М., Снитюк В.Е. Биокибернетический метод определения оптимума целевой функции в условиях неопределенности // Искусственный интеллект. 2002. - №4.

80. Штейнбух К. Автоматы и человек. М.: Сов. Радио, 1967. -493 с.

81. Щавелев Л.В. Способы аналитической обработки данных для поддержки принятия решений // СУБД. 1998. - № 4-5.

82. Щетинин В.Г. Многослойная самоорганизация нейронных сетей оптимальной сложности // Автоматика и вычислительная техника. Рига, 1998. - №4. - С.30-37.

83. Щетинин В.Г., Костюнин А.В. Принятие решений на нейронных сетях оптимальной сложности // Автоматизация и современные технологии. М., 1998. - №4. - С. 38^13.

84. Щетинин В.Г., Столярова О.В., Костюнин А.В. Синтез решающих правил на нейронных сетях для управления производством // Приборы и системы управления. М., 1999. - №1. - С. 72-77.

85. Bernado-Mansilla Е., Garrell-Guiu J.M. Accuracy-Based Learning Classifer Systems: Models, Analysis and Applications to Classification Tasks // Evolutionary Computation. Massachusetts Institute of Technology, 2003. - V.l 1. -№3. -pp. 209-238.

86. Feigenbaum E.A. The art of artificial intelligence: themes and case studies of knowledge engineering // In Proc. 5th International Joint Conference on Artificial Intelligence, 1977.-pp. 1014-1029.

87. Goldberg D.E. Algorytmy genetyczne i ich zastosowania, WNT, Warszawa, 1995.

88. Holland J.H. Adaptation in Natural and Artificial Systems, Ann Arbor: University of Michigan Press, 1975.

89. Holland J.H. Building Blocks, Cohort Genetic Algorithms, and Hy-perplane-Defined Functions // Evolutionary Computation. Massachusetts Institute of Technology, 2000. - V.8. - №4. - pp. 373-391.

90. Lozowski A., Cholewo T.J., Zurada J.M. Symbolic Rule Representation in Neural Network Models // In Proceedings of the Second Conference on Neural Networks and Their Applications. Szczyrk, Poland, 1996. - V.2. - pp. 300-305.

91. Markowska-Kaczmar U., Trelak W. Extraction of Fuzzy Rules from Trained Neural Network using Evolutionary Algorithm // ESANN'2003 proceedings European Symposium on Artificial Neural Networks Bruges (Belgium), 2003. - pp. 149-154.

92. Stanley K.O., Miikkulainen R. Evolving Neural Networks through Augmenting Topologies // Evolutionary Computation. Massachusetts Institute of Technology, 2002. - V.10. - №2. - pp. 99-127.

93. Stonier R., Mohammadian M. Evolutionary Learning in Fuzzy Logic Control Systems // Complexity International. NSW, Australia, 1996. -№3.1. Приложснис 1

94. База знаний для прогнозирования активности кариеса зубов в период беременности и ближайшие после родов сроки1. Сегментация параметров —

95. ЕСЛИ "Вязкость смешанной слюны" В ДИАПАЗОНЕ 0.00; 0.00; 3.30; 3.39.

96. ТО "Низкая вязкость смешанной слюны"

97. ЕСЛИ "Вязкость смешанной слюны" В ДИАПАЗОНЕ 3.30; 3.39; 3.66; 3.92.

98. ТО "Нормальная невысокая вязкость смешанной слтоны"

99. ЕСЛИ "Вязкость смешанной слюны" В ДИАПАЗОНЕ 3.66; 3.92; 4.45; 4.60.

100. ТО "Нормальная вязкость смешанной слюны"

101. ЕСЛИ "Вязкость смешанной слюны" В ДИАПАЗОНЕ 4.45; 4.60; 8.00; 9.00.

102. ТО "Высокая вязкость сметанной слюны"

103. ЕСЛИ "Вязкость смешанной слюны" В ДИАПАЗОНЕ 8,00; 9.00; 15.00; 15.00.

104. ТО "Очень высокая вязкость смешанной слюны"

105. ЕСЛИ "рН смешанной слюны" В ДИАПАЗОНЕ 5.00; 5.00; 6.20; 6.30.

106. ТО "Очень низкий рН смешанной слюны"

107. ЕСЛИ "рН смешанной слюны" В ДИАПАЗОНЕ 6.20; 6.30; 6.40; 6.50.

108. ТО "Низкий рН смешанной слюны"

109. ЕСЛИ "рН смешанной слюны" В ДИАПАЗОНЕ 6.40; 6.50; 6.80; 6.90.

110. ТО "Умеренно сниженный рН смешанной слюны"

111. ЕСЛИ "рН смешашюй слюны" В ДИАПАЗОНЕ 6.80; 6.90; 8.00; 8.00.

112. ТО "Нормальный рН смешанной слюны"

113. ЕСЛИ "Буферная ёмкость смешашюй слюны" В ДИАПАЗОНЕ 2.00; 2.00; 3.57; 3.57.

114. ТО "Очень низкая буферная ёмкость смешанной слюны"

115. ЕСЛИ "Буферная ёмкость смешанной слюны" В ДИАПАЗОНЕ 3.57; 3.60; 4.70; 4.76.

116. ТО "Сниженная буферная ёмкость смешашюй слюны"

117. ЕСЛИ "Буферная ёмкость смешанной слюны" В ДИАПАЗОНЕ 4.76; 4.76; 6.25; 6.30.

118. ТО "Нормальная буферная ёмкость смешанной слюны"

119. ЕСЛИ "Буферная ёмкость смешанной слюны" В ДИАПАЗОНЕ 6.25; 6.30; 10.00; 10.10.

120. ТО "Высокая буферная ёмкость смешанной слюны"

121. ЕСЛИ "Буферная ёмкость смешанной слюны" В ДИАПАЗОНЕ 10.00; 10.10; 30.00; 30.00.

122. ТО "Очень высокая буферная ёмкость смешанной слюны"

123. ЕСЛИ "Минерализующий потенциал слюны (МПС)" В ДИАПАЗОНЕ 0.00; 0.00; 1.50; 1.60. ТО "Очень низкий МПС"

124. ЕСЛИ "Минерализующий потенциал слюны (МПС)" В ДИАПАЗОНЕ 1.50; 1.60; 1.80; 1.90. ТО "Низкий МПС"

125. ЕСЛИ "Минерализующий потенциал слюны (МПС)" В ДИАПАЗОНЕ 1.80; 1.90; 2.10; 2.20. ТО "Пониженный МПС"

126. ЕСЛИ "Минерализующий потенциал слюны (МПС)" В ДИАПАЗОНЕ 2.10; 2.20; 2.25; 2.33. ТО "Нормальный МПС"

127. ЕСЛИ "Минерализующий потенциал слюны (МПС)" В ДИАПАЗОНЕ 2,25; 233; 5.00; 5.00. ТО "Повышенный МПС"

128. ЕСЛИ "Возраст" В ДИАПАЗОНЕ 17.00; 17.00; 24.00; 25.00. ТО "Молодая пациентка"

129. ЕСЛИ "Возраст" В ДИАПАЗОНЕ 24.00; 25.00; 35.00; 35.00. ТО "Пациентка зрелого возраста"1. Промежуточные выводы —

130. ЕСЛИ "КОСРЭ = 4" ИЛИ "КОСРЭ = 5" ИЛИ "КОСРЭ = 6"

131. ТО "Низкая резистентность эмали (КОСРЭ = 4 или 5 или 6)"

132. ЕСЛИ "Очень низкая буферная ёмкость смешанной слюны" ИЛИ "Сниженная буферная ёмкость смешанной слюны" ТО "Низкая буферная ёмкость смешанной слюны"

133. ЕСЛИ "Средний уровень резистентности (2)" И "КОСРЭ = 4"

134. ТО "Средний уровень резистентности зубов "к "кариесу и низкая резистентность эмали"

135. ЕСЛИ "КОСРЭ =1" ИЛИ "КОСРЭ = 2"

136. ТО "Высокая резистентность эмали (КОСРЭ = 1 или 2)"

137. ЕСЛИ "Низкая вязкость смешанной сшоны"

138. ИЛИ "Нормальная невысокая вязкость смешанной слюны"

139. ТО "Низкая или невысокая вязкость смешашюй слюны"

140. ЕСЛИ НЕ "Очень низкий рН смешанной слюны" И "КОСРЭ = 4"

141. ТО "Низкая резистентность эмали при не очень низком рН " ЕСЛИ "КОСРЭ = 5"

142. И "Низкая буферная ёмкость смешанной слюны"

143. ТО "КОСРЭ = 5 при низкой буферной ёмкости"

144. ЕСЛИ "Нормальная буферная емкость смешанной слюны" ИЛИ "Умеренно сниженный рН смешанной слюны" ИЛИ "Очень низкая буферная ёмкость смешанной слюны" ИЛИ "КОСРЭ = 5"

145. ИЛИ "Нормальная вязкость смешанной слюны"

146. ИЛИ "Низкая резистентность эмали при не очень шоком рН "

147. ТО "Параметры соответствуют среднему или высокому риску развитиякариеса"

148. Высокий риск развития кариеса —

149. ЕСЛИ "Низкий уровень резистентности (3)" И "КОСРЭ = 5"

150. И "Нормальная вязкость смешанной слюны" ТО "Высокий риск развития кариеса"1. ЕСЛИ "Очень низкий МПС"

151. И "Средний уровень резистентности зубов к кариесу п низкая резистентность эмали"

152. ТО "Высокий риск развития кариеса"

153. ЕСЛИ "Низкая резистентность эмали (КОСРЭ 4 или 5 или 6)" И "Нормальная вязкость смешанной слюны" И "Низкая буферная ёмкость смешанной слюны" ТО 'Бысокий риск развития кариеса"

154. Средний риск развития кариеса —

155. ЕСЛИ "Очень низкий уровень резистентности (4)" И "Молодая пациентка" ТО "Средний риск развития кариеса"

156. ЕСЛИ "КОСРЭ = 5" И "Нормальный МПС" ТО "Средний риск развития кариеса"1. ЕСЛИ

157. Низкий уровень резистентности (3)"

158. И "Низкий рН смешанной слюны" ТО "Средний риск развития кариеса"

159. ЕСЛИ "Низкий уровень резистентности (3)" И "Нормальная буферная ёмкость смешанной слюны" ТО "Средний риск развития кариеса"

160. ЕСЛИ "Очень низкая буферная ёмкость смешанной слюны" И "КОСРЭ = 4"

161. И НЕ "Средний уровень резистентности (2)" И "Низкая вязкость смешанной слюны" ТО "Средний риск развития кариеса"

162. ЕСЛИ "Средний уровень резистентности (2)" И "КОСРЭ = 5"

163. И "Низкая вязкость смешанной слюны" И "Молодая пациентка" ТО "Средний риск развития кариеса"

164. ЕСЛИ НЕ "Нормальная буферная ёмкость смешанной слюны" И "Резус-отрицательная кровь" И "Молодая пациентка" ТО "Средний риск развития кариеса"

165. ЕСЛИ "Низкая резистентность эмали (КОСРЭ = 4 или 5 или 6)" И "Высокая буферная ёмкость смешанной слюны" ТО "Средний риск развития кариеса"1. ЕСЛИ НЕ "КОСРЭ = 5"

166. И "Очень низкая буферная ёмкость смешанной слюны" И "Пациентка зрелого возраста" .И "Низкий или-пониженный МПС" ТО "Средний.риск развития кариеса"

167. ЕСЛИ "Средшш уровень резистентности зубов к кариесу и низкая резистентность эмали"

168. И "Очень высокая вязкость смешанной слюны" ТО "Средний риск развития кариеса"

169. ЕСЛИ "Средний уровень резистентности зубов к кариесу и низкая резистентность эмали"

170. И "Очень низкая буферная ёмкость смешанной слюны" И "Пониженный МПС" ТО "Средний риск развития кариеса"

171. Низкий риск развития кариеса —

172. ЕСЛИ "Пациентка зрелого возраста" И НЕ "КОСРЭ = 4"

173. И "Очень низкий уровень резистентности (4)" ТО "Низкий риск развития кариеса"

174. ЕСЛИ "Высокая резистентность эмали (КОСРЭ = 1 или 2)" И "Высокий или средний уровень резистентности (1 или 2)" ТО "Низкий риск развития кариеса"

175. ЕСЛИ "Высокий или средний уровень резистентности (1 или 2)" И "Низкая или невысокая вязкость смешанной слюны" И "Пациентка зрелого возраста" И "Повышенный МПС" ТО "Нгокий риск развития кариеса"

176. ЕСЛИ НЕ "Высокая буферная ёмкость смешашюй слюны" И "Высокий или средний уровень резистентности (1 или 2)" И НЕ "Пониженный МПС"