Разработка и исследование экспертной системы для анализа различных предметных областей в условиях нечеткой информации
Предложен комплексный подход к решению проблемы анализа способности популяции (человека) к реализации основных функций жизнедеятельности на основе методов теории нечетких множеств и искусственных нейронных сетей, который для решения такого класса задач ранее не использовался; Для подтверждения научных результатов и в качестве практической реализации в рамках диссертационной работы реализованы 3… Читать ещё >
Содержание
Для современного этапа научно-технического прогресса характерно преобладание неформализуемых или плохо формализуемых проблем, алгоритмическое решение которых либо невозможно, либо является очень громоздким.
Стремление к достижению высокоуровневой технологии обработки информации (т.е. к получению нового качества) проявилось в попытках ее реализации на фон-неймановских компьютерах в области искусственного интеллекта (ИИ).
Активные исследования в области ИИ, ставившие своей целью реализацию «думающих» программ, начались в 60-х годах. Однако, это оказалось трудной задачей и не привело к созданию программ, способных решать любые задачи также эффективно как это делает человек. В конце 70-х годов появилось новое направление в исследованиях ИИ, опиравшееся на тот факт, что прежде всего, интеллектуальная программа должна обладать множеством качественных специальных знаний о проблемной области, которыми обладает человек-эксперт. Таким образом, сформировалось направление, получившее название интеллектуальные системы.
В последние годы наблюдается бурное развитие систем искусственного интеллекта. Это объясняется необходимостью обработки больших объемов информации и решением сложных задач в условиях, максимально приближенных к реальным, т. е. в условиях многозначности, противоречивости, недостоверности, неполноты исходной информации и при отсутствии возможности аналитического решения проблемы.
Актуальность работы. В основе любой задачи искусственного интеллекта (распознавание образов, речи, принятие решений, прогноз и т. д.) лежит задача анализа предметной области, суть которой сводится к 5 установлению взаимосвязей между объектами предметной области и выявлению законов влияния одних объектов на другие.
Существует множество разработок в области решения задачи анализа, но при этом отсутствуют эффективные методы решения для класса задач анализа со схожей структурой. Классификация (деление на подклассы) всего множества задач анализа по «дереву» знаний, состоящему из различных предметных областей осуществляется, как правило, «сверху — вниз» в рамках одного направления (экология, строительные материалы и т. д.). Однако, проблема создания модели, позволяющей охватить класс задач анализа из различных предметных областей остается на сегодняшний день не решенной.
В настоящее время известны три основных подхода к решению задач анализа: классический (например, корреляционный анализ), теория нечетких множеств и искусственные нейронные сети. Необходимо отметить, что каждый из этих подходов в отдельности не может в полной мере удовлетворить всем требованиям, предъявляемым к качеству решения.
Основным недостатком использования теории нечетких множеств и лингвистического подхода является высокий уровень субъективности при коллективном принятии решений и отсутствие в рамках этой теории математического аппарата, устраняющего или снижающего уровень недостоверности информации, в то время как основным недостатком при использовании искусственных нейронных сетей является отсутствие возможности обработки информации, представленной в виде нечетких множеств.
Становится очевидным, что для получения качественных и достоверных результатов необходим комплексный подход к решению 6 задач анализа, позволяющий использовать достоинства различных методов.
Для реализации задач анализа, как правило, используются экспертные системы (ЭС) — программы, имитирующие рассуждения человека-эксперта и объясняющие, на основе каких данных и рассуждений был получен результат. Экспертные системы являются одним из наиболее развитых направлений искусственного интеллекта.
В этой области также существует множество разработок, основной недостаток которых, и это отмечено в разных литературных источниках, -узкая направленность. Поэтому актуальным является поиск механизмов, позволяющих расширить область применения одной экспертной системы для класса задач из различных предметных областей, но имеющих единую структуру.
Основная идея работы заключается в том, чтобы осуществлять классификацию дерева задач в «горизонтальном» направлении, т. е. выделять в один класс задачи анализа со схожей внутренней логической структурой, но из различных предметных областей и затем, разрабатывать методы решения для класса в целом.
Для того, чтобы реализовать эту идею, необходимо изменить интерпретацию задачи анализа, т. е. рассматривать ее не как механизм ранжирования возможных критериев (альтернатив, факторов, параметров), а как механизм классификации.
Принципиальное отличие заключается в том, что при классической интерпретации для анализа предметной области необходимо установить функциональные зависимости между элементами, определить силу (коэффициент корреляции) отношений между отдельными объектами и проранжировать их по степени влияния друг на друга. В этом случае практически невозможно разработать универсальные механизмы для задач 7 из нескольких различных предметных областей (для экономики — одни, для строительства — другие).
При предлагаемой интерпретации в качестве классов используются значения отношений типа «важность», «влияние», «полезность» (например, при классификации по степени влияния классами будут являться понятия «более», «менее», «не значительно» и т. д.). В этом случае, вне зависимости от конкретного содержания предметной области механизмы классификации будут одинаковыми для одного класса задач.
Целью работы является разработка и программная реализация математической модели для решения задач анализа из различных предметных- областей на основе комплексного подхода к использованию теории нечетких множеств и искусственных нейронных сетей. Для достижения поставленной цели необходимо решить следующие задачи: разработать математическую модель, для класса задач анализа предметной области в условиях неполноты, неточности и недостоверности информации-
— разработать методы и алгоритмы программной реализации для приобретения, обработки и представления информации, полученной от нескольких экспертов, на основе комплексного подхода с использованием теории нечетких множеств и искусственных нейронных сетей-
— разработать эффективные алгоритмы реализации и комплекс программ для прототипа экспертной системы- проверить универсальность и достоинства модели на конкретных прикладных задачах.
Методы и методики исследований. Результаты исследований, включенные в диссертацию, базируются на теории принятия решений, теории математического моделирования, теории нечетких множеств, теории индуктивных выводов, теории искусственных нейронных сетей, на 8 базовых понятиях и методах математической логики и инженерии знаний, а так же на накопленном опыте и результатах в области проектирования экспертных систем.
Достоверность полученных результатов подтверждается практической реализацией задач анализа из различных областей, результатами тестирования разработанных
приложений на реальных экспериментальных и статистических данных, предоставленных независимыми экспертами. А также использованием ЭС, разработанных на основе предложенного подхода и математической модели в реальных расчетах организациями города (АПП СП КПД, СК «Дальстрахрезерв», ПЖРЭТ-4) и в НИР КнАГТУ.
Обоснованность результатов. Разработка математической модели для класса задач анализа и создание на ее основе ЭС стало возможным благодаря комплексному использованию теоретических и экспериментальных методов исследования, проведения обобщения и сравнительного анализа хорошо известных методов и моделей, применении компьютерного моделирования при проведении анализа, базированием на строго доказанных методах таких наук как теория вероятностей, математическая статистика, теория индуктивных выводов, теория нечетких множеств, теория искусственных нейронных сетей, формальные основы ЭС- комплексным использованием проверенных элементов этих теорий.
Научная новизна. К новым научным результатам, полученным автором в диссертационной работе, относятся следующие:
1) математическая модель предметной области для класса задач анализа со схожей иерархической структурой, опробованная на примерах задач: 9
— анализа свойств композиционных материалов (на примере сталефиборбетона) —
— анализа способности популяции к успешной реализации основных функций жизнедеятельности-
— диагностики объектов незавершенного строительства-
2) методика решения задачи анализа как задачи нечеткой классификации, основанная на сочетании достоинств теории нечетких множеств и искусственных нейронных сетей.
Практическая ценность работы заключается в том, что результаты теоретических исследований легли в основу конкретных программных разработок:
1) разработан прототип ЭС для решения класса задач анализа со схожей иерархической структурой-
2) на основе разработанной ЭС созданы рабочие прототипы для решения задач:
— анализа свойств композиционного материала (на примере сталефибробетона) —
— определения способности популяции к успешной реализации основных функций жизнедеятельности-
— диагностики объектов незавершенного строительства-
3) в рамках реализации ЭС, предложена методика эффективного хранения морфологической информации о словоформах-
4) предложена модель каскадной искусственной нейронной сети для формализации предметной области-
5) разработан оригинальный подход к решению многокритериальной задачи по анализу свойств композиционных материалов (на примере сталефибробетона) —
6) в процессе реализации рабочих прототипов для практических
приложений предложен новый поход к проблеме определения способности популяции к успешной реализации основных функций жизнедеятельности.
Предложенные принципы построения ЭС и ее практических
приложений могут быть полезны широкому кругу экспертов и исследователей для практического решения соответствующих задач.
Реализация результатов работы заключается в создании ЭС, практические
приложения которой используются в учебном процессе кафедр МОП ЭВМ, ИС, ПГС, ЭиБЖД КнАГТУ, а также при выполнении гос. бюдежтной НИР «Архитектура и строительство», выполняемой по ЕЗН, в исследованиях по хоздоговорной теме с АПП СП КПД «Диагностика объектов незавершенного строительства», при выполнении работ по сертификации качества новых строительных материалов в лаборатории КнАГТУ и анализе финансово-хозяйственной деятельности ПЖРЭТ-4.
Апробация работы. Основные научные и практические результаты исследований по теме диссертации докладывались и получили одобрение на:
— 53 Международной конференции молодых ученых (аспирантов, докторантов) и студентов «Актуальные проблемы современного строительства» (г.С-Петербург, 1998 г.) —
— Всероссийской научно-технической конференции «Архитектура и строительство. Наука, образование, рынок» (Томск, 1999 г.) —
— Региональных открытых научных чтениях памяти проф.
Даниловского (Хабаровск, 1998 г.).
— Совместном семинаре отдела Экспертных систем
ИАПУ ДВО РАН и Института математики и компьютерных наук ДВГУ-
— на 26-й, 27-й, 29-й научно-технической конференции аспирантов и студентов КнАГТУ (Комсомольск-на-Амуре 4−26 апреля 1996 г., 18−28 апреля 1997 г., 12−24 апреля 1999 г.) —
— обсуждались на научно-технических семинарах факультета Компьютерных технологий КнАГТУ.
Публикации. Основные результаты диссертационной работы лично и в соавторстве отражены в 12 печатных работах, в том числе, четыре статьи и три свидетельства РОСПАТЕНТА о регистрации комплекса программ.
Структура работы. Диссертация содержит введение, четыре главы, заключение и 4
приложения, изложенные на 160 страницах машинописного текста, 36 рисунков.
Список литературы включает 109 наименований.
Разработка и исследование экспертной системы для анализа различных предметных областей в условиях нечеткой информации (реферат, курсовая, диплом, контрольная)
4.5. Основные результаты и выводы.
В данной главе предложены прототипы ЭС для практической реализации задач экологии, новых строительных материалов, экономики строительства, а именно:
— предложен комплексный подход к решению проблемы анализа способности популяции (человека) к реализации основных функций жизнедеятельности на основе методов теории нечетких множеств и искусственных нейронных сетей, который для решения такого класса задач ранее не использовался;
— предложена интерпретация и реализация в виде прототипа ЭС задачи анализа, которая позволяет провести анализ сложного композиционного материала более компактным способом, чем уже существующие, и принять более достоверное решение;
— разработан прототип ЭС «Объект» для диагностики объектов незавершенного строительства.
На основе результатов, полученных после тестирования разработанных прототипов, можно сделать вывод о работоспособности предлагаемой ЭС.
ЗАКЛЮЧЕНИЕ
.
В работе получены следующие научные и практические результаты. На основании анализа современных тенденций развития интеллектуальных систем (и экспертных систем, в частности) сформулировано направление исследований решения задачи анализа как задачи нечеткой классификации с применением ЭС.
Разработанная математическая модель позволяет формализовать класс задач анализа со схожей иерархической структурой из различных предметных областей в условиях нечеткости исходной информации.
Исследования в области методов формализации задач анализа позволяют утверждать, что предложенный комплексный подход на основе ТНМ и ИНС позволяет наиболее эффективно решать рассматриваемый класс задач.
Моделирование процессов деффазификации с помощью различных методов и проведенный анализ результатов показывает, что предложенный алгоритм деффазификации позволяет строить функции принадлежности нечетких значений с большей степенью достоверности.
Разработанный прототип экспертной системы позволяет просто и наглядно с помощью визуальных средств и естественного языка создавать модели различных предметных областей и, на их основе, решать задачи анализа.
При реализации экспертной системы предложена модель каскадной ИНС, позволяющая наиболее полно отражать структуру предметных областей, обладающая большой степенью гибкости.
Для обучения экспертной системы был использован стандартный алгоритм обратного распространения ошибки и модифицированный метод.
121 динамических ядер, в рамках которого была предложена модификация алгоритма определения ядра класса.
Разработано математическое обеспечение, которое включает в себя: формализацию нечетких знаний на базе избранной математической структуры для представления моделей объектовметод нечеткой классификации в рамках избранного формализованного представления знаний, позволяющий проведение анализа в автоматическом режиме с формированием аналитического выражения критерия качества. Метод разработан для решения задач ПР как задач нечеткой классификации с использованием ИНС. При разработке метода впервые было предложено использовать аппарат ИНС и лингвистический подход к принятию решений в качестве комплексного подхода.
В качестве одного из интересных инженерных решений, предложенных при реализации прототипа ЭС необходимо упомянуть метод битовых строк для оптимизации процесса хранения морфологической информации, а так же алгоритмы расчета вклада переменной в прогнозируемую величину, сопоставления весов запрашиваемых объектов, алгоритм определения количественных и качественных изменений запрашиваемых объектов,.
Для подтверждения научных результатов и в качестве практической реализации в рамках диссертационной работы реализованы 3 прототипа ЭС в области строительных материалов, экологии, экономики строительства. Для каждого прототипа была разработана модель предметной области.
В рамках ЭС «ЭКО» предложен качественно новый подход к решению задачи определения устойчивости функционирования популяции (способности к реализации основных функций.
122 жизнедеятельности) и формализована задача, ранее не автоматизировавшаяся.
При создании ЭС «Композиционный материал» был предложен подход к задаче анализа свойств композиционных материалов с точки зрения нечеткой классификации, а не многокритериального анализа, как это было раннее.
Разработанные прототипы экспертной системы для конкретных предметных областей показали достоверность работы и практическую значимость предложенного комплекса.
1. Е. Б. Абарникова, Е. В. Гулимова. Анализ техногенных отходов с использованием экспертно-аналитической системы./Мрхитектура и строительство. Наука, образование, рынок: Тезисы докладов научно-технической конференции. Томск, 1999 — 46−48с.
2. Е. Б. Абарникова, Е. В. Гулимова. Анализ свойств сталефибробетона с использованием экспертной системы .//Вестник КнАГТУ: Вып. 2 Сб.1.124.
3. Прогрессивные технологии в машиностроении: Ч.4.: Сб.научн.тр./Ред.кол: Ю. Г. Кабалдин (отв.ред.) и др. Комсомольск-на-Амуре: Комсомольский-на-Амуре гос.техн.ун-т, 2000 — 104−108с.
4. Борисов А. Н., Алексеев A.B., Крумберг O.A. и др. Модели принятия решений на основе лингвистической переменой. Рига: Зинтане, 1982. -256с.
5. Бэстенс Д.-Э, Д. Вуд и др. Нейронные сети и финансовые рынки: принятие решений в торговых операциях. М.: ТВП, 1997 — 236 с.
6. Виньков М. М. Метод приобретения знаний о стратегиях решения трудно формализуемых задач, основанный на концептуальной кластеризации: Автореферат диссертации на соискание ученой степени канд.техн.наук:05.13.11. -М., 1994. -19 с.
7. Гаврилова Т. А. Извлечение и структурирование знаний для эксперных систем. М.: Радио и связь, 1992. — 200с.
8. Грис Д. Наука программирования. М.: Мир, 1984. 416 с.
9. Гончаров Ю. И. Строительные материалы, изделия и технологии их производства.// Изв. Вузов. Строительство. 1999. — № 2−3. — с 36−44.
10. Данные в языках программирования/Под ред. В. Н. Агафонова. -М.: Мир, 1982.-438 с.
11. Горбань А. Н., Дунин-Барковский B. JL, Кирдин А. Н. и др Нейроинформатика. Новосибирск: Наука. Сибирское предприятие РАН, 1998. — 296с.
12. Дюбуа Д., Прад А. Теория возможностей. Приложения к представлению знаний в информатике. М.:Радио и связь, 1990 — 288с.
13. Ермоленко В. В. Разработка нейросетевой базы знаний интеллектуальной автоматизированной системы мониторинга образовательного процесса: Автореферат диссертации на соискание ученой степени канд.техн.наук:05.13.06. Краснодар, 1999. -16 с125.
14. Ершов А. П. Научные основы доказательного программирования //Вестник АН СССР. 1984. — N 10. — С.7−18.
15. Ершов Ю. Л., Палютин ЕА. Математическая логика. М.: Наука, 1979.-320 с.
16. Искусственный интеллект: В 3 кн. Кн. 1. Системы общения и экспертные системы: Справочник/Под ред. Э. В. Попова М.: Радио и связь, 1990. 464 с.
17. Искусственный интеллект: В 3 кн. Кн.2. Модели и методы: Справочник/Под ред.Э. В. Попова. М.: Радио и связь, 1990. — 304 с.
18. Искусственный интеллект: В 3 кн. Кн. З .Программные и аппаратные средства: Справочник/Под ред. Э. В. Попова. М.: Радио и связь, 1990.-368 с.
19. Итоги науки и техники: физические и математические модели нейронных сетей.- М.: ВИНИТИ, 1990.
20. Кларк К. Л., Маккейб Ф. Г. Микро-Пролог.
Введение
в логическое программирование. М.: Радио и связь, 1987. — 312 с.
21. Козлов Д. Н. Представление фреймовых баз знаний с помощью реляционной модели данных/ Козлов Д. Н. -Киев, 1991. -19 с.
22. Ключко В. И. Нейрокомпьютерные системы. Базы знаний: Учеб. пособие/ Ключко В. И., Ермоленко В. В. -Краснодар: Изд-во КубГТУ, 1999. -100 с.
23. Кузин Е. С. Интеллектуальный интерфейс. Общие принципы организации и проблемы реализации//Известия АН СССР, Технич. кибернетика. 1985. -N5.126.
24. Ланкин Ю. П. Самоадаптирующиеся нейронные сети. -Красноярск, 1997. -21 с.
25. Липецкая Н. Д. Исследование и разработка интеллектуальных сервисных подсистем высокопроизводительных вычислительных систем: Автореф. дисс. канд. техн. наук. Л., 1991 г. — 16 с.
26. Лисков Б., Гатег Дж. Использование абстракций и спецификаций при разработке программ. М.: Мир, 1989. — 424 с.
27. Логический подход к искусственному интеллекту: от классической логики к логическому программированию/А.Тейз, П. Грибомон, Ж. Луи и др. М: Мир, 1990. — 432 с.
28. Лорьер Ж.-Л. Системы искусственного интеллекта: Пер. с франц. М.: Мир, 1991.-568 с.
29. Маркова Е. В. Вопросы применения экспертных систем. -Минск: НПО «Центрсистем», 1989. 145 с.
30. Маркова Е. В. Статические экспертные системы в измерительных задачах//Измерительная техника. 1995. — N.12. — С.3−7.
31. Математическая логика в программировании. Сб. статей 19 801 988гг.: Пер. с англ. М.: Мир, 1991. 408 с.
32. Минский М. Структура для представления знания/Психология машинного зрения. Сб. статей. М.: Мир, 1978. — с.249−338.
33. Минский М. Фреймы для представления знаний. М.: Энергия, 1979.-368 с.
34. Моделирование языковой деятельности в интеллектуальных системах /Под ред. А. Е. Кибрика, A.C. Нариньяни. М.:Наука, 1987. -280с.
35. Нариньяни A.C. Неопределенность в системе представления и обработки знаний//Техническая кибернетика. 1986. — № 5.-с.З-28 127.
36. Нейлор К. Как построить свою экспертную систему. М: Энергатомитздат, 1991. — 286с.
37. Нечеткие множества и теория возможностей. Последние достижения: пер. с англ./Под ред. Ягера P.P. М.:Радио и связь, 1986. -408с.
38. Нечеткие множества в моделях управления и системах искусственного интеллекта/А.И. Авернин, И. З. Батыршин, А. Ф. Блишун и др. М.: Наука, 1986. — 312с.
39. Нечеткие множества в моделях управления и ИИ/ Под ред. Поспелова Д.А.- М.: Наука, 1986. 314с.
40. Обработка нечеткой информации в системах принятия решений/А.Н. Борисов, A.B. Алексеев и др. М. Радио и связь, 1989.-304 с.
41. Осипов Г. С. Теория и технология построения баз знаний на основе взаимодействия методов приобретения знаний: Автореферат диссертации на соискание ученой степени д-ра физ.-мат.наук:05.13.17. -М., 1993.-31 с.
42. Осипов Г. С. Приобретение знаний интеллектуальными системами. Основы теории и технологии. -М.: Наука, 1997. -110 с.
43. Осуга С. Обработка знаний: Пер. с япон. М.: Мир, 1989. — 293 с.
44. Попов Э. В. Экспертные системы: Решение неформализованных задач в диалоге с ЭВМ. М.: Наука. Гл.ред.физ.-мат.лит, 1987. — 288 с.
45. Попов Э. В. Общение с ЭВМ на естественном языке. М.: Наука. Гл. ред.физ.-мат.лит., 1982. -360с.
46. Поспелов Г. С. Искусственный интеллект основа новой информационной технологии. — М.: Наука, 1988. — 272 с.
47. Поспелов Г. С. Искусственный интеллект. Новая информационная технология//Вестник АН СССР. 1983. — N 6. — С.31−42 128.
48. Поспелов Д. А. Логические методы анализа и синтеза схем. М.: Энергия, 1974.-368 с.
49. Поспелов Д. А. О «человеческих» рассуждениях в интеллектуальных системах//Вопросы кибернетики. Логика рассуждений и ее моделирование. М.: Научный совет по комплексной проблеме «Кибернетика». — 1983. — С.5−37.
50. Построение экспертных систем: Пер. с англ./Под ред. Ф. Хейеса-Рота, Д. Уотермана, Д.Лената. М.: Мир, 1987. — 441 с.
51. Прикладные нечеткие системы: Пер. с япон./К.Асаи, Д. Ватада, С. Иваи и др.- под редакцией Т. Тэрано, К. Асаи, М.Сугэно. М.: Мир, 1993. -368 с.
52. Приобретение знаний: пер. с япон./Под ред. С. Осуга, Ю.Саэки. -М.:Мир, 1990. 304 с.
53. Станкевич Л. С. Базы знаний интеллектуальных измерительных систем//МОРИНТЕХ'97. Тез. докл. Труды П-й международной конференции по морским интеллектуальным технологиям. Санкт-Петербург, 9−12 сентября 1997. -Т.5.-С.260−264.
54. Статические и динамические экспертные системы: Учеб. пособие/Э.В. Попов, И. Б. Фоминых, Е. Б. Кисель, М. Д. Шапот. М.: Финансы и статистика, 1996. — 320 с.
55. Теория и практика систем с базами знаний: Сб. науч. тр./ Рос. АН. Дальневост. отд-ние. Ин-т автоматики и процессов упр.- Отв. ред. А. С. Клещев, Т. Л. Гаврилова. Владивосток, 1994. -246 с.
56. Технология изготовления и свойства новых композиционных строительных материалов, Меж.вуз. темат. сб.тр. 1986,152с.
57. Трахтенгерц Э. А. Компьютерная поддержка принятия решений. -М.: Синтег, 1998. 376 с.
58. Требования и спецификации в разработке программ./Под ред.В. Н. Агафонова. М.: Мир, 1984. — 533 с.
59. Турский В. Методология программирования: Пер. с англ.- под ред. А. П. Ершова. М.: Мир, 1981. — 264 с.
60. Ф. Уоссермен, Нейрокомпьютерная техника.- М.:Мир, 1992 262 с.
61. Уотерман Д. Руководство по экспертным системам: Пер. С англ.-М.:Мир, 1989 г.-388с.
62. Уэно X. Представление и использование знаний/Под ред. Ч. Уэно, М. Исидзука. М.: Мир, 1989. — 128 с.
63. Филд А., Харрисон П. Функциональное программирование: Пер. с англ. М.: Мир, 1933. — 637 с.
64. Хант Э. Искусственный интеллект. М.: Мир, 1978. — 558 с.
65. Хомский Н. Формальные свойства грамматик. -Кибернетический сборник, 1966, вып. 2, с. 121−230.
66. Чиркова Р. Ю. Формирование баз знаний для решения задач в динамических проблемных областях: Автореферат диссертации на соискание ученой степени канд.физ.-мат.наук:05.13.11. -М., 1995. -15 с.
67. Экспертные системы. Принципы работы и примеры. М.: Радио и связь, 1987.-223 с. 130.
68. Экспертные системы: инструментальные средства разработки: Учеб.пособие./Л.А. Керов, А. П. Частиков, Ю. В. Юдин. СПб.: Политехника, 1996. — 220 с.
69. Artificial Neural Networks: Concepts and Theory/ЯЕЕЕ Computer Society Press, 1992.-p. 10−23.
70. Aid to hierarchical and structured logic design using temporal logic and Prolog/M.Fujita, S. Kono, H. Tanaka, T. Moto-oka/ЛЕЕЕ proc. 1986. — V. E-133, N 5. — P.283−294.
71. Allison M., Eng C., Mech M.I.E., Inst M.M.C. Building management systems in the pharmaceutical industry// Measurement+Control. September 1999. — Vol.29. — N 10. — P.300−303.
72. Amble T. Logic programming and knowledge engeneering. Reading: Addison-Wesley, 1987.-281 p.
73. Bilchev G., Parmee I.C. Adaptive search strategies for heavily constrained design spaces//XXII international school and conference on computer aided design. Ukraine Crimea, Yalta-Gurzuff. — 4−14 May 1995.-P.34−40.
74. Bratko I., Mozetic I., Lavrac N. Automatic Synthesis and Compression of Cardiological Knowledge/Eds. J.E. Hayes, D. Michie, J. Richards/ZMachine Intelligence II. Oxford: Clarendon Press, 1988. — P.435−454.
75. Bryant A. MOSSIM: A Switch-Level Simulator for MOS-LST// Proc. 18th. Design Automation Conf. July 1981. — P.786−790.
76. CALTROPconstruction and evaluation of decision trees using an Evolutionary Algorithm//Application of Computer Systems, Proceedings of the Third International Conference. Szczecin-Poland. — November 21−22. — 1996. — P.113−122.
77. Chan Meng Khoong. RECESS: A Generalized Framework for Resource Change Expert Systems/Лп Proc. 1st Singapore Intl. Conf. on1311. telligent Systems, Raffles City Convention Centre. Singapore. — September 1992.-P.219−224.
78. Chisholm K.J., Bradbeer P.V.G. Using a Genetic Algirithm to Optimise a Draughts Program Board Evaluation Function//Application of Computer Systems, Proceedings of the Third International Conference. -Szczecin-Poland. November 21−22 1996. — P.97−104.
79. Clapp M.D. Building management systems past, present, & future//Measurement+Control. December 1998/January 1999. — V.29. — N 10. -P.294−297.
80. Coughlan C., Running S. W.- An expert system to aggregate forested landscapes within a geographic information system//Artificial Intelligence Applications in Natural Resource Management. 1989. — 3(4). — P. 35−43.
81. Dowdeswell R.M., Carr-Brion K.G., Boyle W.O. Pollution breakthrough monitoring using optical sensing and an artificial neural network decision system/Measurement science & technology. September 1996. — V.17. — N 9. — P.1212−1219.
82. Expert system saves 20 million L on pipeline management//C&I. -July 1994.-31 p.
83. Finkelstein L. Theoretical Basis of Intelligent and Knowledge Based Instrumentation//Proc. IMECO TC7 Intern. Symp. On AIMac'91. Kyoto, Japan: SICE, 1991. P.43−50.
84. Gardner J.W., Hines E.L., Pang C. Detection of vapours and odous from a multisensor array using pattern recognition: self-organising Adaptive Resonance Techniques//Measurement+Control. July/August 1996. — V.29. — N 6. — P.172−178.
85. Gardner J.W., Hines E.L., Wilkinson M. Application of artificial neural networks to an electronic olfactory system//Measurement science & technology. May 1990. — V.l. -N 5. — P.446−451 132.
86. Haaland P.D., Yen D., Liddle R.F. An Expert System for the Design of Screening Experiments//Proceeding of the American Statistical Association. Computer Section. 1985. — P.223−227.
87. Haaser B. Designing serial communications for building control//Measurement+Control. December 1996/ January 1997. — Vol. 29. — N 10. -P.304−307.
88. Hahn Gerald J. More Intelligent Statistical Software and Statistical Expert Systems: Future Directions//The Americal Statistican. February 1985. -V.39. — N1. — P. l-16.
89. Hand D.J. Statistical Expert Systems: Necessary Attributes//Journal of Applied Statistics. January 1999. — V.12. -N 1. — P.19.
90. Hart D. New development in computing and control technology to improve energy performance//Measurement+Control. June 1996. — V.29. — N 5. — P.134−138.
91. Hayes-Roth F., Jacobstein N. The State of Knowledge-based Systems//Communications of the ACM. March 1994. — V.37. — N 3. — P.27−39.
92. Jain P., Lam S.S. Specification of real-time broadcast networks//IEEE Trans, on computers. 1991. — V.40. — N4. — P.404−422.
93. Johnson M. Neural networks in advanced instrument design/ZMeasure+Control. May 1996. — V.29. — N.4. — P. 101−105.
94. Keller R. M. Artificial Intelligence Support for Scientific Model-building//AAAI Fall Symposium on Intelligent Scientific Computation, Cambridge. MA: American Assoc. for Artificial. — 1992. — P.63−67 133.
95. Lemos R.A., Nakamura M., Sugimoto I. A self-organizing map for chemical vapour classification//Transducer'93. Japan. — PP. 1082−1085.
96. Mellichamp J.M., Young H. Park. A Statistical expert systems for simulation analysis//Simulation:The Society for computer simulation international.- April 1989. V52. — N4. — P.134−140.
97. Miller J.F., Thomson P. Optimisation of Finite State Machines using Genetic Algorithms and Tabu Search//Application of Computer Systems. -Proceedings of the Third International Conference. Szczecin, Poland. -November 21−22, 1996. — P.105−112.
98. Pipitone F., De Jong K.A., Spears W., Marrone M. The FIS Electronics Troubleshooting Project.- Expert Systems Applications to Telecommunications, Liebowitz. (Ed) Wiley and Sons, 1988. — P. 73−101.
99. Porter K.M., Lai P.Y. Statistical Expert System for Analysis Determination//Proceeding of the American Statistical Association. Computer Section. -1998.-P.309−311.
100. Wang Ping, Li Rong, Lu Weixue. Study on flexible neural network for olfactory sensory system//Transducer'95. Sweeden. — P.715−717.
101. Wang Ping, Xie Jun. A novel method combined neural network with fuzzy logic for odour recognition//Measurement science & technology. -December 1996. V.7. — N.12. — P.-1707−1712.
102. Yan Shu, Yuquan Chen, Weixve Lu. A taste sensing system with BP and SOM neural network//Tech. Dig. Fifth Int. Meeting on Chemical Sensors. -Rome-Italy. 1994. — V.2. — P. 1041−1 044 134.