автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.06, диссертация на тему:Автоматизированная информационная система экспертного типа поддержки принятия решений при распознавании технических объектов

Введение.

Глава 1. Анализ проблемной области создания автоматизированных информационных систем поддержки принятия решений на экспертной основе.

1.1. Автоматизированные информационные системы как основа систем поддержки управления и принятия решений.

1.2. Представление знаний для интеллектуальных систем поддержки принятия решений.

1.3. Характерные особенности и проблемы разработки интеллектуальных систем поддержки принятия решений экспертного типа.

1.4. Проблемы распознавания в контексте процесса принятия решений.

1.5. Постановка задачи исследования.

1.6. Основные результаты.

Глава 2. Формализация процессов поддержки принятия решений на базе систем распознавания.

2.1. Интегральная модель задачи распознавания.

2.2. Функциональная модель решающего правила на базе принципа коллективного распознавания.

2.3. Коллектив методов распознавания. Модели решающих функций.

2.4. Процедурная модель последовательной модификации решающего правила при распознавании группы объектов.

2.5. Структурно-информационная модель задачи распознавания.

2.6. Основные результаты.

Глава 3. Автоматизированная интегрированная инструментальная система распознавания (АИИСР) экспертного типа на базе модели коллективного принятия решений.

3.1. Автоматизация процессов обучения и распознавания на основе систем экспертного типа.

3.2. Организация коллектива методов распознавания в АИИСР.

3.3. Схемы принятия решений в процедуре коллективного распознавания

3.4. Коллективы решающих правил для синтеза прикладных решений

3.5. Синтезированные решения. Адаптация АИИСР к классам проблемных задач.

3.6. Алгоритмическое, информационное и методическое обеспечение АИИСР.!.

3.7. Основные результаты.

Глава 4. Использование АИИСР для решения прикладных задач распознавания.

4.1. Задача диагностики технического состояния судовой дизельной установки (СДУ).

4.2. Синтез решения задачи диагностики СДУ в АИИСР.

4.3. Задача распознавания графических примитивов.

4.4. Синтез решения задачи распознавания графических примитивов в АИИСР.

4.5. Основные результаты.

Осуществление функции управления какой-либо технической, социальной, биологической или же другой системой невозможно без использования информации [2, 12, 56, 59, 71, 88]. Реализация эффективного и целенаправленного управления требует накопления, хранения и использования поступающей в управляющую систему информации [71, 88]. Таким образом, обеспечение поддержки процессов принятия решений (управления) обуславливает необходимость применения специализированных средств, объединяемых термином информационная система. Возрастание объемов информации, увеличение количества и качества задач, решаемых в процессе управления, усложнение управляющих и подконтрольных систем предъявляют все более жесткие требования к информационным системам как системам поддержки принятия решений. К традиционным условиям по обеспечению высокой эффективности работы, надежности, гибкости, эр-гономичности и др., на современном этапе развития добавляется требование, которое можно охарактеризовать как способность решать интеллектуальные задачи [10, 39, 40]. «Объемность» и разнородность информации, усложнение функций и расширение возможностей управляющей системы, выводят на передний план одну из таких задач — проблему по упорядочиванию, систематизации и классификации данных. Обеспечение гибкости управляющей системы в более широком смысле подразумевает её адаптацию к постоянно меняющимся условиям внешней среды, что также актуализирует необходимость исследований задач классификации, называемых задачами распознавания образов, и способов их решения. Таким образом, усложнение и интеллектуализация систем управления помимо всего прочего приводит к необходимости наделения их развитыми способностями к распознаванию. Это, в свою очередь, делает насущным решение проблем, входящих в сферу разработок теории распознавания образов.

Теория распознавания образов к настоящему времени уже достаточно развита и предлагает богатый арсенал средств для решения соответствующих прикладных задач. Она берет свое начало с работ Ф. Розенблатта по исследованию способностей моделей мозга на базе специального вида нейронных сетей, названных им персептронами, к обучению и самообучению [9, 31, 61, 76]. Расширение проблематики и тематики исследований по распознаванию образов привело к разработке различных подходов (детерминистский, статистический, структурный) к проблеме распознавания, а также большого числа разнообразных методов решения задач распознавания. Результаты этих исследований изложены в работах В.Н. Вапника, A.J1. Горелика, Ю.И. Журавлева, Дж. Ту, К. Фу, Я.З. Цыпкина и многих других авторов [19, 32, 36, 38, 75, 94, 98, 101]. В большинстве из этих публикаций в той или иной степени рассматриваются способы получения решений (решающих правил), обеспечивающих уменьшение вероятности ошибок распознавания. При этом предлагаемые методы в силу специфики и сложности проблемы распознавания достаточно эффективны лишь для ограниченного круга задач, что актуализирует проведение исследований, связанных с увеличением эффективности использования существующих методов. Один из возможных способов повышения качества (достоверности) получаемых результатов заключается в использовании коллективных решений [34, 62]. Результаты работ [11,31, 85], посвященных применению коллективных решений в области распознавания образов, подчеркивают необходимость исследований, связанных с синтезом и анализом «коллектива» решающих правил (методов), а также механизма формирования конечных решений. Другой вариант увеличения качества работы существующих методов распознавания состоит в применении специализированной процедуры накопления получаемых результатов и использования их в процессе распознавания, что актуализирует проведение работ по разработке соответствующего формального аппарата.

Существующие на данный момент технические и программные системы распознавания в большинстве своем базируются на одном, реже нескольких методах распознавания и, таким образом, ориентированы на ограниченный круг задач. Отсюда возникает проблема разработки гибкой системы распознавания на базе «коллектива» методов, способной эффективно решать широкий круг задач и допускающей простую модификацию с целью адаптацию к новому, специфическому классу задач. Актуальность решения данной проблемы определяется следующими факторами:

• недостаточной исследованностью вопросов использования коллективных решений в задачах распознавания образов, а также вопросов, связанных с применением получаемых результатов распознавания при формировании последующих решений;

• зауженной специализацией существующих систем распознавания, как правило ориентированных на решение небольшого класса задач;

• неадаптивностью большинства современных систем распознавания, не допускающих модификацию со стороны пользователя для расширения сферы применения системы;

• ограниченностью большинства инструментальных средств поддержки пользователя на стадии постановки задачи распознавания и/или её переформулировки;

• отсутствием эргономичных систем пользовательского уровня, объединяющих в своем составе множество разнообразных методов распознавания.

Целью работы является повышение эффективности решения задач распознавания в области классификации детерминированно-стохастических технических объектов путем создания специализированного инструментария на основе мнемографических представлений и формального аналитического аппарата моделей коллективного распознавания.

Разработка данного инструментария требует исследования и решения следующих основных задач:

• анализа моделей, методов и методик решения задач распознавания с целью синтеза многоцелевого коллектива методов;

• исследования существующих подходов к выработке коллективных решений для формирования продуктивного механизма использования коллектива методов распознавания;

• создания процедуры, позволяющей учитывать полученные результаты в процессе последующего распознавания;

• разработки методики мнемографического моделирования задач распознавания, ориентированной на создание эргономичного интерфейса взаимодействия с пользователем;

• создания с использованием современных программно-технических технологий и средств инструментального программного комплекса поддержки принятия решений в области распознавания образов на основе визуального конструирования моделей проблемных задач и метода коллективного распознавания, обеспечивающего гибкость в настройке (адаптируемость) к конкретной предметной области;

• решения задач диагностики судовой дизельной установки на базе оценки состояния цилиндров двигателя и распознавания графических примитивов, представленных в виде бинарных растровых изображений.

Методы исследований. В работе использованы методы теории распознавания образов, теории вероятностей и математической статистики, математического анализа, теории множеств, теории графов, теории логического проектирования и системного анализа, искусственного интеллекта и построения баз данных и знаний.

Научная новизна.

1. Разработана модель коллективного распознавания в составе процедуры выборочного взвешенного голосования, множества детерминированных и стохастических решающих правил, адаптированного для широкого класса задач, и набора эвристических правил организации «коллектива» методов распознавания.

2. Предложена процедура последовательной модификации решающего правила при распознавании группы объектов, основанная на выборочном дополнении обучающей выборки классифицированными объектами согласно значениям введенных коэффициентов доверия.

3. Разработана методика визуального моделирования задач распознавания, описывающая средства и методы мнемографического представления информации на базе использования семантических сетей и фреймов и поддерживающая организацию эргономичного пользовательского интерфейса построения модели задачи.

4. Создана инструментальная экспертно-ориентированная система распознавания в составе методического, алгоритмического и программного обеспечения на базе модели коллективного принятия решений, реализующая поддержку процесса решения задачи распознавания, в том числе моделирование задачи, синтез решения и классификацию объектов.

Практическая ценность. В результате исследований создана программная библиотека методов распознавания и разработан инструментальный программный комплекс поддержки принятия решений в области распознавания. Данный программный комплекс позволяет:

• повысить эффективность процесса получения решений задач распознавания при использовании средств вычислительной техники;

• расширять круг доступных для решения задач распознавания посредством адаптирования к новым прикладным областям;

• выполнять анализ и моделирование прикладных задач, а также синтез базового инструментария конечных систем распознавания для их решения;

• осуществлять диагностику технического состояния судовой дизельной установки по значениям температурных характеристик цилиндров двигателя, а также классификацию нескольких категорий графических примитивов, представленных в виде растровых изображений.

Реализация и внедрение результатов работы. Результаты диссертационной работы нашли практическое применение при выполнении научно-исследовательских работ по темам «Разработка инструментального комплекса по управлению безопасностью внутреннего судоходства» и «Разработка комплексной методики оценки аварий судовых гидротехнических сооружений» в рамках федеральной программы «Транспорт России». Материалы и результаты работы использовались для решения ряда прикладных технических задач и разработки различных автоматизированных систем, в том числе задач и систем диагностирования судовых двигателей, санитарно-эпидемиологического контроля состояния воды, технического контроля качества шарикоподшипниковых изделий, криптографической обработки визуально-графической информации. Практическая значимость работы подтверждается соответствующими актами внедрения.

Основные положения, выносимые на защиту. На защиту выносятся:

• модель коллективного распознавания на основе выборочного взвешенного голосования на множестве решающих правил, сформированном при использовании детерминированно-стохастической процедуры генерации на множестве моделей методов распознавания;

• процедура последовательной модификации решающего правила при распознавании группы объектов и алгоритмы её реализации;

• инструментальный программный комплекс поддержки принятия решений в области распознавания, обеспечивающий автоматизацию процесса решения задач классификации и интегрирующий в своем составе средства поддержки визуального представления структурно-информационных моделей задач, синтеза их решений на базе модели коллективного распознавания и использования готовых решений для классификации существующих объектов.

Апробация работы. Основные положения и результаты диссертационной работы докладывались автором и обсуждались на международной научно-технической конференции «Транском-2001», проходившей в Санкт-Петербурге в 2001 году, и VIII Санкт-Петербургской международной конференции «Региональная информатика-2002», прошедшей в 2002 году, ежегодных научно-практических конференциях профессорско-преподавательского состава СПГУВК в 2000-2002 годах. Содержание диссертации обсуждалось на расширенных заседаниях кафедры «Вычислительных систем и информатики» СПГУВК.

Публикации. По теме диссертации опубликовано 6 работ (из них 4 научных статьи и 2 — тезисы к докладам на конференциях).

Объем и структура работы. Диссертация состоит из введения, четырех глав, заключения, списка литературы и приложения. Содержит 203 страницы, 41 рисунок, 57 таблиц.

4.5. Основные результаты

1. Определены классы анализируемых неисправностей и система признаков, характеризующих состояние цилиндров СДУ с целью выявления выделенных неисправностей.

2. Получено решение для задачи диагностики состояния СДУ на базе оценки состояния его цилиндров по термометрическим характеристикам отдельных деталей.

3. Задан алфавит классов распознаваемых графических объектов и определен словарь описывающих их признаков, как основа для решения задачи классификации графических примитивов.

4. Синтезировано решение задачи распознавания графических примитивов, в том числе получены количественные оценки сравнения с другими вариантами решений, значения основных функциональных характеристик решающих правил коллектива, а также определены способы повышения качества решения.

Заключение

Постоянно растущие объемы и дифференциация используемой в различных областях человеческой деятельности информации затрудняют принятие эффективных управленческих решений и обуславливают необходимость разработки и применения специализированных интеллектуальных систем анализа данных и поддержки принятия решений. Среди вопросов и задач обработки и анализа информации, от решения которых непосредственно зависит качество реализуемого управления, одно из центральных мест занимает комплекс проблем классификации и систематизации данных, в числе которых выделяется проблема обучения распознаванию образов. К настоящему времени разработано большое количество разнообразных методов и систем распознавания, позволяющих достаточно эффективно решать те или иные задачи классификации. Вместе с тем, область применения существующих методов как правило ограничивается одной или несколькими категориями задач, а действующие на практике системы распознавания в большинстве своем не могут быть адаптированы и расширены для решения новых типов задач. Все это сужает возможность использования имеющихся наработок в многофункциональных автоматизированных информационных системах управления и поддержки принятия решений. В связи с этим особое значение приобретают проблемы повышения эффективности применения существующих методов распознавания и создания адаптируемых систем распознавания.

Изложенные в данной работе материалы показывают, что одним из эффективных вариантов решения указанных проблем является использование систем экспертного типа на базе методов коллективного распознавания. Разработка подобных систем предполагает решение ряда вопросов и задач, связанных с формированием коллектива методов и решающих правил, выбором схемы получения коллективных результатов, представлением и использованием знаний о способах решения задач распознавания, созданием аппарата и методик описания и решения прикладных задач. В результате проведенных исследований и работ были получены следующие основные научные и практические результаты, нашедшие свое отражение в диссертации:

1. Построена функциональная модель процесса коллективного распознавания при использовании процедуры выборочного взвешенного голосования, которая основывается на разработанном наборе эвристических правил по формированию многоцелевого коллектива методов распознавания и детерминированно-стохастическом подходе к организации на его базе множества решающих функций, что позволяет обобщить в едином формальном аппарате процесс анализа задач классификации и синтеза решений, отличающихся адаптируемостью к различным категориям проблемных областей.

2. Синтезирован многоцелевой коллектив методов распознавания на основе построенных математических моделей и алгоритмов распознавания, что обеспечивает формальный подход при описании объектов и конкретизирует последовательность этапов распознавания с ориентацией на механизм коллективного распознавания.

3. Разработана процедура последовательной модификации решающего правила при распознавании группы объектов на основе выборочного дополнения обучающей выборки, которая в ряде случаев позволяет улучшить качество распознавания, для чего построены математические модели и разработаны алгоритмы классификации, адаптированные для использования предложенной процедуры.

4. Определены структурно-информационные модели задачи распознавания, позволяющие описать структуру задачи и исходные данные для её решения. Разработаны модели интерпретации на основе аппарата семантических сетей и фреймов, формализующие правила построения структурно-информационных моделей.

5. Создана интегрированная инструментальная система распознавания в составе информационного, алгоритмического и программного обеспечения, позволяющая автоматизировать процесс решения задач распознавания на базе применения коллектива решающих правил. В совокупности с предложенными методиками формирования базы знаний, синтеза решений и их использования для классификации конкретных объектов данная система обеспечивает моделирование, подготовку, хранение, получение, анализ, настройку и документирование исходных данных о задачах и их решений, а также поддерживает возможность адаптации к новым классам задач.

6. С применением разработанной системы распознавания синтезировано решение двух прикладных задач: диагностики судовой дизельной установки на основе параметров теплового состояния цилиндров двигателя и распознавания простых графических фигур, заданных в форме бинарных растровых изображений.

1. Абламейко С.В., Лагуновский Д.М. Обработка изображений: технология, методы, применение. — Мн.: Амалфея, 2000. — 304 с.

2. Автоматизированные информационные системы / Н.А. Криницкий, Г.А. Миронов, Г.Д. Фролов; под ред. А.А. Дородницына. — М.: Наука. Главная редакция физико-математической литературы, 1982. — 384 с.

3. Автоматический поиск неисправностей / А.В. Мозгалевский, Д.В. Гаскаров, Л.П. Глазунов, В.Д. Ерастов; под ред.

4. A.В. Мозгалевского. — Л.: Машиностроение, 1967. — 264 с.

5. Айзерман М.А., Браверман Э.М., Розоноэр Л.И. Метод потенциальных функций в теории обучения машин. — М.: Наука, 1970. — 384 с.

6. Алгоритмы и программы восстановления зависимостей / Под ред.

7. B.Н. Вапника. — М.: Наука, 1984. — 816 с.

8. Алгоритмы распознавания образов / Под ред. В.Н. Вапника. — М.: Советское радио, 1973. — 200 с.

9. Андреев Ю.М., Кузьмин Р.В. Первичная обработка данных об отказах судовых механизмов. — Л.: Судостроение, 1974. — 48 с.

10. Анисимов Б.В., Курганов В.Д., Злобин В.К. Распознавание и цифровая обработка изображений: Учеб. пособие для студентов вузов. — М.: Высш. шк, 1983. —295 с.

11. Аркадьев А.Г., Браверман Э.М. Обучение машины классификации объектов. — М.: Наука, 1971. — 192 с.

12. Базы знаний интеллектуальных систем: Учеб. пособие для вузов / Т.А. Гаврилова, В.Ф. Хорошевский. — СПб: Питер, 2000. — 384 с.

13. Барабаш Ю.Л. Коллективные статистические решения при распознавании. — М.: Радио и связь, 1983. — 224 с.

14. Белоногов Г.Г., Богатырев В.И. Автоматизированные информационные системы / Под ред. К.В. Тараканова — М.: «Сов. радио», 1973. — 328 с.

15. Бойко В.В., Савинков В.М. Проектирование баз данных информационных систем. — М.: Финансы и статистика, 1989. — 351 с.

16. Бонгард М.М. Проблема узнавания. — М.: Наука, 1967. — 320 с.

17. Бутаков Е.А., Островский В.И., Фадеев И.Л. Обработка изображений на ЭВМ. — М.: Радио и связь, 1987. — 240 с.

18. Быченок Н.Н. Автоматизированные информационные системы для принятия решений. — Киев: Об-во «Знание», 1982. — 16 с.

19. Ваншейдт В.А. Судовые двигатели внутреннего сгорания.— JL: Судостроение, 1977. — 392 с.

20. Вапник В.Н. Задача обучения распознаванию образов.— М.: Знание, 1971. —64 с.

21. Вапник В.Н., Червоненкис А.Я. Теория распознавания образов (статистические проблемы обучения). — М.: Наука, 1974. — 416 с.

22. Васильев Б.В., Ханин С.М. Надежность судовых дизелей. — М.: Транспорт, 1989. — 184 с.

23. Вентцель Е. С. Теория вероятностей. — М.: Наука, 1964. — 576 с.

24. Вешкельский С.А. Справочник судового дизелиста. Вопросы и ответы. — JL: Судостроение, 1990. — 368 с.

25. Возницкий И.В., Иванов JI.A. Предотвращение аварий судовых двигателей внутреннего сгорания. — М.: Транспорт, 1971. — 192 с.

26. Вопросы анализа и процедуры принятия решений / Сб. переводов; под ред. И.Ф. Шахнова; пред. Г.С. Поспелова. — М.: Мир, 1976. — 232 с.

27. Вопросы статистической теории распознавания / Под ред. Б.В. Варского. — М.: Сов. радио, 1967. — 400 с.

28. Воройский Ф.С. Систематизированный толковый словарь по информатике. — М.: Либерея, 1998. — 376 с.

29. Гаврилова Т.А., Червинская К.Р. Извлечение и структурирование знаний для экспертных систем — М.: Радио и связь, 1992. — 200 с.

30. Гаскаров Д.В., Голинкевич Т.А., Мозгалевский А.В. Прогнозирование технического состояния и надежности радиоэлектронной аппаратуры / Под. ред. Т.А. Голинкевича. — М.: Сов. Радио, 1974. — 224 с.

31. Гаскаров Д.В., Шаповалов В.И. Малая выборка.— М.: Статистика, 1978. —248 с.

32. Гергей Т., Финн В.К. Об интеллектуальных системах // Экспертные системы: состояние и перспективы. Сб. науч. тр. — М.: Наука, 1989. — С. 9-20.

33. Глаз А.Б. Параметрическая и структурная адаптация решающих правил в задачах распознавания. — Рига: Зинатне, 1988. — 167 с.

34. Горелик A.JI., Гуревич И.Б., Скрипкин В.А. Современное состояние проблемы распознавания: Некоторые аспекты.— М.: Радио и связь, 1985.- 160 с.

35. Горелик А.Л., Скрипкин В.А. Методы распознавания: Учеб. пособие для вузов. — М.: Высш. шк., 1989. — 232 с.

36. Данилов В.П., Сотсков А.И. Механизмы группового выбора.— М.: Наука, 1991. — 176 с.

37. Джексон П. Введение в экспертные системы / Пер. с англ. — М.: Издательский дом "Вильяме", 2001 — 624 с.

38. Дуда Р., Харт П. Распознавание образов и анализ сцен / Пер. с англ.; под ред. В.Л. Стефанюка. — М.: Мир, 1976. — 511 с.

39. Журавлев Ю.И. Об алгебраическом подходе к решению задач распознавания или классификации // Проблемы кибернетики, вып. 33. — М.: Наука, 1978. — С. 5-68.

40. Загоруйко Н.Г. Методы распознавания и их применение. — М.: «Советское радио», 1972. — 208 с.

41. 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.

42. Искусственный интеллект: В 3 кн. Кн. 2. Модели и методы: Справочник / Под ред. Д.А. Поспелова. — М.: Радио и связь, 1990. — 304 с.

43. Искусственный интеллект: В 3 кн. Кн. 3. Программные и аппаратные средства: Справочник / Под ред. В.Н. Захарова, В.Ф. Хорошевского. — М.: Радио и связь, 1990. — 368 с.

44. Калявин В.П., Мозгалевский А.В., Галка B.JI. Надежность и техническая диагностика судового электрооборудования и автоматики. — СПб.: Элмор, 1996. — 283 с.

45. Кане А.Б. Судовые двигатели внутреннего сгорания. — СПб.: Судостроение, 1993. — 344 с.

46. Киселев Н.В. Методы построения систем распознавания и классификации негауссовых сигналов. — JL: Изд-во Ленингр. ун-та, 1986. — 188 с.

47. Ковалевский В.А. Методы оптимальных решений в распознавании изображений. — М.: Наука, 1976. — 328 с.

48. Кольцов П.П. Математические модели теории распознавания образов // Компьютер и задача выбора. — М.: Наука, 1989. — С. 89-119.

49. Копылов В.А. Построение автоматизированных информационно-поисковых систем. — М.: Энергия, 1974. — 144 с.

50. Корн Г., Корн Т. Справочник по математике (для научных работников и инженеров). — М.: Наука, 1974. — 832 с.

51. Корнеев В.В., Гареев А.Ф., Васютин С.В., Райх В.В. Базы данных. Интеллектуальная обработка информации.— М.: «Нолидж», 2000.— 352 с.

52. Костин А.К. и др. Теплонапряженность двигателей внутреннего сгорания: Справочное пособие / А.К. Костин, В.В. Ларионов, Л.И. Михайлов. — Л.: Машиностроение, 1979. — 222 с.

53. Кузнецов Д.С. Специальные функции.— М.: Высшая школа, 1965.— 424 с.

54. Кузьмин Р.В. Техническое состояние и надежность судовых механизмов. — JL: Судостроение, 1974. — 336 с.

55. Лапко А.В. Непараметрические методы классификации и их применение. — Новосибирск: ВО «Наука», Сибирская издательская фирма, 1993. — 152 с.

56. Лапко А.В., Ченцов С.В. Многоуровневые непараметрические системы принятия решений. — Новосибирск: Наука. Сиб. предприятие РАН, 1997, — 192 с.

57. Левшин В.Л. Биокибернетические оптико-электронные устройства автоматического распознавания изображений. — М.: Машиностроение, 1987, — 176 с.

58. Ложе И. Информационные системы. Методы и средства / Пер. с франц.; под ред. К.Л. Горфана и Т.В. Молчановой — М.: Мир, 1979. — 632 с.

59. Лорьер Ж.-Л. Системы искусственного интеллекта / Пер. с франц. — М.: Мир, 1991. —568 с.

60. Любарский Ю.Я. Интеллектуальные информационные системы. — М.: Наука. Гл. ред. физ.-мат. лит., 1990. — 232 с.

61. Мамиконов А.Г. Методы разработки автоматизированных систем управления. — М.: Энергия, 1973. — 336 с.

62. Минский М. Фреймы для представления знаний / Пер. с англ. М.: Энергия, 1979,— 152 с.

63. Минский М., Пейперт С. Персептроны / Пер. с англ.; под ред. В.А. Ковалевского. — М.: Мир, 1971. — 261 с.

64. Миркин Б.Г. Проблема группового выбора.— М.: Наука, 1974.— 256 с.

65. Мозгалевский А.В., Гаскаров Д.В. Техническая диагностика (непрерывные объекты). — М.: Высшая школа, 1975. — 207 с.

66. Непейвода Н.Н., Кутергин В. А. Об уровнях знаний и умений в экспертных системах // Экспертные системы: состояние и перспективы. Сб. науч. тр. — М.: Наука, 1989. — С. 30-37.

67. Нильсон Н. Обучающиеся машины. —М.: Наука, 1967. — 180 с.

68. Нильсон Н. Принципы искусственного интеллекта / Пер. с англ. — М.: Радио и связь, 1985. — 376 с.

69. Обучающиеся системы обработки информации и принятия решений: непараметрический подход / А.В. Лапко, С.В. Ченцов, С.И. Крохов, Л.А. Фельдман. — Новосибирск: Наука. Сибирская издательская фирма РАН, 1996. —296 с.

70. Овсянников М.К., Петухов В.А. Судовые дизельные установки: Справочник. — Л.: Судостроение, 1986. — 424 с.

71. Овсянников М.К., Петухов В.А. Эксплуатационные качества судовых дизелей. — Л.: Судостроение, 1982. — 208 с.

72. Оптические читающие автоматы / В.А. Ковалевский, Г.Л. Гимельфарб,

73. A.Ф. Возиянов; под ред. В.А. Ковалевского. — Киев: Техника, 1980. — 207 с.

74. Основы построения АСУ: Учеб. пособие для вузов / Под ред.

75. B.И. Костюка. — М.: Сов. радио, 1977. — 304 с.

76. Основы технической диагностики. В 2-х кн. Кн. 1. Модели объектов, методы и алгоритмы диагноза / Под ред. П.П. Пархоменко. — М.: Энергия, 1976. —464 с.

77. Осуга С. Обработка знаний / Пер. с япон. — М.: Мир, 1989. — 293 с.

78. Пархоменко П.П. О технической диагностике.— М.: Знание, 1969.— 64 с.

79. Патрик Э. Основы теории распознавания образов / Пер. с англ.; под ред. Б.Р. Левина. — М.: Сов. радио, 1980. — 408 с.

80. Перцептрон — система распознавания образов / Под ред. А.Г. Ивахненко — Киев: Наукова думка, 1975. — 431 с.

81. Полищук Ю.М., Хон В.Б. Теория автоматизированных банков информации: Учеб. пособие для вузов по спец. «Автоматизированные системы обраб. информации и упр.». — М.: Высш. шк., 1989. — 184 с.

82. Поспелов Д.А. Моделирование рассуждений. Опыт анализа мыслительных актов. — М.: Радио и связь, 1989. — 184 с.

83. Построение экспертных систем / Под ред. Ф. Хейеса-Рота, Д. Уотермана, Д. Лената; Пер. с англ., под ред. В.Л. Стефанюка. — М.: Мир, 1987.— 441 с.

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

85. Прэтт Т.У. Цифровая обработка изображений. — М.: Мир, 1982. — т.1 525 е., т.2 474 с.

86. Распознавание образов. Исследование живых и автоматических распознающих систем / Пер. с англ.; под ред. И.Ш. Пинскера. — М.: Мир, 1970. — 288 с.

87. Распознавание образов: состояние и перспективы / К. Верхаген, Р. Дёйн, Ф. Грун и др.; пер. с англ. — М.: Радио и связь, 1985. — 104 с.

88. Распознавание образов при помощи цифровых вычислительных машин / Под ред. Л. Хармона; пер. с англ. — М.: Мир, 1974. — 163 с.

89. Растригин Л.А., Эренштейн Р.Х. Метод коллективного распознавания. — М.: Энергоиздат, 1981. — 80 с.

90. Сикулер Д.В., Фомин В.В. Автоматизация процесса проектирования // Сб. науч. тр. «Информационная поддержка систем контроля и управления на транспорте»; под ред. Д.В. Гаскарова. — Спб.: СПГУВК, 1998. — С. 198-203.

91. Соболенко А.Н. Автоматизированные расчеты прочности судовых дизелей. — Спб.: Судостроение, 1994. — 160 с.

92. Советов Б.Я. АСУ. Введение в специальность: Учеб. для вузов по спец. «Автоматизированные системы обраб. информации и упр.». — М.: Высш. шк, 1989. — 128 с.

93. Справочник по теории вероятностей и математической статистике / Под ред. B.C. Королюка — Киев: Наукова думка, 1978. — 583 с.

94. Стогний А.А., Кондратьев А.И. Информационные системы в управлении. — Киев: Об-во «Знание», 1980. — 48 с.

95. Судовые двигатели внутреннего сгорания / И.В. Возницкий, Н.Г. Чернявская, Е.Г. Михеев — М.: Транспорт, 1979. — 415 с.

96. Теория выбора и принятия решений: Учеб. пособие. — М.: Наука, 1982.— 328 с.

97. Тимохин В.И. Применение ЭВМ для решения задач распознавания образов: Учеб. пособие. — JL: Изд-во Ленингр. ун-та, 1983. — 216 с.

98. Ту Дж., Гонсалес Р. Принципы распознавания образов / Пер. с англ.; под ред. Ю.И. Журавлева. — М.: Мир, 1978. — 411 с.

99. Турбович И.Т., Гитис В.Г., Маслов В.К. Опознание образов (детерми-нированно-статистический подход). — М.: Наука, 1971. — 246 с.

100. Файн B.C. Опознавание изображений. — М.: Наука, 1970. — 299 с.

101. Фомин В.В. Автоматизация логического моделирования программного обеспечения с применением формального аппарата семиотических систем. — СПб.: Энергоатомиздат, 2000. — 250 с.

102. Фомин В.Н. Математическая теория обучаемых опознающих систем. — Л.: Изд-во Ленингр. ун-та, 1976. — 236 с.

103. Фомин Я.А., Тарловский Г.Р. Статистическая теория распознавания образов. — М.: Радио и связь, 1986. — 264 с.

104. Фор А. Восприятие и распознавание образов / Пер. с франц.; под ред. Г.П. Катыса. — М.: Машиностроение, 1989. — 272 с.

105. Фукунага К. Введение в статистическую теорию распознавания образов / Пер. с англ.; под ред. А.А. Дорофеюка. — М.: Наука, 1979. — 368 с.

106. Хандов З.А. Судовые двигатели внутреннего сгорания (теория).— М.: Транспорт, 1969. — 304 с.

107. Хорошевский В.Ф., Шерстнев В.Ю. Программный инструментарий представления знаний в экспертных системах // Экспертные системы: состояние и перспективы. Сб. науч. тр. — М.: Наука, 1989. — С. 38^16.

108. Хуанг Т.С. Обработка изображения и цифровая фильтрация.— М.: Мир, 1979.— 274 с.

109. Цыпкин Я.3. Основы теории обучающихся систем.— М.: Наука, 1970. — 252 с.

110. Экспертные системы: Инструментальные средства разработки: Учеб. пособие / J1.A. Керов, А.П. Частиков, Ю.В. Юдин, В.А. Юхтенко; под ред. Ю.В. Юдина. — СПб.: Политехника, 1996. — 220 с.

111. Экспертные системы. Принципы работы и примеры / А. Брукинг, П. Джонс, Ф. Кокс и др.; под ред. Р. Форсайта; пер. с англ. — М.: Радио и связь, 1987. — 224 с.