автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Экстренная идентификация внешних воздействий на основании информации о поведении органичных систем

На правах рукописи

ПАНЧЕНКО Дмитрий Петрович

ЭКСТРЕННАЯ ИДЕНТИФИКАЦИЯ ВНЕШНИХ ВОЗДЕЙСТВИЙ НА ОСНОВАНИИ ИНФОРМАЦИИ О ПОВЕДЕНИИ ОРГАНИЧНЫХ СИСТЕМ

05.13.01 — Системный анализ, управление, обработка информации

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

Волгоград - 2005

Работа выполнена на кафедре «Системы автоматизированного проектирования и поискового конструирования» Волгоградского государственного технического университета.

Научный руководитель:

доктор технических наук, профессор Камаев Валерий Анатольевич

Официальные оппоненты:

доктор технических наук, профессор Петрова Ирина Юрьевна

кандидат технических наук, доцент

Скворцов Михаил Георгиевич

Ведущая организация:

НИИ токсикологии МЗ РФ

Защита диссертации состоится 28 июня 2005 г. на заседании диссертационного совета Д 212.028.04

при Волгоградском государственном техническом университете по адресу: 400131 Волгоград, просп. им. В. И. Ленина, 28.

С диссертацией можно ознакомиться в библиотеке Волгоградского государственного технического университета.

Автореферат разослан мая 2005 г.

Ученый секретарь

диссертационного

совета

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. В настоящее время существует ряд задач, в рамках которых требуется в кратчайшие сроки установить причину нарушения функционирования системы и принять решение в экстренной ситуации. Данная задача широко распрос гранена в технике, промышленной экологии и экономике. В частности в промышленной экологии это задача экстренной идентификации внешних воздействий на основании информации о поведении органичной системы.

Проблема идентификации и распознавания образов в течение продолжительного времени привлекает внимание специалистов в области математики, кибернетики и т.д. Существенный вклад в становление и развитие данного направления внесли Л. Льюинг, Р. Фишер, А.Н. Колмогоров, А.Я. Хинчин и др.

Имеющиеся на сегодняшний день методики автоматизации процесса идентификации внешних воздействий на основании информации о поведении системы охватывают лишь узкий класс динамических систем, характеризуемых небольшим параметрическим множеством и, как правило, имеющих математическую модель. В принципе, математическая модель, может быть построена, однако ее синтез и изучение связаны с такими затратами, что они существенно превышают выигрыш, приносимый искомым решением, кроме того, выходят за пределы существующих технических возможностей.

В связи с распространением химической загрязненности окружающей среды постоянно возрастает возможность отравления человека. Рост количества случаев смертельных отравлений связан с возрастающими темпами химизации сельского хозяйства, ростом промышленности, а также в связи с новой угрозой обществу - химическим терроризмом. Если отравления деструктивными ядами и используемыми в быту природными газами, как правило, не представляют диагностических трудностей, то отравления прочими классами химических веществ часто связаны со сложностью в распознава-

нии, а по данным Волгоградского областного токсикологического центра подобные отравления составляют около 40%. Это, в свою очередь, осложняет выбор эффективной тактики лечения, а в некоторых случаях затрудняет судебно-медицинское освидетельствование. Кроме того, в случаях массовых отравлений, своевременное распознавание этиологического фактора заболевания представляет ценность в аспекте локализации очага путем предупреждения новых поражений, устранением контакта с ядом или воздействием на динамику патологического процесса.

Модели и методы, применяемые для идентификации внешних воздействий на основании информации о поведении технических систем, не подходят для идентификации внешних воздействий на основании информации о поведении органичных систем, т.к. последние обладают рядом специфических свойств. Согласно В. Н. Спицнаделю органичная система есть саморазвивающееся целое, которое в процессе своего индивидуального развития проходит последовательные этапы усложнения и дифференциации. К классу органичных систем относятся биологические, социальные и некоторые другие системы с последействием. Такие характеристики органичных систем как динамическое изменение структуры, тесная взаимосвязь между элементами системы, целенаправленность, наличие компенсационных механизмов и некоторые другие делают органичные системы наиболее сложными и определяют отличия в идентификации внешних воздействий по их поведению по сравнению с идентификацией внешних воздействий по поведению технических систем. Таким образом, задача экстренной идентификации внешних воздействий на основании информации о поведении органичной системы актуальна и требует решения.

Цель работы состоит в повышении эффективности экстренной идентификации внешних воздействий на основании информации о поведении органичной системы. Для достижения данной цели были поставлены и решены следующие задачи:

1. Исследование современных средств, методов и моделей автоматизации процесса экстренной идентификации внешних воздействий на основании информации о поведении органичной системы.

2. Разработка методики решения задачи экстренной идентификации внешних воздействий на основании информации о поведении органичной системы.

3. Реализация автоматизированной системы экстренной идентификации внешних воздействий на основании информации о поведении органичной системы.

4. Испытание автоматизированной системы на примере практической задачи диагностики острых отравлений человека химическими веществами.

Методы исследования. Для решения поставленных задач были использованы методы системного анализа, искусственного интеллекта, аппарата искусственных нейронных сетей, теории проектирования реляционных баз данных.

Научная новизна. Разработана методика решения задачи экстренной идентификации внешних воздействий на основании информации о поведении органичной системы на основе аппарата искусственных нейронных сетей, включающая в себя:

• Построенную модель процесса экстренной идентификации внешних воздействий на основании информации о поведении органичной системы, отличающуюся учетом особенностей органичных систем, что развивает применение методов автоматизации идентификации внешних воздействий на основании информации о поведении технических систем.

• Разработанный метод обучения нейронной сети, отличающийся возможностью обучения по неравномерной выборке, что развивает методы обучения по экспериментальным данным.

• Разработанный метод обучения нейронной сети, отличающийся возможностью обучения по данным, характеризующимся стохастической неопре-

деленностью, что позволяет вести обучение по информации, полученной не только экспериментально, но и извлеченной из знаний экспер гов и литературных источников. Практическая ценность полученных результатов.

• Построена автоматизированная система диагностики острых отравлений химическими веществами «Дефиниция».

• Разработана база знаний по острым отравлениям химическими веществами, включающая в себя более 50 правил, описывающих клинические картины отравлений ядами, по интоксикации которыми отсутствуют экспериментальные данные.

• На основе разработанной системы ведется разработка по государственному заказу системы синдромальной диагностики острых отравлений для случаев химического терроризма.

Реализация и внедрение результатов. Система была внедрена в ФГУП НИИ гигиены, токсикологии и профпатологии при Министерстве здравоохранения и социального развития РФ.

Апробация работы. Основные положения диссертации докладывались на научных семинарах кафедры, а также на международных и всероссийских научных и научно-практических конференциях: «Информационные технологии в образовании, технике и медицине» (Волгоград 2000 и 2002), Искусственный интеллект в XXI веке (Москва 2001), Нейроинформатика и ее приложения (Красноярск 2001), Нейрокомпьютеры и их применение (Москва 2002), Экология и развитие общества (Санкт-Петербург 2003), Нейросетевые технологии и их применение (Краматорск, Украина 2003, 2004), Системные проблемы надёжности, качества, информационных и электронных технологий (Сочи 2004), Научно-технические аспекты обеспечения безопасности при уничтожении, хранении и транспортировке химического оружия (Москва 2004), Концептуальное проектирование в образовании, технике и технологии (Волгоград 2001), Разработка и принятие решений по снижению последствий

для здоровья населения при террористических акгах с примепсиием опасных веществ (Волюфад 2002), IV,V,VI,VII Peí ионалышс конф. молодых исследователей Волпмрадской обл. (Волгоград 2000, 2001, 2002, 2003).

Публикации. По теме диссертации опубликовано 18 печатных работ, в то числе 2 публикации в изданиях центральной печати, 5 тезисов докладов, 3 статьи в сборниках научных трудов, 1 счап.я в сборнике трудов международного кошресса, 2 статьи в сборниках трудов симпозиумов, 5 ciaiei-i в сбор-

пиках всероссийских и международных конференций.

Личный вклад соискателя состоит в постановке задачи, разработке теоретических решений и апробации предложенных подходов на практических задачах.

Структура и содержание диссертационной рабо1Ы. Диссертационная работа состоит из введения, четырех глав, заключения, 2-х приложений и списка литературы. Общий объем диссертации 165 страниц, 28 рисунков, 13 таблиц, список использованной литературы из 105 наименований.

Автор выражает глубокую благодарность д.м.н. Филатову Борису Николаевичу за оказанные консультации по вопросам диагностики острых отравлений.

СОДЕРЖАНИЕ РАБОТЫ

Структура работы. Диссертация состоит из четырех глав, введения и заключения. Во введении обосновывается актуальность темы диссертации, сформулированы цели и задачи исследования, научная новизна, приводится перечень основных результатов, выносимых на защиту, и излагается краткое содержание глав диссертации.

В первой главе выделен класс задач, подлежащих решению в рамках диссертации, формализован процесс экстренной идентификации внешних воздействий на основании информации о поведении органичной системы, сформулирована постановка задачи.

Проводится обзор методов, использующихся при решении поставленной задачи. Рассмотрены линейные, нелинейные и структурные регрессионные модели. Среди методов выделяется аппарат искусственных нейронных сетей, который является развитием теории линейных систем, методов оптимизации функции многих переменных, раздела математической статистики нелинейного регрессионного анализа и зарекомендовал себя как эффективный инструмент идентификации.

Проводится анализ нейропакетов, способных решить задачу идентификации. Рассматривались следующие критерии: возможность создания собственных нейронных структур; возможность использования собственных критериев оптимизации; возможность использования собственных алгоритмов обучения нейронных сетей; число стандартных нейросетевых парадигм, критериев и алгоритмов обучения нейронных сетей; наглядность и полнота представления информации в процессе создания и обучения нейронных сетей и другие. Оценка нейропакетов показывает, что существующие нейропакеты по выбранным критериям не удовлетворяют требованиям, поэтому принимается решение о разработке собственной автоматизированной системы.

Постановка задачи

Органичную систему можно формально описать кортежем:

где X— множество классов внешних возмущающих воздействий, Р — множество внутренних параметров и выходных переменных органичной системы, определенных в условиях экстренной цдр-"тиЛи1г'яттии ^ - мт-^^тво фрагментов поведения органичной системы, / - параметр времени, Ь - множество значений внешних возмущающих воздействий, Ь = (/|,/2,...,/„), /, =1,/у =0 если возмущающее воздействие принадлежит классу /, ¥ - функция, осуществляющая сопоставление фрагменту поведения органичной системы класса внешнего воздействия:

Задача состоит в нахождении функции аппроксимирующей функцию /так,что Д<£-,где

причем е - заранее заданный уровень ошибки, \Х, | = £ X', Л" - значение

выхода функции Г.

Во второй главе рассматривается разработанная нейросетевая модель экстренной идентификации внешних воздействий на основании информации о поведении органичной системы в соответствии с заданными требованиями. Представлена структура модели и алгоритмы ее функционирования.

Формальное описание нейросетевой модели идентификации

Рисунок 1. Схема идентификации

Как показано на рисунке 1, окружающая среда передает возмущающее воздействие X органичной системе. Система идентификации получает фрагмент поведения органичной системы под действием X и идентифицирует возмущающее воздействие на основании информации о поведении S процедурой DP. Результаты идентификации представляют собой множество классов возмущающих воздействий, упорядоченное в порядке убывания вероятности их воздействия. Результаты проверяются тестирующей системой. Проверка осуществляется последовательно, по всему отсортированному системой идентификации, множеству классов возмущающих воздействий до тех пор, пока не будет подтвержден какой-либо класс воздействия.

Пример человек получает дозу отравляющего вещества из окружающей среды Эксперт собирает информацию об ихменении клинической картины человека во времени, и, с истпыовапием средств автоматизации, и.т без них, выдвигает гипотезу о типе отравляющего вещества, которую пр(х/еряет в лабораторном комплексе посредством хроматографии

Автоматизации подлежит, процедура DP, идентифицирующая внешние воздействия на органичную систему на основании информации о ее поведении, которая может быть представлена следующим кортежем:

где GD - процедура получения фрагмента поведения системы, DA-процеду-ра анализа фрагмента поведения системы с целью отнесения к какому-либо классу воздействия, RI — процедура интерпретации результата.

Процедура анализа фрагмента поведения системы состоит из следующих процедур:

где MNS - каскад нейронных сетей, GNN - процедура структурно-параметрической оптимизации каскада нейронных сетей, FF - процедура расчета выходных значений каскада нейронных сетей.

Структура MNS включает в себя набор модулей нейронных трехслойных сетей с полными последовательными связями NS е MNS . Каждый нейро-сетевой модуль состоит из трех слоев и имеет один выходной ней-

рон NEU е LAYS. Количество нейронов скрытого слоя устанавливается процедурой GNN. Количество нейронов входного слоя определяется на этапе постановки задачи.

NEU = {INPS, SYN, NT, OUT,SUMM,AV), где INPS - множество входов нейрона, SYN - множество весов синапсов нейрона, NT - значение свертки множества синапсов и входов нейрона, OUT — значение аксона нейрона, SUMM — процедура вычисления суммы:

S UMM: NT = £ INPS, ■ SYN,, AF - процедура вычисления активационной функции:

На рисунке 2 изображена структура каскада нейронных сетей. Каскад состоит из совокупности трехслойных нейронных сетей. Первый слой фик-

тивный и служит для распределения сигналов и унификации вычислений, количество нейронов соответствует количеству параметров и выходных переменных органичной системы. Выходной слой состоит из единственного нейрона. Каждая нейронная сеть каскада выдает 1 в случае принадлежности поведения органичной системы некоторому классу внешнего воздействия, и О в противном случае. Количество нейронов скрытого слоя находится в процессе структурной оптимизации каскада нейронных сетей.

Процедура структурно-параметрической оптимизации нейронной сети позволяет получить структуру нейронной сети. Формально ее можно представить совокупностью следующих процедур:

где СЮМК - процедура структурной оптимизации нейронной сети, ОШЛ -процедура параметрической оптимизации нейронной сети.

Процедура параметрической оптимизации нейронной сети состоит из следующих компонентов:

ОШ = (ООШ,СЫТА)

(2.20)

вЫТЛ = (К ГРО, ЫТГЮ, АРР, ВР)

где №ЕО - процедура параметрической оптимизации нейронной сети по

данным, характеризующимся стохас-

тической неопределенностью, МГОБ

О--4

паралича сети, состоящая из метода

выхода из локальных минимумов и

мизации нейронной сети по неравно-

мерным данным, ЛРР- процедура

процедура параметрической опти-

Рисунок 2 Структура каскада нейронны; сетей

с

имитации отжига и введения стохас-

тической составляющей в процедуру

коррекции весов, ВР - процедура коррекции весов.

Процедура параметрической оптимизации нейронной сети но неравномерным данным может быть представлена в виде кортежа:

N ГОО = (5,С7\Л КОСР,СТР,ЯОЕ, ОБР^БМ), где /' - множество вероятностей подачи образов, в8Р — процедура расчета вероятности подачи образов, ИОСР - номер текущей обучающей пары, С1¥-текущая обучающая пара, 8О¥ - функционал вторичной оптимизации, -процедура расчета номера обучающей пары.

Процедура параметрической оптимизации нейронной сети по данным, характеризующимся стохастической неопределенностью, может быть представлена в виде следующего кортежа:

где вЖ - процедура расчета входной составляющей обучающей пары.

Алгоритм ф>нкционирования модели

Обобщенный алгоритм функционирования нейросетевой идентификационной модели представима последовательностью шагов. Шаг 1. Выполнить процедуру получения фрагмента поведения системы вО. Шаг 2. Сформировать структуру нейронной сети посредством процедуры вОМЫ. Предложенная структура отличается возможностью аппроксимации входного множества и модульностью нейронных сетей, а также адаптацией структуры под конкретную выборку.

Шаг 3. Обучить нейронную сеть с помощью процедуры вМТА Процедура вМТА включает в себя процедуру N110 обучения по данным, характеризующимся стохастической неопределенностью, процедуру обучения по неравномерным данным МТОО, и процедуру выхода из локальных минимумов и паралича сети АРР, совместная работа которых позволяет обучать систему по неравномерным и данным, характеризующимся стохастической неопределенностью, процедурой коррекции весов ВР. Шаг 4. Получить результаты работы сети процедурой ББ.

Шаг 5. Интерпретировать результаты работы нейронной сети при помощи процедуры RI.

Предложенная модель может быть использована для экстренной идентификации внешних воздействий на основании информации о поведении органичной системы, так как обладает следующими свойствами:

1) Формальная модель функционирует, не требуя наличия аналитической модели органичной системы, на основе информации о поведении которой осуществляется идентификация, что позволяет учитывать такую особенность, как невозможность измерения части внутренних параметров;

2) Модель учитывает ретроспективную информацию о состоянии органичной системы, что позволяет учесть такую их особенность, как отдаленные последствия воздействий.

3) Разработанная модель способна настраиваться по обучающему множеству, представленному в виде лингвистических переменных, что позволяет использовать для обучения информацию, извлеченную из знаний экспертов и литературных источников;

4) Формальная модель способна обучаться по неравномерным данным.

В третьей главе сформулированы требования к системе, описана функциональная структура, описаны решения по видам обеспечения, приведен общий алгоритм идентификации внешних воздействий на основании информации о поведении органичной системы. Также описаны алгоритмы более низкого уровня, такие, как алгоритм работы подсистемы идентификации, алгоритм подсистемы обучения по неравномерной выборке, а также по данным, характеризующимся стохастической неопределенностью, состоящий в генерации выборки в режиме реального времени в процессе настройки нейронной сети в соответствии с вероятностями симптомов. Также описан алгоритм аппроксимации входного множества.

Общий алюритм функционирования автома1 изированной системы

Шаг 1. Обучить систему.

Шаг 1.1. Обучить НС аппроксимации входного множестваа.

Шаг 1.2. Обучить модульные НС идентификации.

Шаг 2. Прямой режим работы системы.

Шаг 2.1. Аппроксимировать входное множество.

Шаг 2.1.1. Выполнить аппроксимацию каждого столбца входной матрицы

Шаг 2.1.2. Выполнить аппроксимацию каждого симптома

Шаг 2.1.3. Найти среднее значение

Шаг 2.2. Рассчитать выходы модульных НС.

Алгоритм параметрической ошимшацин нейронной сети по данным, характеризующимся стохастической

неопределенностью БсРшгу

Алгоритм обучения по данным, характеризующимся стохастической неопределенностью, предназначен для обучения нейронной сети по обучающим парам, антецедент которых представлен в виде лингвистических переменных, например (редко, часто, никогда}. Процедура позволяет использовать для обучения не только экспериментальные данные, имеющие численный характер, но и обобщенные данные из литературы, характеризующимся стохастической неопределенностью. Это является актуальным, поскольку для редко встречающихся классов внешних воздействий получение экспериментальных данных о поведении органичной системы затруднено, поэтому использование литературных данных решает эту проблему.

Входными данными алгоритма являются множества вероятностей симптомов У и их значений V, выходными — множество результирующих значений входного множества /. Основной идеей алгоритма является генерация произвольного числа N в интервале [0,1] и вычисления значения:

Применение настоящего алгоритма позволило повысить коэффициент распознавания на 31%.

Алгоритм параметрической ошимтации нейронной сети по неравномерной выборке

Обучение по выборке, в которой количество, а, следовательно, и частота встречаемости обучающих пар одного класса существенно превышает

количество обучающих пар другого класса, имеет существенные трудности. Выходом в такой ситуации может быть моделирование выборки, в которой частоты встречаемости обучающих пар различных классов приблизительно одинаковы.

Выходными данными алгоритма является номер текущего образа. В начале алгоритма вычисляются вероятности выбора класса образов:

где СР, - вероятность выбора 1-того класса образов, У7В - размер обучающей выборки, СЯ, - количество образов в 1-м классе.

По сформированному множеству вероятностей происходит выбор класса обучающей пары в течение определенного количества эпох, после чего производится расчет ошибки для каждого класса образов, и увеличивается вероятность выбора класса образов, ошибка которого максимальна.

Обучение нейронных сетей ведется в соответствии с методом обратного распространения ошибки с использованием перечисленных алгоритмов обучения по неравномерным данным и данным, характеризующимся стохастической неопределенностью. Для выхода из локальных минимумов используется алгоритм имитации отжига и добавление стохастической составляющей в коррекцию весов. Применение настоящего алгоритма позволило повысить коэффициент распознавания на 15% и ускорить обучение на 18%.

Четвертая глава посвящена вопросам реализации приложения. Глава состоит из 3-х параграфов и заключения.

Автоматизированная система диагностики «Дефиниция»

Разработка инструмента, позволяющего достоверно и своевременно провести диагностику отравления людей, различить химические вещества, являющиеся причиной всевозможных заболеваний или смерти, является насущной необходимостью. Клиническая картина острых интоксикаций, особенно высокотоксичными веществами, включенными в списки Конвенции о запрещении разработки, производства, накопления и применения химическо-

го оружия и о его уничтожении, малоизвестна не только практическим врачам, но и токсикологам, не имеющим профессионального контакта с эюй группой химических соединений.

Сложность диагностики острых интоксикаций любым классом химических соединений в начальном периоде отравления определяется, с одной стороны, однотипностью клинической картины, связанной с отдаленным проявлением действия яда, особенно применяемого в больших концентрациях, с другой - неспецифичностью симптоматики, наблюдаемой при легкой степени воздействия.

Система «Дефиниция» предназначена для автоматизации процесса диагностирования острых отравлений токсичными химическими веществами, и схожими с ними по клинической картине заболеваниями, на основании существующей статистической информации из литературных источников.

Входной информацией системы являются симптомы. Симптомы по степени проявления могут делиться на несколько градаций, начиная с (нет, есть}, заканчивая делением на 6 степеней выраженности. Симптомы нормализуются в диапазон [0,1] по шкалам психологического континуума. Помимо качественных симптомов присутствуют количественные симптомы, которые также нормализуются к диапазону [0,1]. Также имеется информация о вероятностях появления симптомов. Дифференциальная диагностика проведена между 30 воздействующими агентами. База данных сформирована в НИИ ГТП по литературным источникам из 427 дифференциально значимых симптомов и признаков. Структура многомодульной, иерархичной системы представлена на рисунке 3.

Диагностика осуществляется в два этапа. На первом этапе диагностике подлежит фактор отравления: химический, биологический и физический. На втором этапе определяется химическое вещество, которое послужило причиной отравления, в случае химического фактора отравления, установленного на первом этапе диагностирования.

Рисунок 3. Структурная схема подсистемы диагностики

- клиническая картина, НСфактор - нейросетевой блок распознавания фактора отравления, Н|,Н2,Нз - химический, биологический и физический факторы отравления, НСкласс - нейросетевой блок распознавания класса вещества. Нц,Н|2,...>Н1п - запрещенные и незапрещенные по конвенции классы веществ, Интерпретатор - блок интерпретации результатов работы блоков НСфактор и НСКЛасс- Результаты работы блока НС^сс разделяются интерпретатором на запрещенные и незапрещенные по конвенции классы веществ.

Расчет показателей эффективности системы

Приведены исследования полученных результатов, в том числе расчет эффективности системы. Эффективность определяется группой из трех показателей: временные, экономические и показатели точности. Эффективность разработанной системы сравнивалась с эффективностью автоматизированной системы диагностики «БЕИТОХ».

Для установления показателей точности системы использовался коэффициент достоверности, представляющий собой процентное соотношение правильно распознанных образов к общему количеству образов, и коэффициент распознавания, основанный на показателе, предложенном II. Амосовым. Интегральный коэффициент распознавания и коэффициент достоверности составили 0.93 и 53% соответственно, что превышает точность диагностики системы «БЕИ1ТОХ», которая составляет 0.69 и 38% соответственно.

Время диагностики системы «Дефиниция» составляет 92 минуты. Время диагностики системы «БЕИГГОХ» составляет 95 минут, что превышает время диагностики автоматизированной системы «Дефиниция».

Таким образом, система «Дефиниция» по всем показателям превосходит диагностику с использованием экспер гизы.

Пример работы системы

В панели редактирования истории болезни были установлены следующие симптомы в указанные состояния:

1 -й этап

Тахикардия - выражено Гипотония - выражено Гиперсаливация

2-й этап

Боль в глазах - есть •

Слезоточение - есть •

Диффузное потемнение роговицы - есть

3-й этап

Одышка - выражено •

Инспираторная одышка — выражено • Клокочущее дыхание - есть

Была вызвана команда «Диагностировать фактор». После перечисленных действий диагнозы расположились как показано в таблице 1. После вызова команды " Диагностировать отравляющие вещества" диагнозы

Изъязвление слизистой губ, десен, языка, глотки - есть

Изъязвление роговицы - есть

Кашель с мокротой — с обильной мокротой

Тахикардия

Гипотония

■ Слезотечение

■ Боль в глазах

должны расположиться как по казано в таблице 2.

В автоматизированной системе «Дефиниция» реализованы собственные нейронные структуры, использованы собственные алгоритмы обучения нейронных сетей, реализована утилита, позволяющая наглядно

Время

С

Рисунок 4 Временная диаграмма клиническо: картины

и полно представлять информацию в процессе обучения нейронных сетей. Таким образом, система удовлетворяет требованиям, предъявленным в главе 1.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ В диссертационной работе получены следующие результаты:

1. Разработана методика решения задачи экстренной идентификации внешних воздействий на основании информации о поведении органичных систем на основе аппарата искусственных нейронных сетей, отличающаяся учетом динамики системы.

2. Разработана нейросетевая структура и алгоритмы ее обучения, что предоставляет возможность экстренной идентификации внешних воздействий на основании информации о поведении органичных систем на примере задач из различных предметных областей, таких, как промышленная экология.

3. Разработана база знаний по острым отравлениям химическими веществами, включающая в себя более 50 правил, позволяющая обучать автоматизированную систему дифференцировать отравления веществами, по которым отсутствуют экспериментальные данные.

4. Разработана автоматизированная система диагностики острых отравлений химическими веществами «Дефиниция». Система была внедрена в ФГУП НИИ гигиены, токсикологии и профпатологии при МЗ и социального развития РФ. Точность системы составила 53% с коэффициентом распознавания 0.93.

ОСНОВНЫЕ ВЫВОДЫ

1. Разработанная модель процесса экстренной идентификации внешних воздействий на основании информации о поведении органичных систем, учитывает особенности органичных систем.

Таблица 2. Результат диагностики к пассов веществ

Класс веществ Степень тяжес1и Вероятность

Сернистые иприты Тяжелая 0.524

Ипритно-люизитная смесь Тяжелая 0.398

Ипритно-люизитная смесь Средняя 0.372

2. Разработанный метод обучения нейронной сети, отличающийся возможностью обучения по неравномерной выборке и данным, характеризующимся стохастической неопределенностью, позволяет вести обучение по информации, полученной не только экспериментально, но и извлеченной из знаний экспертов и литературных источников.

3. Созданная автоматизированная система «Дефиниция» высокоэффективна и рекомендуется к широкому применению.

В целом полученные результаты позволяют повысить эффективность экстренной идентификации внешних воздействий на основании информации о

поведении органичной системы.

ОПУБЛИКОВАННЫЕ РАБОТЫ ПО ТЕМЕ ДИССЕРТАЦИИ

1. Панченко Д.П., Щербаков М.В. Использование нейромодслей для проектирования автоматизированных систем // IV региональная конф. молодых исследователей волгоградской обл.: Тезисы докл. - Волгоград, 2000.-С.131-132.

2. Панченко Д.П., Щербаков М.В. Система прогнозирования ранних осложнений после реконструктивных операций на магистралях нижних конечностей на основе нейроподобных сетей // V региональная конф.

молодых исследователей волгоградской обл.: Тезисы докл. - Волгоград, 2000.-С. 185-186.

3. Панченко Д.П. Система диагностики отравлений химическими веществами //VI региональная конф. молодых исследователей волгоградской обл.: Тезисы докладов. - Волгоград, 2002. - С. 149.

4. Прогнозирование ранних послеоперационных осложнений на основе нейроподобных сетей / Г.Л. Шкурина, П.В. Мозговой, Д.П. Панченко, М.В. Щербаков // Информационные технологии в образовании, технике и медицине: сб. науч. тр. МНТК. - 2000. - ч.2.- С.238-240.

5. Шкурина Г.Л., Панченко Д.П. Проблемы формализации диагностики отравлений // Концептуальное проектирование в образовании, технике и технологии: Межвуз. сб. науч. тр./ ВолгГТУ. - Волгоград, 2001.-С 65.

6. Шкурина Г.Л., Панченко Д.П. Автоматизированная система диагностики отравлений // Искусственный интеллект в XXI веке: труды между-нар. конгресса. Т.2.-М., 2001.-С.809-814.

7. Разработка системы диагностики отравлений на основе нейроподоб-ных сетей / Филатов Б.Н., Шкурина Г.Л., Буланова Е.В., Панченко Д.П. // Нейроинформатика и ее приложения: Материалы IX Всероссийского се-минара-2001.-С. 190-191.

8. Проблемы обучения нейронных сетей при проектировании системы диагностики / Шкурина Г.Л., Филатов Б.Н., Панченко Д.П., Буланова Е.В. // НКП-2002: ТРУДЫ УП1 Всероссийской конференции с международным участием, Москва, 21-22 марта 2002 г. / Под ред. А.И. Галушкина; Институт проблем управления им. В.А. Трапезникова РАН. - М., 2002.- С. 162.

9. Проблемы обучения нейронных сетей при проектировании автоматизированной системы диагностики / Шкурина Г.Л., Филатов Б.Н., Панченко Д.П., Буланова Е.В. // Информационные технологии в образовании, технике и медицине: Сб. науч. тр. в 2-х ч. Ч.2.— Волгоград, 2002.- 284с-С.257-262.

Ю. Панченко Д.П. Система диагностики острых отравлений химическими веществами // VII Региональная конференция молодых исследователей Волгоградской области. Волгоград, 12-15 нояб. 2002 г.: Тезисы докл. / ВолгГТУ.- Волгоград: РПК «Политехник», 2003.- 259с.-С. 173.

11 .Системы распознавания химических веществ и растительных ядов, вызвавших отравление / Буланова Е.В., Кубраков СВ., Панченко Д.П. // Разработка и принятие решений по снижению последствий для здоровья населения при террористических актах с применением опасных веществ: материалы Международного симпозиума по антитерроризму - Волгоград 2002.-С.67.

12.Автоматизация дифференциальной диагностики фосфорорганиче-ских отравляющих веществ и фосфорорганических соединений / Филатов Б.Н., Буланова Е.В., Тисенко В.Н., Фомин Б.Ф., Качанова Т.Л.,

Шкурина Г.Л., Панченко Д.П. // Медицинские и биологические проблемы, связанные с уничтожением химического оружия: материалы международного симпозиума,- Волгоград 2003 .-С Л 94.

13.Рекуррентная нейронная сеть переменной структуры для моделирования сложных динамических систем / Камаев В.А., Щербаков М.В. , Панченко Д.П. // Труды МНТК «Интеллектуальные системы (ШЕЕ AIS'03)». Научное издание в 3-х томах.-М.:Изд-во Физ.-мат. лш-ры, 2003, Т.1-612 с- С.562-565.

14.Решение задачи идентификации поведения сложной динамической системы на основе искусственных нейронных сетей / Камаев В.А., Панченко Д.П., Щербаков М.В. // Труды МНТК «Интеллектуальные системы (IEEE AIS'03)». Научное издание в 3-х томах.-М.:Изд-во Физ.-маг. Лит-ры, 2003, Т.1-612 с-С.560-562.

15. Автоматизация диагностики острых отравлений / Камаев В .А., Панченко Д.П.// Экология и развитие общества: Сборник Международной конференции. 23-28 июля 2003 г.-СПб: МАНЭБ,2003.-310с.-С.175-178.

^Автоматизированная система диагностики DePhos 2 / Панченко Д.П., Буланова Е.В.// Научно-технические аспекты обеспечения безопасности при уничтожении, хранении и транспортировке химического оружия: Тезисы докладов II науч.-практ. конф.- М., 2004.-С.180.

17.ВА Камаев, Д.П. Панченко, М.В. Щербаков. Использование нейросете-вых технологий для анализа сложных иерархических систем // Вестник БГТУ, №1 (1).-Брянск-2004.-С. 202 - 208.

18.Камаев В.А., Филатов Б.Н., Панченко Д.П. Многомодульная система медицинской диагностики // Вестник компьютерных и информационных технологий, №1, 2005, Изд-во «Машиностроение», С. 17.

Подписано в печать 27 05. 2005г. Заказ № ЗД7 ■ Тираж 100 экз. Печ. л. 1,0. Формат 60 х 84 1/16. Бумага офсетная. Печать офсетная.

Типография «Политехник» Волгоградского государственного технического университета.

400131, Волгоград, ул. Советская,35

А

\ /

¡3

1 з ню/) 2005 ч "ч;;

ВВЕДЕНИЕ.

1. ГЛАВА 1. ОБЗОР.

1.1. Выбор модели. /. /. Формальное описание задачи идентификации поведения органичной системы в экстренных ситуациях.

1.1.2. Линейные регрессионные модели.

1.1.3. «Внутренне» линейные нелинейные модели.

1.1.4. Структурные уравнения регрессии.

1.1.5. Нейросетевая модель.

1.1.6. Выводы.

1.2. Обзор прототипов.

1.2.1. Классификация нейропакетов.

1.2.2. Критерии выбора нейропакета.

1.2.3. Выводы.

1.3. Цель работы и задачи.

2. ГЛАВА II. ФОРМАЛЬНАЯ МОДЕЛЬ АВТОМАТИЗАЦИИ ПРОЦЕССА ДИАГНОСТИКИ ОСТРЫХ ОТРАВЛЕНИЙ.

2.1. Процедура получения данных.

2.1.1. Получение общего списка параметров.

2.1.2. Процедура выявления значимых параметров. - 2.1.3. Процедура формирования классов поведения системы.

12.1.4. Процедура разбиения выборки.

2.1.5. Процедура заполнения пробелов данных.

2.1.6. Ввод вектора параметров.

2.1.7. Ввод обучающих данных.

2.2. Анализ фрагмента поведения органичной системы.

2.2.1. Структурная оптимизация.

2.2.2. Параметрическая оптимизация нейронной сети.

2.2.3. Параметрическая оптимизация нейронной сети по неравномерным данным.

2.2.4. Параметрическая оптимизация нейронной сети по данным, характеризующимся стохастической неопределенностью.

2.2.5. Прямой режим функционирования нейронной сети.

2.2.6. Выход из локальных минимумов.

2.2.7. Имитация отжига.

2.2.8. Стохастическое изменение весов.

2.2.9. Процедура коррекции весов.

2.3. Интерпретация результата анализа фрагмента поведения органичной системы.

2.4. Общий алгоритм функционирования модели.

2.4.1. Режим обучения.

2.4.2. Рабочий режим функционирования модели.

2.5. Контрольный пример работы модели.

2.6. Методика расчета эффективности.

2.6.1. Оценка временных характеристик.

2.6.2. Оценка точности идентификации.

2.7. Выводы к главе II.

3. ГЛАВА III. АЛГОРИТМ ПРАКТИЧЕСКОЙ РЕАЛИЗАЦИИ.

3.1. Информационное обеспечение.

3.1.1. Информационные структуры.

3.1.2. Выбор среды разработки.

3.2. Основные алгоритмы.

3.2.1. Общий алгоритм работы автоматизированной системы.

3.2.2. Алгоритм работы модульной НС FeedForward.

3.2.3. Алгоритм обучения по данным, характеризующимся стохастической неопределенностью DeFuzzy.

3.2.4. Алгоритм обучения по неравномерной выборке.

3.2.5. Алгоритм структурной оптимизации нейронной сети.

3.2.6. Алгоритм линейной аппроксимации вектора.

3.2.7. Алгоритм усреднения между результатами сети Хопфшда и линейной аппроксимации.

3.2.8. Алгоритм работы нейронной сети Хопфшда.

3.2.9. Алгоритм параметрической оптимизации нейронной сети Хопфилда.

3.3. Выводы к главе III.

4. ГЛАВА 4. АПРОБАЦИЯ МОДЕЛИ НА РЕШЕНИИ ПРАКТИЧЕСКОЙ ЗАДАЧИ ДИАГНОСТИКИ ОСТРЫХ ОТРАВЛЕНИЙ ХИМИЧЕСКИМИ ВЕЩЕСТВАМИ.

4.1. Общая характеристика системы.

4.2. Оценка эффективности работы системы «Дефиниция».

4.2.1. Оценка показателей эффективности автоматизированной системы.

4.2.2. Оценка показателя эффективности системы DEFITOX.

4.2.3. Сравнительная характеристика показателей качества системы «Дефиниция» и DEFITOX.

4.3. Контрольный пример работы системы.

4.4. Выводы к главе IV.

Актуальность темы. В настоящее время существует ряд задач, в рамках которых требуется в кратчайшие сроки установить причину нарушения функционирования системы и принять решение в экстренной ситуации. Одной из таких задач является задача идентификации внешнего воздействия на основании информации о поведении динамической системы. Данная задача широко распространена в технике, промышленной экологии и экономике. В частности в промышленной экологии это задача экстренной идентификации внешних воздействий на основании информации о поведении органичной системы.

Проблема идентификации и распознавания образов в течение продолжительного времени привлекает внимание специалистов в области математики, кибернетики и т.д. Существенный вклад в становление и развитие данного направления внесли Л. Льюинг, Р. Фишер, А.Н. Колмогоров, А.Я. Хинчин и др.

Эффективность решения задачи экстренной идентификации внешних воздействий на основании информации о поведении органичной системы зависит от степени ее сложности, характера имеющейся о ней информации, адекватности используемой модели сложной динамической системы. Однако, доступная информация и уровень формализации таких предметных областей, как промышленная экология, зачастую таковы, что не могут составить основу для синтеза математической модели, отвечающей классическим математическим и математико-физическим канонам и допускающей изучение классическими аналитическими или численными методами.

Имеющиеся на сегодняшний день методики автоматизации процесса идентификации внешнего воздействия на основании информации о поведении системы охватывают лишь узкий класс динамических систем, характеризуемых небольшим параметрическим множеством и, как правило, имеющих математическую модель. В принципе, математическая модель, может быть построена, однако ее синтез и изучение связаны с такими затратами, что они существенно превышают выигрыш, приносимый искомым решением, кроме того, выходят за пределы существующих технических возможностей.

В связи с распространением химической загрязненности окружающей среды постоянно возрастает возможность отравления человека. Рост количества случаев смертельных отравлений связан с возрастающими темпами химизации сельского хозяйства, ростом промышленности, а также в связи с новой угрозой обществу - химическим терроризмом. Если отравления деструктивными ядами и используемыми в быту природными газами, как правило, не представляют диагностических трудностей, то отравления прочими классами химических веществ часто связаны со сложностью в распознавании, а по данным Волгоградского областного токсикологического центра подобные отравления составляют около 40%. Это, в свою очередь, осложняет выбор эффективной тактики лечения, а в некоторых случаях затрудняет судебно-медицинское освидетельствование. Кроме того, в случаях массовых отравлений, своевременное распознавание этиологического фактора заболевания представляет ценность в аспекте локализации очага путем предупреждения новых поражений, устранением контакта с ядом или воздействием на динамику патологического процесса.

Модели и методы, применяемые для идентификации внешних воздействий на основании информации о поведении технических систем, не подходят для идентификации внешних воздействий на основании информации о поведении органичных систем, т.к. последние обладают рядом специфических свойств. Согласно В. Н. Спицнаделю органичная система есть саморазвивающееся целое, которое в процессе своего индивидуального развития проходит последовательные этапы усложнения и дифференциации. К классу органичных систем относятся биологические, социальные и некоторые другие системы с последействием. Такие характеристики органичных систем как динамическое изменение структуры, тесная взаимосвязь между элементами системы, целенаправленность, наличие компенсационных механизмов и некоторые другие делают органичные системы наиболее сложными и определяют отличия в идентификации их поведения по сравнению с идентификацией поведения технических систем.

Применение аппарата искусственных нейронных сетей снимают многие описанные проблемы. Существенных вклад в становление и развитие данного направления внесли Розенблатт Ф., Хебб Дж. К настоящему времени нейросетевым методам посвящены многочисленные работы, среди которых основополагающими являются работы: А.Н. Галушкина, А.Н. Горбань, Ф. Уоссермен и многих др. Однако возникают проблемы при использовании экспертных знаний, представленных в виде лингвистических переменных, а также при обучении по неравномерной выборке, особенно в динамических задачах. Таким образом, задача экстренной идентификации внешних воздействий на основании информации о поведении органичной системы актуальна и требует решения.

Цель работы состоит в повышении эффективности экстренной идентификации внешних воздействий на основании информации о поведении органичной системы. Для достижения данной цели были поставлены и решены следующие задачи:

1. Исследование современных средств, методов и моделей автоматизации процесса экстренной идентификации внешних воздействий на основании информации о поведении органичной системы.

2. Разработка методики автоматизации экстренной идентификации внешних воздействий на основании информации о поведении органичной системы.

3. Реализация автоматизированной системы экстренной идентификации внешних воздействий на основании информации о поведении органичной системы.

4. Испытание автоматизированной системы на примере практической задачи диагностики острых отравлений человека химическими веществами.

Методы исследования. Для решения поставленных задач были использованы методы системного анализа, искусственного интеллекта, аппарата искусственных нейронных сетей, теории проектирования реляционных баз данных.

Научная новизна. Разработана методика решения задачи экстренной идентификации внешних воздействий на основании информации о поведении органичной системы на основе аппарата искусственных нейронных сетей, включающая в себя:

• Построенную формальную модель процесса экстренной идентификации внешних воздействий на основании информации о поведении органичной системы, отличающуюся учетом особенностей органичных систем, что развивает применение методов автоматизации идентификации внешних воздействий на основании информации о поведении технических систем.

• Разработанную нейросетевую структуру и метод обучения нейронной сети, отличающиеся возможностью обучения по неравномерной выборке и данным, характеризующимся стохастической неопределенностью, что позволяет вести обучение по информации, полученной не только экспериментально, но и извлеченной из знаний экспертов и литературных источников.

• Разработанную базу знаний по острым отравлениям химическими веществами, включающую в себя более 50 правил, описывающих клинические картины отравлений ядами, по интоксикации которыми отсутствуют экспериментальные данные.

Практическая ценность полученных результатов. Построена автоматизированная система диагностики острых отравлений химическими веществами «Дефиниция». На основе разработанной системы ведется разработка по государственному заказу системы синдромальной диагностики острых отравлений для случаев химического терроризма.

Реализация и внедрение результатов. Система была внедрена в ФГУП НРШ гигиены, токсикологии и профпатологии при Министерстве здравоохранения и социального развития РФ.

Апробация работы. Основные положения диссертации докладывались на научных семинарах кафедры, а также на международных и всероссийских научных и научно-практических конференциях: «Информационные технологии в образовании, технике и медицине» (Волгоград, 2000 и 2002), Искусственный интеллект в XXI веке (Москва 2001), Нейроинформатика и ее приложения (Красноярск 2001), Нейрокомпьютеры и их применение (Москва 2002), Экология и развитие общества (Санкт-Петербург 2003), Нейросетевые технологии и их применение (Краматорск, Украина 2003, 2004), Системные проблемы надёжности, качества, информационных и электронных технологий (Сочи 2004), Научно-технические аспекты обеспечения безопасности при уничтожении, хранении и транспортировке химического оружия (Москва 2004), Разработка и принятие решений по снижению последствий для здоровья населения при террористических актах с применением опасных веществ (Волгоград 2002), IV,V,VI,VII Региональные конференции молодых исследователей Волгоградской области (Волгоград 2000,2001,2002,2003).

Публикации. По теме диссертации опубликовано 18 печатных работ, в то числе 2 публикации в издании центральной печати, 5 тезисов докладов, 3 статьи в сборниках научных трудов, 1 статья в сборнике трудов международного конгресса, 2 статьи в сборниках трудов симпозиумов, 5 статей в сборниках всероссийских и международных конференций.

Структура и содержание диссертационной работы. Диссертационная работа состоит из введения, четырех глав, заключения, 2-х приложений и списка литературы. Общий объем диссертации 165 страниц, 28 рисунков, 13 таблиц, список использованной литературы из 105 наименований.

ЗАКЛЮЧЕНИЕ

1. Автоматизированная система диагностики отравлений / Шкурина Г.Л., Панченко Д.П. // Искусственный интеллект в XXI веке: труды международного конгресса. Т.2.- М., 2001.- 809-814.

2. Анищенко B.C. Знакомство с нелинейной динамикой: Лекции соросовского профессора: Учеб. пособие. Москва-Ижевск: Институт компьютерных исследований, 2002. 144 с.

3. Архангельский А.Я. Программирование в Delphi 6. - М.: ЗАО "Издательство БР1Н0М", 2001. - 1120 с : ил.

4. Баженова И.Ю. ORACLE 8/8i. Уроки программирования.- М.: Диалог-МИФИ, 2000 - 3 04 с.

5. Беллман Р. Математические методы в медицине: Пер. с англ.-М.: Мир. 1987.-200 с , ил.

6. Бессонов А.А. и др. Методы и средства идентификации динамических объектов/ А.А. Бессонов, Ю.В. Загашвили, А.С. Маркелов.- Л.: Энергоатомиздат. Ленингр. отд-ние, 1989.- 280 с : ил.

7. Березин Б.И., Березин СБ. Начальный курс С и C++.- М.: даАЛОГ-МИФИ, 1996.-288 с.

8. Биологическая и медицинская кибернетика: Справочник. О.П. Минцер, В.Н. Молотков, Б.Н. Угаров и др.-Киев: Наукова думка, 1986.-374 с.

9. Биргер И. А. Техническая диагностика.- М.: Машиностроение, 1978.-240 с.

10. Браверманн Э. М., Мучник И. Б. Структурные методы обработки эмпирических данных. -М.: Наука. Главная редакция физико-математической литературы. 1983.- 464 с.

11. Буч Г. Объектно-ориентированный анализ и проектирование с примерами приложений на C++: Пер с англ.-2-е изд.- М.: Издательство Бином, СПб.: Невский диалект, 2000.-560 с , ил.

12. Быховский М. Л., Вишневский А. А. Кибернетические системы в медицине.- М.: Наука, 1971.- 407 с.

13. Вапник В.Н. Восстановление зависимостей по эмпирическим данным. М.: Наука, 1979. 448с.

14. Венцель Е.С. Теория вероятностей. М.: Высшая Школа,2001.

15. Винер П. Кибернетика, или управление и связь в животном и машине / под ред. Г.Н. Поварова: пер. с англ.-2-е изд.-М.: Наука, 1983 г.

16. Выявление экспертных знаний (процедуры и реализации) / О.И. Ларичев, А.И. Мечитов, Е.М. Мошкович, Е.М. Фуремс. М.: Наука, 1989.- 128 с. ISBN 5-02-006736-9.

17. Галушкин А.И. Нейрокомпьютеры. Кн. 3: Учеб. пособие для вузов / Общ. ред. А.И.Галушкина. - М.: ИПРЖР, 2000. - 416с.

18. Галушкин А.И. Синтез многослойных систем распознавания образов. - М.: «Энергия», 1974.

19. Горбань А.Н. Обучение нейронных сетей.- М.: СП Параграф, 1990.-210 с.

20. Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере // Новосибирск: Наука, 1996.- 276с.

21. Данилов Ю.А. Лекции по нелинейной динамике. Элементарное введение. Москва: Постмаркет, 2001.- 184 с.

22. Дмитриев В.И. Прикладная теория информации: Учебю для студ. вузов по спец. «Автоматизированные системы обработки информации и управления».- М.: Высш. шк., 1989.- 320 с : ил. ISBN 5-06-000038-9

23. Дрейпер Н., Смит Г. Прикладной регрессионный анализ: В 2-х кн. Кн. 1/ Пер с англ. - 2-е изд., перераб. и доп. - М.:Финансы и статистика, 1986. - 366с. (Математико-статистические методы за рубежом)

24. Епанешников А., Епанешников В. Программирование в среде Turbo Pascal 7.0. - 3-е изд., стер. - М.: "ДИАЛОГ-МИФИ", 1996.-288с.

25. Использование нейромоделей для проектирования автоматизированных систем / Панченко Д.П., Щербаков М.В. // IV региональная конференция молодых исследователей волгоградской области: Тезисы докладов. - Волгоград, 2000. -С.131-132.

26. Использование нейросетевых технологий для анализа сложных иерархических систем / В.А. Камаев, Д.П. Панченко, М.В. Щербаков // Вестник БГТУ, №1 (1).- Брянск.- 2004.- 202 -208.

27. Калверт Ч. Программирование в Windows 95. Освой самостоятельно/ Пер. с англ. Д.А. Зарецкого, И.В. Муравьева;Под ред. Д.Зарецкого.-М.: Бином, 1996.-1008с.:

28. Клир Дж. Системология. Автоматизация решения системных задач: Пер. с англ.- М.: Радио и связь, 1990.- 544 с : ил.-ISBN 5-256-00649-5.

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

30. Коршунов Ю.М. Математические основы кибернетики: Учеб. пособие для вузов.- 3-е изд., перераб. и доп.- М.: Энергоатомиздат, 1987.-496 с : ил.

31. Корячко В.П. и др. Теоретические основы САПР: Учебник для вузов / В.П. Корячко, В.М. Курейчик, И.П. Норенков.- М.: Энергоатомиздат, 1987.-400 с : ил.

32. Лейнекер Р. Энциклопедия Visual С++.-СП6: Издательство «Питер», 1999.-1152 с : ил.

33. Львовский Е.Н. Статистические методы построения эмпирических формул: Учеб. пособие для втузов.- 2-е изд., перераб. и доп.- М.: Высш. шк., 1988.- 239 с : ил. ISBN 5-06-001264-6.

34. Медведев В. С, Потемкин В. Г. Нейронные сети. MATLAB 6 / Под общ. ред. к.т.н. В.Г. Потемкина.-М.:ДР1АЛОГ-МИФИ, 2002.-496 с.-(Пакеты прикладных программ; Кн. 4).

35. Многомерный статистический анализ и вероятностное моделирование реальных процессов: Ученые записки по статистике. Т.54: Сб. науч. Статей.- М.: Наука, 1990.-296 с. ISBN 5-02-011914-8

36. Мозгалевский А.В., Гаскаров Д.В. Техническая диагностика.- М.: Высшая школа, 1975.- 207с.

37. Музыкин Н., Родионова Ю.М. Моделирование динамических систем.- Ярославль: Верх.-Волж. кн. изд-во, 1984.-304 с.

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

39. Нейрокомпьютеры в системах обработки сигналов. Кн. 9. Коллективная монография / Под ред. Ю.В. Гуляева и А.И. Галушкина.- М.: Радиотехника, 2003.-224 с : ил. (серия «Нейрокомпьютери и их применение»).

40. Нейронная сеть - оружие финансиста / Масалович А. И. // Internet: http://www.redline.ru/papers/pcweek/01 pcweek95/91 .html

41. Основы научных исследований: Учеб. для техн. вузов/ В.И. Крутов, И.М. Грушко, В.В. Попов и др.; Под ред. В.И. Крутова, В.В. Попова.- М.: Высш. шк., 1989.- 400 с : ил.

42. Песаран М., Слейтер Л. Динамическая регрессия: Теория и алгоритмы / Пер. с англ. Д.В. Певцова, И.В. Полякова; под ред. Э.Б. Ершова.-М.: Финансы и статистика, 1984.- 310 с , ил.-(Математико-статистические методы за рубежом),

43. Подбельский В.В. Язык C++: Учеб. пособие.- 2-е изд., перераб. и доп.- М.: Финансы и статистика, 1996.- 560 с : ил.

44. Половинкин А.И. Методы инженерного творчества. - Волгоград, 1980.-250с.

46. Построение экспертных систем: Пер. с англ./ Под ред. Ф. Хейса-Рота, Д. Уотермана, Д. Лената.- М.: Мир, 1987.- 441 с, ил.

47. Проблемы формализации диагностики отравлений / Шкурина Г.Л., Панченко Д.П. // Концептуальное проектирование в образовании, технике и технологии: Межвуз.сб.науч.тр./ ВолгГТУ. - Волгоград, 2001.-С 65.

48. Программы для ЭВМ. Базы данных. Топологии интеграпьных микросхем. Официальный бюллетень Российского агентства по патентам и товарным знакам. Москва. ФИПС. 2001-2002 гг.

49. Разработка системы диагностики отравлений на основе нейроподобных сетей / Филатов Б.Н., Шкурина Г.Л., Буланова Е.В., Панченко Д.П. // Нейроинформатика и ее приложения: Материалы IX Всероссийского семинара.-2001.- 190-191.

50. Распознавание. Классификация. Прогноз: Математические методы и их применение. М.:Наука.- 1988.

51. Распознавание. Классификация, Прогноз: Математические методы и их применение. М.:Наука.- 1989.

52. Самищенко С. Судебная медицина: Учебник для юридических вузов.-М.: ОСКПалек, 1998.-625 с.

53. Система диагностики отравлений химическими веществами / Панченко Д.П. // VI региональная конференция молодых исследователей волгоградской области: Тезисы докладов. -Волгоград, 2002. - 149.

54. Славин М. Б. Методы системного анализа в медицинских исследованиях.-М.: Медицина, 1989.-304 с : ил.

55. Сложность вычислений и алгоритмов / под ред. В.А. Козмидиади, А.Н. Маслова, Н.В. Петри.- М.: Мир, 1974. (Библиотека «Кибернетического сборника»)

56. Современные направления развития нейрокомпьютерных технологий в России / Галушкин А. И. // Открытые системы. №4, 1997 г., с. 25-28.

57. Статистический словарь / Гл. ред. М.А. Королев.- 2-е изд., перераб. и доп.- М.: Финансы и статистика.- 1989.- 623 с : ил. ISBN 5-279-00229-1.

58. Теория нейронных сетей. Кн. 1: Учебное пособие для вузов / Общая ред. А.И. Галушкина.- М.: ИПРЖР, 2000.- 416 с : (Нейрокомпьютеры и их применение)

59. Технология системного моделирования/ Е.Ф. Аврамчук, А.А. Вавилов, СВ. Емельянов и др.; Под общ. ред. СВ. Емельянова и др.- М.: Машиностроение; Берлин: Техник, 1988.-520 с: ил.

60. Тихонов А.Ф., Тихонова Л.Н. Visual FoxPro 5.О.- М.: Восточная Книжная Компания, 1997.- 464 с - (сер. "Без проблем!")

61. Уидроу Б., Стирнз Адаптивная обработка сигналов: Пер. с англ.- М,: Радио и связь, 1989. 440 с : ил.

62. Уоссермен Ф. Нейрокомпьютерная техника:теория и практика / Пер. с англ. - М.: Мир, 1992. - 105с.

63. Фондовый рынок и нейросети / B.C. Степанов // Мир ПК. №12, 1998 г.

64. Фролов А.Б. Модели и методы технической диагностики.- М.: Знание, 1990.- 47 с : ил., 24см.-(Новое в жизни, науке, технике. Математика. Кибернетика; 4/1990).

65. Фролов А.В., Фролов Г.В. Разработка приложений для Internet. Microsoft Visual C++ и MFC. (В среде Windows 95 и Wndows NT).- М.: ДИАЛОГ-МИФИ, 1997.- 286 с - (Библиотека системного программиста; Т.31)

66. Хакен Г. Синергетика / под ред. Ю.Л. Климонтовича, СМ. Осовца: пер. с англ.-М.: Мир, 1980.-404с.

67. Цикритзис Д., Лоховски Ф. Модели данных / Пер. с англ.- М.: Финансы и статистика, 1985.- 344 с, ил.

68. Чан Т. Системное программирование на C++ для UNIX : Пер. с англ.- Киев: Издательская группа BHV, 1999.- 592 с.

69. Электронный учебник. Нейронные сети. / Internet: http://www.statsoft.ru\textbook\modules\stneunet.html

70. Battiti R. First and second order methods for learning: Between steepest descent and Newton's method. // Neural Computation. 1992. Vol. 4, N2. P. 141-166.

71. Beale E. M. L. A derivation of conjugate gradients in F. A. 1.ootsma.// Numerical methods for nonlinear optimization. London: Academic Press, 1972.

72. Charalambous С Conjugate gradient algorithm for efficient training of artificial neural networks// IEEE Proceedings. 1992. Vol. 139, N3 . P. 301-310

73. Dennis J. E., Schnabel R. B. Numerical Methods for Unconstrained Optimization and Nonlinear Equations. Englewood Cliffs, NJ: Prentice-Hall, 1983

74. Fletcher R., Reeves С M. Function minimization by conjugate gradients// Computer Journal. 1964. Vol. 7. P. 149-154

75. Hagan M. Т., Demuth H. В., Beale M.H. Neural Network Design. Boston, MA: PWS Publishing, 1996.

76. Hagan M.T., Menhaj M. Training feedforward networks with the Marquardt algorithm// IEEE Transactions on Neural Networks. 1994. Vol. 5, N6. P. 989-993

77. Kosko, B. Neural Networks and Fuzzy Systems: a dynamical systems approach to machine intelligence. /Prentice Hall, Englewood Cliffs, New Jersey 1991.

78. Moller M. F. A scaled conjugate gradient algorithm for fast supervised learning//Neural Networks. 1993. Vol. 6. P. 525-533.

79. Powell M. J. D. Restart procedures for the conjugate gradient method//Mathematical Programming. 1977. Vol. 12. P. 241-254.

80. Scales L. E. Introduction to Non-Linear Optimization. New York: Springer-Verlag, 1985.