автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.11, диссертация на тему:Инструментальное средство разработки интеллектуальных систем поддержки решений задач диагностики

На правах рукописи

■'О/ У* '

004605714

Орлов Сергей Владимирович

ИНСТРУМЕНТАЛЬНОЕ СРЕДСТВО РАЗРАБОТКИ ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМ ПОДДЕРЖКИ РЕШЕНИЙ ЗАДАЧ ДИАГНОСТИКИ

Специальность 05.13.11 - математическое и программное обеспечение вычислительных машин, комплексов и компьютерных сетей

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

Тула 2010

2 4 ИЮН 2010

004605714

Работа выполнена в ГОУ ВПО «Тульский государственный университет»

Научный руководитель: доктор технических наук, профессор

Токарев Вячеслав Леонидович

Официальные оппоненты: доктор технических наук, профессор

Фомичев Александр Александрович

кандидат физико-математических наук, доцент Кузнецов Геннадий Васильевич

Ведущая организация: Курский государственный технический

университет

Защита состоится «02» июля 2010 г. в 10 час. 00 мин. на заседании диссертационного совега Д 212.271.07 при ГОУ ВПО «Тульский государственный университет» (300600, г.Тула, проспект Ленина, 92,9-101)

С диссертацией можно ознакомиться в библиотеке ГОУ ВПО «Тульский государственный университет».

Автореферат разослан «01» июня 2010 г.

Ученый секретарь диссертационного совета

Данилкин Ф.А.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы исследований. Проблемам компьютерной поддержки принятия решений задач диагностики традиционно уделяется много внимания. Это связано с постоянным увеличением сложности объектов диагностики и возрастающей ролью решения задач диагностики в современном обществе. В настоящее время эта задача стала особенно актуальной ввиду скачкообразного развития мощности электронных вычислительных машин, при помощи которых стало возможным переработка огромных массивов информации и превращение их в базы знаний для интеллектуальных решающих систем, позволяющих существенно повысить качество диагностических решений за счет использования современных математических методов. Значительный вклад в исследование и решение проблем построения интеллектуальных систем внесли отечественные учёные Д.А. Поспелов, О.И. Ларичев, Э.В. Попов, Г.С. Осипов, Г.В. Рыбина, В.Н. Вагин, В.Б. Тарасов, А.Н. Аверкин и другие, а также ряд зарубежных учёных Л. Заде, У. Клэнси, Э. Шортлиф, Ф. Форсайт, К. Нейлор и др.

Для создания системы поддержки принятия решений (СППР) задач диагностики достаточно наличие базы знаний и интерпретатора. Двумя основными проблемами, которые возникают при разработке таких систем, являются: 1) сложность организации механизма получения знаний от экспертов, заключающаяся в необходимости высокой квалификация экспертов (обучение, сертификация), их согласованности, формализации экспертных знаний и фактов, а также преодоления ряда субъективных доя каждого эксперта факторов (например, личной заинтересованности); 2) большие затраты времени на решение задач представления, преобразования данных н модели и выбора их параметров, а также непосредственного создания решающих правил.

Наличие относительно универсального интерпретатора делает возможным построение СППР для широкого круга задач диагностики и сводит процесс её создания в основном к процедуре разработки базы знаний. В настоящее время существует большое количество программных инструментальных средств (ПИС) для разработки СППР различного целевого назначения, но все они обладают недостатками ввиду отсутствия решений указанных выше проблем.

Таким образом, задача построения ПИС, позволяющего упростить процедуру наполнения базы знаний и ускорить процесс построения СППР, является актуальной и научнозначимой. Большой вклад в развитие технологий построения указанных ПИС для разработки интеллектуальных решающих систем внесли отечественные и зарубежные специалисты Г.В. Рыбина, И.Б. Фоминых, Б.А. Кобринский, В.Ф. Хорошевский, С.А. Романенко, О.Ю. Реброва, К.Р. Червинская,, П. Джексон, Ф. Хейес-Рот, Д. Ленат, Д. Уотермен и др.

Объектом исследования является ПИС разработки интеллектуальных СППР задач диагностики.

Предметом исследования являются теория и методы разработки ПИС.

Целью диссертационной работы является построение ПИ С разработки интеллектуальных СППР задач диагностики, позволяющего сократить сроки их создания и повысить адекватность принимаемых с их помощью решений.

В соответствии с указанной целью в диссертационной работе были поставлены следующие задачи:

1. Анализ существующих методов разработки интеллектуальных СППР.

2. Разработка и исследование метода формирования моделей объектов диагностики с автоматической настройкой их параметров.

3. Построение и исследование ПИС разработки интеллектуальных СППР задач диагностики.

4. Экспериментальное исследование ПИС с целью сравнительной оценки рациональности вырабатываемых решений.

5. Практическое решение задачи создания СППР с применением разработанного ПИС и оценивание полученных результатов.

Методы исследование. Для решения поставленных задач в работе использованы методы искусственного интеллекта (модели представления и обработки знаний, методы нечеткой логики, методы инженерии знаний и имитационного моделирования), дискретной математики, системного анализа, теории оптимизации, теории принятия и обеспечения рациональности решений.

Научная новизна диссертационной работы состоит в следующем:

1. Разработан метод формирования лингвистических моделей объектов диагностики и автоматической настройки параметров.

2. Предложена структура ПИС разработки интеллектуальных СППР задач диагностики на основе метода формирования лингвистических моделей.

3. Предложена и исследована методика создания б.изы знаний для интегрированной СППР с помощью разработанного ПИС, позволяющая структурировать декларативные знания, процедурные знания и закономерности.

4. Предложена методика построения автоматизированных систем диагностики на основе разработанного ПИС, позволяющих повысить точность вырабатываемых решений за счет привлечения дополнительной информации, отображающей особенности объекта диагностики.

Достоверность научных результатов подтверждена теоретическими и экспериментальными исследованиями, выполненными гтутем моделирования; результатами функционирования ПИС разработки интеллектуальных СППР задач диагностики, а также актами о практическом внедрении и использовании в производственной деятельности.

Практическая значимость. Результаты работы могут быть использованы при создании подсистем моделирования, а также для поддержки процессов формирования базы знаний интегрированных СППР трудноформализуемых задач диагностики в различных областях человеческой деятельности. Их применение позволяет:

- сократить объем данных, требуемый для инициализации СППР;

- уменьшить количество времени, затрачиваемое на формирование базы знаний, за счет увеличения степени автоматизации этого процесса;

- повысить адекватность формируемых моделей диагностики, а также эффективность СППР.

Созданное ПИС позволяет разрабатывать и настраивгггь интеллектуальные СППР для различных задач диагностики, а также производить формирование

лингвистических моделей диагностики на основе экспериментальных выборок данных.

Предложенная методика построения автоматизированных систем диагностики может быть полезна при создании интеллектуальных медицинских систем, способных вырабатывать диагностическое решение с учетом индивидуальных особенностей состояния здоровья конкретного пациента за счет формирования соответствующей модели.

Практическая значимость работы подтверждается использованием ПИС разработки СППР задач диагностики на основе предложенного в диссертационной работ»; метода для реальных, а также для виртуальных объектов диагностики, поведение которых описывается линейной и нелинейной функциями.

Реализация и внедрение результатов диссертационной работы. Разработанные средствами ПИС интеллектуальные системы используются в дилерском центре ООО "Лаура-Тула" для классификации и выявления наиболее устойчивых закономерностей причин неисправностей автотранспортных средств по накапливаемой в процессе обслуживания клиентов информации с целью улучшения качества и скорости выполнения процедур их диагностики и ремонта.

Разработанный с помощью ПИС и предложенных методик программный комплекс "Автоматизированная система медицинской диагностики анемий" прошел тестовую эксплуатацию. Результаты диссертационной работы используются в диагностической и лечебной практике в ГУЛ ТО НИИ новых медицинских технологий. В рамках разработанного программного комплекса сформированы диагностическая лингвистическая модель и модель состояния здоровья пациент:», позволяющая учитывать предрасположенность пациента к определенным заболеваниям.

Теоретические результаты работы используются в учебных курсах «Введение в системы искусственного интеллекта», "Теория принятия решений", "Теория интеллектуальных компьютерных систем" на кафедре ЭВМ Тульского государственного университета, в дипломном проектировании бакалавров и инженеров по специальностям «Вычислительные машины, комплексы, системы и сети» и «Комплексное обеспечение информационной безопасности автоматизированных систем», а также в лабораторном практикуме указанных дисциплин.

Положения, выносимые на защиту:

1. Метод формиров;шия лингвистических моделей объектов диагностики и автоматической настройки параметров функций принадлежности термов лингвистических переменных по экспериментальным выборкам данных, позволяющий обеспечить стохастическую устойчивость получаемых решений.

2. Структура ПИС, базирующаяся на разработанном методе и позволяющая упростить процесс создания СППР задач диагностики.

3. Методика создания базы знаний для интегрированной СППР с помощью разработанного ПИС, позволяющая встраивать в систему декларативных и процедурных знаний закономерности.

4. Методика построения автоматизированных систем диагностики повышенной точности за счет использования разработанного ПИС.

Апробация; работы. Основные положения и результаты диссертационного исследования докладывались и обсуждались иа научных конференциях и семинарах: 1.«Проблемы экономики и информатизации образования». IV научно-практическая конференция, ТИЭиИ, Тула, 2007г. 2.«Системы управления электротехническими объектами». IV Всероссийская научно-практическая конференция, ТулГУ, Тула, 2007г. 3.«Интеллектуальные и информационные системы». Всероссийская научно-техническая конференция, ТулГУ, Тула, 2007-2009г.г. ^«Интеллектуальные системы и технологии». Научная сессия МИФИ, Москва, 2008г. '.».«Реинжиниринг бизнес-процессов на основе современных информационных технологий. Системы управления знаниями». XI научно-практическая конференция, МЭСИ, Москва, 2008г. блПерспекгивы развития телекоммуникационных систем и информационные технологии». Заочная международная научно-практическая конференция, СПбГПУ, Санкт-Петербург, 2008г. 7,«Информационные технологии». 45 научно-практическая конференция профессорско-преподавательского состава ТулГУ, Тула, 2009г.

Публикации. По теме диссертационного исследования опубликовано 11 печатных работ, в том числе 5 статей и 6 работ в сборниках трудов конференций.

Структура н объем работы. Диссертация состоит из введения, четырех глав, заключения, библиографического списка (121 наименование), списка используемых сокращений и приложений. Объем работы без приложений составляет 140 страниц.

КРАТКОЕ СОДЕРЖАНИЕ РАБОТЫ

Во »ведении обоснована актуальность, показана научная новизна и практическая значимость диссертационной работы; определены объект, предмет, цель и задачи исследования; сформулированы основные положения, выносимые на защиту; дана общая характеристика работы и приведены аннотации разделов диссертации.

В первой главе изложена постановка задачи построения ПИС для разработки СГ1ПР задач диагностики.

Произведен анализ задачи диагностики, решение к оторой требуется получить с помощью СППР, разрабатываемой средствами ПИС. Описание типового объекта диагностики О представлено в виде

Ч = р{<*к~ъч)°Щ (1)

yk=H(sk)«vk, (2)

,9/. 6 S, хк е X, уь е Г, vjj е V, е W где ty - состоите объекта диагностики в к-й момент времени; - вектор показателей, недоступных дня изменения и существенно влияющих на состояние объекта диагностики; F(-) - оператор взаимосвязи; у;с - вектор выходных показателей состояния обьеюга диагностики, доступных для наблюдения; Я -

оператор наблюдения; w^.vj. - переменные, принимающие случайные значения из множеств W, V соответственно, S — конечное множество значений состояния объекта диагностики; X - конечное множество значений факторов, влияющих на состояние объекта диагностики, Y - множество возможных значений выходных наблюдаемых показателей, ° - оператор нечеткой композиции.

Задача диагностики заключатся в оценке значений s^ по информации, содержащейся в измерениях у^ и сведениях х^. Получаемые оценки должны соответствовать требованию p{s/(,sic)<s, где /iQ - метрика, в которой может быть оценена близость между оценкой ¿д. и истинным значением s^, е - допустимая величина оши бки в метрике р(-).

Поскольку указанные переменные могут быть зарегистрированы в разнотипных шкалах, не только количественных, но и качественных, принято в качестве основы базы ЗШ1НИЙ СППР задач диагностики использовать закономерности (1), (2), в виде лингвистических моделей (JIM), то есть моделей, оперирующих не собственно значениями ху^, s^, а функциями принадлежности (ФП) этих значений нечетким множествам — термам соответствующих лингвистических переменных (ЛП):

Р

М: U Ма.:(Xi)^nb (у), j, =l.....lf, jk=\.....lyk,

h=1 w

i=l,...,n, k = l,...,m. Здесь ау,— j -й терм i-й входной переменной; bJk - j -й терм к-и выходной

переменной; lf —числотермов /-й входной переменной jc; — числотермов к-й выходной переменной у; п,т - количество входных и выходных ЛП модели соответственно; ßc(z) — общее обозначение функции принадлежности значения базовой переменной z терму с.

Определены требования к лингвистической модели, удовлетворение которых обеспечит рациональность принимаемых решений. К таким требованиям отнесены:

1) устойчивость к отличиям в выборках данных;

2) минимальная сложность;

3) соответствие размеров области ошибок допустимым значениям критерия качества.

Показано, что одной из основных проблем построения ЛМ является определение ФП для термов входных и выходных лингвистических переменных.

Произведен анализ современных подходов к построению ФП. Показано, что большинство из них основано на субъективном задании термов и им соответствующих функций принадлежности или лицом, принимающим решение, или экспертами, настраивающими СППР для задач конкретной предметной области. Метод статистических данных, не зависящий от субъективных факторов, налагает ряд ограничений на экспериментальные выборки, например, необхо-

димость равномерного распределения значений переменных по заданным термам, которым на практике довольно сложно удовлетворить.

Предложено для преобразования переменных в шкалу лингвистических термов использовать функции принадлежности, графически представляющие собой трапеции без нижнего основания, с тремя параметрами: (р — координата центра трапеции по оси абсцисс; х — длина верхнего основания трапеции; а -угол наклона бедер трапеции, который определяется исходя из заданной степени размытости переменной f}.

Сформулирована задача настройки ФП по экспериментальным выборкам данных, заключающаяся в автоматическом поиске множества Й* cQ= {®/-}> где cdj. = {<р,Хьр] - набор параметров ФП терма ctj., при которых формируемая модель наилучшим образом отображает особенности объекта диагностики.

Определен баланс погрешностей, согласованный с требуемой точностью принятия решений, и проведены исследования, показавшие, что существуют условия, позволяющие, используя некоторую метрику p^{d,g), de D, g eG, в которой все возможные решения могут быть сравнены между собой (с точки зрения достижения цели g лица, принимающего решения), отыскать такую

конфигурацию множества Q с: Q, которое обеспечит выполнение указанных требований. Здесь G - множество возможных целей, D - множество допустимых решений.

В качестве метрики Pd(d,g) предложено использовать функцию Q(y,d), отображающую близость значений у, повлекших за собой ситуацию се С и

зависящих от решения d, к желаемым значениям у*, С - множество возможных ситуаций.

Уравнение баланса погрешностей в задаче диагностики принято в виде: rq-rw+rM'

где rq - радиус »7-мерной сферы области ошибок критерия; rw - радиус сферы,

характеризующей неопределенность объекта диагностики из-за невозможности учета ряда факторов; гм - радиус области ошибок модели.

Функция Q{y, d) должна отвечать условию е -различимости е= шах piQiyAlOb^))'

где D - множество допустимых решений, р - некоторая метрика.

Допустимая область ошибок приближенной модели определена как ЕМ = {ем(с'ФIs«PeM(c,d)<rM,csC,dе Dj и представляет собой т-мерную сферу радиуса г^, гдч: ед/(•) - функция ошибки модели.

Предложено оценивать существование множества Q* по исходным данным задачи, рациональное решение которой будет получено, если модель удовлетворяет условию:

тахрг(ь{,ь{)<гм, /=1...ЛГ, где Ь1 — номер терма выходной переменной! в / -й строке матрицы наблюдений IVы; Ь( - номер терма выходной переменной, определяемый лингвистической моделью по набору термов входных переменных, соответствующему /'-ой строке выборки данных объемом N; р( () — метрика, определяющая расстояние

между термами в интервале [0;/^).

Среднюю ошибку модели относительно матрицы наблюдений, по которой она была поручена, предложено оценивать выражением

Л А=1

Показано, что автоматизированный поиск множества Л может быть реализован итерационной процедурой вида

^к-Л{ПкА)оВ{р8(ук,М{Хк))), (5)

сходимость которой обеспечивается выбором операторов А и В. Здесь р$(.) -метрика, в которой сравниваются выходы объекта диагностики О и соответствующие выходы лингвистической модели М(Хк); А - нечеткий оператор перехода; В - нечеткий: управляющий оператор; о - оператор нечеткой композиции.

Показано, что для создания ПИС также требуется решить следующие задачи:

- выбор и оценка формы представления функций принадлежности лингвистических термов модели, обеспечивая при этом допустимую точность отображения значений информативных переменных;

- определение основных этапов процедуры (5) поиска оптимального множества £2 с целью выделения наиболее значимых, автоматизация выполнения которых способна существенно повысить адекватность лингвистической модели;

- обоснование и выбор метрик и р$ (•), а также критериев оценки степени соответствия ли нгвистической модели исследуемой системе;

- разработка алгоритма выработки решения Т: (М) для оценки условий достижимости цели на основе метрики

Во второй главе поставлена задача формирования базы знаний СППР задач диагностики средствами ПИС, приведены возможные способы её решения, сделан и теоретически обоснован выбор наиболее рационального способа.

Показано, что одним из этапов создания: ПИС является формирование лингвистических моделей по обучающим выборкам данных и настройка параметров ФП термов их ЛП по контрольным выборкам данных.. Важно отметить, что задача создания базы знаний для ПИС, основной целью которой является автоматическое формирование моделей в максимальной степени адекватных объекту диагностики не только за счет выбора вида и определения параметров ФП

термов, ио и их оптимального количества, является крайне важной с научной и практической точек зрения.

Для оценки степени соответствия лингвистической модели объекту диагностики предложено использовать тестовый критерий

где - показатель усгойчивости оценок критерия; - расстояние в

заданной метрике между действительным и оцениваемым Ь^ термами выходной ЛП; с^ — параметр регуляризации модели, предназначенный для повышения её обусловленности; N - объем контрольной выборки данных.

Показано, что сходимость критерия (6) к минимуму обеспечит выполнение всех требований к лингвистической модели, указанных вы ше.

Разработана процедура формирования лингвистической модели

й поиска множества £2* путем решения задачи многомерной условной глобальной оптимизации параметров термов лингвистических переменных

где Ф,Х,В - множество допустимых значений, соответственно, <р, % и 0.

Произведен анализ возможных способов решения задачи (5) в классах математических методов оптимизации первого и второго порядков, а также прямых методов. Показано, что для поиска глобального минимума функционала (6) наиболее рационально использовать случайный поиск в сочетании с градиентным методом наискорейшего спуска.

В качестве настроечного критерия для формирования лингвистической модели предложено использовать информационную меру на основе дивергенции Кульбака и её дисперсии:

. (8) где <7ул - оценки вероятностей, соответственно, различения и неразличе-п

ния конъ юнкцией с^ - л а^. модели выходного терма 6,.

Разработана процедура состоящая из начального и настроечного

этапов.

На начальном этапе предложено производить формирование лингвистической модели в первом приближении на основе имеющейся априорной информации и обучающей выборки данных. Для этого все значения переменных преобразуются в шкалу термов ЛП, строится модель вида (3) с начальными параметрами <р, х и р. Затем предложено выполнять алгоритм исключения про-

(6)

(<Р,Х>Р)=мё шт У, = 1,/ = !,...,«,

В

(7)

гиворечий (АИП) с целью очистки модели от статистически маловероятных правил на основе критерия (8).

Настроечный этап предложено представлять в виде разработанной итерационной процедуры корректировки параметров <р и х с целью достижения глобального минимума значения критерия (б):

' = 2,...,. (9)

На каждой итерации процедуры (9) решается задача многомерной оптимизации (7), выполняется АИП. Заданная глубина метода случайного поиска определяет количество итераций /.

Показало и теоретически обосновано, что предложенная процедура (9) корректировки параметров функций принадлежности термов обеспечивает достижение глобального минимума критерия (б), а процедура Тм(Ец) позволяет сформировать лингвистическую модель, удовлетворяющую всем требованиям, приведенным в первой главе диссертационной работы.

Третья глава посвящена исследованию предложенного метода формирования и самонастройки лингвистических моделей как основной базы для создания ПИС.

Для этого разработан программный модуль реализующий процедуру ТМ{ЕМ) и позволяющий формировать, производить настройку и оценку лингвистических моделей на основе обучающей и контрольной выборок данных.

Программный модуль содержит следующие основные процедуры: загрузки выборок данных; загрузки или определения начальной конфигурации П параметров ФП лингвистических термов; формирования первого приближения модели по обучающим выборкам данных; самонастройки модели по контрольным выборкам данных; обучения модели за счет пополнения выборок данных; за-шумления выборок данных; оценки модели (расчет значений настроечного и тестового критериев, а также ошибок модели при выработке диагностических решений) и вывода информации в текстовом и графическом видах.

С помощью программного модуля выполнено исследование метода, в котором в качестве модели диагностики использовалась модель вида "вход-выход":

где А - характеристика нелинейной взаимосвязи между вектором ук и векторами входных управляемых и неуправляемых м/^ воздействий на систему.

Для виртуальных статических и динамических объектов, поведение которых описано линейной и нелинейной функциями, выполнено формирование экспериментальных выборок данных с использованием генератора случайных чисел с равномерным распределением. Шум V определен генератором случайных чисел с нормальным распределением //[о,<т2]. Произведено построение лингвистических моделей. Для оценки адекватности моделей исследуемым объектам использовалась усредненная ошибка (4).

В результате применения итерационной процедуры (9) корректировки параметров функций принадлежности лингвистических термов входных перемен-

ных модели удалось снизить значение ошибки (4) относительно первого приближения модели, повысив её стохастическую устойчивость. Тем самым было обеспечено снижение максимального количества строк-наблюдений в контрольной выборке данных, не соответствующих (в метрике решений) полученной модели, с 18,2% до 0,2% для линейного и с 18,1% до 0,7% для нелинейного объектов.

Экспериментально показано, что значение ошибки (4) модели зависит от конфигурации О параметров ФП лингвистических термов, а процедура (9) корректировки указанных параметров обеспечивает требуемое значение ошибки (4) модели от любого начального значения.

Произведен анализ экспериментов по подстройке модели для решения задачи (7). Показано, что наибольшую скорость сходимости процедуры (9) обеспечивает использование градиентного метода наискорейшего спуска (ГМНС), а наибольшую эффективность - покоординатного ГМНС (ПГМНС). Динамика снижении значения критерия (4) модели процедурой (9) для нелинейного объекта показана на рис.1.

0,0200 0,0110 0,01(0

^ 0.0140 «

§ 0,0120

Л 0Л100

К

И 0,00м о °.°0«0

0,0040 0,0020 0,0000

Рис.1. Динамика снижения значения критерия адекватности модели процедурой корректировки параметров ФП термов ЛП

С помощью разработанного программного модуля реализован алгоритм выработки решения Тг{м) диагностики. Для оценки вероятность выработки ошибочного решения лингвистической моделью использовалось выражение

ЕЬ =^Ес*0/1(ь,.,6/).100%, ¿0/^А)= |(>' ,

кы\ [1, 6, * 6/

где -термы, полученных по лингвистической и точной (после преобразования значений выходных количественных переменных, вычисленных по аналитическому выражению, в шкалу термов ЛП) моделям, соответственно; к -

■ Координата центра 1ГМНС) □ Ширина ♦ Координата центра (ПГМНС) о Ширина

(ГМНС) ПГМНС)

♦ ♦

□ ♦ О ■ О

10 II 12 13 14 19 18 17 1» 1» 20 21 22 21 24 21> I

Номер итерации

I 27 28 23 J0 31 32 33 34 35 56

количество экспериментов. Ошибка Е показывает как решение, выработанное лингвистической моделью, отличается от верного диагностического решения. На рис.2 представлен график зависимости оценки вероятности выработки

ошибочного решения ЕЬ моделями нелинейного объекта со случайно заданными параметрами лингвистических термов £2 (JIM 1-3) и определенными процедурой (9) от степени размытости информативных переменных ß при зао

данном уровне шума в выборках данных а - 0.006.

о ю

ш о.

л ш

X

с

о

X

S

о а. а> о

3

х о 3 О

7,5

S? 7,0

5 6,5

X

о

3 в,0

о5'5 1 5,0

3*

Ю 4,5 S

I 4,0

3,5

3,0

!

V-

"V hl:: ....... ....... - "

-- v; г'

0,0

0,4

О.в 0,8 1,0 15

Степень размытости

1.4

1,3 1,8 2.0

-ЛЩавтом.)----ЛМ1------ЛМ2 •

•ЛМЗ

Рис.2. График зависимости ошибки лингвистической модели от степени размытости переменных

Экспериментально показано, что применение процедуры (9) позволяет повысить стохастическую устойчивость лингвистической модели и снизить оценку вероятности выработ ки ошибочного диагностического решения на её основе.

Четвертая глава посвящена созданию и исследованию ПИС разработки СППР задач диагностики.

Сформулирована задача разработки ПИС, которое должно иметь процедуры и соответствующий интерфейс, позволяющие пользователю, обладающему достоверной выборкой экспериментальных данных, построить СППР одной из задач диагностики и в дальнейшем улучшать (обучать) её. Данная СППР должна работать в двух режимах: режиме обучения, позволяющему настроить разрабатываемую систему средствами ПИС, и рабочем режиме, дающем пользователю возможность непосредственной выработки диагностических решений.

Определены требования к интерфейсу ПИС для взаимодействия пользователя с разработанными процедурами, а также следующие возможности, которые должны обеспечивгггься соответствующими диалоговыми окнами:

- ввод или загрузка из файлов начальных данных, выбор шкал измерения переменных, формирование первого приближения модели — первое основное диалоговое окно;;

- изменение параметров ФП термов ЛП модели в ручном или полуавтоматическом режимах, выполнение процедуры корректировки указанных параметров, выбор вида метода опти мизации - второе основное диалоговое окно;

-изменение параметров выбранного метода оптимизации и общих параметров процедуры самонастройки модели, например, порогового значения тестового критерия;

- оценка модели (расчет значений критериев);

- формирование графиков зависимости значений критериев модели от параметров ФП термов ЛП дли упрощения их редактирования в ручном режиме, а также графиков распределения значений переменных по термам;

- вывод результатов работы с ПИС в файлы.

Разработана структура ПИС, которая приведена на. рис.3, где модули инициализации и изменения параметров ФП лингвистических термов совместно с модулем формирования модели служат для реализации процесса моделирования, модули оценки модели и вывода информации позв оляют получить требуемые пользователем данные. Модуль обучения системы служит для пополнения базы данных контрольными и обучающими выборками. Модуль автоматической корректировки параметров позволяет пользователю выполнить процедуры самонастройки имеющейся модели.

Рис.3.-Структура ПИС

Основными входными данными для ПИС при разработке новой СППР задач диагностики являются:

1) наименование новой СППР и путь к файлу с начальными данными;

2) количество входных ЛП и и их термов i = 1,...,н; количество термов 1У выходной ЛП;

3) начальные параметры П ФП термов ЛП модели, если это необходимо;

4) признаки возможности изменения параметров ФП термов процедурой (9) для соответствующих ЛП в виде булевого вектора I размерности л;

5)экспериментальные выборки данных = [Хп | У], представленные в

виде матрицы размерности N^(»+1), где X" = {Х\,Х2,-..,Х„} - множества векторов значений входных информативных переменных, X/ = ......Х1 ы\> ^ - вектор значений выходных информативных переменных, У = {уъу2,~.,уы}\ N - число наблюдений (строк матрицы);

6) шкалы измерения информативных переменных Р = {р\,р2,—>Рп}> определяемые как: р, = 0 - количественная шкала; /?, = 1 - интервальная шкала; р, = 2 - шкала оценок и т.д.

Предложена методика создания базы знаний для интегрированной СППР с использованием ПИС, включающая три основных этапа. На первом этапе осуществляется формирование «классической» базы декларативных и процедурных знаний, с использованием подсистемы приобретения знаний и привлечением экспертной информации инженером по знаниям. На втором этапе происходит формирование базы знаний, содержащей закономерности, средствами разработанного ПИС. Третий этап предполагает включение базы приближенных моделей в «классическую» базу знаний.

Предложена методика построения автоматизированных систем диагностики на основе разработанного ПИС, позволяющих повысить точность вырабатываемых решений за счет привлечения дополнительной информации, отобра-зкающей особенности объекта диагностики.

Задача диагностики в общем виде сформулирована следующим образом. Имеется множество наименований состояний объекта диагностики, семантическая связь между которыми представляется в виде ориентированного графа (?(£,£/), имеющего древовидную структуру с Ь вершинами и N уровнями. Вершины графа Яу, е 5 отображают возможные состояния объекта

диагностики, а дуги - отношения между ними. Уровни графа позволяют организовать иерархические связи между 5Г, е 5. Имеется вектор показателей

г; , характеризующих состояние объекта диагностики на у-ой стадии

выработки диагностического решения (СВДР), на основании которых рассчитываются степени уверенности гу, еТ в правильности определения

соответствующего состояния, в котором находится объект диагностики, из Ду, е5, и вырабатывается наиболее вероятное диагностическое решение

агё шах Т. . Диагностическое решение, выработанное на у-ой СВДР,

определяет множество вершин следующей СВДР. Окончательным

диагностическим решением является одна из вершин .

Общую схему выработ(си диагностического решения! в автоматизированной системе диагностики предложено осуществлять в виде взаимодействия лингвистической: модели (1), выходом которой является вектор В\ размерностью 1} значений из [0;1] степеней уверенности в правильности определения соответствующего состояния объекта диагностики, и инвертированной лингвистической модели (2) с выходом Вп. Таким образом, вектор входной информации предложено представлять в виде:

Результирующий вектор значений степеней уверенности Ту предложено рассчитывать с помощью моделей (1) и (2) на основании функции

Ту ^соггесЩ}\Ву),

которая может быть записана, например, в виде последовательности вычислений:

п » • I г ™

3) Угу/ > 1Гу, = и Угу,. < О -> тм = 0.

Здесь я-, ,я"2 - коэффициенты, соответственно, уменьшения: и увеличения степени уверенности %^ за счет привлечения модели (2); 9 • порог значимости оценок модели (2).

Полученные результаты проверены на практике путем создания СППР задач диагностики с использованием ПИС.

С использованием созданного ПИС разработана автоматизированная система медицинской диагностики (АСМД) заболеваний крови (анемий), которая прошла тестовую эксплуатацию в ГУП ТО НИИ новых медицинских технологий. На основании выбор™ .анкетных данных сформирована лингвистическая модель состояние: здоровья пациента вида (3), где каждый терм а 1-й входной ЛП представляет р-е значение 1-го фактора состояния здоровья пациента, а терм Ь/с выходной ЛП - наименование к -го заболевания, к = . Аналогичным образом сформирована диагностическая лингвистическая модель, где каждый терм ап, м>-й входной ЛП представляет /--й результат м -го лабораторного анализа.

В АСМД анемий определено пространство выходных признаков-заболеваний, упорядоченных по степени риска, в виде следующих термов ЛП (7 шт.): «Ре-дефнцитная анемия», «В12-дефицитная анемия», «Фолиеводефи-цитная анемия», «Наследственная анемия, обусловленная нарушением синтеза порфиринов», «Анемия вследствие нарушения порфиринового обмена при свинцовой интоксикации», «Пиридоксиндефицитная анемия», «Апластическая анемия». Пространство входных признаков-факторов для модели состояния

здоровья пациента определено следующими ЛП (47 шт.): «Возраст», «Пол», «Хронические кровопотери», «Лучевая болезнь» и др., н следующими для диагностической модели (12 шт.): «Анизохрсмия», «Анизоцитоз», «Пойкилоци-тоз», «Объем эритроцитов» и др.

Процесс формирования каждой из моделей, т.е. итерационная процедура (9), для АСМД средствами ПИС завершился, когда критерий (6) достиг требуемого значения на имеющихся выборках экспериментальных данных. По результатам тестирования была показано эффективность полученной СППР.

С использованием созданного ПИС разработана интеллектуальная система диагностики неисправностей тормозной системы автотранспортных средств, которая используется в дилерском центре ООО "Лаура-Тула". Произведено формирование диагностической лингвистической модели тормозной системы автомобиля вида (3), где каждый терм ар[ 1-й входной ЛП представляет р-е

значение 1-го показателя для определенного вида диагностики технического состояния элемента тормозной системы, а терм Ьд выходной ЛП - наименование к-й неисправности, к = . Для этого получена выборка данных, которые были накоплены в процессе диагностики и ремонта автомобилей в период с 2007 по 2009 г.г. и зафиксированы в виде значений показателей результатов проведенных видов диагностики по ГОСТ Р 51709-2001 специализированным программно-аппаратным комплексом «ЛАУ4», который не имеет возмохсности самостоятельно вырабатывать диагностическое решение.

В рассмотренной интеллектуальной системе определено пространство выходных признаков-неисправностей в виде следующих термов ЛП (12 шт.): «тормозные колодки» (для каждой оси), «воздух в системе» (для каждого колеса), «главный тормозной цилиндр», «рабочий цилиндр» (для каждого колеса), «вакуумный усилитель». Пространство входных признаков-факторов определено следующими ЛП (16 шт.): «Тормозное усилие колеса автомобиля» (для каждого колеса, в т.ч. с использованием ручного торможения), «Разность тормозных усилий на одной оси» (для каждой оси, в т.ч. с использованием ручного торможения), «Биение тормозных дисков» (для каждого колеса).

Применение разработанной средствами ПИС интеллектуальной системы в дилерском центре ООО «Лаура-Тула» позволило сократить время диагностики тормозной системы одного транспортного средства приблизительно на 4 минуты (»25%), что сделало возможным принимать дополнительно 2 автомобиля за рабочую смену на данном диагностическом стенде. Таким образом, основной эффект (в частности, экономический) от использования указанной системы за-шпочается в увеличении прибыли организации приблизительно на 18000 рубУмес. вне зависимости от формы оплаты труда диагностов. В качестве косвенного положительного эффекта от внедрения системы можно отметить уменьшение времени ожидания клиентом дилерского центра окончания данного вида диагностики, а также и остальных видов за счет использования освободившегося времени диагностом на выполнение других видов работ.

Показано, что для разработки и настройки двух реализованных СППР необходимость привлечения инженера по знаниям отпадает, поскольку всю

сложную работу по построению модели как основной части диагностической системы выполняет ПИС полностью автоматически, исключая этап «ручного» задания её параметров. Задача создания СППР средствами ПИС в таком случае сводится к введению выборки данных и указанных выше входных параметров лицом, принимающим решение.

В заключении сформулированы основные результаты и выводы по работе.

В приложение вынесены исходные данные для формирования модели состояния здоровья: пациента для АСМД анемий, акты об использовании результатов диссертационного исследования.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

1. Разработан метод формирования лингвистических моделей объектов диагностики и автоматической настройки параметров функций принадлежности термов лингвистических переменных по экспериментальным выборкам данных, позволяющий обеспечить стохастическую устойчивость получаемых решений.

2. Предложена структура ПИС, базирующаяся на разработанном методе и позволяющая упростить процесс создания СППР задач диагностики.

3. Предложена методика создания базы знаний для интегрированной СППР с помощью разработанного ПИС, позволяющая встраивать в систему декларативных и процедурных знаний закономерности.

4. Предложена методика построения автоматизированных систем диагностики на основе разработанного ПИС, позволяющих повысить точность вырабатываемых решений за счет привлечения дополнительной информации, отображающей особенности объекта диагностики.

5. С использованием ПИС создано программное обеспечение для диагностики заболеваний крови человека (анемий) и построена лингвистическая модель состояния здоровья пациента, позволяющая учитывать предрасположенность к определенным заболеваниям.

6. С использованием ПИС создано программное обеспечение для диагностики неисправностей тормозной системы автотранспортных средств, построена лингвистическая модель тормозной системы автомобиля, использование которой может служить основанием для произведения ремонта.

7. В результате экспериментальных исследований показана эффективность применения инструментальной поддержки для формирования моделей диагностики и разработки СППР задач диагностики.

8. Результаты диссертационной работы используются в диагностической и лечебной практике в ГУП ТО НИИ новых медицински?: технологий, а также в производственном процессе дилерского центра ООО «Лаура-Тула».

ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ

1. Токарев ВЛ., Орлов С.В. Задана обмена знаниями между решающими системами // Известия ТулГУ. Серия. Вычислительная техника. Информационные технологии. Системы управления. Вып. 1. Вычислительная техника. Тула: Изд-во ТулГУ, 2006. С. 106—11(1.

2. Орлов C.B. Моделирования ситуаций дня поддержки принятия решений // Системы управления электротехническими объектами. Вып. 4. Сб. научных трудов четвертой Всероссийской научно-практической конференции. Тула: Изд-во ТулГУ, 2007. С. 7—9.

3. Орлов C.B. Метод приближенного моделирования для интегрированных систем поддержки принятия решений // Интеллектуальные и информационные системы: Материалы Всероссийской научно-технической конференции / Тульский государственный университет. Тула: Изд-во ТулГУ, 2007. С. 66—67.

4. Орлов C.B. Об одном механизме постановки диагноза в экспертной системе медицинской диагностики // Нечеткие системы и мягкие вычисления. Тверь: РИУ ТверГУ, 2007. Т. 2. № 2. С. 41—48.

5. Орлов C.B. Метод повышения точности экспертных систем диагностики // Вестник ТулГУ. Серия. Вычислительная техника. Вып. 1. Тула: Изд-во ТулГУ, 2007 С. 80—83.

6. Орлов C.B. Использование лингвистических моделей для решения задач приближенного моделирования // Научная сессия МИФИ-2008. Сборник научных трудов. В 15 томах.. Т.10. Интеллектуальные системы и технологии. М.: Изд-во МИФИ, 2008. 256 с.

7. Орлов C.B. Формирование баз знаний предметной области ИСППР. // XI научно-практическая конференция «Реинжиниринг бизнес-процессов на основе современных информационных технологий. Системы управления знаниями» (РБП-СУЗ-2008): Сборник научных трудов / Московский государственный университет экономики, статистики и информатики. М.: Изд-во МЭСИ, 2008. С. 182—184.

8. Орлов C.B. Метод автоматизации процесса формирования приближенных моделей II Перспективы развития телекоммуникационных систем и информационные технологии: труды междунар. конф. СПб.: Изд-во Политехи, унта, 2008. С. 250—254.

9. Орлов C.B. Метод автоматизации процесса приближенного моделирования для интегрированных систем поддержки принятия решений // Научно-технические ведомости СПбГПУ. Серия "Информатика. Телекоммуникации. Управление". СПб.: Изд-во Политехи, ун-та, 2009. № 2. С. 167—172.

10. Токарев В Л., Орлов C.B. Задача автоматизации процесса формирования лингвистических моделей для поддержки принятия решений // Научно-технические ведомости СПбГПУ. Серия "Информатика. Телекоммуникации. Управление". СПб.: Изд-во Политехи, ун-та, 2009. № 5. С. 111—114.

11. Орлов C.B. Метод формирования и автоматического определения наилучших параметров лингвистических моделей // Интеллектуальные и информационные системы: Материалы Всероссийской научно-технической конференции / Тульский государственный университет. Тула: Изд-во ТулГУ, 2009. С. 18—21.

Изд. лиц. ЛР № 020300 от 12.02.97. Подписано в печать 28.05.2010. Формат бумаги 60x84 1/16- Бумага офсетная. Усл. печ. л. 1,1 Уч.-изд. л. 1,0. Тираж 100 экз. Заказ ОН

Тульской государственный университет. ЗООб'ОО, г. Тула, просп. Ленина, 92.

Отпечатано в Издательстве ТулГУ 300600, г. Тула, просп. Ленина, 95

Введение.

Глава 1 Анализ проблем построения ПИС разработки СППР трудноформализуемых задач диагностики.

1.1 Проблема поддержки решений задач диагностики.

1.1.1 Обзор трудноформализуемых задач диагностики и средств для поддержки их решения.

1.1.2 Математическая постановка задачи диагностики.

1.1.3 Использование приближенных моделей для поддержки решений задач диагностики.

1.1.4 Интегрированная СППР задач диагностики.

1.2 Обзор существующих ПИС разработки СППР задач диагностики.

1.3 Задача формирования базы знаний СППР.

1.3.1 Анализ диагностических моделей.

1.3.2 Классификация и анализ методов формирования функций принадлежности.

1.3.3 Постановка задачи формирования и оценки качества диагностической лингвистической модели.

1.3.4 Задача настройки функций принадлежности.

1.4 Задача построения ПИС разработки СППР задач диагностики

Выводы по главе 1.

Глава 2 Метод формирования базы знаний СППР.

2.1 Критерии оценки лингвистической модели.

2.2 Математическая постановка задачи формирования и настройки параметров лингвистических моделей.

2.3 Анализ возможных способов решения поставленной задачи

2.4 Выбор рационального способа решения задачи.

2.5 Теоретические обоснования предложенного метода.

2.6 Алгоритм реализации метода.

2.7 Доказательства возможности решить поставленную задачу предложенным методом.

Выводы по главе 2.

Глава 3 Исследования предложенного метода.

3.1 Задача исследования.

3.2 Имитационные диагностические модели.

3.3 Разработка ПС для реализации метода построения диагностических лингвистических моделей.

3.4 Экспериментальные исследования и результаты.

Выводы по главе 3.

Глава 4 Разработка программного инструментального средства

4.1 Задача разработки ПИС.

4.2 Разработка структуры ПИС.

4.3 Входные данные для ПИС.

4.4 Разработка интерфейса ПИС для ЛПР.

4.5 Реализация и тестирование ПИС.

4.6 Методика создания базы знаний ИСППР средствами ПИС

4.7 Методика построения диагностических систем повышенной точности

4.8 Разработка СППР задач диагностики на основе ПИС.

4.8.1 АСМД анемий.

4.8.2 Интеллектуальная система диагностики неисправностей тормозной системы автомобиля.

Выводы по главе 4.

Актуальность темы исследований. Проблемам компьютерной поддержки принятия решений задач диагностики традиционно уделяется много внимания. Это связано с постоянным увеличением сложности объектов диагностики и возрастающей ролью решения задач диагностики в современном обществе. В настоящее время эта задача стала особенно актуальной ввиду скачкообразного развития мощности электронных вычислительных машин, при помощи которых стало возможным переработка огромных массивов информации и превращение их в базы знаний для интеллектуальных решающих систем, позволяющих существенно повысить качество диагностических решений за счет использования современных математических методов. Значительный вклад в исследование и решение проблем построения интеллектуальных систем внесли отечественные учёные Д.А. Поспелов, О.И. Ларичев, Э.В. Попов, Г.С. Осипов, Г.В. Рыбина, В.Н. Вагин, В.Б. Тарасов, Л.Н. Аверкин и другие, а также ряд зарубежных учёных Л. Заде, У. Клэнси, Э. Шортлиф, Ф. Форсайт, К. Нейлор и др.

Для создания системы поддержки принятия решений (СППР) задач диагностики достаточно наличие базы знаний и интерпретатора. Двумя основными проблемами, которые возникают при разработке таких систем, являются: 1) сложность организации механизма получения знаний от экспертов, заключающаяся в необходимости высокой квалификация экспертов (обучение, сертификация), их согласованности, формализации экспертных знаний и фактов, а также преодоления ряда субъективных для каждого эксперта факторов (например, личной заинтересованности); 2) большие затраты времени на решение задач представления, преобразования данных в модели и выбора их параметров, а также непосредственного создания решающих правил.

Наличие относительно универсального интерпретатора делает возможным построение СППР для широкого круга задач диагностики и сводит процесс её создания в основном к процедуре разработки базы знаний. В настоящее время существует большое количество программных инструментальных средств (ПИС) для разработки СПГТР различного целевого назначения, но все они обладают недостатками ввиду отсутствия решений указанных выше проблем.

Таким образом, задача построения ПИС, позволяющего упростить процедуру наполнения базы знаний и ускорить процесс построения СППР, является актуальной и научнозначимой. Большой вклад в развитие технологий построения указанных ПИС для разработки интеллектуальных решающих систем внесли отечественные и зарубежные специалисты Г.В. Рыбина, И.Б. Фоминых, Б.А. Кобринский, В.Ф. Хорошевский, С.А. Романенко, О.Ю. Реброва, К.Р. Червинская, , П. Джексон, Ф. Хейес-Рот, Д. Ленат, Д. Уотермеп и др.

Объектом исследования является ПИС разработки интеллектуальных СППР задач диагностики.

Предметом исследования являются теория и методы разработки ПИС.

Целью диссертационной работы является построение ПИС разработки интеллектуальных СППР задач диагностики, позволяющего сократить сроки их создания и повысить адекватность принимаемых с их помощью решений.

В соответствии с указанной целью в диссертационной работе были поставлены следующие задачи:

1. Анализ существующих методов разработки интеллектуальных СППР.

2. Разработка и исследование метода формирования моделей объектов диагностики с автоматической настройкой их параметров.

3. Построение и исследование ПИС разработки интеллектуальных СППР задач диагностики.

4. Экспериментальное исследование ПИС с целью сравнительной оценки рациональности вырабатываемых решений.

5. Практическое решение задачи создания СППР с применением разработанного ПИС и оценивание полученных результатов.

Методы исследования. Для решения поставленных задач в работе использованы методы искусственного интеллекта (модели представления и обработки знаний, методы нечеткой логики, методы инженерии знаний и имитационного моделирования), дискретной математики, системного анализа, теории оптимизации, теории принятия и обеспечения рациональности решений.

Научная новизна диссертационной работы состоит в следующем:

1. Разработан метод формирования лингвистических моделей объектов диагностики и автоматической настройки параметров.

2. Предложена структура ПИС разработки интеллектуальных СППР задач диагностики на основе метода формирования лингвистических моделей.

3. Предложена и исследована методика создания базы знаний для интегрированной СППР с помощью разработанного ПИС, позволяющая структурировать декларативные знания, процедурные знания и закономерности.

4. Предложена методика построения автоматизированных систем диагностики на основе разработанного ПИС, позволяющих повысить точность вырабатываемых решений за счет привлечения дополнительной информации, отображающей особенности объекта диагностики.

Достоверность научных результатов подтверждена теоретическими и экспериментальными исследованиями, выполненными путем моделирования; результатами функционирования ПИС разработки интеллектуальных СППР задач диагностики, а также актами о практическом внедрении и использовании в производственной деятельности.

Практическая значимость. Результаты работы могут быть использованы при создании подсистем моделирования, а также для поддержки процессов формирования базы знаний интегрированных СППР трудноформализуемых задач диагностики в различных областях человеческой деятельности. Их применение позволяет:

- сократить объем данных, требуемый для инициализации СППР;

- уменьшить количество времени, затрачиваемое на формирование базы знаний, за счет увеличения степени автоматизации этого процесса;

- повысить адекватность формируемых моделей диагностики, а также эффективность СППР.

Созданное ПИС позволяет разрабатывать и настраивать интеллектуальные СППР для различных задач диагностики, а также производить формирование лингвистических моделей диагностики на основе экспериментальных выборок данных.

Предложенная методика построения автоматизированных систем диагностики может быть полезна при создании интеллектуальных медицинских систем, способных вырабатывать диагностическое решение с учетом индивидуальных особенностей состояния здоровья конкретного пациента за счет формирования соответствующей модели.

Практическая значимость работы подтверждается использованием ПИС разработки СППР задач диагностики на основе предложенного в диссертационной работе метода для реальных, а также для виртуальных объектов диагностики, поведение которых описывается линейной и нелинейной функциями.

Реализация и внедрение результатов диссертационной работы.

Разработанные средствами ПИС интеллектуальные системы используются в дилерском центре ООО "Лаура-Тула" для классификации и выявления наиболее устойчивых закономерностей причин неисправностей автотранспортных средств по накапливаемой в процессе обслуживания клиентов информации с целью улучшения качества и скорости выполнения процедур их диагностики и ремонта.

Разработанный с помощью ПИС и предложенных методик программный комплекс "Автоматизированная система медицинской диагностики аиемий" прошел тестовую эксплуатацию. Результаты диссертационной работы используются в диагностической и лечебной практике в ГУП ТО НИИ новых медицинских технологий. В рамках разработанного программного комплекса сформированы диагностическая лингвистическая модель и модель состояния здоровья пациента, позволяющая учитывать предрасположенность пациента к определенным заболеваниям.

Теоретические результаты работы используются в учебных курсах «Введение в системы искусственного интеллекта», "Теория принятия решений", "Теория интеллектуальных компьютерных систем" на кафедре ЭВМ Тульского государственного университета, в дипломном проектировании бакалавров и инженеров по специальностям «Вычислительные машины, комплексы, системы и сети» и «Комплексное обеспечение информационной безопасности автоматизированных систем», а также в лабораторном практикуме указанных дисциплин.

Положения, выносимые на защиту:

1. Метод формирования лингвистических моделей объектов диагностики и автоматической настройки параметров функций принадлежности термов лингвистических переменных по экспериментальным выборкам данных, позволяющий обеспечить стохастическую устойчивость получаемых решений.

2. Структура ПИС, базирующаяся па разработанном методе и позволяющая упростить процесс создания СППР задач диагностики.

3. Методика создания базы знаний для интегрированной СППР с помощью разработанного ПИС, позволяющая встраивать в систему декларативных и процедурных знаний закономерности.

4. Методика построения автоматизированных систем диагностики повышенной точности за счет использования разработанного ПИС.

Апробация работы. Основные положения и результаты диссертационного исследования докладывались и обсуждались на научных конференциях и семинарах: 1.«Проблемы экономики и информатизации образования». IV научно-практическая конференция, ТИЭиИ, Тула, 2007г. 2.«Системы управления электротехническими объектами». IV Всероссийская научно-практическая конференция, ТулГУ, Тула, 2007г. 3.«Интеллектуальные и информационные системы». Всероссийская научно-техническая конференция, ТулГУ, Тула, 2007-2009г.г. 4.«Интеллектуальные системы и технологии».

Научная сессия МИФИ, Москва, 2008г. 5.«Реинжиниринг бизнес-процессов на основе современных информационных технологий. Системы управления знаниями». XI научно-практическая конференция, МЭСИ, Москва, 2008г. 6.«Перспективы развития телекоммуникационных систем и информационные технологии». Заочная международная научно-практическая конференция, СПбГПУ, Санкт-Петербург, 2008г. 7.«Информационные технологии». 45 научно-практическая конференция профессорско-преподавательского состава ТулГУ, Тула, 2009г.

Публикации. По теме диссертационного исследования опубликовано 11 печатных работ, в том числе 5 статей и 6 работ в сборниках трудов конференций.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, библиографического списка (121 наименование), списка используемых сокращений и приложений. Объем работы без приложений составляет 140 страниц.

Выводы по главе 4

1. Предложена структура ПИС разработки СППР задач диагностики, включающая механизмы формирования диагностических лингвистических моделей на основе исследованного метода автоматизации процесса приближенного моделирования.

2. Разработана методика создания базы знаний для интегрированной СППР с помощью разработанного ПИС, позволяющая встраивать в систему декларативных и процедурных знаний закономерности.

3. Разработана и исследована методика построения автоматизированных систем диагностики повышенной точности за счет использования ПИС.

4. На основе предложенных методов и методик при помощи ПИС разработана АСМД анемий, позволяющая повысить точность вырабатываемого диагностического решения за счет использования построенной МСЗП.

5. С использованием ПИС создано программное обеспечение для диагностики неисправностей тормозной системы автотранспортных средств, построена лингвистическая модель тормозной системы автомобиля, использование которой может служить основанием для произведения ремонта.

Заключение

В заключении отметим основные результаты, полученные в ходе диссертационного исследования:

1. Разработан метод формирования лингвистических моделей объектов диагностики и автоматической настройки параметров функций принадлежности термов лингвистических переменных по экспериментальным выборкам данных, позволяющий обеспечить стохастическую устойчивость получаемых решений.

2. Предложена структура ПИС, базирующаяся на разработанном методе и позволяющая упростить процесс создания СППР задач диагностики.

3. Предложена методика создания базы знаний для интегрированной СППР с помощью разработанного ПИС, позволяющая встраивать в систему декларативных и процедурных знаний закономерности.

4. Предложена методика построения автоматизированных систем диагностики на основе разработанного ПИС, позволяющих повысить точность вырабатываемых решений за счет привлечения дополнительной информации, отображающей особенности объекта диагностики.

5. С использованием ПИС создано программное обеспечение для диагностики заболеваний крови человека (анемий) и построена лингвистическая модель состояния здоровья пациента, позволяющая учитывать предрасположенность к определенным заболеваниям.

6. С использованием ПИС создано программное обеспечение для диагностики неисправностей тормозной системы автотранспортных средств, построена лингвистическая модель тормозной системы автомобиля, использование которой может служить основанием для произведения ремонта.

7. В результате экспериментальных исследований показана эффективность применения инструментальной поддержки для формирования моделей диагностики и разработки СППР задач диагностики.

8. Результаты диссертационной работы используются в диагностической и лечебной практике в ГУП ТО НИИ новых медицинских технологий, а также в производственном процессе дилерского центра ООО «Лаура-Тула».

По теме диссертационного исследования опубликованы следующие работы:

1. Токарев В.Л., Орлов С.В. Задача обмена знаниями между решающими системами // Известия ТулГУ. Серия. Вычислительная техника. Информационные технологии. Системы управления. Вып. 1. Вычислительная техника. Тула: Изд-во ТулГУ, 2006. С. 106—110.

2. Орлов С.В. Моделирования ситуаций для поддержки принятия решений // Системы управления электротехническими объектами. Вып. 4. Сб. научных трудов четвертой Всероссийской научно-практической конференции. Тула: Изд-во ТулГУ, 2007. С. 7—9.

3. Орлов С.В. Метод приближенного моделирования для интегрированных систем поддержки принятия решений // Интеллектуальные и информационные системы: Материалы Всероссийской научно-технической конференции / Тульский государственный университет. Тула: Изд-во ТулГУ, 2007. С. 66—67.

4. Орлов С.В. Об одном механизме постановки диагноза в экспертной системе медицинской диагностики // Нечеткие системы и мягкие вычисления. Тверь: РИУ ТверГУ, 2007. Т. 2. № 2. С. 41—48.

5. Орлов С.В. Метод повышения точности экспертных систем диагностики // Вестник ТулГУ. Серия. Вычислительная техника. Вып. 1. Тула: Изд-во ТулГУ, 2007 С. 80—83.

6. Орлов С.В. Использование лингвистических моделей для решения задач приближенного моделирования // Научная сессия МИФИ-2008. Сборник научных трудов. В 15 томах. Т. 10. Интеллектуальные системы и технологии. М.: Изд-во МИФИ, 2008. 256 с.

7. Орлов С.В. Формирование баз знаний предметной области ИСППР. // XI научно-практическая конференция «Реинжиниринг бизнес-процессов на

129 основе современных информационных технологий. Системы управления знаниями» (РБП-СУЗ-2008): Сборник научных трудов / Московский государственный университет экономики, статистики и информатики. М.: Изд-во МЭСИ, 2008. С. 182—184.

8. Орлов С.В. Метод автоматизации процесса формирования приближенных моделей // Перспективы развития телекоммуникационных систем и информационные технологии: труды междунар. конф. СПб.: Изд-во Политехи, ун-та, 2008. С. 250—254.

9. Орлов С.В. Метод автоматизации процесса приближенного моделирования для интегрированных систем поддержки принятия решений // Научно-технические ведомости СПбГПУ. Серия "Информатика. Телекоммуникации. Управление". СПб.: Изд-во Политехи, ун-та, 2009. № 2. С. 167—172.

10. Токарев B.JL, Орлов С.В. Задача автоматизации процесса формирования лингвистических моделей для поддержки принятия решений // Научно-технические ведомости СПбГПУ. Серия "Информатика. Телекоммуникации. Управление". СПб.: Изд-во Политехи, ун-та, 2009. № 5. С. 111—114.

11. Орлов С.В. Метод формирования и автоматического определения наилучших параметров лингвистических моделей // Интеллектуальные и информационные системы: Материалы Всероссийской научно-технической конференции / Тульский государственный университет. Тула: Изд-во ТулГУ, 2009. С. 18—21.

1. Провотар А.И. Формализация: алгоритмический подход // Проблеми програмування. Спещальний випуск, № 2-3, 2008, ISSN 1727-4907.

2. Гордеев Э.Н. Задачи выбора и их решение. В кн.: Компьютер и задачи выбора. М.: Наука, 1989.

3. Черноруцкий И.Г. Методы принятия решений. СПб.: БХВ-Петербург, 2005.-416 с.

4. Евланов Л.Г. Теория и практика принятия решений. — М.: Экономика,1984.

5. Simon Н. A. New Science of Management Decision. New York: Harper, 1960. - 224.

6. Леонтьев А.А. Основы психолингвистики: Учебник для студентов вузов. -М.: Смысл. 1997.-е. 201.

7. Вороновский Г.К., и др. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности / Вороновский Г.К., К.В. Махотило, С.Н. Петрашев, С.А. Сергеев. -Харьков: Основа, 1997. с. 10-24

8. Стратегия. Как создавать и использовать эффективную стратегию. 2-е изд./Р.Кох. СПб.: Питер, 2003., с.292.

9. Гэри М., Джонсон Д. Вычислительные машины и трудноразрешимые задачи. М.: Мир, 1982.

10. Токарев В.Л. Основы теории обеспечения рациональности решений. Монография Тула: ТулГУ, 2000. - 120 с.

11. Зарубин B.C. Математическое моделирование в технике. М.: Изд-во МГТУ им. Н.Э. Баумана, 2001.-195с.

12. Simon Н. A. New Science of Management Decision. New York: Harper, 1960.-224.

13. Finlay P. N. Introducing decision support systems.- Oxford, UK Cambridge, Mass., NCC Blackwell: Blackwell Publishers, 1994.

14. Marakas G. M. Decision support systems in the twenty-first century. Upper Saddle River, N.J.: Prentice Hall, 1999

15. Power D. J. «What is a DSS?» // The On-Line Executive Journal for Data-Intensive Decision Support, 1997. v. 1. - N3.

16. Джозеф Джарратано, Гари Райли «Экспертные системы: принципы разработки и программирование»: Пер. с англ. М.: Издательский дом «Вильяме», 2006. - 1152 стр.

17. Таунсенд К., Фохт Д. Проектирование и программная реализация экспертных систем на персональных ЭВМ: Пер. с англ. В. А. Кондратенко, С. В. Трубицына. М.: Финансы и статистика, 1990. - 320 с.

18. Иоффин А.И. Системы поддержки принятия решений // Мир ПК 1993, N5. с.47-57.

19. Nakamori Y., Liu C.D. Integrated model based system for large scale system development // IFAC/IFORS/IMACS Symposium Large Scale Systems: Theory and Application. / Preprint, Vol.2 Beijing, 1992. - pp. 454-459.

20. Wu E., Chen Yong Hong. Decision support system based on general modelling // MCNE'92: 7th IFACtfFORS/ILASA Conf. Modelling find Control Nat. Econ., Preprint Beijing, 1992. - pp. 241-248.

21. Клайн С. Дж. Подобие и приближённые методы.—М.: Мир, 1968

22. Scott Morton М. S. Management Decision Systems: Computer-based Support for Decision Making. — Boston: Harvard University, 1971.

23. Аверкин A.H., Батыршин И.З., Блишун А.Ф., Силов В.Б., Тарасов В.Б. Нечеткие множества в моделях управления и искусственного интеллекта./Под ред. Д.А.Поспелова. М.: Наука. Гл. ред. физ.-мат. лит., 1986. - 312 с.

24. Заде JI. Понятие лингвистической переменной и его применение к принятию приближенных решений. М.: Мир, 1976. - 165с.

25. Беллман Р., Заде Л. Принятие решений в расплывчатых условиях // Вопросы анализа и процедуры принятия решений: Сб. статей / Пер. с англ., Под ред. И. Ф. Шахнова. М., 1976. С.172 - 215.

26. Zadeh L.A. Discussion: Probability theory and fuzzy logic are complementary rather than competitive // Technometrics. 1995. - Vol.37. - N 3. -P.271-276.

27. Обработка нечеткой информации в системах принятия решений / А. Н. Борисов, А. В. Алексеев, Г. В. Меркурьева и др. М.: Радио и связь, 1989. -304 с.

28. Zadeh L. Commonsense knowledge representation based on fuzzy logic. Computer, 16: 61-65, 1983.

29. Yager R. R. and Zadeh L. A. Fuzzy Sets, Neural Networks and Soft Computing. New York: Van Nostrand Reinhold, 1994.

30. Power D.J. A Brief History of Decision" Support Systems. DSSResources.COM, World Wide Web, http://DSSResources.COM/history/dsshistoiy.html, version 2.8, May 31, 2003.

31. Демьянков В. 3. Предикаты и концепция семантической интерпретации. // В сб.: Известия АН СССР, сер. литературы и языка, 1980, т. 39, № 4.

32. Дюк В.А. "Компьютерная психодиагностика", С.-Петербург, 1994

33. ЗЗ.Загоруйко Н.Г., Ёлкина В.Н., Лбов Г.С. Алгоритмы обнаруженияэмпирических закономерностей. — Новосибирск: Наука, 1985.

34. Ивахненко А.Г., Юрачковский Ю.П. Моделирование сложных систем по экспериментальным данным. М.: Радио и связь, 1987. - 120 с.

35. Гаврилова Т. А., Хорошевский В. Ф. Базы знаний интеллектуальных систем: Учебник для вузов. СПб: Питер,2001 год, 384 стр.

36. Коов М. И., Мацкин М. Б., Тыугу Э. X. Интеграция концептуальных и экспертных знаний в САПР//Изв. АН СССР. Техн. кибернетика. — 1988. — №5.- С. 108-118.

37. Бесекерский В.А., Небылов А.В. Робастные системы автоматического управления. М.: Наука, 1983. - 240 с.

38. Токарев В.Л., Матикашвили Т.И., Лейман С.А. Управление объектом по приближенной модели // Алгоритмы и структуры вычислительных систем, Тула: ТулПИ, 1981.-е. 152-162.

39. Джозеф Джарратано, Гари Райли. Экспертные системы: принципы разработки и программирование. — М.:Вильямс, 2006.

40. Томас X. Кормен, Чарльз И. и др. Алгоритмы: построение и анализ. -М.:Вильямс, 2009

41. Стюарт Рассел, Питер Норвиг. Искусственный интеллект: современный подход. М.:Вильямс, 2007

42. Michalski R.S. A theory and methodology of inductive learning // Artificial Intelligence 1983 - 20:2. - pp. 111-161.

43. Хант Э. Искусственный интеллект. M.: Мир, 1978. - 558 с.

44. Вагин В.Н. Дедукция и обобщение в системах принятия решений. -М.: Наука, 1988.-381 с.

45. Дюк В. А., Самойленко А. П. Data Mining. Учебный курс 1-е издание, 2001, 368 стр.

46. А. А. Барсегян, М. С. Куприянов, В. В. Степаненко, И. И. Холод Технологии анализа данных. Data Mining, Visual Mining, Text Mining, OLAP., 2001.

47. Осипов Г.С. Приобретение знаний интеллектуальными системами. М.: Наука, 1997.

48. Приобретение знаний / Под ред. С.Осуги, Ю.Саэки. М.: Мир, 1990.304 с.

49. Представление и использование знаний / под ред. Уэно X., Исидзука М. М.: Мир. - 1989. - 220 с.

50. Будущее искусственного интеллекта / под ред. К.Е.Левитина и Д.А. Поспелова М.: Наука, 1991.-302с.

51. Уотермен Д. Руководство по экспертным системам. М., 1989.

52. Осуга С., Обработка знаний; М., 1989.

53. Minsky М. A framework for representing knowledge. In Brachman and Levesque (1985), 1975.

54. Лозовский B.C. Семантические сети //Представление знаний в человеко-машинных и робототехнических системах. М.: ВИНИТИ, 1984. Т.А.

55. Загорулько Ю.А. Методы представления и обработки знаний: Семантические сети и системы продукций. Методическое пособие. Изд-во НГУ. Новосибирск, 1996. 46 с.

56. Поспелов Д-А. Данные и знания. Представление знаний/ТИскусственный интеллект. Кн. 2: Модели и методы: Справочник/под ред. Д.А. Поспелова. М.: Радио и связь, 1990. - с. 7-13.

57. Загоруйко Н. Г. Прикладные методы анализа данных и знаний. — Новосибирск: ИМ СО РАН, 1999.

58. Токарев B.JL, Орлов С.В. Задача обмена знаниями между решающими системами // Известия ТулГУ. Серия. Вычислительная техника. Информационные технологии. Системы управления. Вып. 1. Вычислительная техника. Тула: Изд-во ТулГУ, 2006. С. 106—110.

59. Борисов А.Н., Алексеев А.В., Меркурьев Г.В. и др. Обработка нечеткой информации в системах принятия решений. — М., Радио и связь, 1989.

60. Поспелов Д.А. Логико-лингвистические модели в системах управления. М.: Энергоатомиздат. - 1981. - 232с.

61. Аверкин А. Н., Батыршин И. 3., Блишун А. Ф. и др. Нечеткие множества в моделях управления и искусственного интеллекта. М., Наука, 1986.

62. Кофман А. Введение в теорию нечетких множеств. — М., Радио и связь, 1982.

63. Сироджа И.Б. Квантовые модели и методы искусственного интеллекта для принятия решений и управления. Киев: Наукова думка. - 2002. - 490 с.

64. Люгер Дж.Ф. Искусственный интеллект. Стратегии и методы решения сложных проблем — Москва, Санкт-Петербург, Киев: — 2003. 863 с.

65. Борисов А.Н., Крумберг О.А., Федоров И.П. Принятие решения на основе нечетких моделей: примеры использования. — Рига, "Знание", 1990, 184 с.

66. Орлов С.В. Использование лингвистических моделей для решения задач приближенного моделирования // Научная сессия МИФИ-2008. Сборникнаучных трудов. В 15 томах. Т. 10. Интеллектуальные системы и технологии. М.: Изд-во МИФИ, 2008. 256 с.

67. Круглов В. В., Борисов В. В. Искусственные нейронные сети. Теория и практика. М., Горячая линия — Телеком, 2001.

68. Шошин П.Б. Размытые числа как средство описания субъективных величин // Статистические методы анализа экспертных оценок. М.: Наука. -1977. - С.234-250.

69. Вилкас Э. Й., Майминас Е. 3. Решения: теория, информация, моделирование. М., Радио и связь, 1981.

70. Лыонг Л. Идентификация систем. Теория для пользователя. — М.: Наука, 1991.-320 с.

71. Цыпкин ЯЗ. Основы информационной теории идентификации. М.: Наука, 1984.-320 с.

72. Токарев В.Л. Структурна идентификация стационарных объектов управления // Алгоритмы и структуры систем обработки информации. Тула: ТулПИ, 1989.-с. 70-75.

73. Эйкхофф П. Основы идентификации систем управления. Оценивание параметров и состояния. Пер. с англ. В.А.Лотоцкого и А.С.Манделя. Под. ред. Н.С.Райбмана, М: Мир, 1975. 684 с.

74. Коршунов Ю.М., Коршунов Ю.М. Математические основы кибернетики. —М.: Энергоатомиздат, 1972.

75. Орлов С.В. Моделирования ситуаций для поддержки принятия решений // Системы управления электротехническими объектами. Вып. 4. Сб.научных трудов четвертой Всероссийской научно-практической конференции. Тула: Изд-во ТулГУ, 2007. С. 7—9.

76. Скофенко А.В. О построении функции принадлежности нечетких множеств, соответствующих количественным экспертным оценкам // Науковедение и информатика. -— Киев: Науковадумка, 1981. — Вып. 22. — С. 70—79.

77. Круглов В.В., Дли М.И., Голунов Р.Ю. Нечёткая логика и искусственные нейронные сети. Учеб. пособие. — М.: Издательство Физико-математической литературы, 2001. — 224 с.

78. Орлов С.В. Метод автоматизации процесса формирования приближенных моделей // Перспективы развития телекоммуникационных систем и информационные технологии: труды междунар. конф. СПб.: Изд-во Политехи, ун-та, 2008. С. 250—254.

79. Акулич И.Л. Математическое программирование в примерах и задачах: Учеб. пособие для студентов эконом, спец. вузов. — М.: Высш. шк., 1986.

80. Андреева Е.В. Еще раз о задачах на полный перебор вариантов. "Информатика", №45, 2000.

81. Гилл Ф., Мюррей У., Райт М. Практическая оптимизация. Пер. с англ. — М.: Мир, 1985.

82. Максимов Ю.А, Филлиповская Е.А. Алгоритмы решения задач нелинейного программирования. —М.: МИФИ, 1982.

83. Трауб Дж., Итерационные методы решения уравнений, М.: Мир, 1985.

84. Хейгеман Л., Янг Д., Прикладные итерационные методы, Мир, 1986.

85. Дэннис Дж., Шнабель Р., Численные методы безусловной оптимизации и решения нелинейных уравнений, М.: Мир, 1988.

86. Васильев Ф.П., Численные методы решения экстремальных задач, М.: Наука, 1988.

87. Корн Г., Корн Т. Справочник по математике для научных работников и инженеров. — М.: Наука, 1970. — С. 575-576.

88. Методы оптимизации в теории управления: Учебное пособие / И. Г. Черпоруцкий. СПб.: Питер, 2004. - 256 с.

89. Wolfe P. A method of conjugate subgradients for minimizing nondifferentable functions. Math. Programming Study. v3 (1975), pp 145-173.

90. Жиглявский А.А., Жилинкас А.Г. Методы поиска глобального экстремума. —М.: Наука, Физматлит, 1991.

91. Bunday B.D., Basic Optimization Methods, 1984.

92. Айвазян C.A. и др. Прикладная статистика: исследование зависимостей М.: Финансы и статистика, 1985.

93. Самарский А.А., Теория разностных схем, М.: Наука, 1989.

94. Калиткин Н. Н., Литвинцева С. П., Градиентный спуск со случайными шагами. //, Математическое моделирование, Том 9, №7, 1997, с. 63-70.

95. Лукас В.А. Основы фази-управления: Учебное пособие. -Екатеринбург: Изд-во УГГГА, 2000. 62 с.

96. Костенко Ю.Т., Любчик Л.М. Системы управления с динамическими моделями. Харьков: Основа, 1996. — 212 с.

97. Эйкхофф П. Современные методы идентификации систем. — М.,1983.

98. Орлов С.В. Об одном механизме постановки диагноза в экспертной системе медицинской диагностики // Нечеткие системы и мягкие вычисления. Тверь: РИУ ТверГУ, 2007. Т. 2. № 2. С. 41—48.

99. Орлов С.В. Метод повышения точности экспертных систем диагностики // Вестник ТулГУ. Серия. Вычислительная техника. Вып. 1. Тула: Изд-во ТулГУ, 2007 С. 80—83.

100. Оксфордский толковый словарь по психологии / Под ред. А. Ребера. М.,2002.

101. Алексеевская М.А., Недоступ А.В Диагностические игры в медицинских задачах. Вопросы кибернетики. Задачи медицинской диагностики и прогнозирования с точки зрения врача. 1988. N112.

102. Кобринский Б.А. Принципы математико-статистического анализа данных медико-биологических исследований Московский НИИ педиатрии и детской хирургии Минздрава РФ, http://www.matlab.mgppu.rn/book/0055.htm

103. Руанет В.В., Хетагурова А.К. Информационные технологии в медицине. М.: МАКСПресс. 2003.

104. Генкин А.А. О последовательной стратегии Байеса и механизме принятия решений в интеллектуальной системе ОМИС. 1998.http://intels.spb.ru/englishmedinfonTiatiks-2.litml

105. Detmer W.M., Shortliffe Е.Н. Using the Internet to Improve Knowledge Diffusion in Medicine. 1997.http://www-smi.stanford.edu/pubs/SMIReports/SMI-97-0658.pdf

106. Алексеев A.B. Применение методов информатики и компьютерной техники в дифференциальной диагностике аппендицита и аппендикулярной колики. http://arkadyal.chat.ru/programs.htm

107. Бурдаев В.П. Прикладные экспертные системы, основанные на оболочке "ТЕСНЕХР", 2002. http://uacm.kharlcov.ua/eng/index.shtml7eexpert.htin

108. ООО "Админ". Экспертная система "Диагностика коматозных состояний", 1992. http://www.adminru.com/starte.htm

109. Chabat F., Hansell D.M., Guang-Zhong Yang. Computerized Decision Support in Medical Imaging. 1997. http://www.doc.ic.ac.uk/decision-support.pdf

110. А.С. Клещёв, Ф.М. Москаленко, М.Ю. Черняховская. Онтология и модель онтологии предметной области «Медицинская диагностика». Владивосток: ИАПУ ДВО РАН, 2005. 44с. (http://www.iacp.dvo.ru/es)

111. Токарев B.JI. Использование модели состояния пациента в экспертной системе диагностики. // Вестник новых медицинских технологий, Том 1, N2, 1994.-С. 92-95.

112. Абдулкадыров К.М. Клиническая гематология. Справочник. СПБ: Питер, 2007, 448 с.

113. В.Хоффбранд, Дж.Петтит. Гематология. Атлас-справочник. Пер. с англ., под ред. к.б.п. Е.Р.Тимофеевой, М.: Практика, 2007, 408 с.

114. Меньшиков В.В. Лабораторные методы исследования в клинике. Справочник. М.: Медицина, 1988.

115. Литвак Б. Г. Экспертные оценки и принятие решений: учебное пособие / Б. Г. Литвак. М.: Патент, 1996.

116. Список используемых сокращений

117. АСМД — автоматизированная система медицинской диагностики БД — база данных БЗ база знаний БП - базовая переменная

118. ДЛМ — диагностическая лингвистическая модель

119. ИП — информативная переменная1. ИПЗ инженер по знаниям

120. ИРС — интеллектуальные решающие системы1. ИС исследуемая система

121. ИСППР интегрированная СППР

122. ЛЛП — логико-лингвистическое правило

123. ЛМ — лингвистическая модель1. ЛогМ — логическая модель

124. ЛП — лингвистическая переменная

125. J111P лицо, принимающее решение

126. МСЗП — модель состояния здоровья пациента (лингвистическая) НМ — нечетка модель

127. ПИС — программное инструментальное средство ПМ — приближенная модель ПС — программное средство СБА система выбора альтернатив

128. СОПР — система, относительно которой принимается решение

129. СВДР — стадия выработки диагностического решения

130. СППР — система поддержки принятия решений

131. ТФЗ — трудноформализуемая задача

132. ФМ — функциональная модель

133. ФП — функция принадлежности1. ЭС экспертная система