автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Интеллектуальная информационная система диагностики и стоимостной оценки минералов

! - п^трзльныунземпя^

' Министерство образования и науки РФ

Тверской государственный технический университет

/7

На правах рукописи

АБУ СУЕК Атия Ражаб Мохамед

ИНТЕЛЛЕКТУАЛЬНАЯ ИНФОРМАЦИОННАЯ СИСТЕМА ДИАГНОСТИКИ И СТОИМОСТНОЙ ОЦЕНКИ МИНЕРАЛОВ

05.13.01 - Системный анализ, управление и обработка информации (в промышленности)

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

Гверь 2004

Работа выполнена на кафедре автоматизации технологических процессов Тверского государственного технического университета

Научный руководитель: доктор технических наук, профессор

ДМИТРИЕВ Геннадий Андреевич

Официальные оппоненты: доктор технических наук, профессор

ГРИДНЕВ Василий Романович

доктор технических наук, профессор СУВОРОВ Владимир Иванович

Ведущая организация ООО «Поморнефтегазгеофизика»

Защита диссертации состоится «_»_

заседании диссертационного совета Д техническом университете

_2004 г. в_часов на

212.262.04 при Тверском государственном

С диссертацией можно ознакомиться в библиотеке Тверского государственного технического университета.

Автореферат разослан «_»_2004г.

Ученый секретарь диссертационного совета

А.В.Жгутов

— 3 /¿/¿7//

^^ ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы

Применение новых информационных технологий для поддержки различного рода задач принятия решений в ювелирной промышленности является важным фактором повышения ее эффективности. Одной из таких является задача диагностики и стоимостной оценки минералов камней - задача геммологического исследования. Качество принимаемых в процессе геммологического исследования решений существенно влияет на эффективность операций по покупке и продаже минералов. Ошибка на каждом этапе этого процесса может обернуться риском потерь: при покупке за счет переплаты из-за неверной диагностики или неверной оценки их стоимости, при продаже - за счет недополучения доходов по тем же причинам. Чтобы снизить риск возможных потерь необходимо иметь нормативную базу достаточную для проведения точной диагностики объекта и постоянно проводить тщательный анализ рынка минералов. При анализе имеющейся информации эксперт (авторизованный оценщик) должен сделать определенные выводы о совершенных ранее продажах, о свойствах проданных объектов, а также о характеристиках, которые могут влиять на изменение их стоимости. Правильность заключения, которое делает эксперт, зависит от его знаний, опыта, квалификации и той информации, которой он располагает по предыдущим продажам.

Существующие методики диагностики и стоимостной оценки минералов не позволяют провести формальный комплексный анализ, использующий всю доступную информацию, основанную на знаниях о предыдущих продажах. Это объясняется отсутствием моделей представления этих знаний, механизмов извлечения новых знаний, большим объемом обрабатываемой информации и постоянным ее нарастанием. Однако существующие методики могут служить основой для разработки таких моделей и создания на их основе интеллектуальной информационной системы диагностики и стоимостной оценки минералов, позволяющей, путем обработки больших массивов информации, вырабатывать более качественные решения. Такая система, основанная на знаниях многих экспертов, может служить с одной стороны в качестве советующей системы при принятии решений экспертами, а с другой стороны - в качестве обучающей системы при подготовке авторизованных оценщиков.

Важным и интенсивно развивающимся направлением искусственного интеллекта является построение компьютерных моделей эксперта, способных близко имитировать поведение специалиста при решении сложных практических задач. Подобные системы позволяют сохранять и воспроизводить знания опытного профессионала.

Во многих практически важных случаях задача создания компьютерной модели опытного специалиста может быть гдудстарляна пак чщщча классификации, так как экспертное знание часто состоит в от решений.

С О»

г^щ

Таким образом, данное исследование, направленное на разработку математических моделей и методики построения интеллектуальной информационной системы диагностики и стоимостной оценки ювелирных камней, является актуальным.

Цель и задачи исследования

Цель диссертационной работы состоит в совершенствовании диагностики и стоимостной оценки минералов за счет использования интеллектуальных информационных систем.

Научная задача диссертации заключается в разработке математических моделей, алгоритмов и архитектуры интеллектуальной информационной системы диагностики и стоимостной оценки минералов.

Для решения поставленной научной задачи в диссертации проведены:

1. Декомпозиция задачи диагностики и стоимостной оценки минералов в процессе геммоло1 ического исследования;

2. Анализ и классификация методов и показателей количественной оценки свойств минералов;

3. Разработка алгоритмов диагностики ювелирных камней;

4. Разработка и исследование нейросетевых моделей сюимостной оценки ювелирных камней;

5. Разработка архитектуры интеллектуальной информационной системы диагностики и стоимостной оценки ювелирных камней.

Методы исследования

В работе применялись методы теории принятия решений, системного анализа, искусственного интеллекта, искусствешшх нейронных сетей, численные методы решения экстремальных задач, статистического анализа, инженерии знаний и управления знаниями.

Научная новизна положений и результатов диссертации определяется следующим:

1. На основе отношения доминирования на множестве шкал критериев, используемых для оценки минералов, предложен принцип декомпозиции исходной задачи в виде набора отображений, определяющих последовательность геммалогической экспертизы;

2. Разработан и экспериментально проверен алгоритм многоступенчатой компьютерной диагностики прозрачных минералов, основанный на последовательном сравнении оптических свойств минералов и их рент! еновских спектров, с учетом интервального характера эталонного спектра и погрешности измерения;

3. Разработан и экспериментально проверен алгоритм многоступенчатой компьютерной диагностики непрозрачных минералов, основанный на последовательном сравнении оптических свойств минералов, микротвердости, качественного химического состава и их рентгеновских спектров, с учетом

интервального характера эталонного спектра и шмрешности измерения;

4. Разработаны и исследованы нейросетевые модели для проведения стоимостной оценки минералов в соответствии с предложенной схемой декомпозиции задачи геммологического исследования, определена их оптимальная структура;

5. Предложена архитектура интеллектуальной информационной системы, базирующейся на использовании информации об основных показателях качества ювелирных минералов, и включающую разработанные алгоритмы и модели в качестве инструментария для проведения комплексного геммологического исследования стоимостной оценки

Практическая ценность. Разработан программный комплекс, реализующий алгоритмы и модели комплексной оценки минералов в процессе геммалогического исследования ювелирных камней и обеспечивающий эффективное решение задач их диагностики и стоимосшой оценки.

Использование программного комплекса позволит повысить эффективность и оперативность принимаемых решений и снизить риск возможных потерь.

На защиту выносятся:

- алгоритмы диагностики минералов;

- нейросетевые модели кластерного анализа, классификации и аппроксимации минералов в процессе стоимостного анализа;

- процедура диагностики и стоимостной оценки минералов на основе разработанных алгоритмов и моделей;

- интеллектуальная информационная система диагностики и стоимостной оценки минералов.

Апробация работы и публикации

Основные положения и результаты, полученные в диссертации, докладывались и обсуждались на следующих научных конференциях и семинарах: Международная научно-техническая конференция "Компьютерные технологии в управлении, диагностике и образовании" (3-5 декабря, Тверь, ТГТУ. 2002 г.); 3-я Международная научно-техническая конференция "Современные сложные системы управления - ПТС8" (26 - 28 мая, Воронеж, ВГСУ, 2003 г.); Международная научно-техническая конференция ";40 лет биотехнических систем", (12 - 15 марта ЛЭТИ, С.-Петербург, 2004 г.); 4-я Международная научно-техническая конференция "Современные сложные системы управления - НТСБ" (24 - 27 мая,Тверь, ТГТУ,2004 г.). По результатам исследования опубликовано 7 печатных работ

Структура работы

Диссертационная работа изложена на 126 страницах и включает в себя введение, три главы основного материала, заключение, библиографический список из 97 наименований.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обосновывается актуальность и практическая значимость диссертационной работы. Сформулированы основные цели и задачи исследования.

В первой главе выделены два основных этапа геммологического исследования -диагностика минералов и их стоимостная оценка

Начальным этапом исследования является диагностика, построенная на формальной классификации минералов. Основная задача этого этапа состоит в том, чтобы выяснить, к какому минеральному виду он относится. В общем случае для этого необходимо измерить определенный набор физических параметров, характеризующих свойства испытуемого образца и сравнить их с эталонным значением. Пусть векхор (Г\), определяет эталонный набор свойств ] - го класса минерала Обозначим через I множество видов (классов) ювелирных камней (минералов), а через К множество индексов физических свойств этих минералов. Будем называть диагностическими переменными те переменные, на основании анализа которых принимается решение об отнесении образца к тому или иному классу. Если (с^) = (Е\)„ где <4 - измеренное значение к - ой диагностической переменной тестируемого образца, то испытуемый образец однозначно относится к] - ому классу. В действительности, эталонный набор свойств минерала характеризуется не вектором (Е\), а множеством интервальных значений каждой диагностической переменной АЕ^ = [0,^,0^], т.е. множеством {А0|хЛ02Х...хАЕ>к}. Решение о принадлежности диагностируемого образца к] - ому классу принимается исходя из условия: (с1к)е{Л0|хД02х...х/Шк}], Ук. Признаком несоответствия исследуемого образца эталону является выход значения диагностической переменной за допустимые границы. Следует также учесть, что сами диагностические переменные измеряются с некоторой погрешностью, т.е. носят интервальный характер. В этот случае оценка свойств исследуемого образца определяется множеством Ас) = {Лс^хЛс^х...хЛс!к}, где Ас]к = [сЦД*], с^Дя -соответственно нижняя и верхняя границы измеряемой диагностической переменной. Тогда условие принадлежности диагностируемого образца к) - ому классу имеет следующий вид: Дс1 с {АО^ДОгх.. .хАОк},.

Однако многие минералы характеризуются одинаковыми или сходными признаками, что затрудняет их диагностику. Непостоянство химического состава и связанных с ним свойств существенно усложняет диагностику минералов, поскольку границы, в которых изменяются диагностические переменные, у различных минералов зачастую пересекаются.

Важной особенностью процесса диагностики минералов является и то, что у эксперта часто имеется неполный набор значений диагностических переменных. Это связано с тем, что процесс получения значений многих диагностических переменных является трудоемким, требует использования специального оборудования и больших временных и денежных затрат.

С учетом этих особенностей условие принадлежности диагностируемого образца к j - ому классу типа Ас1 с {АО, хА02х... хАЕ>к} ¡ является необходимым, но не достаточным, поскольку в процессе диагностики могуч быть выявлены

минералы, обладающие сходными свойствами.

В первой главе проведен обзор и анализ существующих алгоритмов диагностики минералов и предложен новый подход, в котором исходная задача диагностики минералов распадается на несколько этапов.

Сначала, на небольшом числе диагностических переменных, определяется подмножество классов минералов со сходными с тестируемым образцом свойствами. Затем определяется класс минерала ближайшего по свойствам к тестируемому образцу. Для контроля корректности проведенной диагностики вводятся дополнительные диагностические переменные, которые выбираются из соотношения доход - затра ты с учетом риска неверной диагностики.

Конечной целью геммологического исследования минералов является определение их стоимостной оценки. Проведенный в диссертационной работе анализ показал, что среди экспертов существует несколько подходов к определению стоимостной оценки минералов. Наиболее распространенным является подход, основанный на сопоставимости продаж. Такой подход основывается на прямом сравнении оцениваемого объекта с другими, теми которые были проданы или выставлены на продажу. Когда эксперт располагает информацией по достаточному количеству сопоставимых продаж и предложений, ему сравнительно легко определить ценовые тенденции, служащие своеобразным индикатором рыночной стоимости.

В работе предложена трехэтапная процедура стоимостной оценки минералов. В соответствии с предложенной процедурой выделяются следующие этапы:

1) отпимального выбора эталонных групп минералов со сходными (пересекающимися) свойствами;

2) получения достоверной оценки стоимости минералов в эталонных группах;

3) наилучшей аппроксимации (экстраполяции) стоимостных оценок минералов в эталонных трутшах на оцениваемый образец.

Данная процедура позволяет структурировать процесс стоимостной оценки и использовать математические методы для ее решения.

Формально задача стоимостной оценки минералов, основанной на сопоставимости продаж, описывается следующим обратом.

Пусть Т — свойство, отвечающее целевому критерию задачи - стоимость минерала;

X = {Хь Х2,..., Хм} — множество критериев, по которым оценивается каждый объект;

= {Х|Ф х2ч,..., х^,} для я - 1,..., N множество оценок по критерию Хч: ул} — число градаций на шкале критерия Хц. Оценки в упорядочены но убыванию характерности для свойства Т, т.е. на каждом множестве определено линейное

рефлексивное антисимметричное транзитивное отношение такое, что (хч, х,ц) € О,, <->" <}■

х Б2 х ... хБм — декартово произведение шкал критериев определяет пространство состояний объектов, подлежащих классификации. Каждый объект описывается набором оценок по критериям Хь .... Хм и представляется в виде векторной оценки у е У, где у = (уь у2,..ум), уч равно номеру оценки из множества

С = {Сь С2, ..., См} — множество классов решений, упорядоченных по убыванию выраженности свойства Т, т.е. на множестве С определено линейное рефлексивное антисимметричное транзитивное отношение С?г такое, ч то (С„ С.,) е Qc <=>1<}-

Введем рефлексивное антисимметричное транзитивное отношение доминирования:

с>-{(х,у) 6 VX VIУЧ е {1, (х,,у„.) е О,},

а также антирефлексивное асимметричное транзитивное отношение строгого доминирования:

Р={(х,у)еУхУ|(х,у)е<5лх*у).

Требуется на основе экспертных оценок (прошлых и текущих продаж) по построить отображение

где У„ - множество векторных оценок, принадлежащих классу С„ У„ п У] ~ 0 VI Отображение Р должно быть полным:

Уу е У Вт: у е Ут

т.е. все объекты из У являются классифицированными. Кроме того, отображение Б должно бьтгь непротиворечивым:

х е У„ ,у € У,, (х, у) € О^СС,) е Ос => 1 <],

т.е. объект с более характерным дня свойства Т набором оценок по критериям не может принадлежать к классу, соответствующему меньшей степени выраженности свойства Т.

Построение множества классов решений, упорядоченных по убыванию выраженности свойства Т - С = {С|, С2,..., См} является первым этапом стоимостной оценки. Построение отображения составляет содержание второго этапа Заключительным этапом является построение отображения Р2: У, —» 7,, где Ъ -множество оценок свойства Т, позволяющею, относительно каждого объекта, представленного вектором у е У„ определить его стоимость.

Во второй главе приводится описание алгоритмов решения поставленных задач диагностики и стоимостной оценки..

Для задачи диагност ики предложено два алгоритма - для прозрачных и непрозрачных минералов. В комплекс используемых при автоматической диагностике свойств шобраны такие, которые, обладая в совокупности достаточно высокой диагностической информативностью, наиболее широко используются в минералографической практике. Для диагностики прозрачных минералов используются показатели светопреломления п^ пр, двупреломление п^ - Пр, угол 2У, а также 6 из сильнейших линий дебаеграмм.

Диагностика прозрачных минералов осуществляется в три этапа.

Этап I. Задача начального этапа состоит в предварительной ориентировочной разбраковке эталонных минералов по близости к опознаваемому для того, чтобы на последующих этапах более точной диагностики, не фатить много времени на сравнение со всеми эталонными минералами. На этапе I спектр искомого минерала сравнивается с эталонными спектральными каналами с учетом доверительного интервала, определяемого реальной точностью

измерения соответствующих констант. Каждый из эталонных спектральных каналов является интервальной величиной. Если искомый спектр «входит» в эталонный спектральный канал, то считается, что минералы совпадают. В результате этапа I диагностики выбирается группа минералов эталонного массива, совпавших с искомым.

Этап И. На этом этапе диагностики каждому искомому из группы совпавших с ним на этапе I минералов выбирается один, наиболее приближенный по физическим показателям к искомому. Выбор осуществляется после вычислений евклидова расстояния по всем оптическим показателям. Считается, что искомый минерал соответствует эталонному с наименьшим расстоянием

Этап III. Осуществляется последоваюльное сравнение линий дебаеграмм искомых и эталонных минералов. Сравнение групп линий дебаеграмм ведется последовательным сравнением каждой линии для опознаваемого минерала с каждой линией для эталонного минерала. В результате выбирается минерал с наибольшим числом совпадений значений межплоскостных расстояний. Этап III используется в тех случаях, когда требуется более надежная диагностика.

Для диагностики непрозрачных минералов применяются не все данные, имеющиеся в строке эталонного рудного минерала, а только наиболее часто используемые диагностические признаки. Прежде всего это дисперсия светоотражения RF, RT, RD, RC, величина двуотражения в желтой области спектра ARD, величина микротвердости Н, сильнейшие линии дебаеграммы и качественный химический состав. Алгоритм диагностики непрозрачных минералов включает следующие этапы.

Этап I. Сравнение двух спектральных каналов количественных свойств RF, RT, RD, RC. ARD и Н. Спектральный канал для опознаваемого минерала должен войти в спектральный канал для эталонного минерала, расширенный на величину, кратную точности измерения соответствующего свойства. Если хотя бы по одному значению опознаваемый спектральный канал выйдет за пределы расширенного спектрального канала, то переходим к другому эталонному минералу.

Этап II. Выбор наиболее вероятного минерала. На первом этапе сравнения возможен такой вариант, что каждому искомому минералу будут выбраны несколько эталонных. Задача этапа II — выбрать из нескольких один, наиболее близкий искомому. Среди эталонных спектров, прошедших этап I выбирается наиболее близкий к опознаваемому Для этого для каждого выбранного минерала - эталона по веем диагностируемым параметрам рассчитывается величина евклидова расстояния Vk. Выбирается минимальное значение Vmin. Эталонный минерал, соответствующий Vmm и будет определять диагностируемое название искомого минерала. В особо ответственных случаях предусмотрена возможность продолжения диагностики на этапе. Переход к этапам Ш и IV осуществляется исходя из соотношения затрат на дополнительное исследование и возможных потерь в случае неправильной диагностики.

Этап III. Сравнение химических составов. Проводится на основе спектрального анализа и последующего сравнения атомных номеров опознаваемого минерала и эталонного. Подсчитывается число совпадений. Если число совпадений более

половины, то переходим к следующему этапу сравнения, в противном случае выбирается новый эталон для данного опознаваемого спектра.

Этап IV. Сравнение 6 главных линий дебаеграмм. Сравниваются линии дебаеграмм эталонных и искомых минералов. Последовательность вычислений аналогична диагностике прозрачных минералов по их дебаеграммам. Автоматическая диагностика происходит в несколько этапов, некоторые из них ведутся параллельно и независимо. Так, можно вести диагностику по оптическим и химическим свойствам, рентгеновским данным независимо, а полученные данные сопоставлять между собой. Опыт автоматической диагностики в разных вариантах показал, что такой подход лучше последовательно-иерархического. Хотя и получается по несколько диагностированных минералов в каждом отдельном этапе, но сопоставление данных последних позволяет обычно получить однозначный результат. При последовательно-иерархическом подходе с жесткими диагностическими критериями возможна «потеря» диагностируемог о минерала, а с ослабленными диагностическими критериями диагностика, получается неопределенной. Кроме того, необходимо учитывать, что последовательно-иерархический подход в диагностике требует обязательно полного (расширенного) набора диагностических констант диагностируемых минералов, в то время как при используемом нами способе можно испытать все этапы, а можно (при недостатке диагностической информации) воспользоваться только некоторыми из них

Для решения задачи стоимостной оценки в диссертационной работе была разработана многоэтапная процедура, основанная на использовании нейронных сетей. Процедуру стоимостной оценки минералов можно представил, следующим образом.

1. Множество образцов {РЬР2,..., Рк} минерала данного вида, свойства и < стоимость которых известны, разбивается на некоторое число непересекающихся подмножеств. Эти подмножества мы определим как кластеры. Разделение множества образцов на кластеры должно удовлетворять следующим требованиям.

• Образцы внутри одного кластера должны быть в некотором смысле подобны.

• Кластеры, подобные в некотором смысле, должны размешаться близко один от другого.

2. По значениям вектора оценок свойств признаков у = (у,, у2, ..., у^) исследуемого образца определить принадлежность его к одному из кластеров.

3. Построить функцию ¥2: У, —> 7 оценки стоимости произвольного образца по его входным параметрам у е У, используя информацию, полученную при решении предшествующих задач. Первую задачу будем называть задачей кластеризации, вторую — задачей классификации, а третью - - задачей аппроксимации.

Задача кластеризации может бьггь решегга на основе методов кластерного анализа, либо с помощью сетей Кохонена или методом динамических ядер.

Сети Кохонена для классификации на б классов состоит из 5 нейронов (ядер), каждый из которых вычисляет близость объект к своему классу. Все нейроны работают параллельно. Объект считается принадлежагцим к тому классу, нейрон которого выдал максимальный сигнал. Алгоритм обучения сети решению такой

задачи состоит в следующем. Зададим некоторый начальный набор параметров нейронов. Далее предъявляем сети один объект X,. Находим нейрон, выдавший максимальный сигнал. Пусть номер этого нейрона i. Тогда параметры нейрона модифицируются. Затем сети предъявляется следующий объект, и так далее до тех пор, пока после очередного цикла предъявления всех объектов не окажется, что параметры всех нейронов изменились на величину меньшую наперед заданной точности е. Для некоторых мер близости после преобразования может потребоваться дополнительная нормировка параметров нейрона.

Альтернативой методам пообъектного обучения сегей Кохонена является метод динамических ядер, который напрямую минимизирует суммарную меру близости. Метод является итерационной процедурой, каждая итерация которой состоит из двух шагов. Сначала задаются начальные значения ядер. Затем выполняют следующие шаги - разбиение на классы при фиксированных значениях ядер и оптимизация значений ядер при фиксированном разбиении на классы: Процедура останавливается если после очередного выполнения разбиения на классы.. Процедура сходится за конечное число шагов, причем ни на одном шаге не происходит возрастания суммарной меры близоста

В задаче обучения сети Кохонена и в методе динамических ядер важным является выбор начального приближения и определение числа классов.

Самым универсальным способом задания начального положения ядер является задание начального разбиения объектов на классы. Простой перебор различных чисел классов часто неэффективен. Критерием для определения «реального» числа классов может служить плотность точек в классе. Определим объем класса как объем шара с центром в ядре класса и радиусом равным радиусу класса Для простоты можно считать объем класса равным объему куба с длинной стороны равной радиусу класса (объем шара будет отличаться от объема куба на постоянный множитель, зависящий только от размерности пространства). Плотностью класса будем считать отношение числа точек в классе к объему класса Отметим, что этот крюерий применим для любых мер близости, а не только для тех случаев, когда ядра и точки принадлежат одному пространству.

Процедура применения этого критерия заключается в следующем. Разбиваем первый класс на два и запускаем процедуру настройки сети (метод динамических ядер или обучение сети Кохонена). Если плотности обоих классов, полученных разбиением одного класса, не меньше плотности исходного класса, то считаем разбиение правильным. В противном случае восстанавливаем классы, предшествовавшие разбиению, и переходим к следующему классу. Если после очередного просмотра всех классов не удалось получить ни одного правильного разбиения, то считаем полученное число классов соответствующим «реальному», "hy процедуру следует запускать с малого числа классов, например, с двух.

Для решения задачи отнесения исследуемого образца к той или иной стоимостной группе были рассмотрены сети с прямым распространением сигнала и обратным распространением ошибки и другая разновидность сети прямой передачи данных — сеть радиальных базисных функций, содержащая один скрытый слой с потенциальными передаточными функциями: F(x) = exp«x-b)TC(x-b),

где Ь — центр положения базисной фут паши (часто совпадает с центром территориального фрагмента или кластера); С — ковариационная матрица.

Настраиваемые параметры здесь—и веса сети и параметры Ь и С.

Нейросеть радиального базиса настраивается довольно быстро, но се использование обычно сдерживается отсутствием обоснованных соображений относительно выбора базиса. Для решения задачи аппроксимации нейросеть должна содержать п нейронов во входном слое и один нейрон в выходном.. Количество функций радиального базиса равно числу кластеров. На вход сети подаются значения векторов параметров эталонных образцов XI, 1=1,..., к, и при настройке добиваются появления на выходе нейросети достоверной цены 7л.

Ошибка функционирования сети на этих данных определяется как Е-0.51(7] Т})\

где "У] — выход нейросети, а суммирование проводится по всем эталонным

минералам или кластерам, участвующим в "обучении".

Для уменьшения этой ошибки следует изменить веса сети по следующему правилу: \Vnew-Wold -асШАУ

где а — константа, характеризующая скорость адаптации.

После адаптации нейросеть будет способна по любому вектору входных параметров X выдавать оценку стоимосга исследуемого образца. Поскольку используемые передаточные функции являются монотонными, ошибка аппроксимации определяется через расстояние до ближайшей базисной функции и выдается нейросетъю в виде числа. Значения весовых множителей сети определяют величину зависимости параметров, по которым проводится оценка, и используются для анализа и обоснования результатов.Были исследованы различные варианты таких сетей. Варьировались число нейронов в скрытом слое, функции активации, алгоритмы обучения. Более предпочтительным представляется использование вероятностной нейронной сети (РЫМ), которая является разновидностью сети радиального базиса, вследствие более быстрой сходимости, полученной на реальных данных.

После определения принадлежности исследуемого образца к определенной стоимостной группе нужно построи ть функцию для аппроксимации его стоимостных характеристик. Для этих целей подходит нейросеть прямого распространения -например, персептрон.

Более мощными возможностями обладают многослойные сети. Двухслойная сеть, в которой первый слой содержит сигмоидальную, а во втором линейную функцию активации, может быть обучена аппроксимировать с произвольной точностью любую функцию с конечным числом точек разрыва.

Для решения задач аппроксимации статических систем широко используется обобщенно-регрессионная нейронная сеть (СРШИ). Она устроена аналогично вероятноешой нейронной сети, но предназначена для решения задач регрессии, а не классификации. Как и в случае РИЫ-сети, в точку расположения каждого обучающего наблюдения помещается гауссова ядерная функция.

Окончательная выходная оценка сети получается как взвешенное среднее выходов по всем обучающим наблюдениям, где величины весов отражают расстояние от этих наблюдений до той точки, в которой производится оценивание (и, таким образом, более близкие точки вносят больший вклад в оценку).

Первый промежуточный слой сети GRNN состоит из радиальных элементов. Второй промежуточный слой содержит элементы, которые помогают оцепить взвешенное среднее. Для этого используется специальная процедура. Каждый выход имеет в этом слое свой элемент, формирующий для него взвешенную сумму. Чтобы получить из взвешенной суммы взвешенное среднее, эту сумму нужно поделить на сумму весовых коэффициентов.

В работе исследовались двухслойная сеть прямого распространения данных, радиальная базисная сеть и обобщенная регрессионная сеть.

Проведенные исследования нейросетевых моделей позволили выбрать тип сетей и определить их наиболее рациональную структуру для каждого этапа стоимостного анализа.

В третьей главе описана реализация интеллектуальной информационной системы диагностики и стоимостной оценки минералов. Укрупненная структура ИИС представлена на рис 1. ИИС включает в себя несколько баз данных, базу знаний и управляющие модули. Информационная поддержка включает в себя следующие базы данных:

• БД^1 - база данных минералов, содержащая названия минералов и эталонные значения диагностических переменных, определяемых физическими и химическими свойствами, по каждому виду минерала;

• БД_2 - база данных оценок по критериям качества Хь Х2, ..., XN и стоимости Z по каждому виду минерала и по всем известным продажам;

• БД_3 - база данных групп минералов, сформированных по результатам работы модуля кластерного анализа, для каждого вида минерала

База знаний включает в себя ряд библиотек, в которых содержатся обученные модели нейронных сетей. Все библиотеки содержат обученные нейросетевые модели кластерного анализа, классификации и аппроксимации для каждого вида минерала, хранящегося в базе данных. Каждая модель является элементом знаний, аккумулирующим опыт многих экспертов в виде весовых коэффициентов, типа и структуры модели.

Управляющие модули MOD 1 -MOD4 реализуют логику анализа в процессе проведения геммологической экспертизы. Взаимосвязь между модулями представлена на рис2.

Но заданию пользователя каждый управляющий модуль связывает текущие данные с той или иной моделью для получения необходимого решения.

Данная сисюма была разработана в среде MATLAB и использовалась для стоимостной оценки драгоценных камней.

База данных минералов, их физических и химических параметров и свойств

Окно ввода параметров и режимов

Интерфейс пользователя

Окно диагностики минералов Связь с MOD1 Окно работы с моделями кластерного анализа Связь с MOD 2

Окно работы с моделями аппроксимации стоимостных оценок Связь с MOD 4 Окно работы с моделями классификации Связь с MOD 3

И

MOD 4

Библиотека обученных нейросетевых моделей аппроксимации стоимости ных оценок

Ж

MOD 3

Библиотека обученных нейросетевых моделей классификации минералов по параметрам качества

БД_2

База данных оценок параметров качества и стоимости минералов предыдущее продаж

MOD 2

Обученные нейросе-тевые модели кластерного анализа

ЬД_3

База данных по группам минералов, объединенных в кластеры

Рис 1 Укрупненная структура ИИС диагностики и стоимостной оценки минералов

Выбор интегрированной системы MATLAB в качестве инструментального средства обусловлен наличием в ней языка программирования высокого уровня и модулей расширения, таких как Database Toolbox, Fuzzy Logic Toolbox, Neural Network Toolbox, Optimization Toolbox. Совместное использование этих инструментов, а также средств разработки графических приложений и визуализации расчетных данных, создания независимо исполняемых приложений позволяет создавать эффективные приложения с минимальными затратами времени. Кроме того, матричный

Рис.2. Схема взаимосвязи основных модулей ИИС в процессе диагностики и стоимостной оценки минералов процессор, реализуя механизм векторной обработки данных, обеспечивает высокую точность и скорость вычислений.

Здесь также приведен пример диагностики и стоимостной оценки ювелирного камня - топаза, на котором проверена работоспособность ИИС.

В таблице 1 представлены эталонные значения ошических констант ювелирных камней, схожих с диагностируемым. В таблице 2 - значения шести сильнейших линий дебаеграмм.

Таблица 1

Минерал пе nm nR-np 2V

Топаз 1,618- 1,610- 1,607- ~ 0,009- 165-48

1,638 1,631 1,629 0,011

Циркон 1,9682,015 1,9231,1960 - - -

Корунд - 1,767 1,7594 - 58

Хризоберилл 1,753 1,747 1,744 - -

Апатит - 1,6231,667 1,6291,664 0,0040,000 -

Турмалин - 1,6351,675 1,6101,650 0,0200,034 -

Берилл - 1,5681,602 1,5641,595 0,0040,008 -

Кварц 1,553 1,554 - 0,009 -

Ортоклаз 1,526 1,524 1,519 0,007 60

Таблица 2

Минерал а/п а/п а/п ё/п Ш ё/п

(1) (2) (3) (4) (5) (6)

Топаз 2,96 1,403 1,384 1,028 0,872 0,772

Циркон 3,29 2.52 1,71 1 1,33 1,18 1,04 |

Корунд 2,081 1,599 1,374 1,03 0,87 0,76

Хризоберилл 3,24 2,08 1,61 1,28 1,06 0,97

0-Апатит 2,798 2,702 1,838 1,430 1 1,32 1,23

Турмалин 6,5 3,48 2,59 2,21 2,05 1,98

Берилл 3,238 2,874 0,806 0,628 0,57 0,48

Кварц 3,334 1,813 1,539 1,24 1,08 0,92

Ортоклаз 4,02 3,80 3,183 3,04 2,65 2,47

Диагностика минерала, проведенная с использованием разработанного алгоритма, позволила безошибочно идентифицировать опытный образец.

Для проведения стоимостной оценки минерала была сформирована база данных по продажам объемом 256 элементов. Фрагмент базы данных представлен в таблице 3.

Таблица 3

Номер Цвет Прозрачность Огранка Масса Стоимость

продажи

П1 0001000000 01000 00100 2,6 23

112 0000001000 00100 10000 6,2 42

П256 0010000000 01000 00100 1,3_ 7

Результат кластерного анализа, выполненный с помощью обученной нейросетевой модели, представлен в таблице 4. В итоге все исследуемые образцы разделились на шесть групп по признакам качество - вес.

Таблица 4

Качество Цена, долл/карат

1 карат 2-5карат 5-10карат

Высокое г,,,, (49) £.2,(45) 2пз) (35)

Среднее г,,« (50) г,,« (40) £,6,(37)

Проверка классификационных и аппроксимационных свойств разработанных моделей показала их высокую надежность.

В заключении приводятся основные результаты работы и общие выводы

1. Разработаны алгоритмы компьютерной диагностики минералов, позволяющие повысить надежность и оперативность диагностики прозрачных и непрозрачных минералов за счет возможности последовательного применения диагностических процедур, выбираемых из соотношения затраты-эффективность;

2. Разработана трехэтапная процедура стоимостного анализа минералов, позволяющая провести декомпозицию исходной задачи и решать ее по частям;

3. Разработаны и исследованы нейросетевые модели, реализующие трехэтапную процедуру стоимостного анализа минералов;

4. Разработана архитектура интеллектуальной информационной системы и программный комплекс, реализующий алгоритмы диагностики и модели стоимостного анализа минералов;

5. Предложена методика использования разработанного программного комплекса для проведения комплексного геммологического исследования минералов.

ОСНОВНЫЕ ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ

1. Дмитриев Г.А., Ветров А.Н., Абу Суек Атия Ражаб Мохамед. Компьютерные процедуры стоимостной оценки минералов в геммологическом исследовании. // Сб. трудов Международной научно-технической конференции "Компьютерные технологии в управлении, диагностике и образовании" Тверь, ТГТУ. 2002. С.244-245;

2. Дмитриев Г.А., Ветров А.Н., Абу Суек Атия Ражаб Мохамед. Использование интервальных оценок в системе диагностики минералов. // Сб. трудов Международной научно-технической конференции "Компьютерные технологии в управлении, диагностике и образовании" Тверь, ТГТУ. 2002. С.245-247;

3. Дмитриев Г.Л., Ветров А.Н., Абу Суек Атия Ражаб Мохамед. Применение нейросетевых алгоритмов для оценки минералов в геммологическом исследовании // Сб. трудов Международной научно-технической конференции "Современные сложные системы управления -HTCS" М„ ИПУ РАН РФ. 2003. С.261-263;

4. Семенов H.A., Ветров А.Н., Абу Суек Атия Ражаб Мохамед. Интеллектуальная система поддержки принятия решений в геммологическом исследовании // Компьютерные продукты и системы. №2, 2003 С. 28-32;

5. Дмитриев Г.А., Ветров А.Н., Лбу Суек А. Р. Использование нейронных сетей для стоимостной оценки объектов. // Сб. трудов Международной научно-технической конференции "40 лет биотехнических систем " С. -Петербург, ЛЭТИ, 2004. С.61 - 62;

6. Дмитриев Г.А., Ветров А.Н., Абу Суек А. Р. Архитектура интеллектуальной системы диагностики и стоимостной оценки драгоценных камней // Сб. трудов Международной научно-технической конференции "Современные сложные системы управления - HTCS" М., ИПУ РАН РФ. 2004. С.32 - 34;

7. Абу Суек А.Р. Интеллектуальная информационная система диагностики и стоимостной оценки драгоценных камней. // Компьютерные продукты и системы. №3, 2004 С. 43 - 45.

I

t

I

(

I

M847S

РНБ Русский фонд

2005-4 13359

Подписано в печать 30.09.04 ?из.печ.л.1.25 Тиззя 100 экз. Заказ У1Э4

Язлзтзльство ТГТУ

ВВЕДЕНИЕ

1. АНАЛИЗ МЕТОДОВ ДИАГНОСТИКИ И СТОИМОСТНОЙ 9 ОЦЕНКИ МИНЕРАЛОВ. ПУТИ ПОВЫШЕНИЯ ИХ КАЧЕСТВА.

1.1. Актуальность использования компьютерных технологий в геммологическом исследовании

1.2. Анализ свойств минералов и методов их диагностики

1.3. Анализ особенностей ценообразования и определения стоимостной оценки минералов

1.4. Декомпозиция задачи геммологического исследования и ее формализация

1.5. Обзор математических методов диагностики, классификации и аппроксимации применительно к решаемой задаче

1.6. Выводы по главе

2. МОДЕЛИ И АЛГОРИТМЫ ДИАГНОСТИКИ И 58 СТОИМОСТНОЙ ОЦЕНКИ МИНЕРАЛОВ.

2.1. Многоэтапный алгоритм диагностики прозрачных минералов

2.2. Многоэтапный алгоритм диагностики непрозрачных минералов.

2.3. Исследование нейросетевых моделей процедур кластеризации минералов при их стоимостной оценке

2.4. Исследование нейросетевых моделей классификации минералов при их стоимостной оценке

2.5. Исследование нейросетевых моделей процедур аппроксимации стоимостных характеристик минералов

2.6. Выводы по главе

3. АРХИТЕКТУРА ИНТЕЛЛЕКТУАЛЬНОЙ

ИНФОРМАЦИОННОЙ СИСТЕМЫ И МЕТОДИКА ЕЕ

VI ИСПОЛЬЗОВАНИЯ

3.1. Описание функций и структуры ИИС

3.2. Методические аспекты обучения нейронных сетей ИИС 104 3.3 Результаты моделирования и их интерпретация 111 3.4. Выводы по главе 114 ЗАКЛЮЧЕНИЕ

Применение новых информационных технологий для поддержки различного рода задач принятия решений в ювелирной промышленности является важным фактором повышения ее эффективности. Одной из таких является задача диагностики и стоимостной оценки ювелирных (драгоценных и полудрагоценных) камней - задача геммологического исследования. Качество принимаемых в процессе геммологического исследования решений существенно влияет на эффективность операций по покупке и продаже ювелирных камней. Ошибка на каждом этапе этого процесса может обернуться риском потерь: при покупке — за счет переплаты из—за неверной диагностики или неверной оценки их стоимости, при продаже — за счет недополучения доходов по тем же причинам. Чтобы снизить риск возможных потерь необходимо иметь нормативную базу достаточную для проведения точной диагностики объекта и постоянно проводить тщательный анализ рынка ювелирных камней. При анализе имеющейся информации эксперт (авторизованный оценщик) должен сделать определенные выводы о совершенных ранее продажах, о свойствах проданных объектов, а также о характеристиках, которые могут влиять на изменение их стоимости. Правильность заключения, которое делает эксперт, зависит от его знаний, опыта, квалификации и той информации, которой он располагает по предыдущим продажам.

Существующие методики диагностики и стоимостной оценки ювелирных камней не позволяют провести формальный комплексный анализ, использующий всю доступную информацию, основанную на знаниях о предыдущих продажах. Это объясняется отсутствием моделей представления этих знаний, механизмов извлечения новых знаний, большим объемом обрабатываемой информации и постоянным ее нарастанием. Однако существующие методики могут служить основой для разработки таких моделей и создания на их основе интеллектуальной информационной системы диагностики и стоимостной оценки ювелирных камней, позволяющей, путем обработки больших массивов информации, вырабатывать более качественные решения. Такая система, основанная на знаниях многих экспертов, может служить с одной стороны в качестве советующей системы при принятии решений экспертами, а с другой стороны — в качестве обучающей системы при подготовке авторизованных оценщиков ювелирных камней.

Важным и интенсивно развивающимся направлением искусственного интеллекта является построение компьютерных моделей эксперта, способных близко имитировать поведение специалиста при решении сложных практических задач. Подобные системы позволяют сохранять и воспроизводить знания опытного профессионала.

Во многих практически важных случаях задача создания компьютерной модели опытного специалиста может быть представлена как задача классификации, так как экспертное знание часто состоит в отнесении объектов к классам решений. Таким образом, данное исследование, направленное на разработку математических моделей и методики построения интеллектуальной информационной системы диагностики и стоимостной оценки ювелирных камней, является актуальным.

Цель диссертационной работы состоит в обеспечении более высокого качества принимаемых решений при диагностике и стоимостной оценке ювелирных камней и повышения их эффективности за счет использования интеллектуальной информационной системы.

Научная задача диссертации заключается в разработке математических моделей, алгоритмов и архитектуры интеллектуальной информационной системы диагностики и стоимостной оценки ювелирных камней

Для решения поставленной научной задачи в диссертации проведены:

1. Декомпозиция задачи диагностики и стоимостной оценки ювелирных камней в процессе геммологического исследования;

2. Анализ и классификация методов и показателей количественной оценки свойств минералов;

3. Разработка алгоритмов диагностики ювелирных камней;

4. Разработка и исследование нейросетевых моделей стоимостной оценки ювелирных камней;

5. Разработка архитектуры интеллектуальной информационной системы диагностики и стоимостной оценки ювелирных камней.

Методы исследования. В работе применялись методы теории принятия решений, системного анализа, искусственного интеллекта, искусственных нейронных сетей, численные методы решения экстремальных задач, статистического анализа, инженерии знаний и управления знаниями.

Научная новизна положений и результатов диссертации определяется следующим:

1. На основе отношения доминирования на множестве шкал критериев, используемых для оценки минералов, предложен принцип декомпозиции исходной задачи в виде набора отображений, определяющих последовательность геммалогической экспертизы;

2. Разработан и экспериментально проверен алгоритм многоступенчатой компьютерной диагностики прозрачных минералов, основанный на последовательном сравнении оптических свойств минералов и их рентгеновских спектров, с учетом интервального характера эталонного спектра и погрешности измерения;

3. Разработан и экспериментально проверен алгоритм многоступенчатой компьютерной диагностики непрозрачных минералов, основанный на последовательном сравнении оптических свойств минералов, микротвердости, качественного химического состава и их рентгеновских спектров, с учетом интервального характера эталонного спектра и погрешности измерения;

4. Разработаны и исследованы нейросетевые модели для проведения стоимостной оценки минералов в соответствии с предложенной схемой декомпозиции задачи геммологического исследования, определена их оптимальная структура;

5. Предложена архитектура интеллектуальной информационной системы, базирующейся на использовании информации об основных показателях качества ювелирных минералов, и включающую разработанные алгоритмы и модели в качестве инструментария для проведения комплексного геммологического исследования стоимостной оценки

Достоверность и обоснованность работы подтверждена проведенными теоретическими исследованиями, а также результатами практического использования разработанной методики.

Практическая значимость работы. В результате проведенных в рамках данной диссертационной работы исследований сформирована алгоритмическая и методическая основа компьютерной диагностики и стоимостной оценки минералов на методов искусственного интеллекта. Разработан программный комплекс, реализующий алгоритмы и модели комплексной оценки минералов в I процессе геммалогического исследования ювелирных камней и / I обеспечивающий эффективное решение задач их диагностики и стоимостной I оценки.

Использование программного комплекса позволяет повысить эффективность и оперативность принимаемых решений и снизить риск возможных потерь.

Внедрение результатов работы. Разработанные модели, алгоритмы и программное обеспечение, а также методика его использования внедрены в ООО «Тверьгеологоразведка».

Апробация работы. Основные положения и результаты, полученные в диссертации, докладывались и обсуждались на следующих научных конференциях и семинарах: Международная научно-техническая конференция

Компьютерные технологии в управлении, диагностике и образовании" (3 — 5 декабря, Тверь, ТГТУ. 2002 г.); 3-я Международная научно-техническая конференция "Современные сложные системы управления - НТСБ" (26 - 28 мая, Воронеж, ВГСУ, 2003 г.); Международная научно-техническая конференция ";40 лет биотехнических систем", (12 - 15 марта ЛЭТИ, С.Петербург, 2004 г.); 4-я Международная научно-техническая конференция "Современные сложные системы управления - НТС8" (24 - 27 мая, Тверь, ТГТУ,2004 г.).

Публикации. По результатам исследования опубликовано 7 печатных работ.

Диссертационная работа изложена на 126 страницах и включает в себя введение, три главы основного материала, заключение, приложения, библиографический список из 97 наименований.

3.3 Выводы по главе

В соответствии с задачами диссертационной работы разработана архитектура интеллектуальной информационной системы для диагностики и стоимостной оценки минералов.

ИИС реализована в виде программного комплекса в соответствии с требованиями к ее функциональному наполнению, изложенными во второй главе.

Разработаны методические рекомендации по работе с ИТС в части обучения нейронных сетей.

Рассмотрен пример диагностики минералов, иллюстрирующий, возможности автоматического распознавания минералов с помощью разработанной ИИС.

Рассмотрен пример образования однородных групп с различными стоимостными характеристиками для одного минерала (топаз) и дана интерпретация полученного результата в терминах стоимость - вес -качество.

Проведенные исследования продемонстрировали работоспособность ИИС в целом, а также отдельных ее частей.

ЗАКЛЮЧЕНИЕ

В результате проделанной начно-исследовательской работы получены следующие основные результаты работы и общие выводы.

1. Разработаны алгоритмы компьютерной диагностики ювелирных камней, позволяющие повысить надежность и оперативность диагностики прозрачных и непрозрачных минералов за счет возможности последовательного применения диагностических процедур, выбираемых из соотношения затраты-эффективность;

2. Разработана трехэтапная процедура стоимостного анализа ювелирных камней, позволяющая провести декомпозицию исходной задачи и решать ее по частям;

3. Разработаны и исследованы нейросетевые модели, реализующие трехэтапную процедуру стоимостного анализа ювелирных камней;

4. Разработана архитектура интеллектуальной информационной системы и программный комплекс, реализующий алгоритмы диагностики и модели стоимостного анализа ювелирных камней;

5. Предложена методика использования разработанного программного комплекса для проведения комплексного геммологического исследования ювелирных камней

6. Проверена работоспособность ИИС и разработанных в диссертационной работе алгоритмов и нейросетевых моделей

1. Автоматизация сбора и обработки геолого-минералогических данных при разведке рудных месторождений./А. С. Гурьевич. Э. Д. Зезюлина, В И Красников и др — 27-й Международный геологический конгресс. Тезисы, 1984, с. 362.

2. Автоматический банк эталонных рентгенографических данных/А. А. Евграфов, И. Г. Иванов, Ю. Г. Котов и др. — Аппаратура и методы рентгеновского анализа, 1979, '№ 22, с. 130.

3. Алгоритм расшифровки дифрактограммы многокомпонентных систем/ /В. Ф. Демченко. И. К. Походня, В. И. Карманов и др. — Кристаллография, 1974. т. 19, вып. 3. с. 639—641.

4. Арнольд В.И. О представлении функций нескольких переменных в виде суперпозиции функций меньшего числа переменных // Математическое просвещение, 1989 № 4. с. 41-61.

5. Арнольд В.И. О функциях трех переменных. Докл. АН СССР, 1957. Т. 114, N0. 4. С. 679-681.

6. Бокий Г. Б. О классификации минералов в связи с разработкой информационного языка. — В кн.: Геологическая информация и математическая геология. М., Недра, 1976, с. 78—82.

7. Бонд В.Л. Технология кристаллов. «Недра», 1980. — 375с.

8. Боровиков В. 8ТАТ18Т1СА: искусство анализа данных на компьютере. Для профессионалов. СПб.:Питер, 2001. 636 с.

9. Васильев Е. К., Лиопо В. А. Некоторые вопросы рентгенографического анализа. — Минерал, сб. Львов, ун-та, 1978, № 32/2, с. 27—33.

10. Ю.Витушкин А.Г. О многомерных вариациях. М.: Физматгиз, 1955.

11. П.Гай А. Г. О возможности формальной классификации и диагностики прозрачных минералов. — В кн.: Вопросы кибернетики. Ташкент, 1973, вып. 56, с. 74—81.

12. Гинзбург А. И. Выявление новых видов минерального сырья — важная задача прикладной минералогии.—Минерал, ж., 1980, т. 2, № 1, с. 9—20.

13. И.Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере. Новосибирск: Наука (Сиб. отделение), 1996. 276 с.

14. М.Загоруйко Н.Г., ЁлкинаВ.Н., Тимеркаев B.C. Алгоритм заполнения пропусков в эмпирических таблицах (алгоритм "ZET") //Вычислительные системы. — Новосибирск, 1975. — Вып. 61. Эмпирическое предсказание и распознавание образов. — С. 3-27.

15. Квасный Р. Нейронные сети ресурс Интернета, http://neural.narod.ru/, 2001.

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

17. Комашинский В.И., Смирнов Д.А. Нейронные сети и их применение в системах управления и связи. М.: Горячая линия Телеком, 2002.

18. Короткий С. Нейронные сети. http://lii.newmail.ru/NN/KOROTKY

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

20. Лазаренко В.К. Курс минералогии. М., «Высшая школа», 1972. 608с.

21. Медведев B.C., Потемкин В.Г. Нейронные сети. MATLAB 6. — М.: ЗАО "ДИАЛОГ-МИФИ", 2002. 496 с.

22. Информационно-поисковая система для рентгеновского фазового анали-за/Е. М Бупова, Н. П. Жидков, А. Г. Зильберман и др. — Кристаллография, 1977. т. 22,'№ 6, с. 1182—1190.

23. К вопросу о применении ЭВМ в рентгенографии минерального сырья/ /Ю. В. Шиповалов, Ю. М. Путилин, М. А. Матвеец и др. — В кн.: Исследования в области химических и физических методов анализа минерального сырья. Алма-Ата. 1973, вып. 3, с. 167—171.

24. Комков А. И. О рентгеновской методике идентификации метамиктных тантало-ниобатов. — В кн.: Рентгенография минерального сырья и реальное строение минералов. М., 1978.

25. Нахмансон М. С. Автоматизация исследований состава, структуры и свойств веществ на основе применения ЭВМ. М., ЦНИИТЭИприборостроения, 1981.

26. Нахмансон М. С., Черный Ю. А. Система автоматического рентгено-фазового анализа АРФА. ВИНИТИ, 1982, депонент № 497—82.

27. Пантюхина М. Е. Исследование и разработка автоматического кодирования формульной химической инфопмации в автоматизированных информационных системах. Афтореф. канд. дис. М„ ВИНИТИ, 1978, 25 с,

28. Нейронные сети. -http://wAvw.statsoft.ru/home/textbook/modules/stneunet.htm

29. Поваренных A.C. Твердость минералов. Изд-во АН УССР, 1983. 415с.

30. Пшибрам К. Окраска и люминесценция минералов. ИЛ 1969. -237с.

31. Рабочая книга по прогнозированию/Ред. И.В. Бестужев-Лада. — М.,: Мысль, 1982. -430с.

32. Соколов Е. Н., Вайткявичус Г.Г. Нейроинтеллект: от нейрона к нейрокомпьютеру М.: Наука, 1999.

33. Терехов С.А. Лекции по теории и приложениям искусственных нейронных сетей. http://alife.narod.ru/lectures/neural

34. Труды третьего международного симпозиума «Интеллектуальные системы» Псков: 2000.

35. Федюкович Н. И. Нейросети: Учеб. Пособие. Мн.: ООО «Полифакт-Альфа», 1999.

36. Фу К. Последовательные методы в распознавании образов и обучении машин. М.,: Наука, 1971

37. Цыганков В. Д. Нейрокомпьютер и его применение М.: СолСистем, 2000.

38. Шефер X. Топологические векторные пространства. М.: Мир, 1971. 360с.

39. Эндрю А. Искусственный интеллект — М.: Мир, 2002.

40. Бонштедт-Куплетская Э.М. Определение удельного веса минералов. Изд-во АН ССР, 1961. 276с.

41. Чириков Н.В. Применение рентгеноструктурных методов для анализа материалов. Наука, 1986. -440с.

42. Дубров A.M., Мхиторян В.С.Многомерные статистические методы. -М., Финансы и статистика, 1998.

43. Мандель И.Д. Кластерный анализ. М., Финансы и статистика, 1988.

44. Семенов Н.А., Ветров А.Н., Абу Суек Атия Ражаб Мухамед. Интеллектуальная система поддержки принятия решений в геммологическом исследовании // Компьютерные продукты и системы. №2, 2003 С. 28 32;

45. Дмитриев Г.А., Ветров А.Н., Абу Суек А. Р. Использование нейронных сетей для стоимостной оценки объектов. // Сб. трудов Международной научно-технической конференции "40 лет биотехнических систем " С. Петербург, ЛЭТИ, 2004. С.61 - 62;

46. Абу Суек А.Р. Интеллектуальная информационная система диагностики и стоимостной оценки драгоценных камней. // Компьютерные продукты и системы. №3, 2004 С. 43 — 45.

47. Bhagavantam S. Crystal symmetry and physical properties. London, 1966. -387p.

48. Cybenko G. Approximation by superposition of a sigmoidal function. Mathematics of Control, Signals, and Systems, 1989. Vol. 2. PP. 303 314.

49. Gilev S.E., Gorban A.N. On completness of the class of functions computable by neural networks. Proc. of the World Congress on Neural Networks (WCNN'96). Sept. 15-18, 1996, San Diego, CA, Lawrens Erlbaum Accociates, 1996. PP. 984-991.

50. Hornik K., Stinchcombe M., White H. Multilayer feedforward networks are universal approximators. Neural Networks. 1989. Vol. 2. PP. 359 366.

51. Barron A. R. Approximation and estimation bounds for artificial neural networks. Machine learning. Vol. 14, 1994. - Pp. 115-133.

52. Chui C. K. An introduction to wavelets. N. Y.: Academic Press, 1992.

53. Chauvin Y. A back propagation algorithm with optimal use of hidden units // Advances in NIPS2 / D. Touretzky, Ed. San Mateo: Morgan Kaufmann, 1989.-Pp. 519-526.

54. Chen S., Cowan C.F., Grant P.M. Orthogonal least squares learning algorithm for radial basis function networks // IEEE Trans. Neural Networks, 1991. Vol. 2. -Pp. 302-309.

55. Chen D., Jain C. A robust back propagation learning algorithm for function approximation // IEEE Trans. Neural Networks, 1994. Vol. 5. - Pp. 467479.

56. Cheng Y.H., Lin C.S. Learning algorithm for radial basis function network with the capability of adding and pruning neurons: Proc. 1994 Conf. ICNN. Orlando: 1994. -Pp. 797-801.

57. Chinrungrueng C, Sequin C.H. Optimal adaptive K-means algorithm with dynamic adjustment of learning rate // IEEE Trans. Neural Networks, 1995. Vol. 6.-Pp. 157-169.

58. Demuth H., Beale M. Neural Network Toolbox for use with Matlab. -Natick: The Math Works, Inc., 1992.

59. Denoeux J., Lengalle R. Initializing back propagation networks with prototypes//Neural Networks, 1993. Vol 6. - Pp. 351-363.

60. Diamantaras K., Kung S. Principal component neural networks, theory and applications. N. Y.: Wiley, 1996.

61. Dubois D., Prade H. Fuzzy sets and systems. N. Y.: Academic Press, 1980.

62. Floreen P. The convergence of Hamming memory networks // IEEE Trans. -NeuralNetworks, 1991. Vol. 2. - Pp. 449-457.

63. Geva S.r Sitte J. Progress in supervised neural networks // IEEE Trans. N. N., 1992. -Vol. 3.-Pp. 621-625.

64. Gill P., Murray W., Wright M. Practical Optimization. N.Y.: Academic Press, 1981.

65. Girosi F, Jones M. Poggio T. Regularization theory and neural network architecture//Neural Computation, 1995. - Vol. 7. - Pp. 219-270.

66. HampeI F. R., Rousseeuw P. J., Ronchetti E. M., Stahel W. Robust statistics -the approach based on influence function. N.Y.: Wiley, 1986.

67. Hassibi B., Stork D. Second order derivates for network pruning: Optimal brain surgeon // Advances in NIPS5 / Ed. D. Touretzky, San Mateo: Morgan Kaufmann, 1993 .-Pp. 164-171.

68. Haykin S. Neural networks, a comprehensive foundation. N.Y.: Macmillan CollegePublishing Company, 1994.

69. He Y, Ciringiroglu U. A charge based on-chip adaptation Kohonen neural network //Trans. Neural Networks, 1993. Vol. 4. - Pp. 462-469.

70. He Y, Cilingiroglu Y., Sanchez-Sinencio E. A high density and low power chargebased Hamming network // IEEE Trans. VLSI Systems, 1993. Vol. l.-Pp. 56-62.

71. Hopfield J. Neural networks and physical systems with emergent collective computational abilities // Proc. National Academy of Science USA, 1982. Vol. 79. -Pp. 2554-2558.

72. Hopfield J., Tank D. Neural computations of decisions in optimization problems// Biological Cybernetics, 1985. Vol. 52. - Pp. 141-152.

73. Hopfield J., Tank D. Computing with neural circuits: a model // Science, 1986. Vol.233. - Pp. 625-633.

74. Hornik K., Stinchcombe M., White H. Multilayer feed forward networks are universal approximators // Neural Networks, 1989. Vol. 2. -Pp. 359-366.

75. Hush D., Home B. Progress in supervised neural networks // IEEE Signal Processing Magazine, 1993, January. Pp. 8-39.

76. Jacobs R. A. Increased rates of convergence through learning rate adaptation // Neural Networks, 1988. Vol. 1. - Pp. 295-307.

77. JangJ. S., Sun C. T, Mizutani E. Neuro-fiizzy and soft computing. N.Y.: Prentice Hall, 1997.85133. Riedmiller M., Braun H. RPROP a fast adaptive learning algorithm. Technical Report, Karlsruhe: University Karlsruhe, 1992.

78. Ritter H., Schulten K. On the stationary state of the Kohonen self-organizing sensory mapping // Biological Cybernetics. 1986. Vol. 54. - Pp. 234-249.

79. Rugh W. Nonlinear Systems: a Volterra approach. -N.Y.: J. Hopkins Press, 1981.

80. Rosenblatt F. Principle of neurodynamics. -N.Y.: Spartan, 1992.

81. Widrow B., Bilello M. Nonlinear adaptive signal processing for inverse control// Proc. World Congress on Neural Networks, San Diego 1994.

82. Widrow B., Stearns S. Adaptive signal processing. N.Y.: Prentice Hall, 1985.

83. Williams R, ZipserD. A learming algorithm for continually running fully recurrent neuralnetworks. Neural Computers, 1989. - Vol. 1. - Pp. 270-280.

84. Xue Q., Hu Y, Totnpkins W. Analysis of hidden units of back propagation model by SVD // Proc. IJCNN, 1990, Washington. Pp. 1739-742.

85. Yair E., Zeger K., Gersho A. Competitive learning and soft competition for vector quantizer design // IEEE Trans. Signal Processing, 1992. Vol. 40. -Pp. 294-309.

86. Yamakawa T. A fuzzy interference engine in nonlinear analog made and itsapplication to fuzzy logic control // IEEE Trans. Neural Networks, 1993.-Vol. 4. -Pp. 496-522.

87. Yuceer C, Oflazer K. A rotation, scaling and translation invariant pattern classification system // Pattern Recognition, 1993. Vol. 26. - Pp. 687-710.