автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.11, диссертация на тему:Методика и информационно-вычислительный комплекс интеллектуальной поддержки принятия решений на основе механизма немонотонного логического вывода и нейросетевых технологий

На правах рукописи

Никонов Вячеслав Викторович

МЕТОДИКА И ИНФОРМАЦИОННО-ВЫЧИСЛИТЕЛЬНЫЙ КОМПЛЕКС ИНТЕЛЛЕКТУАЛЬНОЙ ПОДДЕРЖКИ ПРИНЯТИЯ

РЕШЕНИЙ НА ОСНОВЕ МЕХАНИЗМА НЕМОНОТОННОГО ЛОГИЧЕСКОГО ВЫВОДА II НЕЙРОСЕТЕВЫХ ТЕХНОЛОГИЙ

Специальность 05.13.11 «Математическое и программное обеспечение вычислительных машин, комплексов и компьютерных сетей»

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

004694098

Москва 2010 г.

004604098

Работа выполнена в ГОУ ВПО «Московский государственный университет приборостроения и информатики» (МГУПИ)

Научный руководитель: доктор технических наук, доцент

Морозова Татьяна Юрьевна

Официальные оппоненты: доктор технических наук, доцент

Жуков Дмитрий Олегович,

кандидат технических наук Янкелевич Алексей Владимирович

Ведущая организация: ГОУ ВПО «Московский автомобнльно-дорожный

государственный технический университет» (МАДИ)

Защита диссертации состоится 16 июня 2010 года в 12 часов на заседании Диссертационного Совета Д.212.119.02 ГОУ ВПО «Московский государственный университет приборостроения и информатики» по адресу: 107996, г. Москва, ул. Стромынка, д. 20.

С диссертацией можно ознакомиться в библиотеке ГОУ ВПО «Московский государственный университет приборостроения и информатики».

Автореферат разослан 14 мая 2010 г.

Учёный секретарь диссертационного совета кандидат технических наук, доцент

Г.В. Зеленко

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность работы. Быстрое развитие методов и программных средств контроля параметров воздушной среды вызвано возросшей необходимостью наблюдения за экологическим состоянием атмосферы. Для предупреждения экологических катастроф и обеспечения безопасности людей в производственной зоне предприятий необходим постоянный контроль за уровнем содержания загрязняющих веществ в воздушной среде.

Федеральный закон «Об охране окружающей среды» № 7-ФЗ от 10.01.2002 г., закон г. Москвы «Об экологическом мониторинге в г. Москве» № 65 от 20.10.2004 г. определяют необходимость разработки методов и средств контроля процессов, происходящих в окружающей среде, в том числе и под влиянием антропогенных факторов.

Эффективным методом исследования воздушной среды атмосферы является метод лазерного инфракрасного (ИК) зондирования. Данный метод позволяет на основе принципов поглощения и рассеивания электромагнитного излучения получать данные о наличии и концентрации вредных веществ, что позволяет выявлять причины, механизмы, тенденции развития процессов, происходящих в атмосфере. Изучением обработки информации, полученной от систем лазерного зондирования воздушной среды занимаются такие отечественные ученые как: P.P. Агишев, В.Е. Зуев, B.C. Портасов, И.Д. Миценко, Г.Г. Ванеев, Е.С. Селезнева и др. Существующие в настоящее время методы и модели предназначены для изучения различных газов, температуры, давления, скорости, а также других параметров атмосферы. Эти методы трудоемки и требуют высокой квалификации персонала. Экспертные процедуры, в данном случае, строятся на определении наличия только одного вредного вещества. Поэтому возникает необходимость в разработке информационно-вычислительного комплекса для анализа данных, полученных от лазерных систем дистанционного зондирования воздушного бассейна атмосферы, который позволяет определять одновременно несколько вредных веществ и их концентрацию в режиме реального времени без участия эксперта.

Таким образом, задача разработки метода, алгоритма и соответствующего информационно-вычислительного комплекса интеллектуальной поддержки принятия решений для определения вредных веществ в воздушной среде и их концентрации является своевременной и актуальной.

Дели н задачи. Целью работы является создание математических и информационных моделей интеллектуальной поддержки принятия решений определения вредных веществ и их концентрации.

Для достижения поставленной цели в диссертации решены следующие основные задачи.

1. Проведен анализ современных моделей, методов и алгоритмов обработки и автоматизированной идентификации сигналов для систем экологического контроля (мониторинга) окружающей среды с использованием лазерного ИК зондирования. Выявлены основные задачи и осуществлен выборд путей их решения.

2. Разработана методика интеллектуальной поддержки принятия решений определения вредных веществ и их концентрации на основе механизма немонотонного логического вывода и нейросетевых технологий.

3. Предложена модель принятия решений о наличии вредных веществ в воздухе атмосферы и разработан алгоритм реализации данной модели на основе использования логического формализма модифицируемых рассуждений.

4. Разработан метод определения концентрации вредных веществ в атмосфере на основе нейросетевых технологий с помощью специального представления спектра поглощения ИК излучения, полученных с лазерных систем дистанционного зондирования воздушного бассейна атмосферы.

5. Разработана архитектура и осуществлена программная реализация информационно-вычислительного комплекса для определения вредных веществ и их концентрации в воздушной среде с использованием лазерного ИК зондирования.

Методы исследования. Для решения поставленных задач в ходе диссертационного исследования использовались методы логического вывода, методы оптимизации, математического моделирования, искусственных нейронных сетей, технологии разработки алгоритмов и программного обеспечения, объектно-ориентированного программирования.

Научная новизна работы заключается в следующем:

1. Разработаны модели интеллектуальной поддержки принятия решений на основе механизма немонотонного логического вывода и нейросетевых технологий.

2. Предложен алгоритм создания правил логического вывода, необходимых для принятия решений о наличии вредных веществ в воздушной среде на основе использования формального концептуального анализа, что позволило автоматизировать процесс создания правил логического вывода и снизить нагрузку на эксперта.

3. Разработан метод определения концентрации вредных веществ в воздушной среде на основе аппарата искусственных нейронных сетей. Предложен алгоритм редукции нейронной сети, основанный на конкуренции синаптических связей между собой, что позволило сократить затраты памяти ЭВМ.

4. Создана методика интеллектуальной поддержки принятия решений для определения вредных веществ и их концентрации в воздушной среде на основе данных, полученных с систем лазерного ИК зондирования.

5. Разработана структура экспертно-информационной системы поддержки принятия решений определения состава вредных веществ в окружающей среде на основе использования логического формализма модифицируемых рассуждений, позволяющая осуществлять логический вывод, построенный на информации, полученной в ходе экологического контроля.

6. Разработан информационно-вычислительный комплекс определения вредных веществ и их концентрации в воздушной среде на основе данных, полученных с систем лазерного ИК зондирования.

Практическая значимость и реализация результатов работы.

Разработана архитектура информационно-вычислительного комплекса и осуществлена его программная реализация. Комплекс предназначен для определения наличия вредных веществ и их концентрации в воздушной среде с использованием данных, полученных от систем лазерного ИК зондирования. Данный информационно-вычислительный комплекс может быть использован в системах экологического мониторинга и контроля объектов специального назначения. Разработанный информационно-вычислительный комплекс внедрен в ООО КБ «ЭлектронСистема».

Основные результаты, полученные в ходе выполнения диссертационного исследования: алгоритм создания правил логического вывода на основе формального концептуального анализа, экспертно-информационная система на основе механизма немонотонного логического вывода и нейросетевая модель определения концентрации вредных веществ использованы в учебном процессе при подготовке специалистов по ГОСВПО 230102 на кафедре «Автоматизированные системы управления и информационные технологии» ГОУ ВПО «Московский государственный университет приборостроения информатики».

Апробация работы. Наиболее важные результаты докладывались на международной ■ конференции «Перспективные инновации в науке, образовании, производстве и транспорте» (Украина, г. Одесса, 2006 г.), международной конференции «Современные направления теоретических и прикладных исследований» (Украина, г. Одесса, 2007—2008 гг.), четвертой международной конференции - выставке «Экологические системы, приборы и чистые технологии» (г. Москва, 2010 г.), пятой международной конференции -выставке «Промышленные АСУ и контроллеры 2010: от А до Я» (г. Москва, 2010 г.).

Основные положения и результаты работы докладывались и обсуждались на кафедре «Автоматизированные системы управления и информационные технологии» ГОУ ВПО «Московский государственный университет приборостроения и информатики».

Публикации. По теме диссертации опубликовано 6 научных работ, в том числе, 3 в журналах, рекомендованных ВАК РФ, получено свидетельство о государственной регистрации программ для ЭВМ в Федеральной службе по собственности, патентам и товарным знакам (РОСПАТЕНТ) № 2008614970, 15.10.2008 г.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка литературы и 4-х приложений.

Основная часть диссертации содержит - 143 страницы машинописного текста, включая 35 — рисунков и 7 — таблиц.

СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы диссертации, сформулированы цель, задачи исследования, определены научная и практическая значимость работы, приведена краткая характеристика основных разделов диссертации.

В первой главе проведен обзор существующих методов автоматизированной обработки данных, полученных от систем лазерного зондирования.

Проведено исследование данных, получаемых от систем лазерного зондирования. Показано, что наиболее успешно применяются лазерные системы на основе ИК излучения. Данные, полученные с систем лазерного дистанционного зондирования, представляют собой инфракрасные спектры поглощения ИК излучения вредными веществами, типичный вид которых представлен на рисунке 1.

700 750 800 850 900 950 1000 1050 U0Ó 1150 1200 1250 1300 1Э50 1400

Часто», см'1

Рис. I. Пример ИК спектра поглощения метанолом

Рассмотрены существующие методы для определения по ИК спектрам поглощения состава смеси газов в воздушной среде. Выявлены основные трудности и недостатки рассмотренных методов.

Доказана необходимость разработки методики на основе информационно-вычислительного комплекса для определения вредных веществ и их концентрации в воздушной среде с использованием лазерного ИК зондирования.

В конце первой главы поставлена задача разработки методики и информационно-вычислительного комплекса интеллектуальной поддержки принятия решений для определения вредных веществ и их концентрации в

воздушной среде с использованием данных, полученных от систем лазерного ИК зондирования. Предложены пути ее решения, например, на основе методов искусственного интеллекта.

Вторая глава посвящена разработке модели интеллектуальной поддержки принятия решений для определения вредных веществ на основе логического формализма модифицируемых рассуждений, а также созданию экспертно-информационной системы идентификации вредных веществ по данным лазерного ИК зондирования.

В диссертации показано преимущество логического подхода для построения экспертно-информационной системы. Данный подход заключается в представлении фактов и правил базы знаний в виде продукций. Процесс вывода заключения интерпретируется как дедуктивный метод доказательства теоремы.

В работе рассмотрены модели монотонного и немонотонного логического вывода. Показаны достоинства и недостатки данных моделей, на основании чего выбрана модель немонотонного логического вывода.

Ниже приводится краткое описание использованных в работе. базовых определений.

Определение 1. Предположением названо текущее допущение о некотором факте, истинном в данный момент, но которое в дальнейшем может стать ложным и быть исключен из дальнейшего рассмотрения.

Определение 2. Посылка — факт, не требующий обоснования.

Разработан алгоритм создания правил логического вывода, необходимых для принятия решений о наличии вредных веществ в окружающей среде на основе использования формального концептуального анализа.

Определение 3. Контекст - это тройка (У, X, которая состоит из множества объектов (вредных веществ в воздухе атмосферы) У, множества атрибутов (признаков вредного вещества) Хи бинарных отношений ГсУхХ между объектами и атрибутами.

Контекст имеет вид таблицы, в которой строки представляют собой объекты, а столбцы - атрибуты.

Определение 4. Под концептом (Л,Щ понимается пара объекта Ас У и атрибута N с X, которые удовлетворяют определенным условиям.

Все объекты концепта содержат все его атрибуты.

Множество всех формальных концептов образуют концептуальную решетку.

Блок-схема разработанного алгоритма создания правил логического вывода для определения вредных веществ приведена на рисунке 2. Данный алгоритм относится к методам интеллектуального анализа данных.

Рис. 2. Блок-схема алгоритма создания правил логического вывода для определения

вредных веществ

Построенная концептуальная решетка по алгоритму (рис. 2), позволяет определить все свойства, которыми обладает то или иное вредное вещество. Каждый узел решетки соответствует концепту.

Предложенный алгоритм был использован для решения практической задачи выявления вредных веществ по спектру поглощения ИК излучения. Максимальное количество определяемых веществ (восемь) было установлено специалистами по экологическому контролю. Для создания правил логического вывода при идентификации вредных веществ составлена матрица контекста, в строках которой записаны идентифицируемые вредные вещества, а в столбцах - признаки данных веществ. Признаками являются количество и положение пиков снижения интенсивности пропускания веществом ИК излучения, полосы частот поглощения, место положение полос в спектре поглощения, ширина и форма полос поглощения. Всего определено восемь признаков для идентификации веществ. Контекст для установления логических правил определения вредных веществ в воздушной среде представлен в таблице 1.

Таблица 1. Пример контекста формирования логических правил

\ Атрибуты Объекты \ При частоте 900 1150 см'1 наличие 2х полос поглощения При частоте 1200..1250 см*1 снижение 1 интенсивности ИК излучения от 1 до 0,85 отн. ед. i i При частоте 950.Л150 см"'снижение 1 интенсивности от 1 до 0,1 отн. ед. 1 При частоте 700...750 см"'снижение 1 интенсивности ИК излучения от 1 до I 0,75 отн. ед. 1 Лря частоте 950,. И 50 см"'ширина полосы 1 поглощения составляет 200 см~1 1 1 1 Наличие дребезга в спектре ИК | поглощения £ § X — и , i Е 31 => п к-1 У с* 1 : К о Я о SÍ 00 С 81 1 I 5 сч v а» ( С s г ь о. £ со С г о При частоте 1300... 1350 см"' снижение интенсивности ИК излучения от 1 до 0,9 оти. ед.

1 2 3 4 5 6 7 г

Метанол М + + + +

Этанол Э + + + -t- + Г~ + +

Аммиак А + + + + +

Диметилсульфоксид д -ь + +

На основе контекста, представленного таблицей 1, в диссертации построена формальная концептуальная решетка, для создания правил логического вывода (рис. 3).

7

6 / \ 3

А *

/

X

8 М

4 Ш

\ 1

* Диметилсульфоксид

\ х

У

Этанол \

Аммиак

\ /

Рис. 3. Концептуальная решетка на примере четырех вредных веществ, для формирования логических правил идентификации вредных веществ

На основе алгоритма (рис. 2) для четырех вредных веществ в диссертации разработаны соответствующие правила логического вывода определения вредных веществ в окружающей среде.

Логические правила состоят из фактов и допущений.

Фрагмент правил логического вывода выглядит следующим образом: число_полос__поглощения_в_спектре (/) л ММетанол ¡- Метанол:

величина поглощения (0,45) л МДиметилсульфоксид Диметилсульфоксид;

Диметилсульфоксид Метанол;

Диметилсульфоксид л МЭтанол [-Этанол;

Положение_полосы_поглощения(924см~') [-Аммиак;

Аммиак (- -•Этанол;

Неизвестно_число_полос_поглощения)- ~ Метанол; Дребезг _в_спектре [- -•Диметилсульфоксид.

Разработана экспертно-информационная система, которая определена схемой, представленной на рисунке 4. Данная система включает следующие блоки: администратор диалога и решатель задач, который состоит из подсистем: процессора логического вывода, базы знаний, системы поддержки рассуждений (СПР).

вычислительного комплекса на основе логического формализма модифицированных

рассуждений

В диссертации показано, что определение вредных веществ в воздушной среде представляет собой итерационный процесс. В ходе мониторинга формируется дополнительная информация в виде модифицируемых рассуждений.

Доказано, что процесс рассуждений определения вредных веществ в окружающей среде, является немонотонным процессом. В связи с этим, в диссертации предложен следующий общий алгоритм функционирования экспертно-информационной системы, построенной на немонотонном процессе вывода:

Шаг 1. Формирование фактов и правил в базе знаний (проводится экспертом). Шаг 2. Из множества правил логического вывода находится правило, содержащее целевое утверждение (осуществляется решателем задач). ШагЗ. Сопоставление найденного правила с имеющимися фактами (осуществляется решателем задач).

Шаг 4. Если образец правила при сопоставлении совпал с какими-либо фактами, то осуществляется выполнение этого правила (логический вывод) (осуществляется решателем задач).

Шаг 5. Сохранение осуществленного вывода (фактов и правил) в специальной области (система поддержки рассуждений).

Шаг 6. Если логический вывод про тиворечит некоторым фактам и заключениям, то выполняется сохранение в специальной области этих фактов и правил, атак же удаление их из базы знаний (система поддержки рассуждений). Шаг 7. Если достигнут конец множества правил логического вывода, то переход к шагу 8, иначе переход к шагу 2. Шаг 8. Завершение работы.

Предложенный алгоритм функционирования экспертно-информационной системы немонотонного вывода требует наличия специальной области, в которой хранится предыдущий вывод. В связи с этим, в диссертации предложено использовать систему поддержки рассуждений (СПР), которая реализуется в экспертно-информационной системе (рис. 4). Процессор логического вывода информирует СПР от каких данных зависит вывод, т.е. какие посылки и правила были использованы. Значимый (непротиворечивый) вывод, передается в СПР, как обоснование в форме хорновских фраз (дизъюнктов). Вывод противоречия говорит о несовместности предположений, в рамках которых сделан вывод. Таким образом, СПР используется для защиты логической целостности и непротиворечивости заключений в экспертно-информационной системе, построенной на немонотонном логическом выводе.

Взаимодействие между процессором логического вывода и СПР представлено на рисунке 5.

В данной главе управление дедуктивной совместимостью фактов в СПР представлено в графической форме, показанной на рисунке 6.

Каждый факт в СПР представлен в виде узла. Зависимость заключения от фактов изображается в виде логического вентиля (рис. 6). Совокупность логических вентилей образует сеть обоснований.

Рис 5. Взаимодействие процессора логического вывода и СПР

Рис. 6. Представление зависимости в виде логического вентиля

Введено понятие состояния узла. Узел может находиться в одном из двух состояний: ВНУТРИ, если узел является состоятельным (непротиворечивым)

заключением на основе осуществленных выводов, и ВНЕ, если узел не является состоятельным выводом на основе осуществленных ранее выводов. Если узел не имеет зависимости, то он всегда находится в состоянии ВНЕ.

В данной главе введены следующие определения для зависимостей, представленных на рисунке 6.

Определение 5. Зависимость называется значимой, если ее монотонные поддержки находятся в состоянии ВНУТРИ и все немонотонные поддержки в состоянии ВНЕ.

Определение 6. Зависимость называется незначимой, если хотя бы одна из ее монотонных поддержек находится в состоянии ВНУТРИ.

Зависимость заключения от фактов (рис. 6) имеет следующее значение: если А-{Ах,Аг,Аъ,...,Ап} и В = {В1,Вг,В2,...,Вт]— теоремы (т.е. если их узлы находятся в состоянии ВНУТРИ), то Е — теорема.

Си/) не являются теоремами, их узлы находятся в состоянии ВНЕ.

Узлы А и В названы в диссертации монотонными поддержками, а узлы С и О — немонотонными.

Зависимость, изображенная на рисунке 6 выполняет следующее правило: ЛлЯЛ(М-.С)Л(М-.Г>)ЬЕ.

В диссертации показано, что узел может быть связан с несколькими зависимостями, т.е. несколько логических вентилей могут связываться с узлом.

В диссертации разработана структура экспертно-информационной системы для определения вредных веществ в воздушном бассейне атмосферы средствами лазерного зондирования на основе использования графического представления фактов и правил вывода заключений из фактов, а также добавления или удаления из базы знаний правил вывода в результате полученной дополнительной информации при мониторинге воздушного бассейна атмосферы.

Созданная ЭИС, реализуемая информационно-вычислительным комплексом, базируется на реализации процедуры логического вывода.

В третьей главе предложен метод для определения концентрации вредных веществ на основе теории искусственных нейронных сетей.

Задача определения концентрации вредных веществ в воздушном бассейне является логическим продолжением разработанных в предыдущей главе метода и алгоритма идентификации вредных веществ.

Методы количественного анализа вредных веществ воздушного бассейна атмосферы основаны на построении зависимости между интенсивностью поглощения веществом ИК излучения и его концентрацией. На основе регистрации партии спектров ИК излучения вредных веществ с известными концентрациями устанавливается зависимость между спектром поглощения и концентрацией.

В данной работе для определения концентрации вредного вещества из данных, полученных с систем лазерного ИК зондирования и автоматизации построения функциональной зависимости между интенсивностью поглощения

веществом ИК излучения и его концентрацией предложено использовать метод нейронных сетей.

В диссертации задача определения концентрации вредного вещества по данным спектра поглощения сформулирована как задача аппроксимации функции многих переменных.

Доказана возможность использования нейросетевых технологий для решения задачи автоматизации построения функциональной зависимости между спектром поглощения ИК излучения вредными веществами и их концентрацией.

Нейронная сеть представлена как совокупность простых элементов (нейронов), связанных друг с другом.

В диссертации для решения задачи установления концентрации вредных веществ по данных ИК спектра поглощения предложена многослойная полносвязная нейронная сеть (рис. 7):

- 1 слой состоит из значений спектра поглощения ИК излучения вредными веществом;

- 2 слой является промежуточным слоем, для повышения точности установления функциональной зависимости между спектром поглощения и концентрацией вещества;

- 3 слой состоит из значения у — концентраций вредных веществ, представленных спектром поглощения (например, рис. 1).

Слой значений спектра ИК поглощения вредным веществам (СИКП)

Промежуточный связывающий слой СИКП и СК

Слой значений концентрации вредных веществ (СК)

Рис. 7. Структура трехслойной нейронной сети, используемая для установления концентрации вредного вещества по данным ИК спектра поглощения

Каждый слой связан следующими весами:

синаптический вес между слоем СИКП и промежуточным слоем;

К

Щ1] — синаптический вес между промежуточным и слоем СК.

Обучение нейронной сети основано на обучении с учителем, заключающееся в том, что каждому входному вектору значений спектра поглощения ИК излучения регистрируемого вещества {/г,,/^,...,/^} ставится в соответствие выходная величина у — концентрация вредного вещества.

Обучение с учителем определено как поиск коэффициентов и И-'^ нейронной сети, при которых будет выполняться необходимое отображение входных векторов {йр/^,..,,//„} значений спектра поглощения в выходное у — значение концентрации. Это достигается путем минимизации суммы разности квадратов между желаемым и получаемым выходами нейронной сетью:

где т — количество обучающих примеров; 4 — желаемый выход нейрона для / -го обучающего примера (¿ер;«]); IV — матрица весовых коэффициентов нейронной сети; Н, — /-ый обучающий пример.

Рассмотрены различные алгоритмы обучения нейронной сети: эволюционные, стохастические, градиентные. Показаны .недостатки и преимущества методов. В работе были рассмотрены и реализованы некоторые из них. Сделаны рекомендации по использованию тех или иных алгоритмов, созданы модификации и их объединения для более эффективного и быстрого обучения нейронной сети.

Проведен анализ различных параметров сетей (вид нейронов, количество слоев и связей) при выборе наиболее оптимальной нейронной сети для решения задачи определения концентрации вредных веществ по данным поглощения вредным веществом ИК излучения. В ходе проведенных исследований разработан пошаговый алгоритм редукции сети с учетом конкуренции связей нейронов между собой:

Шаг 1. Задание исходных значений для каждого элемента (нейрона).

Шаг 2. Ввод значений синаптических весовых коэффициентов Щ1 -

степень связи, с которой /-ый нейрон связан с 7-ым нейроном следующего слоя.

Шаг 3. Вычисление значений каждого нейрона по формулам:

где сумма произведений всех синаптических весов /'-ого нейрона на значение соответствующего этому весу у'-ого нейрона следующего слоя, gl -величина /-ого элемента следующего слоя, К — коэффициент, который используется для обновления значений нейронов предыдущего слоя; х1 -величина у — го элемента следующего слоя.

/и

(1)

(2)

Шаг 4. Обновление значений синаптических весов:

(1

где - значения синаптических весов предыдущей итерации.

Шаг 5. Сокращение количества конкурируемых между собой нейронов. Если <. 0,001, то = 0 .

Шаг 6. Вычисление обновленных значений по формулам (1) и (2).

Шаг 7. Исследование значений нейронов на противоречие в конкуренции:

п

Ъ = к*1, /,2:0,

*=1

где -¡¥\к-А:,к _ обновление значения , ~ значение ^ на предыдущей итерации, А(1 = —хк.

Шаг 8. Вычисление новых значения нейронов с учетом противоречия в конкуренции:

Шаг 9. Если значения нейронов не превышают установленного порога, то окончание алгоритма, иначе переход к шагу 4.

Алгоритм является итерационным. Он используется для установления конкурентных связей в нейронной сети (рис. 7).

В четвертой главе представлена программная реализация методов и алгоритмов, разработанных в предыдущих главах диссертационного исследования.

Проведена апробация разработанных моделей и алгоритмов интеллектуальной поддержки принятия решений в задачах мониторинга воздушного бассейна окружающей среды с использованием лазерного ИК зондирования.

По полученным в предыдущих главах результатам разработаны структуры и диалоговые процедуры информационно-вычислительного комплекса.

Разработанный информационно-вычислительный предназначен для автоматизации принятия решений о наличии вредных веществ в воздушной среде и их концентрации. Информационно-вычислительный комплекс позволяет автоматизировать выполнение следующих задач:

- представление данных;

- идентификация вредных веществ в окружающей среде с использованием логического формализма модифицированных рассуждений;

Подсистема формнро»&ння логических привил

Ият»р4>*&с волылвтля

С

С

Модуль аюуала-шша ФКА

Ч>ор»пф«чтт<ль

<

Интерфейс взаимолеистшня с другими подсистемами

>

Пользователь

Эксперт

Интерфейс взаимодействия с другими подсистемами

^ Иат«|>ф«й|

ГС

3

\

Працкшр

ЛпГКЧесКлГа Бш» 1««>шв

(ПЛВ)

ч /

У' ста* V

ц Г

зг

Поюк обработок сообшепвй Г

> ОС

оспертно-ннф. подсистема

1:1 I * *

: 1

Подсистема НС

МОДУЛЬ Об^чсиш* НС | Модул*

1 водготовхя I Давим*

S . .

С_с

№ |<|Д}'Лк «астрой» НС

ц ;

Инт*рф«йс ВоЛЬЭЛНП/М

Рис. 8. Архитектура информационно-вычислительного комплекса

- определение концентрации вредных веществ с помощью искусственных нейронных сетей;

- обучение и настройка нейронной сети;

- визуализация результатов.

Разработана система различных меню, многопользовательский интерфейс, набор управляющих элементов.

Архитектура информационно-вычислительного комплекса приведена на рисунке 8.

Данный информационно-вычислительный комплекс работает под управлением операционных систем семейства Windows.

Проектирование информационно-вычислительного комплекса интеллектуальной поддержки принятия решений осуществлялась на базе объектно-ориентированных технологий.

Исследована эффективность разработанного информационно-вычислительного комплекса. Осуществлена проверка его работоспособности на предприятиях, занимающихся мониторингом окружающей среды.

Ошибки определения состава вредных веществ в воздушной среде показаны на рисунке 9.

/ ^ у

.,>" J>" & J?

чг <>* у

<f

Рис. 9. Ошибки определения вредных веществ в воздушной среде

Приведено описание разработанной методики идентификации вредных веществ в воздушном бассейне атмосферы и установления их концентрации.

Зависимость вероятности идентификации вредных веществ от накопленных в информационно-вычислительном комплексе правил логического вывода представлена на рисунке 10.

£ 0,6 I 0,5

г о."

? 0,2 5 о,1

п

£

ь Ф & 4> & 4> & 4? $ Ф &

Комо логических правил

[—Аммиак —♦—Этанол —»—Метанап —*—Диметилсульфоксид] Рис. 10. Зависимость вероятности идентификации вредных веществ от количества накопленных в информационно-вычислительном комплексе логических правил

Разработанный информационно-вычислительный комплекс был использован в проекте ООО КБ «ЭлектронСистема» (г. Жуковский) при разработке новой системы дистанционного мониторинга воздушной среды различных объектов и территорий с использованием систем лазерного зондирования, установленных на летательных аппаратах.

В заключении изложены основные результаты и выводы по диссертационной работе.

1 ]

к«* ■•г*- г« I*

У

Р4' ■•1 ,•1

••1 '"1 V

¡Г«-«. ••< V ••• V

к

,1'

•г Л

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

1. Проведен анализ современных моделей, методов и алгоритмов обработки и автоматизированной идентификации сигналов для систем экологического контроля (мониторинга) окружающей среды с использованием лазерного ИК зондирования. Выявлены основные задачи и осуществлен выбор путей их решения.

2. Разработана методика интеллектуальной поддержки принятия решений определения вредных веществ и их концентрации на основе механизма немонотонного логического вывода и нейросетевых технологий.

3. Предложена модель принятия решений о наличии вредных веществ в воздухе атмосферы и разработан алгоритм реализации данной модели на основе использования логического формализма модифицируемых рассуждений.

4. Разработан метод определения концентрации вредных веществ в атмосфере на основе нейросетевых технологий с помощью специального представления спектра поглощения ИК излучения, полученных с лазерных систем дистанционного зондирования воздушного бассейна атмосферы.

5. Разработана архитектура и осуществлена программная реализация информационно-вычислительного комплекса для определения вредных веществ и их концентрации в воздушной среде с использованием лазерного ИК зондирования.

СПИСОК ОСНОВНЫХ РАБОТ ПО ТЕМЕ ДИССЕРТАЦИИ

Статьи в журналах, рекомендованных ВАК

1. Никонов В.В. Использование нейросетевых технологий для определения количественного состава вредных веществ в воздушном бассейне атмосферы по данным ИК спектрометрии К Экологические системы и приборы № 5,2010. - с. 16-19.

2. Никонов В.В. Построение модели экспертно-информационной системы на основе логического формализма в задачах экологического мониторинга // Приборы и системы. Управление. Контроль. Диагностика, 2010. № 4, с. 9-14.

3. Никонов В.В. Принципы построения промышленных автоматизированных систем обработки сигналов лидарных систем для дистанционного зондирования атмосферы. // Промышленные АСУ и контроллеры, 2010. № 3, с. 7-8.

Публикации в других изданиях

4. Никонов В.В. Нейросетевые технологии в задачах мониторинга воздушной среды. Сборник трудов Международной научно-практической конференции «Современные направления теоретических и прикладных исследований '2008». Том 2. — Одесса: Черноморье, 2008, с. 29-34.

5. Никонов В.В. Решение задачи прогнозирования на основе аппарата искусственных нейронных сетей. Сборник трудов Международной научно-практической конференции «Современные направления теоретических и прикладных исследований '2007». — Одесса: Черноморье, 2007, с. 7-11.

6. Никонов В.В. Современные методы и технологии мониторинга воздушной среды атмосферы. Сборник трудов Международной научно-практической конференции «Современные проблемы и пути их решения в науке, транспорте, производстве и образовании '2006». Том 6. — Одесса: Черноморье, 2006., с. 17-25.

Авторские свидетельства, патенты, информационные карты и алгоритмы

7. Никонов В.В., Морозова Т.Ю., Прищепо A.B. Свидетельство о государственной регистрации программ для ЭВМ «Программное обеспечение нейросетевого кодирования данных». № 2008614970, 15.10.2008 г.

ЛР № 020418 от 08 октяфя 1997 г.

Подписано к печати 12.05.20J 0 г. Формат 60x84. 1/16.

Объем 1,25 п.л. Тираж 100 экз. Заказ №79.

Московский государственный университет приборостроения и информатики 107996, Москва,ул. Спромынка, 20

ВВЕДЕНИЕ

ГЛАВА 1. ОБЗОР МЕТОДОВ ДИСТАНЦИОННОГО КОНТРОЛЯ

ВОЗДУШНОЙ СРЕДЫ НА НАЛИЧИЕ ВРЕДНЫХ ВЕЩЕСТВ

1.1. Методы, средства и технологии контроля воздушной среды

1.2. Применение интеллектуальных технологий при дистанционном методе контроля воздушной среды

1.3. Постановка задачи создания методики интеллектуальной поддержки принятия решений для идентификации вредных веществ и их концентрации

1.4. Выводы

ГЛАВА 2. РАЗРАБОТКА МОДЕЛИ ИДЕНТИФИКАЦИИ ВРЕДНЫХ ВЕЩЕСТВ В ВОЗДУШНОЙ СРЕДЕ НА ОСНОВЕ ЛОГИЧЕСКОГО ФОРМАЛИЗМА МОДИФИЦИРУЕМЫХ РАССУЖДЕНИЙ

2.1. Продукционная модель представления знаний для решения задачи идентификации вредных веществ в воздушной среде

2.1.1. Архитектура продукционной экспертной системы на основе монотонной логике

2.1.2. Использование аппарата модифицируемых рассуждений для разработки экспертно-информационной системы немонотонного логического вывода

2.2. Формирование правил логического вывода для определения вредных веществ в воздушной среде

2.3. Экспертно-информационная система идентификации вредных веществ в воздушной среде на основе механизма немонотонного логического вывода

2.4. Система поддержки рассуждений в экспертно-информационной системе идентификации вредных веществ в воздушной среде

2.5. Управление дедуктивной совместимостью фактов в системе поддержки рассуждений

2.6. Выводы

ГЛАВА 3. МЕТОД РЕШЕНИЯ ЗАДАЧИ ОПРЕДЕЛЕНИЯ КОНЦЕНТРАЦИИ ВРЕДНЫХ ВЕЩЕСТВ В ВОЗДУШНОЙ СРЕДЕ НА ОСНОВЕ АППАРАТА ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ

3.1. Теоретическое обоснование решения задачи определения концентрации вредных веществ в воздушной среде на основе аппарата искусственных нейронных сетей

3.2. Построение алгоритма решения задачи определения концентрации вредных веществ в воздушной среде на основе нейросетевого аппарата

3.3. Синтез структуры нейронной сети для решения задачи определения концентрации вредных веществ в воздушной среде

3.4. Обучение нейронной сети для решения задачи определения концентрации вредных веществ в воздушной среде

3.4.1. Методы и алгоритмы обучения нейронных сетей

3.4.2. Алгоритм обучения нейронной сети для решения задачи определения концентрации вредных веществ в воздушной среде

3.5. Апробирование нейронной сети для определения концентрации вредных веществ в воздушной среде.

3.6. Выводы

ГЛАВА 4. ИНФОРМАЦИОННО-ВЫЧИСЛИТЕЛЬНЫЙ КОМПЛЕКС ДЛЯ ПРИНЯТИЯ РЕШЕНИЙ О НАЛИЧИИ ВРЕДНЫХ ВЕЩЕСТВ И ИХ КОНЦЕНТРАЦИИ В СИСТЕМАХ МОНИТОРИНГА ВОЗДУШНОЙ СРЕДЫ

4.1. Основные задачи, реализуемые информационно-вычислительным комплексом для принятия решений о наличии вредных веществ и их концентрации в воздушной среде

4.2. Описание архитектуры информационно-вычислительного комплекса для принятия решений о наличии вредных веществ и их концентрации в воздушной среде

4.3. Программное обеспечение информационно-вычислительного комплекса для принятия решений о наличии вредных веществ и их концентрации в воздушной среде

4.4. Оценка алгоритмического обеспечения информационно-вычислительного комплекса для принятия решений о наличии вредных веществ и их концентрации в воздушной среде

4.5. Методика идентификации вредных веществ и их концентрации на основе данных, полученных с систем дистанционного лазерного РЖ зондирования

4.6. Выводы

Актуальность работы. Быстрое развитие методов и программных средств контроля параметров воздушной среды вызвано возросшей необходимостью наблюдения за экологическим состоянием атмосферы. Для предупреждения экологических катастроф и обеспечения безопасности людей в производственной зоне предприятий необходим постоянный контроль за уровнем содержания загрязняющих веществ в воздушной среде.

Федеральный закон «Об охране окружающей среды» № 7-ФЗ от 10.01.2002 г., закон г. Москвы «Об экологическом мониторинге в г. Москве» № 65 от 20.10.2004 г. определяют необходимость разработки методов и средств контроля процессов, происходящих в окружающей среде, в том числе и под влиянием антропогенных факторов.

Эффективным методом исследования воздушной среды атмосферы является метод лазерного инфракрасного (ИК) зондирования. Данный метод позволяет на основе принципов поглощения и рассеивания электромагнитного излучения получать данные о наличии и концентрации вредных веществ, что позволяет выявлять причины, механизмы, тенденции развития процессов, происходящих в атмосфере. Изучением обработки информации, полученной от систем лазерного зондирования воздушной среды занимаются такие отечественные ученые как: P.P. Агишев, В.Е. Зуев, B.C. Портасов, И.Д. Миценко, Г.Г. Ванеев, Е.С. Селезнева и др. Существующие в настоящее время методы и модели предназначены для изучения различных газов, температуры, давления, скорости, а также других параметров атмосферы. Эти методы трудоемки и требуют высокой квалификации персонала. Экспертные процедуры, в данном случае, строятся на определении наличия только одного вредного вещества. Поэтому возникает необходимость в разработке информационно-вычислительного комплекса для анализа данных, полученных от лазерных систем дистанционного зондирования воздушного бассейна атмосферы, который позволяет определять одновременно несколько вредных веществ и их концентрацию в режиме реального времени без участия эксперта.

Таким образом, задача разработки метода, алгоритма и соответствующего информационно-вычислительного комплекса интеллектуальной поддержки принятия решений для определения вредных веществ в воздушной среде и их концентрации является своевременной и актуальной.

Цели и задачи. Целью работы является создание математических и информационных моделей интеллектуальной поддержки принятия решений определения вредных веществ и их концентрации.

Для достижения поставленной цели в диссертации решены следующие основные задачи.

1. Проведен анализ современных моделей, методов и алгоритмов обработки и автоматизированной идентификации сигналов для систем экологического контроля (мониторинга) окружающей среды с использованием лазерного ИК зондирования. Выявлены основные задачи и осуществлен выбор путей их решения.

2. Разработана методика интеллектуальной поддержки принятия решений определения вредных веществ и их концентрации на основе механизма немонотонного логического вывода и нейросетевых технологий.

3. Предложена модель принятия решений о наличии вредных веществ в воздухе атмосферы и разработан алгоритм реализации данной модели на основе использования логического формализма модифицируемых рассуждений.

4. Разработан метод определения концентрации вредных веществ в атмосфере на основе нейросетевых технологий с помощью специального представления спектра поглощения ИК излучения, полученного с лазерных систем дистанционного зондирования воздушного бассейна атмосферы.

5. Разработана архитектура и осуществлена программная реализация информационно-вычислительного комплекса для определения вредных веществ и их концентрации в воздушной среде с использованием лазерного ИК зондирования.

Методы исследования. Для решения поставленных задач в ходе диссертационного исследования использовались методы логического вывода, методы оптимизации, математического моделирования, искусственных нейронных сетей, технологии разработки алгоритмов и программного обеспечения, объектно-ориентированного программирования.

Научная новизна работы заключается в следующем:

1. Разработаны модели интеллектуальной поддержки принятия решений на основе механизма немонотонного логического вывода и нейросетевых технологий.

2. Предложен алгоритм создания правил логического вывода, необходимых для принятия решений о наличии вредных веществ в воздушной среде на основе использования формального концептуального анализа. Это позволило автоматизировать процесс создания правил логического вывода и снизить нагрузку на эксперта.

3. Разработан метод определения концентрации вредных веществ в воздушной среде на основе аппарата искусственных нейронных сетей. ' Предложен алгоритм редукции нейронной сети, основанный на конкуренции синаптических связей между собой, что позволило сократить затраты памяти ЭВМ.

4. Создана методика интеллектуальной поддержки принятия решений для определения вредных веществ и их концентрации в воздушной среде на основе данных, полученных с систем лазерного ИК зондирования.

5. Разработана структура экспертно-информационной системы поддержки принятия решений для определения состава вредных веществ в окружающей среде на основе использования логического формализма модифицируемых рассуждений, позволяющая осуществлять логический вывод, построенный на информации, полученной в ходе экологического контроля.

6. Разработан информационно-вычислительный комплекс определения вредных веществ и их концентрации в воздушной среде на основе данных, полученных с систем лазерного ИК зондирования.

Практическая значимость и реализация результатов работы

Разработана архитектура информационно-вычислительного комплекса и осуществлена его программная реализация. Комплекс предназначен для определения наличия вредных веществ и их концентрации в воздушной среде с использованием данных, полученных от систем лазерного ИК зондирования. Данный информационно-вычислительный комплекс может быть использован в системах экологического мониторинга и контроля объектов специального назначения. Разработанный информационно-вычислительный комплекс внедрен в ООО КБ «ЭлектронСистема».

Основные результаты, полученные в ходе выполнения диссертационного исследования: алгоритм создания правил логического вывода на основе формального концептуального анализа, экспертно-информационная система на основе механизма немонотонного логического вывода и нейросетевая модель определения концентрации вредных веществ использованы в учебном процессе при подготовке специалистов по ГОСВПО 230102 на кафедре «Автоматизированные системы управления и информационные технологии» ГОУ ВПО «Московский государственный университет приборостроения информатики».

Апробация работы. Наиболее важные результаты докладывались на международной конференции «Перспективные инновации в науке, образовании, производстве и транспорте» (Украина, г. Одесса, 2006 г.), международной конференции «Современные направления теоретических и прикладных исследований» (Украина, г. Одесса, 2007—2008 гг.), четвертой международной конференции — выставке «Экологические системы, приборы и чистые технологии» (г. Москва, 2010 г.), пятой международной конференции - выставке «Промышленные АСУ и контроллеры 2010: от А до Я» (г. Москва, 2010 г.).

Основные положения и результаты работы докладывались и обсуждались на кафедре «Автоматизированные системы управления и информационные технологии» ГОУ ВПО «Московский государственный университет приборостроения и информатики».

Публикации. По теме диссертации опубликовано 6 научных работ, в том числе, 3 в журналах, рекомендованных ВАК РФ, получено свидетельство о государственной регистрации программ для ЭВМ в Федеральной службе по собственности, патентам и товарным знакам (РОСПАТЕНТ) № 2008614970, 15.10.2008 г.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка литературы и 4-х приложений.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

1. Проведен анализ современных моделей, методов и алгоритмов обработки и автоматизированной идентификации сигналов для систем экологического контроля (мониторинга) окружающей среды с использованием лазерного ИК зондирования. Выявлены основные задачи и осуществлен выбор путей их решения.

2. Разработана методика интеллектуальной поддержки принятия решений определения вредных веществ и их концентрации на основе механизма немонотонного логического вывода и нейросетевых технологий.

3. Предложена модель принятия решений о наличии вредных веществ в воздухе атмосферы и разработан алгоритм реализации данной модели на основе использования логического формализма модифицируемых рассуждений.

4. Разработан метод определения концентрации вредных веществ в атмосфере на основе нейросетевых технологий с помощью специального представления спектра поглощения ИК излучения, полученных с лазерных систем дистанционного зондирования воздушного бассейна атмосферы.

5. Разработана архитектура и осуществлена программная реализация информационно-вычислительного комплекса для определения вредных веществ и их концентрации в воздушной среде с использованием лазерного ИК зондирования.

ЗАКЛЮЧЕНИЕ

В результате проведенной работы была разработана методика и информационно-вычислительный комплекс интеллектуальной поддержки принятия решений на основе немонотонного логического вывода и нейросетевых технологий. Разработана и реализована модель экспертно-информационной системы для определения вредных веществ в воздушном бассейне атмосферы средствами лазерного зондирования на основе использования графического представления фактов и правил вывода заключений из фактов, а также добавления/удаления из базы знаний правил вывода, на основе полученной дополнительной информации в ходе мониторинга воздушного бассейна атмосферы.

Разработан метод для определения концентрации вредных веществ на основе искусственных нейронных сетей. Предложен алгоритм решения задачи количественного анализа вредных веществ в воздушной среде на основе нейросетевого аппарата.

Для решения задачи установления концентрации вредных веществ по данных ИК спектра поглощения спроектирована многослойная полносвязная нейронная сеть.

Разработан информационно-вычислительный комплекс на основе полученных в диссертации теоретических результатов, который предназначен для автоматизации принятия решения о наличии вредных веществ в атмосфере. Программный комплекс позволяет автоматизировать выполнение различных этапов мониторинга: представление данных, идентификация вредных веществ в окружающей среде с использованием логического формализма модифицированных рассуждений, определения концентрации вредных веществ с помощью искусственных нейронных сетей, принятие решения о наличии вредных веществ в воздушном бассейне атмосферы, подсистема обучения и настройки нейронной сети, подсистема визуализации результатов, диспетчер приложений.

1. Никонов В.В. Построение модели экспертно-информационной системы на основе логического формализма в задачах экологического мониторинга // Приборы и системы. Управление. Контроль. Диагностика, 2010. №4, с. 9-14.

2. Никонов В.В. Использование нейросетевых технологий для определения количественного состава вредных веществ в воздушном бассейне атмосферы по данным ИК спектрометрии // Экологические системы и приборы № 5, 2010. с. 16-19.

3. Никонов В.В. Интеллектуализация автоматизированных систем обработки данных с систем лазерного дистанционного зондирования воздушного бассейна атмосферы. // Промышленные АСУ и контроллеры. 2010. №4, с. 33-37.

4. Никонов В.В. Принципы построения промышленных автоматизированных систем обработки сигналов лидарных систем для дистанционного зондирования атмосферы. // Промышленные АСУ и контроллеры, 2010. № 3, с. 7-8.

5. Козинцев В.И., Белов М.Л., Городничев В.А., Федотов Ю.В. Лазерный оптико-акустический анализ многокомпонентных газовых смесей. М.: Изд-во МГТУ им. Н.Э. Баумана, 2003. - 352 с.

6. Козинцев В. И., Орлов В. М., Белков М. Л. Оптико-электронные системы экологического мониторинга природной среды. М.: Изд-во МГТУ им. Н. Э. Баумана, 2002. — 527с.

7. Агишев P.P. Лидарный мониторинг атмосферы. — М.:ФИЗМАТЛИТ, 2009. — 316 с.

8. В.Е. Зуев, В.В. Зуев Дистанционное оптическое зондирование атмосферы. — СПб.: Гидрометеоиздат, 1992. — 232с.

9. Ганшин В.М., Чебышев A.B., Фесенко A.B. Комплексные системы мониторинга токсикологической и экологической безопасности. -ОАО ХК «Электрозавод», Спецтехника 2000г.

10. Янсон Э.Ю. Теоретические основы аналитической химии. М.: Высш.шк., 1987

11. Володысо A.B., Ерофеев А.Н, Юдин В.И. Обработка методами нейронной технологии информационных сигналов лазерных оптико-акустических датчиков / / Лазерные системы и их применение: сб. науч. тр. -М.: МНТОРЭС им. A.C. Попова, 2004. С. 34-36.

12. Справочник по физико-химическим методам исследования объектов окружающей среды / Под ред. Г.И. Арановича Л.: Судостроение, 1979.

13. Schoeneburg Е., Heinmann F., Feddersen S. Genetische Algorithmen und Evolutionsstrategien: Eine Einfuerang in Theorie und Praxis der simulierten Evolution. Bonn; Paris; Reading; Mass, u.a.: Addison-Wesley, 1994.

14. Спектроскопические методы зондирования атмосферы /Под ред. И.В. Самохвалова. -Новосибирск: Наука, 1985.

15. Межерис Р. Лазерное дистанционное зодирование. М.: Мир,1987.

16. Обработка лидарного сигнала при многокомпонентном газоанализе атмосферы / М.Л. Белов, В.А. Городничев, В.И. Козинцев и др. / / Вестник МГТУ. Сер. Приборостроение . 1996. №. 3. с. 117-125.

17. Кунце У., Шведт Г. Основы качественного и количественного анализа / Пер. с нем. М.: Мир, 1997.

18. Айвазов Б.В. Введение в газовую хроматографию. М.: Высш.шк., 1983.

19. Белявская Т.А., Болыпова Т.А. Брыкина Г.Д. Хроматография неорганических веществ. М.: Высш.шк., 1986.

20. Юинг Г. Инструментальные методы химического анализа: Пер. с англ. -М. : Мир, 1989.

21. Жаров В.П., Летохов B.C. Лазерная оптико-акустическая спектроскопия. М.: Наука, 1984,

22. Пономарев Ю.Н. Лазерная оптико-акустическая спектроскопия атмосферы// Оптика атмосферы и океана. 1995. Т.8.№ 1-2. Ч. 224-241.

23. Герцберг Г. Электронные спектры и строение многоатомных молекул. -М. : Мир, 1969.

24. Региональный мониторинг атмосферы. Природно-климатические изменения: Коллективная монография / Под общей редакщ1ей М.В. Кабанова. -Томск: МГП «РАСКО»,2000.-Ч.4.-270с.

25. Лазерный контроль атмосферы /под ред. Хинкли Э.Д., Зуева В.Е. М.: Мир, 1979.-416 с.

26. Тихонов А.Н., Арсении В.Я. Методы решения некорректных задач. Учеб. пособие для вузов. Изд. 3-е, испр. М,: Наука. Гл. ред. Физ.-мат. лит., 1986. -288 с.

27. Лазерный контроль атмосферы / Под ред. Э. Д. Хинкли. М.: Мир, 1979.

28. Спектроскопические методы зондирования атмосферы / Под ред. И.В. Самохвалова. — Новосибирск: Наука, 1985.

29. Катаев М.Ю., Мицель А.А. Идентификация состава газовой смеси по спектрам поглощения // Автометрия. 1985. № 4. С. 15-20.

30. Косов, В.И. Экологический мониторинг. Полевые и лабораторные методы экологических исследований: учебн. пособие. Текст./ В.И. Косов, В.Н. Иванов, Г.Н. Иванов Тверь.: Изд-во Гос. техн. ун-та, 1996. -107 с.

31. Методы и приборы экологического мониторинга: учебн. пособие. Текст./ Б.И. Герасимов и [др.] Тамбов, 1996. - 11 с.

32. Донченко, В.К. Актуальные проблемы изучения техногенного загрязнения окружающей среды. Текст./ В.К. Донченко // Экологическая безопасность. Методологические проблемы экологической безопасности. 2007.-№ 1-2(17-18).

33. Замышляев, Б.В. О создании системы глобального мониторинга экологически опасных объектов и регионов. Текст./ Б.В. Замышляев // Научные проблемы национальной безопасности РФ. 1998. - №2.

34. Cichocki, A. Adaptive blind signal processing neural network approaches/ A. Cichocki, S. Amari// Proceeding of IEEE. - 1998. - Vol. 86. P. 421-427.

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

36. Гаврилова T.A., Хорошевский В.Ф. Базы знаний интеллектуальных систем. -С.Пб.:Питер, 2000. -384 с.

37. Джексон П. Экспертные системы. -М.: Вильяме, 2001. -624 с.

38. Головко В. А. Нейронные сети: обучение, организация и применение. Кн. 4: учебное пособие для вузов. М.: ИПРЖР, 2001. - 256 с.

39. Хехт-Нильсен, Р. Нейрокомпьютинг: история, состояние, перспективы. / Р. Хехт-Нильсен // Открытые системы. 1998. - №4.

40. Осипов Г.С. Динамические интеллектуальные системы. Текст./ Г.С. Осипов. // Искусственный интеллект и принятие решений. 2008. - № 1.- С. 47-54.

41. Хехт-Нильсен, Р. Нейрокомпьютинг: история, состояние, перспективы. Текст./ Р. Хехт-Нильсен // Открытые системы. 1998. - №4.

42. Уоссермен, Ф. Нейрокомпьютерная техника. Текст./ Ф. Уоссермен. М.: Из-во «Мир», 1992. - 240 с.

43. Оссовский, С. Нейронные сети для обработки и информации. Текст./ С. Оссовский; пер. с польск. И.Д. Руденского. М.: Финансы и статистика, 2004. - 344 с. - ISBN 5-279-02567-4.

44. Поспелов, Д.А. Десять «горячих точек» в исследованиях по искусственному интеллекту. Текст./ Д.А. Поспелов // Интеллектуальные системы (МГУ). 1996. - Т.1. - Вып.1- 4. - С. 47-56.

45. Осипов Г.С. Динамические интеллектуальные системы. Текст./ Г.С. Осипов. // Искусственный интеллект и принятие решений. 2008. - № 1.- С. 47-54.

46. Hopfield, J. Neural computations of decisions in optimization problems / J. Hopfield, D. Tank 11 Biological Cybernetics. — 1985. Vol. 52. - P. 141-152.

47. Вагин B.H., Головина Е.Ю, Загорянская А.А., Достоверный и правдоподобный вывод в интеллектуальных системах. — М.: ФИЗМАТ ЛИТ, 2004. 704 с.

48. Хайкин С. Нейронные сети: полный курс, 2-е изд.: Пер. с анг. — М.: ООО» И.Д. Вильяме», 2006.

49. Комашинский В.И., Смирнов Д.А. Нейронные сети и их применение в системах управления и связи. —. М,: Горячая линия-Телеком, 2003.

50. Kasabov, N. Foundations of neural networks, fuzzy systems and knowledge enegineering/ N. Kasabov. London: Bradford Book MIT Press, 1996. -236 p.

51. Martinetz, M. «Neural-gas» network for vector quantization and its application to time series prediction/ M. Martinetz, S. Berkovich, K. Schulten // Trans. Neural Networks. 1993. - Vol. 4. - P. 558-569.

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

53. Медведев, А.И. Алгоритм обучения однослойного персептрона для задач контроля и диагностики состояния радиоэлектронной аппаратуры. Текст./ А.И. Медведев // Приборы и системы. Управление, контроль, диагностика. 2008 - № 9. - С. 50-52.

54. Ивченко, В. Д. Применение нейросетевых технологий в различных областях науки и техники. Текст./ В.Д. Ивченко, С.С. Кананадзе//

55. Приборы и системы. Управление, контроль, диагностика. 2005. - № 6. - С. 28-29.

56. Иващук, О. А. Интеллектуальные технологии в системах регионального мониторинга экологической безопасности автотранспорта. Текст./ О.А. Иващук // Автомобильная промышленность. 2009. - № 1. -С. 38-40.

57. Люгер Джордж Ф. Искусственный интеллект: стратегии и методы решения сложных проблем, 4-е издание.: Пер. с англ. — М.: Издательский дом «Вильяме», 2005. 864 с.

58. Частиков А.П., Гаврилова Т.А., Белов Д.Л. Разработка экспертных систем. Среда CLIPS. СПб.: БХВ-Петербург, 2003. - 608 с.

59. Чулюков В.А., Астахова И.Ф., Потапов А.С. Системы искусственного интеллекта. Практический курс: учебное пособие. М.: БИНОМ. Лаборатория знаний, 2008. - 292 с.

60. Оськин П. В. Непротиворечивость в системах принятия решений. //Тезисы докладов Девятой Международной научно-технической конференции студентов и аспирантов "Радиоэлектроника, электротехника и энергетика". М.: МЭИ, 2003. - Т.1. - С.301-302.

61. Городецкий В. К, Тулупьев А.Л. Формирование непротиворечивых баз знаний с неопределенностью. //Известия Академии Паук. Теория и системы управления, 1997.-№5.-С. 127-134.

62. Forbus K.D., de Kleer J. Building Problem Solver. The MIT Press, Cambridge, Massachusetts, London, England, 1993.

63. Doyle J. A Truth Maintenance System. //Artificial Intelligence, 1979. -Vol. 12.-P. 231-272.

64. McAllester D. A Three-valued Truth Maintenance System. /S.B. Thesis, Department of Electrical Engineering. MIT, Cambridge, MA, 1978.

65. McAllester D. An Outlook on Truth Maintenance. Artificial Intelligence Laboratory, AIM-551, MIT, Cambridge, MA, 1980.

66. McAllester D. Truth Maintenance. //Proceedings of AAAI-90, 1990. -P. 1109-1116.

67. Reiter R. A Logic for Default Reasoning. //Artificial Intelligence, 1980. Vol.13.-P. 81-132.

68. Биркгоф Г. Теория решеток.-М.: Наука, 1984, 337 с.

69. Джейн А.К., Мао Ж., Моиуддин К.М. Введение в искусственные нейронные сети.// Открытые системы. 1997. №4. С. 16 24.

70. Ульянов М.В. Классификация и методы сравнительного анализа вычислительных алгоритмов / М.В. Ульянов. М.: Издательство Физико-математической литературы, 2004. - 212с.

71. Ganter В., Wille R. Formale concept analysis: mathematical foundatioun.-Springer Verlag, New York, 1997, 93 c.

72. Чубукова И.A. Data Mining: Учебное пособие. — М.: Интернет-Университет Информационных Технологий; БИНОМ. Лаборатория знаний, 2006. — 382 с.

73. Барсегян А.А. Технологии анализа данных: Data Mining, Visual Mining, Text mining, OLAP. —2-е изд., перераб. и доп. — СПб.: БХВ-Петербург, 2007. -384 с.

74. В. Ganter, R. Wille. Applied lattice theory: Formal Concept Analysis. URL: http://www.math.tu-dresden.de/~ganter/concept.ps

75. Тейз А., Грибомон Т. и др. Логический подход к искусственному интеллекту: от классической логики к логическому программированию.-М.: Мир, 1990.-432 с.

76. Ашинянц Р.А. Логические методы в искусственном интеллекте. -М.: МГАПИ, 1996.-209 с.

77. Doyle J. Truth Maintenance Systems // J. of Artificial Intelligence, vol. 12, 1979.

78. Risutova, Z. Analytical model of air pollution due to motor car traffic/ Z. Risutova // Contrib. Geophys. Inst. Slov. Acard. Sci. 1991. - N 11. - P. 99107.

79. Джонс M.T. Программирование искусственного интеллекта в приложениях: Пер. с англ. М.: ДМК Пресс, 2006 - 312 с.

80. Яхъяева Г.Э. Нечеткие множества и нейронные сети: Учебное пособие/ Г,Э. Яхъяева. -М.; Интернет Университет Информационных Технологий; БИНОМ. Лаборатория знаний, 2006, - 316с.

81. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. М.:. Горячая Линия — Телеком, 2001

82. Дубровин В.И., Субботин С.А. Алгоритм ускоренного обучения нерсептронов //Нейроинформатика-2002,2002.

83. FaiTukh Kamran, Harley R.G., Burton В., Habetier T.G., Brooke M.A. A fast on-line neural-network training algorithm for a rectifier regulator / / TITEE Transactions on power electronics, 1998, vol. 13, no. 2.

84. Рутковская Д., Пилиньский M., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы: Пер. с польск. И.Д. Рудинского. М.: Горячая линия ТЕЛЕКОМ, 2006 - 452 с.

85. Бабкин, Э.А. Принципы и алгоритмы искусственного интеллекта: Монография / Э.А. Бабкин, O.P. Козырев, И.В. Куркина. Н. Новгород: Нижегород. гос. техн. ун-т. 2006. 132 с.

86. Джейн А.К., Мао Ж., Моиуддин K.M. Введение в искусственные нейронные сети.// Открытые системы. 1997. №4. С. 16 24.

87. Морозова Т.Ю., Клюха A.A. Об одном методе анализа данных в задаче психологической диагностики.// Информационно-управляющие системы, 2007. №5. С. 42-44.

88. Морозова Т.Ю., Бурлаченко Т.Б. Модель нейрона, находящегося под действием шума. Вестник МГУПИ, №9. М.: Вестник МГУПИ, 2007. С. 45-50.

89. Mueller D., Hammerstrom D. A Neural Network Systems Component/ЛЕЕЕ Int. conf. neural networks. San. Francisco, Calif. 1993, v. 3, pp. 1258 -1264.

90. Ашинянц P.A. Стратегии логических методов обучения и концептуальной классификации / P.A. Ашинянц // Информационные технологии в проектировании и производстве. Москва, 1997. - №3. - С. 2240.

91. Крылов Е.В. Техника разработки программ: в 2-х кн. / Е.В. Крылов, В.А.Острейковский, Н.Г. Типикин. — М.: Высшая школа, 2007. -Кн.1. — 375с.

92. Левитин А. В. Алгоритмы. Введение в разработку и анализ / А.В.Левитин. -М.: Вильяме, 2006. 576с.

93. Маркова H.A. Качество программы и его измерения / H.A. Маркова // Системы и средства информатики. М.: Наука, 2002. - Вып. 12.

94. Попов Э.В. Экспертные системы: решение неформализованных задач в диалоге с ЭВМ / Э.В. Попов. М.: Наука, 1987.

95. Ульянов М.В. Классификация и методы сравнительного анализа вычислительных алгоритмов / М.В. Ульянов. М.: Издательство Физико-математической литературы, 2004. - 212с.

96. Финн В.К. Интеллектуальные системы: проблемы их развития и социальные последствия / В.К. Финн // Будущее искусственного интеллекта. -М.: Наука, 1991.-С. 157-177.

97. Michalski R., Stepp R. Learning from observation: conceptual clastering // An Artificial Intelligence Approach, vol. 1, Springer-Verlag, Berlin, pp.331-64, 1984.