автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.18, диссертация на тему:Методы, модели, алгоритмы, инструментальные средства построения имитационно-лингвистических систем

На правах рукописи

Ходашинский Илья Александрович

Методы, модели, алгоритмы, инструментальные средства построения имитационно-лингвистических систем

Специальность 05.13.18 - Математическое моделирование, численные методы и комплексы программ

АВТОРЕФЕРАТ

диссертации на соискание ученой степени доктора технических наук

Томск 2004

Работа выполнение в Томском государственном университете систем управления и радиоэлектроники (ТУСУР)

Научный консультант -

доктор технических наук профессор Ехлаков Юрий Поликарпович

Официальные оппоненты:

доктор технических наук профессор Массель Людмила Васильевна

доктор технических наук профессор Ямпольский Владимир Захарович

доктор технических наук профессор Янковская Анна Ефимовна

Ведущая организация

Институт математики СО РАН, г. Новосибирск

Защита состоится «16» декабря 2004 г. в 1515 часов на заседании диссертационного совета Д 212.268.02 Томского государственного университета систем управления и радиоэлектроники по адресу: 634034, г. Томск, ул. Белинского, 53, НИИ АЭМ при ТУСУР

С диссертацией можно ознакомиться в библиотеке ТУСУР по адресу: 634045, г. Томск, ул. Вершинина, 74

Автореферат разослан « 5 » ноября 2004 г.

Ученый секретарь диссертационного совета Д 212.268.02 д.т.н.

Клименко А.Я.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность работы. На рубеже 90-х годов двадцатого века стало возможным говорить о формировании единого мирового информационного пространства и о зарождении информационного общества, основанного на знаниях и информационных технологиях. В это же время родился новый тип экономики, в которой основу составляют производство, распределение и использование знаний. Знание в этой экономике рассматривается как информационный продукт и выступает в роли нового нематериального богатства. Актуальными являются задачи разработки новых технологий получения, распределения и использования знаний. Знания рассматриваются как конечный результат научного познания, которое осуществляется на основе интеграции неформальных и формальных, качественных и количественных методов, интеллекта человека и возможностей компьютера. Несмотря на то, что идея совместного использования данных количественных и качественного характера высказывалась еще в 70-е годы в ситуационном управлении Д.А. Поспеловым и его учениками, а в моделировании систем Н.П. Бусленко, проблема эта далека от своего решения. Актуальными являются задачи разработки методов и средств решения слабо структурированных проблем, к которым относятся задачи, решаемые с помощью эвристических и аналитических методов и моделей. Разработке указанной методологии посвящены работы следующих отечественных и зарубежных ученых: В.Н. Вагина, Т.А. Гавриловой, В.В. Емельянова, А.П. Еремеева, А.С. Клещева, Е.С. Кузина, О.П. Кузнецова, О.И. Ларичева, Г.С. Осипова, Д.А. Поспелова, Г. Саймона, В.Л. Стефанюка, В.К. Финна, И.Б. Фоминых, В.Г. Хорошевского, А.И. Эрлиха, С. Осуга, Ю. Саки и др.

К слабоструктурированным относятся проблемы исследования предметных областей, в основе описания которых лежат понятие величины, где под величиной понимается изменяющееся свойство объекта, измеренное в шкалах сильнее номинальной. Методологической основой для решения слабо структурированных проблем является утилитарная концепция измерения, которую разработали С.С. Гончаров, Ю.Л. Ершов, К.Ф. Самохвалов. Предложенный Е.Е. Витяевым подход к созданию формальной теории предметных областей, в основе описания которых лежат понятие величины, опирается на методы конструктивной логики, однако здесь отсутствуют средства учета нечетких данных и не рассматриваются средства имитации, что затрудняет моделирование сложных предметных областей. В настоящем диссертационном исследовании устраняется этот недостаток.

Управление знаниями требует создания интерфейсов, обеспечивающих массовое применение компьютеров. В условиях отсутствия единой теории языкового общения, необходимо организовать взаимодействие на естественном языке, ограниченном семантикой и прагматикой исследуемой предметной области. Проблемам общения посвящено достаточно большое количество работ, над решением этой проблемы раб енные

и зарубежные ученые: ЮД. Апресян, А.П. Ершов, У. Вудс, А.С. Нариньяни, Э.В. Попов, Ч. Филмор, Р. Шенк. Актуальной в связи с изложенным является организация коммуникативного взаимодействия пользователя с компьютерной системой.

Цель работы — разработка методологических основ и программно-инструментальных средств создания имитационно-лингвистических систем. Для достижения указанной цели необходимо решить следующие задачи:

• разработать методы и приемы совместного использования информации количественного и качественного характера;

• разработать методы и приемы оценивания величин;

• разработать приемы структурной и параметрической идентификации нечетких систем оценивания величин;

• разработать модели и алгоритмы взаимодействия пользователя с имитационно-лингвистической системой, основываясь на гипотезе о «компьютерной речи».

Методы исследования. Для достижения поставленных целей использованы аппарат теории нечетких множеств, математической логики, формальных грамматик, методы искусственного интеллекта, экспертных оценок, математической статистики.

Научная новизна. Развита методология построения имитационно-лингвистических систем, предназначенных для изучения свойств объектов исследуемых предметных областей, в основе описания которых лежит понятие величины. В рамках указанной методологии получены следующие научные результаты:

1) разработаны и исследованы методы оценивания величин: методы, основанные на псевдофизической логике оценок величин, методы, основанные на нечеткой арифметике и нечеткой логике, методы на основе алгебраических свойств отношений между величинами;

2) разработаны и исследованы предикатно-грамматические модели зависимостей «структура-свойство» для автоматизации анализа и обработки структурной химической информации;

3) предложена обобщенная модель обработки запроса в имитационно-лингвистической системе, состоящая из четырех частных моделей: модели лексики языка, модели грамматики языка запросов, моделей лексической и синтаксической адаптации системы к запросам пользователя;

Практическая ценность работы заключается в разработке следующих средств:

• методик, алгоритмов и программ, реализующих методы представления и переработки информации качественного характера в имитационно-лингвистических системах;

• адаптивных алгоритмов лексического и синтаксического анализа запросов пользователя, позволяющие учитывать профессиональную подготовку пользователя и исправлять орфографические ошибки;

• программно-инструментальных комплексов построения и исследования имитационно-лингвистических систем, позволяющих настраивать систему на исследуемую предметную область и логику пользователя. Обоснованность предложенных методов подтверждена использованием их для решения практических задач. Основные результаты диссертационной работы используются в отделе информационных технологий ФГУП «НПЦ «Полюс» в виде методик совместного использования информации количественного и качественного характера, а также в виде алгоритмов оценивания величин при моделировании систем преобразовательной техники и электромеханики. Разработанные методы и средства обработки данных количественного и неколичественного характера используются в Томском НИИ курортологии и физиотерапии при разработке моделей назначения больным различных нозологии интенсивных курсов лечения и для выявления и оценки параметров биоритмов. В Институте химии нефти СО РАН разработанные имитационно-лингвистические модели прогнозирования свойств химических соединений использованы в научно-исследовательской работе при выполнении нескольких бюджетных и хоздоговорных НИР. Программно-инструментальные средства проектирования тренажеров и программный комплекс моделирования зависимостей «структура-свойство» применяются в решении производственных задач на Томской ТЭЦ-3 ОАО ТОМСКЭНЕРГО, здесь же внедрены методы и средства обработки неколичественной информации в постоперативном контроле работы ТЭЦ-3, когда программно-информационный комплекс используется в деятельности инженерного персонала цеха наладки и испытаний оборудования ТЭЦ-3 для проведения плановых и экспресс испытаний, а также планирования ремонтов оборудования. Программно-инструментальные средства выбора оптимального состава работающего оборудования тепловой сети вошли в итоговый отчет госбюджетной работы 1.2.01 «Исследование алгоритмов моделирования функционирования территориально-распределенных инженерных сетей», выполненной в ТУСУР.

Часть программно-инструментальных средств передана в отраслевой фонд алгоритмов и программ Министерства образования Российской федерации (свидетельства регистрации 3747, 3748, номера государственной регистрации 50200400971, 50200400972). Теория построения имитационно-лингвистических систем положена в основу учебного курса «Методы искусственного интеллекта», читаемого автором в ТУСУРе для студентов специальности 220200.

На защиту выносятся следующие основные положения:

1. Методы и приемы оценивания величин на основе псевдофизической логики оценок величин, нечеткой арифметики, нечеткой логики, алгебраических свойств отношений между величинами.

2. Формализованное описание предметной области на основе семантической сети специального вида, где в качестве первичной сущности выступает понятие величины.

3. Предикатно-грамматические модели зависимостей «структура-свойство» для автоматизации анализа и обработки структурной химической информации.

4. Модели и алгоритмы взаимодействия пользователя с имитационно-лингвистической системой.

Апробация работы. Основные результаты диссертационной работ были доложены на 27 международных, всесоюзных, всероссийских, региональных конференциях и школах. В том числе на секциях кибернетики 36-й и 37-й Всесоюзных научной сессии, посвященной Дню радио (Москва, 1981, 1983), на VI Всесоюзном симпозиуме по ситуационному управлению большими системами (Одесса, 1981), на Научно-техническом семинаре «Ситуационное управление и семиотическое моделирование в робототехнике» (Куйбышев, 1982), на Всесоюзной научной конференции «Исследование и разработка прецизионных комплексов и систем с использованием радиоволновых и оптических каналов связи» (Томск, 1983), на Четвертой региональной научно-практической конференции «Молодые ученые и специалисты народному хозяйству» (Томск, 1983), на областной научно-технической конференции посвященной Дню радио «Разработка и исследование радиотехнических систем и устройств» (Томск, 1983), на Всесоюзной научно-технической школе «Диалоговые модульные системы» (Черноголовка, 1984), на Межвузовском Всесоюзном семинаре и координационном совещании по искусственному интеллекту (Саратов, 1984), на Пятой научно-методической конференции «Семиотические модели в управлении» (Новосибирск, 1984), на Всесоюзной конференции «Искусственный интеллект, итоги и перспективы» (Москва, 1985), на Всесоюзной научно-технической школе «Вопросы промышленной эксплуатации информационных ресурсов, экспертные системы» (Москва, 1986), на Всесоюзной научной конференции «Новые информационные технологии в системотехнике» (Одесса, 1988), на VIII Всесоюзной конференции «Использование вычислительных машин в спектроскопии молекул и химических исследованиях» (Новосибирск, 1989), на Международной конференции по химии нефти (Томск, 1991), на Международной конференции «Восток-Запад, Новые информационные технологии в образовании» (Москва, 1992), на Девятой Всесоюзной конференции «Химическая информатика» (Черноголовка 1992), на Международной научно-практической конференции «Технический университет. Проблемы, опыт, перспективы», (Томск, 1994), на IV Всероссийской научно-технической конференции «Тренажеры и компьютеризация профессиональной подготовки» (Москва, 1994), на семинаре-совещании по использованию компьютерных средств при подготовке персонала (Пятигорск, 1995), на Международной научно-методической конференции «Новые информационные технологии в университетском образовании» (Томск, 2000), на XXVIII Международной конференции «Информационные технологии в науке, образовании, телекоммуникации, бизнесе (осенняя сессия)» (Ялта-Гурзуф, 2001), на Научной конференции «Курортология и физиотерапия Сибири в концепции развития здравоохранения и медицинской науки

Российской Федерации» (Томск, 2002), на XIII Международной конференции «Применение новых информационных технологий в образовании» (Троицк, 2002), на Всероссийских конференциях «Математические и информационные технологии в энергетике, экономике, экологии» (Иркутск, 2002, 2003), на Всероссийской конференции «Математические и информационные технологии» (Иркутск, 2004).

Публикации. Результаты диссертационной работы опубликованы в 53 научных работах, в том числе в одной монографии, двух учебных пособия и 12 журналах, рекомендуемых ВАК РФ для опубликования научных результатов диссертаций на соискание ученой степени доктора наук.

СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность диссертационной работы, сформулированы цель и задачи исследования. Определены научные результаты, выносимые на защиту, их научная новизна и практическая ценность, приведены сведения об апробации и внедрении работы. Даны комментарии к тексту каждой главы.

В первой главе рассматриваются методологические вопросы построения имитационно-лингвистических систем.

Получение новых знаний об объекте ведется через изучение базовых свойств и отношений с другими объектами. Основные методы изучения свойств объекта - это измерение или наблюдение, испытание или эксперимент, вычисление, оценивание, рассуждение. Как отмечает Г.И. Рузавин, с помощью наблюдений и эксперимента обнаруживаются внешние, непосредственно наблюдаемые свойства объектов, но для раскрытия глубинных закономерностей необходимо обращение к теории, которая предполагает построение гипотез, абстрактных понятий и моделей.

Решаемые специалистами проблемы и задачи в большинстве своем слабо формализованы. Разрабатываемые компьютерные системы должны быть нацелены на определенный класс или тип решаемых человеком проблем. В работах Г. Саймона, О.И. Ларичева и Э.А. Трахтенгерца приводится следующая классификация таких проблем:

1) хорошо структурированные или количественно сформулированные проблемы;

2) неструктурированные или качественно выраженные проблемы;

3) слабо структурированные или смешанные проблемы.

Имитационно-лингвистические системы призваны решать задачи, обозначенные в третьем классе проблем.

Целью разработки имитационно-лингвистических систем является построение адекватной модели исследуемой предметной области и изучение свойств объектов исследуемой предметной области, а также зависимостей между отдельными объектами. Причем часто функциональной зависимости между характеристиками исследуемых объектов может и не существовать,

или она не известна. Описания свойств и зависимостей даются в терминах определенных измерительных шкал, которые не всегда относятся к категории строгих, чаще шкалы эти бывают размытыми. Решение задачи нахождения описания свойств и зависимостей ведется в условиях неопределенности, неоднозначности, неполноты, нечеткости. Изучение свойств возможно путем проведения натурного эксперимента, измерения, оценивания, моделирования.

Моделирование предметной области возможно с использованием как количественных данных и методов, базирующихся на теории вероятностей, дифференциальном и интегральном исчислениях, так и с использованием качественных методов и данных, основанных на знаниях экспертов, накопленном опыте и эвристиках. В работах автора был предложен новый класс систем, названных имитационно-лингвистическими, в основе которых лежит объединение формальных и эвристических методов.

Система названа имитационной, потому что позволяет имитировать поведение объектов предметной области и определять характеристики этих объектов, имитировать нестрогие человеческие рассуждения о рассматриваемой предметной области, имитировать механизмы поиска решения задач, в частности, процесс эволюции биологической популяции при решении задач оптимизации.

Система названа лингвистической, потому что в условиях неполноты представления знаний о предметной области вербальное описание может быть единственно приемлемым. В этом случае лингвистическая информация, полученная от эксперта, позволяет моделировать слабо структурированную предметную область, причем описание предметной области формализуется в виде эвристик и представлений эксперта. Формализация эвристик возможна методами нечетких множеств, теории возможностей и теории вероятностей, а также путем совместного использования упомянутых методов. При решении некоторых проблем не требуется давать точную оценку параметрам и величинам, описывающим объекты, явления, процессы. В этом случае, качественная или лингвистическая оценка является вполне удовлетворительной при описании исследуемой предметной области. Система названа лингвистической, потому что при ее построении используются методы математической лингвистики. Лингвистическое описание предметной области имеет ряд преимуществ по сравнению с точным числовым описанием: при описании предметной области эксперт не выходит за рамки привычных для него понятий и отношений, что способствует быстрой и качественной разработке прототипа системы; найденные решения адекватны исходным данным, что вызывает большее доверие пользователя. Таким образом, лингвистический компонент позволяет разрабатывать модель предметной области на основе лингвистических правил. Правила задают конкретные ситуации. Получены эти правила могут быть на основе здравого смысла или измерений.

Методологической основой описания предметной области является сочетание алгоритмического подхода и подхода, базирующегося на представле-

нии знаний. Имитационно-лингвистическая система, построенная по упомянутой методологии, предназначена для решения следующих задач: информационного поиска; вычислительных; имитационных; логического и правдоподобного вывода; переработки информации неколичественного характера.

Имитационно-лингвистические системы относятся к классу проблемно-ориентированных гибридных интеллектуальных систем, в которых для решения задач используются как строгие математические методы и модели, так и эвристические методы и логико-лингвистические модели.

Имитационно-лингвистическая модель исследуемой предметной области как основа имитационно-лингвистической системы может быть представлена либо как совокупность программных модулей, либо как некоторая формализованная схема или гибридная модель, в состав которой могут входить помимо имитационной модели эволюционные или предикатно-грамматические модели.

Проведенный в первой главе анализ позволил декомпозировать задачу создания имитационно-лингвистических систем на ряд следующих подзадач:

• разработка средств оценивания величин;

• создание средств сборки моделирующих программных модулей в рамках решения задачи имитационного моделирования:

• определение структуры семантической сети, информация в которой представлена в виде потенциально выводимых знаний в рамках средств оценивания величин;

• разработка модели языка общения;

Во второй главе приведены методы, модели и алгоритмы оценки величин. Базовыми понятиями при построении имитационно-лингвистических систем являются измерение, величина и оценка, поэтому уточняется смысл этих понятий, так как существует смысловая неоднозначность в употреблении данных терминов.

Свойства объектов, явлений, процессов являются предметом измерения. Свойства эти характеризуют индивидуальность объекта, явления, процесса, которая выявляется через отношения с другими объектами, явлениями, процессами. Таким образом, под величинами будем понимать сущности, в которых проявляются измеряемые, вычисляемые или оцениваемые свойства. Характерным признаком величины является изменчивость, причем пределы возможных изменений могут быть определены априори. Оценивание - это приписывание по заданным правилам выбранным свойствам определенных значений.

Важнейшим аспектом получения информации об исследуемой предметной области является оценивание величин или установления формализованных связей между несколькими оцениваемыми величинами. Задача оценивания заключается в нахождении некоторой величины на основе уже имеющихся оценок величин, полученных различными методами и представленных в различных шкалах и разными способами. Решение задачи оценивания пополнит представления системы об исследуемой предметной области. При

разработке имитационно-лингвистических систем возникает сложная проблема, связанная с описанием разнотипных данных об исследуемой предметной области. Описания эти носят как количественный, так и качественный характер. Формы описания указанных данных следующие: 1) таблицы, графики, номограммы; 2) формулы, процедуры; 3) диапазоны изменения; 4) нечеткие числа; 5) характер поведения; 6) отношения сравнения. Представленные здесь описания суть оценки величин. Оценки величин в большинстве своем условны, т.е. истинны при определенных условиях, и, как следствие, приведенные выше описания справедливы, в общем случае, в заданных границах. Однако было бы интересно на основе таких описаний и их сопоставлений делать выводы о значении величин при некоторых других условиях. Задача эта решается путем получения выводов в построенных для этих целей моделях оценок величин.

Оценивание величины включает в себя три компонента, каждый из которых выражает: относительность оценивания, характер оценивания, статику либо динамику измеряемых свойств объекта. В соответствии с этим автор различает следующие типы оценок величин: абсолютные и сравнительные, четкие и нечеткие, статические и динамические оценки величин. Абсолютная оценка характеризует отношение оцениваемой величины к заданному стандарту, образцу, эталону. Сравнительная оценка отражает результат сопоставления нескольких величин (как правило, двух) между собой, подчеркивая степень различия свойств объекта. Сравнительная оценка, таким образом, представляется как бинарное отношение между величинами. Четкая оценка -это результат количественного сопоставления, оценивания, измерения. Нечеткая оценка - это результат формализации нечеткой информации, представленной в виде слов естественного языка, которые эксперт использует для описания изменяющихся свойств объектов исследуемой предметной области. Если оценивается поведение, изменение свойств объекта, то говорим о динамической оценке, если оценивается свойство объекта в статическом состоянии, речь идет о статической оценке. Полная оценка величины включает три составные части. Оценка характеризуется своим типом, единицей измерения и пределами изменения; в нашей работе рассматриваются восемь типов оценок: абсолютная нечеткая статическая (АНС), абсолютная четкая статическая (АЧС), абсолютная нечеткая динамическая (АНД), абсолютная четкая динамическая (АЧД), сравнительная нечеткая статическая (СНС), сравнительная четкая статическая (СЧС), сравнительная нечеткая динамическая (СНД), сравнительная четкая динамическая (СЧД). При рассмотрении динамических оценок учитывается диапазон изменения оцениваемой величины.

В работе предложены и исследованы следующие новые методы оценивания величин: псевдофизическая логика оценок величин, нечеткие системы оценивания, оценивание на основе субъективных вероятностей, нечеткой арифметики и алгебраических свойств величин.

Задача оценивания с использованием псевдофизической логики оценок величин имеет две формулировки:

1) по известным абсолютной нечеткой статической оценке величины А и сравнительной нечеткой статической оценке величин А и В найти абсолютную нечеткую статическую оценку величины В;

2) по известным абсолютной нечеткой статической оценке величины А в начале заданного диапазона изменения, абсолютной нечеткой динамической оценке величины А на указанном диапазоне изменения найти абсолютную нечеткую статическую оценку величины А в конце диапазона,

Суть оценивания здесь заключается в попытке сопоставить две разнотипные шкалы: АНС- и СНС-оценок, а также АНС- и АНД-оценок. Итоговая оценка является АНС-оценкой и определяется сдвигом, задаваемым СНС- или АНД-оценкой, относительно заданной входной АНС-оценки. Значения указанных сдвигов были определены путем проведения серий психометрических экспериментов, на основании которых были сформулированы два правила вывода, используя которые можно получать новые оценки свойств объектов исследуемой предметной области. Разработанная псевдофизическая логика используется в качестве инструмента для пополнения знаний в имитационно-лингвистической системе.

Если при описании предметной области свойства объекта выражаются в виде нечеткого числа («приблизительно N», «около N», «близко к N» и т.д.), то в качестве инструмента для оценивания используется нечеткая арифметика. Нечетким числом общего вида а(а) называется пара функций а.(а), а+(а): ае[0,1], [0,1] -* (-00, а+: [0,1] -» (-<», +«>), удовлетворяющих следующим требованиям:

• а.(а) является ограниченной непрерывной монотонно возрастающей,

• а+(а) - ограниченной непрерывной монотонно убывающей;

• а.(а) <а,(а).

В работе рассмотрены четыре типа наиболее просто описываемых и часто употребляемых нечетких чисел: треугольные, трапециевидные, гауссовы, параболические, и определены операции над ними. Арифметические операции явно заданы без использования принципа обобщения, что позволило упростить построение результирующей функции принадлежности. В рамках заданных операций можно вычислить оценку величины, выраженную в виде функции от аргументов, определенных на нечетких числах.

Рассмотрим методы оценивания величин, имеющие геометрическую интерпретацию и основанные на вычислении расстояния между числами. Задача оценивания сводится к преобразованию нечеткого числа одного типа в нечеткое число другого типа. Выполнить такое преобразование можно, применив наиболее просто вычисляемую метрику, заданную для двух нечетких чисел а и й следующим образом:

i i D(a, ü)= \{a_{a)-uSa)fda + \{a¿a)-u¿a)?da. о о

Используя указанную метрику, произвольное нечеткое число a(a)-[aj(a), а+(а)] можно преобразовать в треугольное нечеткое число, заданное тройкой

(b¡, bo, b¡), в трапециеввдное число, заданное четверкой (u¡, u0i, «<и, u¡), в параболическое число, заданное парой (р, s), в гауссово нечеткое число, заданное парой (цо, Оо). Для этого в метрике вместо й подставляется оценивающее число, находятся частные производные полученной функции по параметрам, определяющим нечеткое число, значения найденных производных приравнивается нулю и решается полученная таким образом система уравнений. Все возможные преобразования из одного типа нечеткого числа в другой приведены в таблице 1.

Таблица 1. Преобразования разнотипных нечетких чисел

Исходное Оценка Оценка Оценка

число

трапециевидное ("I. "OI. "02, U2) треугольное (b,, Ьо. Ь2) b| = ui + 0í5(uoi-u<n) Ьо 0,5(uoi + U02) ba^u2+0,25(u,j2-uoi) параболическое (p.s) P=0,25(UI + II2 + Uoi + U02) S = 0,4(U2-U,) + 0>7( UOJ-UOI) гауссово (й>, <tv) Pa " 0,25(ui + u2 + U01 + Uo2) ffo=0^86(u2-ui)+0,157( U02-U01)

параболическое (p.s) треугольное (Ь|, bo, b2) b, = p-Us bo = p i. _ _ , 1 <*_ U2~ рт l^s трапециевидное (U|, U01, U02, U2) u,= P-1.067S U01= p - 0,267s __i л лгч. u2=p+ l,067s гауссово (/fe, ffo) po=p o0= 0,693s

íayccoeo (Яэ.СГо) треугольное (bi, bo, b2) b¡ = lio- l,719cr0 bo = fío b2 = íio+l,719(To трапециевидное (Ui, Uoi, Un, U2) U|= fio- l,665<r0 Uo, = Й)-0,108(7о Ц>2= 0,108ff„ U2= Й> + 1,665<r0 параболическое (p, s) p- s = U86ff0

треугольное (b,, Ьо, b2) трапециевидное (U|, U01, U02, u2) u,= b, Uoi = bo Uo2—bo u2=b2 параболическое (p, s) p = 0.5bo+0^5(b, + b2) s = 0,4(b2-b|) гауссово (f¡o, <r0) Po= O.Sbo + 0,25(b| + Ьг) а0= ОДв^Ьг-Ь,)

В работе решена задача нахождения ближайшего нечеткого числа к двум заданным нечетким числам. Ниже приведена постановка задачи оценивания двух произвольных нечетких чисел треугольным нечетким числом и решение поставленной задачи.

Пусть й(а)= (ш(а), и+(а)) и а(а)= (<и(а), а+(а)) - два нечетких числа общего вида, для нахождения ближайшего к ним нечеткого треугольного числа т(сс, Ь¡, Ьо, минимизируем следующую функцию:

/(а,й,Ш) = О (а(а),ы(а;ЬиЬ0,Ь2))+ £>(й(а),«п(а;£>1,60,62)) =

1 2 ' 2 = |(а_(а)-(я_(а;61,60162)) ¿а + |(а+ (а)-Ы+(а;ЬиЬ0,Ь2)) ¿а +

0 о

1 2 1

о о

Найдя частные производные по параметрам Ь/, Ьа, Ъ2, решив систему из трех уравнений, для различных типов нечетких чисел получим оценки, приведенные в таблице 2.

Таблица 2. Оценка двух нечетких чисел треугольным нечетким числом

1-ое число 2-ое число Оценка

треугольное (ai, ао, аг) треугольное (bi, b0> Ьг) треугольное (ci, Со, с2) ct = 0,5(at + bi) co = 0,5(ao + bo) c2 = 0,5(a2 + h)

треугольное (аь ао, а2) трапециевидное (Ul, Uoi, U02, U2) треугольное (ci, Со, c2) c, = 0,5(ai + ui) + 0,125(uo¡ - Uo2) со = 0,5 ао + 0,25(uoi + uo2) c2 = 0,5(a2 + u2) + 0,125(uo2 - uoi)

треугольное (ai, ао, а2) параболическое (bo, b|) треугольное (сь Со, c2) ci = 0,5(ai + bo) - 0,6bi co = 0,5(ao + bo) c2 = 0,5(a2 + bo) + 0,6bi

треугольное (аь ао, а2) гауссово (Mo, Co) треугольное (Сь Со, c2) ci = 0,5(ai + í»o)-0,859ffo со = 0,5(ao + Но) c2 = 0,5(a2+ fio) + 0,859ao

трапециевидное (Щ, Ufll, U02, U2) трапециевидное (V|, Vol, V02, V2) треугольное (ci, Со, c2) Ci = 0,5(ui + vi) + 0,125(uoi - U02 + voi - v02) Со = 0,25(uoi + U02+ Voi + V02) C2 = 0,5(a2 + b2) + 0,1 25(uo2 - U01 + v02 - v0i)

трапециевидное (ui, UOI, U02, U2) параболическое (bo, bi) треугольное (ci, Со, c2) Ci = 0,5(U1 + bo) + 0,125(U01 -U03)- 0,6bi Со = 0,25(Uoi + U02) + 0,5bo c2 = 0,5 (u2 + bo) + 0, 125(uo2 - U01) + 0,6bi

трапециевидное (Ul, Uoi, U02, u2) гауссово (Я), Co) треугольное (ci, со, c2) C! = 0,5(ui + ¡a,) + 0, 125(uoi - U02 ) - 0,859ао со = 0,25(1101 + 1100 + 0,5^ c2 = 0,5(u2 + Но) + 0,125(UO2 - U01) + 0,859ao

параболическое (bo,b,) параболическое (<Mi) треугольное (ci, со, c2) c, = 0,5(bo + do)-0,6(bi + di) co-=0,5(do + bo) c2 = 0,5(bo + do) + 0,6(bi + di)

параболическое (too, b.) гауссово треугольное (ci, со, c2) Ci = 0,5(bo + fio) - 0,6bi - 0,859ff0 Co = 0,5(Ho + bo) c2 = 0,5(bo + Mo) + 0,6bi + 0,859a0

гауссово (IM>, Oo) гауссово (Mi.ffi) треугольное (ci, со, c2) ci = 0,50*1 + ¡lo) - 0,859(<Jo + ai) со = 0,5(/ii + no) c2 = 0,5(/í| + íto) + 0,859((70 + ai)

Аналогичным образом в диссертационной работе определяются параметры нечетких трапециевидных, параболических и гауссовых чисел и решена задача нахождения числа-эквивалента по любым заданным нечетким числам.

Задача оценивания, устанавливающая соответствие между нечеткими и четкими величинами, сводится к решению задачи дефаззификации. В работе рассмотрены два способа дефаззификации: нахождение центра тяжести (дрс) и нахождение медианы (х"). Оценить нечеткое число можно через моду функции принадлежности (*").

Сравнительная четкая оценка двух нечетких чисел может быть найдена с использованием частной меры различия двух нечетких чисел. Частная мера различия Ms(3, й) может быть задана как геометрическое расстояние между двумя нечеткими числами й(а) и й(а) одного типа, которые характеризуются п параметрами (ai,a2,...,a„) и (ui,u2,...,u„):

М'(а,и) =-.

и

Частная мера различия может быть задана как расстояние между центрами тяжести Af(â, й), медианами Af(â, й) или модами Kf(à, й) двух нечетких чисел разного типа â(a) и й(а), соответственно:

ЛГ(я,и) =1^-41.

или как разность расстояний от каждого числа до нулевой точки:

Md(a,и) = dO, -dO- = ~ )(a_(a) ^(a))da -1 /(«.(«)-К<»)Ж*.

Использование одной из перечисленных выше частных мер нечетких чисел недостаточно для полного описания меры схожести или различия. Необходима интегральная мера. Алгоритм сравнения двух нечетких чисел с использованием интегральной меры приведен ниже.

Вход: два нечетких числа НЧ1(тип1, список_параметрв1) и НЧ2(тип2, список_параметрв2); интегрированный критерий, заданный на множестве {геометрическое расстояние, центр тяжести, медиана, мода, площадь (S), расстояние до нулевой точки}.

Выход: сравнительная оценка этих чисел, определенная на множестве {=,

Шаг 1. Вычисление частных мер.

Шаг 2. Вычисление сравнительной оценки НЧ1 и НЧ2:

Шаг 2.1. ЕСЛИ ((munl= тип!) и (xf= *«)) ИЛИ ((тми/= тип2) и (Sj = S2)

и (*<= 4) и (*,"= х;)и «= 4) и (rf0,=rf02)) ТО НЧ1 = H42;

Шаг 2.2. ЕСЛИ (muni ф типТ) и 4) и (*Г= и «= х°2) и

(¿0,=rf02)) ИЛИ ((xf**?) и (Si = S2) и (4= х'2) и (*Г = jc2") и «= jc°) и

(¿0,={{02)) ИЛИ (и«**?) и (5, * Б2) и (л,с = 4) и (хГ= к (<= и (¿0,=</02))ТОНЧ1 «НЧ2;

Шаг 2.3. ЕСЛИ ((тип!= тип2) и (х? <х>)«(л? < ^) и « < ) и « < « (¿0,<<«)2)) ИЛИ ((тип! * тип!) и «< х\) и {х?< *2") и (*'< х°2) и (¿0,<</02))ТОНЧ1<НЧ2;

Шаг 2.4. ЕСЛИ ({тип1= тип2) и ((х?-х*)/п + (<-л|)/(|*?|+|*Л)/2 + (*,"-+ + (¿0,^0гУ(|А1+1</02|У2)<0) ИЛИ

((тип! * тип2) и ((*[ - х\ )/(| < ¡+| лгс |)/2+( х' - хг* )/(| х," |+| х? |)/2+(< - )/ (М+к°1)/2 + (¿0,-¿02)/(| ¿0, |+И2|)/2)<0) ТО НЧ1 ч НЧ2.

В работе приведен пример применения нечеткоарифметических методов и средств для оценки степени загрязнения поверхностей нагрева пароводо-грейных котлов. Здесь состояние поверхности нагрева задано в виде зоны, описанной нечеткими линейными уравнениями. В силу ограниченной точности штатных средств измерений на вход системы поступают нечеткие входные данные. Путем нескольких сравнений нечетких входных чисел и нечетких чисел, задающих границы зон, находится зона попадания входных данных и определяется оценка состояния поверхности нагрева.

Суть нечеткологического оценивания заключается в сопоставлении данных из двух разнотипных шкал: абсолютной нечеткой статической и сравнительной нечеткой статической. Задача оценивания имеет следующую формулировку: по известным абсолютной статической оценке величины А и сравнительной статической оценке величин А и В найти абсолютную статическую оценку величины В. Система оценивания величин рассматривается как нечеткая система типа «много_входов-один_выход», в которой входные и выходные переменные оцениваются нечеткими термами. Система задается следующей базой правил:

Правило 1: ЕСЛИ АНС, =А„ И СНС=А2, ТО АНС2 = В, А_ТАКЖЕ, Правило 2: ЕСЛИ АНС, = Ап И СНС = А21 ТО АНС2 = В2 А_ТАКЖЕ,

Правило п: ЕСЛИ АНС, = А,„ И СНС = А^ ТО АНС3 = В„,

где АНС1, СНС — входные переменные, АНС2 - выходные переменные, А/,, А2, и В, - лингвистические термы, которыми оцениваются переменные АНС,, СНС и АНС2, соответственно, и которые определены на универсальных множествах X,, Х2, У, соответственно.

Для осуществления вывода в такой системе можно воспользоваться композиционным правилом. Предварительно нужно выполнить операции конъюнкции и далее операцию объединения (агрегации) п правил.

Пусть на вход системы поступают четкие значения х,, х2. Требуется определить четкий выход у. Для этого необходимо выполнить следующие операции:

• фаззификация - для каждого правила вычисляется значения HA\Axi) и Илъ(*2);

• конъюнкция - объединение посылок в антецеденте каждого правила; в сипу того, что (а лй) ^ Т(а,Ь), где символ означает «равно по определению», Т - /-нормальная функция, выражение для определения конъюнкции будет иметь вид (х,), ¡лА1 (хг));

• импликация или выполнения правила ЕСЛИ ... ГО; в силу того, что (а -> b) ^ 1(а,Ь), получим Щ{цАи (x2)),fiSi(y));

• агрегация — получение нечеткого выходного значения из множества объединенных правил, или определение итоговой функции принадлежности

• дефаззификация - преобразование итоговой функции принадлежности Мв(у) в четкое значение у.

Нечеткое правило в операторной форме представляется следующим образом:

R.(x,, х2, у) = I(T(Ai,(xi), А2,(Х2)% В,(у)). или, с учетом того, что l(ah az) ^ S(l-ah а2), здесь (а vb) ^S(a,b): х2, у) = S(S(1- A„(Xl), 1- А2,Ш), В,(у)) Оператор импликации может бьггь определен и не классическим путем, например, через i-нормальную функцию:

1(а,, aj ^ T(ah а^), и тогда нечеткое правило системы будет иметь следующий вид: R!(xt, х2, у)= Т(Т(А/,(х/), А2,(х2)), В,(у)), Выбор оператора для выполнения операции «А_ТАКЖЕ» связан с выбором оператора импликации. Если оператор импликации определен классическим формально-логическим методом через /-конормальную функцию, то оператор «А_ТАКЖЕ» определяется через /-нормальную функцию:

Rkl (х,, х2, у) = T(Rf(x,. х2, у), R/(xi, х2, у).....R„s(x,, х2, у))=

T(S(S((l-Alf(x,)), (1-А21(хМ В,(у)).....S(S((l-Aln(x,)h (1-А2„(хМ Вп(у)))-

Если оператор импликации определен через /-нормальную функцию, то оператор «А_ТАКЖЕ» определяется через /-конормальную функцию: Дм (xj, х2, у) = SYR/(xi, х2, у), R2'(xj, х2, у),..., R„'(x,, х2, у))=

S(T(T(An((xi), AM), Bj(y)).....Т(Т(А,„((х,), А2п((Х2}), Вп(у))).

Указанный способ объединения правил совпадает с подходом, основанным на аппроксимации Мамдани.

В системе аппроксимации Мамдани функция принадлежности выходного значения вычисляется следующим образом: Fm&) = S(T(T(An((xi), A2I(M), В,(у)).....T(T(A,n((x,h Л2п((х$, В„(у))),

а нечеткое выходное значение в системе оценивания, основанной на формально-логическом подходе, имеет следующий вид:

ян. (x,, х2,у) = Т(8(Я((1-Ап(х^),0^А2^(хМ В ¡(у)).....8(Б((1-А1п(х,)).

После дефаззификации находится оценка.

В силу того, что качество работы нечеткой системы оценивания величин зависит от множества параметров системы, то представляет интерес определение таких параметров, которые обеспечивали бы наилучшее ее функционирование. Основой для таких исследований является компьютерный эксперимент. Проведенные исследования показали, что время и качество нечетких выводов зависят от вида функции принадлежности (треугольная, трапециевидная, параболическая, гауссова) и степени их нечеткости (базиса или а-среза), способа задания ^оператора (Заде, вероятностные, Лукасевича, Швай-цера-Скляра), способа задания самого нечеткого вывода (аппроксимация Мамдани, формально-логический), количества лингвистических термов во множествах АНС- и СНС-оценок. Лучшими функциями принадлежности с точки зрения качества и времени вывода являются такие треугольные функции, графики которых для двух соседних элементов терм-множеств пересекаются на уровне 0.5. Для аппроксимации Мамдани с ростом числа элементов терм-множеств увеличивается качество вывода, но время вывода растет в большей степени, чем качество вывода. Причем при использовании параметрической функции Швайцера-Скляра выигрыш в качестве малозначителен, так, например, максимальные ошибки для пяти и семи элементных терм-множеств равны, соответственно, 0.01798 и 0.01603, а средние абсолютные 0.00490 и 0.00385, однако время вывода при этом возрастает почти в два раза. Возможность варьировать параметром в функции Швайцера-Скляра сделала ее лучшей с точки зрения качества вывода для функций принадлежности с небольшим и средним базисом функция Лукасевича является

лучшей для сЬункций принадлежности с большим и очень большим базисом (а-срезом).

Лучшее качество вывода получено для формально-логического подхода, дефаззификации методом центра тяжести, с функциями принадлежности треугольного типа, при задании нормальной функции Лукасевича и /-конормальной вероятностной функции. Для пяти и девяти элементных терм-множеств максимальные ошибки равны 8.2016Е-5, 2.8610Е-6, соответственно.

Некоторые характеристики нечетких выводов приведены в таблице 3. На рис.1 показаны выходные значения для пяти термов, функции принадлежности треугольного типа, графики которых для двух соседних элементов терм-множеств пересекаются на уровне 0.5, аппроксимации Мамдами, дефазифи-кации методом центра тяжести.

Рис 1 Выходные значения для Нормальных функций а) Заде, Ь) вероятностных, с) Лукасевича, с!) Швайцера-Скляра р=0 82

Таблица 3. Основные характеристики нечетких выводов для аппроксимации Мамдани, треугольных функций принадлежности, вероятностной нормы, дефаззификации методом центра тяжести

Количество термов (") Время вывода Ошибка

абсолютное № относительное т максимальная (еггтах) средняя абсолютная (еггаЬэ) средняя квадратичная (elrsq)

3 46 1 0,14288 0,04733 0,00199

5 85 1,848 0,07133 0,01854 0,00083

7 127 2,761 0,04722 0,01062 0,00048

9 170 3,695 0,03570 0,00797 0,00037

11 208 4,522 0,02703 0,00545 0,00026

(Я2 = 0,999466) (Л2 =0,999479) (Я2 =0,998672) (Л2 =0,993729) =0,995475).

Регрессионные модели зависимости основных характеристик от количества термов приведены ниже, в скобках указаны квадраты коэффициентов корреляции Я2 как мера точности аппроксимации.

1а = -15,95 + 20,45*/» /о = -0,34665 + 0,44455*/» Уеггтах = -4,45452 + 3,6993*« \lerrabs = -43,0503 + 19,8125*/» \ierrsq = -796,904 + 409,258*/»

Полученные регрессионные уравнения увеличивают информативность экспериментальных результатов и позволяют установить тенденцию изменения времени и ошибки вывода в зависимости от количества термов, описывающих АНС- и СНС-оценки.

Параметрическая идентификация нечеткой системы оценивания величин проводится с использованием гибридной нейронной сети. Определим нечеткую систему оценивания с упрощенными правилами вывода:

Правило г. ЕСЛИ АНС, = Л„ И СНС = Аь ТО АНС2 = у»

где у, - действительное число, у, е У.

Топология нечеткой нейронной сети соответствует структуре нечеткой системы оценивания, а именно, учитывается количество и структура нечетких правил, этапы получения оценки и особенности собственно нечеткого вывода. Первый скрытый слой соответствует выполнению операции фаззи-фикации. Второй слой вычисляет значение конъюнкции антецедента каждого правила, в нашем случае конъюнкция вычисляется через вероятностную /нормальную функцию. Третий скрытый слой предназначен для нормирования правил, то есть определения вклада каждого правила в общий вывод. Единственный узел выходного слоя выполняет операцию дефаззификации.

Для определения значений параметров двухпараметрической функции принадлежности и консеквента правил используются алгоритм обратного распространения и генетический алгоритм.

Полная согласованность мнений экспертов в оценивании свойств объектов встречается достаточно редко, но для разработки адекватной нечеткой системы оценивания мнение экспертов необходимо учитывать. Пусть имеется нечеткая система оценивания, заданная своей базой правил. Причем для каждого правила указана уверенность использования его в случае, если входная информация отвечает условию, указанному в антецеденте. Такая структура правила позволяет учитывать индивидуальный вклад каждого правила в общий вывод. Модифицированное правило приведено ниже:

Правило I: ЕСЛИ а/ =А/,Иа2 - Ац И... Иа„ **Ап ТОЬ = й с уверенностью Р(Ш),

где Р(В1) - число в диапазоне [0, 1], характеризующее меру уверенности эксперта в необходимости выполнения /-го правила. Указанная структура позво-

лит из одной и той же ситуации, описываемой ЕСЛИ-частью правила, делать различные заключения, описываемые ТО-частью правила. Такой подход облегчит описание знаний экспертов в случае несовпадения их мнений по поводу однотипных ситуаций, заданных антецедентом. В базе правил могут быть кластеры, описывающие такие ситуации:

Правило г. ЕСЛИсн "А1,Иа2 =АцИ... Иат =Л„, ТОЪ= В,' с уверешостыо Р(В,'); Правило 1+к ЕСЛИ а, =Аи Иа2=АцИ... Иат ТОЬ = В? с уверенностью Р(В,1);

к

причем соблюдается условие нормировки ^Р(.В') = 1.

В основе указанного типа оценивания лежит модифицированный байесовский подход. Для указанной выше нечеткой базы правил можно определить следующую форму вывода:

.1=1

где - оценка консеквента j-тo правила, полученная одним из методов дефаз-зификации, Р(В]\а1,аг,...,ап) может рассматриваться как апостериорная вероятность или вероятность выбора ]-то правила при условии, что поступили входные данные а2,..., ат\

(П

1=1

Здесь значение функции принадлежности терм-множества А^ при

и т

заданном а,, | а„а2,...,ат) = 1, а произведение Пя^О^) можно рассмат-

ривать как правдоподобие (а,, а2. .... ат) при данном правиле_/, то есть меру того, насколько вероятно поступление входных данных (о;, а2, ..., а„), если выбрано у-ое правило. Априорные вероятности выбора правил определялись

экспериментальным путем.

В работе исследованы результаты выводов при согласованности и несогласованности мнений экспертов, а также при различных видах функций принадлежности. Лучшими с точки зрения качества вывода являются треугольные функции принадлежности, графики которых для двух соседних элементов терм-множеств пересекаются на уровне 0.5.

Задача оценивания на основе алгебраических свойств отношений между величинами формулируется следующим образом: на основе алгебраических свойств отношений между величинами, такими как, рефлексивность, симметричность, антисимметричность, транзитивность, а также на основе известных сравнительных оценок величин, определить сравнительную оценку выделенных величин. В связи с тем, что знание о предметной области может

быть динамически меняющимся, неполным, а иногда и противоречивым, то рассуждения на основе таких знаний немонотонны, могут пересматриваться и изменяться перед каждым выводом. Предметом нашего изучения является немонотонный вывод на множестве величин. Здесь задана следующая сигнатура:

в которой каждый перечисленный предикат имеет арность равную двум. Для удобства пользователя при описании предметной области рассматриваются шесть предикатов, хотя можно было ограничиться четырьмя. Носителем или универсумом является множество величин А. Интерпретация сигнатуры £1вА является тривиальной, например, предикат а > Ъ истинен, если величина а больше величины Ь, причем а и Ь определены на универсуме А.

Особенностью оценивания величин на основе алгебраических свойств отношений между ними является то, что оценивание ведется только в рамках сравнительных величин, кроме того, применение данного способа оценивания не дает возможности ввести метрику для отношений. Например, отношение сравнения «больше» можно интерпретировать и как «несколько больше» и как «много больше». Достоинством оценивания с использованием алгебраических свойств отношений между величинами является строгость вывода в рамках сравнительных оценок.

В третьей главе рассмотрены методы, модели, алгоритмы планирования действий в имитационно-лингвистической системе.

Будем различать следующие виды действий: оценивание, вычисление, поиск в семантической сети специального вида, поиск в базах данных, взаимодействие с пользователем.

Одной из важных проблем, возникающих при разработке и эксплуатации имитационно-лингвистической системы, является организация взаимодействия пользователя и компьютера. Для исключения посредников между компьютером и конечным пользователем в имитационно-лингвистической системе необходимо реализовать диалоговый режим общения пользователя с компьютером на языке, приближенном к естественному, ограниченному профессиональной лексикой. Это приводит к разработке специальных средств лингвистического обеспечения, переводящих запросы пользователя на компьютерный язык и позволяющих системе не только «понимать» задачу пользователя, но и управлять программными модулями и снабжать вычислительные программы соответствующими данными из информационных массивов в базе данных.

Основными функциями лингвистического обеспечения имитационно-лингвистических систем являются следующие: представление знаний о языке общения; перевод сообщения пользователя на язык, понятный компьютеру; определение вида работы системы и обеспечение информацией вычислительных процессов; формирование ответа на языке пользователя.

Язык общения характеризуется двумя компонентами: лексическим составом и грамматическими средствами. При выбранной концепции построения

лингвистического обеспечения для узкотематических предметных областей лексический состав будет представлять знания о предметной области моделирования и, следовательно, может служить ее моделью.

При разработке моделей участников диалога применительно к рассматриваемой задаче будем учитывать квалификацию (опытный программист, неквалифицированный и т. п.) и отношение пользователей к системе (прикладной программист, конечный пользователь, системный программист, аналитик и администратор), и возможности компьютера. Кроме того, модели участников общения должны включать в себя и общий язык общения.

Модель имитационно-лингвистической системы как участника общения может быть представлена четверкой:

М=(ЯО, Т, БП, БД),

где ЯО - язык общения, Г- транслятор с языка общения в набор прикладных программных модулей; БП - база прикладных программных модулей; БД -базы данных по предметной области, представляющие собой упорядоченные наборы экспериментальных и модельных данных; , где имя про-

граммного модуля Р, а г - вид работы (моделирование, идентификация параметров модели по данному набору экспериментальных данных, поиск в БД, ввод в БД и др.). Для инициализации модуля Р необходимо задать ему имя г и указать его входные данные. Пользователь на языке общения формулирует запрос с указанием вида работы (цель диалога). Транслятор Г анализирует этот запрос, выделяя в нем имя модуля и входные данные, инициализирует выбранный модуль либо последовательность модулей, синтезирует ответ пользователя на его запрос, т. е. представляет результаты обработки запроса на языке общения.

В общем случае модель языка общения, ориентированная на конкретную предметную область, задается следующей четверкой:

Я=< Д в,Ац Аа>, где: £ — лексика языка предметной области, заданная набором словарей, С—контекстно-свободная грамматика, заданная наХ, А^-- механизм перестройки лексики I, Аа - механизм перестройки грамматики G.

Первым шагом на пути к построению модели языка Я является анализ информационных потребностей пользователя, задание ограничений на запрос и разработка некоторой классификации, типологии самих запросов. На запрос наложены следующие ограничения: запрос выражается одним предложением; смысл запроса сводится к получению однотипной информации; если способ получения информации указан явно, то он должен быть единственным. Кроме того лингвистическое обеспечение имитационно-лингвистической системы ведется при условии, что исследуемая предметная область является узкой, пользователь является квалифицированным специалистом в данной области, пользователь осведомлен о лингвистических способностях системы.

Анализ типологии запросов показал, что каждый запрос в имитационно-лингвистической системе характеризуется тремя компонентами: ОБЪЕКТ, ДЕЙСТВИЕ, УСЛОВИЕ. Здесь ОБЪЕКТ - это требуемые пользователем данные; ДЕЙСТВИЕ - описание (явное или неявное) метода получения данных, указанных в ОБЪЕКТе; УСЛОВИЕ - это описание ситуаций, в которых должны быть найдены требуемые данные.

В общем случае ОБЪЕКТ определен на множестве переменных, описывающих как реальные объекты и понятия предметной области, так и абстрактные объекты, искусственно введенные при моделировании предметной области.

ДЕЙСТВИЕ задано одним из перечисленных способов: отдельным глаголом (в инфинитивной форме, в форме страдательного залога либо в повелительном наклонении); вопросительным словом или словосочетанием; глаголом и вопросительным словом; комбинацией первых трех.

УСЛОВИЕ отделяется от других составных частей запроса словами или словосочетаниями типа «при», «при условии», «если», «исходя из того, что» и т.п. УСЛОВИЕ определено на множестве переменных, описывающих как реальные объекты предметной области, так и понятия, введенные в процессе построения имитационной модели.

В работе рассмотрены возможности изменения структуры запроса в зависимости от типа пользователя (Ао - механизм) и возможности изменения лексики языка запросов Я ( механизм). Лингвистические знания в системе выражены набором продукций контекстно-свободных грамматик. Такая декларативность знаний определяет их гибкость, возможность варьировать ими в зависимости от типа пользователя, т.е. изменяя правила продукций 17, можно менять ограничения, накладываемые на запрос. Запросы с произвольной структурой избавляют пользователя от необходимости постоянно следить за допустимостью формулировок задания, однако данный тип запросов требует большего времени на его обработку, нежели запросы с жесткой структурой. Адаптацию к типу пользователя путем изменения структуры запроса назовем синтаксической адаптацией (механизм Лг). Настройка на тип пользователя-проблемника происходит за счет изменения правил продукций контекстно-свободных грамматик, с помощью которых описывается структура запроса. Имитационно-лингвистическая система проектируется как принципиально незамкнутая система, в ней предусмотрены возможности изменения лексики Ь (механизм Л1) в зависимости от потребностей пользователя-проблемника. Изменение лексики и грамматики языка в режиме работы с системодержате-лем производится посредством разработанного для этих целей языка директивного типа. В режиме работы с конечным пользователем перестройка анализа текста запроса в зависимости от встретившихся лексических ошибок либо сокращений слов осуществляется на основе меры совпадения, значение которой равно 0, если сравниваемое слово запроса побуквенно не совпадает со словом из словаря, равно 1, если сравниваемые слова побуквенно совпадают, принимает значение от 0 до 1 в случаях неполного побуквенного сов-

падения. В алгоритме вычисления функции совпадения учтены длина слова, тип сокращения слова: с помощью дефиса, с помощью точки. Вычисленное значение функции совпадения сравнивается с некоторым заданным минимальным пороговым числом и если наблюдается превышение заданного порога, то сравниваемые слова считаются эквивалентными. Пороговое число подбирается эмпирически и может корректироваться в процессе работы системы.

Вычисление можно рассматривать как один из видов оценивания. Пусть У= {V/, \>2, — , VII} — множество величин имитационно-лингвистической системы. Величины принимают значения из конечного множества, называемого доменом или универсумом интерпретации. Тогда оценка для V- это функция, которая сопоставляет каждой переменной значение из универсума интерпретации.

Под планированием в работе понимается поиск последовательности действий, приводящих к достижению поставленной цели. Практический путь решения этой проблемы — сначала декомпозиция больших программных систем на небольшие программные модули и далее композиция из модулей целевой программной системы, обеспечивающей решение поставленной пользователем задачи. Модуль здесь представляет собой спецификационный интерфейс и собственно тело. Спецификационный интерфейс содержит знания о данных и операциях указанного модуля и является основой для композиции. При таком подходе эффективность планирования зависит от результатов декомпозиции и правил построения спецификационного интерфейса. Однако для хорошо структурированных проблемных областей, например, математические модели физических процессов, где отношения между величинами могут быть представлены посредством математических формул, можно построить более эффективный алгоритм планирования вычислений без программирования и описания отдельных модулей.

Суть проблемы планирования вычислений или планирования в пространстве задач сводится к следующему: на известном множестве программных модулей по заданным именам и значениям исходных величин и имени искомой величины сформировать цепочку из программных модулей, реализующую отображение заданных величин в требуемую величину.

Пусть имеется множество программных модулей Л = {Хь Х2>..., А^}. Каждый модуль X, (1 </< и) характеризуется набором входных переменных К ={у,/, V,;,..., у,к} и одной выходной переменной е,. Причем V п Е =¿0, где У= V/ и У2 и ... и У„, Е={ ей е2, ..., е„). Предполагается, что одна и та же выходная величина может быть получена различными способами, то есть для ее вычисления могут быть использованы различные программные модули. Описание преобразования модулем X, множества V, в е, задано продукционным правилом:

X,: у,2,..., \',к е,

Необходимо по указанным в запросе множеству исходных величин А - {а,, а2, ..., а„} и искомой величине с/ (Ас У, ¿е £) построить цепочку программных модулей Лр= {Хр], Хр2, ...Др,} преобразующих множество А в ±

А=>Л" <1

Цепочка будет являться планом преобразования. В случае невозможности построения такого плана выдается соответствующее сообщение.

Планирование представлено как процесс поиска в глубину с целью отыскания дерева решения на неявно заданном графе типа И/ИЛИ. Задается неявный граф с помощью обращенных продукционных правил, представленных выше. Вершины в графе помечены именами величин из множества а

связки - именами программных модулей из множества План преобразования множества исходных величин А в искомую величину d представлен в виде пометок на пути в дереве решения. Корневая вершина дерева решения помечена именем искомой величины, а все концевые вершины - именами величины из множества.

Для хорошо структурированных предметных областей, описание которых дано не через набор программных модулей и их спецификационные интерфейсы, а посредством математических формул, представленных в виде польской записи, алгоритм планирования вычислении основан не на сборке отдельных программных модулей, а на сборке формул. Основанием для планирования вычислений являются имена исходных данных, цель вычисления (имена выходных данных) и описание предметной области, выполненное в виде множества разрешений, здесь разрешение - это выраженная относительно выбранного параметра формула. Собственно процедура планирования вычислений состоит из четырех шагов:

1. Из описания проблемных областей удалить все те разрешения, которые описывают расчет параметров, заданных в качестве исходных.

2. Выбрать из описания проблемных областей разрешение, применение которого к исходным данным из области описания исходных данных приведет к достижению цели. Если выбор удачен, то добавить найденное разрешение в область описания выбранных разрешений и перейти к шагу 4.

3. Выбрать из описания проблемных областей любое разрешение, применимое к исходным данным. Если такого разрешения нет, то выдать сообщение о неудачном поиске и прекратить работу, иначе добавить в область описания выбранных разрешений найденное разрешение; параметр, относительно которого выполняется данное разрешение добавить в область описания исходных данных; удалить из описания проблемных областей все разрешения относительно найденного параметра и перейти в шагу 2.

4. Из запомненных в базе знаний разрешений удалить лишние путем обратного просмотра их от цели к первоначально заданным параметрам. Отметим, что процедуры планирования, представленные в нашей работе,

имеют практическую направленность. Ориентированы указанные процедуры

на языки программирования ЛИСП, ПРОЛОГ. В работе приведены фрагменты ПРОЛОГ- и ЛИСП-программ планирования вычислений.

При построении имитационно-лингвистических систем важную роль играют методы представления знаний об исследуемой предметной области. Нами выбрана семантическая сеть специального вида. Особенностью данного типа сети является то, что в качестве понятий здесь выбраны величины, характеризующие свойства объектов исследуемой предметной области. Основой для построения сети служат данные, полученные в результате опроса экспертов и анализ научно-технических источников информации по исследуемой предметной области.

Семантическая сеть - это граф, вершинами которого являются факты или понятия предметной области, а дугами - отношения между объектами или понятиями. Сформулируем общие требования, которым должна удовлетворять семантическая сеть:

1) в сети должны быть отражены структурные, логические, лингвистические связи между величинами;

2) сеть должна быть однородной для ускорения поиска информации в ней;

3) в сети должны быть представлены различные виды знаний:

• предметное знание - количественные и качественные характеристики объектов предметной области;

• понятийное знание - множество понятий и отношений между ними, описывающих исследуемую предметную область;

• конструктивное знание - сведения о структуре и взаимодействии объектов исследуемой предметной области.

Ниже рассмотрим важнейшие этапы построения семантических сетей. На первом этапе разработки сети необходимо решить следующие задачи: выбор объектов, выбор отношений. То есть необходимо ответить на вопросы о том, «что» и «сколько» представлять. Предлагается при проектировании семантических сетей выделять основные и вспомогательные объекты и отношения. Основными объектами являются следующие параметры и величины: величины, описывающие состояние предметной области; параметры имитационных моделей; имена величин, характеризующие ответы на запросы пользователей.

Вспомогательные объекты, конкретизирующие основные, определены на следующем множестве: конкретные значения параметров имитационной модели, параметров предметной области, ответов; значения типа зависимостей между величинами; комментарий.

Основные отношения - это отношения зависимости или независимости между основными объектами. Вспомогательные отношения указывают на тип описания и на условия, когда справедливо утверждение относительно установленного типа зависимости. Вспомогательные отношения характеризуют связь между основными и вспомогательными объектами, т.е. это отношения конкретизирующие отношение «зависит - не зависит». Между величинами может быть зафиксировано несколько типов зависимостей в разных условиях,

поэтому к вспомогательным отношениям относятся отношения установления соответствия между типом зависимости и условием, справедливым для данного описания. Некоторые описания типов.зависимостей уточняются, т.е. имеют комментарий, что существенно облегчает использование данного описания.

Таким образом, в семантическую сеть включены два основных семантических отношения между объектами: «зависит от», «не зависит от». Вспомогательные отношения представлены следующим набором: «принимает значение», «имеет тип описания», «выполняется при», «соответствует», «имеет комментарий».

Дальнейшее построение сети ведется в два этапа. На этапе концептуального построения на качественном уровне проводится анализ связей между основными объектами предметной области, устанавливаются основные отношения «зависимостей» между величинами. В выборе основных объектов и установлении отношений «зависимости-независимости» участвуют эксперты по исследуемой предметной области.

На этапе фактуального построения производится конкретизация основных отношений на основе имеющейся информации (тексты документов, знания экспертов и др.). Для отношения «зависит» устанавливается тип зависимости и некоторые характеристики данной зависимости.

К достоинствам предложенного подхода построения сети можно отнести следующее:

• одновременно рассматриваются множество величин, участвующих в решении задач и описании предметной области;

• сочетание количественных и качественных, декларативных и процедурных методов описания предметной области.

Предложенный подход позволяет адаптивно накапливать и использовать знания о предметной области, проверять их противоречивость. Форма хранения информации в сети выбрана так, что данные представлены в виде сведений в рамках некоторого логического исчисления.

В четвертой главе рассмотрены программно-инструментальные комплексы и средства, которые предназначены для решения следующих задач: подготовка исходных данных, формирование и отладка алгоритмов, проверка адекватности используемых моделей.

Инструментальные средства анализа структурной химической информации предназначены для решения задач компьютерного ввода/вывода, представления, хранения, а также оценки физико-химических свойств химических соединений путем анализа их структур. Предикатно-грамматическая модель, разработанная совместно с Н.Ю. Салминой, базируется на использовании логики предикатов первого порядка и контекстно-свободной грамматики как терма заданной сигнатуры. Предназначена указанная модель для определения классов опасности по структуре химического соединения. Для представления структур химических соединений разработан специальный грамматический язык, который описывает химическое соединение в виде ли-

немного кода, полностью идентифицирующего структуру соединения, в явном виде отражающего циклы, функциональные группы, гетероатомы и полициклические фрагменты структур. Правила контекстно-свободной грамматики проверяют выводимость структур химического соединения или отдельных фрагментов в грамматическом языке для отдельных классов.

Формально грамматику структур химических соединений можно представить в виде четверки:

G=(S, N, Т, Р), где S — начальный символ грамматики;

N- множество нетерминальных символов;

Т— множество терминальных символов;

Р - множество правил вывода.

Ниже приведен пример грамматики, характеризующей класс ациклических углеводородов без тройных связей, здесь

N={A1, А2, D, V, W, X, Y, 2),

Т={СЗ, С2, Cl, С, U, С )},

Р={ 5-» AIDA2

Al-* СЗ | C2UY | C2UZUY А2-* СЗ | YUC2 | YUZYC2 D-* Х\YUY| DD Х-* С2 | Y(V) | C(W)

Cl | C(V) VА2 IDA2 W-* UC2 | UYV Z-» C\CUZ}.

Ряд условий и ограничений принадлежности химического соединения к тому или иному классу опасности выражен с помощью набора правил в виде конъюнкций предикатов. Здесь предикатными переменными являются структуры химического соединения, описанные на языке, фрагменты химического соединения, определенные условия (например, количество вхождений какого-либо фрагмента в структуру, максимальная длина линейной цепочки, четность вхождения функциональной группы в структуру, количество атомов углерода и т.д.) и КС-грамматики.

В модели используются следующие предикаты:

P(S, X) - истинен, если структура S содержит фрагмент X.

PGI(S, gl, X) - истинен, если S состоит из фрагмента X и цепочки, выводимой в грамматике gl.

PG2(S, gl, X, g2) - истинен, если структура S имеет вид Y1-X-Y2, где X фрагмент S, Y1 и Y2 - подструктуры, выводимые в грамматиках gl и g2, соответственно;

PUSL(S, X, us!, N)- истинен, если количество фрагментов X в структуре S удовлетворяет условию, заданному аргументами N и usl, где N- целое число, usl - знак математического отношения (=, >, <, /).

РСКЦЭ, N. X, N1) - истинен, если структура 5 содержит Л'-членный цикл, который включает фрагмент X N1 раз;

РСКИ (Б, N. X, N1, Бр) - истинен, если структура 5 содержит ЛГ-членный цикл, который содержит в ответвлениях фрагмент ХМ раз, и все ответвления от остальных элементов цикла содержат каждое хотя бы один элемент из списка^.

Совместное использование грамматик и предикатов позволяет описывать с помощью КС-грамматик лишь отдельные фрагменты или классы соединений, что, соответственно, существенно уменьшает количество правил вывода в грамматике и время вывода.

Регрессионные модели служат для вычисления физико-механических свойств материала паропровода, а также ПДК и ЛД50 по структуре химического соединения. Независимыми параметрами здесь являются топологические индексы, зависимыми — перечисленные выше свойства. Область действия каждого регрессионного уравнения ограничена отдельным классом химического соединения. В частности для ПДК и ЛД50, построены модели для следующих семи классов химических соединений: сложных эфиров, кетонов, карбоновых кислот, спиртов, циклических углеводородов, циклических гало-геносодержащих углеводородов и ациклических галогеносодержащих углеводородов. Были использованы линейные, экспоненциальные, степенные и обратные однофакторные регрессионные модели. В качестве независимых параметров были выбраны следующие индексы Рандича, Гутмана, Платта, давшие наилучшие результаты.

В модели аналогии объектом аналогии являются структуры химических соединений, представленные в виде векторов образов, которые составляются из набора бинарных и числовых дескрипторов, таких как количество двойных и тройных связей, количество циклов, наличие определенных функциональных групп и гетероатомов. Для цифровых дескрипторов введен нормировочный множитель с целью увеличения удельного веса тех дескрипторов, которые описывают функциональные группы и фрагменты с более высокой активностью, характеризующей экологическую опасность химических соединений. Модель аналогии основана на выявлении подобия между векторами образов структур химических соединений и вычислению по аналогии для новых структур характеристик экологической опасности. Значения прогнозируемых характеристик выдаются здесь в виде интервалов.

Предлагается комплексное использование моделей в системе прогнозирования. Система содержит базовый исходный набор структур химических соединений с заданными характеристиками экологической опасности. Работа системы осуществляется в следующем порядке. При поступлении на вход системы нового соединения, делается попытка определить для него класс опасности с помощью предикатно-грамматической модели. После определения КЛО происходит обращение к модели аналогии для определения ПДК и ЛД50, причем аналогия проводится только с теми соединениями, которые характеризуются теми же правилами вывода, что и исходное соединение. Если

новое соединение не удовлетворяет ни одному условию правил вывода, то в случае его принадлежности к одному из семи перечисленных классов, применяются соответствующие регрессионные уравнения. В противном случае модель аналогии применяется на всей выборке, хранимых в системе химических соединений.

Инструментальные средства построения и исследования систем оценивания величин на основе нечеткой логики (ИСНЛ) представляют собой программную среду для исследования нечеткого оценивания величин путем нечеткого моделирования. Указанные средства содержат процедуры для задания и модификации обработки входных данных, функций принадлежности, нечетких логических операций, нечетких правил вывода, реализации собственно нечеткого вывода, а также представления результатов вывода.

На этапе ввода входных данных необходимо определить шкалы абсолютных и сравнительных оценок, эталонные данные (если они есть) и собственно входные данные, заданные в выбранных шкалах.

ИСНЛ предоставляют пользователю возможность самостоятельно конструировать функции принадлежности АНС- и СНС-оценок либо использовать типовые встроенные в ИСНЛ. Инструментальные средства поддерживают разные варианты задания нечетких логических операций благодаря использованию t-нормальных и t-конормальных функций. Здесь используются четыре типа таких функций: Заде, вероятностные, Лукасевича, Швайцера-Скляра. Эти функции служат основой для задания операций конъюнкции и дизъюнкции. Операция импликации может быть задана либо через функцию t-нормы, либо через функцию t-конормы. Нечеткий вывод может быть проведен либо как аппроксимация Мамдани, либо как формально логический вывод. Пользователь может применить один из двух возможных способов дефаззифика-ции: метод центра тяжести или метод медиан.

В ИСНЛ предусмотрены графические и числовые возможности для анализа результатов. Графические средства включают в себя построение поверхности вывода абсолютной оценки и ошибки, заданной как разность между вычисленным и эталонным значением, и построение кривой вывода при фиксированных значениях АНС- и СНС-оценок. Визуализация результатов позволяет сделать заключение об адекватности нечеткого логического вывода предъявленным требованиям. Качество вывода может быть оценено по числовым значениям ошибок: среднеквадратической, максимальной, средней абсолютной. Программные средства включаются в интегрированную систему моделирования в виде программных объектов, функций, процедур, динамически загружаемых библиотек. В работе проведено сравнение разработанных инструментальных средств с системой fuzzyTECH и пакетом Fuzzy Logic Toolbox в составе MATLAB. Достоинствами ИСНЛ являются наличие в их составе программы анализа полученного результата с предполагаемым эталоном и возможность применять формально-логический вывод, который в описанных выше случаях дает наилучшее качество вывода и который отсут-

ствует в системе fozzyTECH и пакете Fuzzy Logic Toolbox в составе MATLAB.

Программно-инструментальные средства построения и исследования систем оценивания величин на основе псевдофизической логики предназначены для построения лингвистических шкал оценок величин и формирования правил вывода для сравнительных и динамических оценок. Эти средства содержат процедуры ввода экспериментальных данных, вычисления мер центральной тенденции и рассеяния, реализации экспертных методик отбора термов и вычисления сдвигов, задаваемых сравнительными и динамическими оценками.

Инструментальные средства обучения системы оценивания величин с использованием нейронных сетей представляют собой программную среду, где в качестве обучающего инструмента используется нейронная сеть с топологией, соответствующей обучаемой системы. Указанные средства содержат процедуры для задания обучающих примеров и параметров генетического алгоритма, реализации собственно генетического алгоритма, а также представления результатов обучения. Используя инструментальные средства, пользователь может сформировать обучающие примеры в режиме диалога, либо воспользоваться ранее введенными примерами. Пользователю также предоставлена возможность менять параметры генетического алгоритма. Инструментальными средствами предусмотрены графические и числовые возможности анализа результатов обучения. Графические средства включают в себя построение поверхности вывода в нечеткой системе оценивания величин и построение ансамбля функций принадлежности АНС- и СНС-оценок. Кроме того, параметры полученных функций принадлежности и значения консек-вентов нечетких правил выдаются в числовом виде.

Инструментальные средства отвечают следующим требованиям: простота использования и необязательность знакомства пользователя со специальным математическим аппаратом, применяемым в имитационно-лингвистических системах.

В пятой главе приведены примеры применения имитационно-лингвистических систем для решения задач моделирования, прогнозирования, оптимизации и обучения.

В работе рассмотрено применение имитационно-лингвистических систем для решения проблемы прогнозирования опасности химических соединений: экологической опасности и влияние органических соединений на изменение свойств материалов паропроводов высокого давления. Решение указанной проблемы предполагает решение задач компьютерного ввода и представления химических соединений, а также оценки физико-химических свойств химических соединений путем анализа их структур.

Анализ аварий на паропроводах высокого давления тепловых электрических станций, использующих возвратный конденсат от химических производств, позволяет выдвинуть гипотезу о влиянии органических соединений на изменение структурных и прочностных характеристик материалов паропро-

водов. Неисследованность механизмов воздействия указанного влияния, с одной стороны, и необходимость предсказания изменения ресурса работы паропроводов в условиях такого влияния, с другой стороны, заставляет обратиться к аппарату математического моделирования с привлечением методов искусственного интеллекта. Для построения математических моделей необходим определенный объем экспериментальных данных. Имитация работы паропровода была проведена следующим образом. Из материала паропровода (сталь 12Х1МФ) изготовлен герметичный сосуд, в котором размещались образцы для испытаний, выполненные из стали 12ХШФ, и модельная смесь. Внутри сосуда при нагревании в муфельной печи до 540 С создавалось давление до 140 атм. Циклическое нагревание и охлаждение системы проводилось совместно с муфельной печью. Анализировалось влияние следующих модельных смесей: вода дистиллированная, вода и поверхностно-активные вещества, вода и фенол, вода и глицерин, вода и толилфосфат, вода и ацетон, вода и три-этиленгликоль. Проведенные исследования влияния модельных смесей на прочность, пластичность, твердость стали показали, что воздействие органических соединений приводит к охрупчиванию материала, изменяет его микроструктуру, повышает твердость приповерхностного слоя.

Основываясь на результатах эксперимента, нами разработана инструментальная система компьютерного представления химических структур и моделирования их воздействия на изменение механических свойств материалов паропроводов. Система представляет собой набор универсальных алгоритмов и программ, настраиваемых на экспериментальные данные. Основные функции системы - это моделирование влияния химических соединений на свойства стали, а также ввод, редактирование, представление структурной химической информации. Моделируются изменение временного сопротивления разрушению, условного предела текучести и твердости, относительного удлинения и ударной вязкости. Кроме того, химические соединения разбиваются на классы опасности в зависимости от степени воздействия на указанные выше параметры стали. Предлагается к рассмотрению комплексная система моделей, включающая предикатно-грамматическую модель, регрессионные модели и модель аналогий.

Экологическая опасность характеризуется следующими параметрами: предельно допустимая концентрация (ПДК), летальная доза (ЛД50) и класс опасности (КЛО). Указанные параметры получают экспериментальным путем (опыты на животных), что требует больших материальных и временных затрат. Оценка данных характеристик возможна на основе имитационно-лингвистического моделирования.

Пакет программ имитационно-лингвистического моделирования атмосферного информационного канала предназначен для имитации на компьютере флуктуации любых параметров (амплитуды, фазы, разности фаз и др.) разнесенных сигналов, необходимых при анализе и оптимизации качественных показателей информационных радиотехнических систем. Параметры имитационной модели атмосферного информационного канала, разработанной

Ю.М. Полищуком, определены по экспериментальным данным о флуктуаци-ях амплитуды, фазы, разности фаз и интенсивности случайных электромагнитных полей. Запросы разработчиков радиотехнических систем сводятся к нахождению статистических характеристик сигнала в зависимости от значений параметров канала. Так как имитационная модель, описывающая поведение сигнала в атмосферном канале, оперирует только с параметрами модели, то становится необходимым решение задачи нахождения взаимосвязи между параметрами модели и параметрами канала. Установленные взаимосвязи между указанными параметрами в имитационно-лингвистической модели представлены в виде семантической сети специального вида. Информация для построения сети была получена следующим образом: путем опроса экспертов в области радиофизики и радиотехники; путем анализа научно-технической литературы по данному вопросу.

В семантической сети представлена информация о параметрах модели и канала, а также отношениях зависимости (независимости) между ними в виде отдельных фактов. Разработанная сеть состоит из типовых структур, представляющих собой декларативное утверждение, в которых хранится вся относящаяся к нему информация.

Поиск значения параметра модели в сети ведется с использованием механизма поиска по образцу, когда заданный образец, снабженный некоторым числом переменных, последовательно сравнивается с каждым подсписком в списке структур. В результате поиска может быть найдено несколько совпавших элементов данных, которые получают дальнейшую обработку другими программами. Пополнение знаний ведется на основе применения средств оценивания: псевдофизической логики оценок величин, нечеткологи-ческих средств оценивания, алгебраических свойств отношений между величинами.

Для обеспечения широких функциональных возможностей и удобства эксплуатации пакет программ имитационно-лингвистического моделирования работает в режиме диалога с пользователем. Разработка диалоговых программных средств была проведена по методике, изложенной в предыдущих главах. По желанию пользователя в систему могут быть включены либо исключены программные средства лексической адаптации.

Среди мероприятий, направленных на повышение экономичности работы тепловых электрических станций, в частности тепловой сети, особое место занимает разработка методов выбора оптимального состава работающего оборудования. Для решения указанной проблемы необходимо решить следующие задачи: разработать имитационную модель тепловой сети, создать интерфейс пользователя с имитационной моделью для изменения параметров тепловой сети, определить целевую функцию и ограничения. Тепловая сеть -это сложная система, состоящая из теплообменников, насосов, трубо- и паропроводов, арматуры. Сложность построения аналитической модели такой системы для оптимального выбора рабочего оборудования заставляет обраТИТЬСЯ К разработке имитационной Мгшртти теппоип^ ^РТИ рг гтгшпгу решения с

РОС НАЦИОНАЛЬНАЯ БИБЛИОТЕКА С Петербург О» »8 цт ]

т

использованием генетического алгоритма. Критерием оптимизации является минимум энергетических затрат при заданных параметрах работы тепловой сети: прямые и обратные давления, температуры, расходы и топология сети. Под топологией понимается общая конфигурация включения оборудования, например, последовательное или параллельное включение группы теплообменников. Топология задает общие принципы формирования тепловой сети и не определяет состав рабочего оборудования. Энергетические затраты складываются из энергии, затрачиваемой на нагревание воды в теплообменниках, и электроэнергии, потребляемой насосами. Разработанная система, состоящая из имитационной модели и генетического алгоритма, должна определять параметры греющего пара и состав оборудования тепловой сети, обеспечивающий оптимальный режим работы при выполнении ограничений на входные и выходные параметры. Обобщенная структура системы оптимизации приведена на рис.2.

По приведенной на рис. 2 схеме осуществляется обработка временных рядов для оценки параметров аппроксимирующей косинусоиды при решении задачи определения биологических ритмов. Традиционный косинор-анализ предполагает априорное задание периода и определяет амплитуду, уровень и фазу. Однако априорное задание периода не всегда возможно на ранних стадиях исследования, поэтому период, также как амплитуда и фаза, вычисляется инструментально.

В работе исследуются модели двух типов обучающих систем: вузовские среды и производственные тренажеры. Создание среды вузовского обучения предполагает разработку ряда моделей: онтологической модели изучаемой дисциплины, модели обучающего (преподавателя), модели обучающегося (студента), а также разработку правил обучающих воздействий. Среда вузовского обучения есть многоагентная система, задаваемая следующими компонентами: множеством агентов, множеством отношений между агентами, множеством действий, выполняемых этими

агентами, средой обитания агентов. В системе определены следующие агенты: Преподаватель, Студент, Психолог, Методист, Администратор. Преподаватель представлен базой знаний об изучаемых темах и системой правил обучающих воздействий. Студент представлен следующими основными компонентами: психологическими параметрами,

социологическими параметрами, статистически-когнитивными параметрами. Психолог определен следующими основными компонентами: тестами, базой рекомендаций, алгоритмами реализации рекомендаций. Методист представлен следующими основными компонентами:

общеметодологическими знаниями по проектированию учебного курса и всех его составляющих, алгоритмами анализа ответов студентов. Администратор выполняет следующие функции: генерация, перевод в пассивное состояние и ликвидация агентов, защита агентов от несанкционированного доступа, ведение баз знаний и данных, обеспечение взаимодействия агентов, обеспечение адекватного поведения системы в целом.

Отношения между агентами строятся в двух координатах - ось организационных форм взаимодействия и ось времени. В организационные формы включается аудиторное (лекция, практика, лабораторная работа, самостоятельная работа, контроль) и внеаудиторное взаимодействие. По типу отношения можно разделить на рефлексивные и взаимоотношения. Примером рефлексивного внеаудиторного отношения может служить координация учебных действий Преподавателями. Характерным аудиторным взаимоотношением являются информирование Студента Преподавателем, координация действий Студента Психологом, внеаудиторным взаимоотношением - сотрудничество Преподавателя и Методиста, субординация Администратора и Методиста.

Рассмотрим некоторые действия, выполняемые агентами на лекции. Действия Агента-Преподавателя определяются сценариями. Данный агент выполняет следующие действия: проведение входного контроля; выдача иллюстративного материала; послелекционный контроль; выдача домашнего задания. Действия Агента-Психолога следующие: определение функционального состояния студента, диагностическое тестирование, выдача рекомендаций к заданиям. Агент-Студент после проведения указанных выше контролей обновляет свою структуру, корректируя свои статистические параметры.

Агент-Администратор при генерации Агента-Преподавателя, Агента-Студента, Агента-Психолога и Агента-Методиста определяет набор выполняемых ими операций и выполняет, соответственно, следующие действия: 1) формирование познавательной карты курса, задание сценариев; 2) формирование фрагмента познавательных карт курсов; 3) формирование базы психологических тестов и рекомендаций; 4) формирование базы общеметодологических знаний по проектированию курсов, создание базы рекомендаций по проектированию курса. При ликвидации агентов Администратор сообщает об этом остальным заинтересованным участникам процесса обучения и производит соответствующие изменения в базах знаний и данных.

Средой обитания агента является корпоративная сеть университета вместе с базами знаний и данных и операционной системой. Базы знаний содержат описание среды, сценарии. База данных хранит сведения о группах, кафедрах, факультетах, курсах. Агент «живет» в среде, причем находится он в пассивном состоянии. При обращении к обучающей системе «живого» студента, преподавателя, психолога, методиста или администратора системы агент, соответствующий этому «живому» деятелю, выходит из пассивного состояния и активизируется, выполняя предусмотренные технологией действия. Если в системе заявлен «живой» агент, то соответствующий ему виртуальный агент выполняет вспомогательные функции. Таким образом, в работе принято принципиальное положение о том, что интеллектуальная обучающая система предполагает наличие в ней человека. Интеллектуальная обучающая система индивидуализирует процесс обучения, осуществляя адаптацию к конкретному студенту, ориентируясь на его психологические, социальные и другие параметры.

В диссертации изложена технология разработки компьютерных тренажеров оперативного персонала электрических станций и сетей, базирующаяся на принципах инструментальности, когда разработчику предоставлены комплексные средства, от компоновки и расположения на дисплее электрических схем, щитов и пультов до задания сценария тренировки. Для разработки компьютерного тренажера пользователю предоставлен комплекс следующих подсистем: графический редактор электрических схем, подсистема формирования имитационно-лингвистических моделей, редактор щитов, редактор сценариев. Тренажер представляет собой совокупность следующих компонентов: графического представления главной электрической схемы, схем вторичной коммутации, их расчетно-логической модели, формализованного сценария. Предлагаемые инструментальные средства позволяют автоматизировать процесс построения тренажеров производства оперативных переключений. Кроме того, указанные средства использованы при формировании бланков переключений для нештатных ситуаций, а также для построения ремонтных и эксплуатационных схем.

Успешное решение перечисленных практических задач подтверждает обоснованность предложенных методов, моделей и инструментальных средств.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

В выполненной диссертационной работе решена научная проблема комплексного оценивания количественных и качественных величин и создания на их основе инструментальных средств построения имитационно-лингвистических систем. Внедрение разработанных моделей, алгоритмов и программно-инструментальных средств вносит значительный вклад в решение проблемы разработки интеллектуальных систем моделирования.

В результате проведенных исследований получены следующие основные теоретические и практические результаты:

1) сформулированы принципы построения имитационно-лингвистических систем;

2) разработаны и исследованы следующие новые методы оценивания величин: псевдофизическая логика оценок величин, оценивание на основе нечеткой арифметики, нечеткологическое оценивание, оценивание на основе субъективных вероятностей, оценивание на основе алгебраических свойств отношений между величинами;

3) разработан и исследован нейросетевой метод обучения нечетких систем оценивания величин;

4) разработана методика представления знаний о величинах с применением семантической сети специального вида;

5) разработаны и исследованы методы, модели, алгоритмы планирования действий в имитационно-лингвистической системе;

6) разработаны и исследованы предикатно-грамматические модели зависимостей «структура-свойство» для автоматизации анализа и обработки структурной химической информации;

7) предложена обобщенная модель обработки запроса в имитационно-лингвистической системе, состоящая из четырех частных моделей: модели лексики языка, модели грамматики языка запросов, моделей лексической и синтаксической адаптации системы к запросам пользователя;

8) разработаны инструментальные средства построения и исследования имитационно-лингвистических систем, позволяющие настраивать систему на логику пользователя.

9) на основе разработанных методов, моделей и алгоритмов и инструментальных средств созданы следующие имитационно-лингвистические системы:

• прогнозирования экологической опасности химических соединений;

• моделирования влияния химических соединений на свойства стали;

• оптимизации работы тепловой сети электрической станции;

• выявления параметров биологических ритмов;

• моделирования атмосферного канала связи;

• построения вузовских сред обучения;

• построения тренажеров персонала электрических станций.

Результаты настоящего исследования отражены в 53 опубликованных работах, основные из которых приведены ниже.

1. Региональные экологические информационно-моделирующие системы / Полищук Ю.М., Силич В.А., Татарников В.А., Ходашинский И.А., Ципи-лева Т.А. - Новосибирск: ВО Наука, 1993. - 133 с.

2. Ходашинский И.А. Псевдофизическая логика оценок величин // Известия АН ССР. Техническая кибернетика. - 1988. - № 5 . - с. 96-107.

3. Ходашинский И.А. Нейросетевой метод обучения нечеткой системы оценивания величин // Нейрокомпьютеры: разработка, применение. - 2003. — №12.-с. 3-6.

4. Ходашинский И.А. Оценивание величин средствами нечеткой арифметики // Автометрия. - 2004. -№ 3. - с. 21-31.

5. Ходашинский И.А. Нечеткологическое оценивание величин // Известия Томского политехнического университета. - 2003. - т. 306, №3. - с. 10-15.

6. Котов Н.Н., Ходашинский И.А. Компьютерное прогнозирование влияния органических соединений на изменение механических свойств материалов // Заводская лаборатория. -1996. - №7. - с. 57-59.

7. Котов Н.Н., Савиков А.А., Ходашинский И.А. Влияние органических соединений на механические свойства материала паропроводов // Металловедение и термическая обработка металлов. - 1992. - №8. - с. 21-23.

8. Салмина Н.Ю., Ходашинский И.А. Логико-лингвистическая модель прогнозирования биологической опасности химических соединений // НТИ Сер. 2. -1991. - № 3 . - с. 27-31.

9. Салмина Н.Ю., Ходашинский И.А. Методы и средства автоматического исправления орфографических ошибок // НТИ Сер. 2. -1986 - №10.

10. Ходашинский И.А. Вопросы, задачи и анализ ответов в интеллектуальных обучающих системах // Информационные технологии. - 2001. - №5. -с. 36-41.

11. Ходашинский И.А. Компьютерная технология разработки тестов // НТИ. Сер. 2. - 2003. - №3. - с. 8-11.

12. Вех В.В., Волдачинский BJL, Ходашинский И.А. Создание компьютерных тренажеров производства оперативных переключений в электроустановках // Электрические станции. - 1995. - №4. - с. 6-10.

13. Глушакова Е.С., Ходашинский И.А., Хон В.Б. Модифицированный ко-синор-анализ для исследования динамики биохимических показателей сыворотки крови интактных животных // Биомедицинские технологии и радиоэлектроника. - 2004.- №5-6. - с. 62-64.

14. Полищук Ю.М., Ходашинский И.А. Лингвистическое обеспечение имитационного моделирования сложных систем // УсиМ. - 1985. - N4. - с. 84 -88.

15. Докучаев П.В., Ходашинский И.А. Обучение с использованием анимационных фильмов // Программные продукты и системы. - 1998. -№2.-с. 23-25.

16. Вех В.В., Котов Н.Н., Ходашинский И.А. Опыт разработки компьютерных тренажеров и обучающих программ // Энергетик. - 1998. - № 1.-е. 22-23.

17. Лещишин И.Л., Ходашинский И.А. Сравнение языковых средств ПРОЛОГ и ЛИСП в одной системе планирования вычислений // УсиМ. -№6.-1989.

18. Ходашинский И.А. ПРОЛОГ в примерах и задачах. - Томск: Курсив, 2001.-280 с.

19. Ходашинский И.А. Методы искусственного интеллекта, базы знаний, экспертные системы. Учебное пособие. — Томск: Томск, гос. университет систем управления и радиоэлектроники, 2002.- 139 с.

20. Салмина Н.Ю., Ходашинский И.А. Модель языка общения в проблемно-ориентированных информационных системах. // Искусственный интеллект, итоги и перспективы. Труды Всесоюзной конференции. - М.: МДНТП. 1985. - с. 91-98.

21. Созоров Н.Г., Ходашинский И.А. The Trainee Psychology- Pedagogical Card and the Instructor Knowledge Formalization. // East-West Conference on Emerging Computer Technologies in Education. Conference Proceedings. -ICSTI, Moscow, 1992. - p. 299-301.

22. Ходашинский И.А. Нечеткие системы оценивания величин // Труды Всероссийской конференции «Математические и информационные технологии в энергетике, экономике, экологии». Часть 2. - Иркутск: ИСЭМ СО РАН, 2003.-с. 225-232.

23. Ходашинский И.А. Онтологический подход к построению обучающей системы по учебной дисциплине // Информационные технологии в территориальном управлении, промышленности, образовании. Сборник статей. — Томск: Томск, гос. университет систем управления и радиоэлектроники, 2002.-с. 145-153.

24. Ходашинский И.А. Оптимизация выбора режима работы тепловой сети на основе генетического алгоритма // Труды Всероссийской конференции «Математические и информационные технологии в энергетике, экономике, экологии». Часть 1. - Иркутск: ИСЭМ СО РАН, 2003. - с. 189-193.

25. Ходашинский И.А., Лещишин И.Л., Прокашев А.И. Системы планирования вычислений // Алгоритмическое и информационное обеспечение систем экоинформации. Сборник научных трудов ТФ СО АН СССР. -Томск: 1989.-с. 5-19.

26. Агентно-ориентированная технология разработки интеллектуальных обучающих систем / Карнаухов Д.А., Русанов И.Д., Созоров Н.Г., Ходашинский И.А. // Труды XXVIII Международной конференции «Информационные технологии в науке, образовании, телекоммуникации, бизнесе (осенняя сессия)». - Ялта-Гурзуф: 2001. - с. 34-37.

27. Ходашинский И.А. Computer-Aided Prediction of the Effect of Organic Compounds on Mechanical Properties of Piping Materials // Proceedings 8 Korea-Russia International Symposium on Science and Technology. - Tomsk: Tomsk Polytechnic University, 2004. - p. 58-61.

28. Ходашинский И.А. Оценивание величин на основе субъективных вероятностей // Труды Всероссийской конференции «Математические и информационные технологии». - Иркутск: ИСЭМ СО РАН, 2004. с. 221-228.

29. Ходашинский И.А. Методы и модели оценки величин // Труды Международной научно-технической конференции «Интеллектуальные системы» (IEEE AIS'04) T.I. - М.: Физматлит, 2004. - с. 141-146.

»22 844

Тираж 100. Заказ 1234. Томский государственный университет систем управления и радиоэлектроники пр. Ленина, 40

ВВЕДЕНИЕ.

ГЛАВА 1. МЕТОДОЛОГИЧЕСКИЕ ОСНОВЫ ПОСТРОЕНИЯ ИМИТАЦИОННО-ЛИНГВИСТИЧЕСКИХ СИСТЕМ.

1.1. Системы, модели.

1.2. Проблемы и задачи, решаемые имитационно-лингвистическими системами.

1.3. Имитационно-лингвистические системы как подмножество интеллектуальных систем.

1.3.1. Интеллектуальные системы.

1.3.2. Системы, основанные на знаниях.

1.3.3. Нечеткие системы.

1.3.4. Системы ситуационного управления.

1.3.5. Интеллектуальные системы анализа данных.

1.3.6. Системы обработки естественного языка.

1.3.6. Гибридные системы.

1.4. Измерения и оценивание.

1.4.1. Измерения.

1.4.2. Величина.

1.4.3. Шкалы.

1.4.4. Оценка и оценивание.

Выводы.

ГЛАВА 2. ОЦЕНИВАНИЕ ВЕЛИЧИН КАК МЕТОД ПОСТРОЕНИЯ ИМИТАЦИОННО-ЛИНГВИСТИЧЕСКИХ СИСТЕМ.

2.1. Оценивание величин.

2.1.1. Неформальная постановка задачи.

2.1.2. Формальная постановка задачи оценивания.

2.1.3. Построение лингвистических шкал оценок величин.

2.2. Псевдофизическая логика оценок величин.

2.2.1. Гипотезы и правила вывода для сравнительных оценок.

2.2.2. Гипотезы и правила вывода для динамических оценок.

2.3. Оценивания величин на основе нечеткой арифметики.

2.3.1. Нечеткие числа.

2.3.2. Операции над нечеткими числами.

2.3.3. Метрические подходы к оцениванию величин.

2.3.4. Определение ближайших нечетких чисел.

2.3.5. Оценивание через дефаззификацию.

2.3.6. Сравнительные оценки двух нечетких величин.

2.3.7. Пример применения нечеткой арифметики в оценивании величин.

2.4. Оценивание величин на основе нечеткой логики.

2.4.1. Основные операции нечеткой логики и алгоритмы их выполнения.

2.4.2. Нечеткий вывод.

2.4.3. Исследования нечеткологической системы оценивания.

2.5. Нейронные сети для обучения нечеткой системы оценивания величин.

2.6. Оценивание величин на основе субъективных вероятностей.

2.6.1. Процедура вывода.

2.6.2. Определение априорных вероятностей выбора правила.

2.6.3. База правил системы оценивания.

2.6.4. Анализ результатов вывода.

2.8. Оценивания величин на основе алгебраических свойств отношений между величинами.

Выводы.

ГЛАВА 3. МЕТОДЫ, МОДЕЛИ, АЛГОРИТМЫ ПЛАНИРОВАНИЯ ДЕЙСТВИЙ В ИМИТАЦИОННО-ЛИНГВИСТИЧЕСКОЙ СИСТЕМЕ.

3.1. Взаимодействие пользователя с имитационно-лингвистической системой.

3.1.1. Участники взаимодействия и их задачи.

3.1.2. Модель взаимодействия.

3.2. Планирование вычислений.

3.2.1. Продукционное планирование в пространстве задач.

3.2.2. Планирование с использованием функциональной семантической сети.

3.2.3. ПРОЛОГ-реализация планирования вычислений.

3.2.4. ЛИСП-реализация планирования вычислений.

3.2.5. Обсуждение систем планирования вычислений.

3.3. Поиск в семантической сети специального вида.

3.3.1. Представление знаний о предметной области.

3.3.2. Алгоритм поиска в сети.

3.4. Пополнение знаний.

Выводы.

ГЛАВА 4. ИНСТРУМЕНТАЛЬНЫЕ СРЕДСТВА ПОСТРОЕНИЯ И ИССЛЕДОВАНИЯ ИМИТАЦИОННО-ЛИНГВИСТИЧЕСКИХ СИСТЕМ

4.1. Инструментальные средства анализа структурной информации.

4.2. Инструментальные средства построения и исследования систем оценивания величин на основе нечеткой логики.

4.2.1. Общая характеристика инструментальных средств.

4.2.2. Основные элементы интерфейса инструментальных средств.

4.2.3. Визуализации результатов оценивания.

4.2.4. Сравнительный анализ инструментальных средств.

4.3. Инструментальные средства построения и исследования систем оценивания величин на основе псевдофизической логики.

4.4. Инструментальные средства обучения системы оценивания величин с использованием нейронных сетей. ф 4.4.1. Общая характеристика инструментальных средств.

4.4.2. Основные элементы интерфейса.

Выводы.

ГЛАВА 5. РЕАЛИЗАЦИЯ ИМИТАЦИОННО-ЛИНГВИСТИЧЕСКИХ СИСТЕМ.

5.1. Моделирование атмосферного канала связи.

5.2. Прогнозирование классов опасности химических соединений.

5.2.1. Прогнозирование влияния органических соединений на изменение свойств стали.

5.2.1. Прогнозирование экологической опасности химических соединений.

5.3. Оптимизация работы тепловой сети.

5.4. Обработка хронограмм.

5.5. Создание сред вузовского обучения.

5.5.1. Общие вопросы разработки интеллектуальных обучающих систем.

5.5.2. Агентно-ориентированная технология разработки интеллектуальных обучающих систем

5.5.3. Онтологический подход к разработке интеллектуальных обучающих систем.

5.6. Разработка тренажерных систем.

5.6.1. Общее описание.

5.6.2. Формальное описание схемы, как составляющей части тренажера.

5.6.3. Этапы создания компьютерного тренажера.

5.6.4. Язык описания сценария тренировки.

5.6.5. Имитационно-лингвистическая модель.

5.6.6. Средства создания тренажеров.

Выводы.

Актуальность. На рубеже 90-х годов двадцатого века стало возможным говорить о формировании единого мирового информационного пространства и о зарождении информационного общества, основанного на знаниях и информационных технологиях. В это же время родился новый тип экономики, в которой основу составляют производство, распределение и использование знаний. Знание в этой экономике рассматривается как информационный продукт и выступает в роли нового нематериального богатства. Как отмечают авторы работы [1], «одной из главных особенностей новой экономики является совершенствование механизма получения нового знания», по словам В.Л. Макарова [2] «в настоящее время инвестиции в знания растут быстрее, чем в основные фонды: в странах - членах Организации экономического сотрудничества и развития в 90-е годы - в среднем на 3,4% против 2,2%».

Знания - это конечный результат научного познания. Научное познание осуществляется на основе интеграции неформальных и формальных методов, интеллекта человека и возможностей компьютера.

Трактующий мышление с позиций логики, И.С. Ладенко различает два вида знаний — идеи и факты, идеи - это знания о свойствах и отношениях объектов, а их истинность устанавливается с помощью специальных процедур исследования; факты - это знания, констатирующие существование объектов [3]. Известный специалист в области искусственного интеллекта У.Вудс разделяет знания о реальной действительности на факты и правила. Факты, по его мнению, указывают на истинное состояние действительности, правила позволяют как предсказывать изменения во времени или в результате выполнения некоторой последовательности действий, так и косвенным образом получать характеристики ненаблюдаемых явлений (общие физические, логические, психофизические и социологические законы реальной действительности) [4]. В нашей работе знание понимается как достоверное представление человека о реальном мире, его обобщенный опыт, выраженный в виде правил, эвристик, моделей, законов, и представленный как высокоструктурированные данные, сосредоточенные в базах знаний, базах данных, библиотеках программ.

В интеграционных процессах научного познания используются достижения методологии науки и психологии, математики и логики, семиотики и информатики. Особое место здесь занимает информатика, в частности, такие ее разделы как искуственный интеллект и моделирование, позволяющие создавать принципиально новые компьютерные системы получения новых знаний.

Можно выделить ключевые этапы в технологии работы со знаниями: получение новых знаний; представление знаний; обработка знаний; пополнение знаний.

С точки зрения человека, получение новых знаний - это процесс научного творчества. Процесс этот претерпел существенные изменения в связи с вовлечением в него персонального компьютера. Уменьшилась нужда в постановке дорогостоящих натурных экспериментов за счет проведения компьютерных имитационных исследований. Решение любой задачи - это получение неизвестных знаний на основе известных или уменьшение неопределенности известных знаний, считает Е.С. Кузин [5], уточняя, что решение задачи в целом всегда осуществляется комплексной системой человек-компьютер. Получение знаний компьютером преследует две основные цели: 1) извлечение информации из среды, 2) обобщение и структурирование указанной информации. Решение указанной проблемы рассматривается в работах следующих ученых: В.Н. Вагина, Т.А. Гавриловой, В.В. Емельянова, А.П. Еремеева, A.C. Клещева, Е.С. Кузина, О.П. Кузнецова, О.И. Ларичева, Г.С. Осипова, Д.А. Поспелова, Г. Саймона, В.Л. Стефанюка, В.К. Финна, И.Б. Фоминых, В.Г. Хорошевского, А.И. Эрлиха, С. Осуга, Ю. Саки и др.

Рассматривая проблему представления знаний, У. Вудс выделяет два аспекта этой проблемы: выразительную адекватность (способность выделять существенные и игнорировать малозначащие детали) и эффективность нотации, выраженную через такие категории как вычислительная эффективность, концептуальная ясность, компактность представления и простота модификации [4]. Проблеме представления знаний посвящено множество работ отечественных и зарубежных авторов [6-30].

Всякий доступ к явлениям действительности происходит посредством построения моделей, приближений и уточнений, утверждает Д. Люгер [13]. Моделирование - это средство формализации знаний и одновременно средство получения нового знания. Как отмечают A.A. Самарский и А.П. Михайлов, методология математического моделирования стала интеллектуальным ядром информационных технологий [31]. У исследователей появилась возможность больше генерировать гипотез, ставить имитационный эксперимент, интерпретировать полученные результаты.

Основным средством реализации экономики знаний являются компьютеры и информационные технологии, призванные обеспечить перенос в компьютерные системы накопленный человеческий опыт. На важность этой проблемы указывал академик А.П. Ершов, полагавший, что основная задача информатизации заключается в созданиии информационного фонда человечества в глобальной компьютерной сети. Задача автоматизации человеческой деятельности актуальна всегда.

Повышение интеллектуальности информационных технологий, считает В.П. Ильин, «ставит сложную задачу вовлечения в технологическую цепочку математического моделирования таких традиционных атрибутов искусственного интеллекта, как средства принятия решений, экспертные системы и проблемно-ориентированные базы знаний» [32].

Несмотря на то, что идея совместного использования данных количественных и качественного характера высказывалась еще в 70-е годы в ситуационном управлении Д.А. Поспеловым и его учениками [19, 23, 33, 34], а в моделировании систем Н.П. Бусленко [35], проблема эта далека от своего решения. Актуальными являются задачи разработки методов и средств решения слабо структурированных проблем, к которым относятся задачи, решаемые с помощью эвристических и аналитических методов и моделей. К слабоструктурированным относятся проблемы исследования предметных областей, в основе описания которых лежат понятие величины, где под величиной понимается изменяющееся свойство объекта, измеренное в шкалах сильнее номинальной. Методологической основой для решения слабо структурированных проблем является утилитарная концепция измерения, которую разработали С.С. Гончаров, Ю.Л. Ершов, К.Ф. Самохвалов [36]. Предложенный Е.Е. Ви-тяевым в работах [37, 38] подход к созданию формальной теории предметных областей, в основе описания которых лежат понятие величины, опирается на методы конструктивной логики, однако здесь отсутствуют средства учета нечетких данных и не рассматриваются средства имитации, что затрудняет моделирование сложных предметных областей. В настоящем диссертационном исследовании устраняется этот недостаток.

Управление знаниями требует создания интерфейсов, обеспечивающих массовое применение компьютеров. В условиях отсутствия единой теории языкового общения, необходимо организовать взаимодействие на естественном языке, ограниченном семантикой и прагматикой исследуемой предметной области. Проблемам общения посвящено достаточно большое количество работ, над решением этой проблемы работали следующие отечественные и зарубежные ученые: Ю.Д. Апресян, А.П. Ершов, У. Вудс, A.C. Нариньяни, Э.В. Попов, Ч. Филмор, Р. Шенк. Актуальной в связи с изложенным является организация коммуникативного взаимодействия пользователя с компьютерной системой.

Научные и практические результаты, полученные в диссертации, нашли применение в госбюджетной работе 1.2.01 «Исследование алгоритмов моделирования функционирования территориально-распределенных инженерных сетей».

Целью работы является разработка методологических основ и программно-инструментальных средств создания имитационно-лингвистических систем.

Для достижения указанной цели необходимо решить следующие задачи:

• разработать методы и приемы совместного использования информации количественного и качественного характера;

• разработать методы и приемы оценивания величин;

• разработать приемы структурной и параметрической идентификации нечетких систем оценивания величин;

• разработать модели и алгоритмы взаимодействия пользователя с имитационно-лингвистической системой, основываясь на гипотезе о «компьютерной речи».

Научная новизна. Развита методология построения имитационно-лингвистических систем, предназначенных для изучения свойств объектов исследуемых предметных областей, в основе описания которых лежит понятие величины. В рамках указанной методологии получены следующие научные результаты:

1) разработаны и исследованы методы оценивания величин: методы, основанные на псевдофизической логике оценок величин, методы, основанные на нечеткой арифметике и нечеткой логике, методы на основе алгебраических свойств отношений между величинами;

2) разработаны и исследованы предикатно-грамматические модели зависимостей «структура-свойство» для автоматизации анализа и обработки структурной химической информации;

3) предложена обобщенная модель обработки запроса в имитационно-лингвистической системе, состоящая из четырех частных моделей: модели лексики языка, модели грамматики языка запросов, моделей лексической и синтаксической адаптации системы к запросам пользователя. Практическая ценность работы заключается в разработке следующих средств:

• методик, алгоритмов и программ, реализующих методы представления и переработки информации качественного характера в имитационно-лингвистических системах;

• адаптивных алгоритмов лексического и синтаксического анализа запросов пользователя, позволяющие учитывать профессиональную подготовку пользователя и исправлять орфографические ошибки;

• программно-инструментальных комплексов построения и исследования имитационно-лингвистических систем, позволяющих настраивать систему на исследуемую предметную область и логику пользователя.

Обоснованность предложенных методов подтверждена использованием их для решения практических задач. Основные результаты диссертационной работы используются в отделе информационных технологий ФГУП «НПЦ «Полюс» в виде методик совместного использования информации количественного и качественного характера, а также в виде алгоритмов оценивания величин при моделировании систем преобразовательной техники и электромеханики. Разработанные методы и средства обработки данных количественного и неколичественного характера используются в Томском НИИ курортологии и физиотерапии при разработке моделей назначения больным различных нозологий интенсивных курсов лечения и для выявления и оценки параметров биоритмов. В Институте химии нефти СО РАН разработанные имитационно-лингвистические модели прогнозирования свойств химических соединений использованы в научно-исследовательской работе при выполнении нескольких бюджетных и хоздоговорных НИР. Программно-инструментальные средства проектирования тренажеров и программный комплекс моделирования зависимостей «структура-свойство» применяются в решении производственных задач на Томской ТЭЦ-3 ОАО ТОМСКЭНЕРГО, здесь же внедрены методы и средства обработки неколичественной информации в постоперативном контроле работы ТЭЦ-3, когда программно-информационный комплекс используется в деятельности инженерного персонала цеха наладки и испытаний оборудования ТЭЦ-3 для проведения плановых и экспресс испытаний, а также планирования ремонтов оборудования. Программно-инструментальные средства выбора оптимального состава работающего оборудования тепловой сети вошли в итоговый отчет госбюджетной работы 1.2.01 «Исследование алгоритмов моделирования функционирования территориально-распределенных инженерных сетей», выполненной в ТУСУР.

Часть программно-инструментальных средств передана в отраслевой фонд алгоритмов и программ Министерства образования Российской федерации (свидетельства регистрации 3747, 3748, номера государственной регистрации 50200400971, 50200400972). Теория построения имитационно-лингвистических систем положена в основу учебного курса «Методы искусственного интеллекта», читаемого автором в ТУСУРе для студентов специальности 220200.

Текст диссертационной работы изложен в пяти главах. В первой главе рассмотрены проблемы и задачи, решаемые имитационно-лингвистическими системами (ИЛС), определены цели их создания, указано место этих систем на множестве компьютерных систем. Анализ целей разработки ИЛС и особенностей исследуемых предметных областей позволил сформулировать требования к созданию таких систем, важнейшими из которых являются требование совместного использования количественных и качественных методов исследования предметных областей и требование интерактивного взаимодействия конечного пользователя с системой. Основным действием или операцией, определенной как на количественных так и на качественных данных, в ИЛС является оценивание величин. Проведенный в первой главе анализ позволил декомпозировать задачу создания имитационно-лингвистических систем на ряд следующих подзадач:

• разработка средств оценивания величин;

• создание средств сборки моделирующих программных модулей в рамках решения задачи имитационного моделирования:

• определение объема и структуры семантической сети, информация в которой представлена в виде потенциально выводимых знаний в рамках средств оценивания величин;

• создание модели языка общения;

Во второй главе приведены методы, модели и алгоритмы оценки величин. В работе предложены и исследованы следующие новые методы оценивания величин:

1) псевдофизическая логика оценок величин; суть оценивания здесь заключается в сопоставлении двух разнотипных шкал, допустимым преобразованием в которых является операция сдвига; значения сдвигов были определены путем проведения серий психометрических экспериментов, на основании которых были сформулированы правила вывода;

2) оценивание на основе нечеткой арифметики; здесь рассмотрены четыре типа наиболее часто используемых нечетких чисел: треугольные, трапециевидные, параболические, гауссовы; приведены метрические методы оценивания, имеющие геометрическую интерпретацию, решена задача нахождения ближайшего нечеткого числа, а также сравнения нескольких нечетких величин на основе интегральной меры;

3) нечеткие системы оценивания, основой которых является нечеткая база правил; здесь исследовано влияние на результаты вывода различных операторов конъюнкции (¿-нормы), импликации (классической, неклассической), агрегации (аппроксимация Мамдани, формально-логический способ); параметрическая идентификация нечеткой системы оценивания проведена с использованием нейронной сети;

4) оценивание- на основе субъективных вероятностей позволяет учитывать несовпадающие мнения экспертов при оценивании однотипных ситуаций, описываемых антецедентом правила; базируется указанный тип оценивания величин на модифицированном байесовском подходе;

5) оценивание на основе алгебраических свойств отношений между величинами, представленное в виде аксиоматической системы, в которой носителем является множество величин, а сигнатура определена на множестве отношений: «больше» (>), «меньше» (<), «равно» (=), «неравно» «больше или равно» («меньше или равно» («противоречиво», «неопределенно».

В третьей главе рассмотрены методы, модели, алгоритмы планирования действий в имитационно-лингвистической системе. Здесь различаются следующие виды действий: оценивание, вычисление, поиск в семантической сети специального вида, взаимодействие с пользователем. Основными функциями лингвистического обеспечения имитационно-лингвистических систем являются следующие: представление знаний о языке общения; перевод сообщения пользователя на язык, понятный компьютеру, и выявление целей пользователя; определение вида работы системы и обеспечение информацией вычислительных процессов; синтез (формирование) ответа на языке пользователя. Под планированием вычислений в работе понимается поиск последовательности действий, приводящих к достижению поставленной цели. В работе рассматриваются два способа планирования: декомпозиция больших программных систем на небольшие программные модули и далее композиция из модулей целевой программной системы, обеспечивающей решение поставленной пользователем задачи и планирование в пространстве задач (формул). При построении имитационно-лингвистических систем важную роль играют методы представления знаний об исследуемой предметной области. Автором выбрана семантическая сеть специального вида. Особенностью данного типа сети является то, что в качестве понятий здесь выбраны величины, характеризующие свойства объектов исследуемой предметной области. Основой для построения сети служат данные, полученные в результате опроса экспертов и анализ научно-технических источников информации по исследуемой предметной области. Форма хранения информации в сети выбрана так, что данные представлены в виде сведений в рамках некоторого логического исчисления.

В четвертой главе рассмотрены инструментальные средства, которые решают следующие задачи: подготовка исходных данных, формирование и отладка алгоритмов, проверка адекватности используемых моделей.

В пятой главе приведены примеры применения имитационно-лингвистических систем для решения задач моделирования, прогнозирования, оптимизации и обучения.

В главе рассмотрено применение имитационно-лингвистических систем для решения проблемы прогнозирования опасности химических соединений: экологической опасности и влияние органических соединений на изменение свойств материалов паропроводов высокого давления. Решение указанной проблемы предполагает решение задач компьютерного ввода и представления химических соединений, а также оценки физико-химических свойств химических соединений путем анализа их структур. Основываясь на результатах эксперимента, нами разработана инструментальная система компьютерного представления химических структур и моделирования их воздействия на изменение механических свойств материалов паропроводов. Система представляет собой набор универсальных алгоритмов и программ, настраиваемых на экспериментальные данные. Основные функции системы - это моделирование влияния химических соединений на свойства стали, а также ввод, редактирование, представление структурной химической информации. Моделируются изменение временного сопротивления разрушению, условного предела текучести и твердости, относительного удлинения и ударной вязкости. Кроме того, химические соединения разбиваются на классы опасности в зависимости от степени воздействия на указанные выше параметры стали.

Экологическая опасность характеризуется следующими параметрами: предельно допустимая концентрация, летальная доза и класс опасности. Указанные параметры получают экспериментальным путем (опыты на животных), что требует больших материальных и временных затрат. Оценка данных характеристик возможна на основе моделирования. В работе рассмотрена комплексная система моделей, включающая предикатно-грамматическую модель, регрессионные модели и модель аналогий.

Пакет программ имитационно-лингвистического моделирования атмосферного информационного канала предназначен для имитации на компьютере флуктуаций любых параметров (амплитуды, фазы, разности фаз и др.) разнесенных сигналов, необходимых при анализе и оптимизации качественных показателей информационных радиотехнических систем. Параметры имитационной модели атмосферного информационного канала, разработанной Ю.М. Полищуком, определены по экспериментальным данным о флук-туациях амплитуды, фазы, разности фаз и интенсивности случайных электромагнитных полей. Запросы разработчиков радиотехнических систем сводятся к нахождению статистических характеристик сигнала в зависимости от значений параметров канала.

В работе рассмотрена проблема выбора оптимального состава работающего оборудования. Для решения указанной проблемы решены следующие задачи: разработаны имитационная модель тепловой сети, создан интерфейс пользователя с имитационной моделью для изменения параметров тепловой сети, определена целевая функция и ограничения.

В работе исследуются модели двух типов обучающих систем: вузовские среды и производственные тренажеры. Создание среды вузовского обучения предполагает разработку ряда моделей: онтологическую модель изучаемой дисциплины, модель обучающего (преподавателя), модель обучающегося (студента), а также создание правил обучающих воздействий. Среда вузовского обучения есть многоагентная система, задаваемая следующими компонентами: множеством агентов, множеством отношений между агентами, множеством действий, выполняемых этими агентами, средой обитания агентов. В системе определены следующие агенты: Преподаватель, Студент, Психолог, Методист, Администратор.

Все главы сопровождаются выводами, вытекающими из сущности рассматриваемых разделов. Приложения содержат акты внедрения результатов диссертационной работы, результаты экспериментов и другие иллюстративные материалы.

В выполненной диссертационной работе решена научная проблема комплексного оценивания количественных и качественных величин и создания на их основе инструментальных средств построения имитационно-лингвистических систем. Внедрение разработанных моделей, алгоритмов и программно-инструментальных средств вносит значительный вклад в решение проблемы разработки интеллектуальных систем моделирования.

Автор благодарен своим коллегам - сотрудникам кафедры Автоматизации обработки информации Томского университета систем управления и радиоэлектроники за непосредственное участие в обсуждении многих положений диссертационной работы.

Автор признателен своему научному консультанту - заведующему кафедрой Автоматизации обработки информации профессору Ехлакову Юрию Поликарповичу.

Особая благодарность автора за научное и практическое сотрудничество адресуется студентам кафедры Автоматизации обработки информации Томского университета систем управления и радиоэлектроники.

Выводы

В главе приведены примеры применения имитационно-лингвистических систем для решения задач моделирования, прогнозирования, оптимизации и обучения. В процессе решения указанных проблем получены результаты, приведенные ниже.

1. Разработан новый способ компьютерного представления графовых структур, ориентированный на использование его в качестве входного языка для лингвистических моделей; предложен комплексный подход к анализу связи «структура-свойство», основанный на совместном использовании моделей качественного и количественного характера; разработаны алгоритмы функционирования комплекса имитационно- лингвистических моделей анализа и обработки структурной химической информации.

2. Задачи оптимизация работы тепловой сети и обработки хронограмм решены с использованием формализованной схемы «имитационная модель - генетический алгоритм».

3. Предложен онтологический подход к разработке интеллектуальных обучающих систем, отличительной особенностью которого является представление учебной дисциплины как системы структурированного научного знания; создание онтологии учебной дисциплины предполагает разработку трех компонентов: непосредственно онтологии учебной дисциплины, метаонтологии и онтологии задач; в рамках работы над созданием онтологии задач проведено системное планирование и проектирование тестовых заданий.

4. Для реализации интеллектуальных обучающих систем предложена агентно-ориентированная технология, основными достоинствами которой являются быстрая разработка первоначального варианта системы, быстрая модификация действующего варианта системы, эффективная организация работ в распределенной системе.

5. Предложена структура компьютерного тренажера, который состоит из следующих частей: визуальной, модельной, управляющей и непосредственно сценария. Предложены модели описания и расчета электрических схем.

6. Спроектирован и реализован пакет инструментальных программ, включающий в себя: графический редактор электрических схем, графический редактор тепло-механических схем, графический редактор щитов управления и редактор сценариев тренировочных занятий.

Степень внедрения и использования результатов приведена в таблице 5.1.

Организации степень внедрения модели и алгоритмы методики программы тэц-з ОАО ТОМСК-ЭНЕРГО 1) оценивание степени загрязнения поверхностей нагрева котлов; 2) прогнозирование влияния химических соединений на изменение физико-механических свойств стали 12Х1МФ; 3) функционирование электрического и тепломеханического оборудования; 4) оптимальный выбор работающего тепломеханического оборудования; 5) модель общения пользователя с системой методика совместного использования предикатно-грамматических, регрессионных моделей и моделей аналогий; формализованная схема «Имитационная модель + Генетический алгоритм» 1) программный комплекс испытаний котлов; 2) подсистема оценки влияния химических соединений на свойства стали; 3) тренажеры персонала электрического и котлотурбинного цехов («теплосеть станции», «схема регулирования турбины», «оперативные переключения»)

ФГУП нпц «Полюс» оценивание величин при моделировании систем преобразовательной техники и электромеханики методика планирования вычислений в моделирующей системе

Институт химии нефти РАН прогнозирование классов биологической опасности химических соединений; модель общения пользователя с системой методика совместного использования преди-катно-грамматиче-ских, регрессионных моделей и моделей аналогий

Томский НИИ курортологии и физиотерапии 1) прогнозирование интенсивных курсов лечения; 2) выявление и оценка параметров биологических ритмов; формализованная схема «Имитационная модель + Генетический алгоритм» 1) подсистема оценки эффективности лечения; 2) программный комплекс «Модифицированный косинор-анализ»

Томский политехнический университет 1) онтологические модели учебных дисциплин; 2) агентно-ориентирован-ная модель обучающих систем; 1) методика генерации тестовых заданий; 2) методика анализа ответов

ТУ СУР 1) онтологические модели учебных дисциплин; 1) методика генерации тестовых заданий; 2) методика анализа ответов. программа «анализатор ответов обучающегося»

Заключение

В выполненной диссертационной работе решена научная проблема комплексного оценивания количественных и качественных величин и создания на их основе инструментальных средств построения имитационно-лингвистических систем. Внедрение разработанных моделей, алгоритмов и программно-инструментальных средств вносит значительный вклад в решение проблемы разработки интеллектуальных систем моделирования.

В результате проведенных исследований получены следующие основные теоретические и практические результаты:

1) сформулированы принципы построения имитационно-лингвистических систем;

2) разработаны и исследованы следующие новые методы оценивания величин: псевдофизическая логика оценок величин, оценивание на основе нечеткой арифметики, нечеткологическое оценивание, оценивание на основе субъективных вероятностей, оценивание на основе алгебраических свойств отношений между величинами;

3) разработан и исследован нейросетевой метод обучения нечетких систем оценивания величин;

4) разработана методика представления знаний о величинах с применением семантической сети специального вида;

5) разработаны и исследованы методы, модели, алгоритмы планирования действий в имитационно-лингвистической системе;

6) разработаны и исследованы предикатно-грамматические модели зависимостей «структура-свойство» для автоматизации анализа и обработки структурной химической информации;

7) предложена обобщенная модель обработки запроса в имитационно-лингвистической системе, состоящая из четырех частных моделей: модели лексики языка, модели грамматики языка запросов, моделей лексической и синтаксической адаптации системы к запросам пользователя;

8) разработаны инструментальные средства построения и исследования имитационно-лингвистических систем, позволяющие настраивать систему на логику пользователя.

9) на основе разработанных методов, моделей и алгоритмов и инструментальных средств созданы следующие имитационно-лингвистические системы:

• прогнозирования экологической опасности химических соединений;

• моделирования влияния химических соединений на свойства стали;

• оптимизации работы тепловой сети электрической станции;

• выявления параметров биологических ритмов;

• моделирования атмосферного канала связи; построения вузовских сред обучения; построения тренажеров персонала электрических станций.

1. Российский фонд фундаментальных исследований - как элемент новой экономики, основанной на знании. О.В. Сюнтюренко, Н.С. Лялюшко, В.А. Минин, С.А.Цыганов // Вестник РФФИ. - 2003. - №2. - с. 5-13.

2. Макаров B.JI. Экономика знаний, уроки для России // Вестник РАН. 2003. Т. 73, №5. - с. 450-456.

3. Ладенко И.С. Интеллект и логика. Красноярск: Изд-во Краснояр. ун-та,1985- 144 с.

4. Вудс У.А. Основные проблемы представления знаний // ТИИЭР, 1986, т. 74, №Ю, с. 32-46.

5. Кузин Е.С. Представление знаний и решение информационно-сложных задач в компьютерных системах // Приложение к журналу «Информационные технологии». 2004. - №4. - 32 с.

6. Берштейн Л.С., Мелехин В.Б. Нечеткие динамические семантические сети для представления знаний интеллектуальных систем управления // АиТ. -2001.-№3.-с. 123-129.

7. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. СПб.: Питер, 2000. - 384 с.

8. Искусственный интеллект. В 3-х кн. Кн.1. Системы общения и экспертные системы: Справочник / Под ред. Д.А. Поспелова - М.: Радио и связь, 1990.-304 с.

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

10. Искусственный интеллект. В 3-х кн. Кн.З. Программные и аппаратные средства: Справочник / Под ред. Д.А. Поспелова - М.: Радио и связь, 1990. -304 с.

11. Логический подход к искусственному интеллекту: от классической логики к логическому программированию. / Тейз А., Грибомон П., Луи Ж. и др. -М.: Мир, 1990-432 с.

12. Лорьер Ж.-Л. Системы искусственного интеллекта. М.: Мир, 1991 - 568 с.

13. Люгер Д.Ф. Искусственный интеллект: стратегии и методы решения сложных проблем. М.: «Вильяме», 2003 - 864 с.

14. Нильсон Н. Принципы искусственного интеллекта. М.: Радио и связь,1985-376 с.

15. Нариньяни A.C. He-факторы: неточность и недоопределенность различие и взаимосвязь // Изв. РАН. Теория и системы управления. - 2000. - №5. -с. 44-56.

16. Поспелов Г. С., Поспелов Д.А. Искусственный интеллект прикладные системы. - М.: Знание, 1985 - 48 с.

17. Страбыкин Д.А. Логический вывод в системах обработки знаний. СПб.: СПбГЭТУ, 1998 - 164 с.

18. Попов Э.В. Экспертные системы: Решение неформализованных задач в диалоге с ЭВМ. М.: Наука, 1987. - 288 с.

19. Поспелов Д.А. Логико-лингвистические модели в системах управления. -М.: Энергоиздат, 1981. 232 с.

20. Поспелов Д.А. Предисловие редактора / Экспертные системы: состояние и перспективы. М.: Наука, 1989. - с. 3-8.

21. Поспелов Д.А. Прикладная семиотика и искусственный интеллект // Программные продукты и системы. 1999. - №3. - с. 10-13.

22. Поспелов Д.А. Ситуационное управление. Новый виток развития // Изв. РАН. Теория и системы управления. 1995. №5. с. 152-159.

23. Поспелов Д.А. Ситуационное управление: теория и практика. М.: Наука,1986-288 с.

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

25. Представление знаний в человеко-машинных и робототехнических системах. Том А. Фундаментальные исследования в области представления знаний. М.: ВЦ АН СССР, ВИНИТИ. 1984. 261 с.

26. Представление знаний. Тематический выпуск // ТИИЭР. 1986. т. 74, №10. 202 с.

27. Представление и использование знаний. / Под ред. X. Уэно, М. Исудзука. -М.: Мир, 1989.-220 с.

28. Приобретение знаний. / Под ред. С. Осуги, Ю. Саэки. М.: Мир, 1990. -304 с.

29. Уинстон П. Искусственный интеллект. М.: Мир, 1980 - 519 с.

30. Уотермен Д. Руководство по экспертным системам. М.: Мир, 1989 - 388 с.

31. Самарский A.A., Михайлов А.П. Математическое моделирование: Идеи. Методы. Примеры. М.: ФИЗМАТЛИТ, 2002 - 320 с.

32. Ильин В.П. Вычислительно-информационные технологии математического моделирования // Автометрия. 2000. - №1. - с. 3-16.

33. Башлыков A.A. Проектирование систем принятия решений в энергетике. -М.: Энергоатомиздат, 1986. 204 с.

34. Диалоговые системы в АСУ. М.: Энергоатомиздат, 1983. - 206 с.

35. Бусленко Н.П. Моделирование сложных систем. М.: Наука, 1978. - 399 с.

36. Гончаров С.С., Ершов Ю, Л., Самохвалов К.Ф. Введение в логику и методологию науки. М.: Интерпракс, Новосибирск: Институт математики СО РАН, 1994. - 256 с.

37. Витяев Е.Е. Конструктивное числовое представление величин / Вычислительные системы. Вып. 111. Методы анализа данных. Новосибирск: 1985. с. 23-32.

38. Витяев Е.Е. Обнаружение закономерностей (методология, метод, программная система SINTEZ). Методология. / Вычислительные системы. Вып. 138. Методологические проблемы науки. Новосибирск: 1997. с. 2660.

39. Рузавин Г.И. Методология научного исследования. М.: ЮНИТА-ДАНА,1999-317 с.

40. Клини С. Математическая логика. М.: Мир, 1973 - 480 с.

41. Чень Ч.} Ли Р. Математическая логика и автоматическое доказательство теорем. М.: Наука, 1983 - 360 с.

42. Кейслер Г., Чэн Ч.Ч. Теория моделей. М.: Мир, 1977 - 614 с.

43. Стариченко Б.Е. Теоретические основы информатики. М.: Горячая линия-Телеком, 2003-312 с.

44. Большой энциклопедический словарь. М.: Большая Российская энциклопедия, 2000. - 1456 с.

45. Моисеев H.H. Математика в социальных науках / Математические методы в социологических исследованиях. М. 1981. с. 161-183.

46. Кун Т. Структура научных революций. М.: Прогресс, 1977. - 300 с.

47. Ивлев Ю.В. Основы логической теории аргументации / Логические исследования. Вып. 10. М.: Наука, 2003. с. 50-60.

48. Курдюмов С.П., Малинецкий Г.Г. Синергетика и системный анализ / Новое в синергетике: Взгляд в третье тысячелетие. -М.: Наука, 2002. С. 3-27.

49. Плотинский Ю.М. Теоретические и эмпирические модели социальных процессов. М.: Издательская корпорация «Логос», 1998 - 280 с.

50. Перегудов Ф.И., Тарасенко Ф.П. Основы системного анализа. Томск: Изд-воНТЛ, 1997-396 с.

51. Садовский В.Н. Основания общей теории систем. Логико-методологический анализ. М.: Наука, 1974 - 279 с.

52. Шрейдер Ю.А., Шаров A.A. Системы и модели. М.: Радио и связь, 1982.152 с.

53. Блинов А.Л., Петров В.В. Элементы логики действий. М.: Наука, 1991. -232 с.

54. Леоненков A.B. Нечеткое моделирование в среде MATLAB и fuzzyTECH. -СПб.: БХВ-Петербург, 2003 736 с.

55. Нечеткие множества в моделях управления и искусственного интеллекта. А.Н. Аверкин, И.З. Батыршин, А.Ф. Блишун и др. М.: Наука, 1986. - 312 с.

56. Методы робастного, нейро-нечеткого и адаптивного управления / Под ред. Н.Д. Егупова. М.: Изд-во МГТУ им. Н.Э. Баумана, 2002. - 744 с.

57. Головина Е.Ю. Подход к созданию нечетких динамических систем поддержки принятия решений // // Программные продукты и системы. 2002. - №3. - с. 2-7.

58. Кудинов Ю.И. Нечеткие модели вывода в экспертных системах // Изв. РАН. Теория и системы управления. 1997. - №5. - с. 75-83.

59. Chen Q., Kawase S. Оп fuzzy-valued fuzzy reasoning // Fuzzy Sets and Systems. -2000.-vol. 113.-p. 237-251.

60. Ходашинский И.А. Нечеткие системы оценивания величин / Труды Всероссийской конференции «Математические и информационные технологии в энергетике, экономике, экологии». Часть 2. Иркутск: ИСЭМ СО РАН, 2003. с. 225-232.

61. Ходашинский И.А. Нечеткологическое оценивание величин // Известия Томского политехнического университета. 2003. т. 306. №3. с. 10-15.

62. Ходашинский И.А. Методы и модели оценки величин // Труды Международной научно-технической конференции «Интеллектуальные системы» (IEEE AIS'04) T. 1.-М.: Физматлит, 2004.-е. 141-146.

63. Emami M. R., Turksen I. В., Goldenberg A. A. A unified parameterized formulation of reasoning in fuzzy modeling and control // Fuzzy Sets and Systems. -1999.-v. 108.-p. 59-81.

64. Hong T.-P., Processing individual fuzzy attributes for fuzzy rule induction network // Fuzzy Sets and Systems. 2000. - v. 112. - p. 127-140.

65. Cordon O., Herrera F., Zwir I. Linguistic Modeling by Hierarchical Systems of Linguistic Rules // IEEE Transactions on Fuzzy Systems. 2002. - v. 10. - p. 220.

66. Казаков E.B., Москвитин A.A., Самохвалов К.Ф. Проект разработки языков спецификации задач, ориентированных на пользователя / Вычислительные системы. Вып. 158. Модели когнитивных процессов. Новосибирск: 1997. с. 63-94.

67. Саймон Г. Науки об искусственном. -М.: Мир, 1972 147 с.

68. Ларичев О.И. Теория и методы принятия решений. М.: Логос, 2000 - 296 с.

69. Трахтенгерц Э.А. Возможности и реализация компьютерных систем поддержки принятия решений // Изв. РАН. Теория и системы управления. -2001. -№3. с. 86-113.

70. Полищук Ю.М., Ходашинский И.А. Имитационно-лингвистические модели в интеллектуальных системах моделирования. Томск, 1984. - 29 с. - Рукопись представлена Томск, ин-том автоматизир. систем упр. и радиоэлектрон. Деп. в ВИНИТИ 26 марта, 1984г., № 1632-84.

71. Полищук Ю.М., Ходашинский И.А. Лингвистическое обеспечение имитационного моделирования сложных систем // УсиМ. 1985. - N4. - с. 84 -88.

72. Павловский Ю.Н. Имитационные системы и модели. М.: Знание, 1990. -48 с.

73. Шенон Р. Имитационное моделирование систем искусство и наука. - М.: Мир, 1978.-418 с.

74. Валдисоо М.Н., Вутт Э.В., Койт М.Э. Об одном методе разработки диалоговой системы и опыте его применения // Изв. РАН. Теория и системы управления. 2003. - №3. - с. 149-157.

75. Тарасов В.Б. Искусственная жизнь и нечеткие эволюционные многоагент-ные системы основные теоретические подходы к построению интеллектуальных организаций // Изв. РАН. Теория и системы управления. - 1998. №5.-с. 12-28.

76. Интеллектуальные системы поддержки принятия решений в нештатных ситуациях с использованием информации о состоянии природной среды. / В.А. Геловани, A.A. Башлыков, В.Б. Бритиков, Е.Д. Вязилов. М.: Эдито-риалУРСС, 2001.-304 с.

77. Гергей Т., Финн В.К. Об интеллектуальных системах / Экспертные системы: состояние и перспективы. М.: Наука, 1989. - с. 9-30.

78. Виноградов А.Н., Жиляков Л.Ю., Осипов Г.С. Динамические интеллектуальные системы, I. Представление знаний и основные алгоритмы // Изв. РАН. Теория и системы управления, 2002. - №6. - с. 119-127.

79. Виноградов А.Н., Жиляков Л.Ю., Осипов Г.С. Динамические интеллектуальные системы, И. Моделирование целенаправленного поведения // Изв. РАН. Теория и системы управления. 2003. - №1. - с. 87-94.

80. Вригт фон Г. Если-то / Исследования по неклассическим логикам. М.: Наука, 1989. с. 4-15.

81. Сигеру Омату, Марзуки Халид, Рубия Юсоф Нейроуправление и его приложения. М.: ИПРЖР, 2000 - 272 с.

82. Аверкин А.Н., Костерев В.В. Триангулярные нормы в системах искусственного интеллекта // Изв. РАН. Теория и системы управления. 2000. -№5.-с. 107-119.

83. Batyrshin I., Kaynak О. Parametric Classes of Generalized Conjunction and Disjunction Operations for Fuzzy Modeling // IEEE Transactions on Fuzzy Systems. 1999. - v. 7. - p. 586-596.

84. Zadeh L. A new direction in AI. Toward a computational theory of perceptions // AI Magazine. 2001. - v. 22. - p. 73-84.

85. Gegov A., Frank P. Hierarchical fuzzy control of multivariable systems // Fuzzy Sets and Systems. 1995. - v. 72. - p. 299-310.

86. Wang C.-H., Hong T.-P., Tseng S.-S. Integrating membership functions and fuzzy rule sets from multiple knowledge sources // Fuzzy Sets and Systems. -2000.-v. 112.-p. 141-154.

87. Zadeh L. Fuzzy Logic, Neural Networks, and Soft Computing // Communications of ACM. 1994. v. 37, №3. - p. 77-84.

88. Chen S-M. Weighted Fuzzy Reasoning Using Weighted Fuzzy Petri Nets // IEEE Transactions on Knowledge and Data Engineering. 2002. - v. 14. - p. 386397.

89. Галушкин А.И. Теория нейронных сетей. Кн. 1. M.: ИПРЖР, 2000 - 416 с.

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

91. Осовский С. Нейронные сети для обработки информации. М.: Финансы и статистика, 2002. - 344 с.

92. Ходашинский И.А. Нейросетевой метод обучения нечеткой системы оценивания величин // Нейрокомпьютеры: разработка, применение. № 12, 2003. с. 3-6.

93. Mastorocostas P., Theocharis J. FUNCOM: A constrained learning algorithm for fuzzy neural networks // Fuzzy Sets and Systems. 2000. - v. 112. - p. 1-26.

94. Shi Y., Mizumoto M. Some considerations on conventional neuro-fuzzy learning algorithms by gradient descent method // Fuzzy Sets and Systems. -2000.-v. 112.-p. 51-63.

95. Shi Y., Mizumoto M. A new approach of neuro-fuzzy learning algorithm for tuning fuzzy rules // Fuzzy Sets and Systems. 2000. - v. 112. - p. 99-116.

96. Yang Y., Xu X., Zhang W. Design neural networks based fuzzy logic // Fuzzy Sets and Systems. 2000. - v. 114. - p. 325-328.

97. Никитин И.А. Концепция гибридного нейрологического средства исследования и конструирования нейросетевых систем // Нейрокомпьютеры: разработка и применение. 2001. №7-8. с. 31-35.

98. Терехов В.А., Ефимов Д.В., Тюкин И.Ю. Нейронные системы управления. М.: Высш. шк., 2000 - 183 с.

99. Курейчик В.М. Генетические алгоритмы. Состояния. Проблемы. Перспективы // Изв. РАН. Теория и системы управления. 1999. №1. с. 144-160.

100. Комарцова Л.Г. Двухэтапный алгоритм обучения нейронной сети на основе генетического поиска // Нейрокомпьютеры: разработка и применение. 2001. №1. с. 3-9.

101. Шукович Г. Применение генетических алгоритмов и систем генерирующих графов для создания модулярных нейросетей // Программирование.2002. № I.e. 13-20.

102. Емельянов В.В., Курейчик В.В., Курейчик В.М. Теория и практика эволюционного моделирования. М.: ФИЗМАТ ЛИТ, 2003. - 432 с.

103. Редько В.Г. Эволюционная кибернетика. М.: Наука, 2001 - 156 с.

104. Su М.-С., Chang Н.-Т. Application of neural networks incorporated with real-valued genetic algorithms in knowledge acquisition // Fuzzy Sets and Systems. -2000.-v. 112.-p. 85-97.

105. Oh S.-K., Pedrycz W., Park H.-S. Hybrid identification in fuzzy-neural networks // Fuzzy Sets and Systems. 2003. - v. 138. - p. 399-426.

106. Duan J.-C., Chung F.- L. Cascaded fuzzy neural network model based on syllogistic fuzzy reasoning // IEEE Transactions on Fuzzy Systems. 2003. - v. 11. - p. 293-306.

107. Bastian A. Identifying fuzzy models utilizing genetic programming // Fuzzy Sets and Systems. 2000. - v. 113. - p. 333-350.

108. Alpaydin G., Dundar G., Balkir S. Evolution-based design of neural fuzzy networks using self-adapting genetic parameters // IEEE Transactions on Fuzzy Systems.-2002.-v. 10.-p. 211-221.

109. Oh S.-K., Pedrycz W., Park B.-J. Self-Organizing Neurofuzzy Networks Based on Evolutionary Fuzzy Granulation // IEEE Transactions on Systems, Man, and Cybernetics Part A: Systems and Humans. - 2003. - v. 33. - p. 271-277.

110. Spiegel D., Sudkamp Т., Sparse data in the evolutionary generation of fuzzy models // Fuzzy Sets and Systems. 2003. - v. 138. - p. 363-379.

111. Королев Л.Н. От составителя специального выпуска // Программирование.2003. №4. с. 6-12.

112. Чекинов Г.П., Чекинов С.Г. Ситуационное управление: состояние и перспективы // Информационные технологии. Приложение. 2004. №2. с. 1-32.

113. Любарский Ю.Я. Интеллектуальные информационные системы. М.: Наука, 1990-232 с.

114. Дюк В., Самойленко A. Data Mining: учебный курс. СПб.: Питер, 2001. -368 с.

115. Финн В.К. Об интеллектуальных системах типа ДСМ для наук о жизни и социальном поведении // НТИ. Сер. 2. 2002, №6, с. 1-4.

116. Финн В.К. Об особенностях ДСМ-метода как средства интеллектуального анализа данных//НТИ. Сер. 2. 2001, №5, с. 1-4.

117. Шапот М. Интеллектуальный анализ данных в системах поддержки принятия решений // Открытые системы. 1998. №1. с. 30-35.

118. Загоруйко Н.Г., Ёлкина В.Н., Лбов Г.С. Алгоритмы обнаружения эмпирических закономерностей. Новосибирск: Наука, 1985 -110 с.

119. Михиенко Е.В. Логическая спецификация нейронных сетей / Вычислительные системы. Вып. 169. Математические модели в информатике. Новосибирск: 2002. с. 3-25.

120. Лбов Г.С., Старцева Н.Г. Алгоритм многоклассового распознавания, основанный на логических решающих функциях / Вычислительные системы. Вып. 111. Методы анализа данных. Новосибирск: 1985. с. 3-10.

121. Влэдуц Г. Э., Гейвандов Э. А. Автоматизированные информационные системы для химии М.: Наука, 1974- 312 с.

122. Голендер В. Е., Розенблит А. Б. Вычислительные методы конструирования лекарств-Рига: Зинатне, 1978 -270 с.

123. Раевский О. А., Сапегин А. М. Возможности и перспективы конструирования биологически активных веществ // Успехи химии 1988 - Вып 9, Т. 57.-С. 1565-1586.

124. Walentovski R. Unique, unambiguous representation of chemical structures by computerization of a simple notation // J. Chem. Inf. Comput. Sci- 1980. Vol. 20, N. 3—P. 181-192.

125. Мищенко Г. Л. О новом виде формул в органической химии // Ж. Всес. хим. общ-ва.- 1985.- Т. 30, N. 6.- С. 577-578.

126. Мищенко Г. Л., Егорова Т. А. Дифференцирующая способность модифицированного ИПЯ для органических соединений // НТИ Сер. 2 - 1986-N. 5.-С. 30-32.

127. Розенблит А. Б., Голендер В. Е. Логико-комбинаторные методы в конструировании лекарств Рига: Зинатне, 1984 - С. 350.

128. Fujita S. «Structure-reaction type» paradigm in the conventional methods of describing organic reactions and the concept of imaginary transition structures overcoming this paradigm // J. Chem. Inf. Cornput. Sci 1987 - Vol. 27, N. 3-P. 120-126.

129. Стьюпер Э., Брюггер У., Джуре П. Машинный анализ связи химической структуры и биологической активности-М.: Мир., 1982-С. 285.

130. Fujita S. Description of organic reactions based onimaginary transition structures. 1. Introduction of new concepts // J. Chem. Inf. Comput. Sci- 1986-VoL 26, N. 4.-P. 205-212.

131. Owolabi O. An efficient graph approach to matching chemical structures // J. Chem. Inf. Comput. Sci.- 1988.- Vol. 28, N. 4.- P. 221-226.

132. Abe H., Kudo Y., Yamasaki T. and oth. A convenient notation system for organic structure on the basis of connectivity stack// J. Chem. Inf. Comput. Sci-1984.-Vol. 24, N. 4 P. 212-216.

133. Walker S. В. Development of СAOCI and its use in ICI Plant Protection Division // J. Chem. InL Comput. Sci.- 1983 -Vol. 23, N. l.-P. 3-5.

134. Bond О. В., Bowman С. M., Davison L. C, and oth. Applications of the Viswesser line notation of the Dow Chemical Company // J. Chem. Inf. Cormф put. Sci.- 1982.- Vol. 22, N. 2.- P. 103-105.

135. Read R. C. A new system for the designation of chemical compounds. 1. Theoretical preliminares and the coding of acyclic compounds // J. Chem. Inf. Comput. Sci.- 1983.-Vol. 23, N. 3-P. 135-149.

136. Read R. C. A new system for the. designation of chemical compounds. 2. Coding of cyclic compounds // J. Chem. Inf. Comput. Sci 1985 - Vol. 25, N. 2 - P. 116-128.

137. Weininger D. SMILES, a chemical language and information system. 1. Introduction to methodology and encoding rules // J. Chem. Inf. Comput. Sci-1988.-Vol. 28, N. 1-P. 31-36.

138. Gottlieb O. R., Кар 1 an M. A. C. Replacement nodal-substractive nomenclature and codes of chemical compounds // J. Chem. Inf. Comput. Sci 1986. Vol. 26, N. 1-P. 1-3.

139. Klopman G., McGonical M. Computer simulation of physical chemical properties of organic molecules. 1. Molecular system identification // J. Chem. Inf.• Comput. Sci-1981.-Vol. 21, N. l.-P. 48-52.

140. Tokizane S., Monjoh T. Computer storage and retrieval of generic chemical structures using structure attributes // J. Chem. Inf. Comput. Sci 1987 - Vol. 27, N. 3.-P. 177-187.

141. Jovanovic A.D. Combinatorial characterization of hexagonal systems. Application of graphs in chemistry and physics // Discrete Appl. Math. - 1988. - vol. 19.-p. 259-270.

142. Автоматический анализ сложных изображений. M.: Мир, 1969. - 310 с.

143. Gordon J.E. Chemical inference. 2. Formalization of the language of organic chemistry: Generic systematic nomenclature // J. Chem. Inf. Comput. Sci. -1984 Vol. 24, N. 2. - P. 81-92.

144. Khrishnamurthy E.V. WISENOH. A formal organic chemistry nomenclature system // J. Chem. Inf. Comput. Sci. 1982 - Vol. 22, N. 3. - P. 152-160.

145. Vancea R., Holbon St., Ciubotariu D. Context-free grammar and deterministic automation approaches generation in copolymers. 1. Binary copolymers with ultimate effect // MATSH. Commons math. chem. 1986. -N. 20. - p. 251-279/

146. Салмина Н.Ю., Ходашинский И.А. Логико-лингвистическая модель прогнозирования биологической опасности химических соединений // НТИ Сер. 2 -N3, 1991. с. 27-31.

147. Pollock J. J., Zamora A. Automatic spelling correction in scientific and scholarly text // Communications of the ACM. 1984. - Vol. 24. - № 4. - p. 358• 368.

148. Красиков Ю. В. Теория речевых ошибок (на материале ошибок наборщика). М.: Наука, 1980. - 160 с.

149. Pollock J. J., Zamora A. Collection and characterization of spelling errors in scientific and scholarly text // J. Amer. Soc. Inform. Sei. 1983. -Vol. 34. -№ 1. -P. 51-58.

150. Штурман Я. П., Партыко 3. В. Анализ искажений при вводе реферативной информации в систему «Ассистент» // НТИ. Сер. 2. 1982. -№ 3. - С. 1721.

151. Партыко 3. В. Анализ искажений, возникающих при вводе текстов в ИИС «Ассистент» // НТИ. Сер. 2. 1982. - № 1. -С. 21-26.

152. Zamora A. Automatic detection and correction of spelling errors in a large data base // J. Amer. Soc. Inform. Sei. 1980. - Vol. 31. -№ 2. - P. 51 -57.

153. Pollock J. J., Zamora A. System design for detection and correction of spelling errors in scientific and scholarly text // J. Amer. Soc. Inform. Sei. -1984. -Vol. 35.-№2.-P. 104-109.

154. Morgan H. L., Spelling correction in systems programms // Communications of the ACM. 1970. - Vol. 13. -№ 2. -P. 90-94.

155. Subieta K. A simple method of data correction //Pr. IPI PAN. 1983. -№ 527. -12 pp.

156. Forney G. D. The Viterby algorithm // Proc. IEEE. 1973. -№ 61. -P. 268-278.

157. Kashyap R. L., Oommen B. J. Spelling correction using probabilistic methods // Pattern Recognit. Lett. 1984. - Vol. 2. - № 3. - P. 147-154.

158. Angel 1 R. C, Freund G. E., Wil lei 1 P. Automatic spelling correction using a trigram similarity measure // Inform. Proc. Management. 1983. - Vol. 19. // № 4.-255-261.

159. Волков В. H., Иванисов А. В. Реализация алгоритма распознавания и выборки слов с использованием функции совпадения. // Программирование, 1982. -№ 2. -С. 90-92.

160. Короткова М. А., Салмина Н. Ю., Ходашинский И. А. Исправление лексических ошибок в текстах запросов на естественном языке / Радиотехнические методы и средства измерения. -Томск: Изд-во Томск, ун-та, 1985. с. 115.

161. Вагин В.Н., Еремеев А.П. Некоторые базовые принципы построения интеллектуальных систем поддержки принятия решений реального времени // Изв. РАН. Теория и системы управления. 2001. №6. с. 114-123.

162. Еремеев А.П., Денисенко JI.C. Обработка недоопределенной информации в системе поддержки принятия решений реального времени применительно к оперативной службе электростанций // Изв. РАН. Энергетика. 2002. №2. с. 32-43.

163. Емельянов В.В., Ясиновский С.И. Введение в интеллектуальное имитационное моделирование. Язык РДО. М.: АНВИК, 1998. - 165 с.

164. Салмина Н.Ю., Ходашинский И.А. Использование базы знаний в имитационном моделировании. В кн. «Вопросы промышленной эксплуатации информационных ресурсов, экспертные системы». Труды Всесоюзной школы-семинара. Калинин. 1986. с. 88-90.

165. Суппес П., Зинес Дж. Основы теории измерений / Психологические измерения. М.: Мир, 1967, с. 9 - 110.

166. Пфанцагль И. Теория измерений. М.: Мир, 1976. - 248 с.

167. Берка К. Измерения: понятия, теория, проблемы. М.: Прогресс, 1987. -320 с.

168. Слабкий Л.И. Методы и приборы предельных измерений в экспериментальной физике. -М.: Наука, 1973. 272 с.

169. Кузнецов В.А., Ялунина Г.В. Общая метрология. М.: ИПК Издательство стандартов, 2001. - 272 с.

170. Сергеев А.Г., Латышев М.В., Терегеря В.В. Метрология, стандартизация, сертификация. -М.: Логос, 2001. 536 с.

171. Цветков Э.И. Основы формализованного описания процедур измерения величин // Измерения контроль автоматизация. 1986. №3 (59). с. 11-17.

172. Тартаковский Д.Ф., Ястребов A.C. Метрология, стандартизация и технические средства измерений. М.: Высш. шк., 2002. - 205 с.

173. Назаров Н.Г. Метрология. Основные понятия и математические модели. -М.: Высш. шк., 2002 348 с.

174. Губарев В.В. Алгоритмы статистических измерений. М.: Энергоатомиз-дат, 1985.-272 с.

175. Косарев Ю.Г. Человек как универсальный измерительный прибор (в порядке постановки проблемы) / Вычислительные системы. Вып. 160. Искусственный интеллект и экспертные системы. Новосибирск: 1997. с. 36-42.

176. Полл Р., Бокхорст П. Измерение качества работы. Международное руководство по измерению эффективности работы университетских и других библиотек-М.: Логос, 2001 152 с.

177. Рождественский Ю.В. Словарь терминов. Общество. Семиотика. Экономика. Культура. Образование. М.: Флинта: Наука, 2002 - 112 с.

178. Лебег А. Об измерении величин. М.: Учпедгиз, 1960 - 204 с.

179. Ивин A.A. Основания логики оценок. М.: МГУ, 1970 - 229 с.

180. Ивин A.A. Практическая логика. М.: ФАИР-ПРЕСС, 2002 - 288 с.

181. Брожик В. Марксистская теория оценки. М.: Прогресс, 1982. - 261 с.

182. Баранов А.Н. Когнитивный статус естественно языковой оценки (к типологии языковых стратегий оценивания) / Формальные и неформальные рассуждения. Ученые записки Тартуского государственного университета. Вып. 840. Тарту: 1989. с. 5-23.

183. Баранов А.Н., Паршин П.Б. Нормы и экстремумы: количественная оценка ситуаций в логике практического рассуждения / Семиотические модели в управлении. Тезисы докладов и сообщений к 5 научно-методической конференции. Новосибирск, 1984. с. 20-22.

184. Моделирование языковой деятельности в интеллектуальных системах / Под ред. А.Е. Кибрика и A.C. Нариньяни. М.: Наука, 1987. - 280 с.

185. Орлов А.И. Высокие статистические технологии // Заводская лаборатория. 2003, №11, т. 69. с. 55-60.

186. Сейдж Э., Меле Дж. Теория оценивания и ее применение в связи и управлении. М.: Связь, 1976 - 496 с.

187. Алефельд Г., Херцбергер Ю. Введение в интервальные вычисления. М.: Мир, 1987-360 с.

188. Журавлев Ю.И., Камилов М.М., Туляганов Ш.Е. Алгоритмы вычисления оценок и их применение. Ташкент. Изд-во «Фан», 1974. - 120 с.

189. Миркин Б.Г. Проблема группового выбора. М.: Наука, 1974 - 256 с.

190. Ходашинский И.А. Логика оценок величин. Томск, 1984. - 29 с. - Рукопись представлена Томск, ин-том автоматизир. систем упр. и радиоэлектрон. Деп. в ВИНИТИ 26 марта, 1984г., № 1631-84.

191. Ходашинский И.А. Псевдофизическая логика оценок величин // Известия АН ССР. Техническая кибернетика-№5, 1988. с. 96-107.

192. Фрумкина P.M., Василевич А.П. Получение оценок вероятностей слов психометрическими методами / Вероятностное прогнозирование в речи. -М.: Наука, 1971, с. 7-28.

193. Варосян С.О., Поспелов Д.А. Неметрическая пространственная логика // Изв. АН СССР. Техн. кибернет., 1982. №5. с. 86-99.

194. Карпенко А.С. Современные исследования в философской логике: мировой уровень, российская наука, РФФИ // Вестник РФФИ. 2003. №3. с. 5271.

195. Chen S-J., Chen S-M. Fuzzy Risk Analysis Based on Similarity Measures of Generalized Fuzzy Numbers // IEEE Transactions on Fuzzy Systems. 2003. -v. 11.-p. 45-56.

196. Ходашинский И.А. Оценивание величин средствами нечеткой арифметики // Автометрия. № 3, 2004. с. 21 -31.

197. Ma М., Kandel A., Friedman М. A new approach for defiizzification // Fuzzy Sets and Systems. 2000. - v. 111. - p. 351-356.

198. Yao J.-S., Wu K. Ranking fuzzy numbers based on decomposition principle and signed distance // Fuzzy Sets and Systems. 2000. - v. 116. - p. 275-288.

199. Baldwin J.F., Guild N.C.F. Comparison of fuzzy numbers on the same decision space // Fuzzy Sets and Systems. 1979. vol. 2. - p. 213 - 233.

200. Chen S.-H., Ranking fuzzy numbers with maximizing set and minimizing set // Fuzzy Sets and System. 1985. - vol. 17. - p. 113 -129.

201. F. Choobinech, H. Li, An index for ordering fuzzy numbers // Fuzzy Sets and Systems. 1993. vol. 54. - p. 287- 294.

202. Yager R.R. A procedure for ordering fuzzy subsets of the unit interval // Inform. Sci. 1981. - vol. 24. - p. 143 -161.

203. Stoeva S., Nikov A. A fuzzy backpropagation algorithm // Fuzzy Sets and Systems. 2000. - v. 112. - p. 27-39.

204. Duan J.-C., Chung F.-L. Cascaded fuzzy neural network model based on syllogistic fuzzy reasoning // IEEE Transactions on Fuzzy Systems. 2001. - v. 9. - p. 293306.

205. Кокс Д., Хинкли Д. Теоретическая статистика. М.: Мир, 1978 - 560 с.

206. Наумов Г.Е., Подиновский В.В., Подиновский Вик.В. Субъективная вероятность: способы представления и методы получения // Изв. РАН. Теория и системы управления. 1991. - №5. - с. 94-109.

207. Ходашинский И.А. Оценивание величин на основе субъективных вероятностей // Труды Всероссийской конференции «Математические и информационные технологии». Иркутск: ИСЭМ СО РАН, 2004. с. 221-228.

208. Попов Э.В. Общение с ЭВМ на естественном языке М.: Наука, 1982.-360 с.

209. Налимов В.В. Вероятностная модель языка. О соотношении естественных и искусственных языков. М.: Наука, 1979. - 303 с.

210. Нариньяни A.C. Новый этап развития естественный язык. // Перспективы системного и теоретического программирования. Труды Всесоюзного симпозиума. - Новосибирск, 1979. С. 42-53.

211. Есперсен О. Философия грамматики М.: Едиториал УРСС, 2002. - 408 с.

212. Грибель В.А., Карякин Ю.В., Ходашинский И.А. Языковые средства пользователя проблемно-ориентированных комплексов для обучения // Теория и практика совершенствования систем управления ВУЗом. Томск: Изд-во Томск, гос. ун-та, 1982. - С. 128-135.

213. Имитационное моделирование технических систем оперативного обнаружения аномалий на поверхности океана / Г.В. Варламов, Гулидов А.Н., Т.А.Плешивцева, Ю.М. Полищук, И.А. Ходашинский // Мониторинг океана. М.: Ин-т океанологии АН СССР, 1986.

214. Машинная имитация, сбор и банкирование мониторинговых данных / Г.В.Варламов, Ю.М. Полищук, И.А. Ходашинский, В.Б.Хон // Тезисы докладов 36 Всесоюзной научной сессии, посвященной Дню радио. Часть 3. -М.: Радио и связь, 1981.

215. Салмина Н.Ю., Ходашинский И.А. Модель языка общения в проблемно-ориентированных информационных системах // Искусственный интеллект, итоги и перспективы. Труды Всесоюзной конференции. М.: МДНТП. 1985.-С. 91-98.

216. Ходашинский И.А. Лингвистический процессор системы накопления и хранения экспериментальных данных // Автоматизация обработки первичных данных. Межвуз. сб. науч. трудов. Пенза: Пенз. политех. ин-т,1984. -С. 134-138.

217. Ахо А., Ульман Дж. Теория синтаксического анализа, перевода и компиляции. Т. 1 Синтаксический анализ. М.: Мир, 1978. - 612 с.

218. Салмина Н.Ю., Ходашинский И.А. Методы и средства автоматического исправления орфографических ошибок // НТИ Сер. 2 N10, 1986.

219. Кларк Э.М., Грамберг О., Пелед Д. Верификация моделей программ. М.: МЦНМО, 2002.-416 с.

220. Перевозчикова О.Л., Ющенко Е.Л. Системы диалогового решения задач на ЭВМ. Киев: Наукова думка, 1986. - 264 с.

221. Криштопа И.В., Микаилов Г.В., Перевозчикова О.Л. Основные характеристики диалоговых маршрутных систем // Кибернетика. 1984. - №6. - С. 42-48.

222. Ходашинский И.А., Лещишин И.Л., Прокашев А.И. Системы планирования вычислений // Алгоритмическое и информационное обеспечение систем экоинформации. Сборник научных трудов. ТФ СО АН СССР. Томск, 1989.-С. 5-19.

223. Региональные экологические информационно-моделирующие системы / Полищук Ю.М., Силич В.А., Татарников В.А., Ходашинский И.А., Ципи-лева Т.А. Новосибирск: ВО Наука, 1993. - 133 с.

224. Ходашинский И.А. Методы искусственного интеллекта, базы знаний, экспертные системы. Учебное пособие. Томск: Томск, гос. университет систем управления и радиоэлектроники, 2002. - 139 с.

225. Ходашинский И.А. ПРОЛОГ в примерах и задачах. Томск: Курсив, 2001. -280 с.

226. Лавров С.С. Синтез программ//Кибернетика. 1982. -№6.-С. 11-16.

227. Тыугу Э.Х. Концептуальное программирование. М.: Наука, 1984. - 255 с.

228. Везденев Ю.Г., Холоденко О.А. Применение атрибутивных схем перевода для описания вычислительных моделей // Тез. докл. III Всесоюзной конф. «Автоматизация производства систем программирования». Таллинн: АН ЭССР, 1986.-с. 190-192.

229. Лещишин И.Л. Ходашинский И.А. Сравнение языковых средств ПРОЛОГ и ЛИСП в одной системе планирования вычислений // УсиМ. N6. - 1989.

230. Салмина Н.Ю., Ходашинский И.А. Система прогнозирования экологической опасности химических соединений // Девятая Всесоюзная конференция «Химическая информатика». Черноголовка: ИФАВ, 1992. - С. 110111.

231. Полищук Ю.М., Салмина Н.Ю., Ходашинский И.А. A System of Computerized Representation and Processing of Chemical Structures // Abstracts International Conference on Petroleum Chemistry. Tomsk: 1991. - p. 312-313.

232. Полищук Ю.М. Пространственно-временная структура случайных электромагнитных полей при распространении в тропосфере. Томск, Изд-во Томск, ун-та, 1975. - 92 с.

233. Полищук Ю.М. Имитационно-лингвистическое моделирование систем с природными компонентами. Новосибирск: Наука, 1992. - 229 с.

234. Котов Н.Н., Савиков А.А., Ходашинский И.А. Влияние органических соединений на механические свойства материала паропроводов // Металловедение и термическая обработка металлов. 1992. - №8. с. 21-23.

235. Котов Н.Н., Ходашинский И.А. Компьютерное прогнозирование влияния органических соединений на изменение механических свойств материалов // Заводская лаборатория. 1996. - №7. с. 57-59.

236. Основные свойства нормируемых в водах органических соединений // М.Я.Белоусова, Т.В. Авгуль, Н.С. Сафронова. М.: Наука. -1987. -104 с.

237. Идельчик И.Е. Справочник по гидравлическим сопротивлениям. -М.: Гос-энергоиздат, 1960.

238. Меренков А.П., Хасилев В.Я. Теория гидравлических цепей. М.: Наука, i 1985.-278 с.

239. Механизмы адаптационных реакций организм. /Под ред. Т. И. Шустовой. -Томск: Изд-во Том. ун-та, 1987. С. 105 - 111.

240. Хронобиология и хрономедидицина. Под ред. Ф.И. Комарова, С.И. Рапопорта. М.: Триада-Х. 2000. 460 с.

241. Емельянов И.П. Формы колебаний в биоритмологии. -Новосибирск: Нау• ка, 1976. 127 с.

242. Глушакова Е.С., Ходашинский И.А., Хон В.Б. Модифицированный коси-нор-анализ для исследования динамики биохимических показателей сыворотки крови интактных животных // Биомедицинские технологии и радиоэлектроника. №5-6, 2004. с. 62-64.

243. Созоров Н.Г., Ходашинский И.А. The Trainee Psychology- Pedagogical Card » and the Instructor Knowledge Formalization. // East-West Conference on

244. Emerging Computer Technologies in Education. Conference Proceedings.• ICSTI, Moscow, 1992. p. 299-301.

245. Ходашинский И.А. Методы формирования и анализа ответов в АСУ ПДС-2000. В кн.: Новые информационные технологии в университетском образовании. Материалы международной научно-методической конференции. Новосибирск: ИДМИ, 2000. с. 146-147.

246. Докучаев П.В., Ходашинский И.А. Обучение с использованием анимационных фильмов // Программные продукты и системы N2, 1998. - с. 23-25.

247. Интеллектуальная обучающая среда вуза / Б.Л. Агранович, Д.М.Богданов,

248. Н.Г. Созоров, И.А. Ходашинский. // «Технический университет. Проблемы, опыт, перспективы». Тезисы докладов международной научно-практической конференции. Томск, 1994. - с. 73-74.

249. Клещев A.C., Артемьева И.Л. Математические модели онтологий предметных областей.Ч. 1. Существующие подходы к определению понятия «онтология». // НТИ. Сер. 2. 2001. №2. - с. 20-27.

250. Клещев A.C., Артемьева И.Л. Математические модели онтологий предметных областей.Ч.2. Компоненты модели. // НТИ. Сер. 2. 2001. №3. - с. 19-29.

251. Клещев A.C., Артемьева И.Л. Математические модели онтологий предметных областей.Ч.З. Сравнение разных моделей онтологий. // НТИ. Сер. 2. 2001.-№4.-с. 10-15.

252. Евгенев Г.Б. Онтология инженерных знаний. // Информационные технологии.-2001.-№6.-с. 2-5.

253. Шенк Р. Обработка концептуальной информации. М.: Энергия, 1980 -360 с.

254. Стерлинг Л., Шапиро Э. Искусство программирования на языке Пролог. -М.: Мир, 1989.-460 с.

255. Ходашинский И.А. Вопросы, задачи и анализ ответов в интеллектуальных обучающих системах // Информационные технологии. 2001. - №5. - с. 36-41.

256. Ходашинский И.А. Компьютерная технология разработки тестов // НТИ. Сер. 2. 2003. -№3. - с. 8-11.

257. Талызина Н.Ф. Теоретические основы контроля в учебном процессе. М.: Знание. - 1983.-с. 3-37.

258. Вех В.В., Волдачинский В.Л., Ходашинский И.А. Создание компьютерных тренажеров производства оперативных переключений в электроустановках// Электрические станции. 1995. -№ 4. с. 6-10.

259. Вех В.В., Ходашинский И.А. Инструментальные средства создания компьютерных тренажеров оперативного персонала электрических станций и сетей. // «Тренажеры и компьютеризация профессиональной подготовки».

260. Тез. докл. IV-й Всероссийской научно-методической конференции. М.: ГАНГ им. Губкина, 1994. - с. 61-62. 280. Вех В.В., Котов H.H., Ходашинский H.A. Опыт разработки компьютерных тренажеров и обучающих программ // Энергетик - 1998. - № 1.-е. 22-23.