автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.18, диссертация на тему:Модели поиска закономерностей и синтеза знаний в медико-биологических базах данных человека-оператора

На правах рукописи

Чепиков Эдуард Васильевич

МОДЕЛИ ПОИСКА ЗАКОНОМЕРНОСТЕЙ И СИНТЕЗА ЗНАНИЙ В МЕДИКО-БИОЛОГИЧЕСКИХ БАЗАХ ДАННЫХ ЧЕЛОВЕКА-ОПЕРАТОРА

Специальность:

05.13.18 - «Математическое моделирование, численные методы и комплексы программ»,

05.13.17 - «Теоретические основы информатики»

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

Таганрог - 2005

Работа выполнена в Таганрогском государственном радиотехническом университете

Научный руководитель:

доктор технических наук, профессор С.В.Астанин Официальные оппоненты:

доктор технических наук, профессор С.М.Ковалев кандидат технических наук, доцент А.Я.Черчаго

Ведущая организация: НИИ нейрокибернетики РГУ (г. Ростов-на-Дону)

Защита состоится «_» июля в 1000 на заседании специализированного

совета Д- 212-259.03 при Таганрогском государственном радиотехническом университете по адресу:

347928, г.Таганрог, пер.Некрасовский, 44, ауд.Д-406

С диссертацией можно ознакомиться в библиотеке Таганрогского государственного радиотехнического университета Автореферат разослан «_» июня 2005г.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. Получение практически полезных и доступных интерпретации знаний необходимо для принятия решений в различных сферах человеческой деятельности. В связи с этим, актуальной становится задача создания эффективных методов обобщения и интерпретации многомерных данных.

Предпосылками для исследований области интеллектуального анализа данных являются:

• накопление баз данных и сложность их непосредственного эмпирического анализа;

• развитие математических алгоритмов выявления закономерностей и поиска взаимосвязей различных показателей в базах данных;

• развитие аппаратного обеспечения.

Методы «добычи» знаний (data mining) уже активно используются при анализе рынка, маркетинге, прогнозе фондовых котировок и других бизнес-приложениях. В отличие от данных приложений, методы анализа медико-биологических баз данных практически отсутствуют. В особенности такая ситуация характерна для человеко-машинных систем, где остро стоит проблема оценки функционального состояния человека-оператора на основе поиска значимых отношений между параметрами деятельности, Вопросы построения концептуальных схем, рассматривающих организм человека с системных позиций, рассматривались в работах Анохина П.К, Амосова Н.К, Судакова К.В., Глушкова В.М, Медведева В.И., Михиенко Е.В. Методы интеллектуального анализа данных представлены в работах D.Wettschereck , D.Aha, D.Heckerman, R.Srikant, R.Agrawal, A.Gyenesei, Дюка В.А., Арсеньева СБ., Цветкова А. М. Разработке методов нечеткой логики и правдоподобных рассуждений посвящены работы Д.Дюбуа, А.Прада, Вагина В.Н., Берштейна Л.С., Астанина СВ.

В представляемой диссертации разрабатываются вопросы, связанные с исследованием особенностей медико-биологических баз данных человека-оператора на основе концепции функциональных систем организма, разработкой математических методов обнаружения закономерностей в таких базах данных, созданием алгоритмического и программного обеспечения поиска закономерностей. Данная работа является частью исследований в области анализа качества функционирования человеко-машинных систем, проводимых в Таганрогском государственном радиотехническом университете.

Целью исследований является повышение эффективности средств извлечения знаний в темпоральных медико-биологических базах данных, формируемых в процессе профессиональной деятельности человека-оператора.

Метод исследований заключается в системном подходе к разработке принципов, методов и моделей поиска закономерностей в медико-биологических базах данных человека-оператора, базирующихся на

использовании теорий функциональных систем организма, интеллектуального поиска закономерностей в базах данных, мягких вычислений, интервальной математики, кластерного анализа, математической статистики.

Научная новизна. Основным научным результатом диссертации является разработка методов поиска закономерностей в медико-биологических базах данных человека-оператора. Вклад в развитие исследований в области контроля и управления функциональным состоянием человека-оператора составляют:

• технология формирования базы данных человека-оператора в процессе проведения медико-биологического эксперимента;

• метод поиска нечетких правил в базе значений атрибутов результатов деятельности на основе кластерного анализа и алгоритмов нечеткой логики;

• метод обнаружения закономерностей в медико-биологических базах данных человека-оператора на основе концепции функциональных систем организма.

Достоверность полученных в диссертации результатов подтверждается апробацией математических методов и моделей поиска закономерностей в медико-биологических базах данных человека-оператора на основе концепции самоорганизующихся систем организма.

Практическая значимость. Полученные в диссертации результаты позволяют повысить эффективность обнаружения закономерностей в медико-биологических базах данных обучения на основе математической интерпретации самоорганизации функциональных систем человека-оператора. Предложенные математические методы и модели доведены до уровня алгоритмического и программного обеспечения. Научные и практические результаты, полученные в диссертации, представляют интерес при построении интеллектуальных экспериментальных стендов и тренажно-моделирующих комплексов, предназначенных для анализа и оценки функционального состояния человека-оператора.

Результаты диссертации были внедрены в ЗАО «Югсвязьмонтаж» (г.Кропоткин), НКБ «Миус» (г.Таганрог), ЗАО «ЮТИСС» (г.Кропоткин), Южное отделение ЦНПО «Каскад» (г.Кропоткин), при выполнении в Таганрогском государственном радиотехническом университете госбюджетной НИР «Исследование и разработка методов представления и обработки знаний в тренажно-моделирующей среде на основе методологии искусственного интеллекта», в учебном процессе кафедры систем автоматического управления Таганрогского Государственного Радиотехнического Университета.

Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на всероссийской научно-методической конференции «Телематика-2004», (г. Санкт-Петербург, 2004); на всероссийской научно-технической конференции «Компьютерные и информационные технологии в науке, инженерии и управлении» (г.Таганрог, 2004); на всероссийской научно-практической конференции «Человеческое измерение в информационном обществе», (Москва, 2003); на VII всероссийской научно-

технической конференции студентов и аспирантов (г.Таганрог, 2003); на третьей всероссийской научно-методической конференции «Развитие методов и средств адаптивного компьютерного тестирования» (г.Москва, 2005). Публикации. Результаты теоретических и экспериментальных исследований нашли свое отражение в 8 печатных работах.

Структура и объем диссертации. Диссертация состоит из введения, трех глав, заключения, списка литературы и приложения. Общий объем работы составляет 185 страниц, в том числе основного текста 148 страниц, включая 23 рисунка, списка литературы из 87 наименований, приложения на 37 страницах.

СОДЕРЖАНИЕ РАБОТЫ

Во введении обосновывается актуальность темы диссертационной работы, приводится формулировка цели и задач исследований, отмечаются полученные новые научные результаты, их практическая ценность, реализация, апробация и структура диссертации.

В первой главе диссертации рассматриваются проблемы оценки функционального состояния человека-оператора, анализируется специфика обработки медико-биологической базы данных человека-оператора, рассматриваются преимущества и недостатки современных методов интеллектуального анализа данных применительно к специфике задач исследований.

В силу необходимости адаптации человека-оператора к постоянно изменяющейся информационной потребности встает вопрос о качественной и количественной ее оценке, которую традиционно определяют через понятие «функциональное состояние». Общепринято о функциональном состоянии судить по следующим параметрам:

- по непроизвольным сдвигам физиологических функций человека-оператора, объективно регистрируемых в процессе его деятельности (психофизиологический подход);

- по результатам тестирующих сигналов параллельно с осуществлением функций по управлению (психологический подход);

- по результатам действий человека-оператора (поведенческий подход).

Накопленный эмпирический опыт, лежащий в основе оценки

функционального состояния организма, вобрал в себя основные принципы системной концепции к исследованию поведенческих и психофизиологических реакций человека. К ним относятся, в частности, известные положения о том, что каждый организм является индивидуальным и при диагностике необходимо обращать внимание не только на нарушенные функции и системы организма, но и на весь организм в целом.

К недостаткам психофизиологических методов, при оценке функционального состояния человека-оператора, следует отнести тот момент, что все они базируются на понятии медицинской «нормы» человека как

некоторого рубежа, отделяющего здоровье от патологии. Вместе с тем исследования показали, что «норма» человека-оператора, с физиологической точки зрения, может значительно отличаться от «нормы» обычного человека.

Практически все существующие тесты оценивают способность к переработке информации в спокойных условиях и не измеряют надежность информационных процессов в стрессовых условиях. Кроме того, большинство психологических тестов расходятся с оценкой психофизиологической цены той информационной деятельности, которая осуществляется в процессе тестирования.

К недостаткам методик, оценивающих поведенческие реакции, следует отнести тот факт, что, как правило, они ориентированны на фиксацию и анализ отдельных актов поведенческой деятельности человека-оператора и не рассматривают в целом особенности индивидуального поведения.

Выход видится в проведении более широких исследований на основе создания автоматизированных экспериментальных стендов, позволяющих с системных позиций дать индивидуальную оценку функционального состояния человека-оператора. На сегодня отсутствуют систематизированные исследования постоянного контингента операторов в течение времени, достаточного для получения индивидуализированной базы психофизиологических и поведенческих параметров и для расчета из них значений индивидуальной нормы. Несмотря на обилие работ в области оценки функционального состояния (ФС) и на признание системного характера ФС, отсутствие системной теории контроля и управления ФС, затрудняет получение регистрируемых системных показателей человека-оператора, инвариантных к различным видам деятельности.

Стенд строится как человеко-машинная система, в которой человек-оператор выполняет управление объектом в среде виртуальной реальности. При этом результат его деятельности рассматривается как системообразующий фактор, объединяющий поведенческие и психофизиологические подсистемы в единую систему, направленную на достижение поставленных перед оператором результатов. Основная цель экспериментов состоит в определении данных подсистем, выделении механизмов взаимодействия подсистем и построении концепции управления человеком-оператором на этой основе.

Задачи обработки экспериментальных данных всегда зависят от некоторой концептуальной схемы, в рамках которой выдвигаются определенные гипотезы относительно изучаемого объекта и цели эксперимента. В качестве такой концептуальной схемы, в диссертации, используется теория функциональных систем, предложенная П.К.Анохиным и развитая К.В.Судаковым.

На рис.1, приведена кибернетическая схема работы отдельной ФС.

Активность ФС определяется заданной целью G. В каждый момент времени ^ кроме цели на вход ФС подается информация об окружающей среде и о самой системы, которая определяется вектором состояния Считается,

что в некоторый момент ^ ФС может совершить одно из действий Ар И -Блок афферентного синтеза осуществляет прогноз результатов действий для каждого А[, А„, оценивая достоверность правил S вида:

X|&X2&...&Xlc&Aj—-—> в, где р - условная вероятность достижения цели G при имеющемся входе хи ..., хк и действии А Блок принятия решений выбирает правило Sj с максимальным значением р.

Тем самым выбирается и реализуется соответствующее действие А Результат ^ действия А| оценивается в блоке оценки результатов в виде

. В случае совпадения цели G и результата ^ или их близости

акцептор результатов действий увеличивает достоверность

выбранного правила Sj. В противном случае достоверность правила либо уменьшается, либо не изменяется. Одновременно с принятием решений акцептор результатов действий осуществляет прогноз будущего состояния Х^+1) в зависимости от выбранного действия А На основе прогноза будущего состояния акцептор результатов действий может изменять параметры вышестоящей и нижестоящей системы, «настраивая» их на выполнение новых действий по реализации цели G (потоки информации 4, 5). В случае, если

разность ||0-К.^| значительно больше £, акцептор результатов действий

может сформировать новую функциональную систему.

В связи с тем, что рассматривается деятельность человека-оператора, будем считать, что верхним уровнем иерархии функциональных систем, обеспечивающих цель деятельности, является поведенческая ФС. В этом случае цель О задается извне. Отметим, что реализация цели О может быть не мгновенной, а проявляться через определенную последовательность (программу) действий. Иначе говоря, цель распадается на совокупность подцелей, т.е. В этом случае работа ФС может быть

следующей. Блок афферентного синтеза, в зависимости от текущего состояния

Х^) выбирает из базы 8 набор правил (Х(0 —-—> иОМд. Блок принятия решений из данного набора определяет наилучшее действие, с точки зрения вероятности (достоверности) достижения подцели ^ и информирует об этом ФС нижнего уровня иерархии (поток 3). Акцептор результатов действий осуществляет прогноз будущего состояния в состав которого входят

как параметры целевого поведения (информационный аналог подцели gs), так и параметры ФС нижнего уровня (информационный аналог параметров физиологических подсистем организма). При этом информация о прогнозе передается ФС нижнего уровня, настраивая их параметры под прогнозные параметры. Иначе говоря, еще до осуществления какого-либо действия у поведенческой ФС уже имеется представление о результате действия, как относительно реализации подцели g., так и относительно изменения параметров других ФС. Одновременно с этим блоком принятия решений передается управляющая информация, задающая цели для ФС нижнего уровня, выполнение которых позволяет реализовать выбранное действие Л|.

Таким образом, исходя из особенностей работы ФС, можно выделить основные задачи обработки базы данных. Во-первых, необходимо на основе анализа поведения человека-оператора сформировать базу знаний 8, т.е.

определить совокупность правил вида Второй задачей

является определение возможных программ действий, обеспечивающих, в той или иной степени, достижение цели О. И наконец, третьей основной задачей является формирование правил определяющих опережающее

отражение ФС.

Для решения данных задач был сделан анализ существующих методов поиска закономерностей в базах данных. Ни один из существующих методов интеллектуальной обработки данных не способен покрыть все задачи, обеспечивающие оценку функционального состояния и поддержку принятия управленческих решений на основе интеллектуального анализа содержимого хранилищ медико-биологических данных человека-оператора.

Во второй главе рассматривается методика построения базы данных человека-оператора в процессе проведения медико-биологического

эксперимента, позволяющая в среде виртуальной реальности имитировать профессиональную деятельность и формировать поведенческую функциональную систему человека-оператора. Здесь же разрабатываются метод поиска нечетких правил в базе значений параметров деятельности, основанный на кластерном анализе и нечеткой логике, и метод формирования гипотез и нечетких правил в медико-биологической базе данных, основанный на концепции функциональных систем организма.

Как было показано ранее при оценке функционального состояния доминирующей, с точки зрения функциональной системы, является поведенческая функциональная система. Целью данной системы является цель деятельности человека-оператора. В этой связи логично выделять информативные параметры и формировать базу данных на их основе с учетом специфики поведения человека-оператора при выполнении им определенной деятельности. В этой связи рассматривалась та деятельность человека-оператора, которая является не только мотивированной и целесообразной, но и ориентирована на последовательное во времени принятие решений для достижения цели деятельности. Как первое, так и второе условия согласуются с работой функциональной системы (рис.1). Первое условие определяет составляющую вектора X(t), второе связано с формированием программы действий функциональной системы.

Поведенческие характеристики человека-оператора определялись в ходе проведения эксперимента. На первой стадии эксперимента осуществлялось построение поведенческой модели в виде нечеткого недерминированного автомата (рис.2).

Рис.2. Фрагмент автоматной модели для первого этапа деятельности

Вершины автомата представляют собой возможные результаты деятельности, а ребра - управляющие решения. Адекватность модели поведения определяется числом задач, поэтому необходимо, чтобы оно было как можно больше. Эксперимент разбит на 3 части. В первой части на основе временных параметров деятельности одного хорошо подготовленного оператора определяется шкала оценки управляющих решений. Во второй количество операторов увеличено до десяти. Целью этого этапа является определение вероятности изменения поведения оператора в процессе решения задачи. Заключительной частью эксперимента является формирование базы данных на основе параметров деятельности оператора и его психофизилогического состояния. На основе этих данных определяются принципы построения системы генерации и синтеза знаний. Важным элементом достоверности результатов на данном этапе эксперимента является степень синхронизации съема информации.

Характеристика состояний модели поведения является интегральным показателем, зависящим от параметров выполняемой человеком-оператором деятельности. В частности, для рассматриваемой модели деятельности в среде виртуальной реальности, к таким параметрам относятся: число или процент уничтоженных объектов нападения, живучесть носителя, расход боеприпасов, время решения i-ro этапа задачи (время перехода из пункта а; в пункт bj). Для реальной деятельности подобных параметров может быть значительно больше. В этой связи стоит задача получения зависимости между параметрами деятельности и характеристиками состояний. В подобной постановке данная задача является типичной задачей поиска закономерностей, решаемой методами интеллектуального анализа данных.

Будем рассматривать базу экспериментальных данных с количественными значениями, относящимися к различным характеристикам (атрибутам) объекта, например - температура, давление и т.п. Задача состоит в поиске закономерностей между совокупностями свойств атрибутов объекта и некоторым заключением, относительно рассматриваемого объекта, например управляющего решения, изменяющего его состояние, принадлежности объекта к некоторому классу и т.п. Другими словами задача состоит в построении правил типа «если X есть А, то Y есть В». Неопределенность решения состоит в том, что заранее известны либо лингвистические метки, характеризующие атрибуты X, либо их число, а также количество лингвистических меток, характеризующих заключение Y. Например, рассмотрим объект с атрибутами Х={Х,, Х2}={возраст, уровень дохода}. Тогда лингвистические метки (значения) А| и А2 могут быть следующими: А|={молодой, средний, пожилой} и А2={низкий, высокий}, а В={класс1, класс2, классЗ}.

Первый этап решения поставленной задачи построения правил if-then состоит в определении формальных описаний лингвистических меток. Идея подхода к описанию меток состоит в следующем:

1) используя методы кластерного анализа, по базе экспериментальных данных определяются кластеры количественных значений атрибутов и центры кластеров;

2) на основе выделения в каждом кластере минимального и максимального значений атрибутов, а также центров различных кластеров, строятся интервалы значений, являющиеся областями определений лингвистических меток;

3) генерируются функции принадлежности значений интервалов к лингвистическим значениям атрибутов;

4) осуществляется переход от базы данных с количественными значениями атрибутов к базе данных с лингвистическими значениями атрибутов.

Формально это состоит в следующем.

Пусть Е={е1, е2, ..., ер} - база количественных данных с р записями. Запись е; 0=1, р) - является множеством количественных значений ау, ¿= 1, Ш, т.е. е,={аць а,,2, ...а^т}, где т - число атрибутов. Каждое значение ад соотносится с лингвистической меткой из множества Ь={11.у, ..., 1т,„} .¡-го атрибута. Так как число записей базы данных может быть значительным, необходимо сгруппировать а^ в интервалы, в пределах, каждого из которых, а^ определяют одно и то же лингвистическое значение атрибута, возможно с разной степенью. Пусть {г^ г2, ..., гк} - к центров кластеров, найденных из базы данных Ест

атрибутами, где ^{а^, аг>2, ..., аг,т} (г=1, к) - центр г-го кластера. Будем интерпретировать {а^, а2Л, ..., ам}, ... {а,.™ а2,т, ак.т}, как множества наиболее характерных значений нечетких множеств, для .¡-го атрибута, т.е. таких значений, которые в наиболее точно характеризуют соответствующее лингвистическое значение ^го атрибута.

Для определения центров кластеров, в принципе, можно воспользоваться любым алгоритмом кластерного анализа. Нами использовался алгоритм К внутригрупповых средних. В результате выполнения алгоритма будем иметь к центров гх={а£,х, а1>2, ..., аы}, ..., 2к={ам, ак,2, ..., ак,га} и соответственно к кластеров Б2,..., 8к.

Предположим, что для Уг, f г> 2, ..., к, значения а^, а^

соотносятся с различными лингвистическими метками. Упорядочим (например, по убыванию) значения {а],ь а2,1, •••, а^},... {а!,т, а2,т,..., ак,„,} по отношению к .¡-му атрибуту. Пусть а,,,<а2,,<...<ак,1, а,.2<а2,2<...<ак,2) ..., а|,т<а2,т<...<ак,т. Назовем значения а^, а2 |, ..., ак1 характерными значениями 1-го атрибута, а значения а1,т, а2т, ..., ак,т - характерными значениями т - го атрибута,

соответственно. Определим на множестве кластеров {Бг}, г=1, к, минимальные и максимальные числовые значения .¡-го атрибута, т.е. пп^ и тах;. Зададим множества интервалов, на которых определены лингвистические метки .¡-го

атрибута: {[min,, a2iI], [au, a3,,], ... [ak.u, max,]}, {[min2, a2,2], [a1>2, a3i2],... [аы,2, max2]},..., {[minm, a2>m], [a,.m, a3.m],... [аы>т, maxm]}.

Построим нечеткие множества для каждого интервала j-ro атрибута. Нечеткое множество с характерным значением aij задается функцией принадлежности вида:

Р,,/х)=

1.0, еслих<а,^

х-а

2J

■a2.j

если a, j < х < a2 j,

(1)

0, если х > а2 j Нечеткое множество с характерным значением а^ задается функцией: 0, если х < а(к_()}

Fkj(x)=

х-а

(k-D.j

если a(k_I} j < х < ak j.

ak,j a(k-l),j

1.0, ecлиx>akj

(2)

Очевидно, что с помощью формул (1,2) можно построить крайние левую и правую функции принадлежности нечетких множеств лингвистических меток.

Для вычисления нечетких множеств, расположенных между левой и правой лингвистическими метками, используется формула (3). При этом берутся характерные значения arj, обладающие свойством: 2<г<(к-1).

После построения функций принадлежности нечетких множеств по каждому j-му атрибуту экспертным путем им сопоставляются лингвистические метки

{Lj}, {L2}, ..., {Lra}. Кроме того, экспертами определяется семантика полученных кластеров, которая также может быть лингвистической.

Задание нечетких множеств позволяет перейти от базы количественных значений к базе качественных значений, которая и является основой для выделения возможных закономерностей в базе данных. Для оценки значимого множества закономерностей в виде нечетких правил if-then определялась нечеткая степень поддержки правила (4) и нечеткая степень уверенности в правиле (5):

где ц(х])е11,у, ..., Ц(хга)е1т,ц, ц(у)е 1*. - функции принадлежности

значений атрибутов к лингвистическим меткам соответствующих атрибутов; XI, ..., Хга, - множество атрибутов посылки правила, У - атрибут заключения правила.

Выше была поставлена задача поиска закономерностей, связанная с функционированием акцептора действий поведенческой ФС, в виде правил, которые определяют влияние поведенческих параметров человека-оператора на психофизиологические параметры, и обратно. При этом возможны следующие варианты:

- изменение значений психофизиологических параметров является подготовкой к будущим изменениям внешней среды в предположении выполнения некоторого действия;

- изменение значений поведенческих параметров является следствием изменения функциональной системы;

при изменении значений поведенческих параметров, психофизиологические параметры не изменяются.

Подобная особенность поведения акцептора действий называется опережающим отражением или антиципацией. В отличие от задачи поиска закономерностей, рассмотренной выше, здесь важна динамика наблюдаемых значений параметров и фиксация момента, когда значения параметров

функциональной системы существенно изменяются, либо на основе прогноза результатов собственных действий другой функциональной системы, либо при изменении цели. Формально данное отличие можно сформулировать следующим образом. Пусть, как и раньше, E={ei, е2, ..., eN} - база

количественных данных с N записями. Запись ei (i=l, N) - является

множеством значений ад атрибутов (параметров) Aj, j=l, m, т.е. erfa^, ...aim}, где m - число атрибутов (параметров), ieT={l, 2, ..., N}. Здесь множество Т определяет последовательные моменты времени синхронно фиксируемых параметров, аи, ...aj,m_i являются значениями

психофизиологических параметров, а а,.т - является значением поведенческого параметра, которое характеризует соответствующий кластер, выявленный в ходе кластеризации параметров деятельности человека-оператора в соответствии методикой, рассмотренной выше.

Проблема состоит в поиске правил, определяющих влияние значений поведенческих параметров на значения психофизиологических параметров, и, наоборот, на основе обнаружения эффекта опережающего отражения при анализе базы данных.

При подобной постановке значения aim являются лингвистическими характеристиками кластеров, число которых определяется числом значений ai>m. Пусть, для определенности Ага={р!, р2, ... рч}, т.е. число значений поведенческого атрибута Ат, как и число кластеров, равно q. Очевидно, что

каждый кластер pf, f=l, q, определяется теми записями е, (i=l, N), в которых

ai,m=Pf-

Перейдем от количественных значений атрибутов к лингвистическим значениям. Для простоты изложения будем рассматривать два атрибута. Пусть ay, ai+1j, ai-m, ai+i,m - значения атрибутов Aj, Am, зафиксированные в последовательные моменты времени i и i+1, причем aiim=ai+iiin. В этом случае значения ay, a^j принимаются за точки плана эксперимента на интервале INT|=[ci, di], границы которого неизвестны. Для их вычисления используется следующая система уравнений:

где Ь, = , a Ft, Fk.2 - числа Фибоначчи, которые определяются

последовательностью Р0=Р|=1, Рк=Ры+Ры для к>1, причем к выбирается достаточно большим. Интервал ШТ|=[С|, (11] является первым приближением области определения некоторой лингвистической метки атрибута А^ Пусть а!.т=а1+|,т=р|. Тогда можно сформировать первую гипотезу, относительно

a,j=ci+(drci) £ 3ri j=dr(drci) Е,,

(6)

влияния поведенческого атрибута на интервал значений психофизиологического атрибута, а именно р| —> ПЯТ]. Если для последующих записей базы данных выполняются условия а1+1<), а1+2^, ... е 1МТ|=[С|, с1|], а,41,т=а,(2,т---=рь то данная гипотеза будет окончательной.

Пусть А1 - прогнозируемый интервал времени (порог антиципации), в течение которого изменяется значение поведенческого атрибута а,+ Д( >т, при условии, что a1+2j 0 ГЫТь либо а,+ Д1 д ё ШТ] при условии а1+2,т р|.

Определение 1. Значение психофизиологического атрибута а1+у£ШТ1 при условии, что значение поведенческого атрибута а,+Д1 а,,га, а также значение поведенческого атрибута а,+1,т^р1 при условии а^Д^^ЮТ! назовем антиципациями.

Введенное определение антиципации позволяет рассмотреть два варианта развития событий при анализе базы данных.

Первый вариант связан с опережающим изменением психофизиологических параметров. Пусть а,^ £ ГЫТ| - антиципация. Это означает, что в течение времени Д1 изменилось значение а,+ Д1 а1>т^ р^ Для определенности пусть а1+ Д1 ,т=Р2- Тогда, как и раньше, значения а,+3 д рассматриваются как точки плана эксперимента на интервале ШТ2=[с2, с12], фаницы которого неизвестны. Для вычисления границ интервала ГЫТ2 решается система уравнений:

а,+^=с2+((12-с2)^ a|+зj=d2-(d2-c2) 2,

Новая гипотеза будет иметь вид: р2 —> ШТ2.

Второй вариант определяет опережающее отражение значений поведенческого атрибута по отношению к значениям психофизиологических параметров. Пусть а|+2,т=р2 - антиципация. Это означает, что в течение времени А1 изменилось значение а1+Д1^, причем а,+ Д1 ^ ЮТ,. В этом случае вычисляются границы интервала ЮТ3=[с3, dз] относительно точек плана эксперимента а,+ Д1 а,+ Д1 +1 а гипотеза примет вид: ЮТ3 —> р2.

Таким образом, в общем случае, при анализе базы данных можно сформировать два вида гипотез: Р(—>ГЫТ|, ЮТУ —> рг, где 1 - число интервалов значений психофизиологических параметров поведенческой функциональной системы, V - число интервалов значений психофизиологических параметров

психофизиологической функциональной системы, 1, .

Результатом всех вычислений является получений гипотез вида р(~>1МТ1, ШТУ—>рг, которые связывают интервалы значений психофизиологических параметров с лингвистическими значениями поведенческих параметров. При этом остается открытым решение вопроса о переходе от количественных

значений психофизиологических параметров к качественным (лингвистическим) значениям. Дело состоит в том, что полученные интервалы представлены достаточно «сырыми» данными, которые могут повторяться в различных интервалах. В этом случае появляется неопределенность в сопоставлении интервалов между собой. Для преодоления этой неопределенности введем понятие подобия интервалов на основе метрического расстояния между интервалами.

Пусть INTi=[C[, d|] и INT2=[c2, d2] - интервалы.

Определение 2. Интервалы INTi и INT2 называются подобными, если р(INT|, INT2)< а, где p(INT,, INT2)=max{|ci-c2|, |drd2|}, а - наперед заданное вещественное число.

Определение 3. INTi<INT2 тогда и только тогда, когда ci<c2 и di<d2.

Определение 4. Если интервалы INTi и INT2 подобны, то их обобщением будет являться интервал INT=INT| UINT2.

Введенные определения позволяют с одной стороны удалить избыточные интервалы, с другой упорядочить интервалы, сформированные после обобщения.

Пусть в результате обобщения сформированы интервалы INTi, INT2, ..., INT„, причем INTi<INT2<...<INTn. Считая п за число кластеров значений атрибута Aj„ воспользуемся процедурой К-внутригрупповых средних для определения центров кластеров Z|, z2, ..., z„, которые будут являться характерными значениями j-ro атрибута. Определим для каждого j-ro атрибута минимальные и максимальные числовые значения - mirij и maxj. Как и раннее зададим множество интервалов, на которых определены лингвистические метки j-ro атрибута: {[mirij, z2], [z1( z3], ... [zn.i, maxj]}. Используя формулы (1-3), для

каждого интервала j-ro атрибута построим нечеткие множества Grj, г= 1, п,

j= 1, Ш, и экспертным путем зададим лингвистические значения (метки) для каждого нечеткого множества.

Следует отметить, что интервалы [min,, z2], [z1; z3], ... [z„.|, maxj] могут не совпадать с интервалами INTi, INT2, ..., INTn. Последние получены на основе анализа экспериментальных данных и применения операций интервальной математики. Их формирование было необходимо для вычисления числа кластеров j-ro атрибута, которое априори неизвестно, и обоснования применения процедуры К-внутригрупповых средних для получения центров кластеров с целью перехода от количественных интервалов к лингвистическим значениям.

После перехода к лингвистическим значениям получим наборы правил вида pf—>G|j, GVj—>pf. Процедура построения таких правил осуществляется для

каждой пары значений (A,, pf) и (AJ; Au), j Ф u, j,u=l, m. Полученные правила

определяют бинарные отношения между психофизиологическими и поведенческими параметрами.

Для окончательного формирования набора правил анализируются противоречия в правилах, возникающие из-за бинарного характера анализа на основе предыдущей процедуры, за счет перехода к анализу многомерных отношений вида:

Для определения нечетких поддержки и уверенности данных правил используются формулы (4, 5).

В третьей главе рассматривается программно-алгоритмическая реализация разработанных методов и результаты их применения при анализе экспериментальных баз данных. В частности описывается система построения модели поведения человека-оператора, система кластеризации экспериментальных данных и структура интеллектуальной системы медико-биологического эксперимента (рис.4)

Рис.3. Структура интеллектуальной системы медико-биологического

эксперимента

В заключении формулируются основные результаты, полученные в диссертационной работе.

В приложении представлены листинги программ, а также результаты обработки экспериментальных данных.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

Основное внимание было уделено проблемам разработки методов и моделей поиска закономерностей в медико-биологических базах данных на основе концепции функциональных систем организма.

При решении этих проблем были получены следующие результаты:

• разработана технология моделирования базы данных человека-оператора в процессе проведения медико-биологического эксперимента;

• разработана модель поиска нечетких правил в базе значений атрибутов результатов деятельности, отличающийся от известных применением алгоритмов кластерного анализа и нечеткой логики;

• разработана модель обнаружения закономерностей в медико-биологических базах данных человека-оператора, отличающийся от известных учетом особенностей механизма самоорганизации функциональных систем организма;

• разработаны прикладные средства интеллектуального анализа данных, на основе предложенных в диссертационной работе методов и моделей.

ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ

1. Астанин СВ., Чепиков Э.В. Особенности обработки медико-биологических баз данных человека-оператора /Перспективные интеллектуальные технологии и интеллектуальные системы.-ТаганропТРТУ, №1,2005.

2. Астанин СВ., Жуковская Н.К., Чепиков Э.В. Обнаружение закономерностей в медико-биологических базах данных человека-оператора/Перспективные интеллектуальные технологии и интеллектуальные системы.-ТаганропТРТУ, №1,2005.

3. Чепиков Э.В. Поиск стратегий поведения человека-оператора в ходе проведения эксперимента/Материалы всероссийской научно-технической конф. «Компьютерные и информационные технологии в науке, инженерии и управлении».-Таганрог: ТРТУ, 2004.x

4. Астанин СВ., Жуковская Н.К., Чепиков Э.В. Поиск нечетких правил на основе анализа базы данных/Перспективные интеллектуальные технологии и интеллектуальные системы.-ТаганропТРТУ, №4,2004.-С11-24.

5. Астанин СВ., Чепиков Э.В. Особенности построения тренажно-моделирующего комплекса оценки функционального состояния обучаемого/

Труды XI Всероссийской науч.-мет. конф. «Телематика-2004».-СПб. 2004. Т.2.-С.203-204.

6. Астанин СВ., Жуковская Н.К., Чепиков Э.В. Игровая обучающая экспертная система//Материалы всероссийской начн.-практ. конф. «Человеческое измерение в информационном обществе».-М.:ВВЦ, 2003.-С115-116.

7. Астанин СВ., Чепиков Э.В. Принципы построения тренажно-моделирующих комплексов в среде виртуальной реальности/ Материалы всероссийской начн.-практ. конф. «Человеческое измерение в информационном обществе».-М.:ВВЦ, 2003.-С116

8. Чепиков Э.В. Синтез знаний в медико-биологических базах данных обучаемого//Материалы третьей Всероссийской научно-метод. конф. «Развитие методов и средств компьютерного адаптивного тестирования».-М.:МГУП. 2005.-С238-241

Личный вклад автора в работах, написанных в соавторстве, состоит в следующем:

• работа [1] - формальное описание функциональной системы;

• работа [2] - метод формирования отношений в многомерных базах данных;

• работа [5] - метод поиска возможных правил на основе снижения порога достоверности;

• работы [6-8] - принципы построения и структура тренажно-моделирующего комплекса.

Соискатель _ ---ЭтВ.Чепиков

Типография Таганрогского государственного университета. Заказ № .Тираж 100 экз. 2005г.

13

радиотехнического

¡::зл 2005

ВВЕДЕНИЕ

1. ОСОБЕННОСТИ АНАЛИЗА ФУНКЦИОНАЛЬНОГО СОСТОЯНИЯ ЧЕЛОВЕКА-ОПЕРАТОРА

1.1. Проблема оценки функционального состояния человека-оператора

1.2. Специфика моделирования медико-биологической базы данных человека-оператора

1.3. Современные модели поиска закономерностей в базах данных

1.4. Выводы

2. ГЕНЕРАЦИЯ И СИНТЕЗ МОДЕЛЕЙ ЗНАНИЙ НА ОСНОВЕ АНАЛИЗА БАЗЫ ДАННЫХ ЧЕЛОВЕКА-ОПЕРАТОРА

2.1. Моделирование базы данных человека-оператора в процессе проведения медико-биологического эксперимента

2.2. Модель поиска нечеткий правил if-then в базе значений атрибутов . результатов деятельности

2.3. Модель поиска закономерностей в медико-биологической базе данных человека-оператора

2.4. Выводы

3. ПРОГРАММНО-АЛГОРИТМИЧЕСКОЕ ОБЕСПЕЧЕНИЕ СИСТЕМЫ ПОИСКА ЗАКОНОМЕРНОСТЕЙ

3.1. Система обнаружения индивидуальных стратегий поведения человека-оператора

3.2. Система кластеризации экспериментальных данных

3.3. Принципы построения и структура интеллектуальной системы медико-биологического эксперимента

3.4. Выводы 138 ЗАКЛЮЧЕНИЕ

Актуальность проблемы. Получение практически полезных и доступных интерпретации знаний необходимо для принятия решений в различных сферах человеческой деятельности. Подобные задачи актуальны в областях, где присутствуют большие информационные массивы неоднородных, меняющихся во времени данных высокой размерности.

Проблема извлечения знаний и выявления скрытых закономерностей в массивах данных подразделяется на пять различных задач: нахождение ассоциаций, нахождение последовательностей, классификацию, кластеризацию и прогнозирование [1]. Обобщение и аналитическое представление накопленной информации осуществляется с двумя целями. Первая состоит в том, чтобы гарантировать принятие рациональных решений, риск потерь которых сведен к минимуму. Вторая заключается в том, чтобы понять механизм принятия решений. Пользователь, принимая определенное решение, нуждается в содержательном ответе на вопросы, как он получил это решение, почему он должен следовать этому решающему правилу, и т.д.

В связи с этим, актуальной становится задача создания эффективных методов обобщения и интерпретации многомерных данных.

Фактически базы данных выполняют функцию памяти, доступ пользователя к хранилищу данных обеспечивает только извлечение небольшой части из хранимой информации в ответ на четко задаваемые вопросы. Но когда мы имеем огромный поток информации, встает задача максимально целесообразно использовать эту информацию, чтобы извлечь спрятанное в данных знание с целью оптимизировать управление какими-либо процессами, улучшить деятельность организации. Можно было бы использовать армию аналитиков, статистиков, которые бы разбирались с этими данными, используя традиционные средства анализа данных. Но сейчас эта задача не может быть решена только силами человека в силу гигантского объема данных экономической неэффективности такого решения. Кроме того, не всегда получаемые аналитиками результаты являются объективными, поскольку люди руководствуются некоторыми соображениями, априорными представлениями об изучаемом предмете, что отражается на объективности получаемых результатов.

Предпосылками для исследований области интеллектуального анализа данных являются:

• накопление баз данных и сложность их непосредственного эмпирического анализа. Исследовательские базы данных даже по очень узкой тематике, могут содержать сведения о нескольких десятках, а то и сотнях различных показателей [2]. Эмпирический анализ даже такого малого объема информации весьма сложен и трудоемок;

• развитие математических алгоритмов выявления закономерностей и поиска взаимосвязей различных показателей в базах данных, успешная апробация этих алгоритмов в других областях человеческого знания;

• развитие аппаратного обеспечения. Ключевой возможностью применения технологий data mining стало огромное падение цены на устройства хранения информации за последние несколько лет, с десятков долларов за хранение мегабайта информации, до десятков центов. Падение цен на процессоры с одновременным увеличением их быстродействия также способствует развитию технологий, связанных с обработкой огромных массивов информации. Распространение клиент-серверной архитектуры также является необходимым атрибутом технологии data mining. Такой подход предоставляет возможность выполнять наиболее трудоемкие процедуры обработки данных на высокопроизводительном сервере как разработчикам проектов, так и конечным пользователям.

Модели «добычи» знаний (data mining) позволяют уменьшить остроту проблемы. Используя продвинутые аналитические методы в области добычи знаний из исходных, "сырых", данных, многие организации увеличивают прибыль, повышают производительность, сокращают затраты и увеличивают удовлетворенность клиентов. Они уже активно используются при анализе рынка, маркетинге, прогнозе фондовых котировок и других бизнес-приложениях. В отличие от данных приложений, методы анализа медико-биологических баз данных практически отсутствуют. В особенности такая ситуация характерна для человеко-машинных систем, где остро стоит проблема оценки функционального состояния человека-оператора на основе поиска значимых отношений между параметрами деятельности, психофизиологии и психологического тестирования.

Вопросы построения концептуальных схем, рассматривающих организм человека с системных позиций, рассматривались в работах Анохина П.К, Амосова Н.М., Судакова К.В., Глушкова В.М., Медведева В.И., Михиенко Е.В. Методы интеллектуального анализа данных представлены в работах D.Wettschereck , D.Aha, D.Heckerman, R.Srikant, R.Agrawal, A.Gyenesei, Дюка B.A., Арсеньева С.Б., Цветкова A. M. Разработке методов и моделей нечеткой логики и правдоподобных рассуждений посвящены работы Д.Дюбуа, А.Прада, Вагина В.Н., Берштейна Л.С., Астанина С.В.

В представляемой диссертации разрабатываются вопросы, связанные с исследованием особенностей медико-биологических баз данных человека-оператора на основе концепции функциональных систем организма, разработкой математических методов обнаружения закономерностей в таких базах данных, созданием алгоритмического и программного обеспечения поиска закономерностей. Данная работа является частью исследований в области анализа качества функционирования человеко-машинных систем, проводимых в Таганрогском государственном радиотехническом университете.

Исследования выполнялись в рамках научно-исследовательских работ, согласно программам Министерства образования и науки Российской Федерации.

Диссертация посвящена решению научной проблемы, связанной с разработкой моделей формирования гипотез и поиска закономерностей в медико-биологических базах человека-оператора, основанных на концепции функциональных систем, введенной Ухтомским и Анохиным.

Целью исследований является повышение эффективности средств извлечения знаний в темпоральных медико-биологических базах данных, формируемых в процессе профессиональной деятельности человека-оператора. Основными задачами диссертации являются:

1. Анализ проблем, возникающих при оценке функционального состояния человека-оператора.

2. Анализ особенностей обработки медико-биологической базы данных человека-оператора.

3. Анализ существующих интеллектуальных методов обнаружения знаний применительно к медико-биологическим базам данных человека-оператора

4. Разработка модели поиска закономерностей базы данных деятельности человека-оператора;

5. Разработка модели поиска закономерностей при анализе базы медико-биологических данных на основе концепции функциональных систем организма;

6. Построение программно-алгоритмического обеспечения системы интеллектуального анализа медико-биологических данных.

В диссертации разрабатываются, исследуются и защищаются следующие основные положения:

• моделирование базы данных человека-оператора в процессе проведения медико-биологического эксперимента;

• модель поиска нечетких правил if-then в базе значений атрибутов результатов деятельности;

• модель поиска закономерностей в медико-биологической базе данных человека-оператора;

• программно-алгоритмическое обеспечение системы поиска закономерностей в базах данных медико-биологического эксперимента. Метод исследований заключается в системном подходе к разработке принципов, методов и моделей поиска закономерностей в медико-биологических базах данных человека-оператора, базирующихся на использовании теорий функциональных систем организма, интеллектуального поиска закономерностей в базах данных, мягких вычислений, интервальной математики, кластерного анализа, математической статистики.

Научная новизна. Основным научным результатом диссертации является разработка моделей поиска закономерностей в медико-биологических базах данных человека-оператора. Вклад в развитие исследований в области контроля и управления функциональным состоянием человека-оператора составляют:

• моделирование базы данных человека-оператора в процессе проведения медико-биологического эксперимента;

• модель поиска нечетких правил в базе значений атрибутов результатов деятельности на основе кластерного анализа и алгоритмов нечеткой логики;

• модель обнаружения закономерностей в медико-биологических базах данных человека-оператора на основе концепции функциональных систем организма.

Достоверность полученных в диссертации результатов подтверждается апробацией математических методов и моделей поиска закономерностей в медико-биологических базах данных человека-оператора на основе концепции самоорганизующихся систем организма.

Практическая ценность и рекомендации по применению. Полученные в диссертации результаты позволяют повысить эффективность обнаружения закономерностей в медико-биологических базах данных обучения на основе математической интерпретации самоорганизации функциональных систем человека-оператора. Предложенные математические методы и модели доведены до уровня алгоритмического и программного обеспечения. Научные и практические результаты, полученные в диссертации, представляют интерес при построении интеллектуальных экспериментальных стендов и тренажно-моделирующих комплексов, предназначенных для анализа и оценки функционального состояния человека-оператора.

Разработанные программные средства используются в процессе лабораторных исследований функционального состояние человека-оператора, проводимых в рамках научно-исследовательской программы Таганрогского государственного университета и применяются в циклах лабораторных работ по курсам «Системы искусственного интеллекта», «Теория принятия решений», «Математическое моделирование на ЭВМ».

Результаты диссертации были внедрены в НКБ «МИУС» (г.Таганрог), Центре дистанционного образования ТРТУ (г.Таганрог), на предприятии ЗАО «Югсвязьмонтаж» (г.Кропоткин), ЗАО «ЮТИСС» (г.Кропоткин), Южном отделении ЦНПО «Каскад» (г.Кропоткин), при выполнении в Таганрогском государственном радиотехническом университете госбюджетной НИР «Исследование и разработка методов представления и обработки знаний в тренажно-моделирующей среде на основе методологии искусственного интеллекта».

Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на Всероссийской научно-методической конференции «Развитие методов и средств компьютерного адаптивного тестирования» (г.Москва, 2005), на всероссийской научно-методической конференции «Телематика-2004», (г.Санкт-Петербург, 2004); на всероссийской научно-практической конференции «Человеческое измерение в информационном обществе», (Москва, 2003); на VII всероссийской научно технической конференции студентов и аспирантов (г.Таганрог, 2003), на всероссийской научно-технической конференции «Компьютерные и информационные технологии в науке, инженерии и управлении» (Таганрог, 2004).

Публикации. Результаты теоретических и экспериментальных исследований нашли свое отражение в 8 печатных работах, а также в трех отчетах по НИР.

Объем работы. Диссертация содержит 148 страниц машинописного текста, включая введение, три раздела, заключение, приложение содержит 37 страниц, список источников из 87 наименований, 23 рисунка, 4 таблицы.

3.4. Выводы

1. Поведенческая модель человека-оператора позволяет выделить его индивидуальные стратегии деятельности для многошаговых задач принятия решений.

2. Разработанная система кластеризации позволяет осуществить обработку многомерных медико-биологических данных с визуализацией результатов кластеризации.

3. Предложенная структура интеллектуальной системы медико-биологического эксперимента позволяет осуществить системные исследования операторской деятельности в человеко-машинных системах.

4. Практическая апробация метода анализа медико-биологических данных показала возможность его использования для синтеза знаний о закономерностях взаимодействия функциональных систем человека-оператора.

ЗАКЛЮЧЕНИЕ

В диссертации рассмотрены результаты исследований в области интеллектуального анализа баз данных человеко-машинных систем. Основное внимание было уделено проблемам разработки методов и моделей поиска закономерностей в медико-биологических базах данных на основе концепции функциональных систем организма.

Решение этих проблем позволяет достичь цели повышения эффективности обнаружения закономерностей в медико-биологических базах данных. При решении этих проблем были получены следующие результаты:

1. Разработана технология моделирования базы данных человека-оператора в процессе проведения медико-биологического эксперимента;

2. Разработана модель поиска нечетких правил в базе значений атрибутов результатов деятельности, отличающаяся от известных применением алгоритмов кластерного анализа и нечеткой логики;

3. Разработана модель обнаружения закономерностей в медико-биологических базах данных человека-оператора, отличающаяся от известных учетом особенностей механизма самоорганизации функциональных систем организма;

4. Разработаны прикладные средства интеллектуального анализа данных на основе рассмотренных в диссертационной работе методов и моделей.

1. Программы обнаружения знаний как выбрать? // Банковские технологии, 1997.- С. 91 - 93.

2. С.Арсеньев. Извлечение знаний из медицинских баз данных. / Internet: www.megaputer.ru/download/book.zm

3. Психологические проблемы взаимной адаптации человека и машины в системах управления/Под ред. Б.Ф.Ломова, В.Ф.Венды, Ю.М.Забродина.-М.:Наука, 1980.-320с.

4. Астанин С.В., Берштейн JI.C., Захаревич В.Г. Проектирование интеллектуального интерфейса «человек-машина».-Ростов-на-Дону: РГУ, 1990.-118с.

5. Темников М.В. Сигналы состояния человека-оператора.-М.:Наука, 1969.-С.5-17.

6. Баевский P.M., Кирилов О.И., Клецкин С.В., Математический анализ изменений сердечного ритма при стрессе.- М.: Наука, 1984. -219 С.

7. Макаренко Н.В. Психофизиологические функции человека и операторский труд.- К.: Наукова думка, 1991,- 216с.

8. Электрокожное сопротивление как показатель психофизического состояния 4eflQBeKa/http://www.skgr.narod.ru/

9. Ю.Лебедев А. Мышкин И. Бовин Б. Оценка психологических параметров личности по электроэнцефалограмме// Психологический журнал.--2002. №3.- С.96-104

10. Деев А. А., Ложкин Г. В., Спасенников В. В. Автоматизация процедуры обследования при использовании шестнадцатифакторного личностного опросника// Психол. Журнал, 1984. Т.5. № 6. -С.106— 110.

11. Н.Общая психодиагностика / Под ред. А.А. Бодалева, В.В. Столина. М.: МГУ, 1988. С.10-13.

12. Дьяченко М.И., Пономаренко В. А. О подходах к изучению эмоциональной устойчивости// Вопр. психологии. 1990. № 1 с. 106116.

13. Соколова Е. Т. Проективные методы исследования личности. М.:МГУ,1987.

14. Собчик. Л.Н. Метод цветовых выборов. Модифицированный цветовой тест Люшера: Методическое руководство. М.:МГУ, 1990.

15. Основы инженерной психологии/Под ред. Б.Ф.Ломова.-М.:Высш.шк., 1986.-448с.

16. Балабанова Л.М. Судебная патопсихология. Вопросы определения нормы и отклонений.- Донецк: Сталкер, 1998. -429с.

17. Астанин С.В., Чепиков Э.В. Особенности построения тренажно-моделирующего комплекса оценки функционального состояния обучаемого/ Труды XI Всероссийской науч.-мет. конф. «Телематика-2004».-СПб. 2004. Т.2.

18. Астанин С.В., Захаревич В.Г. Информационно-советующие комплексы систем гибридного интеллекта.- Таганрог: Изд. Таганрогского государственного радиотехнического университета, 1997 136с.

19. Астанин С.В. Правдоподобные рассуждения в системах принятия решений. Ч.2.- Таганрог: Изд. Таганрогского государственного радиотехнического университета, 2000.-1 Юс.

20. Анохин П. К. Очерки по физиологии функциональных систем. М.: Медицина, 1974. - 446с.

21. Судаков К. В. Теория функциональных систем. М.: Медицина, 1984.-224с.

22. Астанин С.В., Чепиков Э.В. Принципы построения тренажно-моделирующих комплексов в среде виртуальной реальности/ Материалы всероссийской начн.-практ. конф. «Человеческое измерение в информационном обществе».-М.:ВВЦ, 2003.-С. 116

23. Шапкин С.А., Дикая Л.Г. Деятельность в особых условиях: компонентный анализ структуры и стратегий адаптации. Психологический журнал, т. 17, 1996, 1, 19-34.

24. В. А.Федоров, Ю.Н.Антонов, М.В.Говоркян и др. Новые технологические средства в медицинской диагностике// Международная конференция по биомедицинскому приборостроению БИОМЕДПРИБОР 98, 1998.

25. Леонова А.Б., Медведев В.И. Функциональные состояния человека в трудовой деятельности.-М.: МГУ, 1981.-110с.

26. Корольков А. А., Петленко В. П. Философские проблемы теории нормы в биологии и медицине.- М.: Медицина, 1977,- 392с.

27. Судаков К.В. Кибернетические свойства функциональных систем//Вестник новых медицинских технологий. Тула, 1998. Т.5. -С.12-19.

28. Анохин П.К. Биология и нейрофизиология условного рефлекса. -М.: Медицина. 1968. 548с.

29. Анохин К.В., Бурцев М.С., Зарайская И.Ю., Лукашев А.О., Редько В.Г. Проект "Мозг Анимата": разработка модели адаптивного поведения на основе теории функциональных систем //http://wsni2003.narod.ru/Papers/Anokhin.htm.

30. Михиенко Е.В., Витяев Е.Е. Моделирование работы функциональной системы//Труды научной сессии МИФИ «Нейроинформатика-2004». 4.2, 2004.-С. 124-130.

31. Астанин С.В., Чепиков Э.В. Особенности обработки медико-биологических баз данных человека-оператора /Перспективные интеллектуальные технологии и интеллектуальные системы.-ТаганропТРТУ, №2, 2005.

32. Parsaye К. A Characterization of Data Mining Technologies and Processes // The Journal of Data Warehousing. -1998.-№ 1.

33. Parsaye K. Surveying Decision Support: New Realms of Analysis // Database Programming and Design. 1996. - № 4.

34. Newquist H. P. Data Mining: The AI Metamorphosis // Database Programming and Design. 1996. - № 9.

35. Альперович M. Технологии хранения и обработки корпоративных данных (Data Warehousing, OLAP, DataMining)// www.sft.ru|rewiews|DevCon97/DC2/DC2T 12.htm.

36. Эделстейн Г. Интеллектуальные средства анализа, интерпретации и представления данных в информационных хранилищах // ComputerWeek-Москва. 1996. - № 16. - С. 32-33.

37. Wettschereck D., Aha D. W., Mohri Т. A Review and Empirical Evaluation of Feature Weighting Methods for a Class of Lazy Learning Algorithms // Artificial Intelligence Review. -11. P. 273-314.

38. Aha D. W. An Implementation and Experiment with the Nested Generalized Exemplars Algorithm (Technical Report AIC-95-003). -Washington, DC: Naval Research Laboratory, Navy Center for Applied Research in Artificial Intelligence, 1995.

39. Brand E., Gerritsen R. Naive-Bayes and Nearest Neighbor // DBMS. -1998.-№7.

40. Heckerman D. Bayesian Networks for Data Mining // Data Mining and Knowledge Discovery. 1997. - № 1. - P. 79-119.

41. Гупал A. M., Пономарев А. А., Цветков A. M. Об одном методе индуктивного вывода с подрезанием деревьев решений // Кибернетика и системный анализ. 1993. - № 5. - С. 174-178.

42. Цветков А. М. Разработка алгоритмов индуктивного вывода с использованием деревьев решений // Кибернетика и системный анализ. 1993. - № 1. - С. 174-178.

43. Brand Е., Gerritsen R. Decision Trees // DBMS. 1998. - № 7.

44. Fuernkranz J. Separate-and-Conquer Rule Learning. Vienna: Austrian Research Institute for Artificial Intelligence, Technical Report OEFAI-TR-96-25,1996

45. Parsaye К. Rules are Much More than Decision Trees // The Journal of Data Warehousing. 1997. - № 1.51 .Уоссермен. Ф. Нейрокомпьютерная техника: Теория и практика. М.: Мир, 1992. - 240с.

46. Аджиев В. MineSet визуальный инструмент аналитика // Открытые системы. - 1997. -№3.-С. 72-77.

47. Киселев М., Соломатин Е. Средства добычи знаний в бизнесе и финансах // Открытые системы. 1997. - № 4. - С. 41-44.

48. Елисеева И. И., Юзбашев М. М. Общая теория статистики / Под ред. чл.-корр. РАН И. И. Елисеевой. М.: Финансы и статистика, 1996. -368с.

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

50. Quinlan J. R. С4.5: Programs for Machine Learning. San Mateo, CA: Morgan Kaufmann, 1993.

51. Pagallo G., Haussler D. Boolean feature discovery in empirical learning // Machine Learning. 1990. - 5. - P. 71-99.

52. Мусаев A.A. Интеллектуальный анализ данных: Клондайк или Вавилон? // Банковские технологии. №11-12, 1998.

53. Kuo Н.С., Wang H.G. Design optimization with genetic search algorithms. Journal of the Society of Naval Architects and Marine Engineers, Vol. 17, No. 1, pp. 39-48, 1998.

54. R. Srikant, R. Agrawal. 'Mining quantitative association rules in large relational tables'. In Proceedings of the ACM SIGMOD Conference on Management of Data, Montreal, Canada, June 1996.

55. Арсеньев С.Б., Бритков В.Б., Маленкова H.A. Использование технологии анализа данных в интеллектуальных информационных системах// Управление информационными потоками: Сборник трудов

56. Института системного анализа РАН. М.: Эдиториал УРСС, 2002. с.47-68.

57. Astanin S.V. The Behavior Model of Strategic Controlling//5th European Congress on Intelligent Techniques & Soft Computing, Aachen, Germany September 8-11, 1997, V.l.

58. Астанин С.В. Нечеткая автоматная модель стратегического управления// Изв. ТРТУ. Интеллектуальные САПР. -Таганрог: Изд. ТРТУ, 1997.

59. Чепиков Э.В. Поиск стратегий поведения человека-оператора в ходе проведения эксперимента/Материалы всероссийской научно-технической конф. «Компьютерные и информационные технологии в науке, инженерии и управлении».-Таганрог: ТРТУ, 2005.

60. Астанин С.В., Жуковская Н.К., Чепиков Э.В. Игровая обучающая экспертная система/ Материалы всероссийской начн.-практ. конф. «Человеческое измерение в информационном обществе».-М.:ВВЦ, 2003.-С.115-116.

61. Баевский P.M. К проблеме оценки степени напряжения регуляторных систем организма// Адаптация и проблемы общей патологии. Новосибирск, 1974, т.1. С.44-48.

62. R. Agrawal, Т. Imielinski, A. Swami. Mining Associations between Sets of Items in Massive Databases. In Proc. of the 1993 ACM-SIGMOD Int'l Conf. on Management of Data, 1993, pp.207-216.

63. Дюк B.A. Обработка данных на ПК в примерах. СПб: Питер, 1997. -240 с.

64. Астанин С.В., Жуковская Н.К., Чепиков Э.В. Поиск нечетких правил на основе анализа базы данных/Перспективные интеллектуальные технологии и интеллектуальные системы.-Таганрог:ТРТУ, №4, 2004.-С.11-24.

65. Ту Дж., Гонсалес Р., Принципы распознавания образов. М.: Мир, 1978.-411с.

66. Алтунин A.E., Семухин M.B. Модели и алгоритмы принятия решений в нечетких условиях. Тюмень: Изд.ТГУ, 2000.-352 с.

67. Strikant R., Agrawal R. Mining Quantitative Association Rules in Large Relational Tables, in Proceeding of ACM SIGMOD Conference on Management of Data. V.25, pp. 1-12.

68. Gyenesei A. Mining Weighted Association Rules for Fuzzy Quantitative Items. Proceedings of PKDD Conference, 2000, pp.416-423.

69. Астанин C.B. Правдоподобные рассуждения в системах принятия решений.-Таганрог: ТРТУ. 4.1, 2000.-90с.

70. Кулик Б.А. Логика естественных рассуждений.-СПб.: Изд. Невский диалект, 2001.-128с.

71. Гаек П., Гавранек Т. Автоматическое образование гипотез: математические основы общей теории.-М.: наука, 1984.-280с.

72. Финн В.К., Михеенкова М.А. Некоторые проблемы обобщенного ДСМ-метода автоматического порождения гипотез.-Всб.: Семиотика и информатика.-М.:ВИНИТИ, 1993 .-С. 136-163.

73. Поспелов Д.А. Моделирование рассуждений. Опыт анализа мыслительных актов.-М.: Радио и связь, 1989.-184с.

74. Борщев В.Б. О постулатах ДСМ-метода//Новости искусственного интеллекта.-М., 1993 .-С. 16-26.

75. Ломов Б.Ф., Сурков Е.Н. Антиципация в структуре деятельности.-М.: Наука, 1980.-278с.

76. Александров Ю.И. Введение в системную психофизиологию // Психология XXI века. М.: Пер Се, 2003.-С39-85.

77. Астанин С.В., Захаревич В.Г. Обработка и представление знаний в информационно-советующих комплексах систем гибридного интеллекта.-Таганрог: ТРТУ, 1997.-136с.

78. Хартман К. и др. Планирование эксперимента в исследовании технологических процессов.-М.: Мир, 1977.-С.408.

79. Астанин С.В., Жуковская Н.К., Чепиков Э.В. Обнаружение закономерностей в медико-биологических базах данных человека-оператора/Перспективные интеллектуальные технологии и интеллектуальные системы.-Таганрог:ТРТУ, №2, 2005.

80. Нечеткие множества в моделях управления и искусственного интеллекта/Под ред. Д.А.Поспелова.-М.:Наука, 1986.-312с.

81. Чепиков Э.В. Синтез знаний в медико-биологических базах данных обучаемого//Материалы третьей Всероссийской научно-метод. конф. «Развитие методов и средств компьютерного адаптивного тестирования».-М.:МГУП. 2005.- С.238-241.