автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Нечетко-темпоральные модели структурного анализа и идентификации динамических процессов в слабо формализованных задачах принятия решений

ВВЕДЕНИЕ.

ГЛАВА 1. МЕТОДЫ ПРЕДСТАВЛЕНИЯ НЕЧЕТКОЙ ДИНАМИЧЕСКОЙ ИНФОРМАЦИИ В ИНТЕЛЛЕКТУАЛЬНЫХ МОДЕЛЯХ ПРИНЯТИЯ РЕШЕНИЙ

1.1. Лингвистическая модель представления динамической информации на основе нечетко-темпоральной высказывательной формы.

1.2. Формально-логическая система моделирования динамических описаний на основе нечетко-темпоральных высказываний.

1.3. Нечетко-графовые модели представления динамических описаний общего вида.

1.4. Нечетко-графовые модели представления качественных и нечетко-метрических динамических описаний последовательного вида

1.5. Выводы.

ГЛАВА 2. НЕЧЕТКО-ТЕМПОРАЛЬНЫЕ СХЕМЫ ВЫВОДА И МОДЕЛИ ПРИНЯТИЯ РЕШЕНИЙ

2.1. Общее представление динамической предметной области и нечеткотемпоральной модели принятия решений.

2.2. Разработка интерпретирующей модели и нечетко-темпоральной схемы вывода.*.

2.3. Разработка алгоритмов нечетко-темпорального вывода для динамических описаний последовательного вида.

2.4. Разработка алгоритмов нечетко-логического вывода на основе нейро-нечетких сетевых моделей.

2.5. Выводы.

ГЛАВА 3. МЕТОДЫ АВТОМАТИЧЕСКОГО ФОРМИРОВАНИЯ, ОБУЧЕНИЯ И АДАПТАЦИИ НЕЧЕКТО-ТЕМПОРАЛЬНЫХ

МОДЕЛЕЙ

3.1. Разработка методов автоматического формирования и адаптации нечетко-темпоральных моделей последовательного вида.

3.2. Разработка методов адаптации нечетко-темпоральных моделей на основе нейро-нечетких сетей.

3.3. Методы автоматического формирования баз знаний интеллектуальных моделей на основе элементарных нечетко-темпоральных высказываний

3.4. Методы автоматического формирования баз знаний интеллектуальных моделей на основе нечетко-темпоральных высказываний общего вида.

3.5. Оценка адекватности и устойчивости нечетко-темпоральных моделей. Общий подход к недетерминированному обучению

3.6. Выводы.

ГЛАВА 4. НЕЧЕТКО-ТЕМПОРАЛЬНЫЕ МОДЕЛИ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ В ИНФОРМАЦИОННО-УПРАВЛЯЮЩИХ

СИСТЕМАХ

4.1. Сортировочная горка как слабо формализованный динамический объект автоматизации.

4.2. Разработка общей модели интеллектуальной системы горочной автоматизации и механизма управления выводом на основе дискретно-непрерывной динамической системы.

4.3. Нечетко-темпоральные модели выбора стратегий регулирования скоростей скатывания отцепов

4.4. Нечетко-темпоральные модели контроля процессов скатывания отцепов и корректировки управляющих решений.

4.5. Нейро-нечеткие модели исполнительного уровня интеллектуальной системы горочной автоматизации

4.6. Выводы

ГЛАВА 5. НЕЧЕТКО-ТЕМПОРАЛЬНЫЕ МОДЕЛИ ОБРАБОТКИ ДИНАМИЧЕСКОЙ ИНФОРМАЦИИ В ИНФОРМАЦИОННО-УПРАВЛЯЮЩИХ СИСТЕМАХ

5.1. Нечетко-темпоральная модель динамического процесса торможения на основе гибридной нейро-нечеткой сети.

5.2. Нечетко-темпоральная модель определения технического состояния стрелочного электропривода

5.3. Нечетко-темпоральная модель обработки динамических данных в многофункциональном датчике счета осей.

5.4. Нечетко-темпоральные модели анализа акустических процессов в интегрированных системах автоматического распознавания речи.

5.5. Выводы

Актуальность темы. На современном этапе развития информационных технологий актуальной является проблема исследования и создания прикладных интеллектуальных ' систем (ИС), способных обеспечивать эффе1{тивную экспертную поддержку процессов управления и контроля технологическими объектами и процессами (ОУ) в сложных информационно-технологических ситуациях. При этом приоритетным направлением работ становится создание обеспечивающих ИС динамического типа, ориентированных на поддержку процессов управления и контроля слабо формализованными динамическими объектами (процессами (СЛДП)), характерными особенностями которых является, помимо наличия известного множества "не-факторов", множества временных, динамических и нечетко-динамических факторов, влияющих на процессы принятия решений [Нариньяни, 2000, Вагин и др., 1999, Попов и др., 1996].

В теоретическом плане для создания поддерживающих ИС динамического типа требуется разработка специального класса обеспечивающих математических моделей, способных адекватно отражать динамические особенности предметной области (ПО) и обрабатывать нечетко-динамические знания. В слабо структурированных ПО процессы формирования знаний в значительной мере опираются на опыт, интуицию и знания специалистов-экспертов, поэтому одним из основных источников приобретения знаний для построения баз знаний (БЗ) обеспечивающих интеллектуальных моделей являются знания, непосредственно полученные от специалистов-экспертов в данной ПО, либо знания, выведенные на основе механизмов обучения с использованием case-технологий.

При разработке БЗ обеспечивающих интеллектуальных моделей особо важн}.о роль играют качественные и нечетки-логические методы анализа слабо формализованных объектов, что обусловлено рядом причин, среди которых можно выделить три основных. Во-первых, многие особенности функционирования данного класса объектов не могут быть точно описаны количественными методами, а допускают лишь содержательное описание, что требует использования соответствующих методов нечетко-логического анализа, позволяющих наиболее естественным образом моделировать рассуждения экспертов. Во-вторых, основным назначением прикладных проблемно-ориенитрованных И С является экспертная поддержка принятия решений, которую можно обеспечить, опираясь лишь на наиболее надежные и устойчивые знания, сформированные в результате выявления структурно-временных свойств и зависимостей в моделируемом СЛДП, которые, как известно, наименее подвержены различного рода искажениям. В третьих, качественные методы анализа и идентификации СЛДП позволяют выявлять рациональные знания о моделируемом СЛДП, отличающиеся минимальной избыточностью и соответственно требующие минимальных вычислительных ресурсов для их хранения и обработки. Данное условие является принципиально важным для построения интеллектуальных моделей, ориентированных на использование в ИС реального времени.

Для решения задач качественного анализа сложных объектов и процессов в теории искусственного интеллекта (ТИИ) известны и разрабатываются специальные методы, опирающиеся на формальнологические модели структурного обобщения и нечетко-логические модели человеческих рассуждений. Наиболее разработанными для целей качественного анализа, идентификации и описания сложных систем являются логико-алгебраические модели, опирающиеся на структуры отношений и использующие в качестве основных единиц представления знаний семантические сети и графы, в структуре которых содержится информация для принятия решений. Большой вклад в становление, и развитие теории построения логико-алгебраических и других моделей аналогичного типа, опирающихся на структуры отношений, внесли советские и российские ученые Вагин В.К., Горбатов В.А., Журавлев Ю.И., Кузнецов О.П., Нариньяни А.С., Осипов Г.С., Поспелов Д.А., Попов Э.В., Стефанюк В.Л., Финн В.К. и др.

Большой вклад в развитое теории и практики построения динамических ИС, опирающихся на логико-алгебраические модели, интеллектуальные модели семиотического типа и методы нечетко-логического анализа, оказавшими влияния на исследования автора, внесли ученые Аверкин А.Н., Берпггейн JT.C., Вагин В.Н. Емельянов В.В., Еремеев А.П., Захаревич В.Г., Курейчик В.М., Мелихов А.Н., Осипов Г.С., Потапова Р.К., Поспелов Д.А. Фоминых И.Б., Цемель Г.И. и др.

Однако, выясняя возможность использования существующих методов структурно-логического и нечетко-логического анализа для разработки интеллектуальных обеспечивающих моделей динамического типа, следует признать, что есть проблемы, которые этими методами либо не решаются, либо требуют для решения их существенного развития.

Во-первых, следует выделить проблему формализации и представления в БЗ ИС качественных нечетко-динамических описаний и понятий, определяющие признаки которых не являются элементарными объектами, между которыми можно однозначно установить семантические связи в моделирующих графах (семантических сетях), а представляют собой иерархическую организацию системы нечетких признаков, зависящих от времени и проявляющихся с определенной закономерностью во времени.

Вторая проблема связана с разработкой адекватных методов нечетко-логического вывода для динамических описаний, имеющих сложную форму временной организации нечетких признаков, что исключает возможность использования традиционных методов интерпретации входных данных, опирающихся на вычисления нечетко-истинностных значений элементарных высказываний и не учитывающих влияние факторов временного взаимодействия между нечеткими признаками в исходных описаниях.

Третья проблема связана с разработкой эффективных методов автоматического формирования и корректировки БЗ, а также методез адаптации параметров интеллектуальных моделей на основе механизмов обучения в режиме реального времени, что исключает возможность использования большинства алгебраических методов машинного обучения, являющихся наиболее разработанными в ТИИ, но пока не апробированными на динамических и нечетко-динамических описаниях.

И, наконец, немаловажной и также пока не решенной задачей, возникающей при разработке обеспечивающих интеллектуальных моделей для прикладных ИС динамического типа, является задача интеграции процедур логического вывода, образующих основной механизм принятия решений в ИС, с точными аналитическими или нейро-сетевыми моделями обработки данных.

Цель и задачи исследования. Главной целью и задачей исследования является развитие теории и разработка нового класса интеллектуальных моделей, предназначенных для решения задач нечетко-структурного анализа и идентификации сложных динамических объектов и процессов в слабо структурированных ПО и ориентированных на использование в качестве интеллектуальных моделей экспертной поддержки процессов принятия решений в ИС динамического типа.

Для достижения поставленной цели необходимо решение следующих задач.

1. Разработка адекватных моделей представления в БЗ ИС структурных динамических и нечетко-динамических знаний, имеющих сложную форму нечетко-темпоральной организации.

2. Разработка формальной модели нечетко-структурного анализа и идентификации слабо формализованных динамических процессов, а также обеспечивающих ее методов нечетко-логического вывода, учитывающих влияние факторов временного и нечетко-временного взаимодействия между определяющими признаками исходных описаний.

3. Разработка методов автоматического" формирования и корректировки БЗ интеллектуальных моделей динамического типа, а также методов их адаптации в режиме реального времени.

4. Разработка методов интеграции процедур нечетко-логического вывода с методами обработки динамических описаний, основанных на аналитических и нейро-сетевых моделях.

5. Экспериментальная проверка разработанных теоретических подходов и положений на адекватность путем сопоставления прикладных результатов с теоретическими.

Методы исследования основываются на использовании результатов фундаментальных исследований в области дискретной математики, формальной логики и нетрадиционных логик, теории конечных и нечетких графов, корреляционного и регрессионного анализа, теории вероятностей и скрытого марковского моделирования, теории анализа и обработки дискретных сигналов, инженерии знаний и экспертных систем. При разработке основных теоретических принципов организации нечетко-темпоральных высказываний и построения нечетко-темпоральных моделей использовались парадигмы нечетко-логического моделирования форм рассуждений и известные принципы организации форм мышления экспертов.

Практическая проверка разработанных моделей и методов осуществлялась путем программной эмуляции, проведения имитационных экспериментов на модельных и реальных задачах в области железнодорожной информатизации, а также на реальных объектах автоматизации в рамках опытных и экспериментальных поддерживающих подсистем в интегрированных АСУ 111.

Научная новизна работы заключается в теоретическом обобщении и решении научно-технической проблемы, связанной с разработкой нового подхода к представлению и обработке нечетко-структурных знаний, отражающих динамику сложных объектов и процессов в слабо структурированных ПО, в разработке на его основе нового класса интеллектуальных моделей поддержки принятия решений, имеющих важное значение для создания проблемно-ориентированных систем управления и контроля динамических объектов и процессов в реальном времени.

К наиболее существенным научным результатам работы относятся следующие:

1. На основании анализа особенностей функционирования сложных динамических объектов автоматизации и выявления закономерностей в описании экспертами искусственных и естественных объектов, имеющих динамическую природу, а также анализа существующих методов моделирования эмпирических знаний сформулированы теоретические положения и разработаны: универсальная модель представления динамических и нечетко-динамических структурных знаний в виде нечетко-темпоральной высказывательной формы, опирающейся на иерархический способ представления нечетко-темпоральных признаков и предназначенной для функционирования в нечеткой среде принятия решений; класс нечетко-графовых моделей для представления в БД и БЗ ИС динамических описаний метрического, нечетко-метрического и качественного типа, ориентированных на широкий круг приложений и позволяющих адекватно отразить специфику данных приложений с целью оптимизации алгоритмов принятия решений; выявлена и обоснована необходимость использования в нечетко-темпоральных моделях представления динамических знаний группы нетрадиционных темпоральных отношений для более точного моделирования процессов взаимодействия нечетких событий в динамической структуре исследуемых слабо формализованных объектов и процессов; в рамках формально-логической системы разработано расширенное ядро логики нечетко-темпоральных высказываний, представляющее собой достаточно выразительное формальное средство для моделирования динамических и нечетко-динамических особенностей слабоструктурированных ПО.

2. На основании анализа динамических объектов исследуемой ПО, существующих теоретических подходов к формированию понятий и предложенной модели представления нечетко-динамических структурных знаний разработаны: новый тип интеллектуальных моделей - нечетко-темпоральная модель структурно-логического анализа и идентификации слабо формализованных динамических объектов и процессов, предназначенная для использования в качестве обеспечивающей модели в ИС динамического типа; новый тип нечеткого критерия истинности и интерпретирующая динамическая модель, устанавливающая адекватную семантическую связь между описаниями динамических объектов ПО и позволяющая учитывать влияние факторов временного взаимодействия между нечеткими динамическими признаками; нечетко-темпоральная схема вывода, устанавливающая связь на языке значений истинности между свойствами моделирующих графов динамических описаний, а также гарантирующая получение адекватных нечетко-истинностных оценок для различных типов критериев в соответствии с особенностями приложений.

3. На основании анализа динамических объектов исследуемой ПО и существующих типов временных рассуждений был выявлен особый класс нечетко-темпоральных высказываний последовательного вида, представляющий собой наиболее распространенную форму динамических и нечетко-динамических описаний, для которых были разработаны: универсальная нечетко-темпоральная композиционная схема вывода, ориентированная на моделирование как качественных нечетко-темпоральных описаний, так и описаний метрического и нечетко-метрического типа, обладающая низкими полиномиальными оценками алгоритмической сложности, что обеспечивает возможность ее реализации в реальном времени на вычислительных средствах, встроенных в исполнительные уровни ИС; новый вид архитектуры нейро-нечеткой темпоральной сети, основанный на объединении механизма нечетко-темпорального вывода с принципами построения искусственных нейронных сетей (ИНС), предназначенных для поддержки процедур нечетко-темпорального вывода в ИС реального времени и позволяющих в отличим от стандартных ИНС эффективно интегрировать в структуру нейро-нечеткой темпоральной сети априорные технологические знания о динамических особенностях ПО;

4. Разработаны методы автоматического формирования и адаптации параметров нечетко-темпоральных моделей в режиме реального времени на основе механизмов обучения: метод автоматического формирования и корректировки нечетко-темпоральных параметров интеллектуальных моделей последовательного вида,. обладающий низкими полиномиальными оценками алгоритмической сложности, что обеспечивает возможность вычисления оптимальных параметров интеллектуальных моделей и их корректировки непосредственно в процессе функционирования ИС; градиентный метод оптимизации нечетко-темпоральных параметров интеллектуальных моделей, реализованных в виде нейро-нечетких сетей, основанный на модифицированном алгоритме обратного распространения ошибки, обладающий высокой вычислительной эффективностью, благодаря чему обеспечивается возможность реализации на его основе адаптивных средств поддержки нечетко-темпорального вывода в автономных ИС реального времени.

5. Разработана методология автоматического формирования БЗ нечетко-темпоральных моделей на основе механизмов извлечения структурно-динамических знаний из множества обучающих данных: общий подход к автоматическому формированию БЗ нечетко-темпоральных моделей на основе алгоритмов обобщения для различных типов динамических описаний и критериев, ориентированный на решение широкого круга задач, связанных с обучением, корректировкой и пополнением БЗ нечетко-темпоральных моделей; алгоритмы автоматического формирования БЗ нечетко-темпоральных моделей, основанных на классах элементарных динамических описаний и динамических описаний последовательного типа, обладающие полиномиальными оценками сложности, что обеспечивает возможность обучения и адаптации ИС в реальном времени; теоретический принцип оценки адекватности нечетко-темпоральных моделей, сформированных на основе механизмов обучения, опирающийся на идеи индукции, понятия устойчивости нечетких систем и принцип минимизации риска ошибки Байеса; метод автоматического формирования БЗ нечетко-темпоральных моделей при неточных либо противоречивых обучающих данных, основанный на выдвинутом принципе формирования адекватных описаний, и обладающий полиномиальными оценками сложности.

6. На основании анализа проблемы обеспечения экспертной поддержки принятия управляющих и контролирующих решений в существующих АСУ ТП разработаны модели обеспечения интеллектуальной поддержки для интегрированных систем горочной автоматизации (ИСГА): нечетко-темпоральные модели интеллектуальной поддержки принятия решений в ИСГА, обеспечивающие выработку технологически обоснованных управляющих команд в сложных информационно-технологических ситуациях, адекватно имитирующие действия опытных операторов в данных ситуациях; метод интеграции технологических знаний в нижние исполнительные уровни ИСГА на основе гибридных нейро-нечетких моделей, предназначенных для оценки состояний исполнительных устройств с учетом слабо формализованных факторов, характеризующих динамику процесса торможения отцепов; универсальный механизм управления выводом в БЗ нечетко-темпоральных моделей, основанный на дискретно-непрерывной динамической системе специального вида и предназначенный для использования в качестве основного механизма .управления обеспечивающими системами ИСГА; * нечетко-темпоральные модели определения технического состояния устройств железнодорожной автоматики ко. основе анализа и идентификации графических протоколов, отражающих динамику контролируемых параметров.

Практическая ценность. Предложенный теоретический подход к представлению динамических и нечетко-динамических структурных знаний в ИС и разработанный на его основе класс нечетко-темпоральных моделей используются при создании интегрированных ИУС (ИИУС) на железнодорожном транспорте' в качестве средств обеспечения интеллектуальной поддержки принятия решений.

Практическую ценность представляют следующие результаты.

1. Разработаны и практически реализованы в Ростовском филиале ВНИИ УП МПС при создании экспериментальной ИСГА: нечетко-темпоральная модель выбора стратегий регулирования вагонным замедлителем (ВГЗ) для верхнего поддерживающего уровня ИСГА, обеспечивающая принятие решений в режиме реального времени и минимизирующая количество включений замедлителя по сравнению с действующими алгоритмами на 40%, что приводит к экономии энергоресурсов и способствует продлению срока эксплуатации ВГЗ; нечетко-темпоральная модель интеллектуальной поддержки принятия решений для верхнего уровня ИСГА, обеспечивающую выработку более качественных решений, чем действующие модели в сложных технологических ситуациях; гибридная нейро-нечеткая модель оперативной оценки ходовых свойств отцепов и прогноза динамики торможения для нижнего исполнительного уровня ИСГА, обеспечивающая более высокую точность прогнозирования скорости, чем действующие модели на основе ИНС; нечетко-темпоральная модель определения технического состояния стрелочного электропривода, предназначенная для использования в подсистемах непрерывного диагностирования в ИИУС, обеспечивающая более высокие показатели достоверности идентификации, чем действующие модели.

2. Разработан и практически реализован высоконадежный и помехоустойчивый метод идентификации реборды колеса, основанный на нечетко-темпоральной модели интеллектуального анализа динамических данных, который использован при создании многофункционального датчика счета осей (ДСО). На основе предложенного метода разработан, запатентован и подготовлен к серийному производству ДСО, позволяющий, в отличие от других аналогичных устройств, обеспечить достоверность фиксации оси, большую чем 0,99. За счет использования более простых решающих правил в алгоритме распознавания ДСО реализован на основе однокристального МП, что привело к значительному, более чем в 2 раза удешевлению конструкции датчика, а также позволило получить напольное устройство, не требующее регулировки.

3. В рамках работы по созданию специализированного речевого терминала АРМа человека-оператора в ИИУС автором на основе анализа современного состояния проблемы автоматического распознавания было установлено, что большое значение для надежного распознавания речевых сообщений (PC) играют знания о просодических, ритмических и фонотактических свойствах речевых единиц, характеризующих динамическую структуру PC, в соответствии с чем были разработаны: нечетко-темпоральная модель описания динамической структуры PC, предназначенная для выявления инвариантных признаков PC в классе укрупненных спектрально-темпоральных мер, наименее подверженных искажениям, позволяющая повысить достоверность распознавания PC для широкого круга контекстов в среднем на 3-5 % , и реализованная в виде гибридной нейронечеткой сети для работы и обучения в реальном времени; гибридная нейро-нечеткая модель фонемного классификатора, предназначенная для повышения надежности распознавания речевых единиц на фонетическом уровне, опираясь на нечетко-темпоральную структуру "окружения" фонем, позволяющая повысить достоверность распознавания на 5-8 % и допускающая реализацию и обучение в реальном времени.

Достоверность научных и практических результатов работы. Научные положения, выводы и результаты, сформулированные в диссертации, строго аргументированы, их достоверность является установленным фактом. Сформулированные в работе эмпирические принципы организации нечетко-динамических форм знаний и способы формализации критериев истинности основываются на известных в ТИИ фундаментальных принципах обобщения, теоретико-множественных и формально-логических подходах к формированию понятий. Достоверность теоретических результатов, связанных с задачами оптимизации вывода, обобщения и обучения предложенного класса нечетко-темпоральных моделей подтверждается четкостью постановок задач, формулировок ограничений и корректностью математических выкладок. Достоверность выводов и результатов подтверждается также результатами экспериментальных исследований, а также результатами эксплуатации действующих систем, в которых используются предложенные методы и модели. Сопоставление практических и теоретических результатов исследования показывает их согласованность и эффективность.

Реализация результатов работы. Работа выполнялась в рамках ряда отраслевых научно-технических программ, в частности, "Концепция развития средств автоматизации и информатизации на железнодорожном транспорте на период 2000 - 2004 г.г.", программ Минобразования РФ «Научные исследования ВШ по приоритетным направлениям науки и техники» и поддержана рядом грантов, в том числе докторским грантом РФФИ МПС.

Тема диссертационной работы тесно связана с выполнявшимися научно-исследовательскими и опытно-конструкторскими работами в ТРТУ в период с 1976-1985 г.г., в РГУ ПС с 1985-2002 г.г. и в РФ ВНИИ АС МПС с 1995-2002 г.г. по заказам различных ведомств и организаций, руководителем или исполнителем которых являлся автор.

Результаты работы прошли . успешную апробацию, внедрены и используются в рамках экспериментального интегрированного комплекса горочной автоматизации КГМ ПК на станциях Тайшет, Бекасово, Омск проходят экспериментальную апробацию в рамках экспериментальной интегрированной МПЦ на станции Батайск, а также используются в подготовленном к серийному производству многофункционального ДСО.

Научные результаты работы и прикладное программное обеспечение используется в учебном процессе Ростовского государственного университета путей сообщения, а также использованы в четырех кандидатских диссертациях, защищенных под руководством автора. Основные результаты, выносимые на защиту.

1. «Теоретический подход и модель представления динамических и нечетко-динамических структурных знаний в слабо структурированных ПО, опирающаяся на иерархический способ описания признаков и предназначенная для функционирования в нечеткой среде принятия решений.

2. Класс нечетко-графовых моделей для представления в БД и БЗ ИС динамических знаний и описаний метрического, нечетко-метрического и качественного типа, а также группа специализированных темпоральных отношений для целей моделирования процессов взаимодействия нечетких событий в динамической структуре слабо формализованных объектов.

3. Нечетко-темпоральная модель структурного анализа и идентификации слабо формализованных динамических объектов и процессов, предназначенная для использования в качестве обеспечивающей модели в интеллектуальных системах реального времени.

4. Метод интерпретации нечетко-темпоральных высказываний, устанавливающей семантическую связь между исходными динамическими объектами ПО и основанная на его использовании нечетко-темпоральная схема вывода.

5. Нечетко-темпоральная композиционная схема вывода для динамических описаний последовательного вида и архитектура нейро-нечеткой темпоральной сети, основанная на объединении механизма нечетко-темпорального вывода с принципами построения искусственных нейронных сетей.

6. Метод автоматического формирования и корректировки нечетко-темпоральных параметров интеллектуальных моделей последовательного вида и градиентный метод оптимизации нечетко-темпоральных параметров интеллектуальных моделей, реализованных в виде нейро-нечетких темпоральных сетей.

7. Класс алгоритмов автоматического формирования БЗ ИС, опирающихся на нечетко-темпоральные модели представления и обработки динамических данных.

8. . Теоретический подход и принцип оценки адекватности нечетко-темпоральных моделей, сформированных на основе механизмов обучения, и основанный на его использовании подход к автоматическому формированию БЗ нечетко-темпоральных моделей при неточных либо противоречивых обучающих данных

9. Нечетко-темпоральные модели интеллектуальной поддержки в интегрированных ИСГА, нечетко-темпоральные модели определения технического состояния устройств железнодорожной автоматики, метод интеграции технологических нечетко-динамических знаний в нижние исполнительные уровни ИСГА, а также структурно-функциональная схема, нечетко-темпоральная модель и программное обеспечение многофункционального датчика, предназначенного для сбора и интеллектуальной обработки первичной информации в ИСГА

Работу можно квалифицировать как развитие перспективного научного направления в области представления и обработки нечетких экспертных знаний, отражающих динамику процессов в слабо структурированных ПО, а результаты исследований представляют комплекс научно-технических разработок, направленных на решение прикладных проблем, имеющих важное народно-хозяйственное значение.

Апробация работы. Основные положения и 'результаты диссертационной работы докладывались и обсуждались на 28-31й НТК профессорско-преподавательского состава ТРТУ (Таганрог, 1982-86), на 4858-й НТК профессорско-преподавательского состава РГУПС (РИИЖТа; (Ростов-на-Дону, 1991-2001), на Всесоюзном научном семинаре "Модели выбора альтернатив в нечеткой среде" (Рига, 1980), на научно-технических семинарах "Управление при наличии расплывчатых категорий" (Ижевск,

1979, Пермь, 1980, 1982), на 8-м международном симпозиуме "Zeleznize па Prelome Tretieho Tisicrocia" (Жилина, Словакия, 2001), на международной конференции "The Techniques of Railway Traffic Control at the Begining of the 21 Century" (Варшава, 1999), на международных НТК «Интеллектуальные САПР» (Геленджик, 1985-2001), на 4-м Международном семинаре по прикладной семиотике , семиотическому управлению и интеллектуальному управлению "ASC/IC 99" (Москва 1999), на Международном конгрессе «Искусственный интеллект в ХХГ веке» (Геленджик, 2001), на 7-й национальной конференции по искусственному интеллекту " КИИ 200" (Переславль-Залесский, 2000), на Международной научно-технической конференции "Искусственные интеллектуальные системы" (IEEE AIS'02 CAD-2002 (Геленджик, 2002), на 8-й национальной конференции по искусственному интеллекту (Коломна, 2002), а также ряде других конференций и семинаров.

Публикации. Полученные в диссертации теоретические и практические результаты нашли свое отражение в 65 печатных работах, в том числе в 2-х монографиях, 28 статьях в центральных научных журналах, а также в 7 учебно-методических пособиях.

Структура и объем работы. Диссертация состоит из введения, 5 глав, заключения, списка используемых литературных источников. Общий объем диссертации - 338 стр., из которых объем основного текста составляет 305 стр., число рис. 53.

5.5. Выводы

1. Разработана и практически реализована прогнозирующая модель динамического процесса функционирования ВГЗ, основанная на гибридной нейро-нечеткой темпоральной системе, которая имеет в 1,5 раза меньшую ошибку предсказания прогнозируемого параметра замедлителя, чем действующие в ИСГА регрессионные модели и модели на основе статических ИНС.

2. Разработана и практически реализована экспериментальная нечетко-темпоральная модель определения технического состояния устройств напольного оборудования на СС и СГ, предназначенная для использования в подсистемах непрерывного контроля и диагностики ИИУС. НТМ имеет более чем на 25% высокие показатели достоверности определения технического стрелочного электропривода, чем действующие модели, основанные на пороговых методах анализа аналитических функций контролируемого параметра.

3. Разработана и практически реализована модель фиксации реборды колеса в интеллектуальном датчике, основанная на НТМ и принципах нечетко-темпорального анализа динамических данных, которая функционирует в действующем ДСО и позволяет обеспечить достоверность фиксации оси, большую чем 0,99. На основе НТМ разработан и запатентован интеллектуальный датчик счета осей, который за счет использования более простых решающих правил реализован на основе однокристального МП, что привело к значительному, более чем в 2 раза удешевлению конструкции датчика, а также позволило получить напольное устройство, не требующее регулировки.

4. Разработан комплекс нечетко-темпоральных моделей, предназначенных для использования в проблемно-ориентированных системах речевого распознавания в качестве подсистем, обеспечивающих экспертную поддержку процессов принятия решений на основе знаний о нечетко-темпоральных особенностях PC, полученных от экспертов или выведенных на основе механизмов обучения. Предложенные НТМ проходят экспериментальную апробацию в специализированной иерархической системе АРР для ИСГА в качестве поддерживающих моделей верхнего уровня, для целей формирования инвариантных признаков речевых сообщений, а также в качестве поддерживающих моделей нижнего фонетического уровня, для целей формирования устойчивых структурных нечетко-темпоральных признаков фонетических сегментов. Как показали результаты предварительных экспериментов, данные модели позволяют повысить надежность распознавания на акустическом уровне не менее чем на 5-8%, что способствует созданию специализированных устройств АРР, удовлетворяющих требованиям по надежности распознавания, выдвигаемых к устройства речевой коммуникации для современных ИИУС.

ЗАКЛЮЧЕНИЕ

Выполненная диссертационная работа содержит исследования, направленные на решение поставленных во введении научно-практических задач. Наиболее существенными результатами работы являются следующие.

1. Предложена и обоснована оригинальная модель нечетко-темпорального высказывания в качестве универсальной модели представления нечетких экспертных знаний, имеющих сложную форму темпоральной организации и отражающих динамику процессов в слабо структурированных предметных областях. Разработанная модель на основе расширенной группы проблемно-ориентированных темпоральных отношений и иерархического способа организации системы нечетких признаков позволяет адекватно описывать процессы сложного временного взаимодействия нечетких событий в динамической структуре слабо формализованных объектов, а также обеспечивает возможность естественной интеграции нечетко-логических методов с аналитическими и нейро-сетевыми моделями обработки данных.

2. Разработан новый тип нечеткого критерия истинности и интерпретирующая динамическая модель, устанавливающая адекватную семантическую связь между описаниями динамических объектов предметной области и позволяющая учитывать влияние факторов временного взаимодействия между нечеткими динамическими признаками исходных описаний. На основании интерпретирующей динамической модели разработаны нечетко-темпоральные схемы и новый класс интеллектуальных моделей -нечетко-темпоральные модели структурного анализа и идентификации слабо формализованных динамических объектов, предназначенных для использования в качестве обеспечивающих математических моделей интеллектуальных систем динамического типа.

3. На основании анализа динамических объектов исследуемой предметной области и существующих типов временных рассуждений выявлен особый класс нечетко-темпоральных высказываний последовательного вида, представляющий собой наиболее распространенную форму организации динамических и нечетко-динамических знаний эксперта. Для широкого класса последовательных описаний разработана нечетко-темпоральная композиционная схема вывода, обладающая низкими полиномиальными оценками алгоритмической сложности, что обеспечивает возможность ее реализации в реальном времени на вычислительных средствах, встроенных в исполнительные уровни интеллектуальных систем.

4. Предложен новый вид архитектуры нейро-нечеткой сети - адаптивной нейро-нечеткой темпоральной сети, основанной на объединении механизма нечетко-темпорального вывода с принципами построения искусственных нейронных сетей и предназначенной для поддержки процедур вывода в реальном времени. Разработанная нейро-нечеткая темпоральная сеть позволяет в отличие от стандартных ИНС эффективно интегрировать в структуру сети априорные технологические знания о динамических особенностях предметной области и обеспечивает возможность обучения интеллектуальных моделей непосредственно в процессе их функционирования.

5. Для предложенного класса нечетко-темпоральных моделей разработаны методы автоматического формирования БЗ, их корректировки и адаптации в процессе функционирования на основе механизмов обучения. Разработанные алгоритмы имеют полиномиальные оценки алгоритмической сложности, что позволяет использовать их для решения широкого круга задач, связанных обучением, корректировкой и пополнением БЗ нечетко-темпоральных моделей в режиме реального времени.

6. Разработан класс нечетко-темпоральных и гибридных нейро-нечетких моделей, предназначенных для обеспечения экспертной поддержки принятия решений в интегрированных АСУ ТП на железнодорожном транспорте. Разработанные модели по сравнению с известными типами моделей, используемыми в действующих системах, обеспечивают возможность выработки адекватных управляющих и контролирующих решений в сложных информационно-технологических ситуациях.

7. Разработан класс нечетко-темпоральных и нейро-нечетких моделей поддержки процессов речевого распознавания, основанных на использовании экспертных знаний о просодических, ритмических и фонотактических свойствах речевых единиц, характеризующих динамическую структуру речевых сигналов. Предложенные модели благодаря использованию в них в качестве системы признаков укрупненных спектрально-темпоральных мер и отношений, наименее подверженных различного рода искажениям, повышают достоверность идентификации фонетических сегментов для широкого круга контекстов и обеспечивают возможность разработки на их основе адаптивных систем автоматического распознавания слитной речи.

1. Аверкин и др. 2000. Аверкин А.Н. Костерев В.В. Триангулярные нормы в системах искусственного интеллекта. // Известия Академии наук. ТиСУ, 2000. №5.с.107-119.

2. Аверкин и др., 1986. Аверкин А.Н. и др. Нечеткие множества в моделях управления и искусственного интеллекта// Под ред. Д.А.Поспелова. М.: Наука. - Гл. ред. физ.-мат. лит., 1986.

3. Астанин и др., 1990. Астанин С.В., Берштейн Л.С., Захаревич В.Г. Проектирование интеллектуального интерфейса "человек-машина". Ростов н/Д: Издательство РГУ, 1990. 118с.

4. Башлыков и др., 1995. Башлыков А.А., Вагин В.Н., Еремеев А.П. Экспертные системы поддержки интеллектуальной деятельности операторов АЭС //Вестник МЭИ. М.: Изд-во МЭИ, 1995.- С.27-36.

5. Белявский Г.И., и др. Распознавание образов. Теория и приложения. Ростов-на-Дону: Изд-во Рост, ун-та, 1993. - 123с.

6. Берштейн, 1999. Берштейн Л.С. и др. Модели и методы принятия решений в интегрированных интеллектуальных системах. Ростов-на-Дону: изд-во РГУ. 1999. -278с.

7. Борисов А.Н и др. 1990. Борисов А.Н. и др. Принятие решений на основе нечетких моделей : Примеры использования. Рига : Зинатне, 1990. — 184с.

8. Берштей и др., 1989. Берштейн Л.С. Боженюк А.В. Нечеткий логический вывод на основе определения истиности нечеткого правила modus ponens // Методы и системы принятия решений. Системы, основанные на знаниях. Рига: РПИ, 1989. с.74-80.

9. Берштейн и др., 1999. Берштейн Л.С., Карелин В.П., Целых А.Н. Модели и методы принятия решений в интегрированных интеллектуальных системах. Ростов-на-Дону: Издательство Ростовского университета, 1999.

10. Берштейн и др., 2001. Берштейн Л.С. Боженюк А.В. Нечеткие модели принятия решений: дедукция, индукция, аналогия. Монография. Таганрог: Изд-во ТРТУ, 2001. 110с.

11. Берштейн и др., 1993. Берштейн Л.С.-, Финаев В.И. Адаптивное управление с нечеткими стратегиями. Ростов н/Д.: Издателсьвл РГУ, 1993. 134с.

12. Вагин, 1988. Вагин В.Н. Дедукция и обобщение в системах принятия решений. М.: Наука. - Гл. ред. физ.-мат. лит., 1988. - 384с.

13. Вагин и др., 1997. Вагин В.Н., Еремеев А.П. Реализация концепции распределнного искусственного интеллекта и многоагентности в системах поддержки принятия решений на базе инструментального комплекса

14. G2+GDA // Proc. of the Internat. Workshop Distributed Artifical Intelligence Multi-Agent Systems "DAIMAS" 97/ June 15-18, 1997, St. Peterburg, Russia. -1997.-C. 262-268.

15. Вагин и др., 1982. Вагин В.Н., Викторова Н.П. Вопросы структурного обобщения и классификации в системах принятия решений. Изв. АН СССР: Техническая кибернетика, 1982, №5 с. 64-73.

16. Винцюк, 1987. Винцюк Т.К. Анализ, распознавание и интерпретация речевых сигналов. Киев: Наук. Думка. 1987. — 264с.

17. Винцюк и др. 1982. Винцюк Т.К., Лобанов Б.М., Шинкаж А.Г. Система рспознавания речи и система устного диалога СРД "Речь 1" на основе микро-ЭВМ// Автоматическое распознавание слуховых образов., Киев: ИК АН УССР, 1982.-с.516-521.

18. Высоцкий и др. 1968. Высоцкий Г.Я., Рудный Б.Н., Трунин-Донской В.П., Цемель Г.И. Алгоритм опознования 40 слов на ЦВМ БЭСМ -3/ Работы по техн. кибернетике/ВЦ АН СССР, М., 1968.-Вып.2.-с.З-33.

19. Гаврилова и др., 2000. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. Учебник. -СПб: Питер. 2000.

20. Деркач, 1983. Деркач М.Ф. и др. Динамические спектры речевых сигналов. Львов: Вища школа. 1983. -168с.

21. Емельянов, 1998. Емельянов В.В. и др. Введение в интеллектуальное имитационное моделирование сложных дискретных систем и процессов. -М.: АНВИК. 1998.

22. Емельянов, 2001. Емельянов В.В. и др. Генетические алгоритмы в гибридных интеллектуальных . системах// Сборник трудов «Интегрированные модели и мягкие вычисления в искусственном интеллекте» М.: Наука. Физматлит. 2001. -С.77-82.

23. Еремеев, 2000. Еремеев А.П., Троицкий В.В. Основные способы формализации временных зависимостей при построении интеллектуальных систем.// Седьмая национальная конференция по искусственному интеллекту с международным участием. М. 2000.

24. Еремеев и др., 2001. Еремеев А.П., Троицкий В.В. Представление временных ограничений в интеллектуальных системах (обзор)// Труды конгресса «Искусственный интеллект в XXI веке».- М.: изд-во Физико-математической литературы. 2001.Т. 1. -С.61-74.

25. Жак, 1997. Жак С.В. Математические модели менеджмента и маркетинга. -Ростов-на-Дону: ЛиПО, 1997. 320с.

26. Заде, 1976. Заде Л. Понятие лингвистической переменной и его применение к принятию приближенных решений. -М.: Мир. 1976.

27. Захаров и др. 2000. Захаров В.В., Кантор П.С., Ткаченко Д.Г. Синтез логических контроллеров с использованием механизма обработки нечеткой информации. // Известия РАН. Теория и системы управления, М.: "Наука", 2000, №4.

28. Иванченко и др., 1987. Иванченко В.Н., Каймаков К.Г., Строев М.Н., Ковалев С.М. Структурная организация информационно-управляющих систем на микропроцессорных средствах. Деп. ЦНИИТЭН, МПС №3946, 27.04.87

29. Ивахненко, 1986. Ивахненко А.Г. Моделирование сложных систем по экспериментальным данным. М.: Радио и Связь, 1986. - 119с.

30. Иванченко, 1984. Иванченко В.Н. Микропроцессорные информационно управляющие системы автоматизации сортировочных прооцессов. Учебное пособие. РИИЖТ, Ростов-на-Дону. 1984.-96с.

31. Иванченко и др., 2002. Иванченко В.Н., Ковалев С.М., Шабельников А.Н. Новые информационные технологии: Интегрированная информационно-управляющая система расформирования-формирования поездов.// Издателство РГУ ПС, 2002. 276с.

32. Каляев, 1999. Каляев И.А. и др. Способ динамического целераспределения в задаче группового применения мобильных роботов// Труды международной НТК «Интеллектуальные многопроцессорные системы». -Таганрог: изд-во ТРТУ. 1999. -С.70-73.

33. Карелин и др. 1983. Карелин В.П., Ковалев С.М. Метод построения модели, имитирующей алгоритм поиска управляющих решений оператором. // Известия Академии наук СССР. Техническая кибернетика, №5. 1983. с. 181188.

34. Карелин и д., 1982 а. Карелин В.П., Ковалев С.М. Применение аппарата теории нечетких множеств для решения задачи комплектования набора фотошаблонов. Микроэлектроника 1982, т.11, №2

35. Карелин и др., 1982 б. Карелин В.П., Ковалев С.М. Модели принятия управляющих на основе нечеткого распознавания. В кн.: Методы автоматизации, проектирования, и моделирования. Таганрог, 1982, вып.2.

36. Карелин и др., 1982 е. Карелин В.П., Ковалев С.М. Распознавание размытых структур как модель принятия решений в задачах проектирования. В кн.: Автоматизация проектирования электронной аппаратуры, Таганрог, 1982,1. ВЫП.1.

37. Карелин и др., 1983 б. Карелин В.П., Багорец В.Д., Ковалев С.М. Принципы построения расплывчатых алгоритмов управления произвольными процессами. В кн.: Оптимум номинала и задачи принятия решений, Таганрог, 1981.доп. ВИНИТИ, 24.03.1983 №1473-83 ДЕП.

38. Карелин и др., 1982 д. Карелин В.П., Ковалев С.М. Распознавание нечеткого отображеия как модель принятия решений в сложных ситуациях. Деп. ВИНИТИ, 21.12.82, №-6254-82.ДЕП.

39. Карелин и др., 1983 в. Карелин В.П., Ковалев С.М. Объективизация экспертной информации при построении нечеткой модели конструктора. В кн.: Автоматизация проектирования электронной аппаратуры, 1983, вып.2.

40. Карелин и др., 1983 в. Карелин В.П., Ковалев С.М. Метод построения модели, имитирующей алгоритм поиска управляющих решений оператором. Техническая кибернетика. ИЗВ.АН СССР, 1983, №5

41. Ковалев, 1980 б. Ковалев С.М. О нахождении минимальных покрытий в гиперграфе. В кн.: Методы построения алгоритмических моделей сложных систем. Таганрог, 1980, вып.5.

42. Ковалев, 1980 а. Ковалев С.М. Расплывчатые методы контроля и управления производством интегральных структур при нечетких целях иограничениях. Тезисы Всесоюзного научн. семинара "Модели выбора альтернатив в нечеткой среде" Рига, 1980

43. Ковалев, 1981. Ковалев С.М. Нахождение матриц нечетких отношений по известным входным и выходным характеристикам системы. В кн.: Оптимум номинала и задачи принятия решений, Таганрог, 1981.доп. ВИНИТИ, 24.03.1983 №1473-83 ДЕП.

44. Ковалев, 1982. Ковалев С.М. Методы идентификации расплывчатых структур. В кн.: Методы автоматизации проектирования и моделирования, Таганрог, 1982, вып.З.

45. Ковалев и др., 1986. Ковалев С.М., Каймаков К.Г. Проектирование автоматизированных рабочих мест оперативно-диспетчерского персонала в микропроцессорных системах на железнодорожном транспорте: Учебное пособие. Ростов -на-Дрону: РИИЖТ, 1986, 65с.

46. Ковалев и др., 1999 е. Ковалев С.М., Шабельников А.Н. Синтез нечетких композиционных регуляторов на основе визуального анализа эпюр управления. Труды международной науч.-практ. конференции Таганрог, ТРТУ, 1999, 75 с.

47. Ковалев и др., 1999 д. Ковалев С.М. и др. Путевой датчик. // Патент на изобретение № 2169677. Выдан 2001, Приоритет от 19.05.1999.

48. Ковалев и др., 1999 б. Ковалев С.М., Швалов Д.В. Применение нечетких композиционных моделей для определения технического состояния устройств железнодорожной автоматики. Материалы 58-й науч. конф. проф.-преп. состав РГУПС. Ростов н/Д.:, РГУПС,1999.

49. Ковалев, 2000 и. Ковалев С.М. Нечеткие модели идентификации речевых сигналов на основе визуальной информации. Изв. ТРТУ. Тем. вып.: Интеллектуальные САПР / материалы международной НТК "ИСАПР" -Таганрог: ТРТУ, 2000 №2 с.78-81.

50. Ковалев, 2000 ж. Ковалев С.М. Формирование инвариант визуальных образов морфем на основе условных нечетких отношений. Изв. ТРТУ. Тем. вып.: Интеллектуальные САПР / материалы международной НТК "ИСАПР" Таганрог: ТРТУ, 2000 - №2 с.335-336.

51. Ковалев, 2000 а. Ковалев С.М. Интеллектуальные модели анализа акустических процессов на основе нечетких динамических систем // Новости искусственного интеллекта. М.: ВЦ РАН , 2000, 3, с. 146-159.

52. Ковалев, 2001 ж. Ковалев С.М. Нечеткие темпоральные системы в моделях анализа акустических процессов // Труды конгресса "Искусственный интеллект в XXI веке". Научное издание. М.: Издательство Физ.-мат. литературы, 2001.- 847с.

53. Ковалев, 2001 г. Ковалев С.М. Темпоральные модели анализа сложных динамических процессов на основе нечетких ориентированных гиперграфов. Известия ТРТУ. Тематический выпуск: Интеллектуальные САПР. Таганрог: Изд-во ТРТУ. 2001. № 4, с.96-101.

54. Ковалев и др., 2001 в. Ковалев С.М., Щабельников А.Н. Автоматическое построение нечетких темпоральных систем на основе обучающих примеров. Известия ТРТУ. Тематический выпуск: Интеллектуальные САПР. Таганрог: Изд-во ТРТУ. 2001. № 4, с. 357

55. Ковалев 2001 б. Ковалев С.М. К вопросу о робастности нечетких темпоральных систем анализа слабоструктурированных динамических процессов. Известия ТРТУ. Тематический выпуск: Интеллектуальные САПР. Таганрог: Изд-во ТРТУ. 2001. № 4, с.348.

56. Ковалев и др., 2002. Ковалев С.М., Родзин С.И., Шабельников А.Н. Программное самотестирование распределенной структуры объектных контроллеров для систем железнодорожной автоматики. // Программные продукты и Системы. 2002. №2. с. 41043.

57. Ковалев, 2002 а. Ковалев С.М. Структурное обобщение нечетко-временных признаков в интеллектуальных моделях анализа динамических процессов. // Обозрение прикладной и промышленной математики. Москва. 2002. Т. 9, Вып. 1, с.207.

58. Ковалев, 2002 б. Ковалев С.М. Модели анализа слабо формализованных динамических процессов на основе нечетко-темпоральных систем. // Изв. вузов. Сев.-Кавк. регион. Естеств. науки. 2002. №2. с. 10-13.

59. Ковалев, 2002 в. Ковалев С.М. Нейронечеткие темпоральные модели анализа речевых сигналов в интегрированных системах дикторонезависимого распознавания речи. // Изв. вузов. Сев.-Кавк. регион. Техн. науки. 2002. №2. с.43-47.

60. Ковалев, 2002 г. Ковалев С.М. Точный метод подстройки темпоральных параметров интеллектуальных динамических моделей на основе обучающих процессов. // "Научная мысль Кавказа", Изд-во СКНЦВШ, Приложение. №8 (34), 2002, 93-98.

61. Ковалев и др., 2002 д. Ковалев С.М., Шабельников А.Н. Интеграция технологических знаний в гибридные системы горочной автоматизации на основе нейро-нечетких моделей. // "Научная мысль Кавказа", Изд-во СКНЦВШ, Приложение. №8 (34), 2002, 89-93.

62. Ковалев и др., 2002 е. Ковалев С.М., Родзин С.И. Информационные технологии: интеллектуализация обучения, моделирование эволюции, распознавание речи.// Издателство СКНЦ ВШ, г. Ростов-на-Дону, 2002, -222с.

63. Кандрашина и др., 1987. Кандрашина Е.Ю. и др. Представление знаний о времени и пространстве. / Под ред. Д.А. Поспелова — М.: Наука, 1987г. — 328с.

64. Кандрашина, 1986. Кандрашина Е.Ю. Средства представления информации о времени в базах знаний. Последовательности событий // Изв. АН СССР. Техн. киберн. 1986ю - №5. - С.211 - 232.

65. Косроминов 1997. Косроминов A.M. Защита устройств железнодорожной автоматики и телемеханики от помех. М.: Транспорт, 1997. 191 с.

66. Кузин, 1979. Кузин J1.T. Основы кибернетики: В 2-х т. Е.2. Основы кибернетических моделей. Учебн. паособие для вузов. М.: Энергия, 1979. -584с.

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

68. Курейчик, 1998. Курейчик В.М. Генетические алгоритмы. Обзор и состояние // Новости искусственного интеллекта. 1998. №3.

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

70. Кузнецов, 1995. Кузнецов О.П. Неклассические парадигмы в искусственном интеллекте // Известия РАН. Теория и системы управления. 1995. №5. -С.3-23.

71. Ларичев, 1998. Ларичев О.И. и др. Выявление экспертных знаний. -М.: Наука. 1998.

72. Ли, 1983. Методы автоматического распознавания речи: В 2кн. Пер. с англ./ Под ред. У. Ли. -М.: Мир. 1983.

73. Левин, 1979. Левин Д.Я. СТЕНД-комплекс для конструирования и адаптации лингвистических процессоров // Вопросы разработки прикладных систем. Новосибирск: ВЦ СО АН СССР, 1979. - С.78 - 92.

74. Лябах, 1990. Лябах Н.Н. Математические основы разработки и использования машинного интеллекта. Ростов-на-Дону: Изд-во РГУ, 1990.-112с.

75. Мелихов и др,.1981. Мелихов А.Н., Берштейн Л.С. Конечные четкие и расплывчатые множества: Ч. 11. Расплывчатые множества. Таганрог: ТРТИ, 1981

76. Мелихов и др., 1990. Мелихов А.Н., Берштейн Л.С., Коровин С.Я. Ситуационные советующие системы ^нечеткой логикой. М.: Наука, 1990. -272с.

77. Минский, 1979. Минский М.: 1979. Фреймы для представления знаний М.: Энергия.

78. Малышев и др., 1991. Малышев Н.Г. и др. Нечеткие модели для экспертных систем в САПР. -М.: Энергоатомиздат. 1991. -136с.

79. Мелихов и др., 1982 а. Мелихов А.Н., Берштейн Л.С., Ковалев С.М. Интерактивная модель задачи размещения ячеек БИС при нечеткихограничениях.Тезисы докладов III научн.-техни. семинара "Управление при наличии расплывчатых категорий" Пермь 1982г.

80. Мелихов и др., 1982 б. Мелихов А.Н., Берштейн Л.С., Ковалев С.М. Идентификация однородных униформных гиперграфов. В кн.: Специализированные комбинированные вычислительные устройства, Рязань, 1981

81. Мелихов и др., 1983. Мелихов А.Н., Карелин В.П., Ковалев С.М. Моделирование нечетких алгоритмов принятия решений на многопроцессорных вычислительных структурах. Многопроцессорные однородные вычислительные структуры, Таганрог, 1983, вып.5.

82. Мелихов и др., 1984. Мелихов А.Н., Карелин В.П., Ковалев С.М. Моделирование процессов принятия решений на основе нечетких классификационных схем. Электронное моделирование, 1984, том 6, №3

83. Мелихов и др., 1986. Мелихов А.Н., Карелин В.П., Ковалев С.М. Построение классификационных моделей на основе экспертной информации и обучающей выборки. Известия СКНЦ ВЦ техн.науки, №1, 1986 с.42-45

84. Мелихов и др., 1981. Мелихов А.Н.,Берштейн Л.С. Конечные четкие и расплывчатые множества: 4.11. Расплывчатые множества. Таганрог, 1981.

85. Нариньяни, 2000. Нариньяни А.С. НЕ-факторы: неточность и недоопределенность различие и взаимосвязь// Известия РАН. Теория и системы управления. 2000. №5.

86. Новиков, 2000. Новиков Ф.А. Дискретная математика для программистов. Учебник. -СПб: Питер. 2000.

87. Нисенбойм, 1988. Нисенбойм Л.Б. Использование интенсиональных и семантических отношений при описании знаний // Изв.АН СССР Техн.киберн. 1988 . - №2. - С. 13-20.

88. Обозрение, 1996. Обозрение прикладной и промышленной математики/ Серия «Методы оптимизации: Эволюционные вычисления и генетические алгоритмы», т.З. вып. 5. -М.: ТВП. 1996.

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

90. Осипов, 2001. Осипов Г.С. Искусственный интеллект; состояние исследований и несколько слов о ^ будущем// Новости искусственного интеллекта. 2001. № 1. -С .3 -13.

91. Осипов, 1998 а. Осипов Г.С. Динамика в системах, основанных на знаниях. //Известия Академии Наук. Теория и системы управления, 1998, №5, с.24-28.

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

93. Попов и др., 1996. Попов Э.В. и др. Статические и динамические экспертные системы. -М.: Финансы и статистика. 1996.

94. Поспелов Д, 1981. Поспелов Д.А. Логико-лингвистические модели в системах управления. -М.: Энергоиздат. 1981. -231с.

95. Поспелов Д, 1986. Поспелов Д.А. Ситуационное управление: Теория и практика. М.: Наука. 1986.

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

97. Потапова, 1997. Потапова Р.К. Речь: Коммуникация, информация, кибернетика. Уч. пособие. М.: Радио и связь. 1997.

98. Поспелов, 1986. Поспелов Д.А. Ситуационное управление: Теория и практика М.: Наука. Гл. ред. физ.-мат. лит., 1986. - 288с.

99. Рабинович и др., 1998. Рабинович З.Л., Воронов Г.С. Представление обработка знаний во взаимодействии сенсорной и языковой нейросистем человека. Управляющие системы и машины, НАН Украина, №2, 1998. -с. 311.

100. Рыков, 1999. Рыков А.С. Методы системного анализа: много креториальная и не четкая оптимизация, моделирование и экспертнгые оценки. м. экономика, 1999г.

101. Савченко 1993. Савченко В.В. Теоретико-информационное обоснование оценок минимакса энтропии // Изв. Вузов радиофизика, 1993, т.36 u.i. с. 1002-1011.

102. Сопожников 1997. Сопожников В.В. и др., Станционные системы автоматики и телемеханики: Учеб. для вузов ж-д тр-та. М.: Транспорт, 1997, ю 432 с.

103. Спиридонов 1998. Спиридонов В. П. Самоподобие, всплески и квазикристаллы // Компью Терра, №8, 1998 с. 1 -11.

104. Стефанюк, 1995. Стефанюк В.Л. Теоретические аспекты разработки компьютерных систем обучения. Саратов: СГУ. 1995.

105. Танака и др. 1986. Танака X., Цукиямо Т. Асаи К. Модель нечеткой системы, основанная на логической структуре.// Нечеткие множества и теория возможностей. Последние достижения: Пер. с англ. — М.: Радио и связь. 1986, с. 186-199.

106. Тарасов, 1997. Тарасов В.Б. Системно-организационный подход в искусственном интеллекте // Программные продукты и системы. 1997. № 3. -С. 6-13.

107. Устройства СЦБ. Технология обслуживания. М.: Транспорт, 1999. 427с.

108. Трунин-Донской 1987. Трунин Донской В.Н. Экспертные системы и фонетическая маркировка сегментов слитной речи. - В кн. Анализ, распознавание и синтез речи. М., ВЦ АН СССР, 1987.

109. Финн, 1999. Финн В.К. Правдоподобные выводы и правдоподобные рассуждения // Итоги науки и техники. Сер. теория вероятностей, математическая статистика и теоретическая кибернетика. Т. 28. М. : ВИНИТИ, 1988. с. 3-84.

110. Фоминых, 2001. Фоминых И.Б. Принципы построения гибридных интеллектуальных систем реального времени// Труды международного конгресса 1САГ 2001 «Искусственный интеллект в XXI веке» М.: Физматлит. 2001. Т.2. -С.570-583.

111. Цемель 1971. Цемель Г.И. Опознование речевых сигналов. М,: Наука, 1971.- 145 с.

112. Шабельников, 2000. Шабельников А.Н. Разработка методов автоматизации управления динамическими процессами на основе нечеткой информации Дисс.канд. техн. наук. Ростов-на-Дону. 2000. 170 с.

113. Ягер, 1986. Нечеткие множества и теория возможностей. Последние достижения: Пер. с англ. P.P. Ягера. М.: Радио и связь, 1986. - 408 с.

114. Berge C. Graphes et hypergraphes. Paris: Dunon, 1970.

115. Jang 1993. J.S.R. Jang, ANFIS: adaptive-network-based fuzzy inference system, IEEE Trans. Systems Man Cybernet. 23 (3) (1993)665- 684.

116. Karthik., 2000. Karthik Balakrishnan, Vasant Honavar. Intelligent Diagnosis Systems. Technical report. Iowa State University. 2000.

117. Kasabov 1999. N.K.Kasabov, R.I.Kilgour, S.I.Sinclair. From hybrid adjustable neuro-fuzzy systems to adaptive cjnnectionist-based systems for phoneme and word recognition. Fuzzy Sets and Systems, 103 (1999) 349-367.

118. Kovalev, 2000. Kovalev S., Palchik S., Kovalev V. Urgency of perfection of system of the automated management of transportation process on railway transport/Internationales Symposium 2000 c.256-258

119. Levinson, 1983. Levinson S.E. et al. An introduction to the application of the theory of probabilistic functions of a Markov process to automatic speech recognition// Bell System Technical J. 62 (1983). -P.1035-1073.

120. Mamdani 1977. Mamdani, E.H. (1977) Application of fuzzy logic to approximate reasoning using linguistic systems. IEEE Trans, on Сотр., c-26, 1182-1191.

121. Mazin Rahim и др. 2001. Mazim Rahim, Giuseppe Ricardi, Lawrence Saul, Jerry Wright, Bruce Buntschun, Allen Gorin, Robust numeric recognition in spoken language dialogue, Speech Communication 34 (2001) 195-212.

122. Morgan, 1991. D.P. Morgan D.P. and C.L. Scotfield C.L. Neural Networks and Speech Recognition// Kluwer Academic Publishers. Dordrecht. 1991.

123. Mu-Chun Su 1998. Mu-Chun Su, Ching-Tang Hsieh, Chieh-Ching Chin. A neure-fuzzy approach to speech recognition without time alignment. Fuzzy Sets and Systems. 98 (1998), 33-41.

124. Rabiner, 1978. L.R. Rabiner L.R., Schafev R.W. Digital processing of Speech Signals. NJ: Prentice-Hall- Englewood Cliffs. 1978.

125. Rahim, 2001. Rahim M. Et al. Robust numeric recognition in spoken language dialogue// Speech Communication. 34 (2001). -P. 195-212.

126. Schank, R. Dynamic Memory: A theory of learning in computers and people. New York, NY: Cambridge University Press. 1982.

127. Shoham, 1989. Shoham Y. Time for action // In Proceedings 11 IJCAI, 1989.

128. Zadeh, 1965. Zadeh L. Fuzzy Sets// Information and Control. 1965. V.8.