автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.16, диссертация на тему:Разработка автоматизированной системы диагностики на основе использования метода газоразрядной визуализации

pía '' 2 О НОЯ ?nnr

На правах рукописи

ИЛЬИЧЕВ МИХАИЛ АЛЕКСАНДРОВИЧ

РАЗРАБОТКА АВТОМАТИЗИРОВАННОЙ СИСТЕМЫ ДИАГНОСТИКИ НА ОСНОВЕ ИСПОЛЬЗОВАНИЯ МЕТОДА ГАЗОРАЗРЯДНОЙ ВИЗУАЛИЗАЦИИ

Специальность 05.13.16-Применение вычислительной техники, математического моделирования и математических методов в научных исследованиях (технические науки, в области средств автоматизации и связи)

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

Воронеж 2000

Работа выполнена на кафедре технических комплексов охранной сигнализации Воронежского института МВД России

Научный руководитель: доктор технических наук,

профессор Д.Б.Десятов

Научный консультант.

кандидат технических наук,

доцент

В.С.Зарубин

Официальные оппоненты: доктор технических наук,

профессор,

член-корреспондент Международной Инженерной Академии В.М.Шляхин,

кандидат технических наук,

доцент

И.О.Павлов

Ведущая организация: ОАО «Научно-исследовательский

институт полупроводникового машиностроения» (г. Воронеж).

Защита диссертации состоится «25» 2000 г.

в /¿Г часов па заседании диссертационного совета К 052.17.01 при Воронежском институте МВД России по адресу: 394065, г. Воронеж, проспект Патриотов, 53.

С диссертацией можно ознакомиться в библиотеке Воронежского института МВД России.

Автореферат разослан «с*. » 2000 г.

Ученый секретарь диссертационного совета кандидат физико-математических наук '^Ос—С.В.Ролдугин

] тон, о -/■ и -ш, о

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

АКТУАЛЬНОСТЬ ТЕМЫ. В настоящее время диагностические системы находят широкое применение в таких областях человеческой деятельности как криминалистика, медицина, дефектоскопия, биология и ряде других. Развитие диагностических систем характеризуется следующими особенностями. С одной стороны, значительно возрастают объемы проводимых диагностических исследований и ужесточаются требования, предъявляемые к те результативности. С другой стороны жестко ограничиваются временные рамки и усложняются используемые методы и оборудование. Все это в современных условиях приводит к необходимости решения задачи создания эффективных средств и методов для быстрой и качественной диагностики и анализа изучаемых объектов.

Особую важность данная задача приобретает при проведении исследований в криминалистике и медицине, где оперативность получения информации и достоверность диагностических решений являются главными показателями эффективности диагностических систем.

Современные средства и методы должны обеспечивать проведение диагностических исследований в масштабе времени, близком к реальному, иметь разумную стоимость и позволять проводить диагностические исследования не привязываясь к лабораторным условиям.

Одним из перспективных методов диагностических исследований в значительной мере удовлетворяющим перечисленным выше требованиям является метод газоразрядной визуализации (ГРВ).

Проведенный анализ работ по изучению диагностических возможностей метода ГРВ показал его достаточную эффективность, что свидетельствует о принципиальной возможности его использования для диагностики исследуемых объектов, оценки и прогнозирования функционального состояния человека. В тоже время на этапе практического применения метода ГРВ возникают значительные трудности, связанные с объективностью интерпретации получаемых изображений и возможностью широкого применения метода ГРВ. Это обусловлено тем, что, во-первых, при работе с большими массивами информации оператор физически не способен обработать большое количество изображений за сравнительно короткое время, во-вторых, фактор усталости и связанная с этим невнимательность может свести на нет проводимое тестирование, в третьих, грамотное и объективное применение метода возможно только после соответствующего обучения и длительной практики.

Основная причина, вызывающая перечисленные выше трудности, связана со спецификой ГРВ - изображений. Свечение газового разряда представляет собой суперпозицию от положительного и отрицательного разрядов вблизи поверхности исследуемого объекта. Это приводит к тому, что получаемые в результате свечения газового разряда изображения имеют сложную структуру, трудно поддающуюся объективному анализу.

В выполненных к настоящему времени работах в области изучения диагностических возможностей метода ГРВ обоснованы основные методические положения и этапы ГРВ диагностики, разработаны рекомендации по применению

метода ГРВ при проведения диагностических обследований и созданы необходимые технические средства получения ГРВ - изображений. При этом не решенным остается круг задач, связанных с разработкой методов и алгоритмов обработки информации, позволяющих обеспечить автоматизацию процесса применения ГРВ - изображений в диагностических исследованиях.

Таким образом, актуальность темы диссертационной работы обусловлена наличием противоречия между необходимостью повышения эффективности проведения диагностических исследований в криминалистике, дефектоскопии, медицине я ряде других областей я отсутствием завершенных работ, направленных на решение этой задачи, и, прежде всего, работ, связанных с обоснованием формальных моделей информационных процессов, методов и алгоритмов обработки ГРВ - изображений и автоматизации процесса исследования.

Диссертационная работа выполнена в соответствии с п. 2.2. Основных направлений научных исследований в системе МВД РФ до 2000 года.

ЦЕЛЬЮ РАБОТЫ является разработка математических моделей, методов и алгоритмов обработки информации и их автоматизация для повышения достоверности и оперативности диагностических исследований основанных на анализе ГРВ - изображений.

Для достижения цели в работе были поставлены и решены следующие основные задачи:

разработка функциональной модели системы диагностики, основанной на использовании изображений, получаемых, методом ГРВ, позволяющей описать этапы функционирования системы и определить информационные процессы, подлежащие автоматизации;

классификация признаков описания ГРВ - изображений и построение априорного алфавита признаков для создания математической модели ГРВ - изображений;

разработка методов оценки информативности признаков и обоснования рабочего алфавита признаков ГРВ - изображений;

выбор алгоритмов распознавания ГРВ - изображений, разработка методов "тшттшзации-илщщгаэ^фективности алгоритмов;

разработка пр ограммшлх"пр бдуктов -ан адиааХРВ^^зо^ражен и й.

ОБЪЕКТОМ ИССЛЕДОВАНИЯ в диссертационно^работё"явШотся-сие-— темы диагностики, основанные на использовании изображений, получаемых методом газоразрядной визуализации.

ПРЕДМЕТОМ ИССЛЕДОВАНИЯ являются информационные процессы, протекающие в системах диагностики, основанных на использовании изображений, получаемых методом газоразрядной визуализации.

МЕТОДЫ ИССЛЕДОВАНИЯ. В работе использованы методы теории иерархических многоуровневых систем, теории информации, теории распознавания образов, теории вероятностей, математической статистики и методы алгебры логики.

НАУЧНАЯ НОВИЗНА основных результатов диссертационной работы:

разработана функциональная модель автоматизированной системы диагностики, описывающая множество выполняемых системой действий и взаимо-

связи между ними и позволяющая обосновать совокупность информационных процессов, подлежащих формализации и автоматизации;

разработана классификация признаков ГРВ - изображений, учитывающая специфику свечения газового разряда вблизи поверхности исследуемых объектов и позволяющая выделить полное множество признаков и обосновать состав априорного алфавита для создания математической модели ГРВ - изображения;

разработаны методы оценки информативности признаков ГРВ - изображений и минимизации размерности алфавита признаков, основанные на использовании информационной меры Шеннона и введении специальных логических операций сравнения разделяющих свойств признаков, позволяющие в отличии от известных методов Мерилла и Грина, существенно сократить количество выполняемых операций;

разработан метод проверки непротиворечивости секвенциальных алгоритмов распознавания, который за счет введения специальных правил проверки непротиворечивости позволяет не разворачивать логические функции до совершенной дизъюнктивной нормальной формы, тем самым существенно сокращая объем вычислений;

разработан метод оценки эффективности логических (секвенциальных) алгоритмов распознавания, в котором за счет введения плотностей вероятностей попадания случайных величин, характеризующих возможные значения признаков, в заданные интервалы и их пересечения, обеспечивается возможность определения вероятности принятия системой ошибочных решений.

ПРАКТИЧЕСКАЯ ЗНАЧИМОСТЬ РАБОТЫ состоит в следующем: разработана система методов и алгоритмов обработки информации, позволяющая повысить достоверность проведения диагностических исследований различных объектов в криминалистике, дефектоскопии, медицине, при анализе физико-химических характеристик материалов и жидкостей;

разработан программный продукт, содержащий автоматические процедуры обработки ГРВ - изображений и алгоритмы расчета значений признаков, позволяющий автоматизировать процесс диагностики и стандартизировать получаемые результаты как при решении прикладных диагностических задач, так и при проведении научных исследований;

разработаны алгоритмы распознавания ГРВ - изображений используемых в медицине при диагностике физиологического состояния человека.

Достоверность полученных результатов обеспечивается учетом наиболее существенных факторов, влияющих на описание и выбор признаков ГРВ - изображений и принятие решений в диагностических системах, последовательным выводом конечных выражений показателей информативности и эффективности из достаточно общих положений апробированных на практике теорий информации и распознавания, а также совпадением полученных результатов с результатами, полученными другими, более трудоемкими методами диагностики.

РЕАЛИЗАЦИЯ И ВНЕДРЕНИЕ РЕЗУЛЬТАТОВ РАБОТЫ. Основные теоретические результаты работы - принципы построения логических алгоритмов распознавания изображений и способы их оптимизации на основе логических критериев минимальности и непротиворечивости реализованы в ходе проведе-

ния плановых научно-исследовательских работ в 5 ЦНИИИ МО РФ в интересах создания системы обработки оптических изображений. Практические результаты работы в виде пакета прикладных программ внедрены в Центральной Воронежской лаборатории судебной экспертизы и Нижегородской Государственной медицинской академии для проведения криминалистических и диагностических исследований.

, АПРОБАЦИЯ РАБОТЫ. Основные результаты докладывались и обсуждались и были одобрены на Международном научном конгрессе «Планета-2000» (Санкт-Петербург, 1998), II Всероссийской научно-технической конференции с международным участием «Электроника и информатика - 97» (Зеленоград, 1997), Международном научном конгрессе «Кирлионика, Белые ночи - 98» (Санкт-Петербург, 1998), Всероссийской научно-практической конференции «Охрана-97» (Воронеж, 1997), X научно-технической отраслевой конференции «Состояние и пути повышения надежности видеомагнитофонов» (Воронеж, 1996), Научно-практической конференции ВВШ МВД России (Воронеж, 1997).

ПУ Б ЛИК АЦИИ. По результатам исследований опубликовано 13 печатных работ, в том числе 6 статей, 6 тезисов докладов, программный продукт «Кирли-ан-анализ» зарегистрирован в Государственном фонде алгоритмов и программ Российской Федерации.

СТРУКТУРА И ОБЪЕМ РАБОТЫ. Диссертационная работа состоит из введения, четырех глав, заключения, списка литературы из 115 наименований и содержит 128 страниц машинописного текста, 24 рисунка, 17 таблиц и приложения на 23 страницах.

СОДЕРЖАНИЕ РАБОТЫ

Во введении показана актуальность работы, сформулированы цель и основные задачи исследования, представлены научные и практические результаты работы, приведено краткое содержание работы по главам.

__Впервой главе проведен анализ состояния и направления развития диагностических системттгспользу^мых_пщ_проведении исследований объектов различной природы в криминалистике, медищшёГщмГа^ характеристик материалов и жидкостей и в других областях.

На основе проведенного анализа делается вывод о том, что современные диагностические системы должны удовлетворять следующим требованиям: обеспечивать высокую оперативность и достоверность принята решений; допускать возможность их использования персоналом с различным уровнем подготовки; обеспечивать возможность применения в широком диапазоне условий.

Показывается, что в значительной мере всем перечисленным требованиям удовлетворяют диагностические системы, основанные на использовании метода ГРВ. Рассматривается физическое существо данного метода. Приводятся характеристики созданной к настоящему времени аппаратуры регистрации ГРВ - изображений. Показывается, что основной трудностью при применении метода ГРВ является анализ и интерпретация ГРВ - изображений, которые имеют

сложную структуру. В настоящее время решение данной задачи возлагается на человека - оператора, что не позволяет полностью реализовать потенциальные возможности метода ГРВ. Это обусловлено следующими причинами: при работе с большими массивами изображений оператор физически не способен обработать их за короткое (заданное) время; усталость и связанная с этим невнимательность приводит к появлению большого количества ошибочных решений; невозможно полностью исключить субъективные факторы и "привязанность" операторов к ряду стандартных решений.

Показывается, что существенное повышение оперативности и достоверности принимаемых решений может быть достигнуто за счет создания автоматизированных систем диагностики (АСД), основанных на строгих математических методах обработки и анализа ГРВ - изображений и принятия соответствующих диагностических решений.

При рассмотрении задач автоматизации процессов обработки информации делается вывод о необходимости создания проблемно-ориентированного программного обеспечения, позволяющего учесть специфику операций обработки и анализа ГРВ - изображений, заключающуюся в необходимости построения внутреннего овала изображений, наложения топографической сетки на изображения для проведения секторной диагностики, разбиения на кольца, очистки изображений от фона, а также использования обоснованного алфавита призна-ков.На основании проведенного анализа конкретизируются основные задачи исследований.

Вторая глава посвящена вопросам построения функциональной модели системы диагностики и разработки математических методов обоснования алфавита признаков описания ГРВ - изображений.

Построение функциональной модели системы диагностики является исходной задачей, решение которой позволяет описать основные этапы функционирования системы, выделить совокупность реализуемых системой действий и определить информационные процессы, подлежащие формализации и последующей автоматизация.

Решение этой задачи базировалось на использовании основных принципов иерархического описания систем. При этом функционирование АСД было представлено в виде согласованной реализации процессов двух типов: информационных и физических. Информационные процессы связаны с накоплением, обработкой и преобразованием информации в диагностические решения, а физические - с генерацией электромагнитного поля высокой напряженности и регистрацией ГРВ - изображений. В соответствии с этим функционирование АСД рассматривается на двух уровнях: обработки информации и диагностики и физических процессов генерации и регистрации.

Решения, принимаемые на уровне обработки информации и диагностики, образуют свою функциональную иерархию - слои. Применительно к АСД можно выделить три слоя принятия решений: обработка, обучение и непосредственная диагностика. Последующая детализация действий позволила получить

функциональную модель АСД (рис. 1). Содержание блоков данной модели определяет перечень задач подлежащих автоматизации.

{ лвтом атизированная система диагностики |

УПРАВЛЕНИЕ ФИЗИЧЕСКИМИ ПРОЦЕССАМИ

УПРАВЛЕНИЕ ИНФОРМАЦИОННЫМИ ПРОЦЕССАМИ

Диагностика

Визуялвэа-

ома

я иф о рч ацни

Оцсвк! качества фуякц-я

Проверка

... и«п ротивор

еч ывести

О брзботка

аистяей кнфвриаик

Рис. 1. Функциональная модель АСД

Важнейшим этапом создания АСД является обоснование алфавита признаков описания ГРВ - изображений. Важность данного этапа обусловлена прежде всего тем, что работа системы полностью основана на использовании получаемых значений признаков изображений, при этом ошибки, допущенные при обосновании алфавита признаков, на последующих этапах создания АСД не только не исправляются, но даже не обнаруживаются.

При обосновании алфавита признаков последовательно решаются две основные задачи - формирование априорного и рабочего алфавита признаков. Ос-

новным требованием при формировании априорного алфавита является обеспечение полноты рассматриваемых признаков, в силу чего, априорный алфавит должен включать в себя максимально возможное количество признаков. Формирование рабочего алфавита признаков основывается на снижении размерности априорного алфавита за счет исключения малоинформативных признаков. Формальной процедуры обоснования априорного алфавита признаков не существует. Выбор признаков производится разработчиком на основании своего опыта и интуиции. При этом разработчик может «пропустить» ряд важных признаков исследуемых изображений. Исключить данные случаи можно только на основе построения полной классификации признаков. Фрагмент полученной в работе классификации признаков показан на рис.2.

Рис.2. Фрагмент классификации признаков ГРВ - изображений: К] -классификатор по источнику информации; К2 - по диапазону длин волн электромагнитного излучения; Кз - по месту измерения; К4 - по свойствам изображений.

При проведении классификации в качестве основных классификационных признаков использовались: диапазон длин волн электромагнитного излучения, рассматриваемые зоны изображений, свойства изображений.

В зависимости от диапазона длин волн электромагнитного излучения, в котором производится измерение, все признаки подразделяются на три класса: признаки инфракрасного, видимого и ультрафиолетового диапазона. В зависимости от рассматриваемых зон изображения выделяются кадровые, секторные и кольцевые признаки. Кадровые признаки описывают свойства изображения в целом и используются для характеристики общего состояния объекта. Секторные и кольцевые признаки описывают более детальные характеристики объектов. Например, наличие дефекта в соответствующем секторе или кольце. В зависимости от качественной природы все признаки подразделяются на яркост-ные, цветовые, спектральные, признаки формы и комбинированные. Яркостные признаки характеризуют распределения и значения яркости различных участков изображения. Цветовые признаки описывают распределение цветов по участкам изображения, преобладание того или иного цвета. К спектральным относятся признаки, получающиеся в результате различных двумерных преобразований изображений (Фурье, Адамара, Хаара и др.). Признаки формы характеризуют свойства формы отдельных областей изображений. Эти признаки подразделяются на метрические, топологические, аналитические и контурные. Метрические признаки основаны на измерении расстояния между точками на плоскости и вычислении различных мер. Топологические признаки характеризуют свойства изображения, инвариантные к изменению масштаба, выбору точки отсчета осей координат, повороту относительно осей координат. Аналитическими признаками являются математические описания особенностей формы изображений.

Новизна полученного результата состоит в том, что впервые на основе детального анализа изображений, учета их специфических свойств (наличие стримеров, локальных областей, пробелов и т.п.) и учета возможностей измерительной аппаратуры и методов преобразования изображений разработана классификация признаков ГРВ - изображений, обеспечивающая обоснованное построение априорного алфавита признаков и создание математической модели ГРВ -изображений.

Поскольку количество признаков априорного алфавита может быть достаточно велико, то возникает задача снижения размерности априорного алфавита за счет исклкукШжттгепнлалоияфср^ При этом возникает

необходимость разработки метода оценки информативност1Г7тризнакоа.—При_

решении этой задачи было установлено, что ГРВ - изображения и способы их получения обладают следующими характерными особенностями.

Во-первых, это наличие детерминированных связей между ГРВ - изображениями и признаками их характеризующими. И, во-вторых, отсутствие искажений при представлении и обработке ГРВ - изображений.

Данные особенности позволяют предложить в отличие от уже известных, достаточно простой метод оценки информативности как для каждого отдельного признака, так и их всевозможных комбинаций.

В предложенном в работе методе в качестве показателя информативности используются значения энтропии, характеризующей степень неопределенности состояния системы диагностики при распознавании ГРВ - изображений. При

этом если рассматриваемое изображение может относиться к одному из классов Sj, то исходная неопределенность системы определяется выражением

#(S) = -£P(S,)logP(S,),

■H

где P(Sj ) - априорная вероятность появления класса , У - количество классов.

Вводится понятие сигнала IVj, воспринимаемого системой при предъявлении изображения, относящегося к некоторому классу Sj, Wj = FflXy, где - совокупность признаков, характеризующих изображения класса SJt F - используемый алфавит признаков.

Объединяя совпадающие сигналы от различных классов в группы Ga, можно получить, используя формулу Байеса, апостериорные вероятности отнесения изображений к классам Sj при появлении сигналов из различных групп

P(SAP(G„ /S,-) — il, W, eG-,

j^P(Sj)P(GaafSj) l' У

M

С использованием данного выражения определяется условная энтропия системы, при условии, что сигнал принадлежит группе Ga

H(StGa) = -j?P(.Sj/Ga)logP(SjlGe).

/= 1

Тогда, усредняя по группам, получим полную условную энтропию, характеризующую степень неопределенности состояния в ходе принятия решений при использовании алфавита признаков F

H(S/\JGa) = -tm«)£P(Sj / Ga)logP(Sj /Ga).

a a=1

Изменяя состав признаков множества F, можно получить оценки информативности как любых комбинаций, так и отдельных признаков.

В общем случае минимизация размерности алфавита признаков может осуществляться на основе перебора всех возможных комбинаций признаков и оценки их информативности. Однако, так как число комбинаций может быть достаточно велико, то задача оценки информативности становится весьма трудоемкой.

Для преодоления данной трудности были предложены алгоритмы, не использующие метода полного перебора. Основываясь на этих алгоритмах, в работе показано, что можно дополнительно сократить число операций на каждом шаге алгоритмов, если ввести специальные правила учета разделяющих свойств признаков. Существо данных правил базируется на том, что ряд комбинаций признаков могут иметь одинаковые разделяющие свойства, либо поглощать другие комбинации (в смысле разделяющих свойств). Такие комбинации могут быть исключены из дальнейшего рассмотрения.

Формально правила строятся на основе использования специальной операции сравнения признаков, которая вводится следующим образом:

Г 1,еслих1к*хи,

Х1 ~ ха ~хи ~ л Л

[О, если Хц. = хц ,

где х1Ь Хц - значения 1 - го признака соответственно для к - го и (- го классов.

На основе этого строятся матрицы Л,-= ^|, /=1 ,п, к,1 = 1,7 которые

полностью характеризуют разделительные свойства признаков по всему множеству классов . Введя затем следующую операцию сложения матриц:

доказывается, что выполнение соотношения А, + А9 = А; является условием исключения признака Хч из дальнейшего рассмотрения.

На основе введенных соотношений строится алгоритм минимизации алфавита признаков. Проведенные контрольные расчеты показали, что предложенный алгоритм обеспечивает сокращение объема выполняемых операций в среднем на 30 %.

В третьей главе рассматриваются задачи построения алгоритмов распознавания ГРВ - изображений, их оптимизации и оценки эффективности.

При решении задачи построения алгоритмов распознавания ГРВ - изобра-женин

было показано, что наиболее адекватен решаемой задаче распознавания метод, основанный на использовании ашшрэта секвенций.

При применении этого аппарата связи между значениями признаков и принимаемыми решениями задаются в виде следующей системы секвенций:

где /и - функции алгебры логики, описывающие возможные значения признаков; У, - функции алгебры логики, описывающие возможные решения диагностической системы.

__Для «оптимизации» системы секвенций на основе логических критериев

миниматьности1Гполнсгтъгсущеетсук11^орошо^^работа11ные методы. В тоже

время существующие методы проверки непротиворечивости7связанные-с-необ-__

ходимостью представления левых частей секвенций в виде СДНФ и попарным сравнениям всех элементарных конъюнкций, достаточно трудоемки и могут использоваться только для систем, содержащих небольшое количество логических переменных. Данное обстоятельство потребовало разработки более совершенного метода проверки непротиворечивости. Существо предложенного в работе метода состоит в следующем.

За счет эквивалентных преобразований представления логических функций в аналитической форме система секвенций преобразуется к следующему виду:

V ^ I- * = т|/4 = & ,

где xp - логические переменные, используемые для кодирования значений признаков; ctj* - степень аргумента х^; Вк - множество номеров логических переменных, входящих в конъюнкцию ritjt. Доказывается, что для двух конъюнкций ti(< и противоречивость может возникать только в следующих четырех случаях:

1.Бк = Бс, ají = ctjf; 2 JtcSc, ajf = ajf для ц e Bk\

3.Bh(\ВС = 0; 4. ВкПВс = Вкс*0, ají = ajf для ji еВкс.

Для каждого случая вводятся формальные правила устранения противоречивости, существо которых состоит в удалении из логических уравнений противоречивых комбинаций переменных и введении новых секвенций с последующим их доопределением.

Предложенный метод обладает по сравнению с известными следующими преимуществами: увеличивается ранг не всех конъюнкций левых частей секвенций, а только тех, для которых выполнено условие противоречивости; увеличение ранга конъюнкций производится не до максимального значения, а только в пределах, необходимых для устранения противоречивости.

Это позволяет проводить проверку непротиворечивости систем секвенций, включающих большое число логических переменных.

Контрольные расчеты, проведенные для ряда частных случаев, показали, что при использовании предложенного метода объем вычислений снижается на 30 - 40 %, при этом расчеты ведутся с логическими функциями существенно меньшей размерности.

Для оценки эффективности секвенциальных алгоритмов распознавания был разработан метод, заключающийся в следующем.

Показано, что вероятность принятия ошибочного решения может быть

í-na-Pyr)

;=1

представлена в следующем виде: Р, = ^ )

£

где Р(£Л)- априорная вероятность появления реализации Ри - вероятность ошибочного выбора значения признака X,- при принятии решения .

Ошибки при выборе значения признака Х( могут возникать из-за того, что границы отрезка [а,, Д,] изменения признака четко не определены. Они устанавливаются в результате проведения экспериментальных исследований и фактически могут рассматриваться как математические ожидания случайных величин и ¿2> имеющих функции распределения р/ (х) и (х). Тогда Р/ <» Р/ а>

4=1+ [¿ВД- (х)с!Г^х)~ \dFiix),

а, Р/ <*/ Р)

где (х) - функция распределения случайной величины Х1.

Поскольку при принятии решения нас не интересует какое значение приобрела величина Х1 на отрезке [а,-, р,], а важен только факт попадания на этот

отрезок, то принимается, что Х1 имеет равномерное распределение. Значения величин и принимаются нормальными (а;,са() и ((Змар.) соответственно. Тогда

На основе данного выражения определяется вероятность Р, ошибочных решений при распознавании ГРВ - изображений.

Четвертая глава посвящена вопросам разработки программного обеспечения обработки и анализа ГРВ - изображений и практическому применению разработанных методов в интересах решения задачи оценки общего функционального состояния человека.

Основной целью создания программного обеспечения являлась автоматизация процессов обработки и анализа информации в диагностической системе.

Для достижения этой цели был разработан специализированный программный продукт «Кирлиан-анализ». Данный программный продукт создан в среде Delphy 3 и работает под управлением оболочки Windows 95 и выше.

Программный продукт предназначен для решения следующих основных задач: первичная обраионш ГГЦ - небрежений; вычисление количественных значений признаков ГРВ - изображений; анализ полученных числовых значений признаков и принятие диагностических решений о состоянии объектов; визуальный контроль получаемых изображений. Кроме того, важной обеспечивающей задачей разработанного программного продукта является выбор пороговых значений яркости и шума, что позволяет избавиться от влияния на результаты анализа изображений аппаратурных помех и случайных засветок при проведении экспериментов.

С использованием разработанных в диссертационной работе методов бы--ди-дбоснованы алгоритмы распознавания ГРВ - изображений в интересах решения задачи оценки общего функционального состояния~челоБекагПри-обосно-вании алгоритмов использовались реальные изображения, относящиеся к пяти различным классам (К., R., L, N, S), характеризующим функциональные состояния человека. Изображения были получены при проведении исследований в Санкт-Петербургском институте точной механики и оптики. В ходе решения задачи был сформирован априорный алфавит, содержащий 58 признаков изображений. За счет применения методов оценки информативности и минимизации априорного алфавита удалось сократить это число до 8 признаков, которые и были включены в рабочий алфавит.

Разработанные секвенциальные алгоритмы распознавания реализованы в рамках программного продукта «Кирлиан-анализ». Расчет эффективности предложенных алгоритмов показал, что ошибки при выборе решений не превышают

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

1. Разработана функциональная модель АСД основанной на использовании ГРВ - изображений исследуемых объектов, позволяющая выделить совокупность реализуемых системой действий и определить информационные процессы, подлежащие формализации и автоматизации.

2. Обоснована классификация признаков ГРВ - изображений, учитывающая специфику свечения газового разряда вблизи поверхности исследуемого объекта и позволяющая обосновать априорный алфавит признаков для создания математической модели ГРВ - изображений.

3. Разработана совокупность методов формирования рабочего алфавита признаков распознавания ГРВ - изображений, включающая: метод определения информативности признаков на основе вычисления значений энтропии; метод снижения размерности априорного алфавита признаков на основе использования специальных правил учета разделяющих свойств признаков.

4. Разработан метод проверки непротиворечивости секвенциальных алгоритмов распознавания ГРВ - изображений, позволяющий сократить объем производимых вычислений по сравнению с известными методами.

5. Разработан метод оценки эффективности логических (секвенциальных) алгоритмов, обеспечивающий возможность определения вероятности принятия диагностической системой ошибочных решений.

6. В интересах автоматизации процессов обработки информации разработан программный продукт «Кирлиан-анализ», содержащий автоматические процедуры обработки и анализа ГРВ - изображений и принятия диагностических решений.

7. Обоснованы секвенциальные алгоритмы распознавания ГРВ - изображений применительно к решению практической задачи оценки функционального состояния человека.

ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ

1. Дунаев С.Д., Ащеулов А.Ю., Ильичев М.А., Пашков А.Н. Регистрация и обработка аномального свечения с экранов и устройств различного функционального назначения. Состояние и пути повышения надежности видеомагнитофонов: Тез. докл. X научн.-техн. отрасл. конф.- Воронеж, 1996. - с. 36 - 37.

2. Ильичев М.А., Марек Я.Л., Огреб С.М. Исследование состояний биологических и физических объектов на основе использования эффекта Кирлиан. Научно-практическая конференция ВВШ МВД Россия: Тезисы докладов. Часть 2.-Воронеж: Воронежская высшая школа МВД России, 1997. - с. 104.

3. Ильичев М.А. Автоматизированные системы распознавания в комплексах охраны. Всероссийская научно-практическая конференция "Охрана-97". Тезисы докладов. - Воронеж: Воронежская высшая школа МВД России, 1997. - 10 -11 с.

4. Коротков К.Г., Щевелев М.И., Ильичев М.А., Пашков А.Н., Ащеулов А.Ю. Диагностическая компьютерная система анализа изображений при газо-

разрядной визуализации. "Электроника и информатика 1997". Вторая Всероссийская научно-техническая конференция с международным участием: в 2 ч. Тезисы докладов. - М.: МИЭТ, 1997. - ч.2. - с. 192.

5. Ильичев М.А. Алгоритм выбора минимального алфавита признаков распознавания изображений. Сборник научных трудов ВВШ МВД РФ, 1997. -№7.-с. 72-75.

6. Ильичев М.А. Минимизация алфавита признаков распознавания изображений при создании медицинских диагностических систем, основанных на эффекте Кирлиан. "Электроника и информатика 1997". Вторая Всероссийская научно-техническая конференция с международным участием: в 2 ч. Тезисы докладов. ч.2.- М.: МИЭТ, 1997- с. 192.

7. Ильичев М.А. Проверка непротиворечивости секвенциальных алгоритмов распознавания кирлиановских изображений. Сборник научных трудов ВВШ МВД РФ, 1997. - № 7. - с. 66 - 72.

8. Ащеулов А.Ю., Ильичев М.А., Пашков А.Н., Щевелев М.И. Диагностическая система анализа кирлиановских изображений. "Кирлионика, Белые ночи 98". Тезисы докладов международной научной конференции. С.-Петербург.: СПИТМО, 1998. -с.35.

9. Щевелев М.И., Ильичев М.А., Пашков А.Н., Ащеулов А.Ю. Выбор алфавита признаков для описания кирлиановских изображений. Международный сборник из серии "Информация. Сознание. Жизнь", С.-Петербург.: Ольга, 1998. - г.. ?75 -

10. Ильичев М.А., Зарубин B.C. Оценка качества функционирования секвенциальных автоматизированных систем распознавания в составе комплексов видеолаблюдения. Вестник Воронежского института MB Д России, 1999.-е. 129

11. Ильичев VI. А. Программа расчета характеристик графических изображений, поиучаемых методом газоразрядной визуализации (Кирлиан-анализ).-Государственный фонд алгоритмов и программ Российской Федерации (регистрационный номер 5090000165 от 6.12.99).

12. Ильичев М.А. Функциональная модель автоматизированной системы диагностики,_осиоаашгой"натшалше газоразрядных изображенийт-Вестник Во--ронежского института МВД России, 2000. - с. 168 - 172.

13. Ильичев М.А. Метод оценки информативности признаков распознавания графических изображений Вестник Воронежского института МВД России.

-133.

2000. - с. 163 - 167.

ЛР № 020728 от 09.02.98. Подписано в печать 22.06.2000. Усл. печ. л. 1,0. Тираж 100 экз. Заказ № SOU

Воронежский институт МВД России 394065, г. Воронеж, проспект Патриотов, 53.

ВВЕДЕНИЕ.

1. ПРИМЕНЕНИЕ МЕТОДА ГАЗОРАЗРЯДНОЙ ВИЗУАЛИЗАЦИИ К РЕШЕНИЮ ЗАДАЧ ДИАГНОСТИКИ.

1.1. Использование автоматизированных систем в диагностических исследованиях.

1.2. Анализ значимости метода газоразрядной визуализации.

1.3. Особенности формирования и анализа изображений, получаемых методом газоразрядной визуализации.

1.4. Выводы. Постановка цели и задач исследования.

2. МАТЕМАТИЧЕСКИЕ МЕТОДЫ ОБОСНОВАНИЯ АЛФАВИТА ПРИЗНАКОВ ОПИСАНИЯ ИЗОБРАЖЕНИЙ.

2.1. Применение системного подхода^рри-разработке автоматизированных систем диаг!1остики.

2.2. Функциональная модель автоматизированной системы диагностики.

2.3. Выбор и классификация признаков описания изображений.

2.4. Метод оценки информативности признаков.

2.5. Метод выбора минимального алфавита признаков.

2.6. Выводы.

3. МЕТОДЫ ПОСТРОЕНИЯ АЛГОРИТМОВ РАСПОЗНАВАНИЯ ИЗОБРАЖЕНИЙ.

3.1. Общие принципы построения алгоритмов распознавания.

3.2. Метод проверки непротиворечивости секвенциальных алгоритмов распознавания изображений.

3.3. Метод оценки качества функционирования автоматизированной системы диагностики.

3.4. Выводы.

4. ОСНОВНЫЕ РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЙ.

4.1. Программное обеспечение анализа изображений.

4.2. Результаты обоснования рабочего алфавита признаков.

4.3. Результаты обоснования алгоритмов распознавания изображений.

4.4. Выводы.

АКТУАЛЬНОСТЬ ТЕМЫ. В настоящее время диагностические системы находят широкое применение в таких областях человеческой деятельности как криминалистика, медицина, дефектоскопия, биология и ряде других. Развитие диагностических систем характеризуется следующими особенностями [1 - 29]. С одной стороны, значительно возрастают объемы проводимых диагностических исследований и ужесточаются требования, предъявляемые к их результативности. С другой стороны жестко ограничиваются временные рамки и усложняются используемые методы и оборудование. Все это в современных условиях приводит к необходимости решения задачи создания эффективных средств и методов для быстрой и качественной диагностики и анализа изучаемых объектов.

Особую важность данная задача приобретает при проведении исследований в криминалистике и медицине, где оперативность получения информации и достоверность диагностических решений являются главными показателями эффективности диагностических систем.

Современные средства и методы должны обеспечивать проведение диагностических исследований в масштабе времени, близком к реальному, иметь разумную стоимость и позволять проводить диагностические исследования не привязываясь к лабораторным условиям.

Одним из перспективных методов диагностических исследований в значительной мере удовлетворяющим перечисленным выше требованиям является метод газоразрядной визуализации (ГРВ) [36, 37].

Проведенный анализ работ по изучению диагностических возможностей метода ГРВ показал его достаточную эффективность, что свидетельствует о принципиальной возможности его использования для диагностики исследуемых объектов, оценки и прогнозирования функционального состояния человека. В тоже время на этапе практического применения метода ГРВ возникают значительные трудности, связанные с объективностью интерпретации получаемых изображений и возможностью широкого применения метода ГРВ. Это обусловлено тем, что, во-первых, при работе с большими массивами информации оператор физически не способен обработать большое количество изображений за сравнительно короткое время, во-вторых, фактор усталости и связанная с этим невнимательность может свести на нет проводимое тестирование, в третьих, грамотное и объективное применение метода возможно только после соответствующего обучения и длительной практики.

Основная причина, вызывающая перечисленные выше трудности связана со спецификой ГРВ - изображений. Свечение газового разряда представляет собой суперпозицию от положительного и отрицательного разрядов вблизи поверхности исследуемого объекта. Это приводит к тому, что получаемые в результате свечения газового разряда изображения имеют сложную структуру, трудно поддающуюся объективному анализу.

В выполненных к настоящему времени работах [30 - 72] в области изучения диагностических возможностей метода ГРВ обоснованы основные методические положения и этапы ГРВ диагностики, разработаны рекомендации по применению метода ГРВ при проведения диагностических обследований и созданы необходимые технические средства получения ГРВ - изображений. При этом не решенным остается круг задач, связанных с разработкой методов и алгоритмов обработки информации, позволяющих обеспечить автоматизацию процесса применения ГРВ - изображений в диагностических исследованиях.

Таким образом, актуальность темы диссертационной работы обусловлена наличием противоречия между необходимостью повышения эффективности проведения диагностических исследований в криминалистике, дефектоскопии, медицине и ряде других областей и отсутствием завершенных работ, направленных на решение этой задачи, и, прежде всего, работ, связанных с обоснованием формальных моделей информационных процессов, методов и алгоритмов обработки ГРВ - изображений и автоматизации процесса исследования.

Диссертационная работа выполнена в соответствии с п. 2.2. Основных направлений научных исследований в системе МВД РФ до 2000 года.

ЦЕЛЬЮ РАБОТЫ является разработка математических моделей, методов и алгоритмов обработки информации и их автоматизация для повышения достоверности и оперативности диагностических исследований основанных на анализе ГРВ - изображений.

Для достижения цели в работе были поставлены и решены следующие основные задачи: разработка функциональной модели системы диагностики, основанной на использовании изображений, получаемых методом ГРВ, позволяющей опи сать этапы функционирования системы и определить информационные процессы, подлежащие автоматизации; классификация признаков описания ГРВ - изображений и построение априорного алфавита признаков для создания математической модели ГРВ - изображений; разработка методов оценки информативности признаков и обоснования рабочего алфавита признаков ГРВ - изображений; выбор алгоритмов распознавания ГРВ - изображений, разработка методов оптимизации и оценки эффективности алгоритмов; разработка программных продуктов анализа ГРВ - изображений.

ОБЪЕКТОМ ИССЛЕДОВАНИЯ в диссертационной работе являются системы диагностики, основанные на использовании изображений, получаемых методом газоразрядной визуализации.

ПРЕДМЕТОМ ИССЛЕДОВАНИЯ являются информационные процессы, протекающие в системах диагностики, основанных на использовании изображений, получаемых методом газоразрядной визуализации.

МЕТОДЫ ИССЛЕДОВАНИЯ. В работе использованы методы теории иерархических многоуровневых систем, теории информации, теории распознавания образов, теории вероятностей, математической статистики и методы алгебры логики.

НАУЧНАЯ НОВИЗНА основных результатов диссертационной работы: разработана функциональная модель автоматизированной системы диагностики, описывающая множество выполняемых системой действий и взаимосвязи между ними и позволяющая обосновать совокупность информационных процессов, подлежащих формализации и автоматизации; разработана классификация признаков ГРВ - изображений, учитывающая специфику свечения газового разряда вблизи поверхности исследуемых объектов и позволяющая выделить полное множество признаков и обосновать состав априорного алфавита для создания математической модели ГРВ - изображений; разработаны методы оценки информативности признаков ГРВ - изображений и минимизации размерности алфавита признаков, основанные на использовании информационной меры Шеннона и введении специальных логических операций сравнения разделяющих свойств признаков, позволяющие в отличии от известных методов Мерилла и Грина, существенно сократить количество выполняемых операций; разработан метод проверки непротиворечивости секвенциальных алгоритмов распознавания, который за счет введения специальных правил проверки непротиворечивости позволяет не разворачивать логические функции до совершенной дизъюнктивной нормальной формы, тем самым существенно сокращая объем вычислений; разработан метод оценки эффективности логических (секвенциальных) алгоритмов распознавания, в котором за счет введения плотностей вероятностей попадания случайных величин, характеризующих возможные значения признаков, в заданные интервалы и их пересечения, обеспечивается возможность определения вероятности принятия системой ошибочных решений. ПРАКТИЧЕСКАЯ ЗНАЧИМОСТЬ РАБОТЫ состоит в следующем: разработана система методов и алгоритмов обработки информации, позволяющая повысить достоверность проведения диагностических исследований различных объектов в криминалистике, дефектоскопии, медицине, при анализе физико-химических характеристик материалов и жидкостей; разработан программный продукт, содержащий автоматические процедуры обработки ГРВ - изображений и алгоритмы расчета значений признаков, позволяющий автоматизировать процесс диагностики и стандартизировать получаемые результаты как при решении прикладных диагностических задач, так и при проведении научных исследований; разработаны алгоритмы распознавания ГРВ - изображений используемых в медицине при диагностике физиологического состояния человека.

Достоверность полученных результатов обеспечивается учетом наиболее существенных факторов, влияющих на описание и выбор признаков ГРВ - изображений и принятие решений в диагностических системах, последовательным выводом конечных выражений показателей информативности и эффективности из достаточно общих положений апробированных на практике теорий информации и распознавания, а также совпадением полученных результатов с результатами, полученными другими, более трудоемкими методами диагностики.

РЕАЛИЗАЦИЯ И ВНЕДРЕНИЕ РЕЗУЛЬТАТОВ РАБОТЫ. Основные теоретические результаты работы - принципы построения логических алгоритмов распознавания изображений и способы их оптимизации на основе логических критериев минимальности и непротиворечивости реализованы в ходе проведения плановых научно-исследовательских работ в 5 ЦНИИИ МО РФ в интересах создания системы обработки оптических изображений. Практические результаты работы в виде пакета прикладных программ внедрены в Центральной Воронежской лаборатории судебной экспертизы и Нижегородской Государственной медицинской академии для проведения криминалистических и диагностических исследований.

АПРОБАЦИЯ РАБОТЫ. Основные результаты докладывались и обсуждались на Международном научном конгрессе «Планета-2000» (Санкт-Петербург, 1998), II Всероссийской научно-технической конференции с международным участием «Электроника и информатика - 97» (Зеленоград, 1997), Международном научном конгрессе «Кирлионика, Белые ночи - 98» (Санкт-Петербург, 1998), Всероссийской научно-практической конференции «Охрана-97» (Воронеж, 1997), X научно-технической отраслевой конференции «Состояние и пути повышения надежности видеомагнитофонов» (Воронеж, 1996), Научно-практической конференции ВВШ МВД России (Воронеж, 1997).

ПУБЛИКАЦИИ. По результатам исследований опубликовано 13 печатных работ. Программный продукт «Кирлиан-анализ» зарегистрирован в Государственном фонде алгоритмов и программ Российской Федерации.

СТРУКТУРА И ОБЪЕМ РАБОТЫ. Диссертационная работа состоит из введения, четырех глав, заключения, списка литературы из 115 наименований и содержит 128 страниц машинописного текста, 24 рисунка, 17 таблиц и приложения на 23 страницах.

Основные результаты диссертационной работы заключаются в следующем:

1. Разработана функциональная модель АСД, которая детализирует процесс автоматизированной обработки поступающих изображений и принятия решений в виде совокупности иерархически взаимосвязанных функциональных блоков и слоев принятия решений на физическом и информационном уровнях. Полученная модель позволяет комплексно подойти к исследованию вопросов создания АСД и обосновать состав системы, требования к отдельным функциональным блокам, алгоритмы функционирования и структуру программного и математического обеспечения.

2. Разработана полная классификация признаков ГРВ - изображений, предназначенная для формирования априорного алфавита признаков и создания математической модели ГРВ - изображений. Данная классификация позволяет разделить признаки по источнику информации, диапазону длин волн электромагнитного излучения, месту измерения и свойствам изображений. На основе предложенной классификации обоснован априорный алфавит признаков (кадровых, секторных, кольцевых), который является открытым, что позволяет по мере накопления статистических данных вносить в алфавит новые признаки без изменения его общей структуры.

3. Разработан метод оценки информативности признаков, в основе которого лежит понятие энтропии, характеризующей степень неопределенности принятия решений в ходе диагностики. Метод базируется на выделении пересекающихся диапазонов значений признаков разных классов изображений, объединении пересекающихся диапазонов в группы сигналов и вычислении степени неопределенности принятия решений в каждой из групп. Результирующие значения степени неопределенности отдельных признаков и групп признаков в ходе принятия решений вычисляются путем усреднения значений неопределенности по отдельным группам сигналов.

4. Разработан метод минимизации размерности алфавита признаков, являющийся развитием метода Барабаша и Барского в части вычисления оценок информативности и позволяющий существенно сократить количество выполняемых операций на каждом шаге. Метод основан на построении матриц разделяющих свойств признаков и специальных операций их сравнения, что позволяет исключить из дальнейшего рассмотрения комбинации признаков, которые поглощаются по разделительным свойствам другими комбинациями.

5. Показано, что для решения задачи распознавания ГРВ - изображений целесообразно использование логических алгоритмов распознавания. Из существующих методов наиболее адекватен решаемой задаче метод, основанный на использовании аппарата секвенций. Данный аппарат в полном объеме позволяет учесть специфику и особенности ГРВ - изображений при решении задач диагностики. Аппарат основан на описании возможных комбинаций значений признаков с помощью логических функций и формализации связей между значениями признаков и возможными решениями в виде систем логических (секвенциальных) уравнений.

6. Разработан метод проверки непротиворечивости систем логических уравнений, задающих алгоритмы принятия решений в АСД. Данный метод позволяет в отличие от существующих методов увеличивать ранг не всех конь-юнкций, а только противоречивых. Увеличение ранга конъюнкций производится не до максимального значения, а только в пределах, необходимых для устранения противоречивости.

7. Разработан метод оценки эффективности функционирования АСД, базирующихся на использовании секвенциальных алгоритмов. Метод основан на вычислении вероятностей принятия ошибочных решений о принадлежности объектов, характеризующихся своими ГРВ - изображениями, к соответствующим классам. Для вычисления ошибок вводятся формальные правила разбиения множества возможных комбинаций значений признаков ГРВ - изображений на непересекающиеся классы, правила соответствия объектов и классов и правила вычисления ошибок по каждому признаку и по их усредненной совокупности. В качестве причин возможных ошибок рассматриваются состояние среды, наличие случайных засветок, неточное центрирование исследуемого объекта в поле зрения регистрирующего прибора.

8. Разработано программное обеспечение АСД, которое реализовано в среде Delphy-З и работает под управлением оболочки Windows' 95. Данное программное обеспечение позволяет: во-первых, производить первичную обработку изображений, полученных методом ГРВ, в которую включены автоматические операции выделения короны свечения, расчета контура внутреннего овала и центра начала координат, расчета угла наклона осей координат; во-вторых, визуально анализировать полученные изображения с целью выявления новых количественных характеристик и уточнения произведенных операций по первичной обработке; в третьих, производить вычисление выбранного пользователем алфавита признаков с целью последующего анализа зависимостей значений признаков от состояния объекта исследования.

9. Обоснованы оптимальные величины пороговых установок для проведения вычислений значений признаков, что позволяет устранить влияние шумов и посторонних засветок на результаты принятия решений и повысить информативность ряда признаков. Это дает возможность максимально эффективно использовать рабочий алфавит признаков для описания множества диагностических решений.

10. Проведено обоснование рабочего алфавита признаков для описания и распознавания ГРВ - изображений, применительно к решению задачи медицинской диагностики функционального состояния человека, которое в целом характеризуется принятыми классами изображений К, R, L, N, S. В качестве признаков, включенных в алфавит были выбраны: коэффициент изрезанности, коэффициент заполнения, коэффициент разрывов в короне, коэффициент заполнения первого кольца, коэффициент заполнения сектора, коэффициент разрывов в секторе.

116

11. Разработаны секвенциальные алгоритмы принятия диагностических решений для выбранного рабочего алфавита признаков применительно к решению задачи оценки функционального состояния человека. Полученные алгоритмы были оптимизированы на основе логических критериев минимальности, полноты и непротиворечивости. Оценка качества функционирования АСД показала, что вероятность принятия системой ошибочных решений по распознаванию функционального состояния человека (классов К, Я, Ь, Ы, 8) не превышает 15%.

12. Основные теоретические результаты работы - принципы построения логических алгоритмов распознавания изображений и способы их оптимизации на основе логических критериев минимальности и непротиворечивости реализованы в ходе проведения плановых научно-исследовательских работ в 5 ЦНИИИ МО РФ в интересах создания системы обработки оптических изображений. Практические результаты работы в виде пакета прикладных программ внедрены в • Центральной Воронежской лаборатории судебной экспертизы и Нижегородской Государственной медицинской академии для проведения криминалистических и диагностических исследований.

ЗАКЛЮЧЕНИЕ

В диссертационной работе решена актуальная задача разработки автоматизированной системы диагностики, позволяющей на основе анализа характеристик ГРВ - изображений производить диагностические исследования различных объектов, в частности по оценке общего функционального состояния человека.

Соответствие поставленных в работе задач и полученных результатов приведено на рис. 5.1.

Задачи Результаты

Рис.5.1. Основные результаты работы.

1. Наумов Л.Б., Гаевский Ю.Г., Бессонов A.M., Меркушев В.В. Распознавание болезней сердечно-сосудистой системы. Диагностические и тактические алгоритмы (программированное руководство). - Т.: Медицина, 1979. - 338 с.

2. Распознавание образов и медицинская диагностика, п. р. Ю.И. Неймар-ка. М.: Наука, 1972.-328 с.

3. Наумов Л.Б. Медицина и кибернетика. Душанбе, 1968.

4. Амосов Н.М. Шкабара Е.А. Опыт постановки диагноза при помощи диагностических машин. Экспериментальная хирургия и анестезиология. -1961.'-№4.

5. Амосов Н.М., Зайцев Н.Г. и др. Автоматизированная система обработки медицинских данных. Киев, АН УССР. - 1969. - т. 1.

6. Артоболевский И.И., Вишневский A.A., Быховский M.J1. Автоматическая информационная система отыскания клинического прецедента. Экспер. хир. и анестезиол., 1962. № 3. - с. 3 - 10.

7. Вишневский A.A., Артоболевский И.И., Быховский M.JI. Основы решения задач диагностики при помощи электронных вычислительных машин. В кн.: Машинная диагностика и информационный поиск в медицине. М.: Наука 1969.-с. 7-19.

8. Вишневский A.A. Некоторые проблемы кибернетики и электроники в медицине. В кн. "Прогресс биологической и медицинской кибернетики" п.р А.И. Брега и др. М.: Медицина, 1974. с. 390 - 398,

9. Мисюк Н.С. Основы, задачи и перспективы машинной диагностики заболеваний человека. В кн.: Кибернетика и медицина. Тезисы научной конференции. Минск, 1968. с. 23 - 26.

10. Мисюк Н.С., Лепешинский H.A., Довнар И.Н. Система дифференциальной диагностики острых нарушений мозгового кровообращения при помощи ЭВМ. В кн.: Механизмы мозга и математические методы диагностики. Минск, 1971.-с. 93 -95.

11. П.Мисюк Н.С. Дифференциальная диагностика заболеваний нервной системы при помощи электронных вычислительных машин. В кн.: Прогресс биологической и медицинской кибернетики п.р. А.И.Берга и С.Н.Брайенса, 1974.-с. 440-455.

12. Астрюхин А.А., Заславский С.Я. Система автоматического прогнозирования течения опухолевых заболеваний головного мозга. В кн.: Электронные вычислительные машины в невропатологии. Минск, 1968. с. 15 - 16.

13. Яненко В.М., Мазуренко В.А. К вопросу о повышении эффективности автоматизированной дифференциальной диагностики острого лейкоза. В. Кн.: Математические и технические вопросы медицинской кибернетики. Воронеж, ВПИ, 1978.

14. Халфен Э.Ш. Использование математических методов для оценки тяжести заболеваний и управления процессом лечения. В кн. "Прогресс биологической и медицинской кибернетики" п.р А.И. Брега и др. М.: Медицина, 1974. -с. 463 483,

15. Аншелевич Ю.В. и др. К оценке методов прогнозирования ближайших исходов инфаркта миокарда. Кардиология, 1970. № 2. - с. 81 - 84.

16. Корнфилд Дж., Данн Р.А., Пинберг Х.В. Статистические основы машинного диагноза с использованием электрокардиограмм. В кн.: Классификация и кластеры. М.: Мир, 1980.

17. Хеглин Р. Дифференциальная диагностика внутренних болезней. М.: Медицина, 1965.

18. Гельфандбейн Я.А., Громов Г.В. и др. Автоматизация врачебно-летной экспертизы. Тез. докл. научно-практического семинара "Автоматизация систем диагностики в ускорении НТП". Рига, 1987. с.22.

19. Schorderet D., Aebischer P. SYNDROC: microcomputer based differential diagnosis of malformation patterns // Arch. Dis. Childh. 1985. V.60. № 3 P. 248-251.

20. Winter R.M., Baraitser M. The London dysmorphology database // J. Med. Jenet. 1987. V. 24. № 8 P. 509 510.

21. Patton M.A. A computerized approach to dysmorphology // M.D. Computing. 1987. V. 4 № 2. P. 33 39.

22. Gouvernet J., Caraboenf M., Ayme S. GENDIAG: a computer assisted facility in medical genetic bases on belief functions // Meth. Inf. Med. 1985. V. 24. № 4. P. 177- 180.

23. Кобринский Б.А., Казанцева JI.3., и др. Автоматизированная информационно-диагностическая система по наследственным заболеваниям в детском возрасте. Генетика, 1991. т. 27. - № 8. - с. 1850 - 1858.

24. Иванов В.И., Федотов В.П., Констанова Л.М. и др. Компьютерная информационно-диагностическая система по синдромам ВИР "СИНГЕН" для врачей генетиков и педиаторов. Конф. По клинической генет. Томск, 1992.

25. Евдокимов В.И., Краснопольская К.Д. Информационно-поисковая диагностическая система по наследственным болезням обмена веществ. A.c. 960074//Б.11, 1996.

26. Diliberti J.H. Use of computers in dysmorfology // J. Med. Genet. 1988. V. 25. №7. P. 445 -453.

27. Моисеева Н.И., Усов B.B. Использование вычислительной техники в целях медицинской диагностики. Сов. здравоохр., 1969. № 7. - с. 42 - 49.

28. Мищенко В.А. Автоматизированная система диагностики плодородия почв. Материалы по математическому обеспечению ЭВМ/ АН БССР, Ин-т тех-нич. Кибернетики. Минск: ИТК, 1989. - 70 с.

29. Адаменко В.Г., Кирлиан С.Д., Кирлиан В.Х. Об исследовании биологических объектов в высокочастотных электрических полях. Вопросы биоэнергетики. Алма-Ата, 1969. с. 19-26.

30. Инюшин В.М. К вопросу о свечении тканей в высокочастотном разряде. О биологическом действии красного света. Каз. Гос. университет, Алма-Ата, 1967.

31. Инюшин В.М., Грищенко B.C. и др. О билогической сущности эффекта Кирлиан. Каз. Гос. университет, Алма-Ата, 1968.

32. Кирлиан С.Д., Кирлиан В.Х. В мире чудесных разрядов. М.: Знание,1964.

33. Маньшин Г.Г., Тормишев Ю.И. и др. К проблеме исследования функциональных состояний человека в процессе умственного труда с использованием эффекта Кирлиан. Конференция, посвященная юбилею С.Д. Кирлиан. Краснодар, 1979. с. 45 - 46.

34. Мулатова А.К., Степанов P.C. Биодиэлектрическая характеристика тканей при раке желудка и других патологических процессах. Труды Кишенев-ского с/х ин-та им. Фрунзе, 1964. т.37.

35. Мулатова А.К., Степанов P.C., Кирлиан С.Д., Кирлиан В.Х. Биодиэлектрическая характеристика тканей при раке желудка и других патологических процессах. Вопросы биоэнергетики. Алма-Ата, 1969. с. 26 - 28.

36. Mandel Р. 1986. Energy Emission Analysis; New Application of Kirlian Photography for Holistic Medicine. -Synthesis Publishing Co., W. Germany.

37. Короткое К.Г. Эффект Кирлиан. С.-Петербург, Ольга, 1995.- 218 с.

38. Коротков К.Г., Савельев С.К. Энергоинформационные характеристики кирлиановских фотографий. Известия ВУЗов, "Приборостроение", 1993. т. № 36. - № 6. - с. 37 - 42.

39. Коротков К.Г. Свет после жизни. С.-Петербург, 1994. 240 с.

40. Коротков К.Г., Минкин В.А., Савельев С.К., Федоров С.И. Аппаратно-программное обеспечение метода газоразрядной визуализации. Сб. трудов

41. Биомедицинская информатика и эниология. С.-Петербург.: "Ольга", 1995. -с.206 209.

42. Коротков К.Г. Физические процессы, приводящие к возникновению свечения. Газовый разряд усилитель сверхслабых процессов. Международный сборник из серии "Информация. Сознание. Жизнь", С.-Петербург.: Ольга, 1998.- с. 35 45.

43. Коротков К.Г. Основные этапы ГРВ диагностики. Международный сборник из серии "Информация. Сознание. Жизнь", С.-Петербург.:0льга, 1998.- с. 64 90.

44. Коротков К.Г. Стабильность и воспроизводимость ГРВ параметров. Международный сборник из серии "Информация. Сознание. Жизнь", С.Петербург.: Ольга, 1998. с. 91 - 107.

45. Короткина С.А., Коротков К.Г. Универсальный прибор для исследования характеристик газоразрядного свечения различных объектов. Международный сборник из серии "Информация. Сознание. Жизнь", С.-Петербург.: Ольга, 1998.-с. 64-91.

46. Кузнецов А.Л. Описание программной части комплекса "КоронаТВ". Международный сборник из серии "Информация. Сознание. Жизнь", С.Петербург.: Ольга, 1998. с. 243 - 251.

47. Международный сборник из серии "Информация. Сознание. Жизнь". П.р. К.Г.Короткова, Р.Тейлора, А.И.Крашенюка. С.-Петербург.:0льга, 1998. -341 с.

48. Беломестных Н.В., Самсыгин В.О. Оценка функционального состояния человека методом Кирлиан. В кн. "Современные проблемы изучения и сохранения биосферы". С.-Петербург, 1992. Т. 2. - с. 158-164.

49. Тюрин М.В., Поздняков A.B. Диагностические возможности поверхностной ГРВ у пациентов с хирургической патологией. Международный сборник из серии "Информация. Сознание. Жизнь", С.-Петербург.:Ольга, 1998. с. 332 - 337.

50. Чоухан Р.С., Раджарам П., Рао Ш. Сравнение био-электрографических изображений больных раком и здоровых пациентов. Международный сборник из серии "Информация. Сознание. Жизнь", С.-Петербург.: Ольга, 1998. с. 133 -140.

51. Зайцев С.В., Александрова Р.А., Булатова С.В. К патогенезу изменений кирлианограммы у больных бронхиальной астмой с патологией почек. "Кирлионика, Белые ночи 98". Тезисы докладов международной научной конференции. С.-Петербург.: СПИТМО, 1998. с. 32.

52. Шабаев В.П., Чернов Н.Н., Балацкая Е.В. Эффект Кирлиан как метод оценки и прогнозирования психофизического состояния человека. "Кирлионика, Белые ночи 98". Тезисы докладов международной научной конференции. С.-Петербург.: СПИТМО, 1998. с. 61.

53. Sang D.L. The application of kirlian photography in dentistry. "Kirlionics, White Nights 98". Proceedings of the international scientific conference. S.Petersburg.: SPIFMO, 1998, p. 15.

54. Shah J.M. Preventing heart problems by kirlian photography and gems therapy. "Kirlionics, White Nights 98". Proceedings of the international scientific conference. S.-Petersburg.: SPIFMO, 1998, p. A.

55. Гудакова Г.З., Кукуй Л.М., Ганелина И.Е. Опыт применения газоразрядной визуализации для оценки течения острого инфаркта миокарда. Международный сборник из серии "Информация. Сознание. Жизнь", С.-Петербург.: Ольга, 1998.-с. 141 143.

56. Гурвиц Б.Л., Крылов Б.А., Короткое К.Г. Новый концептуальный подход к ранней диагностике рака. Международный сборник из серии "Информация. Сознание. Жизнь", С.-Петербург.: Ольга, 1998. с. 125 - 132.

57. Коркин Ю.В. Разработка метода диагностики стресса на основе газоразрядной визуализации. Деп. ВИНИТИ, № 5981-85, 1985.

58. Лаптева Г.Ф., Лопатин С.Л. К вопросу использования метода Кирлиан в медицинских и психологических исследованиях. "Кирлионика, Белые ночи 98". Тезисы докладов международной научной конференции. С.-Петербург.: СПИТМО, 1998.-с. 48.

59. Магидов М.А., Александрова P.A. Кирлианограмма в оценке состояния больных бронхиальной астмой с патологией пищеварительной системы. "Кирлионика, Белые ночи 98". Тезисы докладов международной научной конференции. С.-Петербург.: СПИТМО, 1998. с.ЗЗ.

60. Короткое К.Г., Короткина С.А. Применение методов ГРВ для исследования жидкофазных объектов. "Кирлионика, Белые ночи 98". Тезисы докладов международной научной конференции. С.-Петербург.: СПИТМО, 1998. -с.46.

61. Староверов А.И., Бойченко А.П. Газоразрядно-телевизионная дефектоскопия мостовых металлоконструкций. Автомобильные дороги, 1995. № 10 -11.-с. 20-21.

62. Устройство электроразрядной визуализации "Корона". Каталог "Специальная техника".- НИИ CT МВД России, 1994. с. 113.

63. A.c. 667943, СССР. Способ контроля динамики поликонденсации / С.Ф.Романий, З.Д.Черный // Опубл. в Б.И. 1979. - № 22. - с. 165.

64. A.c. 930093, СССР. Способ определения физико-химических характеристик листовых материалов / В.В.Бурминов, В.И.Редько, В.П.Голов // Опубл. в Б.И. 1982.-№ 19.-с.164.

65. A.c. 1193629, СССР. Катятящаяся разрядно-оптическая обкладка преимущественно для контроля физико-химических параметров материалов/ М.В.Хащина, С.А.Тюрин, Л.П.Попова, В.В.Леднев // Опубл. в Б.И. 1985. - № 43.-c.195.

66. Романий С.Ф., Черный З.Д. О средствах контроля материалов и изделий в электромагнитных полях высокой напряженности. Методы и средства диагностики несущей способности изделий из композитов. Рига. Зинатне, 1983.-с. 246-249.

67. Баньковский Н.Г., Коротков К.Г. Изучение физики процесса газоразрядной визуализации. Письма в ЖТФ, 1982. т.8, вып.4. - с.216-219.

68. Баньковский Н.Г., Коротков К.Г., Петров H.H. Физические процессы формирования изображений при газоразрядной визуализации ("Эффект Кирлиан"). Радиотехника и электроника, 1986. т.21, вып.4. - с.625-643.

69. Иванов З.В., Шестерин И.С., Теличенко М.М. О механизации получения изображения в импульсном высоковольтном разряде. Науч. Докл. высш. школы. Биол. науки. 1971. -№6. с. 133-136.

70. Ильичев М.А. Автоматизированные системы распознавания в комплексах охраны. Всероссийская научно-практическая конференция "Охрана-97". Тезисы докладов. Воронеж: Воронежская высшая школа МВД России, 1997.- 10- 11 с.

71. Ащеулов А.Ю., Ильичев М.А., Пашков А.Н., Щевелев М.И. Диагностическая система анализа кирлиановских изображений. "Кирлионика, Белые ночи 98". Тезисы докладов международной научной конференции. С.Петербург.: СПИТМО, 1998. с. 35.

72. Месарович М., Мако Д., Такахара И. Теория иерархических многоуровневых систем. М.: Мир, 1973.

73. Острейковский В.А. Теория систем. М.: Высшая школа, 1997.240 с.

74. Горелик А.Л., Скрипкин В.А. Методы распознавания. М.: Высшая школа, 1984. 208 с.

75. Шеридан Т.Б., Феррелл У.Р. Система человек машина: модели обработки информации, управления и принятия решений человеком-оператором. М.: Машиностроение, 1980.

76. Шнепс М.А. Математика и здравоохранение. М., Знание, 1982.

77. Ильичев М.А. Функциональная модель автоматизированной системы диагностики, основанной на анализе газоразрядных изображений. Вестник Воронежского института МВД России, 2000. с. 168 - 172.

78. Загоруйко Н.Г. Методы распознавания и их применение. М.: Советское радио, 1972. 208 с.

79. Щевелев М.И., Ильичев М.А., Пашков А.Н., Ащеулов А.Ю. Выбор алфавита признаков для описания кирлиановских изображений. Международный сборник из серии "Информация. Сознание. Жизнь", С.-Петербург.: Ольга, 1998.-с. 275-280.

80. Барабаш Ю.Л. Варский Б.В. и др. Вопросы статистической теории распознавания. М.: Сов. радио, 1967. 400 с.

81. Денисов Д.А. Компьютерные методы анализа видеоинформации: Монография. Изд-во Краснояр. ун-та, 1993 . 192 с.

82. Прэтт У. Цифровая обработка изображений: Пер. с англ. П. р. Д.С. Лебедева; М.: Мир, 1982. - 790 с.

83. Кульбак С. Теория информации и статистика. М.: Наука, 1967.

84. Цыпкин Я. В. Основы теории обучающихся систем. М.: Наука, 1970.252 с.

85. Яглом A.M., Яглом И.М. Вероятность и информация. М.: Наука, 1973.- 512 с.

86. Ильичев М.А. Метод оценки информативности признаков распознавания графических изображений Вестник Воронежского института МВД России. 2000. с. 163 - 167.

87. Marill Т., Green D.M. On the Effectiveness of Receptors in Recognition Systems. IEEE Trans. I.T.-9, 1963, N1.

88. Ильичев М.А. Алгоритм выбора минимального алфавита признаков распознавания изображений. Сборник научных трудов ВВШ МВД РФ, 1997. -№ 7. с. 72 - 75.

89. Васильев В.И. Распознающие системы. Киев.: Наукова думка, 1969.292 с.

90. Дж. Ту., Р. Гонсалес Принципы распознавания образов. М.: Мир,1978.

91. Schnur S. Mortality and other studies questioning the evidence for any value of routine anticoagulant theraphy in acute myocardial infarccion. Circulation, 1963, v. 7, p. 855-868.

92. Norris R.M., Brandt P.W. e. a. A new cronary prognostic index. Lancet, 1969, v.l, p. 274-277.

93. Захаров B.H. Автоматы с распределенной памятью. М.: Энергия,1975.

94. Захаров В.Н. Секвенциальное описание управляющих автоматов. Известия АН СССР. Техническая кибернетика, № 2, 1980.

95. Логвин В.В., Пергук В.Л. Математическая модель логико-дифференциальных систем с распределенными параметрами. Известия АН СССР. Техническая кибернетика, № 3, 1977.

96. Захаров В.Н., Поспелов Д.А., Хазацкий В.Е. Системы управления. М.: Энергия, 1977. 424 с.

97. Чернымев Ю.О. Методы оптимизации комбинированных устройств. М.: Сов. радио, 1977.

98. Поспелов Д.А. Логические методы анализа и синтеза схем. М.: Сов. радио, 1974.

99. Лазарев В.Г., Пийль Е.И. Синтез управляющих автоматов. М.: Энергия, 1970.

100. Лопухов А.А., Чапцов Р.П. Об эквивалентных преобразованиях системы секвенций. Известия АН СССР. Техническая кибернетика, № 2, 1980.

101. Ильичев М.А. Проверка непротиворечивости секвенциальных алгоритмов распознавания кирлиановских изображений. Сборник научных трудов ВВШ МВД РФ, 1997. № 7. - с. 66 - 72.128

102. Ильичев М.А., Зарубин B.C. Оценка качества функционирования секвенциальных автоматизированных систем распознавания в составе комплексов видеонаблюдения. Вестник Воронежского института МВД России, 1999. -с. 129- 133.

103. Левин Б.Р. Теоретические основы статистической радиотехники Книга первая. М., Сов. радио, 1974.

104. Митропольский А.К. Техника статистических вычислений. М., Наука, 1971.-576 с.

105. Митропольский А.К. Интеграл вероятностей. Л.: Изд-во Ленинградского университета, 1972. - 86 с.

106. Вентцель Е.С. Теория вероятностей. М.: Наука, 1969.

107. Гнеденко Б.В. Курс теории вероятностей. М.: Наука, 1988 - 446 с.

108. Ильичев М.А. Программа расчета характеристик графических изображений, получаемых методом газоразрядной визуализации (Кирлиан-анализ).- Государственный фонд алгоритмов и программ Российской Федерации (регистрационный номер 5090000165 от 6.12.99).