автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.16, диссертация на тему:Разработка метода распознавания слитной речи применительно к компьютерному анализу

ВВЕДЕНИЕ

ГЛАВА 1. ОБЩИЕ ПРОБЛЕМЫ ПОСТРОЕНИЯ СИСТЕМ ЕСТЕСТВЕННОГО ДИАЛОГА '

§1.1. Анализ проблем создания систем естественного диалога

§1.2. Модельное представление процессов речеобразования, выявление наиболее информативных параметров

§1.3. Общие проблемы распознавания речи и ее сегментации, методы распознавания речевого сигнала . . 26 ПОСТАНОВКА ЗАДАЧИ

ГЛАВА 2. ФОРМИРОВАНИЕ РЕЧЕВЫХ ОБРАЗОВ И ИХ РАСПОЗНАВАНИЕ

§2.1. Фонемо-слоговая сегментация речевого сигнала

§2.2. Фонемо-слоговый анализ распознавания речевой информации

§2.3. Распознавание речевой информации в потоке слитной речи с использованием лингвистического анализатора

§2.4. Выводы

ГЛАВА 3. ПОСТРОЕНИЕ СИСТЕМЫ КОМПЬЮТЕРНОГО АНАЛИЗА ЕСТЕСТВЕННОЙ РЕЧИ НА ОСНОВЕ СЕМАНТИЧЕСКИХ СЕТЕЙ

§3.1. Анализ вводимых данных и вопросов

§3.2. Генерация ответов по заданному вопросу

§3.3. Выводы 125 ЗАКЛЮЧЕНИЕ 126 БЛАГОДАРНОСТИ 128 СПИСОК ЛИТЕРАТУРЫ 129 ПРИЛОЖЕНИЕ 1

ВВЕДЕНИЕ

Быстрый технический прогресс и повсеместное проникновение вычислительной техники в научную и повседневную деятельность за последние десятилетия сделали актуальной проблему создания средств общения между человеком и вычислительной техникой в режиме естественного диалога. Решение данной задачи предполагает создание речевых интерфейсов ввода-вывода, с помощью которых вычислительная техника будет способна не только распознавать сказанное человеком, но и анализировать полученную информацию. В основе этой проблемы лежит практическая необходимость создания систем передачи информации с повышенной эффективностью и высокой помехоустойчивостью, систем автоматического управления машинами с помощью голоса, информационно-справочных систем с распознаванием речевых сигналов и речевым ответом, переводчиков с голоса, медицинских систем диагностики и т. д. На текущий день задачи, связанные с распознаванием и анализом естественной речи, еще далеки от полного решения в отличие от синтеза речи.

В настоящее время существуют и частично внедрены в практику системы высококачественной цифровой передачи речевых сигналов, разработаны системы вокодерной передачи, промышленностью и рядом коммерческих фирм выпускаются устройства распознавания и синтеза речевых сигналов, разработаны системы идентификации личности по речевым сигналам, информационно-справочные системы, экспертные системы [1-12]. Экспертной является система, которая располагает экспертными правилами, не прибегая к слепому поиску, работает хорошо, рассуждает путем оперирования с символами, владеет фундаментальными принципами из предметной области и прибегает к более слабым методам рассуждений в тех случаях, когда не срабатывают экспертные правила и когда необходимо строить объяснения.

Однако, несмотря на достигнутые успехи, проблема распознавания произвольной речи и компьютерного анализа речевой информации еще далека от полного решения.

На сегодняшний день для существующих систем распознавания произвольной речи характерен ряд важных ограничений: чувствительность к смене параметров речевого тракта (смена диктора), чувствительность к четкости произношения, неспособность к распознаванию слитной речи.

Существующие информационно-справочные и экспертные системы характеризуются такими ограничениями, как узкая направленность, необходимость дополнительного обучения при работе с такими системами, сложность поиска требуемой информации. Кроме того, заполнение таких систем производится только экспертами в данной области и разработчиками данных систем. Все эти проблемы, возникающие при попытке создания систем подобного рода, обусловлены отсутствием единой теории общения, охватывающей все аспекты взаимодействия человека с окружающим миром, и выбором программно-инструментальных средств для проектирования данных систем.

Следовательно, важнейшей задачей является создание методов, допускающих применение разработанной теории цифровой обработки сигналов и теории представления знаний, разработка алгоритмов, учитывающих реальную структуру речевого сигнала и представления знаний и ориентированных на техническую реализацию с использованием средств вычислительной техники.

Цель диссертации заключается в следующем: разработка метода сегментации слитной речи на основе модельных представлений речевого сигнала; разработка и исследование метода распознавания слов в слитной речи; реализация системы компьютерного анализа речевой информации.

Научная новизна работы состоит в том, что в ходе проведенных исследований были получены следующие результаты:

1) предложен новый принцип автоматической сегментации слитной речи на основе теории речеобразования;

2) разработана новая методика пословного распознавания слитной речи на основе фонемо-слогового анализа;

3) впервые установлено, что использование предложенной автоматической сегментации при пословном распознавании слитной речи позволяет снизить влияние смены параметров речевого тракта на процесс распознавания;

Научная и практическая значимость работы. Разработанный в диссертации метод автоматической сегментации и распознавания слитной речи может быть применен для создания высокоэффективных систем распознавания слитной речи. Методика распознавания речевой информации была использована для создания пакета обучающих программ в игровом варианте для школы-центра медико-социальной реабилитации детей с нарушением слуха г. Волгограда. Разработанная методика компьютерного анализа естественной речи позволяет глубже понять принципы работы подобных систем, что также может представлять интерес с точки зрения проектирования систем естественного диалога между человеком и вычислительной техникой.

Степень обоснованности результатов и выводов диссертации подтверждается применением при решении поставленных задач строгих математических методов в рамках границ их применимости и сравнением полученных в работе результатов с соответствующими результатами известных экспериментальных работ.

Публикации. Основные результаты исследований по теме диссертации опубликованы в 10 печатных работах [13-22].

Апробация работы. Основные результаты диссертационной работы были представлены на Второй Всероссийской НТК с международным участием «Электроника и информатика - 97» (Россия, Москва, 1997), на V

Международной конференции «Математика, компьютер, образование» (Россия, Дубна, 1998), на VI Международной конференции «Математика, компьютер, образование» (Россия, Пущино, 1999), на Второй Международной конференции «Цифровая обработка сигналов и ее применение» (Россия, Москва, 1999), на VII Международной конференции «Математика, компьютер, образование» (Россия, Дубна, 2000), а также на конференциях и семинарах ВолГУ и ВолГТУ.

Структура работы. Диссертация состоит из введения, трех глав, заключения, пяти приложений и списка литературы, включающего 101 наименований. Работа содержит 138 страниц основного текста, в том числе 82 рисунка и 5 таблиц. В приложения входят алгоритмы программ и акты о внедрении материалов диссертационной работы.

В первой главе диссертации, носящей обзорный характер, проведен сравнительный анализ существующих методов проектирования автоматизированных систем анализа речевой информации, включающих способность к общению с человеком на естественном языке.

Далее рассмотрены модельные представления процессов речеобразо-вания и общие проблемы распознавания и сегментации* речевого сигнала. Рассмотрены существующие методы распознавания речевого сигнала. Обсуждаются вопросы практической реализации алгоритмов цифровой Задача сегментации речевого сигнала рассматривается как задача членения речевого сигнала на функционально значимые отрезки, в пределах которых параметры сигнала (оконный спектр и др.) практически неизменны. обработки речевых сигналов, повышения их эффективности и качества получения характеристик.

Во второй главе, носящей оригинальный характер, предложена новая методика автоматической сегментации слитной речи в рамках линейной модели речеобразования.

Разработана методика моделирования аналога нейронной сети для распознавания фонем и слогов речевого сигнала на основе кусочно1 линейного алгоритма. Проанализировано использование аналога нейронной сети совместно с лингвистическим анализатором для распознавания слов потока слитной речи.

В третьей главе в качестве приложения к системе распознавания слов слитной речи предложена интерпретация компьютерного анализа речевой информации в ПЭВМ с использованием семантических сетей применительно к системам «вопрос-ответ». Проанализирован случай, связанный с возникновением спорных ситуаций при переводе естественной речи на внутренний язык машины. Определены условия в рассматриваемой задаче. Разработана методика генерации ответов с внутреннего представления машины на язык общения между людьми.

В заключении сформулированы основные результаты и краткие выводы из представленной диссертации.

Основные положения, выносимые на защиту:

1. Разработанная методика сегментации слитной речи в рамках линейной модели речеобразования позволяет в потоке слитной речи выделять границы переходных участков между фонемами и слогами.

2. Методика распознавания фонем и слогов речевого сигнала с. использованием моделирования аналога нейронной сети позволяет производить обучение системы более эффективно по сравнению с использованием кусочно-линейного алгоритма. 9

3. Методика пословного распознавания слитной речи на основе фо-немо-слоговой сегментации и использования лингвистического анализатора в качестве координирующего устройства системы распознавания позволяет увеличить вероятность распознавания слитнойречи.

§3.3 Выводы

Разработана система для анализа вводимой речевой информации, в основе которой лежат семантические сети. Анализ полученной системы показал:

1. Вероятность правильного анализа предложения составляет 90% по 300 реализациям вводимых предложений.

2. Добавление нового семантического ограничения при наложении семантической сети на предложение не влияет на другие семантические ограничения.

3. Введенный компромисс записи найденных слов предложения как в одну, так и в другую группу понятий гарантирует правильное нахождение требуемого ответа на поставленный вопрос пользователя при возникновении спорных ситуаций по идентификации слов предложения с известными системе понятиями.

4. Полученная система компьютерного анализа позволяет эффективно производить пополнение баз данных вводимыми предложениями и находить требуемую информацию в системе исходя из требований поставленного пользователем вопроса без непосредственного вмешательства человека.

5. Структура системы позволяет произвести в дальнейшем ее адаптацию к более адекватному восприятию сложных, нестандартных конструкций предложений, что делает возможным использование представленной системы при проектировании электронных секретарей, способных общаться с человеком на естественном языке.

126

ЗАКЛЮЧЕНИЕ

В ходе выполнения диссертационной работы были получены следующие результаты:

1. Предложена новая методика сегментации слитной речи в рамках линейной модели речеобразования, в основе которого лежит вычисление площади сечения речевого тракта. Данный метод позволяет определить границы переходных участков между слогами и фонемами с вероятностью 96% по 500 реализациям речевых сегментов из вводимых фраз естественной речи. Предложенный метод фонемо-слоговой сегментации слитной речи позволяет снизить влияние изменения параметров речевого тракта на процесс распознавания речевого сигнала.

2. Разработана методика распознавания фонем и слогов речевого сигнала с использованием моделирования аналога нейронной сети, которая позволяет распознавать фонемы и слоги, с вероятностью 95% по 800 реализациям распознавания речевых сегментов (при условии, что АНС настроен на одного диктора). Вероятность распознавания фонем и слогов другими дикторами составляет 88% по 450 реализациям распознавания речевых сегментов.

3. Разработана система распознавания слитной речи на основе фонемо-слоговой сегментации, которая позволяет распознавать слова слитной речи с вероятностью 80% по 100 реализациям вводимых фраз (при условии, что АНС настроен на одного диктора). Для других дикторов без обучения АНС вероятность распознавания слов слитной речи составляет 71%.

4. Предложена структура построения системы компьютерного анализа вводимой речевой информации, которая позволяет правильно анализировать предложения с вероятностью 90% по 300 реализациям предложений, а также производить пополнение баз'данных вводимыми

127 предложениями и находить требуемую 1 информацию в системе без непосредственного вмешательства человека.

128

БЛАГОДАРНОСТИ

Автор считает своим долгом выразить благодарность своему научному руководителю Заярному В.П. за постановку задачи, внимание и интерес к работе диссертанта.

Кроме того автор выражает благодарность сотрудникам кафедры Прикладной физики за моральную и «голосовую» поддержку во время работы над диссертацией.

Особую благодарность автор выражает своей маме Тыщенко Е.А. и своему другу Протопоповой H.H.

1. Калинцев Ю.К. Разборчивость речи в цифровых вокодерах. М.: Радио и связь, 1991.

2. Beskow J, Elenius К & McGlashan S. The OLGA project: An animated talking agent in a dialogue system. In: Bannert R, Heldner M, Sullivan К & Wretling P, eds., Proc of Fonetik -97, Dept of Phonetics, Umee Univ., 1997, Phonum 4: 69-72.

3. Рабинер Л., Шафер P. Цифровая обработка речевых сигналов // Пер. с англ. М.: Радио и связь, 1981.

4. Алексеев В. Услышь меня, машина // Компьютерра, 1997, № 49 (226), С. 32-39.

5. Шмелева А. Правда о распознавании речи // Компьютер Пресс, 1998, № 1, С. 306-316.

6. Рахилина Е.В. Семантика локативных вопросов. // Вопросы кибернетики. Проблемы разработки формальной модели языка. Москва, 1988, С. 87-100.

7. Крючкова E.H. Математическая модель естественного языка как основа реализации человеко-машинного интерфейса // Инф. Системы в экон., экол. и образ. / Алт. гос. гехн. ун-т Барнаул, 1997, С. 90-94.

8. Чекмарев А. Речевые технологии: проблемы и перспективы // Компьютерра, 1997, № 49 (226), С. 28-31.

9. Болотова Л.С., Волкова В.Н. Экспертные системы в новых информационных технологиях // Новые информационные технологии в системотехнике. М.:.Мир, 1990.

10. Шмелева А. Увидеть звук // Мир ПК, 1998, № 9, С. 48-55.

11. Мястковски С. Мы можем поговорить ? // Мир ПК, 1999, № 3, С. 41-47.

12. Статистические и динамические экспертные системы: Учеб. Пособие для вузов // Попов ЭВ., Фоминых И.Б., и др. М.: Финансы и статистика. 1996. - 320 с.

13. Заярный В.П., Сарана Д.В., Евстратов И.В., Тыщенко Г.А. Моделирование речевого тракта, определение параметров и распознавание речевого сигнала // В сб. «Вестник ВолГУ», вып. 2, Сер. Математика, физика 1997, С. 137-144.

14. Тыщенко Г.А., Заярный В.П., Сарана Д.В., Евстратов И.В. Проблема решения задачи выделения слов в потоке слитной речи при распознавании речевых сигналов // Тез. докл. на VI Межд. конф. «Математика, компьютер, образование», Пущино 1999, с. 278.

15. Заярный В.П., Сарана Д.В., Тыщенко Г.А. Комбинированный аналого-цифровой преобразователь ' для компьютерных измерительных систем // В сб. «Автоматизация технологических процессов в машиностроении» ВолГТУ, Волгоград 1997, С. 123126.

16. Сарана Д.В., Тыщенко Г.А., Евстратов И.В., Заярный В.П. Распознавание речевой информации по измеренной функции возбуждения. // Вторая Всероссийс. НТК с межд. участием «Электроника и информатика 97», - Москва 1997, с. 24.

17. Сарана Д.В., Тыщенко Г.А., Заярный В.П. Вероятностный метод распознавания слитной речи с применением лингвистического предсказания//В сб. «Вестник ВолГУ», вып. 3, Сер. Математика, физика 1998, С. 170-175.

18. Тыщенко Г.А., Заярный В.П. Осмысление понятий при распознавании речевой информации // В'сб. труд, молод, учен, и студ. Волгогр. гос. ун-та. Волгоград: Изд-во ВолГУ, 1997. - С. 298-300.

19. Тыщенко Г.А., Заярный В.П. Компьютерное осмысление понятий при распознавании речевой информации в рамках искусственного интеллекта // Тез. докл. на V Межд. конф. «Математика, компьютер, образование», Дубна-1998, с. 203.

20. Тыщенко Г.А., Сарана Д.В., Евстратов И.В., Заярный В.П. Самообучающаяся компьютерная система «вопрос-ответ» II Информационные технологии. 1999. № 5. С. 36-38.

21. Тыщенко Г.А., Фонемо-слоговая сегментация речевого сигнала в потоке слитной речи // Вторая Межд. конф. «Цифровая обработка сигналов и ее применение», Москва 1999, с. 543.

22. Тыщенко Г.А., Заярный В.П. Распознавание речевых образов при моделировании вероятностного аналога • нейронной сети // Тез. докл. на VII Межд. конф. «Математика, компьютер, образование», Дубна-2000, с. 324.

23. Откупщикова М.И., Игнатова В.Н., Кремнева Н.Д. Универсальное и специальное в лингвистическом обеспечении системы анализа с заданным уровнем понимания //Структур, и прикл. лингв. 1998, № 5, С. 151-171.

24. Исследование по логике научного познания. М.: Наука, 1990.

25. Будущее искусственного интеллекта. М.: Наука, 1991.

26. Бондаренко М.Ф., Терзиян В .Я., Попков И.И. Моделирование лингвистических знаний в интеллектуальных естественно языковых интерфейсах // Харьк. ин-т радиоэлектрон. Харьков, 1992. 235 с.

27. Искусственный интеллект: В 3 кн. Кн.1: Системы общения и экспертные системы: // Справочник под ред. Э.В. Попова. М.: Радио и связьД 990.

28. Слейгл Дж. Искусственный интеллект. М.: Мир, 1973.

29. Уинстон П. Искусственный интеллект. М.: Мир, 1980.

30. Георгиев В.О. Модели представления знаний предметных областей диалоговых систем (обзор) // Изв. АН СССР, Техн. Киберн., 1991, №5, С. 3-23.

31. Хант Э. Искусственный интеллект. М.: Мир, 1978.

32. Эндрю А. Искусственный интеллект: Пер. с англ. // Под ред. Д.А. Поспелова. М.: Мир, 1985.

33. Кузин JI.T. Основы кибернетики. Т. 2 Основы кибернетических моделей М.: Энергия, 1979.

34. Вудс В.А. Сетевые грамматики для анализа естественных языков. В кн.: Кибернетический сборник. Новая серия. Вып. 13 М.:Мир, 1976, С. 120-158.

35. Соловьев С.Ю., Соловьева Г.М. Представление знаний в системах альтернатив // Логико-комбинаторные методы в искусственном интеллекте и распознавание образов. Кишинев, 1985.-С. 16-25.

36. Виноград Т. Программа, понимающая естественный язык . М.: Мир, 1976.

37. Марселлус Д. Программирование экспертных систем на ТУРБО ПРОЛОГЕ // Пер. с англ. И.И. Чижикова. Предисл. C.B. Трубицына. М.: Финансы и статистика, 1994, С. 255.

38. Одинцов Б.Е. Ассоциативные знания в машинном воображении и мышлении // Приборы и системы управления, 1998, № 6, с. 3235.

39. Одинцов Б.Е. Пресуппозиция в ассоциативных сетях и машинное понимание текстов. Львов: ЛГУ, 1996.

40. Одинцов Б.Е., Дик В.В. Синтаксичность моделей баз знаний интеллектуальных систем // Приборы и системы управления, 1998, №1, с. 15-17.

41. Маркел Дж. Д., Грей А. X. Линейное предсказание речи // Пер. с англ.-М.: Связь, 1980.

42. Сорокин В. Н. Теория речеобразования. М.: Радио и связь, 1985.

43. Сапожков М. А. Речевой сигнал в кибернетике и связи,-М:Связьиздат, 1963.

44. Фант М. Акустическая теория речеобразования // Пер с англ. -М.: Наука 1964.

45. Жинкин Н.И. Механизмы речи. М.: АПНР РСФСР, 1958, 370 с.

46. Рабинер Л., Гоулд Б. Теория и применение цифровой обработки сигналов // Пер. с англ. М.: Мир, 1978.

47. Fant G. The voice source in connected speech. Speech Comm 22: 1997, P. 125-139.

48. Vaseghi S.V. Advanced Signal Processing and Digital Noise Reduction. John Wiley & Sons Ltd., 1996, P. 397.

49. Коротаев Г.А. Некоторые аспекты линейного предсказания при анализе и синтезе речевого сигнала // Зарубежная радиоэлектроника. -1991. №7. С. 3-15.

50. Atal, B.S.: Determination of the Vocal Tract Shape Directly from the Speech Wave. J. Acoust. Soc.Am. 47, 65(A), 1970b.

51. Wakita H.: Estimation of the Vocal Tract »Shape by Optimal Inverse Filtering and Acoustic/Articulatory Conversion Methods. SCRL

52. Monograph No. 9, Speech Communications Research Laboratory, Santa Barbara, California, 1972.

53. Гольденберг JI. M. Цифровая обработка сигналов. М.: Радио и связь, 1990.

54. Hugberg J. Prediction of formant frequencies from linear combinations of filterbank and cepstral coefficients. TMH-QPSR, KTH, 4/1997: P.41-49.

55. Применение цифровой обработки сигналов. Под ред. Э. Оппенгейма // Пер. с англ. М.: Мир, 1980.

56. Каппелини В., Константинадис А. Дж., Эмилиани П. Цифровые фильтры и их применение // Пер. с англ. М.: Энергоатомиздат, 1983.

57. Гутников B.C. Фильтрация измерительных сигналов, Ленинград: Энергоатомиздат, 1990, С. 190.

58. Арутюнов ПЛ., Афанасьев К.С. Синтез цифровых фильтров при описании их сигнальными графами // Микроэлектроника, том 26, N1 1997.

59. Гутников B.C. Фильтрация измерительных сигналов, Ленинград: Энергоатомиздат, 1990, С. 190.

60. Потапова Р.К. Речевое управление роботом. М.: Радио и связь, 1989.

61. Потапова Р.К. Тайна современного кентавра. Речевое взаимодействие «человек машина». - М.: Радио и связь, 1992. -248 с.

62. Rose K.R., Hughes P.M. Speech systems // ВТ Technol. J. 1995. -13, №2. -P. 51-63.

63. Rabiner L.R., Juang B.H. Fundamentals of Speech Recognition // Englewood Cliffs, NJ: Prrentice-Hall, 1993.

64. Автоматическое распознавание и синтез речевых сигналов. Сб. науч. тр./ АНСР, Институт кибернетики им. В.М. Глушкова, Науч. совет АН СССР по пробл. "Кибернетика"; редколл.: Т.К. Винцюк и др.. Киев: ИК, 1989.

65. Анализ, распознавание и синтез речи // Под ред. В.Н. Трунина-Донского. М.: ВЦ АН СССР, 1987. -102 с.

66. Потапова Р.К. Лингвистические ограничения и сегментация слитной речи // Проблемы построения систем понимания речи. -М.: Наука, 1980.

67. Загоруйко Н.Г. Методы распознавания- и их применения. М.: Сов. Радио, 1972.

68. Кирилов С.Н., Стукалов Д.Н. Анализ речевых сигналов на основе акустической модели // Изв. РАН. Тех. кибернетика. 1994. №2. - С. 147-153.

69. Fant G. Acoustical analysis of speech. In: Crocker MJ, ed, Encyclopedia of Acoustics. New York: John Wiley & Sons, Inc., 1997 Vol 4, Chapt 127: 1589-1598.

70. Винцюк Т.К. Анализ, распознавание и интерпретация речевых сигналов. Киев, 1987.

71. Strom N. Speaker modeling for speaker-adaptation in automatic speech recognition. In: Johnson К & Mullennix J, eds. Talker Variability in Speech Processing. San Diego: Academic Press; 1997, P.167-190.

72. Jelinek F. Continuous speech recognition by statistical methods // Proc. IEEE, vol. PROC-64, 1976, P. 532-555.

73. Potapova R. One of the Methods of Automatic Syllable Segmentation for Connected Speech // Proc. Xl-th ICPhs. Tallin, 1987. - Vol. 5. - P. 385-387.

74. Allen J. How do humans process and recognize speech ? 11 IEEE Trans/ Speech and Audio Process, special issue on robust speech recognition, 1994, vol.2, P. 567-578.

75. Уровни языка в речевой деятельности: К проблеме лингвистического обеспечения автоматического распознавания речи // Под ред. Л.В. Бондаренко Л.:ЛГУ, 1986. - 269 с.

76. Иванова И.Д. Автоматическая сегментация речевого сигнала с целью получения частотных признаков гласных фонем // Первая Межд. конф. «Цифровая обработка сигналов и ее применения», Россия, Москва, 1998, том 4, С. 42-48.

77. Воробьев С.А. Алгоритмы обработки экспериментальных кривых с фрагментами повторяющейся формы нестабильной длины // Стат. Проблемы управления, вып.89, Вильнюс, ИМК АН Литвы, 1990, с. 144.

78. Цемель Г. И. Опознавание речевых сигналов. М.: Наука, 1971.

79. Коршунов Ю.М. Математические основы кибернетики, М.: Энергоатомиздат, 1987.

80. Смирнов В.Н., Дунин-Барковский И.В. Курс теории вероятностей и математической статистики. М.: Наука, 1965.

81. Ярлыков M.C., Миронов М.А. Марковская теория оценивания случайных процессов. М.: Радио и связь, 1993, 462 с.

82. Вознесенский A.C. Информационные критерии качества распознавания состояний объектов и выбор параметров для его осуществления // Информационные технологии, 1996, № 5, С. 3540.

83. Горбань А.Н. Обучение нейронных сетей. М.: СП ПараГраф. 1990.

84. Strom N. Phoneme probability estimation with dynamic sparsely connected artificial neural networks // The Free Speech Journal, 1997, 1/5: 1-41.

85. Specht D.F. Probabilistic neural networks // Neural Networks, 1990, №3, P. 109-118.i

86. Wynne-Jones M. Constructive algorithms and pruning: Improving the multi layer perseptron. In: Vichnevetsky R., Miller JJH, editors. Proceeding of the 13th IMACS World Congress on Computation and Applied Mathematics; 1991 July; Dublin: 747-750.

87. Копосов А.И., Щербаков И.Б., Кисленко H.A., Кисленко О.П., Варивода Ю.В. и др. Создание аналитического обзора информационных источников по применению нейронных сетей для задач газовой технологии. ВНИИГАЗ, 1995.

88. Уоссермен Ф. Нерокомпьютерная техника. М.: Мир, 1992.

89. Wynne-Jones М. Node splitting: A constructive algorithm for feedforward neural networks // Neural Computing and Applications, v.l, No. 1, 1993, p. 17-22.

90. Ash T. Dynamic node creation in backpropagation networks. La Jolla (CA): Institute for cognitive Science, UCSD; 1989 Feb. Technical Report 8901.

91. Юдин А. А. Бифуркации стационарных решений в синергетической нейронной сети и управление распознаванием образов // Автоматика и телемеханика 1996.-Т. 11, С. 139-147.

92. Моттль В.В., Мучник И.Б. Скрытые марковские модели в структурном анализе сигналов. М.: ФИЗМАТЛИТ, 1999 352 с.

93. L. R. Rabiner A tutorial on hidden Markov models and selected applications in speech recognition // Proc. IEEE, vol. 77, Feb. 1989, pp. 257-285.

94. Адомиан Дж. Стохастические системы. Пер. с англ. М.: Мир, 1987,-376 с.

95. Рубанов JI. И. Метод классификации словаря дляпомехоустойчивой системы машинного понимания естественногоязыка // Изв. АН СССР, Техн. Киберн., 1991, № 5, С. 84-93.

96. Сопряжение датчиков и устройства ввода данных с компьютерами IBM PC: Пер. С англ. // Под ред. У. Томпкинса, Дж. Уэбстера. М.: Мир, 1992. - 392 С., ил.

97. Новиков Ю.В., Калашников O.A., Гуляев С.Э. Разработка устройств сопряжения для персонального компьютера типа IBM PC. Пракг. пособие. М.: ЭКОМ., 1998. 224 с.

98. Бондарев П.А., Силкин В.В. Программная реализация инструментальных средств для построения экспертных систем // Информационные технологии, 1998, № 9, С. 19-24.

99. Степашко B.C. О задаче структуризации знаний эксперта в области моделирования по эмпирическим данным // Кибернетика и вычислительная техника. 1991. Вып. 92, С. 80-83.

100. Искусственный интеллект. Применение в интегрированных производственных системах // Пер. с англ. А.П. Фомина М.: Машиностроение, 1991, 539 с.

101. Дарахвелидзе П.Г., Марков Е.П. Delphi среда визуального программирования: - СПб.: BHV - Санкт-Петербург, 1996, - 352 с.