автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.18, диссертация на тему:Разработка моделей и инструментальных средств когнитивных агентов "совместной деятельности"

На правах рукописи

ГОРБАТЮК Наталья Владимировна

РАЗРАБОТКА МОДЕЛЕЙ И ИНСТРУМЕНТАЛЬНЫХ СРЕДСТВ КОГНИТИВНЫХ АГЕНТОВ «СОВМЕСТНОЙ ДЕЯТЕЛЬНОСТИ»

Специальность 05.13.18 - Математическое моделирование,

численные методы и комплексы программ

Автореферат

диссертации на соискание ученой степени кандидата технических наук

Ростов-на-Дону 2003

Работа выполнена на кафедре «Психологии и безопасности жизнедеятельности» Таганрогского государственного радиотехнического университета

Научный руководитель: кандидат технических наук,

доктор педагогических наук, профессор Непомнящий Анатолий Владимирович

Официальные оппоненты: доктор технических наук, профессор \

Ковалев Сергей Михайлович (РГУ путей сообщения, г. Ростов-на-Дону)

кандидат технических наук, старший научный сотрудник Аграновский Александр Владимирович (РГУ, г. Ростов-на-Дону)

Ведущая организация: Московский государственный технический

университет им. Н.Э. Баумана, г. Москва

Защита состоится «20 » ноября 2003 г. в 11 часов на заседании диссертационного совета К212.208.04 Южно-Российского регионального центра информатизации высшей школы Ростовского государственного университета по адресу 344090, г. Ростов-на-Дону, пр. Стачки 200/1, корп. 2, ЮГИНФО РГУ.

С диссертацией можно ознакомиться в Зональной- научной библиотеке РГУ по адресу: г. Ростов-на-Дону, ул. Пушкинская, 148.

Автореферат разослан " 17 " октября 2003 г.

Ученый секретарь

диссертационного совета К212.208.04 кандидат физико-математических наук, доцент Муратова Г.В.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы исследования. Действие, относящееся к категории «принять решение», предварительно анализируется и формируется нормативной базой информационной системы искусственного интеллекта (ИИ), которая выполняет функции эксперта действий лица, принимающего решение (ЛПР). Такое действие всегда связано с мерой ответственности физического лица, а не технической системы. Признание права субъективности ЛПР на объективность окончательного решения есть признак появления новой парадигмы, характерной для другого научного направления - принятия решений при многих критериях. Однако многочисленные психологические исследования показывают, что сами ЛПР без дополнительной аналитической поддержки используют упрощенные, а иногда и противоречивые решающие правила.

Влияние и значимость человеческого фактора на процесс принятия решений ЛПР накладывает отпечаток на развитие современной теории принятия решений, принципиальным моментом которого является снятие противопоставления между «исследователем» и «объектом исследования». Проблема учета активности лица, принимающего решение, становится первичной и требует отступления от концепции «нормативных моделей управления» к моделям «совместной деятельности».

Новый подход требует отступления от концепции «нормативных моделей управления» и отражает имеющиеся тенденции по формированию деловой информационной среды различного профиля. Современные результаты когнитивной психологии и искусственного интеллекта позволяют ставить и решать новые задачи построения интегрированных компьютерных систем «совместной деятельности». Такие системы должны реализовывать интенционапьные процедуры деятельности, наделенные психикой деятельности. При этом важным вопросом является выбор технологических средств искусственного интеллекта, которые будут удовлетворять целостности объектов, порождаемых естественным и искусственным интеллектами.

Возможные пути решения задач по вьщелению указанных отношений должны быть основаны на симбиозе образного и символьно - логического представления знаний и их обработки в системах ИИ, позволяющих работать с образами также оперативно, как с символами. Примером тому являются когнитивные карты и сети, представляющие собой интеллектуальные средства генерации решений путем «фокусировки внимания» образного мышления ЛПР. Практика использования таких моделей показала, что причинно-следственные связи могут быть представлены графовыми моделями, определяющими развитие ситуации. По утверждениям психологов, визуализация представления информации является инструментом, позволяющим ЛПР ускорить и повысить эффективность решений. Акт формирования внимания ЛПР является актом интерпретации образа, и, следовательно, является рассуждением, обобщением, формированием гипотез. Использование образного мышления ЛПР в рамках совместной деятельности с системой ИИ является механизмом ускоренного мышления на основе использования когнитивных свойств информации.

В этой связи разработка новых технологий принятия решений должна учитывать результаты агентно-ориентированного подхода, который позволяет учесть представление ментальных и интенциональных моделей деятельности ЛПР и системы ИИ в форме нечетких понятий .р правил лингвистического и когнитивного характера. Использование результатов такого подхода позволит учесть значимость знаковых представлений семиотики с точки зрения формирования гппттгтгйгтщцт пАрпчиогл ыпииш ппп ППР и символьного мышления системы ИИ. При этом аспекте€^41|М4^|Й|Р^8^^|трения

- А

образа позволит трансформировать проблему значимости образа в проблему координации деятельности. Такая оценка значимости образа позволит использовать концептуальные модели в виде наглядного представления семантических дщошений «совместной деятельности» на уровнях образного и символьного мышлений «агент -'действие -объект».

Целью диссертационной работы является исследование факторов возможности создания «совместной деятельности» естественного и искусственного интеллектов с учетом их интенциональных характеристик и разработка нейро-нечетких моделей эволюционной адаптации к обрабатываемой когнитивной информации. В соответствии с поставленной целью в диссертации решаются следующие задачи:

1. Анализ предметной области и определение методологии учета факторов, определяющих особенности человеко-машинных процедур принятия решений и перспективы ее развития на основе использования современных технологий когнитивной психологии и искусственного интеллекта.

2. Разработка концепции построения интегрированной компьютерной системы принятия решений, основанной на «совместной деятельности» естественного и искусственного интеллектов.

3. Разработка нейро-нечетких моделей и инструментальных средств, предоставляющих возможность эволюционного синтеза коннекционистских моделей, адаптированных к обрабатываемой когнитивной информации с учетом интенциональных характеристик субъекта и объекта «совместной деятельности».

Предметом исследования являются: инструментальные средства систем поддержки принятия решений; методы и алгоритмы формирования и обучения нейронных сетей; эволюционно-генетические методы поиска оптимальных решений.

Методы исследования основываются на нейронных и эволюционно-генетических технологиях.

Научная новизна результатов исследования. На основе агентно-ориентированной парадигмы разработана концептуальная модель «совместной деятельности», позволяющая учесть особенности образного мышления лица, принимающего решение, и символьной обработки информации системой искусственного интеллектов.

Разработаны нейро-нечеткие модели когнитивных агентов, отличительной особенностью которых является возможность трансформировать алгоритм обучения нейронной сети на нечеткую систему и реализовать принцип функциональной эквивалентности - сочетание и попеременное использование преимуществ различных классов архитектур - нечеткой системы и нейронной сети.

Разработаны инструментальные средства эволюционной технологии синтеза и оптимизации когнитивных нейро-нечетких моделей, позволяющих инкорпорирование знаний в виде образов-графов и обучение М - и APT - сетей средствами семиотического моделирования на уровне образного восприятия информации лицом, принимающим решение.

Практическая значимость работы. Созданы инструментальные средства «фокусировки внимания» ЛПР для семиотического моделирования «совместной деятельности» естественного и искусственного интеллектов. Пакет программ «Менеджер образов когнитивных сетей коннекционистских моделей» позволяет учесть субъективные декларативные и процедурные знания ЛПР для оптимизации параметров нейро-нечетких моделей_на основе объективных данных, определяющих эффективность принятия решений.

комплексной безопасности ТРТУ (г. Таганрог). Акты использования научных результатов, полученных в диссертационной работе, приведены в приложении к диссертации.

Апробация работы. Основные результаты диссертационной работы представлены и обсуждались на следующих конференциях: Международной научно-методической конференции «Информационные технологии и системы в образовании, науке и бизнесе», г. Пенза, 1999 г.; Второй всероссийской научно-методической конференции «Интернет и современное общество», г. Санкт-Петербург, 1999 г.; Международной научно-технической конференции и молодежной научной конференции «Интеллектуальные САПР», г. Геленджик, 2000, 2002 г.г.; Первой Международной научной конференции «Искусственный интеллект», п. Кацивели, Крым, 2000 г.; Всероссийской научно-технической конференции «Медицинские информационные системы», г. Таганрог, 2000, 2002 г.г.; Седьмой Национальной конференции по искусственному интеллекту КИИ-2000, г. Переславль-Залесский, 2000 г.; Всероссийской научно-технической конференции с международным участием «Компьютерные технологии в инженерной и управленческой деятельности», г. Таганрог, 2000,2002 г.г.

Публикации. По теме диссертации опубликовано 20 печатных работ, из них 1 - в российском реферируемом журнале, 3 - в российских реферируемых изданиях, 3 - в материалах международных конференций, б- в материалах российских конференций, 4 - в тезисах международных конференций, 3 - в тезисах российских конференций. Перечень публикаций, содержащих описание полученных результатов, приведен в конце автореферата.

Структура диссертации. Работа состоит из введения, четырех разделов, заключения, списка литературных источников из 195 наименований на 15 страницах и приложений на 37 страницах текста и рисунков. Основное содержание работы изложено на 178 страницах текста, из которых 36 страниц являются иллюстрациями и таблицами.

Основные положения, выносимые на защиту, изложены в последнем разделе автореферата.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы работы, сформулированы ее цель, задачи, определены объект и предмет исследования, изложены полученные в работе новые научные результаты и отмечена их практическая значимость, приведены сведения о реализации и апробации результатов работы, указаны основные положения, выносимые на защиту.

В первом разделе работы приведен краткий анализ факторов, определяющих развитие технологий принятия решений. Отмечается, что создание таких технологий определяется тремя ожидаемыми аспектами значимости эффекта «совместной деятельности». Проведен анализ субьектно-ориентированного подхода к моделированию «совместной деятельности». Отмечается, что сочетание концепций когнитивной психологии и технологий искусственного интеллекта с позиций исследования проблемы моделирования через экспериментальные подтверждения новых когнитивных моделей является единственным способом устранения пробела в понимании проблемы триады познания.

Создание систем виртуальной реальности и систем для решения задач реинжиниринга привело к необходимости создания интеллектуальных систем новых типов и пересмотру в направлении развития новых парадигм искусственного интеллекта. Такие интеллектуальные системы ориентированы на пользователей и требуют необходимости их проектирования по принципу «сверху - вниз». При таком подходе устоявшиеся понятия объектов ИИ — (категории «субъекта деятельности», рассуждения, интеллект и

интеллектуальная деятельность) становятся вторичными, так как психика в целом (и интеллект в частности) выступает как средство деятельности объектов.

Субъектно-ориентированный подход ставит качественно новые проблемы в рамках ИИ, так как центром внимания при проектировании технических систем становится ЛПР с учетом его субъективных представлений и индивидуальных особенностей. Основой такого подхода являются исследования, направленные на разработку методов, базирующихся на выделении специфики «субъект - субъектных» отношений, на выделении психологических особенностей управленческой деятельности. Отличительной особенностью новых систем ИИ должны быть некоторые обобщенные логические структуры, на основании которых можно в единых понятиях анализировать и учитывать процессы информационного взаимодействия моделей качественно различных типов субъектов - естественного и искусственного интеллектов.

В работе анализируются особенности построении СППР на основе новой парадигмы; отмечаются наиболее существенные факторы с позиции организации «фокусировки внимания» ЛПР. Среди интеллектуальных средств визуализации и генерации решений ЛПР отдается предпочтение когнитивным картам и нечетким когнитивным схемам. Такие средства позволяют учесть значимость образного мышление ЛПР, а также использовать гипермедиа-технологии и методики когнитивной психологии. Существенной особенностью этих средств является представление событий и их взаимного влияния, как точными количественными параметрами, так и нечеткими качественными соотношениями, что позволяют оценить размытости компоненты образного мышления ЛПР и использовать их для описания «совместной деятельности» ЛПР и системы ИИ на уровне ментальных и интенциональных характеристик. Модель предметной области и причинно-следственные связи когнитивных карт и нечетких когнитивных схем позволяют принять их за основу создания средств «фокусировки внимания» ЛПР в рамках «совместной деятельности» лица, принимающего решение, с системой искусственного интеллекта.

Во втором разделе диссертационной работы излагаются результаты разработки концепции синтеза интеллектуальных систем «совместной деятельности». В результате анализа когнитивных моделей сформулированы требования к процедуре формирования внимания ЛПР и приемам организации развивающей управленческой деятельности ЛПР. Разработаны базовые принципы и модель доски объявлений интеллектуальной системы «совместной деятельности» естественного и искусственного интеллектов. Для реализации принципов «совместной деятельности» важным вопросом является выбор технологических средств ИИ, которые будут удовлетворять целостности объектов, порождаемых естественным и искусственным интеллектами. Такие средства должны учитывать особенности эффекта когнитивных способностей человека и результаты экспериментальных исследований восприятия в рамках когнитивной психологии.

Характерной особенностью символьного мышления системы ИИ является необходимость представления объекта в виде вектора - точки некоторого пространства признаков образа. Различным точкам такой области можно приписать некоторое понятие, соответствующее геометрическому образу. Характерной особенностью образного мышления ЛПР является осмысление незнакомой ситуации в виде легко понимаемой геометрической модели. Понимание со стороны ЛПР характера изменения визуальных соотношений стандартного образа позволяет определить качественную меру отклонения от стандартного уровня и принять соответствующие решения. На этой основе могут быть разработаны модель и метод диагностики функционального комплексного состояния путем интерпретации предъявляемого когнитивного образа как со стороны ЛПР, так и со стороны системы ИИ на основе нечетких решающих правил идеальной модели.

Противоположность подчийенности подсистем мышления человека и компьютерной техники (соответственно, подсистемы образного и символьно - логического мышления) приводит к различной сложности выполнения операций хранения и обработки информации человеком и компьютерной техникой. Построение новых информационных технологий на основе слияния естественного и искусственного интеллектов должно считаться с проблемой противоположности значимости указанных подсистем.

Модели восприятия информации человеком связаны с особенностями работы мозга естественного интеллекта по интерпретации и распознаванию образов. При этом формирование внимания определяется как механизм соотнесения (различения) информации к некоторому классу и наделения ее некоторым смыслом. Такой процесс представления образа имеет особенности: I. 1) внутренний образ определяется динамично изменяющейся системой категорий

индивидуального человека;

2) внутренний образ в памяти человека не может быть объективирован;

3) объективизация образа через символьную информацию фактически исключает понятие внутреннего образа и, тем самым, приводит к потере и искажению когнитивных свойств информации;

4) процесс формирования цепочки «информация - внутренний образ - информация» не сводится к однозначному кодированию и перекодированию информации через внутренний образ;

5) мозг человека работает по семантическому принципу, определяя смысловое значение образа, и существенно отличается в средствах представления и обработки информации - образов, характерных для компьютерной техники;

6) процесс «восприятия» информации в технологиях искусственного интеллекта сводится к преобразованию информации без ее интерпретации на основе синтаксических манипуляций с символами без учета их семантического смысла.

Субъективность, целостность и высокая скорость интерпретации образа человеком может быть учтена при организации «совместной деятельности» посредством учета свойств информации в виде когнитивной карты (схемы) как на этапе ее восприятия, так и на этапе взаимодействия с системой ИИ. При этом ЛПР должен обладать возможностью работы с когнитивной картой при ее восприятии и изменении, опираясь только на образное мышление, исключая целенаправленный перевод информации в символьную форму на этапе формирования связи «внутренний образ - информация».

В результате такого подхода информация, представленная графом когнитивной карты, может восприниматься со стороны ЛПР на уровне образного мышления, а со стороны системы ИИ в виде символьной формы. При этом предполагается, что ЛПР имеет возможность внести некоторые изменения изображения когнитивной карты, фокусируя внимание (образное мышление) на образе-графе. Все действия ЛПР по изменению когнитивной карты преобразуются интерфейсом в символьную форму для учета соответствующей реакции системой ИИ и, наоборот, действия системы ИИ должны представляться для ЛПР в виде измененной когнитивной карты, а не символьной ' информации в виде матриц, списков и др.

В работе рассматриваются различные постановки вопроса о разработке моделей автоматов, имеющих ментальные (психические характеристики). Отмечается, что одним из существенных аспектов подобных исследований явился переход от рассмотрения управления как последовательности актов выбора к распределенной системе, в которых структуры управления являлись множеством «паттернов прохождения сообщений», совместно решающих коммуникационные проблемы в контексте семантики открытых

систем. По этой причине появилось понятие «доски объявлений» - зоны совместной работы в базе данных на основе модели пространства гипотез и решений. Принцип доски объявлений явился основой развития агентно-ориентированного подхода. Доска объявлений сортирует задачи и на основе эвристики выбирает одну "из множества следующих задач для выполнения. Монитор системы ИИ осуществляет проверку доски объявлений, анализируя текущее состояние процесса решения в соответствии с некоторым сценарием. Искусственные существа - агенты в такой распределенной системе взаимодействуют на основе «договорных отношений» и стремятся синтезировать искусственного «искусственного эксперта», способного самостоятельно решить задачу. Очевидно, что каждое действие моделируется подобно фрейму множеством пар «атрибут -значение». Заметим, что процессы такой системы ИИ не отражают роль и значимость ЛПР, так как не отражает принципы «субъектно-ориентированной» парадигмы. В диссертации определяются возможности и особенности модификации процессов доски объявления с точки зрения реализации принципов «совместной деятельности» ЛПР и системы ИИ.

1. Функции монитора доски объявлений системы ИИ расширяются путем введения доступа к ней ЛПР. При этом монитор рассматривается двояко: как средство «визуализации» информации для когнитивного мышления ЛПР и для символьно -логического «мышления» агентов.

2. Совместная деятельность «искусственного эксперта» и ЛПР - эксперта определяется некоторым протоколом коммуникации с учетом ментальных и интенциональных характеристик естественного и искусственного интеллектов. Данное обстоятельство является важным с точки зрения формирования внимания ЛПР и учета его когнитивных особенностей. Таким образом, монитор доски объявления может учитывать стратегию и тактику совместной деятельности ЛПР и когнитивных агентов.

3. Эволюция динамических отношений «совместной деятельности» может быть описана с помощью эволюционных и генетических алгоритмов.

4. Современное представление проблемы организации взаимодействия связано с концепцией «биологической организации» по типу живых организмов. Важное место здесь занимают нейронные сети.

Указанная модификация представляется значимой с точки зрения формирования внимания ЛПР и учета его когнитивных особенностей мышления. Визуализация представления информации и сопутствующий этому акт формирования внимания является актом интерпретации образа на основе рассуждения, обобщения, формирования гипотез. Таким образом, предлагаемые в работе принципы использования образного мышления ЛПР в рамках «доски объявлений совместной деятельности» позволяют создание механизмов ускоренного мышления на основе использования когнитивных свойств информации. Данное обстоятельство дает основание для построения новых информационных технологии на базе слияния естественного и искусственного интеллектов.

Третий раздел работы посвящен разработке агентно-ориентированной технологии «совместной деятельности» интегрированной компьютерной системы. Основные тенденции построения такой системы объединяют в себе две отличных друг от друга модели - когнитивную и объективистскую модели. Сочетание этих моделей позволяет создание системы, в рамках которой ЛПР предоставляются когнитивные методы, но, в тоже время, система должна контролировать ' цели и навыки ЛПР с помощью объективистских методов анализа его деятельности.

В работе выполнен анализ когнитивных свойств гипертекстовых информационных пространств, которые обеспечивают интерактивный режим работы и возможность

исключить информационные перегрузки Л ПР. Такие пространства отличает эффект непоследовательности (нелинейности) гипертекста, что требует учета особенностей восприятия ЛПР такого вида информации. Предлагается использовать обзорные диаграммы визуализации гиперпространства, которые отражают различные части гипертекста, текущее и предыдущее положения пользователя, что создает предпосылки для формирования механизма когнитивной навигации в гипертекстовой системе. Визуализация представления информации в гиперпространстве усложняет навигационный механизм, но позволяет наиболее полно передать пользователю замысел работы с гипертекстом. Такой навигационный механизм содержит в себе свойства известных механизмов навигации («список истории», «возврат» и «закладки») и позволяет введение в гиперсистему дополнительной модели фиксирования действий и индивидуального стиля работы ЛПР. Особое внимание уделено технологии адаптивной аннотации, которая расширена когнитивными свойствами с позиции интегративного восприятия информации ЛПР. Комбинаторная интеграция заключается в формировании его навыков относительно «объединенной индивидуальности» через фокусировку внимания на событиях и фактах. Само-рефлексивная интеграция приводит к формированию внимания на потребностях в критериях и требует определение целей на сознательном уровне. Реинтеграция связана с трансформацией оценки внешних вызовов на подсознательном и сознательном уровнях и определяется процессом формирования внимания на результатах опыта, полученного не в результате экстремальных изменений обстоятельств.

В работе предлагается архитектура интегрированной компьютерной система «совместной деятельности», которая имеет следующие характеристики: обеспечивает обратную связь; диагностирует возможности ЛПР в процессе решения проблемных ситуаций; собирает и классифицирует информацию о знаниях ЛПР; оптимизирует процесс деятельности, основываясь на знаниях ЛПР; управляет процессом деятельности. Заметим, что значимая компонента- «агент - посредник» определяет набор интеллектуальных инструментальных средств «совместной деятельности».

Роль агента определяется промежуточным звеном между субъектом и объектом. С позиции субъекта агент представляет собой «квазисубьект-ЛПР» на уровне образного мышления», имеющий определенные обязательства перед ЛПР и действующий по его поручению. С позиции объекта агент является «истинным объектом на уровне символьного мышления», способным формировать действия для достижения определенных целей. По сути, понятие «агента» определяет единение между субъектом - ЛПР и объектом -системой ИИ. При этом агент является открытой системой «организм-среда», способной воспринимать информацию от ЛПР с ограниченным разрешением, обрабатывать ее, преследовать свои собственные цели и действовать совместно с ЛПР. Важнейшей особенностью такого агента является способность действовать в условиях неточной, нечеткой и противоречивой информации.

Основное назначение модели тьютора - реализовать обратную связь и помочь ЛПР в процессе деятельности. Для создания модели объекта необходимо: определить компонент объекта; провести различия и взаимосвязи; определить физические и логические связи в модели; определить правила, которые описывают работу модели и

Три модели системы «совместной деятельности»

Модель тьютора Агент-посредник

-Л

Модель состояния ЛПР '

"ЛТЧ

—Ъу Модель / объекта \

Рис.1

провести тестирование работы модели. Важной частью модели состояния ЛПР являются правила, которые позволяют оценить прогресс ЛПР в процессе деятельности. Каждое правило - логическое условие «если ..., то ...» представленно когнитивной моделью, что дает возможность визуализации действий ЛПР в рамках проблемной ситуации. Изложенные особенности моделей позволяют определить семантику взаимоотношений и наметить инструктивные указания по организации «совместной деятельности» между моделями. Наличие декларативных и процедурных знаний и их отношений позволяют построить граф семиотического моделирования для управления процессом «совместной деятельности». Существенной особенностью семантического графа является возможность учета интенциональных характеристик, как ЛПР, так и агента.

Уровень субъективности агента определяют либо только символьными представлениями, требующимися для организации рассуждений, либо, в противоположность этому агент работает только на уровне образов. Такая особенность «совместной деятельности» указывает на необходимость использования когнитивных агентов, имеющих символьную модель внешнего мира, на основе которой агент проводит собственные рассуждения, принимает решения или выполняет действия, изменяющие среду. Отличительной особенностью когнитивных агентов является наличие ментальных и интенциональных свойств, которые относятся к категории психических характеристик человека - желания, намерения, цели, убеждения и др. Термин «интенция» определяет устремленность агента к деятельности, направленной на решение задачи в зависимости от состояния «внешнего мира» и «внутреннего мира» агента.

В рамках данной работы определение «когнитивный агент» предопределяет наличие системы представления ментальных характеристик, ориентированных на некоторую систему ценностей и предписывающие определенные варианты поведения - коммуникацию «совместной деятельности» ЛПР и системы ИИ. Проявление коммуникативных и ментальных характеристик агентов определяется двумя функциями: коммуникативно-информационная функция, которая определяет прием-передачу информации, и коммуникативно-регулятивная функция общения, которая позволяет координацию поведения внутреннего и внешнего миров.

Исследование и моделирование процессов совместной деятельности ЛПР и системы ИИ должны учитывать значимость знаковых представлений семиотики «доски объявлений совместной деятельности», что позволяет трансформировать проблему значимости знака в проблему координации деятельности. В данной работе учитывается возможность совмещения лингвистических и коннекционистских моделей в семантические конструкции «агент - действие - объект», не допускающих строгого формального описания на уровне динамики когнитивных свойств знака. Другими словами, моделирующая подсистема когнитивного агента должна отражать семантические конструкции - графическое изображение совокупности знаков и интенциональных отношений между ними, позволяющими связать динамические отношения соучастия в совместной деятельности ЛПР и системы ИИ.

В целом концептуальная модель когнитивного агента «совместной деятельности» представляет собой тезаурус с размеченными семантическими связями - множество понятий и отношения между ними Т (NET) = (G, Рм, R, А, т|), где G = Gi х ... х Gn -семейство понятий для различных подграфов сети; Рм С G - множество ментальных понятий и суждений; A,: G —♦ [0, 1] - функция принадлежности, которая упорядочивает понятия; tj: r —> [0, 1] - функция принадлежности, которая описывает веса связей. При таком подходе к представлению семантической информации когнитивный агент косвенно учитывает информацию путем изменения его тезауруса, что дает возможность говорить об

обобщающем тезаурусе, например Т (NET) = Т (NETj) п ... п T (NETJ, где T (NETi) -подграф исходного образа сети. _

Для реализации возможности семиозиса знаков с учетом интенциональных отношений в работе используются М-сети, так как для формирования множества мотивов и стремлений ментальная подсистема когнитивных агентов должна содержать механизмы обработки знаний и планирования действий. При этом «знания и убеждения» & «цели и намерения» можно отнести к категории нечеткого отношения моделирования - нечеткого соответствия между состоянием агента и предполагаемым результатом его деятельности. Содержание убеждений и знаний рассматривается в форме лингвистических предложений, а содержание намерения рассматривается как действие в рамках норм и обязательств, которые их ограничивают. Для формирования множества мотивов и стремлений ментальная подсистема когнитивных агентов должна содержать механизмы обработки знаний и планирования действий.

Соотношение между побуждением и действием определяет нечеткое отношение интенционального моделирования агента. Простейший способ описания модели действий агента - это математическое выражение, определяющее различия в начальной и конечной точках действия. Деятельность интенционального агента связана: с формированием желаний Ж = T(Gi) х РМ) выполнением намерений (действий) Н = T(Gj) -» T(GS) и пересмотром убеждений У= T(Gi). В связи с наличием у агента шкалы собственных предпочтений, которая не может охватить моделируемый мир, целесообразно интенциональные характеристики агента (показатели уверенности) также описывать на основе нечетких множеств. Тогда состояние агента в любой момент времени характеризуется тройкой (Ж, Н, У).

Пусть F{») - класс нечетких множеств на множестве (•). Тогда функция пересмотра убеждений g агента может быть задана на основе текущего восприятия и текущих убеждений (определенных нечеткими множествами) формированием нового нечеткого множества убеждений в следующем виде g: F(В) х F(У) -♦ F(У). В свою очередь, функция формирования выбора q может быть записана как отображение декартового произведения множества убеждений и намерений во множество желаний q: F(Y) х /Щ) Г(Ж). В рамках «доски объявления совместной деятельности» оператор текущего восприятия определяет нечеткое отношение процесса моделирования семиозиса знаков, как со стороны агента, так и со стороны ЛПР В: T(G|) х РМА х РЛПР -» {0, 1], где Рм а~ ментальные представления агента; РЛПр - ментальные представления ЛПР на уровне образного мышления. С помощью указанных функций можно рписать процесс рекурсивного уточнения некоторой иерархической структуры плана действий с учетом ментальных характеристик, благодаря формированию каждый раз более конкретных намерений через процесс восприятия - «фокусировку внимания» ЛПР с помощью интеллектуальных инструментальных средств когнитивных агентов.

В четвертом разделе предлагаются методы и алгоритмы синтеза нейро-нечетких моделей когнитивных агентов, наделенных ментальными и интенциональными характеристиками. Предлагается технология и интеллектуальные средства «совместной деятельности» на основе гибридной модели «нечеткий регулятор, нейронная сеть, генетический алгоритм», представляющей модифицированный вариант нечеткой системы Мамдани-Заде, рис. 2. Принцип построения нечеткого регулятора основан на формализации опыта ЛПР. На входах и выходе нейро-нечеткой системы (ННС) информация представлена вещественными значениями. Модуль фуззификации выполняет отображение входной четкой информации в нечеткое множество входных данных, определяемое с помощью функции принадлежности. Обратное преобразование нечетких

данных в конкретное значение выходной переменной выполняется с помощью модуля дефуззификации. Организация вывода в нечеткой системе строится на основе процесса агрегирования с помощью оператора логической суммы нечетких множеств, рис. 3.

Модель нечеткого регулятора Мамдани-Заде Принцип агрегирования

нечетких множеств

Модуль нечетких правил

3ZZ

Фуззификатор

Дефуззификатор

—г

Модуль выбоца оешений

Объект управления

If Если ..., то ,

Агрегатор

Правило 1 нечеткого

вывода -►

I- Если ...,то..

Правило к нечеткого вывода

Рис. 2 Рис. 3

Модуль выбора решений осуществляет обработку нечеткой информации на основе содержащегося в нем набора лингвистических правил - эвристик, определяемых экспертом в форме близкой к естественному языку типа « Если Р, то С». Каждое лингвистическое правило содержит одно или несколько условий его применения и предписываемое этому условию действие. Для каждого нечеткого правила I введен дополнительный параметр Wi, характеризующий значимость правила. Каждое правило анализирует только один показатель деятельности и представляет собой формализованное в нечеткой логике рассуждение эксперта о том, какой вклад в общую оценку вносит нечеткое значение, а модуль выбора решений вычисляет указанные веса. Когда логическое условие состоит из набора входных нечетких параметров Р, объединенных операцией нечеткой конъюнкции «and», каждое входное нечеткое понятие реализуется фуззификатором и определено на одном из входов нечеткого регулятора: «если Pi and Pj and ... то С/», где Р - параметр входного нечеткого понятия; С - параметр выходного нечеткого понятия; i - номер входа, определяющий показатель Хь для которого определены нечеткие понятия и лингвистическое правило;/ - номер нечеткого понятия, определенного для входа Xj.

Показатель значимости нечеткого логического правила (вес Tf) является субъективной мерой значимости правила относительно значений множества (или подмножества) входов нечеткого регулятора. Обобщение результата осуществляет дефуззификатор, который отображает результирующую выходную функцию принадлежности (ФП) в конкретное значение в зависимости от различных параметров «С,- и W/.». Предварительное взвешивание ФП производится через операцию пересечения нечетких множеств и представления нечетких величин за счет использование функций - синглетона или гауссоиды, что позволяет упростить известный функционал дефуззификации по центру тяжести путем замены интегрирования по области на операцию простого суммирования для всех лингвистических правил.

На этапе проектирования модуля выбора решений экспертом задается первое приближение значений указанного выше набора параметров, но затем эксперту приходится самостоятельно отыскивать тот или иной диапазон для каждого из настраиваемых параметров с целью повышения эффективности работы регулятора, рис. 4. Следствием этого возникает задача оптимизации внутренних параметров нечеткого регулятора - поиск оптимального набора значений внутренних параметров регулятора,

и

У =

2>Е

м

/•=1

который находится в некоторой окрестности относительно первичных параметров, заданных экспертом." Указанный процесс оптимизации приводит к необходимости учета взаимовлияния не только лингвистических правил на эффективность работы нечеткого регулятора, но и взаимовлияния нечетких параметров внутри одного правила. При этом множество нечетких понятий, как правило, разбивают на непересекающиеся подмножества, а дефуззификация сводится к вычислению вещественного значения У на выходе регулятора согласно формуле (1), где К-результирующее воздействие; Су -формообразующий параметр, определяющий центр синглетона, т.е. нечеткое понятие лингвистического прави ла; вес лингвистического правила; н>у- - значимость показателя группы нечетких понятий одного правила. В данной работе предлагается модификация архитектуры нечеткой системы регулятора за счет введения обучаемых нейронных сетей и, как следствие, дополнительных адаптивных параметров в модель регулятора с целью учета значимости различных показателей, рис. 5.

Отличительной особенностью такой модели является является свойство интеграции возможности нечеткой системы к инкорпорированию знаний эксперта в виде лингвистических правил, а также возможности нейронных сетей к обучению. Совмещенный синтеза нейронных сетей и нечетких систем порождает новый класс нейро-нечетких систем, которые позволяют сочетание достоинств базисных систем на основе принципа функциональной эквивалентности - на математической эквивалентности работы базисных элементов и на попеременном использовании преимуществ различных архитектур. В результате, можно рассматривать модель нейро-нечеткой системы, с одной стороны, как нечеткую систему Мандами, а, с другой стороны, как нейронную сеть.

2ч2

(1)

Ж,,

1=1

М

Особенности настройки нечеткой системы

Текущая информация

Система анализа

Дополнительная информация и правила

Обучение . . экспертом1т

Текущий результат

Модификация нечеткого регулятора

4 1_А_

Модуль выбора решений

Нейронная сеть •I

Объект управления ' *

Рве. 4 Рис. 5

В данной работе предлагается применение эволюционных алгоритмов для обучения нейронных сетей. По известным оценкам такой подход является эффективным, но требует вычислительные затраты и объем памяти, пропорциональный квадрату числа параметров в сети. Особенностью предлагаемого подхода является стремление существенно снизить указанные затраты за счет перехода от поиска единственной лучшей особи популяции сетей в целом к популяции особей - нейронов в скрытом слое. Процедура обучение сети сводится к последовательному решению следующих подзадач: поиск оптимальных положения и размеров кластеров в пространстве входных признаков; определение параметров (весов и порогов) выходного слоя с помощью градиентной процедуры, либо прямого метода, например, метода сингулярного разложения.

Предлагается алгоритм обучения нейронной сети, который реализует кооперативную стратегию поиска оптимальных весов и порогов сети. При кооперативном обучении нейронных сетей решается задача распределения работы. между, скрытыми нейронами, исключая выполнение одной и той же функции разными элементами. Степень дублирования двух радиальных элементов выражается как ортогональность векторов нормализованных активностей элементов на обучающей выборке. Задача обучения сводится к задаче минимизации функции ошибки сети, выражающей среднеквадратичное отклонение выходов сети от требуемых на заданном фиксированном наборе обучающих пар вход - выход.

Архитектура адаптивной нейро-нечеткой системы

Модуль нечетких правил

-на-

Фуззификатор =£=

Дефуззификатор =±

Модуль выбора решений

I

Нейоовная сеть

Средства генетического поиска

i

> Вычислитель крит ерия управления

во

Объект управления

Рис. б

Алгоритм учитывает одно очень важное свойство радиальных элементов нейронной сети - локальность действия, что дает возможность оценивать эффективность каждого элемента независимо от других и осуществлять независимый отбор элементов в следующее поколение, и, тем самым, ускорить сходимость алгоритма. Оценка эффективности каждого элемента определяется функцией, которая в силу принципа функциональной эквивалентности совпадает с функцией дефуззификации и определяет, насколько данный элемент выделяет класс г среди обучающих образов всех других классов. Стратегия обучающего правила заключается в максимизации значений эффективности для всех скрытых элементов сети. При подсчете эффективности находятся вначале значения, которые набирает данный нейрон на каждом из классов. Затем, среди этих величин выбирается максимальная величина и соотносится с суммарной активностью радиального элемента. Достоинство такого подхода данной функции является то, что она не требует знания выходных весов, что позволяет улучшать центры и отклонения элементов без обучения выходных параметров, и, тем самым, сокращает среднее время одной итерации.

Введение принципа функциональной эквивалентности позволяет создание модели адаптивной нейро-нечеткой системы (ННС), которая позволяет трансформировать

алгоритм обучения нейронной сети на нечеткую систему и, тем самым, использовать алгоритмы оптимизации нейронных сетей для нечетких систем, рис. 6. Предлагаемая модель осуществляет оптимизацию работы ННС генетическим алгоритмом. Отличительными особенностями адаптивной модели является наличие субъективных знаний эксперта (представленных набором правил) и процедуры обучения на основе объективных данных из предметной области. Наличие процедуры обучения для такой модели позволяет автоматизировать процесс подбора внутренних параметров в зависимости от «качества» внешних параметров (от набора шкал оценок входной информации) и в зависимости от результатов деятельности системы с точки зрения различения информации.

В работе предлагается процедура синтеза адаптивной модели ННС. На первом этапе формируется логическая структура ННС, которая устанавливает набор лингвистических правил. Описывая конкретный набор правил, ЛПР субъективно задает некоторую стратегию, посредством которой будет достигаться цель системы. В результате, общая стратегия функционирования ННС заложена в самой ее структуре. Далее, исходя из интуитивных определений нечетких понятий ЛПР - эксперта, определяются типы и изменяемые параметры функций, представляющих нечеткие понятия в системе. Дальнейшее уточнение значений параметров может быть проведено на основе объективных данных, определяющих эффективность работы ННС в реальном или моделируемом окружении. На втором этапе ННС рассматривается уже как адаптивная сеть с фиксированной структурой и соответствующим набором изменяемых параметров, значения которых , могут быть изменены применяемым генетическим алгоритмом параметрического обучения нейронных сетей на основе использованных алгоритмом реальных оценок качества работы. Сам процесс обучения правомерно назвать оптимизацией, при которой оптимизационным критерием служит объективная оценка эффективности функционирования ННС. Для случая нечеткого регулятора генетический алгоритм может быть использован для вычисления значимостей И',- лингвистических правил на основе статистики о результатах совместной деятельности нечеткого регулятора и объекта управления. Очевидно, что оптимальными значениями весов 1Уг будут величины, при которых разница между оценками ННС и реальными оценками будет минимальна. Целевая функция вычисляется, как евклидова расстояния между вектором, образованным набором оценок, предсказанных ННС и вектором, состоящим из реальных оценок.

В качестве набора оптимизируемых параметров служит вектор значимости весов. Конкретный набор значений ТУ, определяет некоторое решение оптимизационной задачи (особь), которая хранится в хромосоме генетического алгоритма (ГА). В качестве оцениваемой особи - носителя хромосомы выступает нечеткая система с параметрами У?!,, установленными экспертом и закодированные в хромосоме. В общем случае, применительно к модели адаптивного нейро-нечеткого регулятора, в качестве оценки решения оптимизационной задачи служит критерий качества управления К, инициализированный конкретным набором значений настраиваемых параметров 77,. В качестве -кодируемых в хромосоме отличительных свойств решения выступает набор 77; значений параметров 77. Для решения этой задачи используется генетический алгоритм, который представляет собой процедуру автоматического поиска значений для набора параметров 77, оптимизирующего критерий качества управления К. Важно отметить, что поиск осуществляется без использования априорных знаний о характере критерия К, а лишь на основе его значений К^ получаемых выдвигаемыми самим ГА пробными наборами значений параметров П,-.

Процесс оптимизации работы адаптивной ННС разбивается на циклы, в каждом из которых производится оценка одного варианта решения задачи оптимизации, определяемого некоторым набором значений параметров Пг В каждом отдельном цикле производятся следующие действия: ГА выдает очередной оцениваемый набор значений параметров Щ-, который инициализирует ННС. Значение Щ передается ГА, где оно используется как мера качества очередного предложенного ГА решения. На основе полученной информации о качестве, ГА предлагает новые варианты решений, которые будут испытаны в последующих циклах оптимизации. Число N испытаний, по результатам которых вычисляется значение критерия, продолжается до выполнения одного из двух условий: а) значения переменных системы превышают допустимый диапазон, например, > ^ииг) б) время испытания, задаваемое максимальным числом шагов моделирования, истекло.

Критерий К принимает значения из диапазона [0;1]. Для однозначного определения критерия К необходимо задать начальные состояния Бок для всех испытаний, которые представляют собой точки, лежащие на границах интервалов инициализации переменных ТУ/. Формулы вычисления критерия К могут быть определены следующим образом: а) выделить в наборе переменных состояния подмножество переменных начального состояния; б) приписать им веса относительной важности; в) выразить цель управления через значения переменных состояния и г) ввести алгоритм установки начальных состояний в испытаниях.

Хромосома представляет собой битовую разрядную сетку, каждому фрагменту которой соответствует параметр, например вес лингвистического правила Wl. Каждому параметру соответствует несколько бит хромосомы для его числового представления, что определяет поисковый диапазон для представления параметра. Различные комбинации значений параметра не могут выйти за пределы диапазона. Процедура ГА оперирует с множеством хромосом (популяцией особей), моделируя эволюции: конкуренцию особей, размножение особей с наследованием генов родителей в потомках, мутацию генов.

1° Сгенерировать случайным образом популяцию из л хромосом.

2° Оценить каждую хромосому популяции с помощью целевой функции (критерия оптимизации) в соответствии с алгоритмом вычисления значения критерия К.

3° Разбить популяцию особей на случайные пары и породить от каждой пары двух потомков путем применения операторов кроссинговера с вероятностью рс и мутации с вероятностью рт.

4° Оценить полученных и потомков с помощью целевой функции. Оценка производится аналогично способу, описанному в п.2°.

5е Выбрать и лучших особей для следующего поколения из объединенного множества размера 2п родителей и потомков. Механизм селекции обеспечивает «мягкий» отбор лучших решений от поколения к поколению, порождая тенденцию к постепенному накоплению в хромосомах информации, полезной для решения оптимизационной задачи. При этом вероятность отбора особи в новую популяцию обратно пропорциональна полученной ранее оценке ее качества. Такой отбор позволяет предотвратить преждевременную сходимость алгоритма к решению, при котором глобальный оптимум может быть пропущен вследствие малого числа итераций ГА.

6° Конец работы процедуры при выполнении условия ее завершения, иначе переход к п. 3°. В качестве основного условия завершения используется факт достижения оценкой лучшей хромосомы в текущей популяции, а также учитывается условие остановки алгоритма по превышению заданного числа итераций Нжи-

В разделе предлагается дальнейшая модификация архитектуры ННС регулятора за счет введения г'дополнительных адаптивных параметров - образов с целью учета их значимости на уровне когнитивного восприятия. Нечеткие модели с позиции когнитивного понимания информации, представленной через образ, являются основой формализации и манипуляции с символами без апелляции к их смыслу. В тоже время, нейронные сети, представленные в виде изображения через образ графа, могут являться основой для апелляции к смыслу через призму когнитивного образа. Отличительной особенностью такой модели когнитивного нейро-нечеткого регулятора является возможность инкорпорирования знаний эксперта в виде образов и возможность к обучению через образ. Процессы адаптации таких систем к внешним условиям и изменениям внутренних параметров технической системы достигаются также на основе генетических механизмов рождения и гибели популяций объектов и решений, но уже на уровнях символьного и образного мышлений.

Система «усиления-торможения» М - сети на основе APT - сети

Отличительной особенностью подхода является интеграция нейросетевой модели, которая имитируют характеристики объекта в виде отношения «вход - выход», и семантической сети, отражающую внутреннюю детализацию объектов и их отношений. Предлагается развитие концепции М-автоматов и сетей для решения задачи, направленной на «включение» образного мышления ЛПР в контур «объект управления - система управления». Семантическая М-сеть является статической моделью, отражающей совокупность объектов (¡-моделей) и их взаимоотношения, рис. 7. Способ представление информации через М-сеть носит отпечатки классической парадигмы моделирования путем декомпозиции сложного объекта на части и установления взаимосвязи каждой части объекта с физическим смыслом каждого нейрона или нейронного ансамбля в отдельности. Такое представление нейронной сети в виде семантического графа фактически является

процессом когнитивного обучения нейронной сети, который по своей сути отличается от процесса классического обучения нейронных сетей с помощью обучающих выборок. Когнитивное обучение определяется двумя последовательными процедурами: 1) обучение через формирование множества объектов и установление их значимости; 2)"обучение через формирование множества отношений между объектами путем задания весов связей между объектами. Вторая процедура когнитивного обучения по своей сути, но не по процедуре, напоминает обучение классических нейронных сетей.

Каждому объекту М-сети соответствует нечеткое понятие, определенное через экспертные оценки, выраженные в значениях весов синапсов и значениях порогов ь моделей. Данное обстоятельство позволяет рассматривать модель М-сети, как нейронную сеть по сути построения, а нечеткую систему по процессу функционирования. При этом можно рассматривать выходной слой, как агрегатор и дефуззификатор, которые обобщает нечеткую информацию, поступающую от нейронов. Параметры всех нейронов-объектов среднего слоя являются нечеткими понятиями, функция принадлежности которых определяется системой «усиления-торможения». Такая система управляет процессом возбуждения {-моделей: если возбужденность элемента выше некоторого заданного параметра или выше возбужденности других элементов, то порог такого элемента уменьшается. В результате, исходный семантический граф М-сети можно представить подграфом, состоящим из вершин, которые имеют повышенную возбужденность и связей между ними. Если отобразить возле каждой ¡-модели значимость ее возбуждения с помощью цифры, цвета или другого визуального способа, то получим когнитивный граф-образ. Представление М-сети, как когнитивной карты, позволяет осуществлять манипуляции со смыслом символов: вершины соответствуют некоторым объектам, связи определяют отношения между объектами.

Этапы обучения когнитивных нейронных сетей

Оценка

функционирования сети

Доска объявлений

Этап 1. Семиотический метод

Задание:

именованных объектов; коннекционистских отношений; лингвистических отношений

Рис.8

Этап 2. Метод нейрокомпьютинга набор обучающей выборки; алгоритм обучения

Тестовые примеры Этап 3. Эволюционный метод

Популяция образов-подграфов; Новые параметры сети

Тестовые примеры

Система «усиления-торможения», воздействуя на нейронную М-сеть, каждый раз представляя ЛПР наиболее активную когнитивную информацию и динамику ее изменения. Визуальный анализ такого графа позволяет ЛПР учитывать на сознательном или подсознательном уровнях сложившуюся ситуацию, оценить ее и принять соответствующие решения и действия. В результате, ЛПР имеет возможность управлять детализацией просмотра когнитивного графа в зависимости от целей и его особенностей

восприятия информации. Анализ деятельности JIITP с помощью генетического алгоритма позволяет соотнести (связать, объединить) действия ЛПР и системы ИИ. Таким образом, предлагаемая модель позволяет соединить субъективные и объективные не только декларативные знания, но и процедурные знания (действия).

В работе предлагается использовать механизм настройки классических нейронных сетей для настройки параметров когнитивной нейронной сети. Такой механизм рассматривает нейронную сеть, как модель, которая отражает только поведение моделируемого объекта и не учитывает внутреннюю детализацию (семантику) нейронной сети. Процедура формирования такой модели фактически является процедурой когнитивного сжатия информации об объекте через обучение нейронной сети в соответствии с заданной обучающей выборкой. При этом задача обучения разбивается на две части: 1) поиск набора обучающей выборки, что можно выполнить путем анализа отношений «объект управления - система управления»; 2) применением процедуры настройки когнитивной нейронной сети путем предъявления набора обучающих выборок по аналогии с обучением нейронных рекуррентных или рециркуляционных сетей. Процесс настройки параметров когнитивной нейронной сети должен содержать этап предварительного экспериментального тестирования, рис. 8, а также должен учитывать фактор учета субъективности ЛПР. Семантический граф М-сети, определяющий ту или иную ситуацию (сценарий) может иметь вершины-объекты (i-модели), отражающие ментальные и интенциональные характеристики (грусть, апатия, радость, слезы и т.д.). Наличие таких вершин позволяет контролировать и понимать психофизиологическое состояние ЛПР в процессе работы с когнитивной нейро-нечеткой моделью.

В работе разработана гибридная нейронная модель на основе совмещенного синтеза М- и АРТ-сетей, позволяющая учитывать ментальные и интенциональные характеристики «совместной деятельности» в процессе фокусировки внимания естественного и искусственного интеллектов. Рассматривается сеть Гроссберга с позиции искусственного когнитивного анализатора образов. Такая сеть реализует алгоритм кластеризации, при этом образцом первого кластера считается первый входной вектор. Все последующие входные векторы сравниваются с образцом первого кластера. С точки зрения задачи распознавания образов второй входной вектор может стать образцом второго кластера, если в рамках некоторой метрики второй вектор более значим, чем первый входной вектор. Для всех последующих входных векторов происходит «измерение» значимости текущего входного вектора с имеющимися образцами кластеров. При этом результатом измерения является либо новый кластер и соответствующий ему образец, либо отнесение входного вектора к тому или иному кластеру. В качестве метрики может служить некоторая заранее задаваемая величина расстояния между векторами в виде порога Тогда когнитивный анализатор в виде сети APT определяет множество абстрактных образов - образцов кластеров: входной вектор - набор признаков абстрактного образа, значения порогов -мера определения множества таких абстрактных образов.

Таким образом, нейронная сеть Гроссберга может выполнять дополнительные функции. системы «торможения-усиления» М-сети, связанные с искусственным когнитивным анализом, как отдельных вершин семантического графа М-сети, так и подграфов, выделенных в процессе функционирования М-сети. Данное обстоятельство может быть учтено при описании принципов эволюции и роста семантического графа с целью когнитивного представления информации для ЛПР и «вмешательства» естественного когнитивного мышления ЛПР путем добавления или исключения образов тех или иных понятий в семантическом графе. Указанная специфика позволяет реализовать

алгоритм функционирования искусственного когнитивного анализатора путем корректировки (усреднения) весов нейронов в зависимости от желаемых выходов.

Iе Инициализация прямых и обратных синаптических связей.

2° Установка параметра бдительности.

3° Задание входного вектора (абстрактного образа).

4° Вычисление активности выходных нейронов.

5° Определение номера / выходного нейрона-победителя.

б® Определение теста контроля принадлежности входного образа к выделенному ому кластеру. Если отличие между двумя образами не превышает значение параметра бдительности, то переход к 8° или к следующему шагу.

7е Победивший выходной нейрон отражает входной вектор и удаляется из конкурентной борьбы. Дальнейшие действия определяются условиями:

- если существуют еще в выходном слое нейроны, которые не относятся к категории нейронов-победителей, то переход к шагу 4°;

- если таких нейронов не существует, то необходимо зарезервировать свободный нейрон в выходном слое и произвести настройку его синаптических весов в соответствии с входным образом;

- если таких нейронов не существует, то необходимо выдать сообщение о невозможности идентификации образа.

8° Если отличие между прямым и обратным образом превышает значение параметра бдительности (см. шаг 7°), то победивший нейрон определяет правильный класс для входного образа. Для текущего входного образа производится настройка прямых и обратных связей, весовые синаптические значения которых характеризуют и итерированный образ кластера.

В результате каждый вновь рассматриваемый образ может создавать дополнительные классификационные категории, оставляя неизменными результаты предшествующего обучения (стабильность и пластичность гибридной нейронной сети). Таким образом, нейронная АРТ-сеть Гроссберга корректно распознает образ, никогда не виденный ранее, и реализует бионический принцип распознавания, подобный процессу восприятия информации человеком. Известно, что геометрическая интерпретация распознавания может быть трансформирована в лингвистический подход с помощью выделения набора типичных фрагментов образов и характеристик взаимного расположения фрагментов (слева, снизу, внутри и др.). На основе такого словаря и правил можно строить различные четкие и нечеткие логические высказывания. Такой подход имеет «когнитивную аналогию» и требует не столько знаний основ математической лингвистики, сколько специальных приемов для лингвистической обработки образов. Заданием пространства признаков формулируется свойство компактности, под действием которого образы в этом пространстве легко разделяются. Понятие компактности дает понятие абстрактного образа, который может быть построен на основе абстрактного пространства. Заметим, что при этом понятие компактности является только признаком возможности удовлетворительного решения задачи распознавания тех или иных образов на основе когнитивной нейро-нечеткой модели, так как процедуры способны выделять только абстрактные образы. Если в нейронной сети входной вектор-образ не соответствует ни одному из ранее запомненных образов, то создается новая категория для запоминания образа. Данное обстоятельство может быть учтено с целью «вмешательства» естественного когнитивного мышления ЛПР путем изменения семантического графа.

Наличие эволюционных процедур формирования нейронной сети и системы «усиления-торможения» М-сети приводит к важному достоинству - генерации факта

существования заранее неизвестной информации в заданном пространстве образов, о которых ранее ЛГГР-пользователь не имел никакого представления. Таким образом, обучение и самообучение, как системы искусственного интеллекта, так и/или естественного интеллекта, может служить мерой пригодности (мерой оценки) выбранного пространства образов. Степень совпадения абстрактных образов, выделяемых в процессе такого самообучения относительно реальных образов, может служить оценкой правильности выбора абстрактного пространства. Оценка деятельности через визуализацию некоторых образов позволяет создавать систему управления на позициях когнитивной психологии и осуществить совместную деятельность искусственного и естественного интеллектов при решении задач формирования внимания ЛИР. Использование инструментальных средств визуализации «доски объявления совместной деятельности» позволяет осуществить управление процессом подбора категории подобия и, тем самым, совместить взаимодействие бионических принципов системы ИИ с когнитивными принципами интеллекта ЛПР, рис. 9.

Когнитивная нейро-нечеткая модель

Модуль фуззификации Модуль нечетких правил Модуль дефуззификации

^ АГЕНТ выбора решений

Агент - когнитивный классификатор образов АРТ-сеть ж

1

Агент - менеджер объектов М- сеть 1

I

Доска объявлений Н——>

Рис.9

В заключении обобщаются основные научные результаты, полученные в диссертационной работе.

В приложении приводятся описание интеллектуальных инструментальных средств: агент - менеджер объектов, агент - когнитивный классификатор образов и агент -инспектор, а также акты о внедрении результатов диссертационной работы.

ОСНОВНЫЕ ПОЛОЖЕНИЯ, ВЫНОСИМЫЕ НА ЗАЩИТУ.

1. Разработана концепция построения интегрированной компьютерной системы на основе агентно-ориентированного подхода, которая определяет набор моделей с интенциональными характеристиками образного мышления ЛПР и символьного мышления системы искусственного интеллекта для реализации «совместной деятельности».

2. Синтезирована модель нейро-нечеткого регулятора, отличительной особенностью которой является свойство интеграции возможности нечеткой системы к инкорпорированию знаний эксперта в виде лингвистических правил в соответствии с известной моделью Мамдани-Заде, а также возможности нейронных сетей к обучению с

целью учета взаимовлияния лингвистических правил и нечетких параметров внутри одного правила.

3. Разработаны эволюционный метод и алгоритм автоматического поиска оптимальных значений параметров нечеткой системы на основе принципа функциональной эквивалентности, позволяющего сочетание и попеременное использование преимуществ различных классов архитектур - нечеткой системы и искусственной нейронной сети.

4. Разработаны модель и генетическая процедура синтеза и оптимизации адаптивного нейро-нечеткого регулятора, которая позволяет трансформировать алгоритм обучения нейронной сети на нечеткую систему и, тем самым, использовать алгоритмы оптимизации нейронных сетей для нечетких систем.

5. Предложена когнитивная модель нейро-нечеткой системы «совместной деятельности», отличительной особенностью которой является возможность инкорпорирования знаний в виде образов-графов и возможность к обучению М- и АРТ-сетей средствами семиотического моделирования на уровне когнитивного (образного) восприятия информации лицом, принимающим решение.

В ходе выполнения диссертационной работы были разработаны инструментальные средства эволюционного синтеза коннекционистских моделей, адаптированных к обрабатываемой когнитивной информации с учетом интенциональных характеристик субъекта и объекта «совместной деятельности». Пакет программ «Менеджер образов когнитивных сетей коннекционистских моделей» позволяет учесть субъективные декларативные и процедурные знания ЛПР для оптимизации параметров нейро-нечетких моделей когнитивных агентов на основе объективных данных, определяющих эффективность принятия решений. Результаты и материалы диссертации использованы при выполнении госбюджетных и хоздоговорных научно-исследовательских работ (НИР) на факультете информационной безопасности и в научно-исследовательском институте технологий комплексной безопасности ТРТУ (г. Таганрог).

Результаты диссертации опубликованы в следующих работах:

1. Горбатюк Н.В. Система для самообучения // Труды 2-й международной научной конференции «Психолого-педагогические проблемы формирования личности в воспитательно-образовательных системах» (том 1). - Москва: Международная педагогическая академия, 1998. - С. 198.

2. Горбатюк Н.В. Перспективы применения компьютерной графики и анимации при подготовке инженеров // IV всероссийская конференция студентов и аспирантов «Техническая кибернетика, радиоэлектроника и системы управления»: Тез. докл. -Таганрог: ТРТУ, 1998. - С. 372.

3. Горбатюк Н.В., Непомнящий A.B. О познавательной деятельности студента в гипертекстовой среде // Труды 2-й международной научной конференции «Психолого-педагогические проблемы формирования личности в образовательных системах» (том 2). -Москва: Международная педагогическая академия, 1999. - С. 187-189.

4. Горбатюк Н.В. Модульная обучающая система на основе мультимедийных и гипертекстовых технологий // Информационные технологии и системы в образовании, науке и бизнесе: Сборник материалов Международной научно-методической конференции. -Пенза, 1999.-С. 71-72.

5. Божич В.И., Горбатюк Н.В. Модели -интеллектуальной мультимедийной обучающей системы // Интернет и современное общество: Тезисы Второй всероссийской

научно-методической конференции. Санкт-Петербург. - СПб.: С.-Петербур. ун-т, 1999. - С. 127.

6. Горбатюк Н.В., Непомнящий A.B. Индивидуализация обучения на основе мультимедийных гипертекстовых систем II Известия ТРТУ. Специальный выпуск: Материалы XLV научно-технической конференции профессорско-преподавательского состава, аспирантов и сотрудников ТРТУ. - Таганрог: ТРТУ, 2000. №1 (15). - С. 181-182.

7. Божич В.И., Горбатюк Н.В., Непомнящий A.B. Компьютерная обучающая система // Известия ТРТУ. Тематический выпуск: Интеллектуальные САПР: Материалы Международной научно-технической конференции и молодежной научной конференции «Интеллектуальные САПР»,- Таганрог: ТРТУ, 2000. №2 (16). - С. 282-288.

8. Божич В.И., Горбатюк Н.В., Непомнящий A.B. Компьютерная обучающая система // Перспективные информационные технологи и интеллектуальные системы, 2000. №3. - С. 158-186.

9. Горбатюк Н.В. Особенности применения гиперграфовых моделей для визуализации архитектур гипертекстовых систем // Известия ТРТУ. Тематический выпуск. Материалы Международной научно-технической конференции и молодежной научной конференции «Интеллектуальные САПР». - Таганрог: ТРТУ, 2000. №2 (16). - С. 160-165.

10. Горбатюк Н.В. Особенности применения гиперграфовых моделей для визуализации архитектур гипертекстовых систем // Перспективные информационные технологи и интеллектуальные системы, 2000. №3. - С. 123-128.

И. Божич В.И., Горбатюк Н.В., Непомнящий A.B., Шницер Ю.Л. Перспективы развития информационных систем предприятий // Известия ТРТУ. Тематический выпуск. Материалы Международной научно-технической конференции и молодежной научной конференции «Интеллектуальные САПР». - Таганрог: ТРТУ, 2000. Ш (16). - С. 288-294.

12. Божич В.И., Горбатюк Н.В., Непомнящий A.B., Шницер Ю.Л. Перспективы информационных систем предприятий // Перспективные информационные технологии и интеллектуальные системы, № 3 , 2000, С. 128-135;

13. Божич В.И., Горбатюк Н.В., Шницер Ю.Л. Нейро-нечеткая система интегральной оценки знаний студента // Искусственный интеллект-2000. Тезисы докладов международной конференции. - Таганрог: ТРТУ, 2000. - С. 163-164.

14. Божич В.И., Горбатюк Н.В. Интеллектуальная система компьютерного обучения // Новости искусственного интеллекта, 2000.№ 3.- С. 102-111.

15. Захаревич В.Г., Божич В.И., Горбатюк Н.В., Кононенко Р.Н., Шницер Ю.Л. Нейро-нечеткий контроллер системы поддержки принятия решений Н Известия ТРТУ. Тематический выпуск: Материалы научно-технической конференции «Медицинские информационные системы - МИС-2000». - Таганрог: ТРТУ, 2000. №4 (18). - С. 52-57.

16. Божич В.И., Горбатюк Н.В. Гипермедиа-структуры информационных систем принятия решений И Известия ТРТУ. Тематический выпуск: Материалы Всероссийской научно-технической конференции с международным участием «Компьютерные технологии в инженерной и управленческой деятельности».- Таганрог: ТРТУ, 2001. №3 (21). - С. 245248.

17. Горбатюк Н.В. Анализ эффекта непоследовательности гипертекстовых систем обучения Н Известия-ТРТУ.-Тематический выпуск: Материалы Всероссийской научно-технической конференции с международным участием «Компьютерные технологии в инженерной и управленческой деятельности». - Таганрог: ТРТУ, 2001. №3 (21). - С. 248251.

асом »1689"FW

18. Горбатюк H.B. Особенности моделирования когнитивных агентов формирования внимания ЛПР // Известия ТРТУ. Тематический выпуск: Материалы научно-технической конференции «Медицинские информационные системы - МИС-2002». - .Таганрог: ТРТУ, 2002. № 5 (28). - С. 164-167.

19. Горбатюк A.B., Горбатюк Н.В. Особенности построения моделей тьютора и студента на основе эволюционизирующей нейронной сети // Известия ТРТУ. Тематический выпуск. Материалы Международной научно-технической конференции «Интеллектуальные САПР». - Таганрог: ТРТУ, 2002. №3 (26). - С. 146-149.

20. Горбатюк A.B. Горбатюк Н.В. Принципы организации компьютерных интегративных систем обучения // Известия ТРТУ. Тематический выпуск: Материалы Всероссийской научно-технической конференции с международным участием «Компьютерные технологии в инженерной и управленческой деятельности».- Таганрог: ТРТУ, 2002. № 2 (21). - С. 286-294.

Личный вклад автора в работах, написанных в соавторстве:

[3, 6, 16] - анализ когнитивных средств «совместной деятельности»;

[5, 7, 8, 13, 14, 20] - агентно-ориентированная концепция построения интегрированной компьютерной системы решения проблемных ситуаций на основе принципа «совместной деятельности» посредством аннотированной когнитивной ссылки;

[11, 12] - анализ деятельности человеко-машинных процедур, определяющих значимость феномена «совместной деятельности»;

[15] - нейро-нечеткие модели, методы и алгоритмы формирования и обучения коннекционистских моделей для обработки когнитивной информации;

[19] - метод и алгоритмы инкорпорирования ментальных и интенциональных характеристик средствами нечетких систем и искусственных нейронных сетей; принципы и метод семиотического моделирования средствами М- и АРТ-сетей.

ЛР № 020565 Подписано к печати 10.10.2003 г. Формат 60 х 84 1/16 Печать N. Ю.ОЗь Бумага офсетная. Усл. п. л.- 1,0

Заказ № ЗНО Тираж 100 экз. ©

Издательство Таганрогского государственного радиотехнического университета ГСП-17А, Таганрог, 28, Некрасовский, 44 Типография Таганрогского государственного радиотехнического университета ГСП-17 А, Таганрог, 28, Энгельса, 1

Введение.

1. Анализ развития технологий принятия решений.

I 1.1. Анализ значимости эффекта «совместной деятельности».

1.2. Анализ субъектно-ориентированного подхода к моделированию «совместной деятельности» средствами когнитивной психологии и искусственного интеллекта.

1.3. Анализ когнитивных средств «фокусировки внимания» лица, принимающего решение.:тг.?. .::. ;.г.

1.4. Выводы.

2. Разработка концепции синтеза интеллектуальных систем «совместной деятельности».

2.1. Выбор требований к процедуре формирования внимания лица, принимающего решение.

2.2. Разработка базовых принципов организации систем «совместной деятельности» естественного и искусственного интеллектов.

2.3. Разработка модели доски объявления «совместной деятельности».

2.4. Выводы.

3. Разработка агентно-ориентированной технологии «совместной деятельности» интегрированной компьютерной системы.

3.1. Анализ когнитивных свойств гипертекстовых информационных пространств.

3.2. Разработка принципов организации «совместной деятельности» в гипертекстовых информационных пространствах.

3.3. Разработка моделей интегрированной компьютерной системы совместной деятельности».

3.4. Разработка концептуальной модели когнитивного агента «фокусировки внимания».

3.5. Выводы.

4. Синтез нейро-нечетких моделей когнитивных агентов, наделенных ментальными и интенциональными характеристиками.

4.1. Разработка модели нейро-нечеткого регулятора.

4.2. Разработка модели адаптивного нейро-нечеткого регулятора.

4.3. Разработка когнитивной нейро-нечеткой модели.

4.4. Разработка интеллектуальных средств вычисления когнитивного качества

4.5. Выводы.

В современных условиях информационных перегрузок и быстротечности протекания информационных процессов принятие решений осуществляется на основе человеко-машинных процедур в виде циклического процесса взаимодействия человека и компьютера (системы искусственного интеллекта). Как правило, действие - принятие решения предварительно анализируется и формируется нормативной базой информационной системы, которая выполняет функции эксперта действий лица, принимающего решение (ЛПР). Деятельность ЛПР имеет дело с нештатными ситуациями, которые возникают в условиях неопределенности при оперативной работе с большими потоками информации в реальном масштабе времени.

Имеется достаточно много должностей, характерной особенностью которых является необходимость принимать решения. Действие, относящееся к категории принять решение», всегда связано с мерой ответственности физического лица, а не « технической системы. Однако следует отметить, что признанием фактора объективности ЛПР в принятии решения нарушен фундаментальный принцип методологии исследования операций - поиск объективно оптимального решения. Признание права субъективности ЛПР на объективность окончательного решения есть признак появления новой парадигмы, характерной для другого научного направления - принятия решений при многих критериях. В тоже время многочисленные психологические исследования показывают, что сами ЛПР без дополнительной аналитической поддержки используют упрощенные, а иногда и противоречивые решающие правила.

Применение системы поддержки принятия решений (СППР) не исключило право принятия решения и меру ответственности за человеком, но отразило практическую целесообразность и необходимость в создании человеко-машинных ;; процедур для решения задач выбора альтернативных «совместных действий» ЛПР и системы искусственного интеллекта. Влияние и значимость человеческого фактора на процесс принятия решений ЛПР накладывает отпечаток на развитие современной теории принятия решений в рамках субъектно-ориентированного подхода, принципиальным моментом которого является снятие противопоставления между «исследователем» и «объектом исследования». Проблема учета активности ЛПР становится первичной в отличие от подхода проектирования традиционных систем искусственного интеллекта по принципу «снизу-вверх» на основе «жестких моделей» информационных управленческих систем. Такой подход требует отступления от концепции «нормативных моделей управления». Основой субъектно-ориентированного подхода являются исследования, направленные на разработку методов, базирующихся на выделении психологических особенностей управленческой деятельности. Такая теория базируется на позиции когнитивной психологии и попытке формализации действий, характерных для человека при принятии им решений.

1. Определение множества альтернативных способов действия.

2. Оценка возможных последствий для каждого выбранного действия.

3. Оценка полезности и ранжирование соотношений «действие - последствие».

4. Выбор варианта действия - принятие решения.

Однажды созданная система СППР с точки зрения нормативной базы и принципа здравого смысла, несомненно, вносит элемент эффективности действий ЛПР при его оперативной работе в нештатных ситуациях, характеризующихся той или иной долей неопределенности. Однако имеющиеся подходы к проектированию система СПГТР не могут отразить субъективность каждой личности, работающей с такой системой. Разрешение указанного противоречия, возможно, достичь путем введения дополнительных организационных мер и изменения методологии синтеза процедур принятия решений. Деятельность человеко-машинного комплекса в нештатных ситуациях должна сочетаться с непрерывным обучением (дообучением) принятия решений как со стороны ЛПР, так и со стороны системы искусственного интеллекта. Такой подход отражает имеющиеся тенденции по формированию деловой информационной среды инфраструктур современных организаций различного профиля. Многие исследования такой организации производства указывают на комплексную целесообразность такого подхода.

Современные результаты когнитивной психологии и искусственного интеллекта позволяют ставить и решать новые задачи построения интегрированных компьютерных систем «совместной деятельности». Так современные возможности гипермедиа позволяют создавать средства визуализации, передачи и обработки информации, с помощью которых увеличивается для ЛПР степень свободы выбора решений и диалогового управления информационными потоками. Тем не менее, средства гипермедиа сами по себе не учитывают индивидуальные особенности ЛПР, однако они наиболее мощны как инструмент обучения, потому что пользователь этих средств фактически слышит, видит и использует реальную информацию в интерактивной окружающей среде. Примером тому являются когнитивные карты и сети, представляющие собой интеллектуальные средства генерации решений путем «фокусировки внимания» образного мышления ЛПР. Практика использования таких моделей показала, что причинно-следственные связи могут быть представлены графовыми моделями, полностью определяющих развитие ситуации.

Визуализация информации является одной из особенностей современного моделирования. По утверждениям психологов, визуализация представления информации является инструментом, позволяющим ЛПР ускорить и повысить эффективность решений. Акт формирования внимания ЛПР является актом интерпретации образа, и, следовательно, является рассуждением, обобщением, формированием гипотез. Использование образного мышления ЛПР в рамках совместной деятельности с системой искусственного интеллекта является механизмом ускоренного мышления на основе использования когнитивных свойств информации. Данное обстоятельство дает основание для построения новых информационных технологий на базе слияния естественного и искусственного интеллектов. 1

Различение информации со стороны ЛПР является важным аспектом, который должен учитываться при принятии решений ЛПР в условиях неопределенности ситуации. Одним из подходов для решения проблемы различения информации является использование меры эффекта различения информации о нечетких объектах. По мнению специалистов, современные системы поставляют настолько большой массив информации, что ЛПР-оператор способен контролировать не более 10% этого массива. Возможные пути решения задач по выделению указанных отношений должны быть основаны на симбиозе образного и символьно - логического представления знаний и их обработки в интеллектуальных системах, позволяющих работать с образами также оперативно, как с символами. Одним из вариантов решения данной проблемы является использование систем автоматизации, основанных на принципах искусственного интеллекта. Наиболее адекватным и реальным является способ, когда отношения предпочтения будут заданы в нечеткой форме. По этой причине целесообразным является применение «мягких вычислений» (нечеткой математики) для принятия решений в условиях неопределенности с целью сокращения пространства поиска альтернативного решения. Современные средства нечеткой математики позволяют оценить размытости компоненты образного мышления человека и использовать их для описания деятельности ЛПР. Методы «мягких» вычислений являются эффективным средством при анализе сложных, слабо формализуемых систем и в последнее время привлекают все большее внимание специалистов разных областей знаний.

Система искусственного интеллекта «совместной деятельности», отражающая субъектно-ориентированный подход, должна содержать в себе механизмы и процедуры различных видов деятельности взаимно дополняющих друг друга и направленных на достижения единой цели, что может быть выполнено разработкой новых видов инструментальных средств, учитывающих современные технологии искусственного интеллекта. Такие инструментальные средств должны реализовывать интенционалъные процедуры деятельности, наделенные психикой, а также процедуры, с помощью которых решаются непосредственно задачи управленческой деятельности. Важным вопросом является выбор технологических средств искусственного интеллекта, которые будут удовлетворять целостности объектов, порождаемых естественным и искусственным интеллектами.

В этой связи разработка технологий и систем принятия решений на основе совместной деятельности» естественного и искусственного интеллектов должна, несомненно, учитывать результаты агентно-ориентированного подхода на основе гибридных нейро-нечетких систем. Именно такой подход может обеспечить представление ментальных и интенциональных моделей деятельности ЛПРпользователя и системы искусственного интеллекта в форме нечетких понятий и правил лингвистического и когнитивного характера. При этом необходимо учитывать значимость знаковых представлений семиотики с точки зрения формирования взаимодействия образного мышления ЛПР и символьного мышления системы ИИ. Аспект семиотического рассмотрения образа позволяет трансформировать проблему значимости образа в проблему координации деятельности. Такая позиция оценки значимости образа позволяет использовать t концептуальные модели в виде наглядного представления семантических отношений совместной деятельности» на уровнях образного и символьного мышлений. Одним из важных свойств прикладной семиотики является возможность использования лексических групп естественного языка для описания и создания графических семантических конструкций «агент - действие - объект». По этой причине возникает возможность совмещения лингвистических и коннекционистских моделей в семантические конструкции концептуальной модели, отражающей «совместную деятельность» и не допускающей строгого формального описания на уровне динамики когнитивных свойств знака.

В тоже время, такой подход позволяет формальное описание концептуальной модели средствами «мягких вычислений» и создание нейро-нечеткой адаптивной системы обработки информации, которая может обучаться по результатам «совместной деятельности». Предварительно заложенная субъективность ЛПР в лингвистических правилах и заданных параметрах коннекционистской модели в виде нейронной сети уточняются в процессе обучения нейронной сети на реальных (объективных) данных. В результате объективная оценка эффективности функционирования нейро-нечеткой системы является оптимизационным критерием. Многомерная оптимизация такой системы может быть решена с помощью генетических алгоритмов. Как известно, эффективность таких алгоритмов особенно высока при решении NP-сложных задач большой размерности, не решаемых никакими детерминированными методами, так как они представляет собой многоцелевую технику решения сложных задач оптимизации, в основе которой лежат принципы моделирования эволюции. Помимо инспирированных биологией операторов и процедур поиска оптимальных решений эти алгоритмы отличаются от традиционных методов оптимизации способом осуществления napaллeлънoгq поиска и принципиально иным его пониманием, связанным с информационными обменами между рассматриваемыми решениями.

Цель работы. Исследование факторов возможности создания «совместной деятельности» естественного и искусственного интеллектов с учетом их интенциональных характеристик и разработка нейро-нечетких моделей эволюционной адаптации к обрабатываемой когнитивной информации.

В соответствии с поставленной целью в диссертации решаются следующие задачи:

1. Анализ предметной области и определение методологии учета факторов, определяющих особенности человеко-машинных процедур принятия решений и перспективы ее развития на основе использования современных технологий когнитивной психологии и искусственного интеллекта.

2. Разработка концепции построения интегрированной компьютерной системы принятия решений, основанной на «совместной деятельности» естественного и искусственного интеллектов.

3. Разработка нейро-нечетких моделей и инструментальных средств, предоставляющих возможность эволюционного синтеза коннекционистских моделей, адаптированных к обрабатываемой когнитивной информации с учетом интенциональных характеристик субъекта и объекта «совместной деятельности».

Новые научные результаты работы.

На основе агентно-ориентированной парадигмы разработана концептуальная модель «совместной деятельности», позволяющая учесть особенности образного мышления лица, принимающего решение, и символьной обработки информации системой искусственного интеллектов.

Разработаны нейро-нечеткие модели когнитивных агентов, отличительной особенностью которых является возможность трансформировать алгоритм обучения v нейронной сети на нечеткую систему и реализовать принцип функциональной эквивалентности - сочетание и попеременное использование преимуществ различных классов архитектур - нечеткой системы и нейронной сети.

Разработаны инструментальные средства эволюционной технологии синтеза и оптимизации когнитивных нейро-нечетких моделей, позволяющих инкорпорирование знаний в виде образов-графов и обучение М - и APT - сетей средствами семиотического моделирования на уровне образного восприятия информации лицом, принимающим решение.

Основные положения, выносимые на защиту:

1. Разработана концепция построения интегрированной компьютерной системы на основе агентно-ориентированного подхода, которая определяет набор моделей с интенциональными характеристиками образного мышления ЛПР и символьного мышления системы искусственного интеллекта для реализации «совместной деятельности».

2. Синтезирована модель нейро-нечеткого регулятора, отличительной особенностью которой является свойство интеграции возможности нечеткой системы к инкорпорированию знаний эксперта в виде лингвистических правил в соответствии с известной моделью Мамдани-Заде, а также возможности нейронных сетей к обучению с целью учета взаимовлияния лингвистических правил и нечетких параметров внутри одного правила.

3. Разработаны эволюционный метод и алгоритм автоматического поиска оптимальных значений параметров нечеткой системы на основе принципа функциональной эквивалентности, позволяющего сочетание и попеременное использование преимуществ различных классов архитектур - нечеткой системы и искусственной нейронной сети.

4. Разработаны модель и генетическая процедура синтеза и оптимизации адаптивного нейро-нечеткого регулятора, которая позволяет трансформировать алгоритм обучения нейронной сети на нечеткую систему и, тем самым, использовать алгоритмы оптимизации нейронных сетей для нечетких систем.

5. Предложена когнитивная модель нейро-нечеткой системы «совместной деятельности», отличительной особенностью которой является возможность инкорпорирования знаний в виде образов-графов и возможность к обучению М- и АРТ-сетей средствами семиотического моделирования на уровне когнитивного (образного) восприятия информации лицом, принимающим решение.

Практическая ценность работы. Созданы инструментальные средства «фокусировки внимания» ЛПР для семиотического моделирования «совместной деятельности» естественного и искусственного интеллектов. Пакет программ «Менеджер образов когнитивных сетей коннекционистских моделей» позволяет учесть субъективные декларативные и процедурные знания ЛПР для оптимизации параметров нейро-нечетких моделей на основе объективных данных, определяющих эффективность принятия решений. Интерфейсы программ приведены в приложении.

Использование результатов работы. Материалы диссертации использованы при выполнении госбюджетных и хоздоговорных научно-исследовательских работ на факультете информационной безопасности ТРТУ и в научно-исследовательском институте технологий комплексной безопасности ТРТУ (г. Таганрог). Акты использования научных результатов, полученных в диссертационной работе, приведены в приложении.

Апробация работы. Основные результаты диссертационной работы были представлены и обсуждались на следующих конференциях:

Международной научно-методической конференции «Информационные технологии и системы в образовании, науке и бизнесе» г. Пенза, 1999 г.;

Второй всероссийской научно-методической конференции «Интернет и современное общество» г. Санкт-Петербург, 1999 г.;

Международной научно-технической конференции и молодежной научной конференции «Интеллектуальные САПР», г. Геленджик, 2000, 2002 г.г.;

Первой Международной научной конференции «Искусственный интеллект», п. Кацивели, Крым, 2000 г.;

Всероссийской научно-технической конференции «Медицинские информационные системы», г. Таганрог, 2000, 2002 г.г.;

Седьмой Национальной конференции по искусственному интеллекту КИИ-%

2000, г. Переславль-Залесский, 2000 г.;

Всероссийской научно-технической конференции с международным участием «Компьютерные технологии в инженерной и управленческой деятельности», г. Таганрог, 2000, 2002 г.г.

Публикации. По теме диссертации опубликовано 20 печатных работ, из них 1 -в российском реферируемом журнале, 3 - в российских реферируемых изданиях, 3 -в материалах международных конференций, 6 - в материалах российских конференций, 4 - в тезисах международных конференций, 3 - в тезисах российских конференций. Перечень публикаций, содержащих описание полученных результатов, приведен в заключении.

Структура и объем работы. Диссертация состоит из введения, четырех разделов, заключения, списка литературных источников из 195 наименований на 15 страницах и приложений на 37 страницах текста и рисунков. Основное содержание работы изложено на 178 страницах текста, из которых 36 страниц являются иллюстрациями и таблицами.

4.5. Выводы

1. Нечеткая модель регулятора интегрирует в себе возможности нечеткой системы к инкорпорированию знаний в виде лингвистических правил, задаваемых экспертом. Процесс оптимизации приводит к необходимости учета взаимовлияния не только лингвистических правил на эффективность работы нечеткого регулятора, но и взаимовлияния нечетких параметров внутри одного правила. Предложенный в работе вариант модели нейро-нечеткого регулятора позволяет интеграцию возможности нечеткой системы к инкорпорированию знаний эксперта в виде лингвистических правил, а также возможности нейронных сетей к обучению.

2. Синтез модели нейро-нечеткого регулятора требует выполнение достаточно сложной процедуры функциональной эквивалентности базисных элементов нечетких сетей и искусственных нейронных сетей. Данный принцип позволяет сформулировать задачу синтеза модели адаптивного нейро-нечеткого регулятора. Такая модель позволяет трансформировать алгоритм обучения нейронной сети на нечеткую систему и, тем самым, использовать алгоритмы оптимизации нейронных сетей для нечетких систем. Основными отличительными особенностями адаптивной модели является наличие субъективных знаний эксперта и процедуры обучения на основе объективных данных из предметной области. Наличие процедуры обучения позволяет автоматизировать процесс подбора внутренних параметров регулятора в зависимости от «качества» внешних параметров - набора шкал оценок входной информации и от результатов деятельности системы (выходной информации) с точки зрения различения и разделения информации.

3. Эффективность нейро-нечеткой системы существенно зависит от эффективности обучающего алгоритма нейронной сети. Разработанная адаптивная модель осуществляет оптимизацию работы нейро-нечеткой системы посредством генетического алгоритма. Поиск осуществляется без использования априорных знаний о характере критерия качества управления, а лишь на основе его значений, получаемых выдвигаемыми генетическим алгоритмом пробными значениями параметров. Управление зависит от логической структуры нечеткой системы и значений настраиваемых параметров. Если логическая структура нечеткой системы может быть полностью предопределена на основе знаний эксперта по управлению объектом, то значения настраиваемых параметров определяются экспертом лишь приблизительно. В результате, появляется возможность улучшения работы модели за счет нахождения набора значений параметров, оптимизирующего некоторый критерий качества управления.

4. Вычисление оценки качества управления реализуется эволюционно путем инициирования последовательности испытаний работы модели. Реализуемая генетическая поисковая процедура имеет тенденцию находить и выдвигать все более качественные решения в циклах оптимизации. Проводимые исследования при разработке реальных моделей показали, что формулы вычисления критерия могут быть определены на случай произвольного объекта управления. Для этого необходимо: выделить подмножество переменных начального состояния объекта управления; приписать им веса относительной важности; выразить цель управления через значения переменных состояния объекта управления и ввести алгоритм установки начальных состояний для испытаний.

5. Нечеткие модели с позиции когнитивного понимания информации, представленной через образ, являются основой формализации и манипуляции с символами без апелляции к их смыслу. В тоже время, нейронные сети, представленные в виде изображения через образ графа, могут являться основой для апелляции к смыслу через призму когнитивного образа. Подход на основе «совмещенного» синтеза искусственных нейронных сетей и нечетких систем порождает модель когнитивного нейро-нечеткого регулятора, которая имеет возможность инкорпорирования знаний эксперта в виде образов и возможность обучения через образ. Модель семантической М-сети в виде графа и/или гиперграфа несут в себе огромный когнитивный «заряд» при визуализации информации с целью «включения» образного мышления ЛПР-пользователя. Представление нейронной сети в виде семантического графа фактически является процессом обучения нейронной сети с позиции когнитивного образа. Система «усиления-торможения», воздействуя на нейронную М-сеть, каждый раз показывает ЛПР-пользователю наиболее активную когнитивную информацию и процесс ее изменения во времени. Распределение образа графа на сетку шкал еще более усиливает когнитивную значимость таких образов с точки зрения разделения и различения информации.

Предлагаемая в диссертации когнитивная модель предполагает, что указанные выше проблемы традиционных подходов к решению сложных задач моделирования могут быть сняты или существенно снижены путем семиотического моделирования при условии, что ЛПР-пользователь имеет возможность управлять детализацией просмотра когнитивного графа в зависимости от нюансов его образного мышления. При этом процессы адаптации к внешним условиям и изменениям внутренних параметров интегративной компьютерной системы достигаются на основе генетических механизмов рождения и гибели популяций объектов и решений на уровнях символьного и образного мышления.

6. Анализ деятельности ЛПР с помощью вычислителя критерия управления и генетического алгоритма позволяет соотнести (связать, объединить) действия ЛПР и системы искусственного интеллекта. Объект в этом случае может являться частью системы управления, по аналогии с неявно заданной функцией в математике. Когнитивная модель позволяет соединить субъективные и объективные декларативные знания, а также процедурные знания (действия). Приведенные выше рассуждения определяют общую идею и особенности построения и функционирования когнитивной нейронной сети. Если построения вершин-образов графа и связей между ними является интуитивно понимаемым с точки зрения принципа обучения через задание семантической сети, то вопрос настройки параметров нейронной сети (весов и порогов М-сети) является достаточно сложным и важным. Процедура обучения когнитивной нейронной модели является процедурой когнитивного сжатия информации об объекте в соответствии с заданной обучающей выборкой на основе генетических алгоритмов, применяемых к классу рекуррентных или рециркуляционных сетей.

7. Бионические и когнитивные свойства сетей APT, как модели обработки когнитивных образов при формировании внимания ЛПР, дают основание выбора таких сетей в качестве структурного элемента интерфейса для формирования когнитивного качества управления ЛПР при его работе с визуальной информацией. Совмещение принципов построения М-сетей и АРТ-сетей, позволяет внести интенциональные характеристики образного мышления человека и, тем самым, ввести понятие «вычислитель когнитивного качества управления». Когнитивный анализатор на основе АРТ-сети определяет множество абстрактных образов — образцов кластеров: входной вектор — набор признаков абстрактного образа, значения порогов — мера определения множества таких абстрактных образов. В результате нейронная сеть Гроссберга может выполнять дополнительные функции системы «торможения-усиления» М-сети, связанные с искусственным когнитивным анализом. Данное обстоятельство может быть учтено при эволюции семантического графа с целью «вмешательства» естественного когнитивного мышления ЛПР путем изменения семантического графа.

8. Наличие эволюционных процедур формирования нейронной сети и наличие системы «усиления-торможения» М-сети приводит к важному достоинству -генерации факта существования заранее неизвестной информации заданного пространства образов, о которой ЛПР не имел никакого представления. Процессы самообучения когнитивной нейро-нечеткой системы имеет аналогию с процессом обучения естественного интеллекта ЛПР.

Предложенная когнитивная нейро-нечеткая модель позволяет задавать лингвистические правила в нечеткой системе, позволяет с помощью М-сети осуществить настройку и перестройку визуального и символьного образа, а с помощью АРТ-сети определить корректность вмешательства в процесс классификации или изменения образа-графа, решая тем самым задачу вычисления когнитивного качества. Результат обучения и самообучения, как искусственного интеллекта, так и/или естественного интеллекта, может служить мерой пригодности (мерой оценки) выбранного пространства образов. Степень совпадения абстрактных образов, выделяемых в процессе такого самообучения относительно реальных образов, может служить оценкой правильности выбора абстрактного пространства.

Заключение

Анализ предметной области, определяющей особенности человеко-машинных процедур принятия решений и перспективы ее развития, показал возможность создания моделей «совместной деятельности» естественного и искусственного интеллектов.

Концепция построения интегрированной компьютерной системы принятия решений «совместной деятельности» ориентирована на применение агентно-ориентированного подхода.

Отличительной особенностью предлагаемых в диссертационной работе моделей «совместной деятельности» является возможность инкорпорирования ментальных и интенциональных характеристик средствами нечетких систем и искусственных нейронных сетей, а также возможность семиотического моделирования средствами М- и АРТ-сетей.

В ходе выполнения диссертационной работы были получены следующие новые научные результаты работы.

На основе агентно-ориентированной парадигмы разработана концептуальная модель «совместной деятельности», позволяющая учесть особенности образного мышления лица, принимающего решение, и символьной обработки информации системой искусственного интеллектов.

Разработаны нейро-нечеткие модели когнитивных агентов, отличительной особенностью которых является возможность трансформировать алгоритм обучения нейронной сети на нечеткую систему и реализовать принцип функциональной эквивалентности - сочетание и попеременное использование преимуществ различных классов архитектур - нечеткой системы и нейронной сети.

Разработаны инструментальные средства эволюционной технологии синтеза и оптимизации когнитивных нейро-нечетких моделей, позволяющих инкорпорирование знаний в виде образов-графов и обучение М - и APT - сетей средствами семиотического моделирования на уровне образного восприятия информации лицом, принимающим решение.

В ходе выполнения диссертационной работы были разработаны инструментальные средства, предоставляющие возможность эволюционного синтеза коннекционистских моделей, адаптированных к обрабатываемой когнитивной информации с учетом интенциональных характеристик субъекта и объекта «совместной деятельности».

Пакет программ «Менеджер образов когнитивных сетей коннекционистских моделей» позволяет учесть субъективные декларативные и процедурные знания ЛПР для оптимизации параметров нейро-нечетких моделей на основе объективных данных, определяющих эффективность принятия решений.

Результаты и материалы диссертации использованы при выполнении госбюджетных и хоздоговорных научно-исследовательских работ на факультете информационной безопасности ТРТУ и в научно-исследовательском институте технологий комплексной безопасности ТРТУ (г. Таганрог):

1) госбюджетная НИР № 16051 «Исследование методов и средств обеспечения комплексной безопасности организаций и личности в информационной, технической, экологической, правовой и социально-психологической сферах»;

2) госбюджетная НИР № 16052 «Разработка интеллектуальной модели информационно-психологической безопасности личности студента и инструментальных средств ее аутентификации в открытом образовательном пространстве» (шифр «Психонетика»);

3) хоздоговорная НИР № 971-16005 «Поисковые исследования по созданию нейросистем, основанных на генетических и эволюционных технологиях и ориентированных на решение оптимизационных задач в реальном масштабе времени» (шифр «Колодец»);

4) государственный контракта № 1292-16009 на выполнение НИР «Поисковые исследования и разработка принципов построения перспективных мультиагентных систем военного назначения» (Шифр «Кабарга»).

Основные положения, выносимые на защиту, состоят в следующем:

1. Разработана концепция построения интегрированной компьютерной системы на основе агентно-ориентированного подхода, которая определяет набор моделей с интенциональными характеристиками образного мышления ЛПР и символьного мышления системы искусственного интеллекта для реализации «совместной деятельности».

2. Синтезирована модель нейро-нечеткого регулятора, отличительной особенностью которой является свойство интеграции возможности нечеткой системы к инкорпорированию знаний эксперта в виде лингвистических правил в соответствии с известной моделью Мамдани-Заде, а также возможности нейронных сетей к обучению с целью учета взаимовлияния лингвистических правил и нечетких параметров внутри одного правила.

3. Разработаны эволюционный метод и алгоритм автоматического поиска оптимальных значений параметров нечеткой системы на основе принципа функциональной эквивалентности, позволяющего сочетание и попеременное использование преимуществ различных классов архитектур - нечеткой системы и искусственной нейронной сети.

4. Разработаны модель и генетическая процедура синтеза и оптимизации адаптивного нейро-нечеткого регулятора, которая позволяет трансформировать алгоритм обучения нейронной сети на нечеткую систему и, тем самым, использовать алгоритмы оптимизации нейронных сетей для нечетких систем.

5. Предложена когнитивная модель нейро-нечеткой системы «совместной деятельности», отличительной особенностью которой является возможность инкорпорирования знаний в виде образов-графов и возможность к обучению М- и АРТ-сетей средствами семиотического моделирования на уровне когнитивного (образного) восприятия информации лицом, принимающим решение.

Основные положения диссертации опубликованы в следующих работах:

1. Горбатюк Н.В. Система для самообучения // Труды 2-й международной научной конференции «Психолого-педагогические проблемы формирования личности в воспитательно-образовательных системах» (том 1). - Москва: Международная педагогическая академия, 1998. - С. 198.

2. Горбатюк Н.В. Перспективы применения компьютерной графики и анимации при подготовке инженеров // IV всероссийская конференция студентов и аспирантов «Техническая кибернетика, радиоэлектроника и системы управления»: Тез. докл. - Таганрог: ТРТУ, 1998. - С. 372.

3. Горбатюк Н.В., Непомнящий А.В. О познавательной деятельности студента в гипертекстовой среде // Труды 2-й международной научной конференции «Психолого-педагогические проблемы формирования личности в образовательных системах» (том 2). - Москва: Международная педагогическая академия, 1999. -С. 187-189.

4. Горбатюк Н.В. Модульная обучающая система на основе мультимедийных и гипертекстовых технологий // Информационные технологии и системы в образовании, науке и бизнесе: Сборник материалов Международной научно-методической конференции. - Пенза, 1999. - С. 71-72.

5. Божич В.И., Горбатюк Н.В. Модели интеллектуальной мультимедийной обучающей системы // Интернет и современное общество: Тезисы Второй всероссийской научно-методической конференции. Санкт-Петербург. - СПб.: С.-Петербур. ун-т, 1999. - С. 127.

6. Горбатюк Н.В., Непомнящий А.В. Индивидуализация обучения на основе мультимедийных гипертекстовых систем // Известия ТРТУ. Специальный выпуск: Материалы XLV научно-технической конференции профессорско-преподавательского состава, аспирантов и сотрудников ТРТУ. - Таганрог: ТРТУ, 2000. №1 (15).-С. 181 - 182.

7. Божич В.И., Горбатюк Н.В., Непомнящий А.В. Компьютерная обучающая система // Известия ТРТУ. Тематический выпуск: Интеллектуальные САПР: Материалы Международной научно-технической конференции и молодежной научной конференции «Интеллектуальные САПР».- Таганрог: ТРТУ, 2000. №2 (16). -С. 282-288.

8. Божич В.И., Горбатюк Н.В., Непомнящий А.В. Компьютерная обучающая система // Перспективные информационные технологи и интеллектуальные системы, 2000. №3.-С. 158-186.

9. Горбатюк Н.В. Особенности применения гиперграфовых моделей для визуализации архитектур гипертекстовых систем // Известия ТРТУ. Тематический выпуск. Материалы Международной научно-технической конференции и молодежной научной конференции «Интеллектуальные САПР». - Таганрог: ТРТУ, 2000. №2 (16). - С. 160-165.

10. Горбатюк Н.В. Особенности применения гиперграфовых моделей для визуализации архитектур гипертекстовых систем // Перспективные информационные технологи и интеллектуальные системы, 2000. №3. - С. 123-128

11. Божич В.И., Горбатюк Н.В., Непомнящий А.В., Шницер Ю.Л. Перспективы развития информационных систем предприятий // Известия ТРТУ. Тематический выпуск. Материалы Международной научно-технической конференции и молодежной научной конференции «Интеллектуальные САПР». - Таганрог: ТРТУ, 2000. №2 (16).- С. 288-294.

12. Божич В.И., Горбатток Н.В., Непомнящий А.В., Шницер Ю.Л. Перспективы информационных систем предприятий // Перспективные информационные технологии и интеллектуальные системы, № 3 , 2000, с. 128-135;

13. Божич В.И., Горбатюк Н.В., Шницер Ю.Л. Нейро-нечеткая система интегральной оценки знаний студента // Искусственный интеллект-2000. Тезисы докладов международной конференции. - Таганрог: ТРТУ, 2000. - С. 163-164.

14. Божич В.И., Горбатюк Н.В. Интеллектуальная система компьютерного обучения //Новости искусственного интеллекта, 2000.№ 3.- С. 102-111

15. Захаревич В.Г., Божич В.И., Горбатюк Н.В., Кононенко Р.Н., Шницер Ю.Л. Нейро-нечеткий контроллер системы поддержки принятия решений // Известия ТРТУ. Тематический выпуск: Материалы научно-технической конференции г

Медицинские информационные системы - МИС-2000». - Таганрог: ТРТУ, 2000. №4 (18).-С 52-57.

16. Божич В.И., Горбатюк Н.В. Гипермедиа-структуры информационных систем принятия решений // Известия ТРТУ. Тематический выпуск: Материалы Всероссийской научно-технической конференции с международным участием «Компьютерные технологии в инженерной и управленческой деятельности».-Таганрог: ТРТУ, 2001. №3 (21). - С. 245-248.

17. Горбатюк Н.В. Анализ эффекта непоследовательности гипертекстовых систем обучения // Известия ТРТУ. Тематический выпуск: Материалы Всероссийской научно-технической конференции с международным участием «Компьютерные технологии в инженерной и управленческой деятельности». -Таганрог: ТРТУ, 2001. №3 (21). - С. 248-251.

18. Горбатюк Н.В. Особенности моделирования когнитивных агентов формирования внимания ЛПР // Известия ТРТУ. Тематический выпуск: Материалы научно-технической конференции «Медицинские информационные системы -МИС-2002». - Таганрог: ТРТУ, 2002. № 5 (28). - С 164-167.

19. Горбатюк А.В., Горбатюк Н.В. Особенности построения моделей тьютора и студента на основе эволюционизирующей нейронной сети // Известия ТРТУ. Тематический выпуск. Материалы Международной научно-технической конференции «Интеллектуальные САПР». - Таганрог: ТРТУ, 2002. №3 (26). - С. 146149.

20. Горбатюк А.В. Горбатюк Н.В. Принципы организации компьютерных интегративных систем обучения // Известия ТРТУ. Тематический выпуск: Материалы Всероссийской научно-технической конференции с международным участием «Компьютерные технологии в инженерной и управленческой деятельности».- Таганрог: ТРТУ, 2002. № 2 (21). - С.286-294.

Личный вклад автора в работах, написанных в соавторстве: [3, 6, 16] - анализ когнитивных средств «совместной деятельности»; [5, 7, 8, 13, 14, 20] - агентно-ориентированная концепция построения интегрированной компьютерной системы решения проблемных ситуаций на основе принципа «совместной деятельности» посредством аннотированной когнитивной ссылки; [11, 12] - анализ деятельности человеко-машинных процедур, определяющих значимость феномена «совместной деятельности»; [15] - нейро-нечеткие модели, методы и алгоритмы формирования и обучения коннекционистских моделей для обработки когнитивной информации; [19] - метод и алгоритмы инкорпорирования ментальных и интенциональных характеристик средствами нечетких систем и искусственных нейронных сетей; принципы и метод семиотического моделирования средствами Ми АРТ-сетей.

1. Kaplan R.M. 1.telligent Multimedia Systems. Jons Wiley&Sons, Inc. 1997,494 c.

2. Fetterman R.L., Gupta S.K. Mainstream Multimedia. Applying Multimedia in Business. New York, 1993. 278 c.

3. Nielsen J. Multimedia and Hypertext. AP Professional, 1995. 480 c.

4. Зинченко В.П., Назаров А.И Предисловие. Когнитивная психология в контексте психология. От редакторов перевода. Р. Солсо. Когнитивная психология. -Спбю: Питер, 2002. С. 10-21.

5. Леонтьев А.Н. Деятельность, сознание, личность. М.: Политиздат, 1975.

6. Тихомиров O.K. Психология мышления. М.: Изд-во МГУ, 1984.

7. Ломов Б.Ф. Методолические и теоретические проблемы психологии. М.: Наука, 1984.

8. Гордеева Н.Д., Зинченко В.П. Функциональная структура действия. М.: Изд-во МГУ, 1982.

9. Зинченко В.П. Идеи Л.С. Выгодского о единицах анализа психики // Психологический журнал. 1981. - Т.2, № 2. - С. 118-133.

10. Петренко В.Ф. Психосемантика сознания. М.: Изд-во МГУ, 1985.

11. Смирнов С.Д. Психология образ: проблема активности психического отражения. М.: Изд-во МГУ, 1985.

12. Амосов Н.М., Касаткин A.M., Касаткина Л.М., Талаев С.А. Матоматы и разумное поведение. Киев: Наукова думка. - 1973. - 375 с.

13. Восприятие. Механизмы и модели. Под ред. И.Ю. Алексеенко. М.: Мир, 1974.-368 с.

14. Сентаготан Я., Арбиб М. Концептуальные модели нервной системы Под ред. А.Р. Лурия. М.:Мир,- 1979. - 198 с.

15. Куффлер С., Дж. Николе. От нейрона к мозгу. Под ред. Л.Г. Магазаника. -М.: Мир, 1979.-439 с.

16. Минский М. Фреймы для представления знаний. М.: Энергия. - 1979. -151 с.

17. Прибрам К. Языки мозга. Под ред. А.Р. Лурия. М.: Прогресс. - 1975. - 464

18. Хьюбел Д. Глаз, мозг, зрение. Под ред. A.J1 Вызова. М.: Мир. - 1990. -239 с.

19. Блум Ф., Лейзерсон А., Хофстедтер Л. Мозг, разум и поведение. М.: Мир. - 1988.-248 с.

20. Р. Солсо. Когнитивная психология. Спбю: Питер, 2002. - 592с.: ил. -(Серия «Мастера психологии).

21. Бахтияров О.Г. Постинформационные технологии: введение в психотехнику. Киев, «ЭКСПИР». 1997. - 160 с.

22. Гроф С., Уилбер К., Веховски А., Тарт Ч. Практика холотропного дыхнания. Трансперсональная психотерапия. М. Центр психологического тренинга «Breate». 2000.-212 с.

23. Психотерапия и экстрасенсорика /Сост. А. Гопаченко. М.: ТЕРРА-Книжный клуб; Харьков: Фолио, 2002. - 416 с.

24. Тарасов В.Б., Чернышев А.П. О применении нечеткой математики в инженерной психологии // Психологический журнал. 1981. - Т.2, № 4. - С. 110-122.

25. Тарасов В.Б. Информационно-термодинамические показатели нечетких множеств в задачах принятия решений // Модели выбора альтернатив в нечеткой среде. Рига: РПИ, 1984. - С. 87-89.

26. Тарасов В.Б. Нечеткие отношения и психологический синтез деятельности // Принятия решений (методологические, психологические, математические аспекты). Рига: РПИ, 1986. - С. 12-27.

27. Мелихов А.Н., Берштейн Л.С., Коровин С.Я. Расплывчатые ситуационные модели принятия решений: Учебное пособие. Таганрог: ТРТИ, 1986. - 92 с.

28. Мелихов А.Н., Берштейн Л.С., Коровин С.Я. Ситуационные советгующие системы с нечеткой логикой. М.: Наука, 1990. - 272 с.

29. Мелихов А.Н., Баронец В.Д. Проектирование микропроцессорных средств обработки нечеткой информации. Ростов на Дону. Издательство Ростовского университета, 1990. - 130 с.

30. Астанин С.В., Берштейн Л.С., Захаревич В.Г. Проектирование интеллектуального интерфейса «человек машина». Ростов на Дону. Издательство Ростовского университета, 1990.- 116 с.

31. Астанин С.В., Захаревич В.Г. Информационно-советующие комплексы систем гибридного интеллекта. Таганрог: изд-во ТРТУ, 1997. - 136 с.

32. Бериггейн J1.C., Карелин В.П., Целых А.Н. Модели и методы принятия решений в интегрированных интеллектуальных системах. Ростов на Дону. Издательство Ростовского университета, 1999. - 296 с.

33. Целых А.Н. Моделирование процессов принятия решений в нечетких условиях. Ростов на Дону: Изд-во Северо-Кавказского научю центра высшей школы, 1999. - 104 с.

34. Тарасов В.Б., Шостак А.П. Нечеткая топология в моделировании когнитивных процессов // Нечеткие системы: модели и программные средства. -Тверь: Изд-во ТГУ, 1991. С. 43-48.

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

36. Кобринский Б.А. К вопросу о формальном отражении образного мышления и интуиции специалиста слабоструктурированной предметной области // Новости искусственного интеллекта. 1998. - № 3. - С. 64-76.

37. Фоминых И.Б. Интеграция логических и образных методов отражения информации в системах искусственного интеллекта // Новости искусственного интеллекта. 1998. - № 3. - С. 76-85.

38. Божич В.И., Горбатюк Н.В., Непомнящий А.В., Шницер Ю.Л. Перспективы развития информационных систем предприятий // Перспективные информационные технологии и интеллектуальные системы. 2000,, № 3. - С. 128-135.

39. Непомнящий А.В. Гуманитарное образование в высшей технической школе: Психологическое направление. Таганрог. ТРТИ, 1992. - 150 с.

40. Попов Э.В. Реинжиниринг, усовершенствование и моделирование предприятий // Новости искусственного интеллекта. 1998. - № 1. - С. 66-91.

41. Ойхман Е.Г., Попов Э.В. Реинжиниринг бизнеса: Реинжиниринг организаций и информационные технологии. М.: Финансы и статистика, 1997. -336 с.

42. Круглый стол «Парадигмы искусственного интеллекта» // Новости искусственного интеллекта. — 1998. № 3. - С. 140-161

43. Лепский В.Е. Субъектно-ориентированный подход: парадигма искусственного интеллекта // Новости искусственного интеллекта. 1999. - № 1. - С. 90-119.

44. Лепский В.Е. Проблема активности пользователей компьютерных систем и технологий // Прикладная эргономика. 1993. - № 3 - С. 33-40.

45. Абульханова К.А. Мировоззренческий смысл и научное значение категории «субъект» // Российский менталитет: вопросы психологической теории и практики. М., 1997.- С. 56-74.

46. Брушлинский А.В. Проблема психологии субъекта. М.: Институт психологии РАН, 1994.

47. Поспелов Д.А. Профессионально и проблемно ориентированные интеллектуальные системы // Кибернетика: неограниченные возможности и возможные ограничения. Перспективы развития. М.: Наука, 1981. - С. 83-85.

48. Поспелов Д.А., Литвинцева Л.В. Как совместить левое и правое ? // Новости искусственного интеллекта. — 1996. № 2. — С. 66-71.

49. Поспелов Д.А. Метафора, образ и символ в познаний мира // Новости искусственного интеллекта. 1998. - № 1. - С. 94-136.

50. Рубиныггей С.Л. Проблемы общей психологии. М.: Педагогика, 1973.

51. Лефевр В.А. Конфликтующие структуры. М.: Сов. Радио, 1973, 158 с.

52. Поспелов Д.А. Модели мира и семиотическое моделирование // Модели мира. М.: Российская ассоциация искусственного интеллекта, 1997. - С. 5-7.

53. Зинченко В.П. Эргономика и информатика // Вопросы философии. 1986.

54. Григорьев Э.П. Концептуальная основа синтеза альтернативных решений // Информатика и вычислительная техника. 1997. - № 1 - С.78-82.

55. Лепский В.Е. Концепция субъектно-ориентированной компьютеризации управленческой деятельности. М.: Институт психологии РАН, 1998.

56. Борисов А.Н., Алексеев А.В., Меркурьева Г.В. и др. Обработка нечеткой информации в системах принятия решений. М.: Радио и связь, 1989 - 304 с.

57. Гафт М.Г. Принятие решений при многих критериях. М.: Знание, 1979.

58. Розен В.В. Цель оптимальность - решение (математические модели принятия оптимальных решений). - М.: Радио и связь, 1982 - 168 с.

59. Гафт М.Г. Принятие решений при многих критериях. — М.: Знание, 1979.

60. Анич И., Ларичев О.И. Метод Электра и проблема ацикличности отношений альтернатив. «Автоматика и телемеханика» № 8, 1996.

61. Кини Р.А., Райфа X. Принятие решений при многих критериях: Предпочтения и замещения. М.: Радио и связь, 1981. - 560 с.

62. Фишберн П.К. Методы оценки аддитивных ценностей. // Статистическое измерение качественных характеристик. М.: Статистика, 1972 - с.8-34.

63. Акоф Р., Сасиени М. Основы исследования операций. М.: Мир, 1971.

64. Морз Ф.М., Кимбел Д.Е. Методы исследования операций. М.: Советское радио, 1956.

65. Нейман Дж., Моргенштерн О. Теория игр и экономическое поведение. М.: Наука, 1970.

66. Представление и использование знаний: пер. с япон. / Под ред. X. Уэно, М. Исидзука. М.: Мир, 1989 - 220с.

67. Заде Л.А. Основы нового подхода к анализу сложных систем и процессов принятия решений. / Математика сегодня. М.: Знание, 1974 - с. 5 - 49.

68. Орловский С.А. Проблемы принятия решений при нечеткой исходной информации. М.: Наука, Гл. ред. физ.-мат. лит., 1981 -208 с.

69. Моисеев Н.Н. Предисловие к книге Островского С.А. «Проблемы принятия решений при нечеткой исходной информации». М.: Наука, 1981.

70. Борисов А.Н., Крумберг О.А., Федоров И.П. Принятие решений на основе нечетких моделей. Примеры использования. Рига: «Зинатне», 1990. - 184 с.

71. Трахтенгерц Э.А. Взаимодействие агентов в многоагентных системах. -«Автоматика и телемеханика» № 8,1998.

72. Трахтенгерц Э.А, Многоагентные системы поддержки. «Известия Академии наук. Теория и системы управления», № 5, 1998.

73. Заде Л.А. Понятие лингвистической переменной и его применение к принятию приближенных решений. М.: Мир, 1976. - 165 с.

74. Нечеткие множества и теория возможностей. Последние достижения. Под ред. Р. Ягера. М.: Радио и связь, 1986. - 408 с.

75. Дюбуа Д., Прад А. Теория возможностей. Приложения к представлению знаний в информатике. Пер. с фр. // М.: Радио и связь, 1990 288 с.

76. Белкин А.Р., Левин М.Ш. Принятие решений: комбинаторные модели аппроксимации информации. М.: Наука, 1990.

77. Клейменов С.А., Павленко А.И., Рябов С.Н. Основы проектирования автоматизированных технологических комплексов производства элементов РЭА. — Уч. пособие. М.: Высшая школа, 1984 - 120 с.

78. Макроум Б. Макетирование моделированием. // PC Magazine. Russian edition. № 9, 1996 с. 120.

79. Осипов Г.С. Динамика в системах, основанных на знаниях. — «Известия Академии наук. Теория и системы управления», № 5, 1998. с. 24 - 28.

80. Трахтенгерц Э.А. Компьютерная поддержка принятия решений. М.: «СИНТЕГ», 1998.

81. Ларичев О.И., Мошкович Е.М. Качественные методы принятия решений. -М.: Наука. Физматлит, 1996.

82. Ларичев О.И. Объективные модели и субъективные решения. М.: Наука, 1987.

83. Саати Т. Принятие решений. Метод анализа иерархий. М.: Радио и связь, 1993.

84. Бурков В.Н., Новиков В.А. Введение в теорию активных систем. М.: ИПУ, 1996.

85. Бурков В.Н., Еналеев А.К., Новиков Д.А. Механизмы функционирования социально-экономических систем с сообщением информации. // АиТ № 3, 1996 с. 3 -25.

86. Попов Э.В., Фоминых И.Б. и др. Статистические и динамические экспертные системы. -М.: Финансы и статистика, 1996.

87. Франклин Д.Э., Кармода K.JI. и др. Технология экспертных систем для военных применений. Избранные примеры. // ТИИЭР, т. 76, № 10, 1988 с. 18-68.

88. Трахтенгерц Э.А. Компьютерный анализ в динамике принятия решений. // Приборы и системы управления. № 1,1997 с. 49 - 56.

89. Hwang Ch.-L., Lin M.J. Group decision making under multiple criteria. // Lecturre Notes in Economics and Mathematical Systems, vol. 28, 1987.

90. Роберте Ф.С. Дискретные модели с приложениями к социальным биологическим и экологическим задачам. -М.: Наука, 1986.

91. Масалович А.И. Прогноз дает . компьютер / Софтмаркет, N 23, 1996, с.6.

92. Zadeh, Lotfi. Fuzzy Sets / Information and Control, 8(3), June 1965, pp.338-53.

93. Zadeh, Lotfi. Outline of a New Approach to the Analysis of Complex Systems and Decision Processes / IEEE Transactions on Systems, Man, and Cybernetics, SMC-3(1), January 1973,pp.28-44.

94. Kosko, Bart. Fuzzy thinking / Hyperion, 1993.

95. Kosko, Bart. Neural Networks and Fuzzy Systems / Englewood Cliffs, NJ: Prentice-Hall, 1991.

96. Zemankova-Leech, Maria, and Abraham Kandel. Fuzzy Relational Data Bases: A Key to Expert Systems / Cologne: Verlag TUV Rheinland, 1984.

97. McNeill, Daniel and Freiberger, Paul. Fuzzy Logic / Touchstone Rockefeller Center, 1993.

98. Масалович А.И. Этот нечеткий, нечеткий, нечеткий мир / PC Week/RE N. 16,1995.

99. Fuzzy Arithmetic / Prentice Hall, 1995.

100. Силов В.Б. принятие стратегических решений в нечеткой обстановке. М.: ИНПРО - РЕС, 1995.

101. Roberts F.S. Building and analyzying an energy demand signed digraph. // Environment and planning. Vol. 5, 1973 pp. 199 - 221.

102. Дормашев Ю.Б., Романов В.Я. Психология внимания: Учебник. 3-е изд., испр. - М.: Московский психолого-социальный институт: Флинта, 2002 г., 376 с.

103. Солсо P.JT. Когнитивная психология. М.: «Тривола», М.: «Либерея», 2002, 600 е.: ил.

104. Березкин Б.С., Дракин В.И., Лепский В.Е. О проблемах учета человеческих факторов в проектировании информационных систем // Техническая эстетика. 1979. - № 10. - С.25-27.

105. Березкин Б.С., Дракин В.И., Лепский В.Е. Проблемы психологического обеспечения автоматизированных систем управления // Психологический журнал. -1984.-№4.-С. 74-82.

106. Дмитриева Н.В. Синдромальный анализ полипараметрических образов функциональных состояний организма // Новости искусственного интеллекта. -1999.-№ 1.-С. 120-129.

107. Ерошенко Т.М. Вопросы гомеостатирования основных физиологических систем // Итоги науки и техники. Сер. Физиология человека. М.: ВИНИТИ, 1982.

108. Шидловский В.А. Современные концепции гомеостаза // Итоги науки и техники. Сер. Физиология человека. Т.25.-М.: ВИНИТИ, 1982.

109. Дмитриева Н.В. и др. Полиметрический способ оценки функционального состояния человека с помощью графических методов распознавания образов // Физиология человека. 1989. - №4. - С. 103-106.

110. Янковская А.Е. Тестовые распознающие медицинские экспертные системы с элементами когнитивной графики // Компьютерная хроника. 1994. - №8-9.

111. Дмитриева Н.В. и др. Симметрический подход к анализу реовазограммы // Физиология человека. 1993. - № 5. - С. 53-56.

112. Зенкин А.А. Когнитивная компьютерная графика. М.: Наука, 1991.

113. Албу В.А., Хорошевский В.Ф. КОГР система когнитивной графики: разработка, реализация и применения // Изв. АН СССР. Техническая кибернетика. -1990.-№5.

114. Пырлюк Д.В., Янковская А.Е. Построение условных диагностичеких тестов и их применение в интеллектуальных системах // Искусственный интеллект 96. Сб. научных трудов V Национальной конференции с международным участием. Том 1. -Казань, 1996.

115. Янковская А.Е. Графические средства в системах искусственного интеллекта // Новые информационные технологии в исследованиях дискретных структур. Сборник докладов Всероссийской конференции. Екатеринбург: УрО РАН, 1996.

116. Янковская А.Е. Принятие и обоснование решений с использованием методов когнитивной графики на основе знаний экспертов различной квалификации // Известия РАН. Теория и системы управления. 1991. - № 5.

117. Янковская А.Е., Тетенев Ф.Ф., Черногорюк Г.Э. Отражение образного мышления специалиста в медицинской интеллектуальной системе, распознающей патогенез заболеваний // Новости искусственного интеллекта. 1999. - № 1. — С. 129-140.

118. Линдсей П., Норман Д. Переработка информации у человека. (Введение в психологию). М.: Мир, 1974. - 550 с.

119. Восприятие. Механизмы и модели (сборник статей): Пер с анг. — М.: Мир, 1974.-367 с.

120. Блум Ф., Лейзерсон А., Хофстедтер Л. Мозг, разум и поведение: Пер с англ: М.: Мир, 1988. - 248 с.

121. Хьюбел Д. Глаз, мозг, зрение: Пер с англ. М.: Мир, 1990. - 239 с.

122. Роуз С. Устройство памяти от молекул к сознанию. - М.: Мир, 1995. -384 с.

123. Minsky М. The sosiety of Mind. New York: Simon and Shuster, 1986.

124. Поспелов Д.А., Пушкин B.H. Мышление и автоматы. М.: Сов. Радио, 1972.

125. Тарасов В.Б. Моделирование психических образов: как совместить дискретное и непрерывное? // Новости искусственного интеллекта. 1998. - № 3. -С. 86-100.

126. Тарасов В.Б. Агенты, многоагентные системы, виртуальные сообщества: стратегическое направление в информатике и искусственном интеллекте // Новости искусственного интеллекта. 1998. - № 2 - С. 5-63.

127. Тарасов В.Б. От многоагентных систем к интеллектуальным организациям: философия, психология, информатика. М.: Эдиториал УРСС, 2002. - 352 с. (Науки об искусственном.)

128. Цетлин М.Л. О поведении конечных автоматов в случайных средах // Автоматика и телемеханика. 1961. - Т.22, № 10. - С. 1345-1354.

129. Цетлин М.Л. Исследования по теории автоматов и моделированию биологических систем. М.: Наука, 1969.137. // ECAI 94. 11th European Conference on Artificial Intelligence. Edited by A. Cohn. Published in 1994 by John Wiley & Sons, Ltd.

130. Пиаже Ж. Избранные психологические труды: Пер. с франц. И англ. М.: МПА, 1994.

131. Mallonas M. Swarms, Phase Transitions and Collective Intelligence // Artificial Life III / Ed. by C. Langton. New York: Addision-Wesley, 1994.

132. Langton C. Artificial Lifeio New York: Addision-Wesley, 1988.

133. Artificial Life V / Ed. by C. Langton and T. Shimohara. Cambridge MA: MIT PRESS, 1996.

134. Романов A.H., Торопцов B.C., Григорович Д.Б. Технология дистанционного обучения в системе заочного экономического образования. М.: ЮНИТИ-ДАНА, 2000. - 303 с.

135. Гуманитарные исследования в Интернет / Под. Ред. А.Е. Воскунского М., «Можайск-Терра», 2000. - 432 с.

136. Божич В.И., Горбатюк Н.В. Модели интеллектуальной мультимедийной обучающей системы // Интернет и современное общество: Тезисы Второй всероссийской научно-методической конференции. Санкт-Петербург. СПб.: С.-Петербур. ун-т, 1999. - С. 127.

137. Божич В.И., Горбатюк Н.В., Непомнящий А.В. Компьютерная обучающая система // Перспективные информационные технологи и интеллектуальные системы, 2000. №3.-С. 158-186.

138. Божич В.И., Горбатюк Н.В. Интеллектуальная система компьютерного обучения // Новости искусственного интеллекта, 2000. № 3.- С. 102-111

139. Горбатюк Н.В. Особенности применения гиперграфовых моделей для визуализации архитектур гипертекстовых систем // Перспективные информационные технологи и интеллектуальные системы, 2000. №3. С. 123-128

140. Прохоров С.В. Семантические пространства психических состояний. -Дубна: Феникс+, 2002 280 с.

141. Божич В.И., Горбатюк Н.В., Шницер Ю.Л. Нейро-нечеткая система интегральной оценки знаний студента // Искусственный интеллект-2000. Тезисы докладов международной конференции. Таганрог: ТРТУ, 2000. - С. 163-164.

142. Негойце К. Применение теории систем к проблемам управления. М.: МИР, 1981.- 178 с.

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

144. Борисов А.Н. и др. Обработка нечеткой информации в системах принятия решений. М.: Радио и связь, 1989. - 304 с.

145. Синергетика и психология. Тексты. Выпуск 2. Социальные процессы. / Под. ред. И.Н. Трофимовой. М.: ЯНУС-К, 1999. - 272 с.

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

147. Сигеру Омату, Марзуки Халид, Рубин Юсоф. Нейроуправление и его приложение. Кн. 2. М.: ИПРЖР, 2000. - 272 с.

148. Головко В.А. Нейронные сети: обучение, организация и применение. Кн. 4: Учеб. пособие для вузов / Общая ред. А.И. Галушкина. М.: ИПРЖР, 2001. - 256 с.

149. М. J. D. Powell, The theory of radial basis functions approximation, in Advances of Numerical Analysis Oxford: Clarendon Press, 1992, pp. 105-210.

150. F. Girosi, Some extensions of radial basis functions and their applications in artificial intelligence, Computers Math. Applic., vol. 24, no. 12, 1992, pp. 61-80.

151. J. Moody, C. J. Darken, Fast Learning in Networks of Locally Tuned Processing Units, Neural Computation, vol. 1, 1989, pp. 281-294.

152. Schaffer, D. Whitley, L.J. Eshelman, Combinations of genetic algorithms and neural networks: A survey of the state of the art, in Combinations of Genetic Algorithms and Neural Networks, 1-37, IEEE Computer Society Press, 1992.

153. J. Angeline, G.M. Saunders, and J.B. Pollak, An evolutionary algorithm that constructs recurrent neural networks, IEEE Transactions on Neural Networks, vol.5, no. 1, 54-65, 1994.

154. В. A. Whitehead and Т. D. Choate, Evolving space-filling curves to distribute radial basis functions over an input space. IEEE Transactions on Neural Networks, vol. 5, no. l,pp. 15-23, 1994.

155. D. B. Fogel, Using Evolutionary Programming to Create Neural Networks that are Capable of Playing Tic-tac-toe, in International Conference on Neural Networks, pp. 875-880, 1993.

156. Курейчик B.M. Генетические алгоритмы. Таганрог: Изд. ТРТУ, 1998. -240 с.

157. Гриняев С.Н. Интеллектуальное противодействие информационному оружию. М.: СИНТЕГ, 1999. - 232 с.

158. Нейрокомпьютеры и интеллектуальные роботы. / Под. ред. Н.М. Амосова. -Киев.: Наук, думка, 1994. 272 с.

159. Дюк В.А. Компьютерная психодиагностика. СПб., Изд. «Братство», 1994. - 364 с.

160. Роберт Дилтс. Моделирование с помощью НЛП. СПб., Питер, 2001. - 288с.

161. Джонсон Р. 40 упражнений тренинга НЛП. М.: Изд. «КСП+», 2001. -384с.

162. Математические методы в психологии / Под. Ред. О.Г. Берестневой, A.M. Уразаева. Томск: Изд. Томского государственного педагогического университета, 2001.-304 с.

163. Warren R.M. Perception restoration of missing speach sounds. Science, 167, 1970, pp.393-395.

164. Уссермен Ф. Нейрокомпьютерная техника. M.: Мир, 1992.

165. Carpenter G.A, Grossberg S. (eds.) Pattern Recognition by Self-Organizing Neural Networks. Cambridge, MA, MIT Press, 1991.

166. Carpenter G.A, Grossberg S. Normal and amnesia learning, recognition, and memory by a neural model of cortico-hippocampal interactions. Trends in Neurosci., 16, 1993, pp.131-137.

167. Repp B.H. A range-frequency effect on perception of silence in speach. Haskins Laboratories Status Reporton Speach Research, SR-61, 1980, pp.151-165.

168. Гроссберг С. Внимательный мозг // Открытые системы, 1997, №4 С. 2933.

169. Carpenter G., Grossberg S. Neural dynamics of category learning and recognition: A ttention; m emory с onsolidation and a mnesia. I n В rain S tructure, L earning and Memory (AAAS Symposium Series), eds. J. Davis., R. Newburgh and E. Wegman. 1986.

170. Carpenter G., Grossberg S. A massively parallel architecture for a self-organizing neural pattern recognition machine. Computing Vision. Graphics, and Image Processing 37.1987.-pp. 54-115.

171. Carpenter G., Grossberg S. ART-2: Self-organization of stable category recognition codes for analog input patterns. Applied Optics 26(23):4919-30, 1987.

172. Crossberg S. Competitive learning: From interactive activation to adaptive resonanse. Cognitive Science 11, 1987. pp. 23-63.

173. Lippman R. P. An introduction to computing with neurals nets. IEEE Transactions on Acosufics, Speech and Signal Processing, April, 1987. pp. 4-22.

174. Neural Computing: NeuralWorks Professional II/Plus and NeuralWorks Explorer. Neural Ware, Inc., 1991. 355 p.

175. Ященко В.А. Искусственный интеллект и нейронные сети. // «Искусственный интеллект», № 3, 2000. с. 379-390 .

176. Анил К. Джейн, Жианчанг Мао, Моиуддин К.М., Введение в искусственные нейронные сети // Открытые системы. 1997. - №4. - с. 16-24.

177. Yashchenko V. Neural-like growing networks // SPIE,s Annual International Symposiym on Aerospace/ Defense Sensing, Simulation and Controls, Session Applications of Computational Intelligent III, 24-28 April 2000, Florida USA, vol. 4055. -pp. 14-23.