автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.16, диссертация на тему:Разработка нейросетевого классификатора для систем тестирования

ВВЕДЕНИЕ.4

ГЛАВА 1. ИССЛЕДОВАНИЕ МЕТОДОВ КЛАССИФИКАЦИИ ОБЪЕКТОВ С ПОМОЩЬЮ НЕЙРОННОЙ СЕТИ.

1.1. КЛАССИФИКАЦИЯ ПРИМЕРОВ, ЯВЛЯЮЩИХСЯ РЕЗУЛЬТАТАМИ ТЕСТИРОВАНИЯ. .Л 5

1.2. ТЕСТ, ТРЕБОВАНИЯ К ТЕСТУ.21

1.3. ИСПОЛЬЗОВАНИЕ НЕЙРОННЫХ СЕТЕЙ ДЛЯ РЕШЕНИЯ ЗАДАЧ РАСПОЗНАВАНИЯ ОБРАЗОВ.28

1. Актуальность темы

Одной из главных проблем, возникающих при решении задач классификации (или определении принадлежности объекта к тому или иному классу), является повышение ее точности при максимальной объективности и экономичной реализации. Постоянно возрастающие требования к точности, объективности и экономичности являются причиной разработки новых и совершенствования уже существующих систем обработки информации.

В задачах классификации точность измеряется количеством ошибок классификатора на тестовой последовательности. Под объективностью будем понимать независимость результатов классификации от субъективного восприятия экспертом априорной информации, необходимой для решения поставленной задачи. Экономичность предполагает минимум затрат на реализацию классификатора.

Существует возможность использовать для решения задач классификации интеллектуальные системы и технологии.

Экспертные системы (ЭС) относятся к числу интеллектуальных вычислительных систем и предназначены для моделирования или имитации поведения опытных специалистов экспертов [46, 68, 70] при решении конкретных задач. ЭС - это класс систем искусственного интеллекта, позволяющих осуществить эффективную компьютеризацию областей, в которых знания представлены в описательной форме и где затруднительно, а иногда и невозможно использовать широко распространенные математические модели [68]. Чаще всего такие системы представляют собой машинные программы.

Одним из классов задач, решаемых ЭС, является интерпретация данных, т.е. анализ поступающих в систему данных с целью идентификации ситуации в предметной области. В настоящее время наряду с используемыми ранее экспертными системами и системами поддержки принятия решений, широкое распространение заслуженно получили информационные технологии обработки информации, основанные на применении искусственных нейронных сетей.

За рубежом и у нас в стране большой интерес вызывает нейросетевой подход к построению систем искусственного интеллекта. Модели нейронных сетей разрабатывались давно (особенно интенсивно - в конце 50-х и начале 60-х гг). Однако в последние годы созрели предпосылки для выхода НС на уровень решения прикладных задач. Этому способствовали развитие микроэлектроники и компьютерной техники.

Возникло понятие нейросетевых технологий обработки информации, позволяющих создавать адаптивные системы, в которых обработка информации осуществляется на основе параллельных ассоциативных операций. Правила ассоциирования генерирует сама схема, действуя не по алгоритмической программе, а обучаясь на примерах и корректируя свое функционирование по результатам деятельности. Основными областями применения нейросетевых технологий считают классификацию и распознавание образов, экспертные системы (ЭС) и базы знаний, адаптивное управление процессами и робототехнику.

Существует класс задач, в которых требуется классифицировать примеры, являющиеся результатами тестирования исследуемых объектов. В настоящее время для решения таких задач используется методика, основанная на представлении результатов тестирования двоичным кодом с последующим подсчетом, полученных в результате этого, единиц и нулей. Данная методика перестает быть эффективной, как только сложность предлагаемых в тесте заданий перестает быть одинаковой, поскольку не учитывается значимость каждого из заданий.

При двух заданных классах используются дихотомические классификаторы [6, 57, 73, 77]. При большем количестве классов осуществляется либо последовательная дихотомическая классификация, для которой всякий раз требуется своя обучающая выборка достаточной мощности. Либо решается более сложная и менее изученная задача мультимодальной классификации [54].

Использование самоорганизующихся искусственных нейронных сетей, дает возможность наиболее объективного решения этого класса задач за счет устранения эксперта от непосредственного участия в процессе классификации.

В связи с этим, становится актуальной разработка методик объективной классификации предъявляемых примеров с помощью нейросетевых технологий, основанных на самоорганизации.

С появлением серийно выпускаемых средств аппаратной поддержки моделирования нейронных сетей, которые получили название нейрокомпьютеров, эта область науки вступила в стадию бурного роста.

Реализация нейрокомпьютеров требует больших разработок в области параллельной обработки данных, предполагающей совместное использование целых групп процессоров для решения выполняемых компьютером задач ( до 100 параллельных процессоров (ун-т Токио) выполнено Х.Танака, предусматривается более 10 тыс. процессоров, в Голландии ун-ты Лейдена, Амстердама, Ульрехта, Нейменгема) [61].

Отечественные и зарубежные ученые Волгин Л.И., Галушкин А.И., Горбань А.И., Дунин-Барковский В.А., Ивахненко А.Г., Каляев A.B., Кохонен Т., Минский М., Мкртчан С.О., Неймарк Ю.И., Позин Н.В., Цыпкин Я.З. выполнили множество фундаментальных работ.

В РФ в последние годы разворачиваются работы в области разработки аппаратных и программных средств нейрокомпьютеров. Создан Научный центр нейрокомпьютеров РАН и Госкомоборонпрома РФ (г. Москва). В ряде ВУЗов страны открыты кафедры нейротехнологий, созданы проблемные подразделения (Казань) [61].

Все это подтверждает актуальность и важность исследований.

С дальнейшим развитием работ в области нейронных сетей и нейрокомпьютеров во многих странах связывают большие научные, технические и экономические перспективы, что находит свое отражение в развитии специальных научных исследовательских программ (Япония - проект «Human Frontiers» 6,6 млрд дол,: создание нейрокомпьютеров; Европа -программы BRAIN, ESPIRIT, ANNIE; США - проект Мин. обороны США, 7 лет, 400 млн. дол., Россия - ведутся работы под эгидой ГКВТЙ,ГКНТ,АН РФ) [61].

Вопросы реализаций технических средств обработки информации находятся в зависимости от прогресса в технологии аппаратных средств и методов их построения. Проблема реализации нейроподобных структур и нейрокомпьютеров является задачей первостепенной важности, т.к. нейронные сети (НС) характеризуются чрезвычайно большим числом элементов обработки информации, очень сильной взаимосвязью нейронов и сложными процедурами обучения.

Сравним достоинства имитационных и самоорганизующихся моделей по следующим критериям:

1) Гибкость моделей по отношению к новым ситуациям и реализациям.

При имитации требуется расширение модели, расширение блочной структуры с применением программы адаптации при самоорганизации в случае изменения выборки данных и при добавлении воздействий требуется повторение вычислений на компьютере.

2) Многообразие моделируемых ситуаций (или сценариев).

При имитации вырабатываются сценарии, при синтезе моделей дедуктивно определяется ее структура, обладающая соответствующими степенями свободы (параметры, структуры, блоки).

При самоорганизации модель определена только для данной выборки данных с оптимальной сложностью, с учетом оценки коэффициентов модели.

3) Реализуемость модели.

При имитации необходима соответствующая алгоритмическая модель, программа для компьютера (использование готовых программ с блочной структурой имеет низкую эффективность), необходима хорошая специальная подготовка пользователей.

При самоорганизации используется программное обеспечение, которое в деталях знать пользователю нет необходимости.

Реализуемость как вероятность Ро достижения поставленной цели за заданное время То при самоорганизации выше, чем при имитации [104].

4) Стоимость построения модели.

При самоорганизации подготовка и оценка расчетов, вычислительное время значительно меньше, чем при имитации.

5) Объем эмпирической информации.

Информация, требуемая для имитации достаточна и для самоорганизации. Самоорганизация для имитации может дать следующее:

- обоснование выбора существенных факторов;

- сравнение различных вариантов модели.

Имитационные методы основанные на построении физических моделей, подобных уравнениям математической физики. В этих моделях уравнения выражают субъективные представления автора о модели и процессах, происходящих в исследуемых объектах [40].

Самоорганизация направлена на всемерное уменьшение априорной информации, вносимой в моделирование системы на ЭВМ автором модели. Ее цель - частично устранить участие человека в процессе моделирования, сделать его необременительным, не вызывающим проблем. Это достигается в информационных эргатических системах при помощи перехода на язык постановки критериев общего вида, которым должна удовлетворять модель, в некоторых случаях участвовать в доопределении (процедуре окончательного выбора) [37-42].

Свойства имитационного моделирования и системного анализа.

1) для моделирования требуется глубокое знание объекта, основанное на большом объеме априорной информации, закладываемой в ЭВМ автором модели;

2) данные наблюдений при этом специально не нужны, но могут использоваться для масштабирования или для получения оценок коэффициентов по методу наименьших квадратор;

3) результаты анализа при этом основываются на субъективных априорных представлениях автора;

4) могут быть получены модели, непригодные для решения некоторых задач.

Объективный характер алгоритмов самоорганизации определяется тем, что эксперты назначают только критерии выбора и в остальном в самоорганизацию модели не вмешиваются. В случае разногласия они могут перейти на более высокий уровень критериев (предельная помехоустойчивость, заблаговременность прогнозов, время счета на машине и т.д.), где споры быстро разрешаются. По алгоритмам самоорганизации решаются задачи объективного системного анализа, нелинейной идентификации и долгосрочного количественного прогноза процессов.

В процессе самообучения распознающая система должна сама найти некоторую с точки зрения человека случайную классификацию, поскольку механизм ее чаще всего непонятен ему, и затем должна ее придерживаться [42].

Постановка задачи. Требуется классифицировать результаты выполнения теста. Представляется целесообразным формально представить результат его выполнения в виде многомерного вектора ответов на тестовые задания. Определив координаты вектора ответов, можно найти расстояние от него до центров классов, соответствующих классифицированным оценкам 2, 3, 4 или 5.

Для решения задачи классификации многомерного вектора ответов используем метод определения расстояния в многомерном пространстве. Принадлежность вектора ответов к тому или иному классу определяется минимальным из полученных расстояний от вектора ответов до центра класса, соответствующего одной из оценок по пятибалльной системе (рис.1, стр. 13). Оценка 1} будет принадлежать к тому классу, для которого выполняется условие (рис. 1) г =тт{ \Х-Х(\\К-Х(4)\,\Х-Х(3)\,\Х-Х<2)\} где г-расстояние,

Х- координата конца вектора ответов обучаемого на задания теста;

- координата классифицированной оценки, соответствующей г-му баллу. Наименьшее из значений г определяет принадлежность оценки к соответствующему классу.

Цель и задачи исследования. Разработка, Теоретическое и экспериментальное исследование метода и алгоритма мультимодальной классификации, тестируемых объектов с использованием искусственных нейронных сетей.

Основными задачами исследования являются:

1. Разработка информационной модели процесса классификации тестируемых объектов, объясняющей причины возникновения противоречивых решений.

2. Разработка мультимодального нейросетевого классификатора, имеющего минимальную сложность, способного к обучению на непредставительной обучающей последовательности.

3. Разработка и экспериментальное исследование нейросетевого классификатора для системы тестирования знаний.

Научная новизна

1. Предложена информационная модель классификации тестируемых объектов, позволяющая обнаружить противоречивые решения,

2. Обосновано использование алгоритмов самоорганизации для синтеза мультимодальной нейронной сети в условиях непредставительной обучающей последовательности.

3. Предложены критерии для самоорганизации нейросетевых классификаторов, имеющих минимальную сложность. Нейронная сеть, синтезированная в классе дискретных полиномов, имеет минимальную степень и минимальное количество полиномиальных членов.

4. Решена задача обучения нейросетевого классификатора при нечетких указаниях учителя путем выявления ошибочно классифицированных им примеров.

5. Разработана и экспериментально исследована технология нейросетевой классификации результатов тестирования знаний с использованием тестов закрытого типа.

Практическая ценность работы.

1. Разработана методика тестирования знаний с использованием мультимодального нейросетевого классификатора.

2. Нейросетевой классификатор позволяет обнаружить противоречивые решения.

3. Нейронные сети, синтезированные в классе дискретных полиномов методом самоорганизации, имеют минимальную сложность, определяемую количеством полиномиальных членов.

4. Синтез нейросетевого классификатора возможен на малой обучающей выборке.

5. Предложена методика повышения качества обучения нейронной сети за счет выявления и исключения из обучающей выборки нечетких примеров.

12

Внедрение результатов работы. Результаты диссертационной работы внедрены в производственный процесс на АООТ «Пензенский завод точных приборов», ОАО «НИИПТхиммаш», в учебном процессе в ПГПУ им. В.Г. Белинского, многопрофильной гимназии № 44 г. Пензы.

Апробация результатов работы. Результаты диссертационной работы докладывались и обсуждались на следующих конференциях и семинарах: Нейроинформатика и ее приложения (Красноярск, 1998), Физика в системе современного образования (Санкт-Петербург, РГПУ им. Герцена, 1999), Новые технологии и системы обработки информации и управления (Пенза, ПГУ, 199799), Новые технологии в преподавании физики: школа и ВУЗ (Москва, МГПУ, 1999), Физический эксперимент и его совершенствование (Пенза, ПГПУ, 1998), Физико - математическое образование: традиции* проблемы, инновации (Кострома, КГУ, 1999), Новые технологии обучения (Пенза, ИПКиПРО, 1999).

ОСНОВНЫЕ ВЫВОДЫ

1. Предложена методика разработки тестов.

2. На обучающей выборке состоящей из 23 примеров, являющихся результатами тестирования, был синтезирован НС-классификатор, включающий 4 нейрона. Обученный классификатор обеспечивает безошибочную классификацию.

3. На тестовой последовательности состоящей из 23 примеров результаты нейросетевой классификации и указаний расходились в трех случаях.

4. Объективный анализ расхождений показал, что эти расхождения произошли из-за необъективного характера указаний.

ЗАКЛЮЧЕНИЕ

1. Предложена информационная модель классификации тестируемых объектов, позволяющая обнаруживать противоречивые решения.

2. Обосновано использование алгоритмов самоорганизации для синтеза мультимодальной нейронной сети в условиях непредставительной обучающей последовательности.

3. Предложены критерии самоорганизации нейросетевых классификаторов, синтезированных в классе дискретных полиномов, имеющих минимальную степень и минимальное количество полиномиальных членов.

4. Самоорганизация полиномиальной нейронной сети осуществима при априори неизвестной степени аппроксимирующего полинома.

5. Разработан способ выявления нечетко классифицированных учителем примеров, который позволяет повысить качество обучения нейронной сети.

6. Предложенный метод позволяет обнаруживать противоречивые решения, вырабатываемые нейросетевым классификатором.

7. Разработана и экспериментально исследована технология нейросетевой классификации результатов тестирования знаний с использованием тестов закрытого типа.

8. Синтезированы нейронные сети минимальной сложности, обеспечивающие безошибочную классификацию объектов тестирования.

Результаты, полученные в работе, могут быть использованы для классификации объектов и состояний различных технологических процессов и технических систем.

Предложенное решение задачи может быть использовано как доя оценки знаний и профессиональной пригодности, так и других качеств личности.

1. Аванесов B.C. Теоретические основы разработки заданий в тестовой форме: Пособие для профессорско-преподавательского состава высшей школы. - М.: МГТА, 1995.-95С.

2. Аведьян Э.Д. Алгоритмы обучения нейронных сетей: Дис. . д-ра техн. наук: 05.13.01. -М.,1997.-213с.-Библиогр.:с.201 -210.

3. Антомонов Ю.Г. Организация биосистем. Моделирование биосистем.-Биокибернетика, бионика. Киев, 1970.-c.9-14.

4. Аржененко А.Ю., Чугаев Б.Н. Оптимальные бинарные вопросники. М.: Энергоатомиздат, 1989.-128с.

5. Алексеев А.А., Буторин Д.А., Дорогов А.Ю. Нейронные сети со структурой быстрого алгоритма// Нейроинформатика и ее приложения: Тезисы докладов VI Всероссийского семинара/Под ред.А.Н.Горбаня. Красноярск: КГТУД998.-С.53.

6. Афанасьев Ю.С., Жернаков C.B. Нейрокомпьютеры для диагностики и прогназирования состояния ГТД// Нейроинформатика и ее приложения: Тезисы докладов VI Всероссийского семинара/Под ред.А.Н.Горбаня. Красноярск: КГТУ,1998. - С. 67-68.

7. Анастази А. Психологическое тестирование. В 2т,- Пер. с англ. -М.: Педагогика,1982.-т.1.-с.35-36, с.97-126; т.2.-с.36-70.

8. Альварис Х.Р. Одноместный вариант системы обучения на персональном компьютере// Программное оснащение персональных компьютеров: Сб. ст. под ред. Брусенцова Н.П.-М.: Изд-во МГУ,1990.-е.47-50.

9. Аванесов B.C., Володин Б.В. Вопросы применения тестов для контроля знаний студентов// Научная организация учебного процесса. Вып.3,ч.1.-М. .МИФИ, 1976. С.102-107.

10. Бобряков А.В. Модификация нейронов и структуры сети Хопфилда для решения оптимизационных задач// Нейроинформатика и ее приложения:

11. Тезисы докладов VI Всероссийского семинара/Под ред.А.Н.Горбаня. -Красноярск: КГТУД998. С.15.

12. Бир Ст. Мозг фирмы. М,: Радио и связь, 1993. - 416с.

13. Бир Ст. Кибернетика и управление производством. М.: гос.изд-во физ-мат. лит-ры, 1968.-275с.

14. Божич В.И. Коммутационные системы нейроподобных структур и нейрокомпьютеров: Дис. .д-ра техн.наук:05.13.13.-Таганрог, 1991,- 477с. ил.-Библиогр.: с.403-426.

15. Бондаровская В. Никонова й. Обучающая система ШЬ//Информатика и образование.-1990.-№2.-с.116-117.

16. Боровков И.К. Разработка структур и исследование функциональных свойств нейроподобных сетей с локальными связями для решения задач анализа изображений: Дис. .канд.тех. наук:05.13.13,- Таганрог, 1992.-309с.: ил.-Библиогр.: с.219-233.

17. Бугаев А.И. Методика преподавания физики в средней школе. М.: Просвещение, 1981 .-287с.

18. Букатова И.Л., Елинсон М.И. Современные системы управления и задачи микроэлектроники.- Микроэлектроника, 1981, том 10, вып.1, С.42-58.

19. Буняев М, Давыдов И. Автоматизированная система подготовки обучающих курсов «Радуга»//Информатика и образование, 1998. -№4.-С.65-68.

20. Вопросы объективизации оценки результатов обучения. М., 1976.-66с-(Обзор информ./НИИВШ. Сер. Высш.и сред.спец.образование за рубежом).

21. Выгузов В.Г., Выгузова А.В., Коротков П.И., Степанов П.А., Ширчев А.Г. Тестовый контроль с использованием ПЭВМУ/Преподавание физики в высшей школе. Сб-к науч.трудов. МПГУ. М.: Прометей, 1996.-№7.- С.20-22.

22. Галкин Л.И. Машинно-ориентированные методы синтеза нейроподобных элементов и нейронных сетей: Дис. .канд. техн. наук: М.,1973.-139с.

23. Галуев Г.А. Разработка и исследование цифровых нейроподобных ансамблей и сетей с перестраиваемой структурой: Дис.канд.техн. наук: 05.13.01.-Таганрог,1983.-212с., ил. Библиогр.: 194-204.

24. Галуев Г.А. Архитектура цифровых нейрокомпьютеров//Электронное моделирование, 1991. №2. - С.21-25.

25. Галушкин А.И., Судариков В.А., Шабанов Е.В. Методика решения задач на нейрокомпьютере//Нейрокомпьютер, 1992. №1. - С.22-28.

26. Галицкий А.В. Синтез синаптических связей активной нейронной сети//Нейроинформатика и ее приложения: Тезисы докладов VI Всероссийского семинара/Под ред. А.Н. Горбаня. Красноярск: КГТУ, 1998. -С.29.

27. Гилев С.Е. Обучение нейронных сетей: (Методы, алгоритмы, тестовые испытания, прим. прил.): Дис. .канд. физ.-мат. наук: 05.13.16,- Красноярск, 1997187с.-Библиогр.: с.133-151.

28. Горбань А.Н. Обучение нейронных сетей. М.: Параграф, 1990.-159с.

29. Горбатов Д.С. Критериально-ориентированное тестирование как средство диагностики учебных достижений школьников: Дис. . канд. техн. наук: 13.00.01.-Воронеж, 1996.-186с.-Библиогр.: с.156-276.

30. Головкин Б.А. Параллельные вычислительные системы. М.: Наука, 1980.-520с.

31. Грановская P.M. Восприятие и модели памяти. Л.: Наука, 1974.-362с.

32. Горбаченко В.И. Решение дифференциальных уравнений в частных производных на клеточных нейронных сетях// Нейроинформатика и ее приложения: Тезисы докладов VI Всероссийского семинара/Под ред. А.Н. Горбаня. Красноярск: КГТУ, 1998. - С.45.

33. Елинсон М.И., Шаров AM. Создание эффективных распознающих систем и задачи микроэлектроники. Микроэлектроника, 1981. - Том 10, вып.1. - С.69-71.

34. Еремин Д.М. Разработка и исследование нейросетевого регулятора для систем автоматического управления: Дис. .канд.техн. наук: 05.13.01.-М.,1995.-170с.: ил. Библиогр.: С.147-154.

35. Зарецкий Д.В., Зарецкая ЗА., Первин Ю.А. Педагогические и психологические основы создания открытых программно-методических систем// Информатика и образование,1998.-№1.-С.75-81.

36. Захаров А.И., Матюшкин A.M. Проблемы адаптивных систем обучения. -М., Прогресс,1970.-387с.

37. Ивахненко А.Г., Юрачковский Ю.П. Моделирование сложных систем по экспериментальным данным. М.: Радио и связь, 1987. - 120с.

38. Ивахненко А.Г. Электроавтоматика. Киев: Гостехиздат УССР, 1957.-439с.

39. Ивахненко А.Г., Мюллер Й.А. Самоорганизация прогнозирующих моделей. Киев: Техника,1985. - 233с.

40. Ивахненко А.Г., Зайченко Ю.П., Димитров В.Д. Принятие решений на основе самоорганизации. М.:Сов. Радио, 1976.-280с.

41. Ивахненко А.Г. Перцептрон система распознавания образов.- Киев: Наукова Думка, 1975.- 431с.

42. Ивахненко А.Г. Самообучающиеся системы распознавания и автоматического управления. Киев: Технша, 1969. - 392с.

43. Измерение знаний при проведении массовых обследований: Метод, рекомендации. М.: МПГИ, 1984,- 107с.

44. Ивахненко А.Г., Степашко B.C. Численное исследование помехоустойчивости многокритериальной селекции моделей// Автоматика. -1982.-№4.-С. 26-36.

45. Ильина Т.А. Тестовая методика проверки знаний и программированное обучение//Сов. педагогика, 1967.-№2,- С. 122-125.

46. Искусственный интеллект: В 3 кн. Системы общения и экспертные системы: Справочник/ Под ред. Э.В. Попова. М.: Радио и связь, 1990. - 461с.

47. Карпова H.A. Использование тестового контроля в управлении образовательной деятельностью студентов на практических занятиях по физике.// Новые технологии в преподавании физики: школа и ВУЗ: Сб. аннотаций докладов. М.: МПГУД999. - С. 12.

48. Кабардин О.Ф., Кабардина С.И., Орлов В.А. Контрольные и проверочные работы по физике. М.: Изд.дом «Дрофа», 1996.-192с.

49. Карпова H.A. Построение информационной модели процесса тестирования знаний//Новые технологии и системы обработки информации и управления. Сб. науч. тр. университетского семинара № 1. Пенза: ПТУ, 1999.

50. Карпова H.A. Управление в системе тестирования знаний// Новые технологии и системы обработки информации и управления. Сб. науч. тр. университетского семинара № 1. Пенза: ПТУ, 1999.

51. Карпова H.A. Модель нейросетевой классификации для систем обработки информации и управления// Новые технологии и системы обработки информации и управления. Сб. науч. тр. университетского семинара № 1. -Пенза: ПТУ, 1999.

52. Карпова H.A. Синтез нейронных сетей на основе алгоритмов самоорганизации// Новые технологии и системы обработки информации и управления. Сб. науч. тр. университетского семинара № 1. Пенза: ПТУ, 1999.

53. Карпова H.A. Об опыте применения технических систем на базе ЭВМУ/Использование научно-технических достижений в физическом эксперименте: Межвуз. сб. науч. тр. Пенза: ПГПУ, 1997. - С.27-32.

54. Карпова H.A. Нейросетевой метод оценки результатов обучения//Нейроинформатика и ее приложения: Тезисы докладов VI Всероссийского семинара/Под ред. А.Н. Горбаня. Красноярск: КГТУД998. -С.85.

55. Каляев А.В., Галуев Г.А. Современное состояние и перспективы развития нейрокомпыотерной техники// Электронное моделирование, 1990. 12, №2. -С.14-19.

56. Каляев А.В., Галуев Г.А., Чернухин Ю.В., Брюхомицкий Ю.А. Интеллектуальные системы на основе цифровых нейрокомпьютеров с программируемой архитектурой//Вопросы радиоэлектроники, Сер. ЭВТ, вып.З, 1991. С.3-15.

57. Классификация измерительной информации в энергетических системах с помощью нейронных сетей// Нейроинформатика и ее приложения: Тезисы докладов VI Всероссийского семинара/Под ред. А.Н. Горбаня. Красноярск: КГТУД998.-С.90.

58. Кибернетика и проблемы обучения. Сб. переводов /Под ред. А.И. Берга. -М.: Изд-во" Прогресс",1970.-387с.

59. Кирсанов Э.Ю. Цифровые нейрокомпьютеры: архитектура и схемотехника Казань: КГТУ, 1995,- С.131.

60. Кирсанов Э.Ю. Оценка производительности нейрокомпьютеров// Нейрокомпьютеры, 1992. №2,- С.37-42.

61. Кирсанов Э.Ю, Методы и средства построения высокопроизводительных нейрокомпьютеров общего и специального назначения: Дис. . д-ра техн. наук: 05.13.05.-Казань, 1996.-381с.: ил.- Библиогр.:С.328-350.

62. Колягин А.Ю, Применение обучающих систем для контроля знаний учащихся:( На примере курсов информатики и математики в педвузе): Дис. . канд. пед. наук : 13.00.02,-М.: 1991.~172с.:ил.-Библиогр.:С,145-155.

63. Кофман Н.Б. Совершенствование контроля системы знаний и умений учащихся с применением программированных заданий: Дис. .канд.пед.наук: 13.00.01 .-Алма.Ата, 1986.-169с.:ил.-Бибилиогр.: С.146-169.

64. Крайзмер Л.П., Матюхин С.А., Майоркин С.Г. Память кибернетических систем. М.: Сов.радио, 1971, - 400с.

65. Краснова Т.Д., Челышкова М.Б., Лебедева С.Н. Определение надежности и валидности тестов по физике: (науч.-мет. сб.)/ОВВОКИУ.-Одесса, 1986.-С.44— 50.

66. Кохонен Т. Ассоциативная память. М.: Мир, 1980.-290с.

67. Куффлер С., Николас Д. От нейрона к мозгу. -М.: Мир, 1979. 439с.

68. Компьютерные технологии обработки информации: Учебное пособие/Под ред. C.B. Назарова. М.: Финансы и статистика, 1995. - 248с.

69. Лорьер Ж.-Л. Системы искусственного интеллекта: Пер. с франц. -М.: Мир,1991.-568с.

70. Масалович А.И. От нейрона к нейрокомпьютеру .//Журнал д.ра Дробба.1992.-Ш.-С.20-24.

71. Максименко Л.А. Разработка новых принципов совершенствования технических систем на основе нейроподобной технологии. :Дис. . д-ра техн. наук: 05.13.09.-Краснодар, 1990.-391с.:ил.-Библиогр.:С.356-388.

72. Милованов A.B., Воронин A.B. Программная реализация самообучающейся нейроподобной среды для распознавания образов// Нейроинформатика и ее приложения: Тезисы докладов VI Всероссийского семинара/Под ред. А.Н. Горбаня. Красноярск: КГТУД996. - С.95.

73. Машбиц Е.И., Андриевская В.В., Комисарова Е.Ю. Диалог в обучающей системе. Киев: Высша школа, 1989.-С.47-92.

74. Милованов A.B., Воронин A.B. Феноменологическая модель нейроподобной возбудимой среды для распознавания плоских геометрических образов// Нейроинформатика и ее приложения: Тезисы докладов VI

75. Всероссийского семинара/Под ред. А.Н. Горбаня. Красноярск: КГТУД998. -С.121.

76. Миленький А.В. Классификация сигналов в условиях неопределенности. -М.: Советское радио,1975. 328с.

77. Минаев Ю.Л. Анализ и прогнозирование результатов обучения с помощью нейросетевой компьютерной программы//Нейроинформарика и ее приложения: Тезисы докладов VI Всероссийского семинара/Под ред. А.Н. Горбаня. -Красноярск: ЕГТУД998. С.122-123.

78. Неймарк Ю.И., Таранова Н.И. Об отборе и кодировании признаков при распознавании образов//Динамика систем/под ред Ю.И. Неймарка. Нижний Новгород,1995. - С.45-54.

79. Нечаев В.А. Системы управления и тренажерные комплексы морских подвижных объектов изучения и освоения мирового океана.: Дис. .докт. техн. наук:05Л3.01.- Пенза, 1998.-472с.

80. Нейрокомпьютер как основа мыслящих ЭВМ.-М. .Наука,1992.-40с.

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

82. Несенюк А.П. Концепция неопределенных величин в задачах управления с неполной информацией//Автоматика,1983. №3. - С.ЗЗ - 41.

83. Пак Н.И., Симонова А. Л. Методика составления тестовых заданий//Информатика и образование, 1998.-№5.-С.27-32.

84. Нейрокомпьютер как основа мыслящих ЭВМ: Сб. ст. М.: Наука,1993. -219с.

85. Позин Н.В. Моделирование нейронных структур. -М.: Наука,1970.-264с.

86. Программированное обучение за рубежом/Сб. ст. под ред. И.И. Тихонова. -М.: Высшая щкола, 1968.-275с.

87. Рудинский А.В., Ермоленко А,С. Вычисление весов признаков при технический реализации систем искусственного интеллекта//

88. Нейроинформатика и ее приложения: Тезисы докладов VI Всероссийского семинара/Под ред. А. Н. Горбаня. Красноярск: КГТУ, 1998. - С. 156-157.

89. Рачковский Д.А. Разработка и исследование многоуровневых ансамблей сетей нейроподобных элементов: Дис. .канд.техн. наук: 05.13.09,-Киев, 1990.-213с.:ил.-Библиогр.:С.198-213.

90. Розенблат Ф. Принципы нейродинамики. Перцептроны и теория механизмов мозга. М.: Мир, 1965.-480с.

91. Рузавин Г.И. Методы научного исследования. М.: Мысль, 1974.-С.56.

92. Семенов В.В. и др. Компьютерные технологии в дистанционном обучении. -М.,1997.-64с.-(Новые информационные технологии в образовании: Аналитические обзоры по основным направлениям развития высшего образования/НИИВШ; Вып. 12).

93. Савельев Б.А., Щетинин В.Г., Лебедев А.Б. Автоматизированная система контроля линейных размеров/У Автоматизация и механизация управления. -1984.-Ш.-С.51-54.

94. Сентоготаи Я., Арбиб М. Концептуальные модели нервной системы. М.: Мир, 1976.-198C.

95. Сергеева Т.А. Новые информационные технологии и содержание обучения// Информатика и образование, 1990.-№2.-С.З-10.

96. Симонов В.П. Педагогический менеджмент. Учебное пособие. М.: Российское педагогическое агенство, 1997.-264с.

97. Соловьев С.Ю. Математические методы и принципы построения автоматизированных систем инженерии знаний.: Дис. .докт. физ.-мат. наук. :05.13.15 .-Тверь, 1996.-242с.

98. Соколов E.H., Вайткявичюс Г.Г. Нейроинтеллект: от нейрона к нейрокомпьютеру. М.: Наука, 1989.-238с.

99. Сенашова М.Ю. Методы вычисления допустимых погрешностей сигналов и весов синапсов нейронных сетей// Нейроинформатика и ее приложения: Тезисыдокладов VI Всероссийского семинара/Под ред. А.Н. Горбаня. Красноярск: КГТУД998. -С.162.

100. Сарычев А.П. Устойчивое оценивание коэффициентов в многорядных алгоритмах МГУА//Автоматика, 1985. № 5. - С.З - 8.

101. Тужилов И.В., Федотов Н Г. Автоматическая генерация признаков для нейросетевого распознавания образов// Нейроинформатика и ее приложения: Тезисы докладов VI Всероссийского семинара/Под ред. А.Н. Горбаня. -Красноярск: КГТУД998. С.180 - 181.

102. Ту Д., Гонсалес Р. Принципы распознавания образов. М.:Мир, 1978.-411с.

103. Уоссерман Ф. Нейрокомпыотерная техника. М.: Мир, 1992.-240с.

104. Форрестер Дж. Мировая динамика. М.: Наука, 1978.-165с.

105. Челышкова М.Б. Организация контроля учебной деятельности студентов в условиях педагогического сотрудничества: Дис. .канд. пед наук: 13.00,00.-Киев, 1990.-175с.

106. Штерн Г.П. Нейроподобные системы с потоковым кодированием информации: Дис. .канд. техн. наук: 05.13.11.-Ярославль, 1995.-122с:ил.-Библиогр.:с.117-122.

107. Щербаков М.А. Искусственные нейронные сети. Конспект лекций. Пенза: ПГТУ, 1996.-44с.

108. Щетинин В.Г. Костюнин А.В. Принятие решений на нейронных сетях оптимальной сложности//Автоматизация и современные технологии,1998. -№4 С.38-43.

109. Щетинин В.Г. Синтез минимальных решающих правил и распознавание хронических лейкозов на основе принципа внешнего дополнения//В кн.

110. Математические методы распознавания образов (ММРО-6)».- М.: РАН, 1995.-С.76-77.

111. Щетинин В.Г. Самоорганизация минимальной нейронной сети//В сб. «Нейроинформатика и ее приложения»,- Красноярск: СО РАН, 1996,- С.43-44.

112. Щетинин В.Г. Исследование методов многорядной самоорганизации разделяющих функций и разработка дискриминаторов. Дис. . канд. техн. наук: 05.13.01. -Пенза,1996. 131с.: ил.- Библиогр. С.109 - 120.

113. Юдин Д.Б. Многослойные нейронные сети и многошаговое обобщенное математическое программирование//Доклады РАНД996.Т.348, №2, С.173-175.

114. Юдин Д.Б. Алгоритмы обучения нейронной сети (алгоритмы пополнения знаний)//Автоматика и телемеханика,1996.-№ 11 .-С.148-154.

115. Barach John Paul. Simulation of action protentials in a one dimensional bidomain.// IEEE Frans.Diomtd.Eng. 1988. Vol.35.№5.P.340-345.

116. Billings S.A., Jamaluddin H.D., Chen S. Properties of neural networks with applications to modeling non-linear dynamical systems.//bitJ.Control. 1992. V.55.№1.P. 193-224.

117. Cybenko G. Approximation by superprositions of a sigmoidal function. //Mathematics of Control, Signals and Systems. 1989.№2.P.303-313.

118. Conner Doug. Data transformation explains the basics of neural network.//EDN. 1988. Vol.33 .№10.P. 138-141.

119. Fortuna L.,Geaziani S.,Prestí M.L.,Muscato G. Improving back-propagation learning using auxiliary neural networks.//Int.J.Control.l992.V.55.№i4.P.793-807.

120. Funahashi K. On the approximate realization of continuous mappings by neural networks.//Neural Networks. 1989.№2.P. 183-192.

121. SchetininV.G.,Kostunin A.V. Self-organizing Method in Modeling: GMDH Type Algorithms/ed. By S.Farlow,-Stationstics:N,Y.andBasell,1984.-P.l 12-117.

122. Larry J.Stensaas. Prosthtsts and methods for promoting nerve regeneration/ZPatent U.S. №4662884.1988.№2.P.71.

123. Lippmann R. An introduction to computing with neural nets.//IEEE ASSP Mag.-1987.-4.№2/-P.4-22.

124. Lippmann R. Review of Neural Networks for Speech Recognition.//Neural Computation.-1989.-l .-P.l-38.

125. Palm Gtinter. Associative informationsspeicherung in Nervennetzen 1/Kimstliche intell: Wesen und Bedent neuer Computerllleist. Dusseldorf .1987.P. 163-177.

126. Parker D.B. Optimal algorithms for adaptive networks: second order back propagation, second order direct propagation and second orderdirect propagation and second order Hebbian learning.//Proc. lsl IEEE Int.Conf. Neurfl Networks. 1987/P. 593-600.

127. Rumelhart D.E., Hinton G.E., Williams R.J. Learning internal representations by error propagation //Parallel Distributed Processing /D.E.Rumelhart, J.L.McClelland (eds.).- Cambridge: MIT Press.-1986.-V.l-Ch.8.-P.318-362.

128. Rumelhart D.E.,Hinton G.E.,Williams R.J. Learning representations by back-propagations errors.//Nature.-1986.-323 .-P.533-536.

129. Reeke George N.,Edelman Geersid M., Sulzbach Dan. Selective neural network and their implication for recognition automat //Int. J.Supercomput.Aahhl/1987.Vol.l.№14.P.44-49.

130. Ryan Thowas W.,Winter C.L.,Turner Charies J. Dinamic control of an artificial neural system: the property inheritance network.//Appl.Opt.l987.Vol.26.P.4961-4971.

131. Sejnowski T.J.,Rosenberg C.R. Parallel networks that learn ty pronounce English text.// Complex Systems.-1987.-V.l.-P.145-168.

132. Taniguchi Ikuo, ^hch ^sexo I^ycHH raHKancH//I.Inst. Electron.Inform, and Commeen.Eng. 1988. Vol.71 .№3 .P.242-244.

133. Thakoor A.P., Moopen A., Lambe John, Khlanna S.K. Electronic hardware implementation of neural network.//Appl.opt.l987.Vol.26.№23. P.5088-5092.

134. Tsividis Y., Satyanarayana S. Analogue circuit for variabl-synfnse electronic neural netwjrk.//Electron.Lett. 1987. Vol.23 .№24.P. 1313-1314.140

135. Widrow B., Hoff M.B. Adaptive Switching Circuits. 11 IRE WESCON Conv.Record.-1960.-Part.4.-P.96-l 04.