Интеллектуализация экспертно-диагностического процесса на основе нейросетевого моделирования и нечеткой логики тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат технических наук Дьяченко, Денис Евгеньевич

• Дьяченко, Денис Евгеньевич
• кандидат технических наук
• 2004

Оглавление диссертации кандидат технических наук Дьяченко, Денис Евгеньевич

ВВЕДЕНИЕ.

ГЛАВА 1. ПУТИ СОВЕРШЕНСТВОВАНИЯ ДИАГНОСТИКИ НА ОСНОВЕ ЭФФЕКТИВНОЙ ОБРАБОТКИ ЭКСПЕРИМЕНТАЛЬНОЙ И ЭКСПЕРТНОЙ ИНФОРМАЦИИ.

1.1. Анализ основных направлений интеллектуализации диагностического процесса.

1.2. Перспективы применения интеллектуальных технологий в задачах диагностики.

1.2.1. Основные положения аппарата нейронных сетей и возможности практического применения.

1.2.2. Нечеткая логика и нечеткие системы как средства эффективной поддержки процесса принятия решений.

Цель и задачи исследования.

ГЛАВА 2. МОДЕЛИРОВАНИЕ ЭКСПЕРТНО-ДИАГНОСТИЧЕСКОГО ПРОЦЕССА ПРИ ЛЕЧЕНИИ ЛЕГОЧНЫХ ЗАБОЛЕВАНИЙ У ДЕТЕЙ НА ОСНОВЕ ОБРАБОТКИ ЭКСПЕРИМЕНТАЛЬНОЙ ИНФОРМАЦИИ.

2.1. Структура экспертно-диагностического процесса.

2.2. Повышение эффективности диагностического процесса с помощью методов математической статистики.

2.3. Визуализация результатов обработки экспериментальной информации в процедуре дифференциальной диагностики.

Выводы второй главы.

ГЛАВА 3. РАЗРАБОТКА АЛГОРИТМИЧЕСКИХ ПРОЦЕДУР ФОРМИРОВАНИЯ СТРУКТУРЫ И НАСТРОЙКИ ПАРАМЕТРОВ НЕЙРО-НЕЧЕТКОЙ СИСТЕМЫ.

3.1. Построение структуры нейро-нечеткой системы.

3.2. Настройка параметров нейро-нечеткой системы на основе алгоритма обратного распространения ошибки.

3.3. Применение генетического алгоритма для оптимизации параметров нейро-нечеткой системы.

Выводы третьей главы.

ГЛАВА 4. АНАЛИЗ ЭФФЕКТИВНОСТИ РАЗРАБОТАННЫХ МОДЕЛЕЙ И АЛГОРИТМОВ ПО РЕЗУЛЬТАТАМ ПРАКТИЧЕСКОГО ВНЕДРЕНИЯ.

4.1. Структура программно-методического комплекса обработки экспериментальной и экспертной информации.

4.2. Оценка эффективности комплекса при дифференциальной диагностике легочных заболеваний у детей.

Выводы четвертой главы.

Введение диссертации (часть автореферата) на тему «Интеллектуализация экспертно-диагностического процесса на основе нейросетевого моделирования и нечеткой логики»

Актуальность темы. В последние годы бурное развитие компьютерных технологий, растущая важность проблем интеллектуализации принятия решений обусловили неослабеваемый спрос на новые информационные технологии. В этой связи одним из важнейших направлений является разработка систем экспертной диагностики, практически пригодных для использования в различных областях.

Экспертные системы оперируют знаниями в определенных предметных областях с целью выработки рекомендаций или решения проблем. Экспертно-диагностические системы понимаются как экспертные системы, позволяющие строить и проверять гипотезы, то есть проводить диагностику. Такого рода системы уже достаточно давно применяются на практике, однако в большинстве случаев они не обладают необходимой гибкостью и являются изолированными, функционируя в рамках замкнутого вычислительного комплекса и/или используя узкоспециальные алгоритмы.

Исходя из этого, разработка экспертно-диагностической системы, которая обладала бы достаточной: гибкостью в настройке и применении к широкому классу прикладных задач, а также имеющей возможность реализации алгоритмов такой системы, как в масштабах отдельной интеллектуальной системы, так и в рамках подсистемы с открытой архитектурой является актуальной задачей, представляющей научный интерес.

Таким образом, актуальность темы определяется необходимостью создания моделей; алгоритмов? и программных средств, позволяющих повысить эффективность решения прикладных задач экспертной диагностики в различных сферах человеческой деятельности.

Работа выполнена в рамках НИР ГБ 01.04 «Интеллектуализация принятия решений в автоматизированных и информационных системах» в соответствии с основным научным направлением Воронежского государственного технического университета «Проблемно-ориентированные системы управления».

Цель и задачи исследования. Целью работы является разработка комплекса моделей, алгоритмов и программных средств, позволяющих повысить эффективность решения задач экспертной диагностики! путем интеграции методов обработки экспериментальной информации, аппарата нейронных сетей и нечеткой логики применительно к задачам медицинской диагностики.

Для достижения поставленной цели необходимо решить следующие задачи:

1. Осуществить анализ современных подходов интеллектуализации экспертно-диагностического процесса.

2. Провести визуальное моделирование экспериментальной информации на основе методов математической статистики.

3. Разработать структуру адаптивной экспертной системы, способной работать как со слабо структурированной информацией, так и в условиях неполноты и зашумленности данных.

4: Разработать алгоритмические методы настройки и функционирования экспертно-диагностической системы.

5. Разработать структуру и создать программно-методический комплекс, реализующий алгоритм построения и работы адаптивной экспертной системы.

6. Осуществить анализ эффективности применения разработанного комплекса моделей, алгоритмов и программного комплекса применительно к задачам медицинской диагностики.

Методы исследования. В работе использованы методы математического моделирования, математической статистики, теории искусственных нейронных сетей, теории нечеткой логики, теории оптимизации, вычислительных экспериментов, объектно-ориентированного программирования.

Научная новизна. В работе получены следующие основные результаты, характеризующиеся научной новизной:

• процедура визуализации результатов комплексного обследования при диффузных обструктивных бронхолегочных заболеваниях у детей, позволяющая на основе методов математической статистики повысить эффективность оценки экспертом степени взаимосвязи между лабораторными и функциональными показателями в процессе дифференциальной диагностики;

• структура нейро-нечеткой экспертной системы продукционного типа, отличающаяся способностью эффективной обработки и представления экспериментальной и экспертной информации;

• алгоритмы идентификации и оптимизации параметров нейро-нечеткой экспертной системы, позволяющие эффективно настраивать систему, как для задач с поступлением данных в режиме реального времени, так и для задач с заранее определенным набором данных;

• математическое обеспечение экспертной системы дифференциальной диагностики на базе комплексного кристаллографического исследования, отличающееся ориентацией на возможность эффективной обработки информации при использовании в качестве прогностической модели нейро-нечеткой многослойной сети.

Практическая значимость работы. Практическая значимость работы заключается в создании специального программного обеспечения, реализующего работу системы экспертной диагностики, основанной на аппарате продукционных экспертных систем с применением аппарата нейронных сетей и нечеткой логики.

Предложенный в работе подход к построению экспертной системы позволяет адаптировать программный комплекс к широкому кругу задач диагностики, прогнозирования, аппроксимации.

Используемый при разработке программного обеспечения объектно-ориентированный подход, а также полная открытость системы дают возможность доработки, надстройки и интеграции ее с другими системами. Кроме того, реализация комплекса на базе платформы Microsoft .NET Framework позволяет использовать его при реализации удаленных и распределенных систем.

Реализация результатов работы. Разработанный комплекс моделей; алгоритмов и программных средств позволил создать и внедрить систему дифференциальной диагностики легочных заболеваний в Воронежском областном клиническом диагностическом центре.

Результаты исследования в виде программно-методического комплекса используются в учебном процессе Воронежского государственного технического университета при обучении студентов специальности 230201 «Информационные системы и: технологии» по курсу «Нейросетевые технологии».

Апробация работы. Основные положения диссертации докладывались и обсуждались на Всероссийской конференции "Интеллектуализация управления в социальных и экономических системах" (Воронеж, 2002-2003), Международной научно-технической конференции "XI Бенардосовские чтения" (Иваново, 2003), ежегодном научно-методическом семинаре кафедры систем автоматизированного проектирования и информационных систем Воронежского государственного технического университета (2004).

Публикации. По результатам исследования опубликовано 10 печатных работ. В [54] рассмотрена актуальность применения гибридных экспертных систем в диагностических целях; в [73] приводятся результаты визуального моделирования экспериментальной! информации на основе методов математической статистики; в [53] автором предложена структура нейро-нечеткой экспертной системы; в [52] предлагается использование генетического алгоритма для настройки параметров нейро-нечеткой системы; в [28, 29, 57, 74] рассматривается применение нейро-нечеткой экспертной системы для решения практических задач медицинской диагностики, а в [55, 56] изложены предложения по использованию нейронных сетей в диагностических задачах.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, библиографического списка из 139 наименований, приложений. Основная часть работы изложена на 105 листах машинописного текста, содержит 65 рисунков, 17 таблиц.

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Дьяченко, Денис Евгеньевич

8. Результаты исследования внедрены в учебный процесс Воронежского государственного технического университета (программно-методический комплекс, используемый при обучении студентов по курсу «Нейросетевые технологии») и в клиническую практику в Воронежском областном клиническом диагностическом центре (система дифференциальной диагностики бронхолегочных заболеваний у детей).

106

Заключение

Задачи принятия решений всегда являлись одними из важнейших во всех сферах человеческой деятельности. Этим и обусловлено широкое распространение проблемы формализации и решения таких задач, особенно в эпоху бурного развития компьютерных технологий. В частности, одним из эффективных подходов в данной проблематике является использование экспертных систем. Тем не менее, построение таких систем связано с рядом трудностей, которые выражаются в следующих требованиях: эффективная обработка информации, удобное представление знаний, адаптивность в настройке и работе. Решению данных проблем может способствовать сочетание перспективных технологий интеллектуальной обработки данных и принятия решений - нечетких экспертных систем, нейронных сетей; гибридных алгоритмов оптимизации. Поэтому разработка экспертной системы, которая! в определенной степени удовлетворяла бы приведенным выше условиям, а также могла применяться к широкому классу прикладных задач и обладала открытой архитектурой программной реализации, представляется актуальной проблемой. В рамках решения данной задачи были получены следующие основные результаты:

1. Проведен анализ современных подходов интеллектуализации экспертно-диагностического процесса, рассмотрены перспективы применения математических и интеллектуальных методов обработки экспериментальной и экспертной информации.

2. Проведено визуальное моделирование результатов комплексного обследования при, дифференциальной диагностике диффузных обструктивных бронхолегочных заболеваний у детей на основе методов математической статистики.

3. Разработана структура адаптивной экспертной системы с использованием аппарата нейронных сетей и нечеткой логики, что позволяет работать как со слабо структурированной информацией, так и в условиях неполноты и зашумленности данных.

4. Разработаны алгоритмические методы функционирования нейро-нечеткой экспертной системы.

5. Для оптимизации параметров системы предложено использование генетического алгоритма и модификация алгоритма обратного распространения ошибки для использования градиентной процедуры.

6. Разработана структура и создан программно-методический комплекс, реализующий алгоритм построения и работы адаптивной экспертной системы.

7. Осуществлен анализ эффективности применения разработанного комплекса моделей, алгоритмов и программного комплекса к задаче дифференциальной диагностики диффузных обструктивных бронхолегочных заболеваний у детей.

Список литературы диссертационного исследования кандидат технических наук Дьяченко, Денис Евгеньевич, 2004 год

1. Аведьян Э.Д. Алгоритмы настройки многослойных нейронных сетей // Автоматика и телемеханика. 1995. - №4. - С. 106-118.

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

3. Аверкин А.Н., Батыршин И.З. Мягкие вычисления // Новости искусственного интеллекта. 1996. № 3. С. 161-164.

4. Айвазян С. А., Енюков И.С., Мешалкин Л.Д. Прикладная статистика: исследование зависимостей. М.: Финансы и статистика, 1985. -488 с.

5. Айвазян С.А., Бухштабер В.М., Енюков И.С., Мешалкин Л.Д. Прикладная статистика: классификация и снижение размерности. М.: Финансы и статистика, 1989. - 607 с.

6. Батищев Д.И., Исаев С.А. Оптимизация многоэкстремальных: функций с помощью генетических алгоритмов // Высокие технологии в технике, медицине, экологии и образовании: Межвуз. сб. науч. тр. Воронеж: ВГТУ, 1997.- 4.1. -С. 4-17.

7. Батыршин И.З. Методы представления и обработки нечеткой информации в интеллектуальных системах // Новости искусственного интеллекта. 1996. № 2. С. 9-65.

8. Батыршин И.З. Теория нечеткости в распознавании образов и анализе структуры систем // Модели выбора альтернатив в нечеткой среде:

9. Тез. докл. Межреспубликанской научной конференции. Рига, 1984. -С. 105-109.

10. Блишун А.Ф., Знатнов С.Ю. Обоснование операций теории нечетких множеств. В кн.: Нетрадиционные модели и системы с нечеткими знаниями. М.: Энергоатомиздат, 1991. - С. 21-33.

11. Божич В.П., Лебедев О.Б., Шницер Ю.Л. Разработка генетического алгоритма обучения нейронных сетей // Таганрог: Перспективные информационные технологии и интеллектуальные системы. — 2002. — №1. С. 21-24.

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

13. Борисов А.Н., Глушков В.И. Использование нечеткой информации в экспертных системах // Новости искусственного интеллекта. № 3. 1991. -С. 13-41.

14. Буч Г. Объектно-ориентированное проектирование с примерами применения. М.: Конкорд, 1992. 519 с.

15. Васильев В.И., Ильясов Б.Г. Интеллектуальные системы управления с использованием нечеткой логики. Уфа: УГАТУ, 1995. - 80 с.

16. Васильев В.И., Ильясов Б.Г., Валеев С.С., Жернаков G.B. Интеллектуальные системы управления с использованием нейронных сетей. -Уфа: УГАТУ, 1997. 92 с.

17. Вилков Д.В. Алгоритм настройки весовых коэффициентов для многослойного персептрона // Нейроинформатика и ее приложения: Материалы IX Всероссийского семинара. Красноярск: ИПЦ КГТУ, 2001. -С. 33

18. Воеводин В.В. Информационная структура алгоритмов. М. МГУ, 1997. -139 с.

19. Гаврилов A.B. Системы искусственного интеллекта: Учеб. пособие: в 2-х ч. Новосибирск: Изд-во НГТУ, 2001. - Ч. 1. - 67 с.

20. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. СпБ, Питер, 2000. - 384 с.

21. Гаврилова Т.А., Червинская K.P. Извлечение и структурирование знаний для экспертных систем. М.: Радио и связь, 1992. - 200 с.

22. Галушкин А.И; Теория нейронных сетей.: Учеб; пособие для вузов / Общая ред. Галушкина А.И. М.: ИПРЖР, 2000. - 416 с.

23. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности. / Вороновский Г.К., Махотило К.В., Петрашев G.H., Сергеев С.П. Харьков: Основа. - 1997. - 112с.

24. Гланц С. Медико-биологическая статистика: Пер. с англ. -М.: Практика, 1999;- 459 с.

25. Горбань А.Н. Обучение нейронных сетей. М.: изд. СССР-США. СП «Параграф», 1990. - 160 с.26: Горбань А.Н.,, Россиев Д.А. Нейронные сети на персональном компьютере. Новосибирск: Наука, 1996. - 276 с.

26. Джексон П. Введение: в экспертные системы. — М., СпБ., Киев: «Вильяме», 2001. 622 с.

27. Дьяченко Д.Е., Львович Я.Е., Постникова И.В. Динамическое, кристаллографическое исследование слюны при муковисцидозе у детей // Вестник новых медицинских технологий. 2004: - Т.Х. - №1-2. - С. 123-125.

28. Дьяченко Д.Е., Львович Я.Е;, Постникова И.В. Динамическое кристаллографическое исследование, экспирата при бронхиальной астме у детей // Вестник новых медицинских технологий. 2004. - Т.Х. - №1-2. - С. 120-122.

29. Ежкова И.В. Можно ли построить универсальную экспертную систему? // Программные продукты и системы. 1991. № 2. С. 19-29.

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

31. Заде Л.А. Размытые множества и их применение в распознавании образов и кластер-анализе. В кн.: Классификация и кластер / Под ред. Дж. Вэн Райзина. - М: Мир, 1980. - С. 208-247.

32. Заде Л.А. Роль мягких вычислений и нечеткой логики в понимании, конструировании и развитии информационных интеллектуальных систем. Новости искусственного интеллекта № 2-3 01. — М.: МЭИ (ТУ), кафедра прикладной информатики, 2001. С. 7-11.

33. Заенцев И:В. Нейронные сети: основные модели / Учебное пособие. — Воронеж: ВГУ, 1999. 76 с.

34. Зацепина С.А., Львович Я.Е., Фролов М.В. Управление в биотехнических и медицинских системах / Под ред. Академика АЕН В.Н. Фролова: Учебное пособие, ВГТУ, МУВТ. Воронеж, 1994. - 145 с.

35. Ивахненко А.Г. Долгосрочное прогнозирование и управление сложными системами. К.: Техника. 1975. - 312 с.

36. Каллан Р. Основные концепции нейронных сетей. : Пер. с англ. -М.: Издательский дом «Вильяме», 2001. 288 с.

37. Кандрашина Е.Ю., Литвинцева А.В., Поспелов Д.А. Представление знаний о времени и пространстве в интеллектуальных системах. М;: Наука, 1989.-328 с.

38. Каплинский А.И., Руссман И.Б., Умывакин В.М. Моделирование и алгоритмизация слабоформализованных задач выбора наилучших вариантов систем. Воронеж: Изд-во ВГУ, 1990. - 168 с.

39. Классификация и кластер / Под ред. Дж. Вэн Райзина. М: Мир, 1980.-389 с.

40. Колмогоров А.Н. О представлении непрерывных функций нескольких переменных в виде суперпозиции непрерывных функций одного переменного. Докл. АН СССР. 1957. Т. 114. №. 5. С. 953-956.

41. Комашинский В.И., Мирнов Д.А. Нейронные сети и их применение в системах управления и связи. — М.: Горячая линия-Телеком, 2002. — 94 с.

42. Корнеев В.В., Гарев А.Ф., Васютин C.B., Райх В.В. Базы данных. Интеллектуальная обработка информации. М.: «Нолидж», 2000. - 352 с.

43. Кофман А. Введение в теорию нечетких множеств. М.: Радио и связь, 1982.-432 с.

44. КругловВ.В., Дли М.И., Голунов Р.Ю. Нечеткая логика и искусственные нейронные сети: учеб. пособие. М.: Физматлит, 2001. -224 с.

45. Куликов Г.Г., Брейкин Т.В., Арьков В.Ю. Интеллектуальные информационные системы : Учебное пособие. Уфа: УГАТУ, 1999. - 129 с.

46. Курейчик В.В. Эволюционные методы принятия решений с синергетическими и гомеостатическими принципами управления // Таганрог: Перспективные информационные технологии и интеллектуальные системы. — 2002.-№1. С. 6-10.

47. Курейчик В.В., Курейчик В.М. Некоторые вопросы теории эволюционного моделирования // Труды Международных конференций «Искусственные интеллектуальные системы» (IEEE AIS'02) и «Интеллектуальные САПР» (CAD'02). M.: Физматлит, 2002. - С. 7-19.

48. Ларичев О.И., Мечитов А.И., Мошкович Е.М., Фуремс Е.М. Выявление экспертных знаний. М.: Наука, 1989. — 128 с.

49. Литвак Б.Г. Экспертная информация. Методы получения и анализа. М.: Радио и связь, 1982. - 184 с.

50. Лорьер Ж.-Л. Системы искусственного интеллекта. М: Мир, 1991.-341 с.

51. Львович Я.Е., Дьяченко Д.Е. Генетический алгоритм для оптимизации параметров Neuro-Fuzzy систем // Интеллектуализация управления в социальных и экономических системах: Тр. Всерос. конф. Воронеж: ВГТУ, 2003. С. 31-35.

52. Львович Я.Е., Дьяченко Д.Е. Использование нейро-нечеткой технологии в экспертной диагностике // Вестн. ВГТУ. Сер. "САПР и системы автоматизации производства". 2002. Вып. 3.2. - С. 14-16.

53. Львович Я.Е., Дьяченко Д.Е. Использование Neuro-Fuzzy технологии в экспертной диагностике // Интеллектуализация управления в социальных и экономических системах: Тр. Всерос. конф. Воронеж: ВГТУ, 2002. С. 23.

54. Львович Я.Е., Постникова И.В., Дьяченко Д.Е. Нейро-нечеткая экспертная система дифференциальной диагностики легочных заболеваний // Тез. докл. междунар. научно-технич. конференции "XI Бенардосовские чтения" / ИГЭУ. Иваново, 2003. - С. 97.

55. Любарский Ю.Я. Интеллектуальные информационные системы. -М.: Наука, 1990.-232 с.

56. Маковский В.А., Похлебаев В.И. Базы знаний (экспертные системы). — М.: Изд-во стандартов, 1993. 37 с.

57. Малышев Н.Г., Берштейн Л.С., Боженюк А.В. Нечеткие модели для экспертных систем в САПР. М.: Энергоатомиздат, 1991. - 134 с.

58. Мандель И.Д. Кластерный анализ. М.: Финансы и статистика, 1988.- 176 с.

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

60. Миркин Б.Г. Анализ качественных признаков и структур. М.: Статистика, 1980. - 319 с.

61. Нейроинформатика / А.Н. Горбань, В.Л. Дунин-Барковский, А.Н. Кирдин и др. Новосибирск: Наука. Сибирское предприятие РАН, 1998. -296 с.

62. Нечеткие множества и теория возможностей. / Под ред. Р. Ягера. -М.: Радио и связь, 1986.-408 с.

63. Осипов Г.Н. Информационные технологии, основанные на знаниях // Ж. Новости искусственного интеллекта, 1993, №1, С. 7-41.

64. Осипов Г.С. Приобретение знаний интеллектуальными системами: Основы теории и технологии М.: Наука. Физматлит, 1997. - 112 с.

65. Полевой НЛО. Методика построения набора входных параметров для нейросетевых моделей в области медицины // Интеллектуальные информационные системы: тр. Всеросс. конф. Ч. 2. Воронеж: ВГТУ, 1999.' С. 21-22.

66. Попов Э.В. Экспертные системы: М.: Наука, 1988. - 288 с.

67. Поспелов Д.А. Ситуационное управление: Теория и практика. М.: Наука, 1986.-284 с.

68. Поспелов Г.С. Искусственный интеллект основа новой информационной технологии. - М.:Наука,1988. - 212 с.

69. Поспелов Д.А. Моделирование рассуждений. Опыт анализа мыслительных актов. М.: Радио и связь, 1989.-182 с.

70. Постникова И.В., Дьяченко Д.Е. Визуализация результатов комплексного обследования при бронхиальной астме у детей // Высокие технологии в технике, медицине, экологии и образовании: Межвуз. сб. науч. тр. Воронеж: ВГТУ, 2003. 4.1. - С. 100-104.

71. Постникова И.В., Дьяченко Д.Е. Построение нейро-нечеткой экспертной системы для диагностики обструктивного бронхита у детей // Высокие технологии в технике, медицине, экологии и образовании: Межвуз. сб. науч. тр. Воронеж: ВГТУ, 2003. 4.1. - С. 195-198.

72. Построение экспертных систем. / Под ред. Ф. Хейес-Рота, Д. Уотермена, Д. Лената. М.: Мир, 1987. - 441 с.

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

74. Прикладные нечеткие системы / К. Асаи, Д. Ватада, С. Иваи и др. / Под ред. Т. Тэрано, К. Асаи, М. Сугено. М;: Мир, 1993. - 368 с.

75. Приобретение знаний / Под ред. С. Осуги, Ю. Саэки. М.:;Мир, 1990.-304 с.

76. Родзин С.И. Гибридные интеллектуальные системы // Ж. Новости искусственного интеллекта, 1999, №3.

77. Розенблат Ф. Аналитические методы изучений нейронных сетей // Зарубежная электроника, 1965. -№ 5. С. 40-50.

78. РозенблатФ. Принципы нейродинамики. М.:Мир, 1965. - 302 с.

79. Ротштейн А.П. Интеллектуальные технологии идентификации: нечеткая логика, генетические алгоритмы, нейронные сети. Винница: УНИВЕРСУМ Винница, 1999. - 320 с.

80. Ротштейн А.П., Митюшкин Ю.И. Извлечение нечетких баз знаний из экспериментальных данных с помощью генетических алгоритмов // Кибернетика и системный анализ. 2001. - №4. - С. 45-53.

81. Ротштейн А.П., Штовба С.Д. Влияние методов деффазификации на скорость настройки нечеткой модели // Кибернетика и системный анализ. -2002.-№5.-С. 169-176.

82. Рыбина Г.В. Технология проектирования прикладных экспертных систем. М.: МИФИ, 1991. - 104 с.

83. Рыжов А.П. Степень нечеткости лингвистической шкалы и ее свойства: Нечеткие системы поддержки принятия решений. Калинин: Изд-воКГУ, 1989.-С. 82-92.

84. Рыжов А.П., Аверкин А.Н. Аксиоматическое определение степени нечеткости лингвистической шкалы и ее основные свойства // Искусственный интеллект 90. Т. 1: II Всесоюзная конференция. - Минск, 1990. - С. 162 -165.

85. Статические и динамические экспертные системы : Учебное пособие / Э.В. Попов, И.Б. Фоминых, Е.Б. Кисель, М.Д. Шапот. М.: Финансы и статистика, 1996. - 320 с.

86. Ту Дж., Гонсалес Р. Принципы распознавания образов: Пер. с англ. М.: Мир, 1978.-410 с.

87. Уоссермен Ф. Нейрокомпьютерная техника: Теория и практика. М.: Мир, 1992.-184 с.

88. Уотермен Д. Руководство по экспертным системам. — М.: Мир, 1989.-388 с.

89. Усков А.А., Круглов В.В. Интеллектуальные системы управления на основе методов нечеткой логики. Смоленск: Смоленская городская типография, 2003.-177 с.

90. Ярушкина Н.Г. Гибридные системы, основанные на мягких вычислениях: определение, архитектура, теоретические возможности и опыт практического использования // Программные продукты и системы, №3,2002. -С. 19-22:

91. Ярушкина Н.Г. Нечеткие нейронные сети. // Новости искусственного интеллекта, 2001, №2-3. М.: МЭИ (ТУ), кафедра прикладной информатики, 2001. - С. 47-51.

92. Abe S., Lan M.-S., Thawonmas R. Tuning of a fuzzy classifier derived from data. Int. J. Of Approx. Reasoning, 14, 1996, 1 - 24.

93. Abraham A. Neuro-fuzzy systems: state-of-the-art modeling techniques. In Proceedings of the 6th International Work-Conference on Artificial and Natural Neural Networks (IWAIVN 2001), Granada, Spain 2001 ;2001: 26976.

94. Abraham A., Nath B., A Neuro-Fuzzy Approach for Forecasting Electricity Demand in Victoria, Applied Soft Computing Journal, Elsevier Science, Volume 1/2, 2001, pp. 127-138.

95. Burke D.S., De Jong, K.A., Grefenstette J.J., Ramsey C.S. and Wu A.S. (1998). "Putting More Genetics into Genetic Algorithms". In D. Whitley (Ed.), Evolutionary Computation, volume 6, issue 4, pp. 387-410. MIT Press.

96. C.T. Lin and C.S.G. Lee, "Neural-network-based fuzzy logic control: systems", IEEE Trans. Comput., vol. 40, pp. 1320-1336, Dec: 1991.

97. Gordon O., Herrera F., Peregrin A. Applicability of the fuzzy operators in the design of fuzzy logic controllers. Fuzzy Sets and Systems, 86, 1997, 15 -41.

98. De Jong, K. (1975). "Analysis of the Behaviour of a Class of Genetic Adaptive Systems". PhD Thesis, University of Michigan.

99. De Oliveira J.V., "On the optimization of fuzzy systems using bio-inspired strategies," in Proc. IEEE Int. Conf. Fuzzy Syst., Anchorage, AK, May 1998, pp. 1129-1134.

100. Goldberg D., Genetic Algorithms in Search, Optimization and Machine Learning. New York: Addison-Wesley, 1989.

101. Hasegawa T., Horikawa S.I., Furuhashi T., Uchikawa Y. On design of adaptive fuzzy controller using fuzzy neural networks and a description of its dynamical behavior. Fuzzy Sets and Systems, 71, 1995, 3 - 23.

102. Holland, J. H. (1975). "Adaptation in natural and artificial systems". Ann Arbor, MI: University of Michigan Press.

103. Hong T.P., Lee C.Y. Induction of rules and membership functions from training examples. Fuzzy Sets and Systems, 84, 1996,33 - 47.

104. Horikawa S.I., Furuhashi T., Okuma S., Uchikawa Y. A fuzzy controller using a neural network and its capability to learn expert's control rules, in: Proceedings of the Int. Conf. On Fuzzy Logic & Neural Networks, Iizuka, Japan, 1990,103 -106.

105. Jang J.S.R. ANFIS: Adaptive-Network-Based Fuzzy Inference System. IEEE Trans. SMC, 23, 3, 1993, 665 - 685.

106. Jang R. 1992. Neuro-Fuzzy Modeling: Architectures, Analyses and Applications. PhD Thesis, University of California, Berkeley, USA.

107. Jin Y., von Seelen W., Sendhoff B., "On generating flexible, complete, consistent and compact fuzzy rule systems from data using evolution strategies», IEEE Trans. Syst., Man, Cybern. Part B, vol; 29, pp. 829-845, Dec. 1999.

108. Karr C.L., Gentry E.J; Fuzzy control of pH using genetic algorithms. -IEEE Trans. On Fuzzy Systems, 1, 1, 1993,46 53.

109. Kasabov N. 2001. On-line learning, reasoning, rule extraction and aggregation in locally optimised evolving fuzzy neural networks. Neurocomputing, 41:25-45.

110. Kasabov N. Fuzzy Neural Networks, Rule Extraction and Fuzzy Synergistic Reasoning Systems. Research and Information Systems, 8:45-59, 1998.

111. Klawonn F., Nauck D., Kruse R. Generating rules from data by fuzzy and neuro-fuzzy methods, in: Proceedings of the Third German GI-Workshop «Fuzzy-Neuro-Systeme'95», Darmstadt, Germany, 1995.

112. Klement E.P. Some mathematical! aspects of fuzzy sets: triangular norms, fuzzy logics, and generalized measures. Fuzzy Sets and Systems, 90, 1997, 133 - 140.

113. Kohonen T. The self-organizing maps. Proceedings of the IEEE, vol. 78.; 1990. pp. 1464-1480.

114. Kosko B. Fuzzy Engineering. Prentice-Hall, New Jersey, 1997. 5491. PP

115. Kosko B. Fuzzy systems as universal approximators. IEEE Trans. On Computers, v. 43,11,1329-1333, 1994.

116. Lin C.T. Neural Fuzzy Control Systems with Structure and Parameter Learning. World Scientific, Singapore, 1994. 127 pp.

117. Lin C.T., Lee C.S.G. Neural Fuzzy Systems. Prentice Hall, 1996.

118. Mamdani E.H. and Assilian S., An Experiment in Linguistic Synthesis with a Fuzzy Logic Controller, International Journal of Man-Machine Studies, Vol. 7(1), 1975, pp. 1-13.

119. Nakayama S., Horikawa S.I., Furuhashi T., Uchikawa Y. Knowledge acquisition of strategy and tactics using fuzzy neural networks, in: IJCNN92, Baltimore, 1992,11,751-756.

120. Nauck D. Neuro-Fuzzy Systems: Review And Prospects // Fifth European Congress on Intelligent Techniques and Soft Computing. 1997. - P. 1044-1053.

121. Rumelhart D.E., Hinton G.E., Williams R. J. 1986. Learning internal representations by error propagation. In Parallel distributed processing, vol. 1, pp. 318-62. Cambridge, MA: MIT Press.

122. Shortliffe E. Computer based medical consultations: MYCIN, (American Elsevier, New York, 1976).

123. Sugeno: M. An introductory survey of fuzzy control. Information Sciences, 36,1985,59 - 83;

124. Takagi T., Sugeno M. Fuzzy identification of systems and its applications to modeling and control; IEEE Trans. SMC, 15, No 1, 1985, 116 -132.

125. Wang L., Mendel J.M. Fuzzy basis functions, universal approximation and orthogonal least-squares learning. IEEE Trans, on Neural Networks, v. 3, 5/ 807-814,1992:

126. Wang L.X. and Mendel J., "Generating fuzzy rules by learning from examples», IEEE Trans. Syst., Man, Cybern., vol. 22, pp. 1414-1427, Dec. 1992.

127. Wang L.X. Fuzzy systems are universal approximators, in: Proceedings of the IEEE Int. Conf. On Fuzzy Systems, San Diego, 1992.

128. Wang L.X., Abraham A., Smith K.A. Web traffic mining using a concurrent neuro-fuzzy approach. In Proceedings of the 2nd International

129. Conference on Hybrid Intelligent Systems, Computing Systems: Design, Management and Applications, Santiago, Chile 2002;2002:853-62.

130. Zadeh L.A. Fuzzy algorithms. Information and Control. - 1968. - 12, 94-102.

131. Список используемых сокращений1. ГА генетический алгоритм1. ЭС экспертная система

132. ИНС искусственная нейронная сеть1. НЛ — нечеткая логика1. БА бронхиальная астма1. МВ муковисцидоз

133. ИИ — искусственный интеллект

134. ФП — функция принадлежности1. НМ нечеткое множество

135. АОРО — алгоритм обратного распространения ошибки ИИ искусственный интеллект121