Методы формирования нечетких моделей оценки состояния объектов в условиях неопределенности тема диссертации и автореферата по ВАК РФ 05.13.18, доктор наук Катасёв Алексей Сергеевич

• Катасёв Алексей Сергеевич
• доктор наук
• 2019

Оглавление диссертации доктор наук Катасёв Алексей Сергеевич

Введение

ГЛАВА 1 АНАЛИЗ ПРЕДМЕТНОЙ ОБЛАСТИ И ПОСТАНОВКА ЗАДАЧИ РАЗРАБОТКИ НЕЧЕТКИХ МОДЕЛЕЙ ОЦЕНКИ СОСТОЯНИЯ ОБЪЕКТОВ В УСЛОВИЯХ НЕОПРЕДЕЛЕННОСТИ

1.1 Виды неопределенности в исходных данных и методы их обработки

1.1.1 Классификация видов неопределенности в исходных данных для оценки состоянияобъектов

1.1.2 Методы оценки качества исходных данных

1.1.3 Методы и алгоритмы обработки неопределенности в данных

1.2 Понятие экспертных систем и систем поддержки принятия решений

1.3 Примеры и характеристики нечетких экспертных систем и систем поддержки принятия решений по оценке состояния объектов

1.4 Анализ традиционного подхода к построению нечеткой модели в системах поддержки принятия решений

1.5 Предлагаемый подход к построению нечеткой модели в системах поддержки принятия решений

1.6 Технология обнаружения знаний в базах данных

1.7 Классификация типов и видов данных для решения задачи оценки состояния объектов в условиях неопределенности

1.8 Представление знаний в системах поддержки принятия решений

1.8.1 Проблема представления знаний

1.8.2 Анализ моделей представления знаний

1.8.3 Виды продукционных правил для оценки состояния объектов в условиях неопределенности и их сравнительный анализ

1.9 Постановка задачи разработки нечетких моделей оценки состояния объектов в условиях неопределенности

1.10Выводы

ГЛАВА 2 ТЕОРЕТИЧЕСКИЕ ОСНОВЫ РАЗРАБОТКИ НЕЧЕТКИХ МОДЕЛЕЙ ОЦЕНКИ СОСТОЯНИЯ ОБЪЕКТОВ В УСЛОВИЯХ НЕОПРЕДЕЛЕННОСТИ

2.1 Предлагаемый вид нечетко-продукционных правил

2.2 Разработка алгоритма логического вывода на системе нечетко-продукционныхправил

2.2.1 Используемые в алгоритме термины и обозначения

2.2.2 Этапы алгоритма логического вывода

2.2.3 Достоинства разработанного алгоритма

2.3 Анализ методов автоматической генерации нечетких правил в интеллектуальных системах

2.3.1 Использование корреляционного анализа для генерации нечетко-

про дукционныхправил

2.3.2 Генерация нечетких правил на основе методов интерполяции

2.3.3 Формирование нечетких правил на основе генетических алгоритмов

2.3.4 Формирование нечетких правил с использованием нечеткой нейронной сетиАМЧБ

2.3.5 Построение нечетких баз знаний на основе алгоритмов муравьиных и пчелиныхко лоний

2.3.6 Сравнительная характеристика рассмотренных методов

2.4 Традиционная схема формирования нечетко-продукционных правил на основе нечеткой нейронной сети

2.5 Этапы построения совокупности нечетких нейронных сетей на основе метода бутстрэпирования

2.6 Формирование систем нечетких правил на основе модели коллектива нечетких нейронных сетей

2.7 Предлагаемая схема использования правил базы знаний для оценки состоянияобъекта

2.8 Постановка задачи построения модели коллектива нечетких нейронныхсетей

2.9Выводы

ГЛАВА 3 МЕТОДЫ СТРУКТУРНОЙ И ПАРАМЕТРИЧЕСКОЙ ИДЕНТИФИКАЦИИ МОДЕЛИ КОЛЛЕКТИВА НЕЧЕТКИХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ФОРМИРОВАНИЯ НЕЧЕТКИХ ПРАВИЛ ОЦЕНКИ СОСТОЯНИЯОБЪЕКТОВ

3.1 Этапы решения задачи идентификации модели коллектива нечетких нейронныхсетей

3.2 Инициализация значений параметров модели

3.2.1 Метод определения начальной структуры нечетких нейронных сетей

3.2.2 Метод определения начальных значений параметров функций принадлежности

3.2.3 Методы определения начальных значений элементов матриц весовых коэффициентов

3.3 Настройка значений параметров модели

3.3.1 Обоснование использования генетических алгоритмов для настройки значений параметров модели

3.3.2 Метод определения значений параметров нечетких нейронных сетей

3.3.3 Разработка генетического алгоритма для обучения нечетких нейронных сетей

3.3.4 Метод определения оптимальной структуры модели коллектива нечетких нейронных сетей

3.3.5 Разработка алгоритма для определения оптимальной структуры модели коллектива нечетких нейронных сетей

3.3.6 Сходимость разработанных генетических алгоритмов

3.4 Нейронечеткая модель формирования нечетких правил, как эффективный аппроксиматор объектов с дискретным выходом

3.4.1 Нечеткие системы, как универсальные аппроксиматоры

3.4.2 Алгоритм аппроксимации объектов с дискретным выходом на основе нечеткой базы знаний

3.4.3 Оценка аппроксимирующей способности нечетких нейронных сетей

3.5Выводы

ГЛАВА 4 РЕДУКЦИЯ СИСТЕМ НЕЧЕТКО-ПРОДУКЦИОННЫХ ПРАВИЛ ДЛЯ ПОСТРОЕНИЯ МОДЕЛЕЙ ОЦЕНКИ СОСТОЯНИЯ ОБЪЕКТОВ

4.1 Особенности начального состояния базы знаний как совокупности сформированных систем нечетко-продукционных правил

4.2 Постановка задачи оценки и устранения избыточности начального состояния базы знаний

4.3 Анализ методов устранения избыточности в базах знаний

4.3.1 Таксономия знаний в интеллектуальных системах

4.3.2 Редукция базы знаний на основе генетического алгоритма

4.3.3 Редукция базы знаний на основе мультиагентного подхода

4.3.4 Метод редукции на основе структуризации правил базы знаний

4.3.5 Сравнительная характеристика методов устранения избыточности в базахзнаний

4.4 Разработка метода редукции нечетко-продукционных правил

4.5 Алгоритм редукции базы знаний

4.6 Результаты редукции базы знаний

4.7Выводы

ГЛАВА 5 ПРОГРАММНЫЙ КОМПЛЕКС ПОСТРОЕНИЯ И ИСПОЛЬЗОВАНИЯ НЕЧЕТКИХ МОДЕЛЕЙ ОЦЕНКИ СОСТОЯНИЯ ОБЪЕКТОВ

5.1 Описание разработанного программного комплекса

5.1.1 Назначение программного комплекса

5.1.2 Средства разработки программного комплекса

5.1.3 Описание основных методов и классов, реализованных в программном комплексе

5.1.4 Структура и состав программного комплекса

5.1.5 Пример функционирования программного комплекса

5.1.6 Сравнение программного комплекса с другими инструментальными средствами формирования нечетких правил

5.2 Численно-параметрические исследования на базе программного комплекса

5.2.1 Задачи исследования и описание наборов данных для анализа

5.2.2 Оценка классифицирующей способности формируемых нечетких моделей при анализе известных наборов данных

5.2.3 Исследование и оценка эффективности метода определения начальных значений параметров функций принадлежности

5.2.4 Исследование и оценка эффективности метода и алгоритма простой генетической оптимизации

5.2.5 Исследование и оценка эффективности метода и алгоритма построения модели коллектива нечетких нейронных сетей

5.2.6 Исследование и оценка эффективности метода и алгоритма редукции базызнаний

5.3 Примеры формирования и использования нечетких моделей оценки состояния объектов при решении практических задач

5.3.1 Формирование и использование нечетких моделей оценки состояния объектов промышленного оборудования

5.3.1.1 Актуальность разработки системы сбора и анализа многопараметрических данных и ее основные характеристики

5.3.1.2 Общее описание моделируемых объектов

5.3.1.3 Характеристики объектов оценки

5.3.1.4 Подготовка и описание исходных данных для построения нечетких моделей оценки состояния объектов

5.3.1.5 Результаты построения и использования нечетких моделей

5.3.2 Формирование и использование нечетких моделей оценки состояния водоводов в нефтяной отрасли

5.3.2.1 Общее описание разработанной системы

5.3.2.2 Особенности формирования нечетких правил базы знаний для оценки состояния водоводов

5.3.2.3 Методика обнаружения утечек жидкости из водоводов

5.3.2.4 Полученные практические результаты

5.3.2.5 Расчет экономической эффективности разработки и использования экспертной системы оценки состояния водоводов

5.3.3 Формирование и использование нечетких моделей фильтрации электронных почтовых сообщений

5.3.3.1 Фильтрация электронных почтовых сообщений

5.3.3.2 Получение исходных данных и формирование базы знаний

5.3.3.3 Оценка адекватности сформированной базы знаний

5.3.3.4 Использование сформированной базы знаний для решения задачи спам-фильтрации

5.3.4 Формирование и использование нечетких моделей диагностики клинических проявлений синдромов поясничного остеохондроза

5.3.4.1 Особенности диагностического процесса в медицине

5.3.4.2 Этапы медицинской диагностики

5.3.4.3 Исходные данные для анализа

5.3.4.4 Анализ и интерпретация полученных результатов

5.4Выводы

Заключение

Списоксокращений

Списоклитературы

Приложение 1 Свидетельства о государственной регистрации разработанных программдляЭВМ

Приложение 2 Акты о внедрении и использовании результатов диссертационного исследования

Введение диссертации (часть автореферата) на тему «Методы формирования нечетких моделей оценки состояния объектов в условиях неопределенности»

ВВЕДЕНИЕ

Актуальность темы и степень ее разработанности. В настоящее время в различных предметных областях человеческой деятельности (таких как нефтяная отрасль, промышленность, медицина, информационная безопасность и др.) задачу математического моделирования для оценки (классификации, диагностики) состояния объектов часто приходится решать в условиях неопределенности, которая характеризуется неполнотой исходных данных, объективной неопределенностью (наличием шумов и выбросов в данных), а также лингвистической неопределенностью (субъективными оценками эксперта). Рассматриваемые объекты могут быть различной природы и представлять механические узлы и детали станков, водоводы на кустовых насосных станциях, электронные почтовые сообщения, функциональные системы человека и т.д. Задача оценки состояния конкретного объекта заключается в выборе его состояния (например, наличие спама, конкретный диагноз человека, вид неисправности оборудования и т.д.) из заданного множества, а также в вычислении степени достоверности оценки.

Для обработки объективной неопределенности в исходных данных традиционно используются методы исключения выбросов и фильтрации шумов. Для учета лингвистической неопределенности и неполноты данных целесообразно использовать методы нечеткой логики и алгоритмы нечеткого логического вывода. Теория нечетких множеств, как одно из направлений искусственного интеллекта, позволяет строить нечеткие модели объектов на естественном языке с использованием лингвистических переменных и механизмов логического вывода. При этом нечеткая модель представляет систему нечетко-продукционных правил и алгоритм вывода на правилах. В настоящее время так называемые модели нечеткого логического вывода используются при разработке нечетких экспертных систем, применяемых во многих предметных областях и часто выполняющих роль систем поддержки принятия решений (СППР).

Исследованиям в области нечеткого моделирования и разработки 011 IF посвящены работы известных зарубежных и российских ученых: Заде JI.A. [113; 348], Клира Дж. [305; 306], Мамдани Е.А. [315; 316], Сугено М. [330; 331], Тэрано Т. [333; 334], Кофмана А. [157], Поспелова Д.А. [210], Ларичева О.И. [167; 311], Аверкина А.Н. [5; 6], Борисова А.Н. [37], Батыршина И.З. [25; 27], Еремеева А.П. [106; 107], Алиева P.A. [11], Берштейна Л.С. [30; 31], Ковалева С.М. [145; 309], Васильева В.И. [47; 48], Сидоркиной И.Г. [232; 233], Большакова A.A. [34-36], Зиятдинова H.H. [115; 116], Аникина И.В. [14-16], Ажмухаме-дова И.М. [7-9] и др. Однако в большинстве существующих СППР приходится привлекать экспертов для решения частных задач, связанных с построением функций принадлежности (ФП), определением их формы, заданием оптимального количества нечетких градаций для входных лингвистических переменных. Технологическая необходимость структурирования и формализации системы правил принятия решений на основе их вербального описания экспертом приводит к высокой трудоемкости формирования нечетких моделей. Кроме того, субъективный характер экспертных оценок, а также отсутствие информации о достоверности получаемых решений в случае неполноты исходных данных может привести к неэффективности формируемых нечетких моделей, недостаточной точности получаемых оценок о состоянии объектов и, как следствие, низкой эффективности практического использования нечетких СППР.

В настоящее время существуют адаптивные системы нечеткого логического вывода, в которых параметры ФП настраиваются автоматически (без участия экспертов) в процессе обучения на экспериментальных данных. Исследованиям в этой области посвящены работы следующих ученых: Херреры Ф. [295], Лозано М. [313], Кордона О. [283; 284], Хоффмана Ф. [297], Янга Р. [346], Круглова В.В. [160; 162], Ротштейна А.П. [217], Штовбы С.Д. [262; 265], Финна В.К. [251; 252], Вагина В.Н. [337], Кобринского Б.А. [144], Загоруйко Н.Г. [111], Ярушкиной Н.Г. [269; 272; 273], Наместникова A.M. [187; 318], Ходашинского И.А. [254-256], Емалетдиновой Л.Ю. [101; 103], Паклина Н.Б. [193] и др. Однако существующие адаптивные системы являются узкоспециализированными и предназначены для

получения нечетких правил в рамках традиционных моделей представления знаний (Мамдани, Сугено, Цукамото и др.), что не позволяет использовать реализованные в них методы и алгоритмы для формирования эффективных нечетких моделей оценки состояния объектов в условиях разнотипности, нечеткости, неполноты исходных данных.

Таким образом, научно-техническая проблема, решаемая в диссертации, заключается в разработке нового подхода, связанного с созданием моделей, методов и алгоритмов, а также комплекса программ для построения без участия эксперта нечетких моделей оценки состояния объектов в условиях разнотипности, нечеткости и неполноты исходных данных. Решение проблемы имеет научную и практическую ценность для построения эффективных систем поддержки принятия решений по оценке состояния объектов в различных предметных областях.

Объект исследования: нечеткие модели оценки состояния объектов в условиях неопределенности.

Предмет исследования: методы и алгоритмы формирования и использования нечетких моделей оценки состояния объектов в условиях неопределенности.

Цель диссертационной работы: повышение результативности формирования и использования в системах поддержки принятия решений нечетких моделей оценки состояния объектов в условиях разнотипности, нечеткости и неполноты исходных данных на основе разработки нового подхода, включая научно-обоснованные модели, методы и алгоритмы, а также реализующего их комплекса программ.

Результативность сформированных нечетких моделей определяется показателями их практической полезности: точностью оценки состояния объектов, возможностью осуществлять оценку в условиях неопределенности, а также интерпретируемостью результатов, получаемых при использовании данных моделей.

Достижение поставленной цели потребовало решения следующих задач:

1) модификация вида нечетко-продукционных правил и разработка алгоритма логического вывода на правилах в качестве базовых компонент нечетких моделей оценки состояния объектов, применяемых в условиях разнотипности, нечеткости и неполноты исходных данных;

2) разработка методов и алгоритмов построения нечетких моделей оценки состояния объектов, осуществляющих структурную, параметрическую идентификацию и редукцию нечетко-продукционных правил;

3) реализация разработанных методов и алгоритмов в виде программного комплекса для формирования, использования нечетких моделей оценки состояния объектов и проведения вычислительных экспериментов;

4) решение задач по оценке состояния объектов в различных предметных областях для апробации предложенных моделей и алгоритмов.

Методы исследования. Для решения указанных задач использованы методы математического и нейронечеткого моделирования, нечеткой логики, генетической оптимизации, бутстрэпирования, кластерного анализа, математической статистики, объектно-ориентированного программирования.

Достоверность полученных результатов. Предложенные в диссертационной работе оригинальные модели, методы и алгоритмы теоретически обоснованы и не противоречат известным положениям других авторов. Достоверность научных положений, выводов и рекомендаций обусловлена математически строгим выполнением расчетов, подтверждена результатами вычислительных экспериментов и практического использования.

На защиту выносятся следующие результаты:

1) новый подход к формированию и использованию нечетких моделей оценки состояния объектов, основанный на построении модели коллектива нечетких нейронных сетей (ННС) для получения систем нечетко-продукционных правил, а также на разработке и применении алгоритма логического вывода на правилах для оценки состояния объектов в условиях разнотипности, нечеткости и неполноты исходных данных;

2) методы и алгоритмы структурной и параметрической идентификации модели коллектива нечетких нейронных сетей, позволяющие реализовать этапы инициализации и настройки значений ее параметров;

3) метод и алгоритм редукции сформированной базы знаний (БЗ): исключение из нее вырожденных и незначимых для оценки состояния объекта правил;

4) комплекс программ, реализующий предложенные методы и алгоритмы, позволяющий формировать и использовать нечеткие модели оценки состояния объектов в условиях неопределенности.

Научная новизна.

1. Разработан новый математический метод моделирования объектов на основе построения модели коллектива нечетких нейронных сетей, отличающийся использованием метода бутстрэпирования, что позволяет сформировать базу знаний в виде совокупности систем нечетко-продукционных правил, осуществлять оценку состояния объектов на основе сформированной базы знаний и алгоритма логического вывода на правилах в условиях разнотипности, нечеткости и неполноты исходных данных, а также повысить ее точность агрегацией результатов логического вывода на отдельных системах правил методом простого голосования (п. 1).

2. Разработан численный метод определения начальных значений параметров функций принадлежности, отличающийся использованием кластеризации для выделения нечетких гранул входных лингвистических переменных, что позволяет сократить время на обучение нечетких нейронных сетей и снизить их бутст-рэп-ошибку (п. 3).

3. Разработан численный метод обучения нечетких нейронных сетей, основанный на принципах генетической оптимизации, отличающийся новым способом кодирования значений параметров функций принадлежности и представления их комбинаций в виде соответствующих хромосом, что позволяет определять бутстрэп-ошибку нечетких нейронных сетей в процессе обучения (п. 3).

4. Разработан численный метод построения модели коллектива нечетких нейронных сетей, основанный на совместном применении двух генетических алгоритмов, отличающийся новым способом кодирования структуры нечетких нейронных сетей, представлением нейронов входного слоя и слоя градаций входных нейронов в виде комбинации хромосом соответствующих генетических алгоритмов, что позволяет учитывать влияние состава входных нейронов и числа их нечетких градаций на точность классификации каждой нечеткой нейронной сети в коллективе (п. 3).

5. Разработан оригинальный программный комплекс, реализующий предложенные методы и алгоритмы, отличающийся новым составом программных модулей и схемой их взаимодействия, что позволяет обеспечить требуемую функциональность для формирования и использования нечетких моделей оценки состояния объектов и проведения вычислительных экспериментов (п. 4).

Теоретическая значимость диссертационного исследования заключается в разработке нового подхода, включая эффективную модель коллектива нечетких нейронных сетей, а также методы и алгоритмы для формирования (без участия эксперта) нечетких моделей оценки состояния объектов в условиях разнотипности, нечеткости и неполноты исходных данных.

Практическая ценность диссертации заключается в разработке оригинального комплекса программ, реализующего предложенные методы и алгоритмы и позволяющего обеспечить требуемую функциональность для выполнения этапов структурной, параметрической идентификации и редукции нечетко-продукционных правил для формирования нечетких моделей оценки состояния объектов, проведения вычислительных экспериментов и решения практических задач.

Соответствие диссертации паспорту научной специальности. В диссертации разработан и реализован комплекс программ для формирования и использования нечетких моделей оценки состояния объектов в условиях неопределенности. Предложен модифицированный вид нечетко-продукционных правил и алгоритм логического вывода на правилах, как базовые компоненты нечетких моделей. Для формирования систем нечетких правил разработана оригинальная модель в виде коллектива нечетких нейронных сетей. Разработаны численные методы и алгоритмы инициализации, настройки параметров модели, а также редукции сформированных систем нечетких правил.

Таким образом, результаты диссертационного исследования соответствуют следующим пунктам паспорта научной специальности 05.13.18 «Математическое моделирование, численные методы и комплексы программ»:

1. Разработка новых математических методов моделирования объектов и явлений (для моделирования объектов предложен новый математический метод,

основанный на построении модели коллектива нечетких нейронных сетей и позволяющий сформировать базу знаний нечеткой модели оценки состояния объекта в виде совокупности систем нечетко-продукционных правил).

3. Разработка, обоснование и тестирование эффективных вычислительных методов с применением современных компьютерных технологий (для формирования систем нечетких правил на базе модели коллектива нечетких нейронных сетей разработаны, обоснованы и протестированы методы инициализации и настройки значений параметров нечетких нейронных сетей, метод определения оптимальной структуры модели коллектива нечетких нейронных сетей, а также метод оценки и устранения избыточности сформированной базы знаний).

4. Реализация эффективных численных методов и алгоритмов в виде комплексов проблемно-ориентированных программ для проведения вычислительного эксперимента (предложенные методы и алгоритмы реализованы в виде комплекса программ, на базе которого проведены вычислительные эксперименты по оценке эффективности разработанного математического обеспечения).

По проблеме диссертационного исследования опубликовано 54 работы, в том числе 1 монография, 20 статей в российских рецензируемых научных журналах, 6 статей, индексируемых в базах SCOPUS и WoS, 27 публикаций в других журналах и материалах конференций. Получено 2 свидетельства о регистрации программ для ЭВМ.

Основные результаты диссертационной работы докладывались и обсуждались на следующих конференциях:

- четвертой международной научно-практической конференции «Инфоком-муникационные технологии глобального информационного общества» (Казань, 2006);

- второй всероссийской научной конференции с международным участием «Нечеткие системы и мягкие вычисления» (Ульяновск, 2008);

- одиннадцатой национальной конференции по искусственному интеллекту с международным участием «КИИ-2008» (Дубна, 2008);

- двенадцатой международной конференции по мягким вычислениям и измерениям (Санкт-Петербург, 2009);

- двенадцатой международной конференции «Проблемы управления и моделирования в сложных системах» (Самара, 2010);

- всероссийской научно-технической конференции «Проблемы и перспективы развития информационных технологий» (Казань, 2012);

- третьей всероссийской научно-практической конференции «Проблемы анализа и моделирования региональных социально-экономических процессов» (Казань, 2012);

- шестнадцатой международной конференции по мягким вычислениям и измерениям (Санкт-Петербург, 2013);

- четырнадцатой международной научно-технической конференции «Кибернетика и высокие технологии XXI века» (Воронеж, 2013);

- четвертой международной научно-практической конференции «Проблемы анализа и моделирования региональных социально-экономических процессов» (Казань, 2013);

- международной научно-практической конференции «Закономерности и тенденции развития науки в современном обществе» (Уфа, 2013);

- семнадцатой международной конференции по мягким вычислениям и измерениям (Санкт-Петербург, 2014);

- третьей Международной научно-практической конференции «Современные проблемы безопасности жизнедеятельности: настоящее и будущее» (Казань, 2014);

- шестой Межрегиональной научно-практической конференции «Информационная безопасность и защита персональных данных: Проблемы и пути их решения» (Брянск, 2014);

- второй международной научно-технической конференции «Industrial Engineering, Applications and Manufacturing» (Челябинск, 2016);

- одиннадцатой Международной Четаевской конференции «Аналитическая механика, устойчивость и управление» (Казань, 2017);

- всероссийской научно-практической конференции «Вектор развития управленческих подходов в цифровой экономике» (Казань, 2018);

- четвертой международной научно-технической конференции «Industrial Engineering, Applications and Manufacturing» (Москва, 2018);

- седьмой национальной научно-практической конференции с международным участием «Моделирование энергоинформационных процессов» (Воронеж, 2019);

- тридцать второй Международной научной конференции «Математические методы в технике и технологиях - ММТТ-32» (Санкт-Петербург, 2019). Реализация результатов работы. Результаты исследования:

- использованы в АО «Радиоприбор» для формирования нечетких моделей оценки состояния механических узлов и деталей металлообрабатывающих станков с числовым программным управлением при разработке системы сбора и анализа многопараметрических данных, поступающих с промышленного оборудования различных типов «М2000 - Smart Factory»;

- внедрены в промышленную эксплуатацию в НГДУ «ДжалильНефть» ОАО «ТатНефть» в виде модуля формирования и использования нечетких правил системы диагностики порывов на водоводах в процессах поддержания пластового давления;

- использованы в Управлении связи, специальной техники и автоматизации МВД по Республике Татарстан для формирования базы знаний при разработке экспертной системы фильтрации электронных почтовых сообщений;

- использованы в ГБОУ ДПО «Казанская государственная медицинская академия» для формирования нечетких правил диагностики клинических проявлений синдромов поясничного остеохондроза при разработке системы диагностики, прогнозирования и лечения остеохондроза поясничного отдела позвоночника;

- внедрены в учебный процесс ФГБОУ ВО «Казанский национальный исследовательский технический университет им. А.Н. Туполева-КАИ» и используются при изучении дисциплин «Технологии интеллектуального анализа

данных», «Базы знаний интеллектуальных систем», «Системы искусственного интеллекта».

Структура и объем диссертации. Диссертация изложена на 304 страницах машинописного текста, содержит 84 рисунка, 46 таблиц, состоит из введения, пяти глав, заключения, списка использованной литературы из 354 наименований на 38 страницах и двух приложений на 9 страницах.

Сведения о личном вкладе автора. Постановка научно-технической проблемы, содержание диссертации и представленные в ней результаты получены лично автором. Подготовка к публикации некоторых результатов проводилась совместно с соавторами, причем вклад диссертанта определяющий.

Во введении обоснована актуальность диссертационного исследования, приведены основные научные положения и результаты.

В первой главе рассматриваются проблемы формирования нечетких моделей оценки состояния объектов в условиях неопределенности. Приводится классификация видов неопределенности в исходных данных и методы их обработки. Для оценки состояния объектов обосновывается целесообразность использования нечетких СППР продукционного типа. Рассматриваются примеры таких СППР. Анализируются недостатки традиционного подхода к построению нечеткой модели в СППР в условиях неопределенности. Предлагается новый подход к построению нечеткой модели, позволяющий автоматически формировать БЗ в виде системы нечетких продукций. Анализируются модели представления знаний и виды продукционных правил для оценки состояния объектов. Формулируются требования к виду правил и алгоритму логического вывода на правилах. Поставлена задача формирования нечетких моделей оценки состояния объектов в условиях разнотипности, нечеткости и неполноты исходных данных.

Во второй главе предлагается модифицированный вид нечетко-продукционных правил, обеспечивающий выполнение требований по оценке состояния объектов в условиях неопределенности. Описывается общий вид БЗ, как системы нечетко-продукционных правил предложенного вида. Разработан алгоритм логического вывода на правилах, обеспечивающий решение задачи в уело-

виях отсутствия части исходных данных и формирующий оценку достоверности принимаемых решений. Производится анализ методов автоматической генерации нечетких правил, наилучшим из которых является использование ННС. Для устранения недостатков традиционного подхода к формированию нечетких правил на основе ННС обосновывается необходимость построения совокупности ННС на основе метода бутстрэпирования - модели коллектива ННС. Предлагается схема использования сформированных правил БЗ для оценки состояния объектов. Сформулирована задача построения модели коллектива ННС с оптимальными структурой и количеством ННС в коллективе, при которых достигается минимум бутстрэп-ошибки модели.

В третьей главе описываются разработанные методы структурной и параметрической идентификации модели коллектива нечетких нейронных сетей, используемые при инициализации и уточнении значений параметров модели. Предлагается начальная структура нечеткой нейронной сети, а также методы определения начальных значений ее параметров. Для обучения нечетких нейронных сетей и структурной оптимизации модели коллектива ННС обосновывается необходимость использования генетических алгоритмов. Описываются разработанные методы и алгоритмы для определения значений параметров ННС, а также оптимальной структуры и оптимального числа ННС в коллективе. Оценивается сходимость разработанных генетических алгоритмов. Показывается, что нейронечет-кие модели для формирования нечетких правил являются эффективными аппрок-симаторами объектов с дискретным выходом.

В четвертой главе анализируются особенности состояния базы знаний, сформированной в результате структурной и параметрической идентификации модели коллектива ННС. Формулируется задача оценки и устранения ее избыточности. Анализируются существующие методы устранения избыточности в базах знаний. Предлагаются метод и алгоритм редукции вырожденных и незначимых правил в сформированной базе знаний. Описываются достигаемые результаты редукции. Приводится описание сформированной модели оценки состояния объек-

та, как совокупности систем значимых нечетко-продукционных правил, составляющих базу знаний, и алгоритма логического вывода на правилах.

В пятой главе описывается состав разработанного математического обеспечения и его соответствие решаемым задачам. Приводится описание разработанного программного комплекса. Выполняется оценка классифицирующей способности формируемых нечетких моделей при анализе полных и неполных наборов данных. Сравниваются полученные результаты классификации с известными результатами других авторов. Описываются результаты экспериментов оценки эффективности разработанных методов и алгоритмов. На примере формирования нечетких моделей оценки состояния объектов в различных предметных областях показывается эффективность разработанного математического и программного обеспечения.

В заключении сформулированы основные научные и практические результаты работы, намечены направления перспективных исследований.

В приложении 1 представлены свидетельства о государственной регистрации разработанных программ для ЭВМ.

В приложении 2 представлены акты о внедрении и использовании результатов диссертационного исследования.

Диссертация выполнена на кафедре систем информационной безопасности федерального государственного бюджетного образовательного учреждения высшего образования «Казанский национальный исследовательский технический университет им. А.Н. Туполева-КАИ» (КНИТУ-КАИ).

Диссертационная работа выполнялась в рамках государственных заданий Министерства образования и науки РФ для выполнения научно-исследовательских работ по темам «Научные основы построения информационных технологий, высокопроизводительных вычислительных систем, сетей, методов и средств обеспечения информационной безопасности» (2005-2009 г.г., per. № 01200511008), «Математическое и программное обеспечение автоматизированного формирования баз знаний мягких экспертных систем диагностики состояния сложных объектов» (2013 г., per. № 01201354277), «Разработка прикладных информационно-аналитических систем поддержки принятия решений на ос-

нове методов искусственного интеллекта» (2015 г., per. № 115020510043) и «Совершенствование теории интеллектуального анализа данных, моделей и методов решения задач диагностики и управления в сложных системах» (2017-2019 г.г., per. № 8.6141,2017/БЧ), а также в рамках гранта федерального государственного бюджетного учреждения «Фонд содействия развитию малых форм предприятий в научно-технической сфере» для выполнения научно-исследовательской работы по теме «Разработка системы сбора и анализа многопараметрических данных, поступающих с промышленного оборудования различных типов» (2017-2018 г.г., per. № АААА-А17-117090740036-0).

Автор выражает искреннюю благодарность научному консультанту, доктору технических наук, профессору Емалетдиновой Лилии Юнеровне за оказанную поддержку и консультации при проведении исследований.

ГЛАВА 1 АНАЛИЗ ПРЕДМЕТНОЙ ОБЛАСТИ И ПОСТАНОВКА ЗАДАЧИ РАЗРАБОТКИ НЕЧЕТКИХ МОДЕЛЕЙ ОЦЕНКИ СОСТОЯНИЯ ОБЪЕКТОВ В УСЛОВИЯХ НЕОПРЕДЕЛЕННОСТИ

В настоящей главе рассматриваются проблемы формирования нечетких моделей оценки состояния объектов в условиях неопределенности. Приводится классификация видов неопределенности в исходных данных и методы их обработки. Для оценки состояния объектов обосновывается целесообразность использования нечетких систем поддержки принятия решений продукционного типа. Рассматриваются примеры таких СППР. Анализируются недостатки традиционного подхода к построению нечеткой модели в СППР в условиях неопределенности. Предлагается новый подход к построению нечеткой модели, позволяющий автоматически формировать базу знаний в виде системы нечетких продукций. Анализируются модели представления знаний и виды продукционных правил для оценки состояния объектов. Формулируются требования к виду правил и алгоритму логического вывода на правилах. Поставлена задача формирования нечетких моделей оценки состояния объектов в условиях разнотипности, нечеткости и неполноты исходных данных.

Список литературы диссертационного исследования доктор наук Катасёв Алексей Сергеевич, 2019 год

СПИСОК ЛИТЕРАТУРЫ

1. Абдуллаев, Н.Т. Формирование правил нечетких продукций для автоматизированной диагностической системы обработки электромиографических сигналов / Н.Т. Абдуллаев, К.Ш. Исмайлова // Нейрокомпьютеры: разработка, применение. - 2013. - № 2. - С. 054-060.

2. Абдулхаков, А.Р. Математическое и программное обеспечение редукции нечетких правил в базах знаний интеллектуальных систем / А.Р. Абдулхаков, A.C. Катасёв: Монография. - Казань: Центр инновационных технологий, 2015.- 160 с.

3. Абдулхаков, А.Р. Методы и алгоритмы редукции нечетких правил в базах знаний интеллектуальных систем / А.Р. Абдулхаков: Дисс. на соиск. уч. степ. канд. техн. наук. - Казань, 2015. - 140 с.

4. Абрахин, С.И. Аппроксимация функций с применением интеллектуальных технологий идентификации / С.И. Абрахин, О.С. Беликова // Труды XVI Всероссийской научно-методической конференции «Телематика'2009», 22-25 июня 2009 г., Санкт-Петербург, т.2. - С. 387-389.

5. Аверкин, А.Н. Когнитивные гибридные системы поддержки принятия решений и прогнозирования / А.Н. Аверкин, С.А. Ярушев, В.Ю. Павлов // Программные продукты и системы. - 2017. - № 4. - С. 632-642.

6. Аверкин, А.Н. Мягкие вычисления и измерения / А.Н. Аверкин, C.B. Про-копчина // Интеллектуальные системы. - 1997. - № 2. - С. 93-114.

7. Ажмухамедов, И.М. Использование нечеткого когнитивного моделирования для оценки эффективности судебной системы / И.М. Ажмухамедов, Д.А. Ма-чуева, Г.Г. Галимзянова // Вестник Астраханского государственного технического университета. Серия: Управление, вычислительная техника и информатика. - 2016. - № 1,-С. 41-49.

8. Ажмухамедов, И.М. Методика оценки уровня безопасности информационных активов на основе нечетких продукционных правил / И.М Ажмухамедов,

О.М. Князева // Проблемы информационной безопасности. Компьютерные системы. -2015. -№ 1. - С. 7-16.

9. Ажмухамедов, И.М. Синтез управленческих решений по снижению рисков в нечетких условиях при ограниченных ресурсах / И.М. Ажмухамедов., О.Н. Выборнова // Фундаментальные исследования. - 2016. - № 5-1. - С. 18-22.

10. Алексеев, A.A. Идентификация и диагностика систем / A.A. Алексеев, Ю.А. Кораблев, М.Ю. Шестопалов. - М: Издательский центр «Академия», 2009. -351 с.

11. Алиев, P.A. Производственные системы с искусственным интеллектом / P.A. Алиев, Н.М. Абдикеев, М.М. Шахназаров. - М.: Радио и связь, 1990. - 264 с.

12. Алтухов, A.B. Формирование нечетких правил типа takagi-sugeno по результатам нечеткой кластеризации / A.B. Алтухов // Вестник Воронежского государственного университета. Серия: Системный анализ и информационные технологии. - 2008. - № 1. -С. 44-50.

13. Андрейчиков, A.B. Экспертная система для прогнозирования стратегических инноваций / A.B. Андрейчиков, О.Н. Андрейчикова, A.A. Хорычев // Качество. Инновации. Образование. - 2011. -№ 12. - С. 26-36.

14. Аникин, И.В. Модели нечетких нейронных сетей / И.В. Аникин // Эволюционное моделирование / Под ред. В.А. Райхлина. Труды Казанского городского семинара «Методы моделирования». Вып. 2. - Казань: Изд-во «Наука», 2004.-С. 111-136.

15. Аникин, И.В. Моделирование объектов информационной безопасности для задачи оценки рисков / И.В. Аникин, Т.М. Гильмуллин // Научно-технические ведомости СПбГТУ. Информатика. Телекоммуникации. Управление. - 2009. - № 5. - С. 151-155.

16. Аникин, И.В. Распознавание динамической рукописной подписи на основе нечеткой логики / И.В. Аникин, Э.С. Анисимова // Вестник Казанского государственного энергетического университета. - 2016. - № 3 (31). - С. 48-64.

17. Афанасьева, T.B. Методология, модели и комплексы программ анализа временных рядов на основе нечетких тенденций / Т.В. Афанасьева: Дисс. на соиск. уч. степ. докт. техн. наук. - Ульяновск, 2012. - 265 с.

18. Ахметвалеев, A.M. Нейросетевая модель и программный комплекс определения функционального состояния опьянения человека по зрачковой реакции на световое импульсное воздействие / A.M. Ахметвалеев: Дисс. на соиск. уч. степ. канд. техн. наук. - Казань, 2018. - 163 с.

19. Багиров, С.М. Нечеткая экспертная система для диагностики неисправностей букс подвижного состава / С.М. Багиров, Э.К. Манафов // Вестник Ростовского государственного университета путей сообщения. - 2009. - № 4 (36). -С. 76-80.

20. Баргесян, A.A. Методы и модели анализа данных: OLAP и Data Mining / A.A. Баргесян, М.С. Куприянов, В.В. Степаненко, H.H. Холод. - СПб.: БХВ-Петербург, 2004. - 336 е.: ил.

21. Барри, Б. Программирование на Java для чайников, 3-е издание / Б. Барри. -М.: «Диалектика», 2013. - 384 с.

22. Барсегян, A.A. Анализ данных и процессов: учебное пособие / A.A. Барсегян, М.С. Куприянов, И.И. Холод, М.Д. Тесс. - 3-е изд., перераб. и доп. - СПб.: БХВ-Петербург, 2009. - 512 е.: ил.

23. Барсегян, A.A. Технологии анализа данных: Data Mining, Visual Mining, Text Mining, OLAP / A.A. Барсегян, М.С. Куприянов, B.B. Степаненко, И.И. Холод. - 2-е изд., перераб. и доп. - СПб.: БХВ-Петербург, 2007. - 384 е.: ил.

24. Барышев, М.В. Модели представления знаний экспертных систем / М.В. Ба-рышев, И.Ю. Гатчин, Ю.А. Гатчин // Научно-технический вестник Санкт-Петербургского государственного университета информационных технологий, механики и оптики. - 2006. - № 29. - С. 14-18.

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

26. Батыршин, И.З. Нечеткие гибридные системы. Теория и практика / Под ред. Ярушкиной Н.Г. /И.З. Батыршин, А.О. Недосекин, A.A. Стецко, В.Б. Тарасов, A.B. Язенин, Н.Г. Ярушкина - М.: ФИЗМАТЛИТ, 2007. - 208 с.

27. Батыршин, И.З. Основные операции нечеткой логики и их обобщения / И.З. Батыршин. - Казань: Отечество, 2001. - 100 е., ил.

28. Башлыков, A.A. Экспертная диагностическая система как компонент интеллектуальной системы поддержки принятия решений реального времени / A.A. Башлыков, А.П. Еремеев // Новости искусственного интеллекта. - 2002. - № 3. - С. 35-40.

29. Башлыков, A.A. Экспертные системы поддержки принятия решений в энергетике / A.A. Башлыков, А.П. Еремеев / Под. ред. А.Ф. Дьякова. - М.: Изд-во МЭИ, 1994.-216 с.

30. Берштейн, Л.С. Использование нечетких темпоральных графов для моделирования в ГИС / Л.С. Берштейн, С.Л. Беляков, A.B. Боженюк // Известия ЮФУ. Технические науки. - 2012. -№ 1 (126). - С. 121-127.

31. Берштейн, Л.С. Планирование поведения интеллектуального робота / Л.С. Берштейн, В.Б. Мелехин. - М: Энергоатомиздат, 1994. - 240 с.

32. Бова, В.В. Применение искусственных нейронных сетей для коллективного решения интеллектуальных задач / В.В. Бова, А.Н. Дуккардт // Известия ЮФУ. Технические науки. - 2012. -№ 7. - С. 131-138.

33. Болотин, М.М. Экспертное решение: достоверность / М.М. Болотин, В.Н. Глазков // Транспорт: наука, техника, управление. -2012.-№12.-С. 9-10.

34. Большаков, A.A. Интеллектуальная система управления качеством обработки заготовок в производстве печатных плат / A.A. Большаков, Л.В. Малый // Известия Санкт-Петербургского государственного технологического института (технического университета). - 2018. -№ 47 (73). - С. 121-127.

35. Большаков, A.A. Интеллектуальный метод оценки угрозы авиационного происшествия / A.A. Большаков, A.A. Кулик, И.В. Сергушов, E.H. Скрипаль // Вестник компьютерных и информационных технологий. - 2018. - № 5 (167). - С. 3-9.

36. Большаков, A.A. Формирование модели учебного курса интерактивной компьютерной обучающей системы на основе нечеткой когнитивной карты / A.A. Большаков, О.В. Виштак, Д.А. Фролов // Вестник Астраханского государственного технического университета. Серия: Управление, вычислительная техника и информатика. -2016.-№ 2.-С. 92-99.

37. Борисов, А.Н. Модели принятия решений на основе лингвистической переменной / А.Н. Борисов, A.B. Алексеев, O.A. Крумберг. - Рига: Зинатне, 1982. - 256 с.

38. Боровиков, В. STATISTICA. Искусство анализа данных на компьютере: Для профессионалов. 2-е изд. / В. Боровиков. - СПб.: Питер, 2003. - 686 е.: ил.

39. Бочарников, В.П. Fuzzy-технология: Математические основы. Практика моделирования в экономике / В.П. Бочарников. - Санкт-Петербург: «Наука» РАН, 2001.-328 с.

40. Бочарников, В.П. Fuzzy-технология: Основы моделирования и решения экс-пертно-аналитических задач / В.П. Бочарников, C.B. Свешников. - К.: Ника-Эльга, 2003.-293 с.

41. Бураков, М.В. Генетический алгоритм: теория и практика: учебное пособие / М.В. Бураков. - СПб.: ГУАП, 2008. - 164 е.: ил.

42. Бур дин, O.A. Комплексная экспертная система управления информационной безопасностью «АванГард» / O.A. Бур дин, A.A. Кононов // Информационное общество. - 2002. - № 3. - С. 38-44.

43. Бухтояров, В.В. Трехступенчатый эволюционный метод формирования коллективов нейронных сетей для решения задач классификации / В.В. Бухтояров //Программные продукты и системы. -2012.-№4.-С. 101-106.

44. Вагин, В.Н. Дедукция и обобщение в системах принятия решений / В.Н. Вагин. - М.: Наука, 1988. - 384 с.

45. Вапник, В.Н. Теория распознавания образов / В.Н. Вапник , А.Я. Червонен-кис. - М.: Наука, 1974. - 416 с.

46. Васильев, В.И. Восстановление пропущенных данных в эмпирических таблицах / В.И. Васильев, А.И. Шевченко // Искусственный интеллект. - 2003. -№ 3. - С. 317-324.

47. Васильев, В.И. Оценка рисков информационной безопасности с использованием нечетких продукционных когнитивных карт / В.И. Васильев, A.M. Вульфин, М.Б. Гузаиров // Информационные технологии. - 2018. - Т. 24, № 4.-С. 266-273.

48. Васильев, В.И. Экспертная система поддержки принятия решений при управлении рисками в процессе аудита информационной безопасности / В.И. Васильев, Т.З. Хисамутдинов, И.В. Матвеев, A.C. Красько // Информационная безопасность: материалы VII международной научно-практической конференции. - Таганрог: Изд-во ТРТУ, 2005. - С. 43-46.

49. Васильев, О.М. Представление и обнаружение знаний в экспертных системах для задач распознавания образов / О.М. Васильев, Д.П. Ветров, Д.А. Кропо-тов // Журнал вычислительной математики и математической физики. - 2007. -Т. 47, №8.-С. 1428-1454.

50. Веселовский, В.П. Практическая вертеброневрология и мануальная терапия / В.П. Веселовский. - Рига. 1991. - 344 с.

51. Воинов, A.B. Инженерия знаний и психосемантика: об одном подходе к выявлению глубинных знаний / A.B. Воинов, Т.А. Гаврилова // Известия Российской академии наук. Теория и системы управления. - 1994. - № 5. - С. 3-11.

52. Вольский, В. И. Голосование в малых группах: процедуры и методы сравнительного анализа / В.И. Вольский, З.М. Лезина. - М. : Наука, 1991. - 192 с.

53. Воронцов, К.В. Коэволюционный метод обучения алгоритмических композиций / К.В. Воронцов, Д.Ю. Каневский // Таврический вестник информатики и математики. - 2005. - № 2. - С. 51-66.

54. Втюрин, В.А. Автоматизированные системы управления технологическими процессами. Основы АСУТП: Учебное пособие для студентов специальности 220301 «Автоматизация технологических процессов и производств» / В.А. Втюрин. - СПб: СПбГЛТА, 2006. - 152 с.

55. Габитов, Г.Х. Совершенствование системы поддержания пластового давления основа эффективной разработки нефтяного месторождения / Г.Х. Габитов, E.H. Сафонов, В.А. Стрижнев // Нефтяное хозяйство. - 2005. - № 7. - С. 98-99.

56. Гаврилова, Т.А. Базы знаний интеллектуальных систем / Т.А. Гаврилова, В.Ф. Хорошевский. - СПб.: Питер, 2001. - 384 е.: ил.

57. Гаврилова, Т.А. Извлечение и структурирование знаний для экспертных систем / Т.А. Гаврилова, К.Р. Червинская. - М.: Радио и связь, 1992. - 200 с.

58. Гаврилова, Т.А. Использование моделей инженерии знаний для подготовки специалистов в области информационных технологий / Т.А. Гаврилова, И.А. Лещева, Д.В. Кудрявцев // Системное программирование. - 2012. - Т. 7, № 1. -С. 90-105.

59. Галушкин, А.И. Теория нейронных сетей. Кн. 1: Учеб. пособие для вузов / Общая ред. А.И. Галушкина / А.И. Галушкин. - М.: ИПРЖР, 2000. - 416 е.: ил. (Нейрокомпьютеры и их применение).

60. Герберт, Ш. Java: руководство для начинающих / Ш. Герберт. - 5-е изд. - М.: Вильяме, 2012. - 624 с.

61. Герон, C.B. Голосование в N-кратно резервированных системах / C.B. Герон, А.И. Фрид // Вестник УГАТУ. Серия «Управление, вычислительная техника и информатика». - 2007. - Т. 9, № 2 (20). - С. 42-49.

62. Гильмуллин, Т.М. Экспертный программный комплекс для управления рисками информационной безопасности / Т.М. Гильмуллин // Интеллектуальные системы принятия решений и проблемы вычислительного интеллекта ISDMCI'2009: Материалы международной научной конференции. Том. I. -Херсон: Изд-во ХНТУ, 2009. - С. 255-258.

63. Гладков, Л.А. Генетические алгоритмы / Л.А. Гладков, В.В. Курейчик, В.М. Курейчик. - М.: ФИЗМАТ ЛИТ, 2006. - 320 с.

64. Гладков, Л.А. Перспективы использования механизмов нечетких множеств в эволюционных методах / Л.А. Гладков // Известия ТРТУ. - 2006. - № 9-1 (64).-С. 102-103.

65. Глова, В.И. Методы многокритериального принятия решений в условиях неопределенности в задачах нефтедобычи / В.И. Глова, И.В. Аникин, М.Р. Ша-гиахметов. - Казань: Изд-во Казан, гос. техн. ун-та, 2004. - 31 с.

66. Глова, В.И. Мягкие вычисления (soft computing) и их приложения: Учебное пособие / Под ред. Гловы В.И. / В.И. Глова, И.В. Аникин, М.А. Аджели - Казань: Изд-во Казан, гос. техн. ун-та. - 2000. - 98 с.

67. Глова, В.И. Мягкие вычисления: учебное пособие / В.И. Глова, И.В. Аникин, А.С. Катасёв, М.А. Кривилёв, Р.И. Насыров. - Казань: Изд-во Каз. гос. технич. университета им. А.Н. Туполева, 2010. - 206 с.

68. Глова, В.И. Нейронечеткая модель формирования баз знаний экспертных систем: эффективность для диагностики заболеваний / В.И. Глова, И.В. Аникин, А.С. Катасёв, М.А. Подольская. Моделирование процессов / Под. ред. В.А. Райхлина. Труды Казанского научного семинара «Методы моделирования». Вып. 3. - Казань: Изд-во КГТУ, 2007. - С. 153-173.

69. Глова, В.И. Система нечеткого моделирования для решения задач повышения нефтедобычи / В.И. Глова, И.В. Аникин, М.Р. Шагиахметов // Вестник Казанского государственного технического университета им. А.Н. Туполева. -2001.-№3.-С. 59-61.

70. Глова, В.И. Система предупреждения аварий оборудования в процессах поддержания пластового давления / В.И. Глова, И.В. Аникин, А.С. Катасёв // Вестник Казанского государственного технического университета им. А.Н. Туполева. - 2006. - № 2. - С. 46-49.

71. Глова, В.И. Формирование базы знаний медицинской диагностической экспертной системы на основе нечеткой нейронной сети / В.И. Глова, И.В. Аникин, А.С. Катасёв, М.А. Подольская // Исследования по информатике. Вып. 12. - Казань: Отечество, 2007. С. 31-46.

72. Головко, В.А. Нейронные сети: обучение, организация и применение. Кн. 4: Учебное пособие для вузов / Общая ред. А.И. Галушкина / В.А. Головко. -М.: ИПРЖР, 2001. - 256 е.: ил.

73. Голосовский, М.С. Алгоритм настройки системы нечёткого логического вывода типа Мамдани / М.С. Голосовский, А.В. Богомолов, Д.С. Теребов, Е.В. Евтушенко // Вестник Южно-Уральского государственного университета. Сер. Математика. Механика. Физика. - 2018. - Т. 10, № 3. - С. 19-29.

74. Горбань, А.Н. Обобщенная аппрокеимацнонная теорема и вычислительные возможности нейронных сетей / А.Н. Горбань // Сибирский журнал вычислительной математики. - 1998. - Т.1, № 1. - С. 12-24.

75. Горбатиков, В.А. Технология дискретных закачек в системах ППД, контроль и управление системой / В.А. Горбатиков, А.П. Пальянов // Известия вузов: Нефть и газ. - 2001. - № 1. - С. 33-40.

76. Горев, С.М. Автоматизация производственных процессов нефтяной и газовой промышленности. Курс лекций. Ч. 1 / С.М. Горев. - Петропавловск-Камчатский: КамчатГТУ, 2003. - 121 с.

77. Городецкий, А.Е. Экспертная система анализа и прогнозирования аварийных ситуаций в энергетических установках / А.Е. Городецкий, В.Г. Курбанов, И.Л. Тарасова // Информационно-управляющие системы. - 2012. - № 4. - С. 59-63.

78. Городецкий, В.И. Современное состояние технологии извлечения знаний из баз и хранилищ данных (часть 1) / В.И. Городецкий, В.В. Самойлов, А.О. Малов // Новости искусственного интеллекта. - 2002. - № 3. - С. 3-12.

79. Городецкий, В.И. Современное состояние технологии извлечения знаний из баз и хранилищ данных (часть 2) / В.И. Городецкий, В.В. Самойлов, А.О. Малов // Новости искусственного интеллекта. - 2002. - № 4. - С. 3-9.

80. Григорьев, С.Н. Диагностика автоматизированного производства / С.Н. Григорьев, В.Д. Гурин, М.П. Козочкин. - Москва: Машиностроение, 2011. - 600 с.

81. Гриняк, В.М. Оценка и представление параметров безопасного движения судна / В.М. Гриняк, М.В. Трофимов, В.И. Люлько // Вестник государственного университета морского и речного флота им. адмирала С.О. Макарова. -2016.-№4(38).-С. 51-61.

82. Грицив, P.C. Применение теории нечетких множеств для решения задач в условиях неопределенности / P.C. Грицив // Вестник науки и образования. -2015. -№3 (5). -С. 6-7.

83. Гулакова, Т.К. Исследование зависимости эффективности работы генетического алгоритма от выбора параметров операторов алгоритма на многоэкс-

тремальных тестовых функциях / Т.К. Гулакова, С.С. Бежитский // Актуальные проблемы авиации и космонавтики. - 2010. - Т. 1, № 6. - С. 315-317.

84. Гумеров, А.Г. Методика по организации эксплуатации оборудования насосных станций систем сбора, подготовки нефти и систем поддержания пластового давления на предприятиях ОАО «Татнефть» / А.Г. Гумеров, С.Г. Бажай-кин, A.A. Багманов, 2005. - 202 с.

85. Гуров, В.В. Спам-фильтры для предприятий / В.В. Гуров // Сети и системы связи. - 2007. - № 6. - С. 80-89.

86. Гуськов, Г.Ю. Интеллектуальная система управления проектами разработки программного обеспечения / Г.Ю. Гуськов, A.M. Наместников, И.А. Тимина, Н.Г. Ярушкина // Вестник Ростовского государственного университета путей сообщения. - 2016. - № 3 (63). - С. 31-36.

87. Дагаева, М.В. Нечеткая экспертная система диагностики маслонаполненных силовых трансформаторов / М.В. Дагаева, Д.В. Катасёва, A.C. Катасёв, А.П. Кирпичников // Вестник технологического университета. -2018. - Т. 21, №2. -С. 148-154.

88. Дедовец, М.С. Методы анализа надежности, основанные на поиске закономерностей в данных /М.С. Дедовец, О.В. Сенько // Горный информационно-аналитический бюллетень (научно-технический журнал). -2015. -№ 2. - С. 375-378.

89. Демикова, Н.С. Использование технологии интеллектуального анализа клинических данных в диагностике наследственных болезней /Н.С. Демикова, Б.А. Кобринский, А.Ю. Асанов, A.B. Воинов // Клинико-лабораторный консилиум. - 2011. -№ 2. - С. 18-22.

90. Джошуа, Б. Java. Эффективное программирование / Б. Джошуа. -М.: Лори, 2002. - 224 с.

91. Димитров, В.П. Формирование базы знаний интеллектуальной системы для технологической регулировки зерноуборочного комбайна / В.П. Димитров, Л.В. Борисова, И.Н. Нурутдинова // Инновации в АПК: проблемы и перспективы. - 2018. -№ 3 (19). - С. 3-14.

92. До донов, М.В. Модель системы поддержки принятия решения с использованием нечеткой логики в деловых играх распределения ресурсов с нетрансфе-рабельной полезностью / М.В. До донов, H.JI. Додонова, A.A. Елистратов, O.A. Кузнецова // XIII Всероссийская школа-конференция молодых ученых «Управление большими системами» / Под общей редакцией НовиковаД.А., Засканова В.Г. - Институт проблем управления им. В.А. Трапезникова РАН, Самарский университет. - 2016. - С. 388-395.

93. Дубинин, A.A. Анализ моделей и методов медицинской диагностики / A.A. Дубинин // Информатика: проблемы, методология, технологии: материалы IX международной научно-методической конференции. - Воронеж: ВГТУ, 2009. -Т. 1.-С. 253-256.

94. Дубинин, A.A. Особенности информации для медицинских диагностических систем / A.A. Дубинин, Т.М. Леденева // Новые технологии в научных исследованиях, проектировании, управлении, производстве: труды Всероссийской конференции. - Воронеж: ВГТУ, 2009. - С. 182-183.

95. Дунаев, М.П. Метод структурирования базы знаний экспертной системы для диагностирования электрического оборудования / М.П. Дунаев, A.M. Дунаев, С.К. Каргапольцев, В.Е. Гозбенко // Современные технологии. Системный анализ. Моделирование. - 2017. - № 1 (53). - С. 86-89.

96. Дьяконов, В.П. MATLAB 6/6.1/6.5 + SIMULINK 4/5 в математике и моделировании / В.П. Дьяконов. - М.: СОЛОН-Пресс, 2003 - 565 с.

97. Дьяконов, В.П. Математические пакеты расширения Matlab. Специальный справочник / В.П. Дьяконов, В.В. Круглов. - СПб.: Питер, 2001. - 488 с.

98. Дюбуа, Д. К анализу и синтезу нечетких отображений / Д. Дюбуа, А. Прад // Нечеткие множества и теория возможностей. Последние достижения / Пер. с англ. / Под ред. P.P. Ягера. М.: Радио и связь, 1986. - С. 229-240.

99. Дюк, В.А. Информационные технологии в медико-биологических исследованиях / В.А. Дюк, В.Л. Эмануэль. - СПб.: Питер, 2003. - 528 с.

100. Емалетдинов, А.К. К проблеме проектирования автоматизированного управления и моделирования подсистемы поддержания пластового давления

АСУТП нефтедобычи / А.К. Емалетдинов, И.В. Байков // Вестник Оренбургского государственного университета. - 2004. - № 12. - С. 160-163.

101. Емалетдинова, Л.Ю. Моделирование диагностической деятельности врача на основе нечеткой нейронной сети / Л.Ю. Емалетдинова, Д.Ю. Стрункин // Искусственный интеллект и принятие решений. - 2010. - № 3. - С. 73-78.

102. Емалетдинова, Л.Ю. Нейронечеткая модель аппроксимации сложных объектов с дискретным выходом / Л.Ю. Емалетдинова, А.С. Катасёв, А.П. Кирпичников // Вестник Казанского технологического университета. -2014. - Т. 17, №5.-С. 295-299.

103. Емалетдинова, Л.Ю. Нечетко-продукционная каскадная модель диагностики состояния сложного объекта / Л.Ю. Емалетдинова, А.С. Катасёв // Программные системы и вычислительные методы. - 2013. - № 1.-С. 69-81.

104. Емельяненко, А.Р. Использование аппарата экспертных систем в процессе поддержки принятия решений / А.Р. Емельяненко, Д.Д. Лапшин, Г.А. Квашнина // Вестник Воронежского государственного технического университета. - 2009. - Т. 5, № 5. - С. 244-249.

105. Емельянов, В.В. Теория и практика эволюционного моделирования / В.В. Емельянов, В.В. Курейчик, В.М. Курейчик. - М.: ФИЗМАТ ЛИТ, 2003. - 432 с.

106. Еремеев, А.П. Методы и программные средства на основе нечетких таблиц решений для диспетчеризации лотов на производстве / А.П. Еремеев, О.В. Виноградов // Вестник Московского энергетического института. - 2009. -№2.-С. 166-174.

107. Еремеев, А.П. Прототип диагностической системы поддержки принятия решений на основе интеграции байесовских сетей доверия и метода Демпсте-ра-Шеффера / А.П. Еремеев, P.P. Хазиев, М.В. Зуева, И.В. Цапенко // Программные продукты и системы. - 2013. - № 1. - С. 3-6.

108. Ермолаев, О.Ю. Математическая статистика для психологов: Учебник / О.Ю. Ермолаев. - 2-е изд., испр. - М.: Московский психолого-социальный институт: Флинта, 2003. - 336 с.

109. Жариков, О.Г. Экспертные системы в медицине / О.Г. Жариков, A.A. Литвин,

B.А. Ковалев // Медицинские новости. - 2008. - № 10. - С. 15-18.

110. Загоруйко, Н.Г. Локальные методы заполнения пробелов в эмпирических таблицах / Н.Г. Загоруйко, Г.В. Ульянов // Экспертные системы и распознавание образов. - Новосибирск, 1988. Вып. 126: Вычислительные системы. -

C. 75-121.

111. Загоруйко, Н.Г. Прикладные методы анализа данных и знаний / Н.Г. Загоруйко. - Новосибирск: Изд-во Ин-та математики, 1999. - 270 с.

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

113. Заде, Л.А. Понятие лингвистической переменной и его применение к принятию приближенных решений / Л.А. Заде. - М.: Мир, 1976. - 168 с.

114. Зиновьев, И.П. Усовершенствование системы нечеткого вывода Такаги-Сугено / И.П. Зиновьев, И.В. Аникин // Вестник Казанского государственного технического университета им. А.Н. Туполева. - 2009. - № 3. - С. 84-88.

115. Зиятдинов, H.H. Компьютерное моделирование и оптимизация в химической технологии / H.H. Зиятдинов // Теоретические основы химической технологии. - 2014. - Т. 48, № 5. - С. 483-485.

116. Зиятдинов, H.H. Компьютерные технологии в науке и образовании / H.H. Зиятдинов, Л.М. Дмитриева, А.Е. Сережкина, М.Е. Дмитриев // Вестник Казанского технологического университета. - 2015. - Т. 18, № 2. - С. 357-361.

117. Злоба, Е. Статистические методы восстановления пропущенных данных / Е. Злоба, И. Яцкив // Computer Modelling & New Technologies. - 2002. - Vol. 6, № 1. - P. 51-61.

118. Змитрович, А.И. Интеллектуальные информационные системы / А.И. Змит-рович. - Минск: «ТетраСистемс», 1997. - 368 с.

119. Казаков, A.B. Обнаружение знаний в базах данных / A.B. Казаков, Е.В. Казаков // Известия Российского экономического университета им. Г.В. Плеханова. - 2013. - № 2 (12). - С. 26-30.

120. Карасева, Т.С. Решение задач символьной регрессии алгоритмом генетического программирования с оператором равномерного скрещивания / Т.С. Карасева, С.А. Митрофанов // Актуальные проблемы авиации и космонавтики. -2017.-Т. 2, № 13.-С. 24-26.

121. Карпузова, В.И. Информационные технологии в экономике. Системы поддержки принятия решений на базе АП Deductor Studio Academic 5.1: учебное пособие для студентов экономического факультета / В.И. Карпузова, Э.Н. Скрипченко, Ю.Р. Стратонович, К.В. Чернышева. - Москва: Изд-во ФГОУ ВПО РГАУ-МСХА, 2010. - 80 е.: ил.

122. Катасёв, A.C. Аппроксимация объектов с дискретным выходом на основе не-четко-продукционных баз знаний / A.C. Катасёв // Вестник Казанского государственного технического университета им. А.Н. Туполева. - 2013. - № 4. -С. 212-217.

123. Катасёв, A.C. Инвариантная нечетко-продукционная модель представления знаний в экспертных системах / A.C. Катасёв, Д.Р. Газимова // Вестник Казанского государственного технического университета им. А.Н. Туполева. -2011.-№ 1.-С. 142-148.

124. Катасёв, A.C. Интеллектуальный анализ временных рядов для формирования нечетких правил диагностики состояния водоводов в нефтяной отрасли /A.C. Катасёв, Д.В. Катасёва // XVII Международная конференция по мягким вычислениям и измерениям. Сборник докладов. Том 1-2. - Санкт-Петербург: Изд-во СПбГЭТУ «ЛЭТИ», 2014. - С. 85-88.

125. Катасёв, A.C. Математическое и программное обеспечение формирования баз знаний мягких экспертных систем диагностики состояния сложных объектов: монография / A.C. Катасёв. - Казань: ГБУ «Республиканский центр мониторинга качества образования», 2013. - 200 е., ил.

126. Катасёв, A.C. Математическое обеспечение для формирования баз знаний мягких экспертных диагностических систем /A.C. Катасёв // Информационные, измерительные и управляющие системы: Научно-техн. сб. Самарского отделения Поволжского центра Метрологической академии России / Под ред.

проф. В.Н. Нестерова. - Самара: Изд-во Самарского научного центра РАН, 2013. Вып. 5.-С. 8-21.

127. Катасёв, A.C. Математическое обеспечение и программный комплекс формирования нечетко-продукционных баз знаний для экспертных диагностических систем / A.C. Катасёв // Фундаментальные исследования, № 10 (часть 9), 2013.-С. 1922-1927.

128. Катасёв, A.C. Методы и алгоритмы формирования нечетких моделей оценки состояния объектов в условиях неопределенности /A.C. Катасёв // Вестник технологического университета. - 2019. - Т. 22, № 3. - С. 138-147.

129. Катасёв, A.C. Моделирование процессов спам-фильтрации на основе технологии интеллектуального анализа данных / A.C. Катасёв, Д.В. Катасёва // Информационная безопасность и защита персональных данных: Проблемы и пути их решения: материалы VI Межрегиональной научно-практической конференции / под ред. О.М. Голембиовской. - Брянск: БГТУ, 2014. - С. 46-51.

130. Катасёв, A.C. Модель представления знаний в партнерских экспертных системах / A.C. Катасёв, Д.Р. Газимова // Научно-технические ведомости СПбГПУ. - 2010. - № 5. - С. 135-139.

131. Катасёв, A.C. Нейронечеткая модель и программный комплекс автоматизации формирования нечетких правил для оценки состояния объектов / A.C. Катасёв // Автоматизация процессов управления. - 2019. - № 1 (55). - С. 21-29.

132. Катасёв, A.C. Нейронечеткая модель формирования базы знаний для диагностики заболеваний /A.C. Катасёв, М.А. Кривилёв, М.А. Подольская // Вестник Казанского государственного технического университета им. А.Н. Туполева. - 2007. - № 4. - С. 61-64.

133. Катасёв, A.C. Нейронечеткая модель формирования правил классификации, как эффективный аппроксиматор объектов с дискретным выходом /A.C. Катасёв // Кибернетика и программирование. - 2018. - № 6. - С. 110-122.

134. Катасёв, A.C. Новая информационная технология: искусственный интеллект в обработке медицинских данных /A.C. Катасёв, М.А. Подольская // Неврологический вестник. - 2006. - Т. 38, вып. 3-4. - С. 85-90.

135. Катасёв, A.C. Применение систем искусственного интеллекта для диагностического процесса в вертеброневрологии / A.C. Катасёв, М.А. Подольская // Казанский медицинский журнал. - 2007. - Т. 88, № 4. - С. 346-351.

136. Катасёв, A.C. Редукция нечетких правил в задаче оптимизации баз знаний экспертных систем / A.C. Катасёв, А.Р. Абдулхаков // Вестник Казанского государственного технического университета им. А.Н. Туполева. - 2012. - № 3. -С. 110-115.

137. Катасёв, A.C. Свидетельство о государственной регистрации программы для ЭВМ № 2013661597. Программа для автоматизированного формирования баз знаний мягких экспертных диагностических систем / A.C. Катасёв, Т.Р. Jle-вадный. - М.: Роспатент, 2013.

138. Катасёв, A.C. Формирование базы знаний для фильтрации электронных почтовых сообщений / A.C. Катасёв // Моделирование систем / Под. ред. В.А. Райхлина. Труды Республ. научного семинара «Методы моделирования». Вып. 5. - Казань: Изд-во «Фэн» («Наука»), 2013. - С. 85-99.

139. Катасёв, A.C. Формирование базы знаний системы фильтрации электронных почтовых сообщений / A.C. Катасёв // Научно-технический вестник Поволжья. - 2013. - № 5. - С. 191-194.

140. Катасёв, A.C. Формирование базы знаний экспертной системы диагностики клинических проявлений поясничного остеохондроза / A.C. Катасёв, М.А. Подольская // В мире научных открытий. - 2014. - № 2.1(50). - С. 492-504.

141. Кацко, И.А. Практикум по анализу данных на компьютере: Учеб. пособие для вузов / И.А. Кацко, Н.Б. Паклин. - М.: Изд-во «КолосС», 2009. - 278 с.

142. Кашеварова, Г.Г. Нечеткая экспертная система диагностики повреждений строительных конструкций / Г.Г. Кашеварова, Ю.Л. Тонков, М.Н. Фурсов // Вестник Волжского регионального отделения Российской академии архитектуры и строительных наук. - 2014. - № 17. - С. 167-173.

143. Кобзев, В.В. Экспертная система диагностики паропроизводящей установки на основе нечеткой логики / В.В. Кобзев // Системы управления и обработки информации. - 2018. - № 1 (40). - С. 15-23.

144. Кобринский, Б.А. Искусственный интеллект и медицина: возможности и перспективы систем, основанных на знаниях / Б.А. Кобринский // Новости искусственного интеллекта. - 2001. - № 4. - С. 44-51.

145. Ковалев, С.М. Построение базы знаний интеллектуальной системы контроля и предупреждения рисковых ситуаций для этапа проектирования сложных технических систем / С.М. Ковалев, А.Е. Колоденкова // Онтология проектирования. - 2017. - Т. 7, № 4 (26). - С. 398-409.

146. Козлова, Е.В. Система поддержки принятия решения в выборе поставщика машиностроительного предприятия на основе теории нечетких множеств / Е.В. Козлова, A.M. Кононенко, А.И. Шульгина, В.Ю. Волынский // Известия высших учебных заведений. Серия: Экономика, финансы и управление производством. - 2016. - № 2 (28). - С. 65-73.

147. Козлова, Т.Д. Реализация экспертной системы поддержки принятия решений для определения неисправностей технологической системы /Т.Д. Козлова, A.A. Игнатьев, Е.М. Самойлова // Вестник Саратовского государственного технического университета. - 2011. - Т. 2, № 2. - С. 219-224.

148. Комарцова, Л.Г. Исследование нейросетевых и гибридных методов и технологий в интеллектуальных системах поддержки принятия решений / Л.Г. Комарцова: Дисс. на соиск. уч. степ. докт. техн. наук. - Калуга, 2003. -436 с.

149. Комарцова, Л.Г. Особенности построения эволюционных систем на основе генетических алгоритмов / Л.Г. Комарцова // 1 Межд. конф. САИТ-2005. Переславль-Залесский, 2005. - С. 201-204.

150. Комарцова, Л.Г. Эволюционные методы формирования нечетких баз правил / Л.Г. Комарцова // Открытые семантические технологии проектирования интеллектуальных систем. -2011.-№1.-С. 181-184.

151. Копылов, И.В. Поиск и устранение выбросов и схожих элементов выборки в задаче восстановления функции по экспериментальным данным / И.В. Копылов, В.А. Царев // Естественные и математические науки в современном мире. - 2016.-№ 38. - С. 90-94.

152. Корнеев, B.B. Базы данных. Интеллектуальная обработка информации / В.В. Корнеев, А.Ф. Гареев, C.B. Васютин, C.B. Райх. - М.: Нолидж, 2001. - 496 с.

153. Корнилов, Г.С. Методы, алгоритмы и программный комплекс преднастрой-ки и оптимизации параметров нейронечеткой модели формирования баз знаний экспертных систем / Г.С. Корнилов: Дисс. на соиск. уч. степ. канд. техн. наук. - Казань, 2010. - 144 с.

154. Коробулина, О.Ю. Экспертная система аудита информационной безопасности / О.Ю. Коробулина, И.В. Иванова // Программные продукты и системы. -2010.-№ 4.-С. 91-93.

155. Коротеев, М.В. Формы функции принадлежности лингвистических переменных экономических показателей / М.В. Коротеев // Аудит и финансовый анализ. - 2012. - № 2. - С. 239-244.

156. Котов, Ю.Б. Новые математические подходы к задачам медицинской диагностики / Ю.Б. Котов. - М: УРСС, 2004. - 328 с.

157. Кофман, А. Введение в теорию нечетких множеств: Пер. с франц. / А. Коф-ман - М.: Радио и связь, 1982. - 432 с.

158. Кравченко, Ю.А. Нечеткие модели анализа уровня знаний и поддержки принятия решений в процессе обучения / Ю.А. Кравченко // Известия ЮФУ. Технические науки. - 2014. -№ 7 (156). - С. 134-142.

159. Кригер, А.Б. Построение нечеткой модели для автоматизированной системы выбора проектных решений / Кригер А.Б. // Экономика, статистика и информатика. Вестник УМО. -2011. -№ 5. - С. 161-167.

160. Круглов, В.В. Интеллектуальные информационные системы: компьютерная поддержка систем нечеткой логики и нечеткого вывода / В.В. Круглов, М.И. Дли. - М.: Физматлит, 2002. - 256 с.

161. Круглов, В.В. Методы восстановления пропусков в массивах данных / В.В. Круглов, И.В. Абраменкова // Программные продукты и системы. - 2005. -№2.-С. 4-14.

162. Круглов, В.В. Нечеткая логика и искусственные нейронные сети / В.В. Круглов, М.И. Дли, Р.Ю. Голунов. - М.: Физматлит, 2001. - 224 с.

163. Круглов, B.B. Сравнение алгоритмов Мамдани и Сугено в задаче аппроксимации функции / В.В. Круглов // Нейрокомпьютеры: разработка, применение. -2003,-№5.-С. 70-82.

164. Кудинов, Ю.И. Нечеткие регуляторы Мамдани // Ю.И. Кудинов, А.Ю. Кели-на, Ю.В. Кузнецов // Вести высших учебных заведений Черноземья. - 2011. -№4.-С. 35-41.

165. Курейчик, В.М. Поисковая адаптация: теория и практика / В.М. Курейчик, Б.К. Лебедев, О.Б. Лебедев. - М: Физматлит, 2006. - 270 с.

166. Лавыгина, A.B. Алгоритмы и программные средства настройки параметров нечетких моделей на основе гибридных методов / A.B. Лавыгина: Дисс. на соиск. уч. степ. канд. техн. наук. - Томск, 2010. - 180 с.

167. Ларичев, О.И. Теория и методы принятия решений, а также хроника событий в волшебных странах: учебник / О.И. Ларичев. - М.: Логос, 2000. - 296 е.: ил.

168. Левин, М. Антиспам без секретов: Практические рекомендации по борьбе с нелегальной рассылкой по электронной почте / М. Левин. - М.: Бук-пресс, 2006.-320 с.

169. Леденева, Т.М. Оптимальное построение нечеткой базы правил / Т.М. Леде-нева, М.А. Сергиенко // Системы управления и информационные технологии. - 2008. - Т. 34, № 4. - С. 34-38.

170. Леденева, Т.М. Формирование оптимальной базы нечетких правил / Т.М. Леденева, М.А. Сергиенко // Нечеткие системы и мягкие вычисления. - 2008. -Т. 3, № 1. - С. 57-70.

171. Леоненков, A.B. Нечеткое моделирование в среде MATLAB и FuzzyTech / A.B. Леоненков. - СПб.: БХВ-Петербург, 2005. - 736 с.

172. Лила, В.Б. Экспертная система диагностики силовых трансформаторов / В.Б. Лила, A.B. Костюков // Инженерный вестник Дона. - 2013. - № 1. - С. 22-26.

173. Лисин, A.B. Применение метаэвристических алгоритмов к решению задач кластеризации методом ^-средних / A.B. Лисин, Р.Т. Файзуллин // Компьютерная оптика. - 2015. - Т. 39, № 3. - С. 406-412.

174. Литтл, Р.Дж.А. Статистический анализ данных с пропусками / Р.Дж.А. Литтл, Д.Б. Рубин. - М.: Финансы и статистика, 1991. - 430 с.

175. Луценко, Е.В. Методика использования репозитория UCI для оценки качества математических моделей систем искусственного интеллекта / Е.В. Луценко // Научный журнал КубГАУ [Электронный ресурс]. - Краснодар: КубГАУ, 2003. - № 02(2). - Режим доступа: http://ej.kubagro.ru/2003/02/12/pl2.asp.

176. Львович, Я.Е. Интеллектуализация процесса формирования базы нечетких правил в задаче оценки эффективности инвестиционных проектов / Я.Е. Львович, О.Г. Яскевич, O.A. Фиртыч // Вестник Воронежского государственного технического университета. - 2010. - Т. 6, № 10. - С. 4-6.

177. Максимова, А.Ю. Миварная экспертная система для распознавания образов на основе нечеткой классификации и моделирования различных предметных областей с автоматизированным расширением контекста / А.Ю. Максимова, О.О. Варламов // Известия Южного федерального университета. Технические науки. -2011. - Т. 125, № 12. - С. 77-87.

178. Малышев, Н.Г. Нечеткие модели для экспертных систем в САПР / Н.Г. Малышев, Л.С. Берштейн, A.B. Боженюк. - М.: Энергоиздат, 1991. - 136 с.

179. Маренко, В.А. Способы представления данных в экспертных системах / В.А. Маренко // Математические структуры и моделирование. - 2001. - № 8. -С. 34-39.

180. Маринин, С.А. Борьба со спамом и вирусами / С.А. Маринин. - Санкт-Петербург: НТ Пресс, 2007 г. - 48 с.

181. Марушин, A.C. Исследование эффективности стандартного генетического алгоритма с модифицированными операторами скрещивания / A.C. Марушин // Актуальные проблемы авиации и космонавтики. - 2017. - Т. 2, № 13. - С. 47-48.

182. Матюхина, Я.С. Нечеткая система управления операторами мутации, селекции и скрещивания в генетическом алгоритме / Я.С. Матюхина // Актуальные проблемы авиации и космонавтики. - 2016. - Т. 1, № 12. - С. 541-542.

183. Мизин, Д.С. Разработка программного комплекса аппроксимации набора точек заданной фигурой по методу наименьших квадратов / Д.С. Мизин, Д.А. Савочкин // Научные труды SWorld. - 2011. - Т. 3, № 1. - С. 70-71.

184. Минский, М. Фреймы для представления знаний / М. Минский: Пер с англ. / Под ред. Ф.М. Кулакова. - М.: Энергия, 1979. - 342 с.

185. Митюшкин, Ю.И. Soft Computing: идентификация закономерностей нечеткими базами знаний / Ю.И. Митюшки, Б.И. Мокин, А.П. Ротштейн. -УНЮЕРСУМ-Вшниця, 2002. - 145 с.

186. Монахов, В. Язык программирования Java и среда NetBeans / В. Монахов. -3-е изд. - СПб.: БХВ-Петербург, 2011.-704 с.

187. Наместников, A.M. Онтологический подход к структурированию знаний проектной организации / A.M. Наместников // Радиотехника. - 2016. - № 9. -С. 77-83.

188. Неразрушающий контроль: Справочник: в 7 т. Под общ. ред. В.В. Клюева. Т. 7: В 2 кн. Кн. 1: В.И. Иванов, И.Э. Власов. Метод акустической эмиссии / Кн. 2: Ф.Я. Балицкий, A.B. Барков, H.A. Баркова и др. Вибродиагностика. -М.: Машиностроение, 2005. - 829 е.: ил.

189. Нурушев, Е.Т. Проблемы и решение задач авиаремонтного завода в условиях неопределенности состояния объектов ремонта / Е.Т. Нурушев, P.M. Хисма-туллин, Ж.А. Даев // Автоматизация. Современные технологии. - 2018. - Т. 72, № 1.-С. 7-10.

190. Олейник, A.A. Редукция баз нечетких правил на основе мультиагентного подхода / A.A. Олейник, С.А. Субботин // Вестник Национального технического университета Харьковский политехнический институт. Серия: Информатика и моделирование. - 2009. - № 43. - С. 126-137.

191. Орехов, Ю.В. Исследование эффективности операторов генетического алгоритма при поиске экстремальных решений в бинарных и вещественных пространствах / Ю.В. Орехов, Э.Ю. Орехов, А.Р. Заминова // Информационные технологии. - 2008. - № 9. - С. 65-72.

192. Осипов, Г.С. Нечеткая экспертная система оценки уровня безопасности судоходных компаний / Г.С. Осипов, А.Е. Сазонов // European Research. - 2016. -№3 (14).-С. 10-11.

193. Паклин, Н.Б. Адаптивные модели нечеткого вывода для идентификации нелинейных зависимостей в сложных системах: Дисс. на соиск. уч. степ, к-та техн. наук / Н.Б. Паклин. - Ижевск, 2004. - 167 с.

194. Паклин, Н.Б. Бизнес-аналитика: от данных к знаниям: учебное пособие / Н.Б. Паклин, В.И. Орешков. - 2-е изд., испр. - СПб.: Питер, 2013. - 704 с.

195. Писарев, В.И. Техническое обслуживание и ремонт металлообрабатывающих станков с ЧПУ на основе безразборной диагностики технического состояния / В.И. Писарев, A.A. Ваганов, А.Ф. Денисенко, И.О. Тютерев // Известия Самарского научного центра Российской академии наук. - 2014. - Т. 16, № 1(2). -С. 508-514.

196. Подольская, М.А. Компьютерно-томографическое исследование паравертеб-ральных мышц на поясничном уровне при дистрофических вертеброгенных заболеваниях / М.А. Подольская, З.Ш. Нуриев // Медицинская визуализация. -2004.-№ 4.-С. 127-136.

197. Подольская, М.А. Математические методы и модели искусственного интеллекта в разработке систем медицинской диагностики и реабилитации / М.А. Подольская, A.C. Катасёв, М.А. Кривилёв // Лечебная физкультура и спортивная медицина в современной системе охраны здоровья и трудоспособности населения. Сборник статей конференции. - Казань, 2008. - С. 136-146.

198. Подольская, М.А. Мышечная преднастройка при поясничном остеохондрозе. Автореферат дис. ... канд. мед. наук / М.А. Подольская. - Казань, 1983. - 16 с.

199. Подольская, М.А. Подвижность вероятностного прогнозирования в области моторики больных с неврологическими проявлениями поясничного остеохондроза. Материалы III съезда невропатологов и психиатров Белоруссии / М.А. Подольская. - Минск, 1986. - С. 93-95.

200. Подольская, М.А. Стандартизация этапов сбора и анализа информации при поясничном остеохондрозе позвоночника на основе нечетких нейронных се-

тей. Инфокоммуникационные технологии глобального информационного общества: тезисы докладов 4-й ежегодной международной научно-практической конференции / М.А. Подольская, A.C. Катасёв. - Казань, 2006. - С. 89-92.

201. Подольская, М.А. Универсальная методика исследования собственных мышц позвоночника и паравертебральных мышц на поясничном уровне при дистрофических вертеброгенных заболеваниях методом рентгеновской компьютерной томографии: Учебное пособие / М.А. Подольская, З.Ш. Нуриев. - Казань, КГМА. - 2003. - 58 с.

202. Полковникова, H.A. Разработка модели экспертной системы на основе нечеткой логики / H.A. Полковникова, В.М. Курейчик // Известия ЮФУ. Технические науки. - 2014. - № 1 (150). - С. 83-92.

203. Поллак, Г.А. Инструментальные средства разработки экспертных систем: Учебное пособие / Г.А. Поллак. - Челябинск: Изд. ЮУрГУ, 2003. - 65 с.

204. Попелянский, Я.Ю. Вероятностное прогнозирование и мышечная предна-стройка - механизмы защиты опорно-двигательного аппарата позвоночника. Материалы V Всесоюзного съезда геронтологов / Я.Ю. Попелянский, М.А. Подольская. - Киев, 1988 - 97 с.

205. Попелянский, Я.Ю. Вертебральные синдромы поясничного остеохондроза / Я.Ю. Попелянский. - Казань. 1974. - 284 с.

206. Попов, Э.В. Особенности разработки и использования экспертных систем / Э.В. Попов // Справочник: Искус, интел. - Кн.1: Сист. Общ. и эксп. сист. -М., 1990.-261 с.

207. Попов, Э.В. Экспертные системы: решение неформализованных задач в диалоге с ЭВМ / Э.В. Попов. - М.: Наука, 1987. - 288 с.

208. Попова, Е.В. Экспертная система диагностики вертеброгенных поясничных болей / Е.В. Попова // Известия Южного федерального университета. Технические науки. - 2004. - Т. 37, № 2. - С. 126-127.

209. Портянкин, И. Swing: Эффектные пользовательские интерфейсы / И. Портян-кин. - 2-е издание. - Санкт-Петербург: «Лори», 2011. - 600 с.

210. Поспелов, Д.А. От моделей коллективного поведения к мультиагентным системам / Д.А. Поспелов // Программные продукты и системы. - 2003. - № 2. -С. 39-52.

211.Продеус, А.Н. Экспертные системы в медицине. Учебное пособие / А.Н. Продеус, E.H. Захрабова. - Киев: ВЕК, 1998. - 320 е.: ил.

212. Проталинский, О.М. Системный анализ и моделирование слабо структурированных и плохо формализуемых процессов в социотехнических системах / О.М. Проталинский, И.М. Ажмухамедов // Инженерный вестник Дона. -2012.-№3 (21).-С. 179-187.

213. Радченко, С.А. Экспертная система управления технологическим процессом в реальном режиме времени/ С.А. Радченко // Известия Южного федерального университета. Технические науки. - 2008. - Т. 79, № 2. - С. 191-194.

214. Реброва, О.Ю. Статистический анализ медицинских данных. Применение пакета прикладных программ STATISTICA / О.Ю. Реброва. - М.: МедиаСфера, 2003.-312 с.

215. Роберт, С. Алгоритмы на Java / С. Роберт, У. Кевин. - 4-е изд. - М.: Вильяме, 2012.-848 с.

216. Розенблат, Ф. Принципы нейродинамики: Персептрон и теория механизмов мозга: Пер. с англ. / Ф. Розенблат. - М.: Мир, 1965. - 480 с.

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

218. Ротштейн, А.П. Медицинская диагностика на нечеткой логике / А.П. Ротштейн. - Винница: Континент - ПРИМ, 1996. - 132 с.

219. Руденко, A.A. Системы поддержания пластового давления: нынешнее состояние и перспективы развития / A.A. Руденко // Насосы и оборудование. -2003.-№2(23).-С. 31-32.

220. Рудницкая, Ю.Ю. Методы определения шумов и выбросов в структуре используемых данных на примере длительности обработки судозахода на нефтяном терминале / Ю.Ю. Рудницкая // Вестник государственного университе-

та морского и речного флота им. адм. С.О. Макарова. - 2017. - Т. 9, № 4. -С. 866-873.

221. Рутковская, Д. Нейронные сети, генетические алгоритмы и нечеткие системы: Пер. с польск. И.Д. Рудинского / Д. Рутковская, М. Пилиньский, JI. Рут-ковский. - М.: Горячая линия-Телеком, 2006. - 452 е.: ил.

222. Рыженкова, К.В. Методы восстановления пропусков в данных при проведении статистических исследований / К.В. Рыженкова // Интеллект. Инновации. Инвестиции. - 2011. - № 3. - С. 127-133.

223. Рязанцев, А.Н. Технологии KDD и Data Mining / А.Н. Рязанцев // Научные записки ОрелГИЭТ. - 2012. - № 1 (5). - С. 295-299.

224. Семенова, М.А. Метод автоматической фильтрации при борьбе со «спамом» / М.А. Семенова, В.А. Семенов // Известие вузов. «Приборостроение». - 2009. Т. 52, № 9. - С. 32-34.

225. Сенилов, М.А. Программные средства для разработки систем нечеткой логики и эволюционных алгоритмов / М.А. Сенилов, В.П. Цепелев // Информационные технологии в инновационных проектах: Труды IV Международной научно-технической конференции - Ч. 2. - Ижевск: Изд-во ИжГТУ, 2003.-С. 87-89.

226. Сергиенко, М.А. Методы анализа и структуризации базы нечетких правил: Автореферат дис. канд. техн. наук / М.А. Сергиенко. - Воронеж, 2010. -18 с.

227. Сергиенко, М.А. Методы анализа и структуризации базы нечетких правил: Дисс. на соиск. уч. степ, к-та техн. наук / М.А. Сергиенко. - Воронеж, 2010. - 155 с.

228. Сергиенко, М.А. Методы проектирования нечеткой базы знаний / М.А. Сергиенко // Вестник Воронежского государственного университета. Серия: Системный анализ и информационные технологии. - 2008. - № 2. - С. 67-71.

229. Сергиенко, М.А. Представление нечеткой базы правил в виде иерархии на основе группировки правил / М.А. Сергиенко // Международный научно-исследовательский журнал. - 2014. - № 1-1 (20). - С. 88-91.

230. Сергиенко, Р.Б. Исследование сходимости многошагового метода формирования нечеткого классификатора / Р.Б. Сергиенко // Теория и практика системного анализа: Труды II Всероссийской научной конференции молодых ученых с международным участием. - Т. I. - Рыбинск: РГАТУ им. И.А. Соловьева, 2012. - С. 25-36.

231. Сергиенко, Р.Б. Метод формирования нечеткого классификатора самонастраивающимися коэволюционными алгоритмами / Р.Б. Сергиенко // Искусственный интеллект и принятие решений. - 2010. - № 3. - С. 98-106.

232. Сидоркина, И.Г. Интеграция моделей представления знаний в системах искусственного интеллекта / И.Г. Сидоркина, В.В. Килеев. В Кн . Информационные технологии в профессиональной деятельности и научной работе: сборник материалов Всероссийской научно-практической конференции - ч.2. - Йошкар-Ола: МарГТУ, 2012. - С. 184-187.

233. Сидоркина, И.Г. Технология и инструментальные средства представления знаний: учебное пособие / Сидоркина И.Г. - Йошкар-Ола: МарГТУ, 2008. - 232 с.

234. Снитюк, В.Е. Эволюционный метод восстановления пропусков в данных / В.Е. Снитюк // Сборник трудов VI-й Международной конференции «Интеллектуальный анализ информации». - Киев, 2006. - С. 262-271.

235. Созинова, E.H. Применение экспертных систем для анализа и оценки информационной безопасности / E.H. Созинова // Молодой ученый. - 2011. - Т. 1, № 10.-С. 64-66.

236. Солдатова, О.П. Решение задачи классификации с использованием нейронных нечётких продукционных сетей на основе модели вывода Мамдани-Заде / О.П. Солдатова, И.А. Лёзин // Вестник Самарского государственного технического университета. Серия: Физико-математические науки. - 2014. - № 2 (35).-С. 136-148.

237. Спирячин, A.A. Анализ эффективности использования метода нечеткой классификации и генетических алгоритмов в интеллектуальной системе поддержки принятия врачебных решений / A.A. Спирячин, В.Л. Бурковский,

А.П. Воропаев // Вестник Воронежского государственного технического университета. - 2015. - Т. 11, №2. - С. 45-48.

238. Стрекалов, A.B. Математические модели гидравлических систем для управления системами поддержания пластового давления / A.B. Стрекалов. - Тюмень: ОАО Тюменский дом печати, 2007. - 664 с.

239. Стрекалов, A.B. Системный анализ и моделирование гидросистем поддержания пластового давления / A.B. Стрекалов. - Тюмень: ИФ «Слово», 2002. - 324 с.

240. Стрункин, Д.Ю. Математическое и программное обеспечение прогнозирования выживаемости пациентов на основе нечеткой нейронной сети: Дисс. на соиск. уч. степ, к-та техн. наук / Д.Ю. Стрункин. - Казань, 2012. - 119 с.

241. Талипов, Н.Г. Нечетко-продукционная модель и программный комплекс распределения заданий в автоматизированных системах электронного документооборота (на примере Территориального органа Роскомнадзора) / Н.Г. Талипов: Дисс. на соиск. уч. степ. канд. техн. наук. - Казань, 2017. - 152 с.

242. Талипов, Н.Г. Система поддержки принятия решений по распределению заданий по ведению реестра операторов персональных данных на основе не-четко-продукционной модели / Н.Г. Талипов, A.C. Катасёв // Кибернетика и программирование. - 2016. - № 6. - С. 96-114.

243. Таунсенд, К. Проектирование и программная реализация экспертных систем на персональных ЭВМ / К. Таунсенд, Д. Фохт. - М.: Финансы и статистика, 1991.-320 с.

244. Терпунов, В.А. Блочная кустовая насосная станция БКНС-160x400/20 для дискретной закачки воды в пласт / В.А. Терпунов, С.А. Айрапетов // Нефтяное хозяйство. - 2004. - № 1. - С. 78-80.

245. Титов, А.Н. Оценка параметров вероятностной модели по экспериментальным данным / А.Н. Титов, Н.К. Нуриев, Р.Ф. Тазиева // Вестник Казанского технологического университета. - 2013. - № 19. - С. 324-330.

246. Титов, Д.В. Исследование операторов мутации генетического алгоритма решения однородной минимаксной распределительной задачи / Д.В. Титов, И.С. Коновалов // Аспирант. - 2014. - № 2. - С. 65-67.

247. Ткалич, С.А. Применение экспертных систем в безаварийном управлении / С.А. Ткалич // Электротехнические комплексы и системы управления. - 2010. -№ 2. - С. 35-39.

248. Тюрин, Ю.Н. Анализ данных на компьютере / Под ред. В.Э. Фигурнова / Ю.Н. Тюрин, A.A. Макаров. - 3-е изд., перераб. и доп. - М.: ИНФРА - М, 2003.-544 е.: ил.

249. Федунов, Б.Е. Бортовые оперативно советующие экспертные системы тактического уровня для пилотируемых летательных аппаратов - объекты разработки и эксплуатации / Б.Е. Федунов // Известия Российской академии наук. Теория и системы управления. - 2016. - № 4. - С. 83-102.

250. Федунов, Б.Е. Особенности оценки эффективности бортовых оперативно советующих экспертных систем антропоцентрических объектов (пилотируемых летательных аппаратов) / Б.Е. Федунов // Искусственный интеллект и принятие решений. - 2015. - № 3. - С. 45-52.

251. Финн, В.К. Обнаружение эмпирических закономерностей в последовательностях баз фактов посредством ДСМ-рассуждений / В.К. Финн // Научно-техническая информация. Серия 2: Информационные процессы и системы. -2015,-№8.-С. 1-29.

252. Финн, В.К. Эвристика обнаружения эмпирических закономерностей и принципы интеллектуального анализа данных / В.К. Финн // Искусственный интеллект и принятие решений. - 2018. - № 3. - С. 3-19.

253. Халафян, A.A. STATISTICA 6. Статистический анализ данных. 3-е изд. Учебник / A.A. Халафян. - М.: ООО «Бином-Пресс», 2007. - 512 е.: ил.

254. Ходашинский, И.А. Алгоритмы муравьиной и пчелиной колонии для обучения нечетких систем / И.А. Ходашинский, И.В. Горбунов, П.А. Дудин // Доклады Томского государственного университета систем управления и радиоэлектроники. - 2009. - Т. 2. - С. 157-161.

255. Ходашинский, И.А. Биоинспирированные методы параметрической идентификации нечетких моделей / И.А. Ходашинский, П.А. Дудин, A.B. Лавыгина

// Доклады Томского государственного университета систем управления и радиоэлектроники. - 2007. - С.81-92.

256. Ходашинский, И.А. Идентификация нечетких систем: методы и алгоритмы / И.А. Ходашинский // Проблемы управления. - 2009. - № 4. - С. 15-23.

257. Ходашинский, И.А. Оптимизация параметров нечетких систем на основе модифицированного алгоритма пчелиной колонии / И.А. Ходашинский, И.В. Горбунов // Мехатроника, автоматизация, управление. - 2012. - № 10. С, - 15-20.

258. Ходашинский, И.А. Оценивание параметров функций принадлежности на основе алгоритма муравьиной колонии / И.А. Ходашинский, П.А. Дудин // Труда международной научно-технической конференции «Интеллектуальные системы» (IEEE AIS'07). - М.: Физматлиб, 2007. - Т. 1. - С. 88-94.

259. Ходашинский, И.А. Применение генетического алгоритма для обучения нечетких систем типа синглтон / И.А. Ходашинский, А.В. Лавыгина // Обозрение прикладной и промышленной математики. - 2007. - Т. 14, № 6. - С. 1143-1144.

260. Черняховская, М.Ю. Представление знаний в экспертных системах медицинской диагностики / М.Ю. Черняховская. - Владивосток: Институт автоматики и процессов управления ДВНЦ АН СССР, 1983. - 212 с.

261. Шилдт, Г. SWING: руководство для начинающих / Г. Шилдт.-М.: «Вильяме», 2007. - 704 с.

262. Штовба, С.Д. Идентификация нелинейных зависимостей с помощью нечеткого логического вывода в системе MATLAB / С.Д. Штовба // Математика в приложениях. - 2003. - № 2(2). - С. 9-15.

263. Штовба, С.Д. Классификация объектов на основе нечеткого логического вывода / С.Д. Штовба // Exponenta Pro - Математика в приложениях. - 2004. -№ 1(5). - С. 68-69.

264. Штовба, С.Д. Муравьиные алгоритмы / С.Д. Штовба // Exponenta Pro. Математика в приложениях. - 2003. - № 4. - С. 70-75.

265. Штовба, С.Д. Проектирование нечетких систем средствами MATLAB / С.Д. Штовба. - М.: Горячая линия - Телеком, 2007. - 288 е.: ил.

266. Щуревич, Е.В. Кластеризация знаний в системах искусственного интеллекта / Е.В. Щуревич // Информационные технологии. - 2009. - №2. - С. 25-29.

267. Щуревич, Е.В. Моделирование и анализ знаний в системах искусственного интеллекта / Е.В. Щуревич, Е.Н. Крючкова // Вестник Алтайского государственного технического университета им. И.И. Ползунова. - 2007. - №2. -С. 173-177.

268. Юнкеров, В.И. Математико-статистическая обработка данных медицинских исследований / В.И. Юнкеров, С.Г. Григорьев. - СПБ.: ВМедА, 2002. - 266 с.

269. Ярушкина, Н.Г. Мягкая экспертная система. Определение. Архитектура. Характеристики. Теоретические возможности и опыт разработки / Н.Г. Ярушкина, A.M. Наместников // Вестник Ульяновского государственного технического университета. -2000. - №3 (11).-С. 92-101.

270. Ярушкина, Н.Г. Нечеткие нейронные сети (часть 1) / Н.Г. Ярушкина // Новости искусственного интеллекта. - 2001. - № 2-3. - С. 47-52.

271. Ярушкина, Н.Г. Нечеткие нейронные сети (часть 2) / Н.Г. Ярушкина // Новости искусственного интеллекта. - 2001. - № 4. - С. 23-29.

272. Ярушкина, Н.Г. Основы теории нечетких и гибридных систем: Учеб. пособие / Н.Г. Ярушкина. - М.: Финансы и статистика, 2004. - 320 е.: ил.

273. Ярушкина, Н.Г. Прикладные интеллектуальные системы, основанные на мягких вычислениях / Н.Г. Ярушкина. - Ульяновск: УлГТУ, 2004. - 139 с.

274. Alatas, В. Chaotic bee colony algorithms for global numerical optimization / B. Alatas // Expert Systems with Application. - 2010. - V. 37. - P. 5682-5687.

275. Bache, K. UCI Machine Learning Repository [http://archive.ics.uci.edu/ml] / K. Bache, M. Lichman. - Irvine, CA: University of California, School of Information and Computer Science. 2013.

276. Batyrshin, I. Uncertainties with memory in construction of strict monotonie t-norms and t-conorms for finite ordinal scales: basic definitions and applications /1. Batyrshin // Applied and Computational Mathematics. - 2011. - Vol. 10, No 3. -P. 498-513.

277. Berenji, H. Inductive learning for fault diagnosis / H. Berenji, J. Ametha, D. Ven-gerov // IEEE Proceedings of 12th International Conference on Fuzzy Systems. -2003.-Vol. l.-P. 726-731.

278. Berredjem, T. Bearing faults diagnosis using fuzzy expert system relying on an Improved Range Overlaps and Similarity method / T. Berredjem, M. Benidir// Expert Systems with Applications. - 2018. - No 108. - P. 134-142.

279. Breiman, L. Arcing classifiers / L. Breiman // The Annals of Statistic. - 1998. -Vol. 26.-P. 801-849.

280. Castro, J.L. Fuzzy logic controllers are universal approximators / J.L. Castro // IEEE Trans, on Systems, Man and Cyb. Part B: Cybernetics. - 1995. - Vol. 25. -P. 629-635.

281. Castro, J.L. Fuzzy Systems with Defuzzification are Universal Approximators / J.L. Castro, M. Delgado // IEEE Transactions on Systems, Man and Cybernetics. -Part B: Cybernet. - 1996. - Vol. 26. - P. 149-152.

282. Cordon, O. A Classified review on the combination fuzzy logic-genetic algorithms bibliography / O. Cordon, F. Herrera, M. Lozano // Technical Report DECSAI-95129, Dept. of Computer Science and A.I., University of Granada, December 1996. - 35 p.

283. Cordon, O. A novel framework to design fuzzy rule-based ensembles using diversity induction and evolutionary algorithms-based classifier selection and fusion / O. Cordon, K. Trawinski // Lecture Notes in Computer Science (including subse-ries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics). - 2013. - Vol. 7902 LNCS (PART 1). - P. 36-58.

284. Cordon, O. On the bidirectional integration of fuzzy logic and genetic algorithms / O. Cordon, F. Herrera, M. Lozano // 2nd Online Workshop on Evolutionary Computation (WEC2), Nagoya (Japan), 1996. - P. 13-17.

285. Cybenko, G. Approximation by superpositions of a sigmoidal functions / G. Cyben-ko // Mathematics of Control, Signal and Systems. - 1989. - Vol. 2. - P. 303-314.

286. Dorigo, M. Ant system: optimization by a colony of cooperating agents / M. Do-rigo, V. Maniezzo, A. Colorni // IEEE Transactions on Systems, Man, and Cybernetics. - 1996. - Vol. 26. - P. 29-41.

287. Dorigo, M. Optimization, learning and natural algorithms / M. Dorigo, V. Maniezzo, A. Colorni // Milano: Politécnico di Milano, 1992. - 140 p.

288. Efiron, B. Bootstrap Methods: Another Look at the Jackknife / B. Efiron // Annals of Statistics. - 1979. - Vol. 7, No 1. - P. 1-26.

289. Efiron, B. Improvements on Cross-Validation: The 0.632+ Bootstrap Method / B. Efiron, R. Tibshirani // Journal of the American Statistical Association. - 1997. -Vol. 92, No 438. - P. 548-560.

290. Fedunov, B.E. Tactical-level onboard real-time advisory expert systems for manned aircraft as development and maintenance entities / B.E. Fedunov // Journal of Computer and Systems Sciences International. - 2016. - Vol. 55, No 4. -P. 579-597.

291. Fisher, R.A. The Use of Multiple Measurements in Taxonomic Problems / R.A. Fisher // Annals of Eugenics. - 1936. No. 7. - P. 179-188.

292. Frawley, M.J. Knowledge discovery in databases: An overview / M.J. Frawley, G. Piatesky-Shapiro, C.J. Matheus. - AI Magazine, 1992. - P. 1-27.

293. Fuzzy Logic Toolbox. User's Guide, Version 2. - The Math Works Inc., 1999.

294. Harding, J.A. Data Mining in Manufacturing: A Review / J.A. Harding, M. Shah-baz, A. Kusiak, J. Man. // Science Engeneering. - 2006. - No 128. - P. 969-976.

295. Herrera, F. A Learning process for fuzzy control rules using genetic algorithms / F. Herrera, M. Lozano, J. Verdegay // Fuzzy Sets and Systems. - 1998. - No 100. -P. 143-158.

296. Ho, T.K. The random subspace method for constructing decision forests / T.K. Ho // IEEE Trans, on Pattern Analysis and Machine Intelligence. - 1998. - Vol. 20. -P. 832-844.

297. Hoffmann, F. Evolutionary Algorithms for fuzzy control system design / F. Hoffmann // Proceedings of IEEE. - 2001. - Vol. 20, No 5. - P. 1318-1333.

298. Holland, J.H. Adaptation in Natural and Artificial Systems, Ann Arbor / J.H. Holland: University of Michigan Press, 1975.

299. Hornik, K. Some results on neural network approximation / K. Hornik // Neural Networks. - 1993. - Vol. 6. - P. 1069-1072.

300. Jang, J.R. ANFIS: Adaptive-Network-based Fuzzy Inference Systems / J.R. Jang, C.T. Sun // IEEE Tranc. on Systems, Man and Cybernetics. - 1993. - Vol. 23. -P. 665-685.

301. Jang, J.R. Neuro-Fuzzy and Soft Computing. A Computational Approach to Learning and Machine Intelligence / J.R. Jang, C.T. Sun, E. Mizutani. - Prentice Hall, 1997.-613 p.

302. Karaboga, D. On the performance of artificial bee tual bee algorithms / D. Kara-boga, B. Basturk // Applied Soft Computing, 2008. - V.8. - P. 687-697.

303. Kasbe, T. Design and Implementation of Fuzzy Expert System for Dengue Diagnosis / T. Kasbe , R.S. Pippal // Advances in Intelligent Systems and Computing. -2019.-No 870.-P. 1-9.

304. Khodashinsky, I.A. Parametric Fuzzy Model Identification Based on Hybrid and Colony Algorithm / I.A. Khodashinsky, P.A. Dudin // Optoelectronics, Instrumentation and Data Processing. - 2008. - Vol. 44, No 5. - P. 402-411.

305. Klir, G.J. Fuzzy arithmetic with requisite constraints / G.J. Klir // Fuzzy Sets and Systems. - 1997. - No 91(2). - P. - 165-175.

306. Klir, G.J. On fuzzy-set interpretation of possibility theory / G.J. Klir // Fuzzy Sets and Systems. - 1999. - No 108(3). - P. 263-273.

307. Korenevskii, N.A. Generation of fuzzy network models taught on basis of data structure for medical expert systems / N.A. Korenevskii, R.A. Krupchatnikov, S.A. Gorbatenko // Biomedical Engineering. - 2008. - Vol. 42, No 2. - P. 67-72.

308. Kosko, B. Fuzzy systems as universal approximators / B. Kosko // Proceedings of the IEEE International Conference on Fuzzy Systems. - 1992. - P. 1153-1162.

309. Kovalev, S. Fuzzy model based intelligent prediction of objective events / S. Kova-lev, A. Sukhanov, V. Styskala // Advances in Intelligent Systems and Computing. -2016.-Vol. 423.-P. 23-33.

310. Kwiatkowska, M. Knowledge-based data analysis: first step toward the creation of clinical prediction rules using a new typicality measure / M. Kwiatkowska , M.S. Atkins , N.T. Ayas , C.F. Ryan // IEEE Transactions on Information technology in biomedicine. -2007. - Vol. 11, No 6. - P. 651-660.

311. Larichev, O. Effectiveness evaluation of expert classification methods / O. Lari-chev, A. Asanov, Y. Naryzhny // European Journal of Operational Research. -2002. - Vol. 138, No 2. - P. 260-273.

312. Larsen, P.M. Industrial applications of fuzzy logic control / P.M. Larsen // International Journal of Man-Machine Studies. - 1980. - Vol. 12. - No 1. - P. 3-10.

313. Lozano, M. Genetic algorithms applications to fuzzy logic based systems / M. Lozano, F. Herrera, J. Verdegay // 9th Polish-Italian and 5th Polish-Finnish Symposium on Systems Analysis. - Omnitech Press, 1993. - P. 125-134.

314. Mahmoodabadi, S.Z. A fast expert system for electrocardiogram arrhythmia detection / S.Z. Mahmoodabadi, J. Alirezaie, P. Babyn, A. Ahmadian, M. Abolhasani // Expert Systems. - 2010. - Vol. 27, No 3. - P. 180-200.

315. Mamdani, E.H. Application of Fuzzy Logic to Approximate Reasoning Using Linguistic Synthesis / E.H. Mamdani // IEEE Transactions on Computers. - 1977. -Vol. 26. - P. 1182-1191.

316. Mamdani, E.H. Experiment in linguistic synthesis with a fuzzy logic controller / E.H. Mamdani, S. Assilian // International Journal of Human Computer Studies. -1999.-No 51(2).-P. 135-147.

317. Mouzouris, G.C. Non-singleton fuzzy logic systems / G.C. Mouzouris, J.M. Mendel // Proceedings of the Third IEEE Conference on Fuzzy Systems. - 1994. -Vol. 1. - P. 456-461.

318.Namestnikov, A.M. An ontology-based model of technical documentation fuzzy structuring / A.M. Namestnikov, A.A. Filippov, V.S. Awakumova // CEUR Workshop Proceedings. - 2016. - Vol. 1687. - P. 63-74.

319. Pea, J.M. Knowledge discovery in bioinformatics / J.M. Pea, E. Vityaev // Intelligent data analysis. - 2010. - Vol. 14, No 2. - P. 157-158.

320. Pham, D.T. Optimisation of a fuzzy logic controller using the Bees Algorithm / D.T. Pham, A.H. Darwish, E.E. Eldukhri // International Journal of Computer Aided Engineering and Technology. - 2009. - Vol. 1, No 2 - P. 250-264.

321. Roy, A. A fuzzy decision support system for multifactor authentication / A. Roy, D. Dasgupta // Soft Computing. - 2018. - No 22 (12). - P. 3959-3981.

322. Rule Maker for CubiCalc. HyperLogic Corporation, 1994 - 30 p.

323. Sahami, M. A Bayesian approach to filtering junk e-mail / M. Sahami, S. Dumais, D. Heckerman, E. Horvitz // AAAI Workshop on Learning for Text Categorization. - 1998. -P 55-62.

324. Schapire, R. The boosting approach to machine learning: An overview / R. Scha-pire. - MSRI Workshop on Nonlinear Estimation and Classification, Berkeley, CA, 2001.-23 p.

325. Sergienko, R.B. Michigan and Pittsburgh Methods Combining for Fuzzy Classifier Generating with Coevolutionary Algorithm for Strategy Adaptation / R.B. Sergienko, E.S. Semenkin. - Proc. of 2011 IEEE Congress on Evolutionary Computation, New Orleans, LA, USA, 2011.

326. Setiawan, N.A. Fuzzy decision support system for coronary artery disease diagnosis based on rough set theory (Book Chapter) / N.A. Setiawan // Fuzzy Systems: Concepts, Methodologies, Tools, and Applications. - 2017. - No 3-3. - P. 1367-1384.

327. Shatovska, T.B. Data Mining Repository / T.B. Shatovska, V.B. Repka, I.V. Ka-menieva, M.M. Marchenko // Bionics of Intelligence: Sci. Mag. - 2009. - Vol. 2 (71). - P. 75-78.

328. Solovyev, V. Expert-system-based ecologists' workstations / V. Solovyev, S. Kuzmin // Journal of Applied Expert Systems. - 1993. - Vol.1, No 3. - P. 75-86.

329. Stefanescu, L. Expert system and its applications for a sustainable environment management / L. Stefanescu, L. Ungureanu, M. Constantinescu, C. Barbu, A. Stefanescu // Journal of environmental protection and ecology. - 2011. - Vol. 12, No 3. - P. 1582-1591.

330. Sugeno, M. A note on derivatives of functions with respect to fuzzy measures / M. Sugeno // Fuzzy Sets and Systems. - 2013. - No 222. - P. 1-17.

331. Sugeno, M. On Improvement of Stability Conditions for Continuous Mamdani-Like Fuzzy Systems / M. Sugeno, T. Taniguchi // IEEE Transactions on Systems, Man, and Cybernetics, Part B: Cybernetics. - 2004. - No 34(1). - P. 120-131.

332. Teodorovic, D. Bee Colony Optimization (BCO) / D. Teodorovic // Innovations in Swarm Intelligence. Heidelberg: Springer-Verlag, 2009. - V.248. - P.39-60.

333. Terano, T. Knowledge acquisition from questionnaire data using simulated breeding and inductive learning methods / T. Terano, Y. Ishino // Expert Systems with Applications. - 1996. - No 11 (4 SPEC. ISS.). - P. 507-518.

334. Terano, T. The JIPDEC checklist-based guideline for expert system evaluation / T. Terano // International Journal of Intelligent Systems. - 1994. - No 9(9). -P. 893-925.

335. Thiago, S.G. A review of machine learning approaches to Spam filtering / S.G. Thiago, M.C. Walmir // Expert Systems with Applications. - 2009. - Vol. 36, No 7.-P. 10206-10222.

336. Ulum, M.B. Designing fuzzy expert system to identify child intelligence / M.B. Ulum , V. Tundjungsari // Telkomnika (Telecommunication Computing Electronics and Control). - 2018. - Nol6 (4). - P. 1688-1696.

337. Vagin, V. Application of intelligent data analysis methods for information security problems / V. Vagin, S. Antipov, M. Fomina, O. Morosin // Advances in Intelligent Systems and Computing. - 2018. - Vol. 679. - P. 16-25.

338. Vasil'ev, O.M. Knowledge representation and acquisition in expert systems for pattern recognition / O.M. Vasil'ev, D.P. Vetrov, D.A. Kropotov // Computational mathematics and mathematical physics. - 2007. - Vol. 47, No 8. - P. 1373-1397.

339. Vovk, S.P. Modeling and forecasting of transitions between levels of hierarchies in difficult formalized systems / S.P. Vovk, L.A. Ginis // European Researcher. -2012. - Vol. 1, No 5. - P. 541-545.

340. Vrana, I. Modeling heterogeneous experts preference ratings for environmental impact assessment through a fuzzy decision making system / I. Vrana , S. Aly // IFIP advances in information and communication technology. - 2011. - Vol. 359. -P. 535-549.

341. Wang, L.X. Fuzzy basis functions, universal approximation, and orthogonal least squares learning / L.X. Wang, J.M. Mendel // IEEE Transactions of Neural Networks. - 1992. - Vol. 3. - P. 807-813.

342. Wang, L.X. Fuzzy systems are universal approximators / L.X. Wang // Proceed-gins of IEEE International Conference on Fuzzy Systems. - San Diego, CA, 1992. -Vol. 10.-P. 1163-1170.

343. Wang, Y. Power load forecasting using data mining and knowledge discovery technology / Y. Wang , D. Niu , L. Ji // International journal of intelligent information and database systems. - 2011. - Vol. 5, No 5. - P. 452-467.

344. Wedde, H.F. BeeHive: An Afficient Fault-Tolerant Routing Algorithm Inspired by Honey Bee Behavior / H.F. Wedde, M. Farooq, Y. Zhang // Ant colony optimization and swarm intelligence, LNCS 3172. Berlin: Springer-Verlag, 2004. -P. 83-94.

345. Yang, X.-S. Engineering Optimizations via Nature-Inspired Virtual Bee Algorithms / X.-S. Yang // IWINAC 2005, LNCS 3562. Berlin: Springer-Verlag, 2005. - P. 317-323.

346. Yang, Y.-R. Grey relational analysis model software quality assessment with triangular fuzzy information / Y.-R. Yang, H.-C. Wang, Y.-H. Xin // International Journal of Knowledge-Based and Intelligent Engineering Systems. - 2017. - No 21(2).-P. 97-102.

347. Yuanchun, Z. A Local-Concentration-Based Feature Extraction Approach for Spam Filtering / Z. Yuanchun, T. Ying // IEEE Transactions on Information Foren-sics and Security. - 2011. - Vol. 6, No 2. - P. 486-497.

348. Zadeh, L.A. Fuzzy Sets / L.A. Zadeh // Information and Control. - 1965. - Vol. 8. -P. 338-353.

349. Zadeh, L.A. Fuzzy Sets and Information Granularity / L.A. Zadeh, in: M.Gupta, R.Ragade and R. Yager (eds), Advances in Fuzzy Set Theory and Applications, North-Holland, Amsterdam, 1979. - P. 3-18.

350. Zadeh, L.A. Outline of a New Approach to the Analysis of Compex Systems and Decision Processes / L.A. Zadeh // IEEE Transactions on Systems, Man and Cybernetics. - 1973. - Vol. SMC 3. - P. 28-44.

351. Zadeh, L.A. Some Reflections on Information Granulation and its Centrality in Granular Computing, Computing with Words, the Computational Theory of Perceptions and Precisiated Natural Language / L.A. Zadeh. In Y. Lin, Tsau Yiyu Yao, Lotfi A. Zadeh // Data Mining, Rough Sets and Granular Computting. Heidelberg - N. Y., 2002. Studies in Fuzziness and Soft Computing, 95. - P. 3-20.

352. Zadeh, L.A. The Concept of a Linguistic Variable and its Application to Approximate Reasoning, Part 1, 2 and 3 / L.A. Zadeh // Information Sciences. - 1975. - Vol. 8. -P. 199-249, 301-357 and Information Sciences. - 1976. - Vol. 9. - P. 43-80.

353. Zadeh, L.A. Toward a Theory of Fuzzy Information Granulation and its Centrality in Human Reasoning and Fuzzy Logic / L.A. Zadeh // Fuzzy Sets and Systems. -1997.-No 90.-P. 111-127.

354. Zhou, Z.-H. Ensembling neural networks: Many could be better than all / Z.-H. Zhou, J. Wu, W. Tang // Artificial Intelligence. - 2002. - Vol. 137, No 1-2. -P. 239-263.

ПРИЛОЖЕНИЕ 1 СВИДЕТЕЛЬСТВА О ГОСУДАРСТВЕННОЙ РЕГИСТРАЦИИ РАЗРАБОТАННЫХ ПРОГРАММ ДЛЯ ЭВМ

РДОСШЙОШИ ФВДЖЗРАЩШШ

жжжжж_ж ж ж ж ж ж

ж

ж ж

ж

ж ж ж ж ж ж

ж

ж

ж

ж ж

ж

жжжжж

СВИДЕТЕЛЬСТВО

о государственной регистрации программы для ЭВМ

№ 2013661597

Программа для автоматизированного формирования баз знаний мягких экспертных диагностических систем

Правообладатель: Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования «Казанский национальный исследовательский технический университет им. А.Н. Туполева-КАИ» (КНИТУ-КАИ) (111/)

Авторы: Катасёв Алексей Сергеевич (Я11), Левадный Тимур Русланович (1111)

Заявка № 2013619692

Дата поступления 24 Октября 2013 Г.

Дата государственной регистрации в Реестре программ для ЭВМ 11 декабря 2013 г.

Руководитель Федеральной службы по интеллектуальной собственности

Б. П. Симонов

ЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖ<Ш

Ж

Ш

ш

ш

шшшшшш

СВИДЕТЕЛЬСТВО

о государственной регистрации программы для ЭВМ

№ 2018619097

Программа «М2000 - Smart Factory»

Правообладатель: Общество с ограниченной ответственностью «ЛМФИТЕЛ ПЛЮС» (RU)