Методы и средства построения информационных хранилищ при автоматизированном проектировании тема диссертации и автореферата по ВАК РФ 05.13.12, кандидат технических наук Вельмисов, Александр Петрович

  • Вельмисов, Александр Петрович
  • кандидат технических науккандидат технических наук
  • 2006, Ульяновск
  • Специальность ВАК РФ05.13.12
  • Количество страниц 196
Вельмисов, Александр Петрович. Методы и средства построения информационных хранилищ при автоматизированном проектировании: дис. кандидат технических наук: 05.13.12 - Системы автоматизации проектирования (по отраслям). Ульяновск. 2006. 196 с.

Оглавление диссертации кандидат технических наук Вельмисов, Александр Петрович

Введение.

Глава 1. Обзор работ и практических реализаций, посвященных интеллектуальному анализу данных и представлению нечетких данных в системах управления базами данных.

1.1 .Задача анализа данных.

1.2.Обзор моделей и реализаций нечетких БД.

1.3. Обзор методов интеллектуального анализа данных для решения задачи кластеризации и классификации.

1.3.1. Гипотеза компактности.

1.3.2. Гипотеза А- компактности.

1.4.ДСМ-метод и его модификации.

1.4.1.ДСМ-мето д.

1.4.2.ДСМ-метод автоматического порождения гипотез (ДСМ-АПГ).

1.5. Примеры систем извлечения знаний из данных.

1.5.1. Предметно-ориентированные аналитические системы.

1.5.2. Статистические пакеты.

1.5.3. Системы на основе моделей нейронных сетей.

1.5.4. Системы, использующие рассуждения на основе прецедентов.

1.5.5. Системы, использующие деревья решений.

1.5.6. Системы, использующие эволюционное программирование.

1.5.7. Системы на основе генетических алгоритмов.

1.5.8. Системы, использующие алгоритмы ограниченного перебора.

1.6 Обзор программных реализаций Data Miner.

1.6.1. Data Mining Suite™.

1.6.2. IBM Intelligent Miner.

1.6.3. Oracle Dataminer.

1.6.4. Microsoft OLE DB for Data Mining Specification in SQL Server

1.6.5. Statistica.

1.6.6. 1С Предприятие.

1.6.7. Polyanalyst.

1.6.8.Краткий обзор свободно распространяемых продуктов.

1.7. Стандарты и спецификации, используемые при определении архитектур систем извлечения знаний из данных.

1.7.1. Стандарты.

1.7.2. Языки спецификации задач извлечения знаний.

1.8.Вывод ы.

Глава 2. Математические методы анализа нечетких данных.

2.1. Нечеткая кластеризация.

2.1.1. Задача нечеткой кластеризации.

2.1.2.Общая формальная постановка задачи нечеткого кластерного анализа.

2.1.3. Уточненная постановка задачи нечеткой кластеризации.

2.1.4. Алгоритм решения задачи нечеткой кластеризации методом нечетких с-средних (FCM).

2.1.5. Гибридный алгоритм нечеткой кластеризации.

2.2. Нечеткая реляционная модель данных.

2.3. Нечеткая кластеризация с помощью нейронных сетей.

2.3.1. Алгоритм решения задачи нечеткой кластеризации методом сети Кохонена.

2.4. Поиск зависимостей на нечетких данных с помощью нечетких нейронных сетей разных архитектур.

2.4.1. Нечеткие нейронные сети.

2.4.2. Структура нечеткой сети ANFIS.

2.4.3. Гибридный алгоритм обучения адаптивных сетей.

2.4.4. Гибридный алгоритм обучения ANFIS.

2.4.5. Генерация нечетких правил.

2.4.6. Гибридная нечеткая нейронная сеть.

2.4.7. Обучение гибридной сети.

2.5.Выводы.

Глава 3. Структурно-функциональное решение Fuzzy Data Miner.

3.1 Описание нечеткого реляционного сервера данных.

3.1.1. Выбор инструментальных средств и технологий.

3.1.2. Информационная структура служебных таблиц представления нечетких данных.

3.1.3 Функциональное решение.

3.1.4. Требования к установке системы.

3.2. Реализация модуля кластеризации.

3.2.1 Реализация алгоритма гибридной кластеризации.

3.2.2. Реализация алгоритма Кохонена.

3.2.3. Выходные формы.

3.3 Реализация гибридной нечеткой нейронной сети.

3.3.1. Оперативная структура хранения.

3.3.2. Внешняя структура хранения.

3.3.3. Описание структур хранения.

3.3.4 Модуль реализации гибридной нечеткой нейронной сети.

3.3.5. Выходные формы.

3.4.Общая структура программного комплекса Fuzzy Data Miner.

3.5.Выводы.

Глава 4. Название.

4.1 Задача анализа социологической базы данных.

4.1.1 Постановка задачи.

4.1.2 Результаты анализа.

4.2 Задача структуризации информационных ресурсов.

4.2.1.Постановка задачи.

4.2.2. Интеллектуальная система поддержки принятия решений: структура и функции.

4.2.3. Проведение эксперимента.

4.2.4. Структурирование информационных ресурсов ФНПЦ «ОАО

МАРС».

4.3. Анализ эффективности ИСГШР.

4.4 Выводы.

Рекомендованный список диссертаций по специальности «Системы автоматизации проектирования (по отраслям)», 05.13.12 шифр ВАК

Введение диссертации (часть автореферата) на тему «Методы и средства построения информационных хранилищ при автоматизированном проектировании»

Общая характеристика работы. Проектирование сложных технических изделий выполняется в наши дни распределенным коллективом проектировщиков, использующих информационные технологии и работающих в условиях развитой корпоративной сети. Результатом работы разрозненных коллективов проектировщиков является информационное хранилище, содержащее архивы старых проектных решений, текущие проекты, электронные описания проектов, файлы стандартов и правил. Международные стандарты (180-9000) требуют от предприятий иметь полное электронное представление изделий, причем фактически данные представления не всегда структурированы и часто представляют собой неупорядоченный один или несколько информационных ресурсов. Проведение структуризации неупорядоченного набора файлов возможно только при участии эксперта, который знает специфику всех направлений деятельности проектного подразделения и имеет представление о тематике старых архивных проектов.

Актуальность проблемы. При автоматизированном структурировании информационных ресурсов мы имеем дело с частотными словарями, где частота терма определяет принадлежность документа к той или иной тематике и для эксперта удобно оценивать величину частоты для конкретного документа в виде лингвистических понятий таких как «часто», «редко», «очень редко» и т.д. Проиндексировав все хранилище информационных ресурсов эксперт получает отношение частот термов и документов и дает лингвистические оценки частотным характеристикам термов. Далее требуется кластеризовать объекты, характеризующиеся нечеткими атрибутами в многомерном пространстве. Конкретная научно-техническая задача кластеризации нечетких данных для > автоматизированного проектирования не решена в науке и практике.

Таким образом, в теории и практике существует важная научно-техническая задача создания методов и средств организации информационного обеспечения систем автоматизированного проектирования (САПР), способного осуществлять кластеризацию неопределенных данных. С учетом вышесказанного, разработка методов кластеризации, адекватных проектной информации, и структурно-функционального решения, является актуальной задачей.

Цель диссертационной работы. Целью диссертации является снижение трудоемкости формирования проектных репозитариев за счет использования разработанных методов интеллектуального анализа нечетких данных.

Для методов интеллектуального анализа нечетких данных необходимо разработать структурно-функциональное решение.

Таким образом, объектом исследования является информационное обеспечение системы интеллектуального анализа данных, а субъектом исследования - фактор нечеткости характеристик информационных ресурсов, представимых в хранилище данных.

Задачи исследования. Для достижения поставленной цели необходимо решить ряд задач:

1. Исследовать особенности информационных ресурсов. Провести анализ результативности методов интеллектуального анализа нечетких данных для задач структурирования информационных ресурсов. Изучить ранее разработанные методы интеллектуального анализа данных, учитывающие нечеткость атрибутов объектов, и сделать вывод о возможности их применения.

2. Разработать методы кластеризации, позволяющие автоматизировано сформировать структуру проектного репозитария.

3. Разработать методику, позволяющую настраивать функции принадлежности нечетких атрибутов на основе не только оценок эксперта, но и фактических данных.

4. Разработать модель представления объектов проектирования набором нечетких правил.

5. Разработать структурно-функциональное решение для извлечения зависимостей в виде правил из нечетких данных.

6. Разработать программную систему, выполняющую нечеткую кластеризацию для структурирования хранилища информационных ресурсов.

7. Выполнить с помощью разработанного программного решения интеллектуальный анализ информационных ресурсов и осуществить структуризацию хранилища данных для проектной организации.

Методы исследования. Для решения поставленных задач использовались методы таксономии, аппарат реляционной алгебры, методы представления знаний, совокупность теорий, обобщенных направлением мягких вычислений, и проектирования программных систем.

В качестве инструментальных средств использовались: сервер баз данных Oracle9i, Java Developer Kit (Sun Microsystems), Borland Delphi 7, MySQL 4.1, PHP5.

Научная новизна. В работе проведено исследование проблемы, в котором новыми являются следующие результаты:

1. Предложен новый метод кластеризации нечетких данных. Отличие метода от известных заключается в том, что он позволяет кластеризовать сильно сгруппированные данные при отсутствии дополнительной информации о данных. Метод позволяет структурировать информационные ресурсы, описанные нечеткими характеристиками.

2. Предложена новая модель содержательной и навигационной структуры проектного репозитария в форме набора нечетких правил.

3. Сформирована новая методика использования интеллектуального анализа нечетких данных для организации проектных репозитариев при автоматизированном проектировании.

4. Разработано новое структурно-функциональное решение системы интеллектуального анализа нечетких данных.

Практическая значимость работы. Научно-исследовательская работа над разделами диссертации выполнялась в соответствии с договором НИР 100-НИЧ с ФНПЦ ОАО "НПО МАРС":

Практическая ценность полученных результатов состоит в следующем:

1. Созданная программная система - система интеллектуального анализа нечетких данных позволяет структурировать хранение информационных ресурсов. На основе модели данных можно создавать как хранилище данных, так и аннотации ресурсов, характеризующих их. Для ФНПЦ ОАО "НПО МАРС" была осуществлена структуризация хранилища информационных ресурсов.

2. Созданная программная система является инструментом для исследования зависимостей в нечетких реляционных базах данных. Наиболее перспективным направлением исследований является исследование свойств модели (неполные данные, неточные данные).

3. Созданная программная система используется в Ульяновском отделении Сберегательного банка РФ №7002 для структуризации клиентской базы физических лиц, позволяя классифицировать клиентов по принадлежности к категориям.

4. Созданная программная система используется в НП «УЦ «Раздолье» при проведении маркетинговых исследований и анализе данных полученных опросным путем от слушателей учебного центра.

Достоверность результатов диссертационной работы. Достоверность научных положений, выводов и рекомендаций подтверждена результатами математического моделирования, результатами экспериментов и испытаний, а также результатами использования материалов диссертации и разработанных систем в проектных подразделениях организаций и на производстве.

Основные положения, выносимые на защиту.

1. Алгоритм кластеризации нечетких данных.

2. Модель проектного репозитария, позволяющая использовать результаты кластеризации для организации среды хранения и навигации в информационном хранилище.

3. Методика использования нечетких нейронных сетей при построении проектных репозитариев в процессе автоматизированного проектирования.

4. Структурно-функциональное решение системы интеллектуального анализа нечетких данных, осуществляющее структурирование информационных ресурсов, характеризуемых нечеткими атрибутами.

Реализация результатов работы. Результаты диссертации и практические рекомендации использованы в ФНПЦ ОАО "НПО МАРС" для структурирования хранилища информационных ресурсов. Научные и практические результаты диссертационной работы внедрены в Ульяновском отделении Сберегательного банка РФ №7002 и НП «УЦ «Раздолье».

Практическое использование результатов диссертационной работы подтверждено соответствующими документами о внедрении.

Апробация работы. Основные положения и результаты диссертации докладывались и обсуждались: на четвертой международной научно-технической конференции «Математическое моделирование физических, экономических, технических, социальных систем и процессов» (Ульяновск, 2001); на международных конференциях «Континуальные логико-алгебраические исчисления и нейроинформатика в науке, технике и экономике» (Ульяновск, 2001, 2002, 2003, 2004, 2005, 2006); на XXXV, XXXVI, XXXVII, XXXIX научно-технических конференциях УлГТУ (Ульяновск, 2001, 2002, 2003, 2005); на международной конференции "Dynamical systems modeling and stability investigation" (Киев, 2001); на международной конференции «Математическое моделирование, статистика и информатика в современном управлении экономикой» (Самара, 2001); на 8-ой и 10-ой национальных конференциях по искусственному интеллекту с международным участием (Москва, 2002, 2006); на научной сессии МИФИ-2002 (Москва, 2002); на международной научно-технической конференции «Интеллектуальные системы» (Москва, 2006); на международной научно-технической конференции «Интеллектуальные САПР» (Москва, 2006); на всероссийской научной конференции «Нечеткие системы и мягкие вычисления» (Москва, 2006); на международной конференции "Applications of mathematics in engineering and economics" (Bulgaria, Sofia, 2006).

По теме диссертации опубликовано 24 печатные работы.

Личный вклад. Все результаты, составляющие содержание диссертации, получены автором самостоятельно.

Похожие диссертационные работы по специальности «Системы автоматизации проектирования (по отраслям)», 05.13.12 шифр ВАК

Заключение диссертации по теме «Системы автоматизации проектирования (по отраслям)», Вельмисов, Александр Петрович

Основные выводы и итоги:

1. Выполнен научный анализ современных работ в области информационного обеспечения САПР, рассмотрены существующие методы интеллектуального анализа, проанализированы возможности применения в ходе автоматизированного проектирования ранее разработанных методов и моделей.

2. Разработаны методы кластеризации позволяющие работать с нечеткими атрибутами при отсутствии дополнительной информации о характере данных.

3. Разработана методика, позволяющая настраивать функции принадлежности нечетких атрибутов при анализе представленных данных.

4. Построена модель, описывающая набор правил, извлеченных из реляционной базы данных с нечеткими атрибутами.

5. Разработано структурно-функциональное решение системы извлечения зависимостей в виде правил из нечеткой системы управления базами данных.

6. Реализована программная система позволяющая проводить нечеткую кластеризацию для структурирования хранилища информационных ресурсов.

Проведен интеллектуальный анализ информационных ресурсов и осуществлена структуризация хранилища данных ФНПЦ ОАО "НПО > МАРС" с помощью разработанного программного комплекса. Внедрение подтверждает результативность построенных моделей и алгоритмов.

Заключение

Главным итогом диссертационной работы является исследование информационных ресурсов, разработка модели нечеткой нейронной сети и : алгоритмов кластеризации для интеллектуального анализа нечетких данных в реляционных системах управления базами данных.

Список литературы диссертационного исследования кандидат технических наук Вельмисов, Александр Петрович, 2006 год

1. Аверкин А.Н. Нечеткое отношение моделирования и его использование для классификации и аппроксимации в нечеткихлингвистических пространствах. // Изв. АН СССР. Техническаякибернетика.- 1982.-N2.- с.215-217

2. Аверкин А., Батыршин И. Мягкие вычисления. Новости искусственного интеллекта, 3, 1996, 161-164.

3. Алиев P.A. Теоретические аспекты построения размытых систем управления // Изв. вузов СССР. Нефть и газ, 1981. N9. с.83-87

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

5. Армстронг Е., Бобровский С., Фразини Д. и др. Сервер Огас1е7. Руководство разработчика приложений. Пер. с англ. АО РДТех Протвино. 1996.

6. Батыршин И.З. Методы представления и обработки нечеткой информации в интеллектуальных системах. Новости искусственного интеллекта, 1996, 2, 9 - 65.

7. Беллман Р., Заде JI. Принятие решений в расплывчатых условиях. // Вопросы анализа и процедуры принятия решений. / М. Мир, 1976.

8. Берштейн JI.C., Боженюк A.B. Нечеткие модели принятия решений: дедукция, индукция, аналогия. Монография. Таганрог: Изд-во ТРТУ, 2001. 110с.

9. Бобровски С. Oracle 7 и вычисления клиент-сервер. Пер. с англ. М.: Лори, 1996. 650с.

10. Ю.Бобровски С. Объекты в Огас1е8 / Русское издание Oracle Magazine N4, 1997i П.Борисов А.Н., Алексеев A.B., Крумберг O.A. и др. Модели принятиярешений на основе лингвистической переменной. Рига: Зинатне, 1982

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

12. Борисов А.Н. Системы, основанные на знаниях, в автоматизированном проектировании/Методическая разработка.-Рига: РПИ, 1989.- 126 с.

13. М.Борисов А.Н., Федоров И.П. Формирование технических решений на основе экспертных знаний. Изв. АН СССР, Техническая кибернетика N5 1990, с. 154-164

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

15. Вельмисов А.П. Формирование портфеля ценных бумаг с использованием генетического алгоритма. Тезисы докладов XXXV научно-технической конференции УлГТУ «Вузовская наука в современных условиях». Ульяновск: УлГТУ, 2001г., с.55-56.

16. Вельмисов А.П. Формирование портфеля ценных бумаг с использованием генетических алгоритмов и методов нейрокомпьютинга. Thesis of international conference reports

17. Dynamical systems modeling and stability investigation". "Modelling@ Stability". Kyiv: Киевский национальный университет, 2001., p. 151

18. Вельмисов А.П. Нечеткие сети. Тезисы докладов XXXVI научно-технической конференции УлГТУ «Вузовская наука в современных условиях». Ульяновск: УлГТУ, 2002г., с.43-44.

19. Вельмисов А.П. Извлечение скрытых зависимостей из нечетких баз данных. Научная сессия МИФИ-2002. Сборник научных трудов. Т.З: Интеллектуальные системы и технологии. -М.:МИФИ, 2002г., с. 167

20. Вельмисов А.П. Использование нейрокомпьютинга для DATAMINING в возможностных базах данных. Тезисы докладов XXXVII научно-технической конференции УлГТУ «Вузовская наука в современных условиях». Ульяновск: УлГТУ, 2003г., с.9-10.

21. Вельмисов А.П. Расширенные функциональные зависимости. Труды международной конференции КЛИН-2003. Т.З: Системыискусственного интеллекта и нейроинформатика. Ульяновск: УлГТУ, 2003г., с.38-41.

22. Вельмисов А.П. Гибридные нейро-фаззи модели для анализа нечетких данных». Труды международной конференции КЛИН-2004. Т.З: Системы искусственного интеллекта и нейроинформатика. -Ульяновск: УлГТУ, 2004г., с.34-37.

23. Вельмисов А.П. Использование гибридных систем для анализа нечетких данных. Сборник научных трудов «Прикладная математика и механика», вып. 6 Ульяновск: УлГТУ, 2004г., с. 213-220.

24. Вельмисов А.П. Расширенные функциональные зависимости в реляционных базах данных. Вестник УлГТУ, вып. 3 Ульяновск: УлГТУ, 2004г., с.52-55.

25. Вельмисов А.П. Гибридные нейро-фаззи модели для анализа нечетких данных». Вестник УлГТУ, вып. 4 Ульяновск: УлГТУ, 2004г., с.43-44.

26. Вельмисов А.П. Интеллектуальный анализ нечетких данных. Труды международной конференции КЛИН-2005. Т.4: Математические методы и модели в прикладных задачах науки и техники. -Ульяновск: УлГТУ, 2005г., с.30-35

27. Вельмисов А.П. Кластеризация кортежей нечеткого реляционного сервера данных. Тезисы докладов XXXIX научно-технической конференции УлГТУ «Вузовская наука в современных условиях», ч.1 Ульяновск: УлГТУ, 2005г., с.83

28. Вельмисов А.П. DATA MINER для нечеткого реляционного сервера данных. Тезисы докладов XXXIX научно-технической конференции УлГТУ «Вузовская наука в современных условиях», ч. 2 Ульяновск: УлГТУ, 2005г., с.96

29. Вельмисов А.П. Система анализа нечетких данных. Труды международной конференции КЛИН-2006. Т.4: Математическиеметоды и модели в прикладных задачах науки и техники. -Ульяновск: УлГТУ, 2006г., с.92-93.

30. Зб.Вельмисов А.П. Алгоритм нечеткой кластеризации. Труды средневолжского математического общества. Т.8, №1 Саранск: Средневолжское математическое общество, 2006г., с. 192-197.

31. А. Velmisov, Hybrid Clustering Algorithm, J. "Applications of mathematics in engineering and economics". Bulgaria, Sofia, Softtrade, Ltd.,2006, p.44-50.

32. Гаврилова T.A., Хорошевский В.Ф. Базы знаний интеллектуальных систем СПб: Питер, 2000 - 386с.

33. Горбоконенко Е.А., Емелеев Э.Р. Обзор направлений развития разработок нечеткой логики в информационно-поисковых системах и системах с базами данных. Сборник тезисов докладов XXXIV Научно-технической конференции УлГТУ. Ульяновск: УлГТУ, 2000г.

34. Горбоконенко Е.А., Ярушкина Н.Г. Представление нечеткой информации в СУБД. Труды 7-ой национальной конференции по искусственному интеллекту с международным участием. М.: Из-во Физико-математической литературы, 2000г.

35. Горбоконенко Е.А. Реализация подсистемы обработки нечеткой информации в СУБД. Вестник УлГТУ N3, 2000г.

36. Горбоконенко Е.А. Применение МУА-технологий в исследовании ТиТ^У-систем. Труды международной научно-технической конференции Информационные технологии в математических исследованиях. Пенза: Пензенский технологический институт, 2000г.

37. Горбоконенко Е.А. Исследование возможности создания нечеткой базы данных. Труды международной научно-технической конференции Информационные технологии в математических исследованиях. Пенза: Пензенский технологический институт, 2000г.

38. Горбоконенко Е.А. Организация нечеткой среды хранения на основе серверов данных. Проектирование экономических информационныхсистем: отчет по НИР N01990010088 / УлГТУ, Руководитель Ярушкина Н.Г. Инвентарный N02200102488 2000г.

39. Горбоконенко Е.А., Ярушкина Н.Г. Применение нечеткой СУБД в САПР. Труды конгресса «Искусственный интеллект в XXI веке». Научное издание. М.: Издательство Физико-математической литературы, 2001г.

40. Горбоконенко Е.А. FuzzyData Manager. Регистрационный номер в Информационно-библиотечном фонде Российской Федерации 50200100422.

41. Горбоконенко Е.А., Ярушкина Н.Г. Реализация нечеткого поиска в БД архивов проектов. Научая сессия МИФИ-2002. Сборник научных трудов. Т.З. Интеллектуальные системы и технологии. М.: МИФИ, 2002г.

42. Грубер М. Понимание SQL. Пер. с англ. М. 1993. 420с.

43. Заде Л. Понятие лингвистической переменной и его применение к принятию приближенных решений. М. Мир, 1976

44. Захаров В.Н., Ульянов C.B. Нечеткие модели интеллектуальных промышленных регуляторов и систем управления. 2. Эволюция и принципы построения.-Известия АН РАН. Сер. Техн. кибернетика, N4, 1993, с. 189-205.

45. Интеллектуальные системы принятия проектных решений / Алексеев A.B., Борисов А.Н., Вилюмс Э.Р. Слядзь H.H., Фомин С.А. Рига: Зинатне, 1997.-320 с.

46. Клир Дж. Системология. Автоматизация решения системных задач: Пер. с англ. М.: Радио и связь, 1990.- 544 с.

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

48. Кудрявцев Л.Д. Курс математического анализа: Учеб. для студентов университетов и вузов. В 3 т. М.: Высш. шк., 1988

49. Кузнецов С.Д. Введение в СУБД. СУБД, 1,1995 - 6,1996

50. Ладыженский Г. Технология клиент-сервер и мониторы транзакций. -Открытые системы, 4, 1994

51. Левин Р., Дранг Д., Эделсон Б. Практическое введение в технологию искусственного интеллекта и экспертных систем с иллюстрациями на Бейсике.- М.: Финансы и статистика, 1990.- 239с.

52. Линден Б. Сервер Огас1е7. Справочное руководство по языку SQL. Пер. с англ. АО РДТех Протвино. 1996.

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

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

55. Маковский В.А., Похлебаев В.И. Базы знаний (экспертные системы). М.: Издательство стандартов, 1993. - 37с.

56. Максименков A.B., Селезнев М.Л. Основы проектирования информационно-вычислительных систем и сетей ЭВМ. М.: Радио и связь, 1991

57. Малышев Н.Г. и др. Нечеткие модели для экспертных систем в САПР / Н.Г.Малышев, Л.С.Берштейн, А.В.Боженюк. -М: Энергоатомиздат, 1991.- 136 с.

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

59. Масалович А.И. Прогноз дает . компьютер / Софтмаркет, N 23, 1996, стр.6.

60. Математическая энциклопедия / Гл.ред. Виноградов И.М. М.: Советская энциклопедия. 1984 г.

61. Мейер Д. Теория реляционных баз данных. Пер. с англ. М: «Мир», 1987. 608с.

62. Мелихов А.Н., Бернштейн Л.С., Коровин С.Я. Ситуационные советующие системы с нечеткой логикой. М.: Наука. Гл. ред. физ.-мат. лит. 1990.- 272с.

63. Мельцер М.И. Диалоговое управление производством. М.: Финансы и статистика, 1983.

64. Негойце К. Применение теории систем к проблемам управления. М.: Мир, 1981

65. Нейлор К. Как построить свою экспертную систему.-М.:Энергоатомиздат, 1991.-286с.

66. Нечеткие множества в моделях управления и искусственного интеллекта / Под ред. Поспелова Д.А. М.: Наука. Гл. ред. физ.-мат. лит., 1986-312с.

67. Нечеткие множества и теория возможностей. Последние достижения. Пер. с англ. / Под ред. Ягера P.P. М.: Радио и связь, 1986 - 408с.

68. Нильсон Н. Принципы искусственного интеллекта.- М: Радио и связь, 1985.- 376с.

69. Обработка нечеткой информации в системах принятия решений / Борисов A.B., Алексеев A.B., Меркурьева Г.В. и др. М.: Радио и связь, 1989-304с.87.0рловский С.А. Проблемы принятия решений при нечеткой исходной информации. М.: Наука, 1981.

70. Пивкин В.Я., Бакулин Е.П., Кореньков Д.И. Нечеткие множества в системах управления.http://idisys.iae.nsk.su/fuzzybook/content.htinl)

71. Попов Э.В. Экспертные системы. М: Наука, 1987. - 288с.

72. Поспелов Д.А. Логико-лингвистические модели в системах управления.- М.:Энергоиздат, 1981.- 232с.

73. Поспелов Д.А. Моделирование рассуждений М.: Радио и связь, 1989.-184с.

74. Поспелов Д.А. Моделирование человеческих рассуждений в интеллектуальных системах//Лекции Всесоюз. шк. по основным проблемам искусственного интеллекта и интеллектуальным системам. Ч. 1.- Тверь: Центр программных систем, 1990.

75. Саати Р., Керне Д. Аналитическое планирование: организация систем. М. 1992

76. Саймон А.Р. Стратегические технологии баз данных: менеджмент на 2000 год: Пер. с англ. / Под ред. и с предисл. Когаловского М.Р. М.: Финансы и статистика, 1999. - 479с.

77. Симкин С., Бартлетт Н., Лесли Л. Программирование на Java. Путеводитель. Пер. с англ. К.: НИПФ «ДиаСофт.Лтд.», 1996. 736с.

78. Системы автоматизированного проектирования в радиоэлектронике: Справочник/Авдеев Е.В., Еремин А.Т., Норенков И.П., Песков М.И.; Под ред. Норенкова И.П. Радио и связь, 1986. - 368с.

79. Тарасов В.Б. От искусственного интеллекта к искусственной жизни: новые направления в науках об искусственном. Новости искусственного интеллекта. N 4. с.93-117

80. Тартаковский A.M., Курносов В.Е. Информационные технологии проектирования оптимальных конструктивных форм на основе методов эколюционного моделирования.1. ИТПП N3-4,1996 г., с.3-11

81. Теоретические основы САПР: Учебник для вузов. / Корячко В.П., Курейчик В.М., Норенков И.П. М.: Энергоатомиздат, 1987. - 400с.

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

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

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

85. Стефанюк В.Л. Некоторые аспекты теории экспертных систем// Известия АН СССР. Техническая кибернетика. 1987.- N2. с.85-91.

86. Тарасов В.Б. Моделирование предпочтений в задачах принятия решений параметризованными нечеткими отношениями// Нечеткиесистемы: моделирование структуры и оптимизация.- Калинин:Изд-во КГУ, 1987.- с.17-30.

87. Тарасов В.Б. Инструментальные средства разработки нечетких интеллектуальных систем.- Новости искусственного интеллекта, 3, 1991, с.93-107.

88. Уинстон Н. Искусственный интеллект. М: Мир, 1980. - 519с.

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

90. Финн В.К. Интеллектуальные системы и общество: Сборник статей. Серия «Науки об искусственном». 2006, 352 с.

91. Финн В.К., Виноградов Д.В. Интеллектуальная система пополнения семантических словарей // Программные продукты и системы, №2, 2006

92. Шапиро Д. И. Принятие решений в системах организационного управления: Использование расплывчатых категорий. М.: Энергоатомиздат, 1983, - 184с.

93. Шостак А.П. Двадцать лет нечеткой топологии: основные идеи, понятия и результаты.- Успехи математических наук. 1989. - Т. 44. -N6. - с.99-147.

94. Экспертные системы. Принципы работы и примеры/Под ред. Р. Форсайта.- М.: Радио и связь, 1987.- 224с.

95. Экспертные системы: состояние и перспективы/Под ред. Д.А. Поспелова- М.: Наука, 1989.- 152с.

96. Элти Дж., Кумбс М. Экспертные системы: концепции и примеры. М.: Финансы и статистика, 1987.- 191с.

97. Язенин A.B. Нечеткое математическое программирование. Калинин: КГУ, 1986

98. Язенин A.B. О непрямых методах нечеткого математического программирования // Нечеткие системы: моделирование структуры и оптимизация. Калинин, 1987

99. Язенин А.В. Модели возможностного программирования в оптимизации систем // Изв. ÁH СССР. Техническая кибернетика. 1991. N5

100. Ярушкина Н. Г. Автоматизированное проектирование сложных технических систем в условиях неопределенности. Диссертации на соискание ученой степени доктора технических наук. Ульяновск, УлГТУ, 1999 г.

101. Bellman R. Е., Zadeh L.A., Decision-Making in Fuzzy Environment, Management Science, 17, №4, 1970.

102. Eufit'98 6th European Congress on Intelligent Techniques and Soft Computing ELITE European Laboratory for Intelligent Techniques Engineering. Hrsg. Von Prof. Dr. Dr. h. c. Hans-Jurgen Zimmermann. -Aachen: Mainz, 1998 ISBN3-89653-500-5

103. Gorbokonenko E.A. The Usage of Fuzzy RDBMS in CAD Systems. Interactive Systems: The problems of Human Computer Interaction. -Proceedings of the International Conference. - Ulyanovsk:1. U1STU, 2001.

104. IFSA'97. Prague. Seventh International Fuzzy System Association World Congress. University of Economics Prague

105. Pawlak Z., Rough sets. Int. J. Computer and Information Sci., 11, 1982

106. Pawlak Z., Rough sets. Theoretical aspects of reasoning about data. Kluwer Academic Publishers, Dordrecht, 1991

107. Slowinski R., Rough set approach to decision analysis. AI Expert, March 1995

108. Tatra Mountaints. Mathematical Publications. Fuzzy Structures. Current Trends Volume 13 1997

109. Valium B.R. C++ Neural Networks and Fuzzy Logic. IDG Books Worldwide, Inc. ISBN: 1558515526

Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.