Разработка автоматизированной системы распознавания образов и ее использование в решении диагностических задач тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат технических наук Шевченко, Николай Гаврилович

  • Шевченко, Николай Гаврилович
  • кандидат технических науккандидат технических наук
  • 1983, Новосибирск ; Магадан
  • Специальность ВАК РФ05.13.01
  • Количество страниц 180
Шевченко, Николай Гаврилович. Разработка автоматизированной системы распознавания образов и ее использование в решении диагностических задач: дис. кандидат технических наук: 05.13.01 - Системный анализ, управление и обработка информации (по отраслям). Новосибирск ; Магадан. 1983. 180 с.

Оглавление диссертации кандидат технических наук Шевченко, Николай Гаврилович

ВВЕДЕНИЕ.

ГЛАВА I. ОБЩИЕ ТЕОРЕТИЧЕСКИЕ ВОПРОСЫ РАСПОЗНАВАНИЯ ОБРАЗОВ ПРИМЕНИТЕЛЬНО К РЕШЕНИЮ ДИАГНОСТИЧЕСКИХ ЗАДАЧ.

1.1. Опыт применения распознавания образов при поиске полезных ископаемых и в других областях.

1.2. Общие представления о теоретических задачах и целях

1.3. Классификация задач распознавания (для прямых свойств номинального типа)

1.4. Общая схема постановки и решения задач распознавания

1.5. Теоретическое обоснование этапов общей схемы постановки и решения задач распознавания

ГЛАВА 2. АВТОМАТИЗИРОВАННАЯ СИСТЕМА РЕШЕНИЯ ЗАДАЧ

РАСПОЗНАВАНИЯ (ПОДХОД К ПОСТРОЕНИЮ И РЕАЛИЗАЦИЯ)

2.1. Общие вопросы построения. Требования к системе.

2.2. Подход к построению входного языка системы (Правила построения. Экспликация обобщенного параметрического алгоритма распознавания)

2.3. Синтаксис входного языка системы

2.4. Математическое обеспечение системы

2.5. Об организации информации в системе

2.6. Структура программного обеспечения системы

2.7. Семантика некоторых операций входного языка

ГЛАВА 3. НЕКОТОРЫЕ РЕЗУЛЬТАТЫ ИСПОЛЬЗОВАНИЯ АВТОМАТИЗИРОВАННОЙ СИСТЕМЫ РАСПОЗНАВАНИЯ ОБРАЗОВ В РЕШЕНИИ МЕЩИ-КОБИОЛОГИЧЕСКИХ, ПСИХОЛОГИЧЕСКИХ И ДРУГИХ ЗАДАЧ

3.1. Медицинская диагностика: дифференциальный диагноз острых нарушений мозгового кровообращения . III

3.2. Структура и типология иммунной системы коренного населения Крайнего Северо-Востока СССР: организация образов

3.3. Обработка данных о трех группах подростков: моделирование поведения

3.4. Применимость автоматизированной системы распознавания образов в различных областях

Рекомендованный список диссертаций по специальности «Системный анализ, управление и обработка информации (по отраслям)», 05.13.01 шифр ВАК

Введение диссертации (часть автореферата) на тему «Разработка автоматизированной системы распознавания образов и ее использование в решении диагностических задач»

Диссертационная работа посвящена разработке методологического и теоретического обоснования методов распознавания образов, применительно к решению диагностических задач»

Полученные теоретико-методологические результаты положены в основу подхода к созданию программного обеспечения автоматизированной системы распознавания образов, использованной для решения практических диагностических задач в области медицины, психологии, геологии.

В настоящее время по проблеме распознавания проведено значительное количество исследований, представленное работами ряда специалистов, среди которых необходимо упомянуть: Айзермана М.А. [i], Александрова В.В. [2], Бонгарда М.М. [з], Вайнцвайга М.Н. [4], Вапника В.П. [б] , Васильева В.И. [б] , Воронина Ю.А. [7-ю] , Горелика Л.А. [il] , Дорофеюка A.A. [12], Журавлева Ю.И. [13,14], Загоруйко Н.Г. [I5-I8], Ивахненко А.Г. [l9,20], Ковалевского В.А. [2l] , Лбова Г.С. [22] , Мазурова А.Д. [23] , Растригина Л.А. [24] , Раудиса Ш.Ю. [25,2б], Турбовича И.Т. [27,28], Файна B.C. [29], Фомина В.Н. [зо], Шрейдера Ю.А. [31,32] и других отечественных и зарубежных специалистов [33-44].

Имея дело с конкретной задачей распознавания, обычно пытаются поставить ее, найти алгоритм для ее решения, а также оценить качество этого решения. Известны различные постановки и алгоритмы решения задач распознавания, а также способы оценки качества их решения. Нет оснований недооценивать успехи распознавания, однако можно считать, что дальнейшее продвижение в областях приложений связано с развитием теоретических представлений о задачах распознавания, включая их постановку, решение и оценку качества распознавания, с построением классификаций постановок задач распознавания, алгоритмов их решения и способов оценки качества.

Главное направление разработок по проблеме распознавания принято связывать с созданием и эксплуатацией соответствующего программного обеспечения на базе той или иной технологии разрешения этой проблемы [в, 9,11,16,19,26,33,37-40,45-48]. Причем в большинстве разработок программного обеспечения во главу угла ставится "программистский" взгляд на проблему. Как правило, обращается внимание на такие аспекты, как модульность, способ планирования вычислений, наличие языка управления, особо - на низкие требования к пользователю [26,38,49-56].

Слабо разработанным является подход к созданию программного обеспечения, опирающегося на такую технологию решения задач распознавания, которая давала бы возможность выбора постановок задач распознавания, их проверки в вычислительном эксперименте и была бы ориентирована на ведущих прикладных специалистов, ожидающих от работы с программными средствами уточнения своих методоло-го-теоретических представлений. Многими ведущими исследователями подчеркивается необходимость совершенствования такой технологии, прежде всего - с точки зрения обоснования постановки задачи распознавания и строгости оценки эффективности ее решения [3,4,6,9, 11,45-47,57-59].

В связи с вышесказанным разработку автоматизированной системы распознавания следует считать актуальной проблемой.

С 1972 года автор под руководством Ю.А.Воронина и при учаетии Е.Н.Черемисиной проводил исследования по разработке так называемой новой технологии распознавания.

Распознавание обычно принято толковать как разнесение объектов исследуемого множества описанных векторами значений неких свойств ¿С по образам ^ при условии, что задано конечное число примеров такого разнесения или материал обучения Множество свойств измерено, как правило, в различных шкалах ( о шкалах подробно изложено в [во])♦ При детализации такого представления различные исследователи поступают различно. В новой технологии эта детализация проводится следующим образом»

Среди свойств 21, , которые приписываются объектам а. из Лесть свойства, для непосредственного определения которых требуются большие или малые затраты времени и средств на наблюдения, высокая или низкая квалификация исследователей» Под косвенными свойствами из 21 объектов а. из цЦг понимаются такие свойства, которые для своего непосредственного определения требуют малых затрат времени и средств, низкой квалификации исследователей» Все остальные свойства считаются прямыми. По характеру определения своих значений свойства ¿1 объектов а из / делятся на объектив-г ные и субъективные. Прямые объективные свойства из ¿1 объектов а из называются задающими образы, косвенные объективные свойства объектов называются распознающими образы, а все субъективные свойства объектов - предетавляющими образы.

Будем говорить о проблеме предсказания, когда речь идет об определении значений прямых свойств из Й. объектов й из / через их (объектов) косвенные свойства. Когда при таком определении важным является экономия времени, будем говорить о прогнозе, когда важным является экономия средств - о диагнозе. В тех случаях диагноза, при которых прямые свойства из йС объектов о. из & оказываются в слабых шкалах (наименования и (или) порядка), будем говорить о слабом диагнозе. Если при этом отсутствует готовая форма математической модели, связывающей прямые и косвенные свойства объектов О, из и нет возможности получить ее за счет дедуктивного вывода, то будем говорить о распознавании вообще. Если при этом прямые свойства объектов а из Фг являются объективными, то будем говорить о распознавании.

Таким образом, в новой технологии распознавания используются представления, несколько отличные от общепринятого толкования распознавания.

Распознавание ниже понимается как определение прямых свойств сированный момент времени, когда речь идет только об экономии средств на измерения. Прямые свойства измеряются в слабых шкалах, прямые и косвенные свойства определяются объективно, отсутствует связывающая их математическая модель, имеется исходный эмпирический материал и общие априорные представления о характере упомянутой математической модели.

Распознавание рассматривается как сложный творческий процесс прежде всего потому, что он связан с построением математической модели, который обязательно направляется некоторыми заранее фиксированными нормативами. Предполагается, что распознавание проводится в целях, во-первых, совершенствования теоретических и эмпирических средств оперирования с а из во-вторых, в установлении значений прямых свойств и, в-третьих, объяснения связи прямых и косвенных свойств.

В новой технологии распознавания в качестве основного норматива выступает сценарий взаимодействия пользователя и исполнителя или общая схема распознавания, введенная впервые в работе [45]. Эта общая схема опирается на особым образом фиксированные представления о задачах вообще и задачах распознавания в частности, и на представления о процессе их решения, отраженные в работах [37,61-66]. В соответствии с этой схемой процесс решения задач распознавания делится на пять стадий:

1) анализ задачиой ситуации распознавания;

2) постановка задачи распознавания;

3) построение решения задачи распознавания, его исследование и оптимизация; из объектов косвенные свойства из 21 в фик

4) анализ качества решения задачи распознавания;

5) выяснение возможности повышения эффективности распознавания, объяснение результатов, вывод следствий, фиксация результатов и следствий.

Каждая из этих стадий делится на подстадии и этапы, а этапы, в свою очередь, делятся на подэталы и операции. Важно, что при новой технологии общая схема распознавания фактически включает не одну, а несколько таких схем, ориентированных на различные классы пользователей с учетом их целевых установок, квалификации и возможностей дополнительного сбора эмпирических данных.

Все используемые общие схемы строятся из необходимости ответить на три главных вопроса:

1) Какие объекты а из / имеет смысл распознавать на ЭВМ в данной ситуации, в частности, при данном материале обучения ^о?

2) К какому образу принадлежит распознаваемый объект а из/?

3) Какова надежность распознавания каждого объекта О- из с учетом тех или иных критериев надежности?

Необходимо подчеркнуть, что вопрос (2) строится в таком режиме, который обеспечивает наиболее рациональное использование всех, в том числе и субъективных свойств из объектов а из Лг и любых представлений пользователя об образах.

Вначале на основе некоторых представляющих свойств из ¿С объектов й из / формулируется предварительный ответ на вопрос (2) для всех Л из Лг , затем, за счет проверки гипотез, формулируется прямой ответ на вопрос (2) лишь для некоторых а, из Л на основе задающих свойств из объектов си из / , а далее формулируется окончательный ответ на основе распознающих свойств из объектов л из / для всех а из Л . В первом случае мы говорим о представлении образов, во втором случае - о их задании, в третьем случае - о их распознавании. Для оценки качества задания и распознавания образов используются в принципе разные подходы.

Существенно, что в новой технологии распознавания использование алгоритмов задания образов и алгоритмов их распознавания нормируется заранее принятыми условиями: допустимости (соответствия некоторым общим методолого-теоретическим требованиям); рациональности (соответствия некоторым частным теоретическим требованиям); эффективности (соответствия эмпирическому материалу). Придерживаясь так называемой "слабой" теории распознавания [б1,9], которая говорит о том, когда и как можно распознавать на ЭВМ, но не говорит о том, как именно нужно это делать в конкретных ситуациях, автор считает, что в новой технологии распознавания наиболее важными являются условия рациональности, формулировка которых не должна опираться на ошибки распознавания на материале экзамена [67].

При разработке новой технологии распознавания предполагалось, что успех распознавания зависит только от выбора распознающих свойств и мер сходства по этим свойствам [68-71]. При выборе совокупности распознающих свойств и меры сходства по этой совокупности использовались некие особые представления о типах, подтипах, модификациях и видах мер сходства. Существенно, что вопрос о выборе вида меры сходства и вопрос об оценке параметров мер сходства фиксированного вида рассматривается раздельно [69-71].

Предполагается, что процесс распознавания реализуется на основе заранее созданной автоматизированной системы распознавания, отвечающей новой технологии распознавания. При этом автор опирался на идеи Ю.А.Воронина и др., отраженные в ряде публикаций [46,64,72,73], в которых поднимаются и анализируются вопросы повышения успешности внедрения разработок автоматизированных сис

-ТОтем распознавания в практику исследовательских и производственных работ. Разработка вышеупомянутой автоматизированной системы должна опираться на предварительно построенную общую схему распознавания. Эта схема рассматривается как методолого-теоретичес-кая основа автоматизированной системы распознавания. Эта основа может быть различной по числу стадий, подстадий, этапов и детальности их описания.

Известно, что задачу распознавания можно рассматривать, как задачу оптимизации, зависящую от ряда параметров (способа отыскания информативной совокупности, выбора мер сходства, выбора решающих правил и т.п.), упоминаемых в работах [6,8,27,28,30,68-70, 74 и др.]. Опираясь на вышесказанное и то , что в новой технологии фактически используется несколько общих схем распознавания, будем говорить, что общая схема может быть представлена формально классом алгоритмов распознавания или обобщенным алгоритмом. Если зафиксировать параметры задачи распознавания, то из обобщенного алгоритма можно получить некоторый частный алгоритм, соответствующих условиям фиксации. В этом смысле будем говорить об обобщенном параметрическом алгоритме. Обобщенный параметрический алгоритм рассматривается как вычислительная основа автоматизированной системы распознавания [75,7б]. Эта основа может быть различной по гибкости (числу возможных вариантов проведения этапов и подэтапов), удобству (возможности представления и преобразования всех данных, включая любые промежуточные), простоте, экономичности и пр.

Автор считает, что любая автоматизированная система распознавания должна иметь явно фиксированные по определенным правилам методолого-теоретические и вычислительные основы. Сравнение автоматизированных систем распознавания предполагается, прежде всего, по методолого-теоретической основе. По вычислительной основе имеет смысл сравнивать только такие автоматизированные системы распознавания, которые имеют почти одинаковые методолого-теоре-тические основы.

Создание автоматизированных систем распознавания в новой технологии распознавания понимается как многошаговый процесс. В начале создается первый вариант автоматизированной системы распознавания, назначение которого состоит, во-первых, в накоплении опыта по распознаванию на прикладных и модельных задачах, во-вторых, в разработке программ для построения второго варианта, в-третьих, в тренинге прикладных пользователей и разработчиков, в-четвертых, в выработке методолого-теоретического обеспечения стратегии построения второго варианта. Затем строится второй вариант автоматизированной системы распознавания и так далее.

Существенно, что на основе любого варианта автоматизированной системы распознавания можно получить производственную модификацию этой системы, ориентированную только на эффективное решение конкретных задач распознавания.

В данной работе новая технология распознавания рассматривается узко: имеются в виду только так называемые голотипные решающие правила [74]. Иначе говоря, предполагается, что каждый образ представляет собой в пространстве распознающих свойств совокупность "простых" компонент связности (выполнено условие локальной компактности) [77]. К автоматизированной системе предъявлены следующие требования [46,75,76]:

I) возможность выбора различных постановок задач распознавания;

2) возможность экспериментальной проверки частных постановок задач распознавания;

3) возможность гибкого, технологичного оперирования параметрами задачи распознавания, данными;

4) возможность накопления опыта решения задач распознавания.

В работе представлены результаты построения автоматизированной системы, удовлетворяющей требованиям (1)-(4) на базе языковой экспликации обобщенного параметрического алгоритма распознавания, ориентированного, в основном, на голотипный подход.

Из сказанного выше вытекают следующие основные цели:

1. Предложить методолого-теоретическое обоснование элементов новой технологии разрешения проблем распознавания, учитывающей представления о различных классах пользователей и общей схеме постановки и решения задач распознавания.

2. Провести теоретическое обоснование элементов новой технологии разрешения проблем распознавания.

3. Разработать системное и проблемное математическое обеспечение варианта автоматизированной системы распознавания, отвечающего новой технологии, снабженной входным языком и интерпретатором с него, информационно-поисковой и решающей подсистемами.

4. Провести численные эксперименты с системой на тестовых задачах и ее опробование на прикладных геологических, медико-биологических и психолого-педагогических задачах.

5. Наметить дальнейшие пути развития новой технологии разрешения проблем распознавания.

В методическом плане автор следовал общим представлениям исследования операций, а также методолого-теоретическим разработкам ведущих специалистов по проблеме распознавания, в первую очередь - Бонгарда М.М., Журавлева Ю.И., Загоруйко Н.Г. и Турбо-вича И.Г. Во многом работа опирается на результаты научного руководителя Воронина Ю.А., связанные с решением задач распознавания в геологоразведке, медицине и спорте.

Обычно в распознавании выделяют три формальных подхода: вероятностно-статистический, детерминированно-статистический и структурно-лингвистический. При развитии новой технологии распознавания автор опирался на несколько модифицированные представления о типах формальных подходов. Если для всех распознаваемых объектов о. из Л- указываются вероятности принадлежности ко всем образам Л будем говорить о вероятностном распознавании. Если для всех распознаваемых объектов а из Л указывается только принадлежность к одному из образов будем говорить о детерминированном распознавании, если же дополнительно указываются некие показатели надежности принадлежности, то будем говорить о надежном детерминированном распознавании. Данная работа отвечает последнему подходу.

Научная новизна.

1. Построены элементы новой технологии, которая ориентирована на:

- пользователей автоматизированной системы распознавания таких, которых интересует не только хорошее распознавание совокупности конкретных объектов распознавания -¿Ар , но и уточнение ме-тодолого-теоретических представлений о множестве распознаваемых объектов;

- сложные задачи распознавания, когда заведомо известно, что совокупность косвенных свойств С/ нуждается в преобразовании, материал обучения Дг0 мал и может содержать ошибки распознавания;

- совокупность представляющих свойств из , включающую любые субъективные свойства;

- объекты распознавания эмпирически заданные матрицами "пробы-координаты-свойства" и "срезы-время-свойства", особым образом преобразованные к векторам значений свойств;

- целевые (искомые) объекты о.^А', составляющие незначительную часть от всех объектов.

2. Уточнена общая схема постановки и решения задач распознавания в виде последовательности стадий (анализа задачной ситуации, постановки задачи, решения задачи, анализа решения задачи, повышения эффективности распознавания) и этапов.

3. Проведено теоретическое обоснование ряда этапов и стадий постановки задачи путем:

- фиксации одного класса мер сходства между объектами, описание которых представлено свойствами, измеренными в различных шкалах;

- разработки критерия, позволяющего качественно оценить сложность структуры исследуемого множества и грубо оценить эффективность алгоритма распознавания.

4. Предложен обобщенный параметрический алгоритм распознавания за счет редукции класса локальных алгоритмов.

5. Предложена экспликация обобщенного алгоритма в виде языка с формальной грамматикой для постановки и решения задач распознавания, включающего как технологию процесса распознавания, использующую качественные и количественные критерии оценки результатов решения задач, так и основные понятия распознавания.

6. Построен и апробирован вариант автоматизированной системы распознавания, ориентированный на новую технологию разрешения проблемы распознавания, включающий интерпретатор с входного языка, информационно-поисковую и вычисляющую подсистемы. Этот вариант автоматизированной системы расчитан на стыковку с другими автоматизированными системами, разрабатываемыми в лаборатории "Вычислительных методов в геологоразведке" ВЦ СО АН СССР.

Практическая ценность работы состоит в том, что:

1. Введенные элементы новой технологии позволяют уточнить исходные условия и ограничения на стадии анализа задачной ситуации, что повышает успешность решения распознавательских задач.

2. Разработанный формальный язык, описывающий новую технологию разрешения проблемы распознавания, включающий основные понятия теории распознавания, облегчает проведение: численных модельных экспериментов, реальных расчетов, интенсификации обучения, а также может служить основой дальнейшего развития языковых экспликаций распознавания.

3. Построенный вариант автоматизированной системы распознавания:

- позволяет выполнять диагностические процедуры в широком спектре научно-практических приложений, уже использующих или предполагающих использование распознавания;

- обеспечивает возможность создания на ее основе производственных систем, в которых фиксируется вариант алгоритма, ориентированный на эффективное решение конкретной задачи распознавания.

4. Оригинальное системное и программное обеспечение автоматизированной системы распознавания, разработанное автором для ЭВМ БЭСМ-6 (фрагменты для ЕС ЭВМ) внедрено и используется в настоящее время в пяти учреждениях и организациях Академии наук, МИНГЕО СССР, MB и ССО РСФСР.

Определенные выше возможности автоматизированной системы апробированы на некоторых частных геологических, медико-биологических и психолого-педагогических задачах. Совокупный экономический эффект от внедрения автоматизированной системы распознавания составил 190 тыс. рублей. Эффективность результатов, полученных за счет использования автоматизированной системы, отражена в справках об экономическом эффекте от использования программного обеспечения.

Связь с планами научно-исследовательских работ. Диссертационное исследование проводилось в соответствии с планами НИР Вычислительного центра СО АН СССР (в рамках темы Гос. per. № 72025901 "Разработка теории поиска полезных ископаемых на основе комплексных геологических данных"), Северо-Восточного комплексного НИИ ДВНЦ АН СССР (в рамках особо важной научно-технической проблемы 0.80.16.01.14, Постановление ГКНТ СМ СССР $ 390 от 5 ноября 1976 года и Распоряжение Президиума АН СССР № I0I03 от 31 января 1977 года, тема Гос. per. № 76084964 "Разработать и ввести в эксплуатацию автоматизированную систему обработки данных и управления научными экспериментами в области геологии в СВКНИИ ДВНЦ АН СССР"), Института биологических проблем Севера ДВНЦ АН СССР по теме "Психологические и психофизиологические особенности адаптации человека к условиям Севера", Гос. per. № 70043048.

Автоматизированная система постановки и решения задач распознавания включена, в целях дальнейшего развития, в планы НИР в рамках особо важной целевой комплексной научной программы 0.Ц.025 "Создание сети обработки и передачи данных на базе новых и развиваемых вычислительных центров коллективного пользования (ВЦКП) и вычислительных центров отраслей народного хозяйства в качестве первой очереди государственной сети вычислительных центров (ГСВЦ) и общегосударственной сети передачи данных (ГСПД)". Постановление ГКНТ, ГОСПЛАНА СССР и Президиума АН СССР от 12 декабря 1980 года № 474/250/132. Задание 07.03.08. Тема "Разработать и ввести в эксплуатацию вычислительную систему коллективного пользования (ВСКП)" Гос. per. № 81052296. Раздел "Разработка, освоение и внедрение ППП и отдельных программ, эксплуатируемых в ВСКП".

Использование автоматизированной системы является основой для проведения машинного анализа данных в исследованиях выполняемых в Институте биологических проблем Севера ДВНЦ АН СССР по проблеме Союзного значения "Межведомственные проблемы наркологии". Темы: "Генодемографическая характеристика больных алкоголизмом на Крайнем Северо-Востоке СССР" и "Клинико-эпидемиологические характеристики для создания модели нормы и патологии при злоупотреблении алкоголем (Постановление ГКНТ СМ СССР от 24 мая 1983 г. № 225, задание 04.02, этапы Н1 и НЗ).

Апробация работы. Диссертация и отдельные результаты, приведенные в ней докладывались и обсуждались на: Втором Всесоюзном симпозиуме "Математические методы в психологии и неврологии" (Ленинград, 1972), Всесоюзном совещании "Применение математических методов и ЭВМ для решения прогнозных задач нефтяной геологии" (Новосибирск, 1973), Всесоюзной конференции "Применение математических методов и ЭВМ при поиске и разведке полезных ископаемых" (Новосибирск, 1977), Второй Всесоюзной конференции по адаптации человека к различным географическим, климатическим и производстве* ным условиям (Владивосток, 1978), Первой Всесоюзной школе-семинаре "Математика в палеонтологии" (Кишинев, 1978), Шестой Всесоюзной конференции "Автоматизация научных исследований на основе применения ЭВМ" (Новосибирск, 1981), Всесоюзной конференции "Теория классификаций и анализ данных" (Новосибирск, 1981), научных семинарах ВИМС (Москва), ВСЕГЕИ (Ленинград), ВЦ СО АН СССР (Новосибирск), СВКНИИ ДВНЦ АН СССР,ИБПС ДВНЦ АН СССР (Магадан).

Публикации. Результаты исследований изложены в 19 работах (14 публикаций и 5 научно-исследовательских отчетов).

Автор защищает:

1. Методологическое обоснование и развитие элементов новой технологии разрешения проблемы распознавания (общей схемы постановки и решения задач распознавания, мер сходства между объектами, критерия оценки эффективности голотипных алгоритмов, не зависящего от ошибок на материале экзамена),

2. Разработку обобщенного параметрического алгоритма распозна^ вания, экспликацию этого алгоритма и технологии постановки и решения задач распознавания в виде языка с формальной грамматикой.

3. Разработку и реализацию системного и проблемного программного обеспечения автоматизированной системы постановки и решения задач распознавания, отвечающего новой технологии, снабженной входным языком и интерпретатором с него, информационно-поисковой и вычисляющей подсистемами.

Основное содержание диссертации отражено в трех главах и заключении.

В первой главе рассматриваются общие методологические и теоретические вопросы построения новой технологии разрешения проблемы распознавания образов. Анализируется опыт применения алгоритмов. Вводятся представления о теоретических задачах и целях.Предлагается классификация задач распознавания. Описывается и уточняется общая схема постановки и решения задач распознавания. Проводится теоретическое обоснование этапов общей схемы постановки и решения задач распознавания.

Во второй главе описывается подход к созданию и реализация автоматизированной системы. Предлагается классификация пользователей и требования к системе. Излагается подход и правила построения обобщенного параметрического алгоритма и входного языка системы. Приводится синтаксис входного языка системы. Рассматриваются вопросы создания системного и проблемного программного обеспечения. Поясняется семантика операций входного языка.

В третьей главе кратко излагаются результаты решения прикладных задач. Рассматриваются вопросы применимости разработанной системы.

В заключении обсуждаются основные научные и практические результаты, пути и направления продолжения описанных в работе исследований.

В приложении приведены акты об использовании системы.

Похожие диссертационные работы по специальности «Системный анализ, управление и обработка информации (по отраслям)», 05.13.01 шифр ВАК

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Шевченко, Николай Гаврилович

Основные результаты работы сводятся к следующему.

I. В методолого-теоретическом плане.

Предложено обоснование элементов новой технологии разрешения проблемы распознавания. Новая технология прежде всего разрабатывалась для расширения возможности выбора постановок задач распознавания и их проверки в вычислительном эксперименте.

Специфика новой технологии, заключается в ориентации на ведущих прикладных специалистов, ожидающих от использования математических методов и ЭВМ уточнения своих методолого-теоретических цредставлений. При этом решение задачи достигается последова -тельностью ответов на центральные вопросы распознавания:

1) Какие объекты имеет смысл распознавать на ЭВМ в данной ситуации, в частности - при данном материале обучения?

2) К какому образу принадлежит распознаваемый объект?

3) Какова надежность распознавания объектов с учетом тех или иных критериев надежности?

Ответ на вопрос (2) строится в режиме, обеспечивающем наиболее рациональное использование всех, в том числе и субъективных,свойств объектов и любых представлений пользователя об образах.

Успешность получения ответов на поставленные вопросы зависит прежде всего от обоснованности постановки задачи распознавания и строгости оценки эффективности ее решения. Это обоснование было проведено путем: уточнения представлений о теоретических целях и задачах ; построения классификации задач распознавания для одного вида целевого свойства (номинального) ; уточнения представлений о том, что значит поставить задачу распознавания ; представления последовательности процедур (сценария взаимо -действия пользователя и исполнителя), проводимых при распознавании, в виде общей схемы распознавания.

В соответствии с этой схемой процесс решения задач распознавания предложено делить на пять стадий:

1) анализ задачной ситуации распознавания ;

2) постановка задачи распознавания ;

3) построение решения задачи распознавания, его исследование и оптимизация ;

4) анализ качества решения задачи распознавания ;

5) выяснение возможности повышения эффективности распознавания, объяснение результатов, вывод следствий, фиксация ре -зультатов и следствий.

Стадия анализа задачной ситуации выделена впервые.

При разработке новой технологии распознавания предполагалось, что успех распознавания зависит от выбора распознающих свойств и мер сходства по этим свойствам. Для обоснования выбора мер сходства были введены представления о типах, подтипах, модификациях и видах мер сходства. Вопрос о выборе вида меры сходства и вопрос об оценке параметров мер сходства фиксированного вида рассматривались раздельно. Численное исследование одаого аксиоматически зафиксированного класса мер сходства продемон-стрщювало возможность улучшения качества решения задачи распознавания путем подбора оптимальных параметров мер. С той же целью - улучшения качества решения - был разработан и исследован критерий, позволяющий качественно оценить сложность структуры исследуемого множества и грубо оценить эффективность алгоритма распознавания.

Задача распознавания рассматривалась как задача оптимизации, зависящая от ряда параметров (способа отнесения информативной совокупности, выбора мер сходства, выбора решающих правил и т. п.). Этот взгляд послужил основой того, что в новой технологии общая схема была формализована классом алгоритмов или обобщенным алгоритмом. При зафиксированных параметрах задачи распознавания из обобщенного алгоритма можно получить конкретный алгоритм, соответствующий условиям фиксации. В этом смысле введено понятие об обобщенном параметрическом алгоритме.

2. В алгоритмическом и программном плане.

Разработана автоматизированная система, опирающаяся на предварительно построенную общую схему распознавания. Эта схема рассматривалась как методолого-теоретическая основа автоматизщю-ванной системы распознавания. Обобщенный параметрический алгоритм рассматривался как вычислительная основа автоматизщюван-ной системы распознавания.

Создание автоматизированных систем распознавания в новой технологии распознавания понимается как многошаговый процесс. В начале создается первый вариант автоматизированной системы распознавания, назначение которого состоит, во-первых, в накоплении опыта по распознаванию на прикладных и модельных задачах, во-вторых, в разработке программ для построения второго варианта, в-третьих, в тренинге прикладных пользователей и разработчиков, в-четвертых, в отработке методолого-теоретического обеспечения стратегии для построения второго варианта. Затем строится второй вариант автоматизированной системы распознавания, и так далее.

Существенно, что на основе любого варианта автоматизированной системы распознавания можно получить производственную модификацию этой системы, ориентщюванную только на эффективное решение конкретных задач распознавания.

В автоматизированной системе реализованы возможности: выбора различных постановок задач распознавания ; экспериментальной проверки частных постановок задач распознавания ; гибкого технологичного оперирования параметрами задачи распознавания и данными ; накопления опыта решения задач распознавания. При разработке программного обеспечения системы были построены: обобщенный параметрических алгоритм распознавания путем редукции класса локальных голотипных алгоритмов ; экспликация обобщенного параметрического алгоритма в виде языка с формальной грамматикой для постановки и решения задач распознавания, включающего как технологию процесса распознавания, так и понятия распознавания образов ; вариант автоматизированной системы распознавания, ориентированный на новую технологию разрешения проблемы распознавания, включающий интерпретатор с входного языка, информационно-поисковую и вычисляющую подсистемы. 3. В плане приложений.

В диссертации рассмотрены результаты применения автоматизированной системы для решения диагностических задач. Эти задачи были выбраны, во-первых, с целью расширения сферы приложения уже разработанных для геологии методических приемов и программного обеспечения ; во-вторых, в связи с их особой человековедческой актуальностью ; в-третьих, как "полигон" для испытания новых методических приемов и теоретических элементов, развиваемых в рамках новой технологии.

Анализ решения задач показал, что использование субъективных свойств и представлений пользователя об образах порождает "каскад" различных постановок задач распознавания на подмножествах исходных экспериментальных данных. Решение этих "подзадач" позволяет уточнить окончательную формулировку постановки задачи распознавания, особенно - актуальную проблему: все ли объекты экспериментально изученного множества принадлежат к исследуемому множеству.

Практическая ценность результатов, полученных при помощи автоматизированной системы постановки и решения задач распознавания образов, отражена в справках об использовании АС, цриведенных в Приложении.

4. Направление дальнейших исследований.

Развитие представлений о разрешении проблемы распознавания связано с дальнейшим теоретическим обоснованием постановки задачи номинального (порядкового, сильного) распознавания, с разработкой следующего варианта общей схемы распознавания, с увеличением ее детальности и обоснованности.

Дальнейшее развитие системы цредполагается проводить за счет создания специализированной системы манипулирования данными с позиций органической связи механизмов хранения и поиска информации с механизмами обработки. Согласно позиции, выдвинутой автором в 1977 году, под последним подразумевается: а) формирование представления данных, их структуры и осуществление поиска с помощью механизмов обработки, максимально приближенных к обобщенному параметрическому алгоритму распознавания ; б) отождествление языковых средств обработки информации со средствами ее представления и манипулирования ; в) представление языка в виде нескольких уровней, каждай из которых - со своей грамматикой (в соответствии со специализацией: формирование задач ; управление процессом решения; собственно вычисления), и определение формальных грамматических связей между уровнями ; г) представление языка как "расширяющегося", позволяющего доопределять новые понятия распознавания образов, новые типы данных и новые операторы в терминах существующих конструкций, что связано с идеей макрокоманд в языках высокого уровня.

Дальнейшее развитие системы целесообразно вести с учетом конфетных областей приложений. Предполагается сосредоточить усилия на проблемах применения распознавания образов в комплексном изучении адаптации человека к условиям Севера (согласно утвержденным планам), которое начато решением задач диагностики с помощью данного варианта автоматизированной системы. Эти проблемы способны стимулировать развитие системы, что объясняется, в частности, тем, что междисциплинарный язык в области человековедения (язык психологии и медицины) "готов" для формализации не больше, чем язык геологии и других наук о земле, а научно-гграктическая значимость проблематики не уступает значимости проблем поиска полезных ископаемых.

ЗАКЛЮЧЕНИЕ

В диссертации изложены результаты исследований, посвященных разработке методологического и теоретического обоснования методов распознавания образов, их программной реализации и последующего использования в прикладных диагностических задачах. Автор основывался на том, что работы в этом направлении являются актуальными и связываются с созданием и эксплуатацией соответствующих автоматизированных систем.

Список литературы диссертационного исследования кандидат технических наук Шевченко, Николай Гаврилович, 1983 год

1. Айзерман М.А., Браверман Э.М., Глушков В.М. и др. Теория опознавания образов и обучающих систем. - Изв. АН СССР, Техническая кибернетика № 5, 1963, с. 98-101.

2. Александров В.В., Горский Н.Д. Алгоритмы и гтрограммы структурного метода обработки данных. Л.:Наука, 1983. - 208 с.

3. Бонгард М.М. Проблемы узнавания. М.: Наука, 1967. - 320 с.

4. Вайнцвайг М.Н. Алгоритм обучения распознавания образов "Кора". В сб.: Алгоритмы обучения распознавания образов. -М.: 1972, с. II0-II6.

5. Вапник В.П. Восстановление зависимостей по эмпирическим данным. М.: Наука, 1979. - 265 с.

6. Васильев В.И. Распознающие системы. Киев: Наукова думка, 1983. - 421 с.

7. Воронин Ю.А. и др. Геология и математика. Новосибирск: Наука, 1967. - 254 с.

8. Воронин Ю.А. и др. Геология и математика. Новосибирск:На-ука, 1970. - 224 с.

9. Воронин Ю.А. Исследование операций при поисках и разведке месторождений полезных ископаемых. Новосибирск: Наука, 1982. - 285 с.

10. Воронин Ю.А. Введение в теорию классификации. Новосибирск, 1982. - 194 с.

11. Горелик А.Л., Скрипник В.А. Методы распознавания. М.: Высшая школа, 1977. - 222 с.

12. Дорофеюк A.A. Алгоритмы автоматической классификации. (Обзор). Автоматика и телемеханика, 1975, № 12, с. 78-113.

13. Журавлев Ю.И., Дмитриев А.Н., Кренделев Ф.П. 0 математических принципах классификации предметов и явлений. В сб.: Дис1фетный анализ. - Новосибирск: ИМ СО АН СССР, 1966, № 7,с. 3-15.

14. Журавлев Ю.И. Экстремальные алгоритмы в математических моделях для задач распознавания и классификации. Докл. АН СССР, 1976, т. 231, № 3, с. 532-535.

15. Распознавание слуховых образов / Под ред. Н.Г.Загоруйко и Г.Я.Волошина. Новосибирск: Наука, Сибирское отделение, 1970. - 338 с.

16. Загоруйко Н.Г. Метода распознавания и их применение. М.: Сов. радио, 1972. - 206 с.

17. Загоруйко Н.Г. Искусственный интеллект и эмпирическое предсказание. Новосибирск: НГУ, 1975. - 82 с.

18. Загоруйко Н.Г. Эмпирическое предсказание. Новосибирск: Наука, Сибирское отделение, 1979. - 125 с.

19. Ивахненко А.Г. Самообучающиеся системы распознавания и автоматического управления. Киев: Техника, 1969. - 391 с.

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

21. Ковалевский В.А. Методы оптимальных решений в распознавании изображений. М.: Наука, 1976. - 328 с.

22. Лбов Г.С. Методы обработки разнотипных экспериментальных данных. Новосибирск: Наука, 1981. - 160 с.

23. Мазуров В.Д. Математические метода распознавания образов в решении задач планирования и управления. Свердловск:Средне-уральское книжное издательство, 1977. - 48 с.

24. Растригин Л.А. Метода случайного поиска. М.: Наука, 1972.202 с.

25. Раудис Ш.Ю. Ограниченность выборки в задачах классификации. Вильнюс, 1976. - 184 с.

26. Раудис Ш.Ю., Пикялис В., Юшкявичус К. Система оперативной разработки распознавающих алгоритмов (С0РРА). В кн.: Статистические цроблемы управления, вып. 17, Вильнюс, 1977, с. 5-27.

27. Опознание образов./ Под ред. И.Т.Турбовича. М.: Наука, 1968. - 228 с.

28. Турбович И.Т., Гитис В.Г., Маслов В.К. Опознавание образов (Детерминщюванно-статистический подход). М.: Наука,1971.- 246 с.

29. Файн B.C. Опознавание изображений. М.: Наука, 1970. -296 с.

30. Фомин В.Н. Математическая теория обучаемых опознавающих систем. Л.: ЛГУ, 1976. - 236 с.

31. Шрейдер Ю.А. Равенство, сходство, порядок. М.: Наука, 1971. - 254 с.

32. Шрейдер Ю.А. Логика классификаций. НТИ, сер. 2, 1973,№ 2, с. 33-37.

33. Вайнцвайг М.Н., Губерман Ш.А., Чуринова И.М. Использование априорной информации в задачах распознавания нефтеносных пластов. В кн.: Моделирование обучения и поведения. - М.: 1975, с. 14-17.

34. Вопросы анализа и процедуры принятия решения. Сб. переводов.- М.: Мир, 1976. 216 с.

35. Гренадер У. Лекции по теории образов. Синтез образов. М.: Мир, 1979. - 382 с.

36. Гренадер У. Лекции по теории образов. Анализ образов. М.: Мир, 1981. - 446 с.

37. Дуда Р., Харт П. Распознавание образов и анализ сцен. М.: Мир, 1976. - 512 с.

38. Канал Л.Н. Обзор систем для анализа структуры образов и разработки алгоритмов классификации в режиме диалога. В кн.: Распознавание образов при помощи цифровых вычислительных машин. М.: Мир, 1974, с. 124-143.

39. Надь Дк. Распознавание образов (обзор). ТИИЭР, 1968,т.56, № 5, с. 57-86.

40. Себестиан Г.С. Процессы принятия решения при распознавании образов. Киев: Техника, 1965. - 151 с.

41. Ту Д.Ж., Гонсалес Р. Принципы распознавания образов. М.: Мир, 1970. - 411 с.

42. Фу К. Последовательные методы в распознавании образов и обучении машин. М.: Наука, 1971. - 255 с.

43. Фу К. Структурные метода в распознавании образов. М.: Мир, 1977. - 320 с.

44. Хо Ю-дзи, Агравала Д.К. Об алгоритмах классификации образов, введение и обзор. ТИИЭР, 1968, т. 56, № 12, с. 5-19.

45. Воронин Ю.А. К проблеме создания автоматизированной системы для решения задач поиска полезных ископаемых. В кн.: Применение математических методов и ЭВМ при поиске полезных ископаемых. - Новосибирск: ВЦ СО АН СССР, 1973, с. II5-I67.

46. Interactive pattern analysis and classification / Eds, L'I.Klerer, J.Reifelds. Нет/ York, Academic Press, 1968. -224 p.

47. Александров B.B., Горский Н.Д., Поляков А.О. ППП "Алпогор". Л.: издательство ФТИ, 1978. - 48 с.

48. Ващенко Н.Д., Гладун В.П., Стогний A.A. Применение системы АНАЛИЗАТОР в научно-исследовательских работах. УСиМ,1978, № 3, с. 104-107.j

49. Ершов А.П., Ильин В.П. Пакеты программ технология решения прикладаых задач. - Новосибирск, 1978. - 22 с. - (Препринт/ ВЦ СО АН СССР ; № 121).

50. Загоруйко Н.Г., Лбов Г.С., Машаров Ю.П. Пакет прикладных программ для обработки таблиц экспериментальных данных ОТЭКС-1. В кн.: .Вопросы обработки информации при проектировании систем (Вычислительные системы , 69). - Новосибирск, 1977, с. 93-101.

51. Казанцев B.C. Пакет "КВАЗАР" прикладных программ распознавания образов. В кн.: Планирование горно-металлургического производства (Программы оптимизации). - Свердловск: издательство ИММ УНЦ АН СССР, 1977, вып.7, с. 20-26.

52. Ким А.Н., Бузурханов В.Б., Камилов М.М. Программно-распознающий комплекс ПРАСК. В сб.: Алгоритмы и программы.Вып. 17. - Ташкент, 1975, с. 3-12.

53. Pried B.D. On the user's point of view. In: Interactive

54. Systems for Experimental Applied Mathematics. Few York: Academic Press, 1968,-p. 11-12.

55. Воронин Ю.А. Совершенствование методологических, теоретических и организационных основ поисков и разведки полезных ископаемых в связи с применением математических методов и ЭВМ. Новосибирск, 1976. - 112 с. - (Препринт/ВЦ СО АН СССР : № 31-33).

56. Раудис Ш.Ю., Пикялис B.C. Общее описание пакета СОРРА-2. Входной язык. Условия применения. В сб.: Статистические проблемы управления. - Вильнюс, 1982, вып. 58, с. 9-25.

57. Sammon J.W. Interactive pattern analysis and classification. IEEE Trans. Comput., 1970, July, vol. C-19, p. 594-616.

58. Пфанцагль И. Теория измерений. М.: Мир, 1976. - 248 с.

59. Андреев И.Д. Теория как форма организации научного знания. -М.: Наука, 1979. 285 с.

60. Бенерджи Р. Теория решения задач. М.: Мир, 1972. - 224 с.

61. Блехман И.И., Мышкис А.Д., Пановко А.Г. Прикладная математика: предает, логика, особенности подходов. Киев: Науко-ва думка, 1976. - 310 с.

62. Воронин Ю.А. Программа и методические разработки к курсу "Теория поисков полезных ископаемых". Алма-Ата, 1975. -59 с. - (Препринт/Казах.опытно-метод. эксп-я МИНГЕО Каз. ССР).

63. Костюк Г.С., Балл Г.А. Категория задачи и ее значение для психолого-педагогических исследований. Вопросы психологии, 1977, № 3, с. 87-115.

64. Пойя Д. Математическое открытие. М.: Наука, 1976. - 286 с.

65. Воронин Ю.А., Гафуров Д.З., Шевченко Н.Г. Некоторые классификационные вопросы распознавания. Новосибирск, 1983. -28 с. - (Прецринт/ВЦ СО АН СССР ; № 380).

66. Воронин Ю.А. Введение мер сходства и связи для решения геологических задач. Докл. АН СССР, 1971, т. 199, № 5,с. I0II-I0I4.

67. Шевченко Н.Г. К вопросу об отыскании оптимальных подпространств. В кн.: Применение математических методов и ЭВМ для решения прогнозных задач нефтяной геологии. - Новосибирск, 1973, с. 20-21.

68. Шевченко Н.Г. К вопросу о построении и выборе мер сходства в задачах распознавания (при поиске полезных ископаемых). -Новосибирск, 1977. 12 с. (Препринт/ВЦ СО АН СССР).

69. Воронин Ю.А., Лаврентьев М.М., Фотиади Э.Э. 0 некоторых принципиальных вопросах, связанных с изменением программы математической подготовки студентов геолого-геофизических факультетов университетов. Геология и геофизика, 1967, № 3, с. 5-9.

70. Воронин Ю.А. и др. Программы "Голотип" для решения задач распознавания образов. Алма-Ата: Южно-Казахстан. Геол. Упр. 1968. - 114 с.

71. Шевченко H.Г. О первом варианте автоматизированной системы для постановки и решения задач распознавания образов. Новосибирск, 1977. - 20 с. (Прецринт/ВЦ СО АН СССР ; № 50).

72. Bonner R.E. On some clustering techniques. IBM Journal Res. and Develp., 1964, v 8, p. 132-142.

73. Губерман Ш.А., Извекова M.JI., Холин А.И. и др. Использование алгоритма распознавания образов для решения задач промысловой геофизики. Докл. АН СССР, 1964, т. 154, № 5,с. 1082-1083.

74. Логико-математическая обработка геологической информации. -В надзаг. ИГиГ СО АН СССР. - Новосибщ)ск, 1976. - 152 с.

75. Ланцман P.M. Кибернетика и криминалистическая экспертиза почерка. М.: Наука, 1968. - 95 с.

76. Розин Б.Б. Теория распознавания образов в экономических исследованиях. М.: Статистика, 1973. - 224 с.

77. Головкин Б.А. Машинное распознавание и линейное программи-, рование. М.: Сов.Радио, 1973. - 99 с.

78. Распознавание образов при построении экономико-статистических моделей./А.В.Беккер, М.А.Ягольницер, А.А.Колоколов, Б.А.Гладкий. Новосибирск; Наука, 1975. - 92 с.

79. Джуре П., Айзенауэр Т. Распознавание образов в химии. М.: Мир, 1977. - 230 с.

80. Куклин А.П. Опыт изучения закономерностей локализации месторождения золота с помощью ЭЦВМ. Докл. АН СССР, 1966, т. 171, № 2, с. 429-430.

81. Губерман Ш.А. и др. Анализ эффективности решения различных геологических задач. Тр. МИНХ и ГП им. Губкина. Вып. 62, 1966, с. 53-60.

82. Воронин Ю.А., Нурпеисов М.Д., Гафуров Д.З. 0 классификации эмпирического материала в задачах распознавания: Тез. Всесоюз.конф. Теория классификации и анализа данных. Новосибирск: ВЦ СО АН СССР, 1981, с. 27-28.

83. Загоруйко Н.Г. Классификация задач распознавания образов. -В кн.: Вычислительные системы. Новосибирск: ИМ СО АН СССР, 1966, вып. 22, с. 3-19.

84. Загоруйко Н.Г. Классификация задач прогнозирования на таблицах "объекты-свойство". В кн.: Вычислительные системы.- Новосибирск: ИМ СО АН СССР, 1981, вып. 88, с. 3-7.

85. Воронин Ю.А., Гафуров Д.З., Серых A.B. К классификации алгоритмов распознавания: Тез. Всесоюз. конф. Теория классификаций и анализ данных. Новосибирск, 1981, с. 30-31.

86. Кроссер Пол. Диалектика военной техники и ее последствия. -М.: Прогресс, 1975. 199 с.

87. Яхиел Нико. Социология науки. Теоретические и методологические проблемы. М.: Прогресс, 1977. - 271 с.

88. Методологические проблемы научного познания. Сб.научн.трудов. Новосибирск: Наука, Сибирское отделение, 1977. -342 с.

89. Уемов А.И. Системный подход и общая теория систем. М.: Мысль, 1978. - 272 с.

90. Жирнов В.Д. Проблема предмета медицины.- М.: Медицина,1978.- 240 с,

91. Курсанов Г.А. Ленинская теория истины и кризис буржуазных воззрений. М.: Мысль, 1977. - 350 с.

92. Ракитов А.И. Философские проблемы науки. М.: Мысль,1977. -270 с.

93. Рузавин Г.И. Научная теория. М.: Мысль, 1978. - 244 с.

94. Чудинов Э.М. Природа научной истины. М.: Политиздат,1977.- 312 с.100. 0 программе работ по созданию основ для развития теоретической геологии/А.М.Боровиков, Ю.А.Воронин, Э.А.Еганов,К.

95. А.Еганова, В.А.Нагорский, И.В.Назаров, В.И.Оноприенко, Г.З.Пешель, Ф.А.Усманов, И.П.Шарапов. В кн.: Применение математических методов и ЭВМ при решении типовых геологических задач. - Новосибирск, 1976, с. 6-43.

96. Воронин Ю.А., Еганов Э.А., Усманов Ф.А. О типизации геологических задач в связи с применением математических методов и ЭВМ. В кн.: Применение математических методов и ЭВМ при решении типовых геологических задач. - Новосибирск, 1976, с. 108-129.

97. Баевский P.M. Прогнозирование состояний на грани нормы и паталогии. М.: Медицина, 1979, - 186 с.

98. Царегородцев Г.И., Ерохин В.Г. Экология человека в системе медицинского знания. Вопросы философии, 1980, № 8, с.76-89.

99. Чазов Е.И. Методология диагноза. Терапевтический архив.-М.: 1981, № 5, с. 12-28).

100. Семкин Б.ЦЦис1фиптивныемножества и их приложения. В кн.: Исследование систем. - Владивосток, 1973, вып. I, с.83-94.

101. Миркин Б.Г. Анализ качественных признаков. М.: Статистика, 1976. - 166 с.

102. Воронин Ю.А. К теории поиска полезных ископаемых. В кн.: Применение математических методов и ЭВМ при поиске полезных ископаемых. - Новосибирск, 1974, с. 92-117.

103. Воронин Ю.А. Основные результаты по простой теории клас -сифицирования в геологии. Новосибирск, 1981. - 29 с. (Препринт/ВЦ СО АН СССР ; № 315).

104. Бурков Ц.И., Панкова Л.А., Шнейдерман М.В. Получение и анализ экспертной информации. М., 1980. - 16 с. - (Пре-цринт/МГУ).

105. Тюрин Ю.Н., Литвак Б.Г., Орлов А.Н. и др. Анализ нечисловой информации. М., 1981. - 32 с. - (Препринт/Ин-т кибернетики АН СССР).

106. Воронин Ю.А. О корреляции разрезов: Тез. У1 конф. Математические метода при прямых поисках месторождений полезных ископаемых. Алма-Ата, 1979, с. 82-83.

107. ИЗ. Воронин Ю.А., Будянский Ю.А. Об оценке косвенного способа определения перспективности геологических объектов: Тез. У1 конф. Математические метода при прямых поисках месторождений полезных ископаемых. Алма-Ата, 1979, с. III—112.

108. Файн B.C. Об одной программе исследований в опознании образов и о попытке определения понятия "сходство". В кн.: Тр. семинара Проблемы расширения возможностей автоматов. -М.: Ин-т автоматики и телемеханики, 1964, с. 30-35.

109. Воронин Ю.А., Черемисина E.H. Использование ЭВМ для эффективного опробования участков и выделения месторождений. -Математические проблемы геофизики. Новосибирск, 1971, вып. 2, с. 321-329.

110. Об одном подходе к применению математических методов и ЭВМ при дифференциальной диагностике кровоизлияний и размягчений головного мозга в остром периоде./Воронин Ю.А., Иерусалимский А.П., Доронин Б.М., Марасулов А.Ф.,Шевченко Н.Г.

111. В кн.: Математические метода в психиатрии и неврологии. -Л: Наука, 1972, с. 20-22.

112. Марасулов А.Ф. Введение показателя с целью выбора материала обучения при индивидуальном подходе к решению задачираспознавания. В кн.: Применение математических методов и ЭВМ при поиске полезных ископаемых. - Новосибирск, 1974, с. 64-66.

113. Психологические измерения. М.: Мир, 1967. - 196 с.

114. Горский Д.П. Вопросы абстракции и образования понятий. М.: Изд. АН СССР, 1961. - 351 с.

115. Уемов А.И. Аналогия в практике научного исследования. М.: Наука, 1970, - 264 с.

116. Бугаец А.Н., Дуденко JI.H. Математические методы при прогнозировании месторождений полезных ископаемых. Л.: Недра, 1976. - 270 с.

117. Воронин Ю.А., Еганов Э.А. 0 цроцедурах составления сложных геологических тел на основе их аналитического описания. Новосибирск. Тр. СНИНИГГИМС, вып. 79, 1968, с. 361. VI 48.

118. Житков Г.Н. 0 классификации структурных элементов при сложных изображениях. НТИ, сер. 2, № 10, с. 14-18.

119. Файн B.C. К определению понятия "сходство". Изв. АН СССР, Техническая кибернетика, 1966, № 2, с. 74-76.

120. Айвазян С.А., Бежаева З.И., Староверов О.В. Классификация многомерных наблюдений. М.: Статистика, 1974. - 250 с.

121. Фрей Т.Э. А. Обработка геоботанических описаний -методом анализа скоплений с приложением критерий К и фенограммы. -В кн.: Метода выделения растительных ассоциаций. - Л.: Наука, 1971, с. 226-249.

122. Василевич В.И. Количественные метода измерения структуры растительности. Итоги науки и техники, серия Ботаника,т.8.-М.: 1972, с. 50-57.

123. Будянский Ю.А., Воронин Ю.А., Чашков A.A. Некоторые свойства "расстояний" и мер сходства между множествами объектов. Новосибирск, 1976. - 28 с. (Препринт/ВЦ СО АН СССР: 29-76).

124. Воронин Ю.А., Горелова Н.Г. О постановке и решении задачи структурного множества. В кн.: Применение математических методов и ЭВМ при поиске полезных ископаемых. - Новоси -бирск, 1976, с. 36-52.

125. Головченко И.И., паемых/Ю.А.Воронин, Е.Н.ЧеремисинаУВ.М.Добрынин, Н.Г.Шевченко. В кн.: Применение математических методов и ЭВМ при поисках полезных ископаемых. - Новосибирск, 1976, с. I5I-I59.

126. Чейф У.Л. Значение и структура языка. М.: Прогресс, 1975. - 432 с.

127. Налимов В.В. Вероятная модель языка. М.: Наука, 1974. -303 с.

128. Москович В.А. Информационные языки. М.: Наука, 1971. -144 с.

129. Братчиков И.Л. Синтаксис языков программирования. М.:1. Наука, 1975. 323 с.

130. Гладкий А.В. Формальные грамматики и языки. М.: Наука, 1973. - 368 с.

131. Гросс М., Лантен А. Теория формальных грамматик. М.:Мир, 1971. - 294 с.

132. Хомский А. Три модели для описания языка. Кибернетический сборник. - М.: ИЛ, 1961, вып. 2, с. 237-266.

133. Хомский Н. Синтаксические структуры. Новое в лингвистике. - М.: ИЛ, 1962, вып. 2, с. 412-527.

134. Замулин А.В. Язык манипулуования банком данных ЛИРС-1. -В кн.: Вычислительная техника. Новосибирск, 1973, с.279-302.

135. Cardenas А,P., Karplus W.J. Л language for Partial Differential Equation, Communication of the ЛСМ v 13, n 3, March, 1970, p. 106-120.

136. Cardenas A. P. A problem oriented language and a translator for partial differential equations. Proceedins of the Dep. of Engineering. U. of California. Los Angeles, Calif., Dec., 1968, p. 106-117.

137. Хенли Дж. Автоматизьфованная билиотека и информационные системы. М.: Мир, 1974. - 119 с.

138. Косыгин Ю.А., Воронин Ю.А., Соловьев В.А. Опыт формализации некоторых тектонических понятий. Геология и геофизика 1964, № I, с. 23-37.

139. Косыгин Ю.А., Воронин Ю.А. Некоторые фундаментальные понятия структурной геологии. Геотектоника, 1965, № I, с. 5160.

140. V/irth П. On the design of programming languages. Information Processing 74. Proceedings of IFIP Congress 74,

141. Stockholm, Sweiden August 5-10, 1974, 2, Sowftv/are, Amsterdam, 1974 (North-Holland Pabl.).

142. Криницкий H.A., Миронов Г. Д,Фролов Г. Д.Программирование и алгоритмические языки. М.: Статистика, 1975. - 509 с.

143. Флорес А. Программное обеспечение. М.: Мир, 1971. -519 с.

144. Хигман Б. Сравнительное изучение языков программирования. М.: Мир, 1974. - 204 с.

145. Виленкин С.Я., Трахтенгерц Э.А. Математическое обеспечение управляющих вычислительных машин. М.: Энергия,1972. -392 с.

146. Руководство к пользованию системой автоматизации програм-мщювания АЛЬФА-6/А.0.Буда, Т.С.Васючкова, А.А.Грановский, С.Э.Козловский, В.И.Шелехов. Новосибирск: ВЦ СО АН СССР, 1974. - 254 с.

147. Инструкция пользователю по работе с операционной системой ДОСПАК для БЭСМ-6/И.Д.Бокова, С.А.Зельдинова, В.И.Зуев и др. М.: ИПМ, 1973. - 80 с.

148. Алгоритмический язык АЛГ0Л-60. Пересмотренное сообщение. -M.: 1965. 79 с.

149. Тинн К.А., Тыугу Э.Х., Унт М.И. Система модульного программирования для ЭВМ Минск-22. В кн.: Труда 2-й Всесоюзной конференции по программированию. - Новосибирск, 1970, с.23-39.

150. Бежанова М.М. Системная программа ТЕНЗОР. В кн.: Труды 2-й Всесоюзной конференции по программированию. - Новосибирск, 1970, - с. 33-40.

151. ФИХАР модульная система программ для реактор-шхрасчетов./ А.И.Башмачников, М.Н.Зизин, О.А.Савочкина, Т.А.Темноева, Б.А.Загацкий, Я.Н.Ярославцев. - Дмитровоград, 1972. - 27 с* (Препринт/НИИАР: П-145).

152. Загацкий Б.А. Прикладные программы для ЕС ЭВМ. В кн.:

153. Системное программирование. Часть П. Новосибирск, 1973, март, с. I6I-I77.

154. Тыугу Э.Х. Решение задач на вычислительных моделях. Журн. вычисл.математики и мат. физики, 1970, 10, № 3, с. 716-733.

155. Тыугу Э.Х. Решатель вычислительных задач. Журн. вычисл. математики и мат. физики, 1971, II, № 4, с. 992-1004.

156. Денисов В.И. Математическое обеспечение системы ЭВМ-экспериментатор. М.: Наука, 1977. - 250 с.

157. Добрынин В.Н., Черемисина E.H. Оценка качества пакета прикладных программ на примере ППП решения геолого-прогнозных задач. Алма-Ата, 1983. - 15 с. - (Препринт/Казах, опытно-метод.экс. - МИНГЕ0 КазССР).

158. Хамби Э. Программирование таблиц решений. М.: Мир,1976. -86 с.

159. Браун П. Макропроцессоры и мобильность программного обеспечения . М.: Мир, 1977. - 75 с.

160. Копылов В.А. Построение автоматизированных информационно-поисковых систем. М.: Энергия. - 1974. - 145 с.

161. Ланкастер Ф.У. Информационно-поисковые системы. М.: Мир, 1972. - 380 с.

162. Мидоу Ч. Анализ информационно-поисковых систем. М.: Мир, 1970. - 400 с.

163. Тыугу Э.Х. Системы программирования с автоматическим синтезом алгоритмов. В кн.: Системы построения трансляторов. Новосибирск, 1976. - с. 32-45.

164. Донаван Дж. Системное программирование. М.: Мир, 1975. -540 с.

165. Хопгуд Ф. Метода компиляции. М.: Мир, 1972. - 160 с.

166. Грис, Д. Конструирование компиляторов для цифровых вычислительных машин. М.: Мир, 1975. - 544 с.

167. Болье JI. Метода построения компиляторов. Языки программирования. М.: Мир, 1972, с. 87-277.

168. Фостер Дж. Автоматический синтаксический анализ. М.:Мир, 1975. - 71 с.

169. Гиляревский С.А. О диагностике. М.: Медгиз,1953. - 120 с.

170. Доронин Б.М. Решение некоторых задач диагностики острых нарушений с помощью ЭБМ: Автореф. Дис. . канд.медиц.наук. Новосибирск, 1977, НГМИ. - 23 с.

171. Ананьев Б.Г. Некоторые вопросы изучения человека. В кн.: Человек и общество. Уч.зап. ЛГУ. - Л.: ЛГУ,1966, с.176-183.

172. Гальперин П.Я. Новые возможности обучения, в частности, иностранным языкам. В кн.: Вопросы методики преподавания иностранных языков на неязыковых факультетах университетов. M.: МГУ, 1971, с. 69-82.

173. Калошина И.П. Проблема формирования технического мышления. М.: МГУ, 1974. - 184 с.

174. Талызина Н.Ф. Управление процессом усвоения знаний. М.:1. МГУ, 1975. 343 с.

175. Гельфгат E.J1. Состояние системы иммунитета у коренного и пришлого населения Северо-Востока СССР: Автореф.Дис. канд.медиц.наук. Новосибирск, 1982, ИКИ. 27 с.

176. Роговин М.С. Введение в психологию. М.: Высшая школа, 1969. - 382 с.

177. Шевченко Н.Г., Этлис М.М. Фондовая работа. (Заключ.отчет)/ Ин-т биол. проблем Севера ДВНЦ АН СССР. C-I2. - Магадан, 1971. - 317 с.

178. Карта социально-психологического исследования условий формирования личности./Сост.Ивченко А.А., Шевченко Н.Г., Эт-лис М.М. Магадан: Магаданский гос.пед.ин-т, 1971. - 61 с.

179. Березин Ф.Б., Мирошников М.П., Рожанец Р.В. Методика многостороннего исследования личности. М.: Медицина, 1976. -175 с.

180. Кун Т. Структура научных революций. М.: Прогресс, 1975. -300 с.

181. Нильсон Н. Искусственный интеллект. М.: Мир, 1973. - 270с

182. Сакман Г. Решение задач в системе человек ЭВМ. - М.:Мир, 1973. - 352 с.

183. Слейгл Дж. Искусственный интеллект. Подход на основе эвристического программирования. М.: Мир, 1973. - 319 с.

184. Шапиро С.И. От алгоритмов-к суждениям. М.: Советское радио, 1973. - 287 с.

185. Хант Э. Искусственный интеллект. М.: Мир, 1978. - 558 с.

186. Ефимов Е.И. Решатели интеллектаульных задач. М.: Наука, 1982. - 316 с.

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.