Разработка и исследование логического вывода в базах нечетких знаний продукционного типа с целью принятия решений в интеллектуальных системах тема диссертации и автореферата по ВАК РФ 05.13.17, кандидат технических наук Кияшко, Александр Борисович

• Кияшко, Александр Борисович
• кандидат технических наук
• 1998

Оглавление диссертации кандидат технических наук Кияшко, Александр Борисович

ВВЕДЕНИЕ Ч

1. МОДЕЛИ ПРЕДСТАВЛЕНИЯ И ОБРАБОТКИ НЕЧЕТКОЙ ИНФОРМАЦИИ И ЗНАНИЙ

1Л. Модели представления нечеткой информации /V

1.2. Модели представления нечетких знаний 2.

1.3. Алгоритмы обработки нечеткой информации и знаний

1.4. Выводы чг

2. РЕАЛИЗАЦИЯ НЕЧЕТКОГО ЛОГИЧЕСКОГО ВЫВОДА В БАЗЕ ЗНАНИЙ ПРОДУКЦИОННОГО ТИПА Л?

2.1. Проблемы, возникающие при реализации ситуационного и модифицированного композиционного логических выводов 5С

2.2. Метод определения степеней сходства и различия нечетких ситуаций ^

2.3. Выводы ЯЗ

3. ПОСТРОЕНИЕ БАЗЫ НЕЧЕТКИХ ЗНАНИЙ ПРОДУКЦИОННОГО ТИПА

3.1. Проблемы, возникающие при построении баз нечетких знаний продукционного типа 7

3.2. Принципы классификации состояния объекта

3.3. Методы кластер-анализа

3.4. Классификация текущих состояний объекта в интеллектуальной системе &&

3.5. Метод построения базы нечетких знаний продукционного типа

3.6. Реализация нечеткого логического вывода в базе нечетких знаний продукционного типа д

3.7. Верификация базы знаний продукционного типа

3.8. Выводы -/с-/

4. ПРОГРАММНЫЕ СРЕДСТВА ПРОЕКТИРОВАНИЯ И ПОДДЕРЖКИ БАЗ НЕЧЕТКИХ ЗНАНИЙ №

4.1. Обзор средств проектирования и поддержки баз нечетких знаний 4СЧ

4.2. Программно-аппаратный комплекс проектирования и поддержки баз нечетких знаний БигЕх-РигСор юу

4.3. Анализ средств проектирования и поддержки баз нечетких знаний

4.4. Выводы /

5. МОДЕЛИРОВАНИЕ ПРИКЛАДНОЙ ЗАДАЧИ НЕЧЕТКОГО УПРАВЛЕНИЯ НА ОСНОВЕ БАЗЫ ЗНАНИЙ ПРОДУКЦИОННОГО ТИПА ГЬЪ

5.1. Понятие нечеткого ситуационного управления

5.2. Постановка задачи /ЗУ

5.3. Методы решения /)■¿g

5.4. Выводы

Введение диссертации (часть автореферата) на тему «Разработка и исследование логического вывода в базах нечетких знаний продукционного типа с целью принятия решений в интеллектуальных системах»

Актуальность работы. В настоящее время во всем мире идет бурное развитие интеллектуальных систем и программно-аппаратных средств, обеспечивающих обработку нечеткой информации и управление в нечеткой среде.

В основе интеллектуальных систем (ИС) заложен принцип моделирования знаний человека, используемых для логического вывода решений. Практический опыт показывает, что полноценное моделирование человеческих знаний невозможно без учета присущих им особенностей. К таким особенностям в первую очередь относятся характерный для человека субъективизм при оценке ситуаций, неполнота, неопределенность в традиционном математическом смысле используемых понятий и критериев.

В своих логических рассуждениях человек, как правило, использует качественные оценки и понятия типа «большой - средний - малый», «холодный - довольно теплый - теплый - горячий». Такого рода категории хорошо описываются методами теории нечетких множеств, нечеткой логики и лингвистических переменных. Знания, формализованные при помощи указанной теории называются нечеткими знаниями.

В настоящее время методы теории нечетких множеств находят широкое применение при создании систем, основанных на знаниях, или, другими словами, систем с элементами искусственного интеллекта.

Развитие систем, основанных на нечетких знаниях, порождает потребность как в теоретическом осмыслении фундаментальных проблем, связанных с накоплением и преобразованием нечетких знаний, так и в создании специализированных аппаратно-программных комплексов поддержки проектирования и функционирования ИС с нечеткой логикой.

За последние 15 лет появилось несколько десятков тысяч публикаций по теоретическим и прикладным аспектам систем обработки нечеткой информации. Разработаны программные и аппаратно программные комплексы принятия решений и управления на базе нечеткой логики и знаний с разными уровнями интеллектуальности. Проявляемый фирмами Японии, США и других стран интерес к применению систем с нечеткой логикой, демонстрирует актуальность развития исследований в этой области.

Разработка нечетких систем производственного и бытового назначения становится одной из наиболее перспективных и быстро окупающих себя отраслей. В первую очередь, это приложения в бытовой технике, в медицине и других областях человеческой жизнедеятельности.

Среди последних разработок в области проектирования систем, основанных на нечетких знаниях, можно выделить комплексы FULDEK (FUzzy Logic DEvelopment Kit) компании Bell Helicopter Textron, Inc., FI DE (Fuzzy Inference Development Environment) фирмы Aptronics, KBG (Fuzzy Logic Knowledge Base Genetator) фирмы Motorola, FuzzyTECH-MP фирмы INFORM Software Corporation. Необходимо отметить, что, несмотря на различные архитектурные решения и связанное с этим различное быстродействие разработанных и разрабатываемых в настоящее время программных и аппаратных систем нечеткого логического вывода, всех их объединяет ориентация на реализацию одной из возможных модификаций алгоритмов нечеткого логического вывода, а именно - композиционного вывода. Этот алгоритм эффективно применяется в системах нечеткого управления динамическими объектами, функционирующих по принципу регулятора. При этом совершенно не охватывается обширный класс систем, основанных на принятии решений.

ИС, используемые в качестве систем диагностики или нечеткого управления, решают в основном задачу классификации (распознавания объекта или предметной области (ПО). Классификация заключается j определении состояния, в котором находится объект или ПО и выда-т соответствующего этому состоянию диагноза или управляющего воздействия. Решению задачи классификации должно предшествовав предварительное задание множеств возможных классов состояний, признаков описания состояний, а также их базовых шкал.

Один из методов классификации предполагает настройку системы распознавания по обучающей выборке, после чего возможна классификация любого состояния объекта. Следует отметить, что настройка системы может производиться как с учителем, так и без него. В первом случае имеются так называемые представительные состояния, соответствующие каждому из рассматриваемых классов, - обучающие состояния. Во втором случае обучающие состояния отсутствуют и требуется определить классы состояний, имеющиеся в исходной информации, а также обучающие состояния. Недостатком подобного подхода является то, что возможны случаи, когда размер обучающей выборки недостаточен для получения классификации произвольного состояния. Причем в некоторых случаях получение выборки достаточного размера затруднено в силу тех или иных причин.

Более перспективным представляется метод классификации, основанный на взаимодействии с экспертом, высококвалифицированным специалистом в той ПО, для которой разрабатывается ИС. В этом случае ИС использует полученные от эксперта знания и моделирует выполняемый экспертом метод решения задачи. В результате моделирования появляются новые знания, которые фиксируются и, по необходимости, предъявляются эксперту. В процессе моделирования возможно также выявление состояний, которые нельзя классифицировать на основании той информации, которая получена от эксперта. В этом случае состояние предъявляется эксперту, который классифицирует его, и полученная информация заносится в базу знаний.

Проблемам, связанным с разработкой и исследованием логического вывода в базах нечетких знаний продукционного типа с целью принятия решений в интеллектуальных системах, посвящена данная диссертационная работа.

Большой вклад в развитие теоретических исследований и практических приложений в области теории нечетких множеств и инженерии знаний внесли зарубежные ученые Zadeh L. /5, 6, 29, 33/, Kaufinann А. /1, 28/, Dubois D. /38, 39/, Prade H. /38, 39/, Bezdek J., Zmimermarm H., Mamdani E. /23/, Yager R. /21/, Togai M. /18, 54/, Watanabe H. /18/, Yamakawa T. /45, 55/, Osuga S. /10, 11/ и др., а также отечественные ученые Поспелов Д.А. /15, 16, 17, 20/, Мелихов А.Н. /2, 3, 22, 24, 49/, Берштейн Л.С. /2, 3, 22, 24, 60/, Аверкин А. Н. /20/, Борисов А.Н. /4, 37/, Тарасов В.Б. /20/, Алиев P.A. /50/, Ульянов С.В. /50, 51, 52/, Батыршин И.З. /35, 36/ и др.

Актуальность работы подтверждается потребностью в компьютерных информационных системах, обеспечивающих многоцелевую деятельность человека в условиях ограниченных ресурсов, дефиците времени на принятие решений, неполноты, нечеткости и противоречивости исходной информации, наличия конфликтных ситуаций и различных альтернатив.

Основой диссертации явились исследования, которые выполнялись в 90-х годах при непосредственном участии автора на кафедре МОП ЭВМ.

Предмет и методика исследования. Предметом исследования является комплексное рассмотрение вопросов, связанных с построением баз нечетких знаний в интеллектуальных системах принятия решений, диагностики и нечеткого управления.

Методика исследования основывается на использовании теории нечетких множеств, нечеткой и булевой логики, инженерии знаний, классификации образов. При разработке программных средств проектирования и поддержки баз нечетких знаний, а также моделирования прикладной задачи использовались методы программирования.

Целъю настоящей диссертационной работы является разработка и исследование логического вывода в базах знаний продукционного типа с целью принятия решений в интеллектуальных системах. Для достижения этой цели решаются следующие задачи:

- исследование алгоритмов представления и обработки нечеткой информации и нечетких знаний в ИС нечеткого управления и диагностики;

- разработка и исследование методов построения баз нечетких знаний, являющихся основой ИС;

- разработка и исследование логического вывода в базах нечетких знаний продукционного типа;

- разработка инструментальных программных средств проектирования и поддержки ИС нечеткого управления и диагностики.

В диссертации разрабатываются, исследуются и защищаются следующие основные положения:

- нечеткие отношения сходства и различия, позволяющие повысить качество логического вывода в интеллектуальных системах, реализующих нечеткий ситуационный и композиционный логические выводы;

- алгоритм построения баз нечетких знаний продукционного типа;

- метод логического вывода в базах нечетких знаний продукционного типа;

- инструментальная программная среда проектирования и поддержки баз нечетких знаний в ИС — Ршех.

Научная новизна. Научная новизна исследований определяется в первую очередь разработкой методики построения баз нечетких знаний продукционного типа, отличительными особенностями которой являются:

- автоматизация процесса выявления знаний;

- сокращение объема БЗ за счет определения состояний объекта, в полной мере соответствующих тому или иному диагнозу (управляющему воздействию);

- проведение опроса эксперта в естественной для него форме;

- обеспечение полноты, непротиворечивости и неизбыточности проектируемой БЗ.

Предложенные нечеткие отношения сходства и различия позволяют повысить качество логического вывода в ИС, реализующих нечеткий ситуационный и композиционный по \Vatanabe логические выводы.

Достоверность полученных в диссертации теоретических выводов подтверждена результатами:

- моделирования на ЭВМ алгоритмов логического вывода и проектирования баз нечетких знаний;

- обработки знаний и организации логического вывода в системе БигЕх-БигСор;

- использования при выполнении госбюджетных и хоздоговорных работ и в учебном процессе.

Практическая ценность результатов работы. Практическую ценность представляют следующие результаты работы:

- проведена сравнительная оценка эффективности используемых в ИС мер сходства и различия нечетких ситуаций, в результате чего сделан вывод о том, что использование в инструментальных средствах ИС для классификации состояний объекта предложенных в работе мер сходства и различия нечетких ситуаций позволяет повысить качество логического вывода;

- разработанный метод построения баз нечетких знаний позволяет автоматизировать процесс выявления знаний, произвести сокращение объема БЗ за счет определения состояний объекта, в полной мере соответствующих тому или иному диагнозу (управляющему воздействию), производить опрос эксперта в естественной для него форме, обеспечить полноту, непротиворечивость и неизбыточность проектируемой БЗ и может быть применен при создании различных ИС, реализующих как ситуационный, так и композиционный нечеткий логический вывод в базах нечетких знаний продукционного типа;

- разработана программная среда, позволяющая осуществлять проектирование и поддержку полных, непротиворечивых, неизбыточных баз нечетких знаний, входящих в состав И С;

- произведенное моделирование прикладной задачи доказывает эффективность предложенных в работе методов и алгоритмов при построении ИС.

Реализация результатов исследования. Теоретические и практические результаты, полученные в диссертационной работе, использованы при выполнении хоздоговорных и госбюджетных НИР: г/б №12454 «Разработка комплекса программно-аппаратных средств обработки нечеткой информации и знаний для IBM PC/AT», г/б №12457 «Аппаратная реализация встроенных систем принятия решений на одном кристалле», г/б №12453 «Разработка новых моделей и алгоритмов нечеткого ситуационного анализа и создание на их основе гибридных интеллектуальных систем принятия решений и управления», г/б №12451 «Интеллектуальные системы на базе нечетких компьютеров», проводившихся при непосредственном участии автора Таганрогским радиотехническим университетом по научно-техническим программам «Университеты России», «Технология и материалы микроэлектроники», х/д №12425 «Разработка АСУ ТП цеха добычи нефти и газа Федоровского месторождения пласта АС4-8».

Апробация работы. Основные результаты диссертационной работы докладывались на: в IV национальной конференции с международным участием "Искусственный интеллект - 94", Рыбинск, 1994;

• Всероссийской научной конференции студентов и аспирантов "Новые информационные технологии. Информационное, программное и аппаратное обеспечение", Таганрог, 1995. Конференции "Новые технологии в медицине, бизнесе и экологии", Гурзуф, Украина, 1997.

• 40-43 научно-технических конференциях профессорско-преподавательского состава ТРТУ, Таганрог, 1994-1997.

Публикации. По теме диссертационной работы опубликовано 10 печатных работ /27, 40, 41, 47, 48, 49, 58, 59, 60, 61/, результаты работы отражены в отчетах по госбюджетным и хоздоговорным НИР /62, 63, 64/.

Личный вклад автора. Все результаты, представленные в диссертационной работе, получены автором лично. В совместных научных публикациях имеет место неделимое авторство.

Структура работы. Диссертация состоит из введения, пяти глав и заключения, списка использованных в диссертации литературных источников и приложения.

Заключение диссертации по теме «Теоретические основы информатики», Кияшко, Александр Борисович

5.4. Выводы

Для подтверждения достоверности представленных в диссертационной работе положений было произведено моделирование задачи нечеткого регулирования потреблением ресурсов интеллектуального устройства связи с объектом в условиях изменяемой пропускной способности канала передачи данных. Решение задачи в недетерминированном случае (при невозможности планирования объема ресурса), предлагается свести к регулированию функции информативности и выполнять в два этапа. Вначале методами линейного или нечеткого программирования решается задача предварительного (статического) распределения имеющегося в УСО объема ресурса. Второй этап -динамическое перераспределение ресурса между каналами (группами каналов) в условиях недетерминированного пополнения ресурса при сохранении минимальной информативности выходного канала. Решение задачи второго этапа спредлагается свести к ставшему уже классическим моделированию нечеткого контроллера, позволяющего производить «мягкое» управление тем или иным объектом.

В качестве модели нечеткой системы управления ресурсами предлагается иерархическая база нечетких знаний, узлами которой являются базы знаний продукционного типа двух уровней:

- базы знаний нижнего уровня, соответствующих секторам буферной памяти, соответствующим каналам (группам каналов) входных данных;

- база знаний верхнего уровня, выполняющей функцию монитора.

Произведено построение баз нечетких знаний согласно методики построения баз нечетких знаний, предложенной в главе 3. Спроектированные таким образом БЗ являются полными, неизбыточными и непротиворечивыми.

В процессе принятия решений был использован метод логического вывода, предложенный в работе, который позволил ИС выдавать решения, соответствующие решениям, принимаемым экспертом.

Полученные результаты моделирования позволяют говорить о целесообразности применения предложенного алгоритма логического вывода и методики построения баз нечетких знаний продукционного типа в ИС.

Система нечеткого регулирования потреблением ресурсов интеллектуального устройства связи будет использоваться в составе АСУ цеха добычи нефти и газа, разрабатываемой в настоящее время при участии автора работы.

ЗАКЛЮЧЕНИЕ

В диссертационной работе исследованы особенности реализации алгоритмов нечеткого логического вывода при принятии решений, разработаны алгоритмы и методы, используемые в процессе проектирования и функционирования ИС нечеткого управления и диагностики. Основное внимание было уделено проблемам, связанным с реализацией логического вывода в базах нечетких знаний продукционного типа. При решении этих проблем получены следующие результаты:

1. Произведен анализ моделей представления нечеткой информации и знаний, алгоритмов обработки нечеткой информации и знаний, в результате которого сделан вывод о необходимости разработки мер сходства и различия нечетких ситуаций, позволяющих осуществлять эффективный логический вывод в базах нечетких знаний продукционного типа.

2. Разработаны отношения сходства и различия нечетких ситуаций, позволяющие производить ситуационный анализ с качеством, соответствующим человеку-эксперту, за счет использования оригинального метода классификации состояний объекта в пространстве образов состояний.

3. Рассмотрен метод построения покрытия, нечетких ситуаций нечеткими классами, являющийся основой построения базы нечетких знаний продукционного типа. Его применение придает гибкость и динамизм процессу проектирования ИС за счет использования предложенных в работе отношений сходства и различия нечетких ситуаций.

4. Разработан метод построения баз нечетких знаний, позволяющий автоматизировать процесс выявления знаний, произвести сокращение объема БЗ за счет определения состояний объекта, в полной мере соответствующих тому или иному диагнозу (управляющему воздействию), производить опрос эксперта в естественной для него форме, обеспечить полноту, непротиворечивость и неизбыточность проектируемой БЗ, который может быть применен при создании ИС, содержащих базы нечетких знаний продукционного типа.

5. Разработан метод логического вывода в базах нечетких знаний продукционного типа, позволяющий ИС выдавать решения, соответствующие решениям, принимаемым экспертом.

6. Разработана программная среда - FuzEx, при помощи которой можно создавать как программные, так и программно-аппаратные интеллектуальные комплексы, предназначенные для принятия решений в нечетких условиях.

Достоверность предложенных моделей и методов подтверждаются результатами моделирования прикладной задачи, что позволяет считать теоретические положения диссертационной работы основой для построения ИС.

Теоретические и практические результаты, полученные в диссертационной работе, использованы при выполнении хоздоговорных и госбюджетных НИР: г/б №12454 «Разработка комплекса программно-аппаратных средств обработки нечеткой информации и знаний для ЮМ PC/AT», г/б №12457 «Аппаратная реализация встроенных систем принятия решений на одном кристалле», г/б №12453 «Разработка новых моделей и алгоритмов нечеткого ситуационного анализа и создание на их основе гибридных интеллектуальных систем принятия решений и управления», г/б №12451 «Интеллектуальные системы на базе нечетких компьютеров», проводимых Таганрогским радиотехническим университетом по научно-техническим программам «Университеты России», «Технология ъ материалы микроэлектроники», х/д №12425 «Разработка АСУ Ш i, добычи нефти и газа Федоровского месторождения пласта АС4~8 >.

Список литературы диссертационного исследования кандидат технических наук Кияшко, Александр Борисович, 1998 год

1. Кофман А. Введение в теорию нечетких множеств. -М.:Радио и связь.Л982.-432 с.

2. Мелихов А.Н., Берштейн Л.С. Конечные четкие и расплывчатые множества. 4.2. — Таганрог: ТРТИ, 1981.— 90с.

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

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

5. Заде Л.А. Понятие лингвистической переменной и его применение к понятию приближенных решений.— М.: Мир, 1976.— 168с.

6. Zadeh L.A. Out line of a new approach to the analysis of complex systems and decision process// IEEE Trans. On SMC.-Vol.3, №l.-1973.-P.28-44.

7. Искусственный интеллект.— В 3-х кн. Кн. 1. Системы общения и экспертные системы: Справочник// Под ред. Попова Э.В. — М.: Радио и связь, 1990,—464с.

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

9. Уэно X. и др. Представление и использование знаний. М.: Мир. 1989. -220с.

10. Осуга С. Обработка знаний. М.: Мир, 1989. - 293с.

11. Осуга С.и др. Приобретение знаний. М.: Мир, 1990. - 304с.

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

13. Попов Э.В. Экспертные системы: Решение неформализованных задач в диалоге с ЭВМ. -М.:Наука., 1987.-288 с.

14. Элти Дж., Кумбс М. Экспертные системы: концепции и примеры. М.: Наука, 1987. - 191с.

15. Поспелов Д.А. Ситуационное управление: теория и практика.— М.: Наука.—Гл. ред. физ.-мат. лит., 1986.— 288с.

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

17. Искусственный интеллект.— В 3-х кн. Кн. 2. Модели и методы: Справочник// Под ред. Поспелова Д.А. — М.: Радио и связь, 1990.— 304с.

18. Togai М., Watanabe Н. A VLSI implementation of a fuzzy-inference engine: toward and expert system on a chip.— Inf.Sci., 1986, №38.

19. Минский M. Фреймы для представления знаний. М.: Наука, 1979. -152с.

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

21. Нечеткие множества и теория возможностей. Последние достижения// Под ред. P.P. Ягера.— М.: Радио и связь, 1986.— 408с.

22. Берштейн Л.С., Коровин С.Я., Мелихов А.Н., Сергеев Н.Е. Функционально-структурное исследование ситуационно-фреймовой сети экспертной системы с нечеткой логикой// Изв. РАН. Техн. кибернетика, 1994, №2.

23. Mamdani Е.Н. Application of fuzzy logic to approximate reasoning using linguistic systems.— IEEE Trans. Comput., 1977, V.26., p.l 182-1191.

24. Мелихов A.H., Берштейн Л.С., Коровин С.Я. Расплывчатые ситуационные модели принятия решений: Учебное пособие.— Таганрог, ТРТИ, 1986.-— 92с.

25. FIDE User's Manual. Aptronix Inc., 1992.

26. Ту Дж., Еонсалес Р. Принципы распознавания образов. -— М.: Мир, 1978,—-415с.

27. Кофман А. Введение в прикладную комбинаторику. — М.: Наука, 1975. — 480с.

28. Заде Л.А. Размытые множества и их применение в распознавании образов и кластер-анализе//Классификация и кластер /Под ред. Дж.Вэн Райзина.-М.: Мир, 1980.

29. Прикладные нечеткие системы //Под ред. Т.Тэрано, К.Асаи, М.Сугэно.-М.: Мир, 1993,—386с.

30. Сокал P.P. Кластер-анализ и классификация: предпосылки и основные направления//Классификация и кластер /Под ред. Дж.Вэн Райзина.-М.: Мир, 1980. С.7-19.

31. Дуда Р., Харт П. Распознавание образов и анализ сцен. М.: Мир, 1976.

32. Заде Л.А. Размытые множества и их применение в распознавании образов и кластер-анализе//Классификация и кластер /Под ред. Дж.Вэн Райзина.-М.: Мир, 1980.

33. Ларичев О.И. и др. Выявление экспертных знаний.— М.:Наука, 1989.-128с.

34. Батыршин И.З. Лексикографические оценки правдоподобности с универсальными границами// Изв. АН СССР. Техн.киберн., 1994. №5., с.28-45.

35. Батыршин И.З. Операции упорядочивания и лексикографические оценки правдоподобности в моделях рассуждений // Изв. АН СССР. Техн.киберн., 1991. №3., с.80-91

36. Борисов А.Н., Крумберг С.А., Федоров И.П. Принятие решений на основе нечетких моделей: Примеры использования. Рига: Зинатне, 1990. -184с.

37. Dubois D., Prade H. Fuzzy Sets and Systems* Theory and applications. -N.Y.: Academic Press, 1980.-394 p.

38. Дюбуа Д., Прад А. Теория возможностей. Приложения к представлению знаний в информатике. Пер. с франц. -М.: Радио и связь, 1990.-288 с.

39. Коровин С.Я., Кияшко А.Б. Нечеткие процессоры и контроллеры для интеллектуальных систем. Журнал Ассоциации искуственного интеллекта "Новости искуственного интеллекта", №4, 1996.

40. Коровин С.Я., Кияшко А. Б. Программные средства нечетких процессоров и контроллеров для интеллектуальных систем. Известия ТРТУ. Специальный выпуск. Материалы 42-й НТК ТРТУ.— Таганрог: Изд. ТРТУ, 1997.

41. Costa A., De Gloria A., Faraboshi P., Pagni A., Rizotto G. Hardware Solutions for Fuzzy Control.— Proc. of IEEE, Vol.83, №3, march 1995, pp. 422-434.

42. Isik C. Inference Engines for Fuzzy Rule-Based Control //Int. Journ of Approximate Reasoning, 1988, No2.

43. Isik C. Inference Hardware for Fuzzy Rule-Based Systems // Fuzzy Computing, Gupta M., Yamakawa T. (Editors), Elsevier Science Publ. В.V.,1988.

44. Yamakawa T. Fuzzy Hardware Systems of Tomorrow // Approximate Reasoning in Intelligent Systems, Decision and Control, Sanchez E., Zadeh L.A. (Editors), Pergamon Press, 1987.

45. KBG Tutorial. Motorola Inc. Press, 1991.

46. Кияшко А. Б. Системные средства поддержки нечеткого процессора FuzCop 2.0. Известия ТРТУ. Специальный выпуск. Материалы 41-й НТК ТРТУ.—Таганрог: Изд. ТРТУ, 1997.

47. Мелихова О.А., Кияшко А.Б. Построение базы знаний интеллектуальной системы на основе программного комплекса Fuzex.

48. Гурзуф, Материалы ^конференции "Новые технологии в медицине, бизнесе и экологии", 1997.

49. Мелихов А.Н., Коровин С.Я., Пуховский В.Н., Казупеев В.М., Кияшко А.Б. Ускоритель нечеткого логического вывода. Известия ТРТУ. Специальный выпуск. Материалы 40-й НТК ТРТУ,— Таганрог: Изд. ТРТУ, 1995 №1.

50. Алиев Р.А, Захарова Э.Г., Ульянов C.B. Нечеткие модели управления динамическими системами. ВИНИТИ. Итоги науки и техники. Серия Техн. кибернетика, Т.29., 1990, -с. 127-201.

51. Ульянов C.B. Нечеткие модели логических регуляторов в интеллектуальных системах управления мобильными робототехническими комплексами// Сб. тр. Обработка динамической информации в интеллектуальных системах. М.: ИФТП, 1992, с. 133 - 185.

52. Ульянов C.B. Программно-аппаратное обеспечение нечетких регуляторов для мобильных роботов. — М.: Новости искусственного интеллекта, N 3, 1993. -с. 65-76.

53. Gupta М.М., Kiszka J.B., Trojan G.M. Multivariable structure of fuzzy control systems// IEEE Trans.Systems, Man and Cybernetics., 1986, V.SMC-16, №5. P.473-485.

54. Togai M. The possibilities of fuzzy computer// Electron.Mag., 1990, V.35, №10. P.34-39.

55. Yamakawa T High-speed fuzzy controller hardware system: The mega-FIPS machine// Inf.Sei., 1988, V.45, №2. P. 113-128.

56. Ю.Н.Кузнецов, В.И.Кузубов, А.Б.Волощенко. Математическое программирование. M.: Высш. школа, 1980, 300с.

57. Л.Т.Кузин. Основы кибернетики: В 2-х т. Т.2. Основы кибернетических моделей. -М.: Энергия, 1979, 584с.

58. Кияшко А.Б., Василенко Р.Н., Плахотниченко А.П. Построение динамических изображений для моделирования объектов. Материалы 42-й НТК ТРТУ. ТРТУ.— Таганрог: Изд. ТРТУ, 1997.

59. Берштейн Л.С., Кияшко А.Б., Коровин С.Я., Крохмаль И.В. Управление ресурсами на основе распределенной базы нечетких знаний. Известия ТРТУ,—Таганрог: Изд. ТРТУ, 1998.

60. Кияшко А.Б. Организация вычислительных процессов в технологическом контроллере нефтедобычи. Материалы 43-й НТК ТРТУ. ТРТУ,—Таганрог: Изд. ТРТУ, 1998.

61. Аппаратная реализация встроенных систем принятия решений на одном кристалле: Отчет о НИР. № гос. Регистрации 01.9.50 004016. ТРТУ, 1996.

62. Интеллектуальные системы на базе нечетких компьютеров: Отчет о НИР. № гос. Регистрации 01.9.70 003157. ТРТУ, 1997.

63. Результаты работы используются при разработке АСУ ТП и позволяют повысить эффективность работы системы.

64. Начальник Технического центра АСУ ТП1. В.В.Кузнецов

65. УТВЕРЖДАЮ» по учебной работе ТРТУ1. Карщрценко А.Н.1998 г.

66. АКТ об использовании результатов кандидатской диссертации Кияшко Александра Борисовича

67. Зав. кафедрой МОП ЭВМ ^¿^х Кравченко П.П. Доцент кафедры МОП "^"Родзин С.И.1. У"'" " 1998г.