Методы, модели и алгоритмы интеллектуального анализа данных при создании обучающих систем в текстильной и легкой промышленности тема диссертации и автореферата по ВАК РФ 05.13.01, доктор технических наук Пименов, Виктор Игоревич

• Пименов, Виктор Игоревич
• доктор технических наук
• 2009

Оглавление диссертации доктор технических наук Пименов, Виктор Игоревич

Список сокращений и обозначений.

Введение.

1 Проблема формирования знаний в области технологии и дизайна

1.1 Формальные методы проектирования систем учебного назначения.

1.1.1 Модель обучаемого.

1.1.2 Модель процесса обучения.

1.1.3 Структурирование учебных элементов.

1.2 Особенности задач, возникающих при формировании знаний в текстильной и легкой промышленности.

1.3 Методики выделения закономерностей.

1.4 Методы представления знаний.

1.5 Экспертная система как информационная технология решения трудноформализуемых задач.

1.6 Приобретение знаний в экспертных системах и. при обучении распознаванию образов.

1.7 Направления использования интеллектуальных систем в текстильной и легкой промышленности.

Выводы по разделу 1.

2 Теоретические основы формализации знаний о технологических процессах.

2.1 Моделирование технологического процесса на основе выделения классов.

2.2 Особенности исследования технологических процессов на основе выделения классов.

2.3 Решение слабоформализованных задач на основе теории распознавания образов.

2.3.1 Этапы обработки данных, представленных моделью "объект-атрибуты-значения".

2.3.2 Комплексное применение множества дискриминантных алгоритмов для построения поля знаний технологического процесса.

2.3.3. Оптимизация знаний о классах при выделении адекватных статистических моделей.

Выводы по разделу 2.

3 Оптимизация систем описания правил вывода на знаниях.

3.1 Виды систем описания.

3.2 Оптимизация систем описаний для логических РП.

3.2.1 Дискретизация признакового пространства.

3.2.2 Оптимизация объема пространства признаков.

3.2.3 Аддитивный алгоритм минимизации рабочего словаря.

3.3 Формирование систем описания объектов при наличии неопределенности.

Выводы по разделу 3.

4 Методология обработки баз данных при проектировании модели знаний на основе решающих правил.

4.1 Этапы формирования базы знаний.

4.2 Анализ достаточности данных для формирования базы знаний.

4.3 Формирование динамической составляющей поля знаний на основе дискриминантных методов.

4.4 Формирование логических решающих правил.

4.4.1 Формирование бинарной решающей матрицы с доверительными областями.

4.4.2 Формирование нечеткого логического решающего правила.

4.5 Уточнение описаний классов.

4.6. Последовательный метод выделения класса с новыми потребительскими свойствами.

4.7. Алгоритмическое обеспечение инструментального комплекса для формирования знаний.

4.8. Представление знаний в форме решающих правил.

Выводы по разделу 4.

5 Разработка обучающих систем в области технологии и дизайна.

5.1 Проектирование поля знаний для учебно-методических материалов, использующих технологии гипермедиа.

5.1.1. Схема процесса создания двумерных изображений.

5.1.2. Классы изображений.

5.1.3. Параметры процесса создания изображений.

5.1.4. Формирование бинарной решающей матрицы учебно-методических материалов.

5.2 Компьютерная система дизайн-проектирования рационального ассортимента производственной одежды.

5.3 Обучающая система "Текстильные технологии".

5.4 Построение компонентов модели знаний обучающих систем на основе выделения классов.

5.4.1 Мультимедийный учебник "Анализ данных".

5.4.2 Мультимедийный учебник "Разработка экспертных систем"

5.6 Перспективные направления применения методов интеллектуального анализа данных для построения модели компьютерной обучающей системы.

Выводы по разделу 5.

Выводы.

Введение диссертации (часть автореферата) на тему «Методы, модели и алгоритмы интеллектуального анализа данных при создании обучающих систем в текстильной и легкой промышленности»

Актуальность проблемы целенаправленного проектирования обучающей системы, адекватно соответствующей спектру потребностей пользователя, обоснована современным уровнем информатизации общества, объективной потребностью развития дистанционных форм и распространением электронных средств обучения, созданием учебных ресурсов, образовательных Интернет-порталов и внедрением инновационных педагогических технологий.

Не затрагивая этапы, которые прошли в своем развитии обучающие си-темы, их классификацию и набор целевых показателей [188], рассмотрим вопросы, которые требуется решать на стадии концептуального проектирования для повышения качества создаваемой системы.

Определяющее значение имеет разработка информационной модели, обеспечивающей логическое упорядочивание информации, ее систематизацию и структурирование. Эти задачи обладают творческим характером и являются трудноформализуемыми. Недостаточное развитие научно обоснованных принципов информационно-образовательного обеспечения учебного процесса, подходы к построению моделей, инвариантных к предметной области [19], жесткое структурирование материала дисциплины, используемое во многих разработках, неоправданное дублирование учебных элементов и сведение методов проектирования обучающих систем к воспроизведению бумажных оригиналов не позволяют решать данный вопрос в полном объеме.

Задача расширения функциональных возможностей обучающей системы, обеспечивающих достижение целей обучения оптимальным образом, решается в настоящее время за счет ее интеллектуализации, на основе моделей предметной области, обучаемого и процесса обучения.

Очертим класс разрабатываемых обучающих систем областью технологии и дизайна. Технологические процессы, в которых осуществляется преобразование одних объектов в другие с целью создания материального или информационного продукта, - один из самых сложных для формализации разделов человеческих знаний. В условиях расширения ассортимента исходного сырья, создания новых материалов и объектов дизайна непростая и актуальная задача выявления и представления знаний о технологиях должна быть решена с помощью алгоритмов автоматического построения обобщающих правил.

Помимо перечисленных задач при создании обучающей системы решаются следующие вопросы: выбор инструментария и среды для хранения и наполнения данных и знаний, проектирование онтологии предметной области, разработка схемы пользовательского интерфейса и модели навигации по структурным единицам, сопряжение гипертекстовых и интеллектуальных составляющих в единую систему. Для интеллектуального наполнения обучающих систем существует не так много доступных оболочек с развитым программным интерфейсом, а представление знаний на специализированном языке доступно в основном профессиональным инженерам по знаниям.

Таким образом, представляет существенный интерес разработка такой методики использования обобщающих правил, которая позволяет повысить эффективность разработки логических схем обучающих систем и обеспечивает интеграцию знаний для различных моделей обучения — от обычных линейных и гипертекстовых структур до интеллектуальных разветвленных сценариев.

Развитию методов проектирования систем учебного назначения в значительной степени способствовали труды российских ученых: А. И. Башмакова (МГЭИ (ТУ)), В. П. Беспалько (МГОУ), И. Л. Братчикова (СПбГУ),

A. Ю. Деревниной (ТюмГУ), Дозорцева В.М. (РГУ нефти и газа им. И. М. Губкина), 3.0. Джалиашвили (СПбГИТМО (ТУ)), В. И. Солдаткина (РГИОО), А. В. Соловова (Самарский ГАУ), Д. В. Сошникова (МАИ (ГТУ)),

B. П. Тихомирова (МЭСИ), Т. Б. Чистяковой (СПбГТИ (ТУ)) и др., работы, выполняемые в рамках ряда федеральных программ: "Электронная Россия на

2002-2010 годы", "Развитие единой образовательной информационной среды на 2002-2006 годы", "Создание системы открытого образования", при разработке федерального портала "Российское образование" www.edu.ru, Федерального центра информационно-образовательных ресурсов eor.edu.ru, информационной системы "Единое окно доступа к образовательным ресурсам" window.edu.ru, созданной по заказу Федерального агентства по образованию в 2005-2007 г.г., распределенного Российского портала открытого образования www.openet.ru, одна из целей которого — стать всеобъемлющим каталогом Рунета в области высшего образования. В его создании принимают участие такие организации и группы разработчиков, как Российский государственный институт открытого образования, ГосНИИ информационных технологий и телекоммуникаций "Информика", Ассоциация образовательных и научных учреждений "Сибирский открытый университет" и др.

Из зарубежных работ в этой области исследований можно отметить работы Б. Скиннера, Н. Краудера, У. К. Ричмонда, А. Пателя, Кинчука, К. Демона, В. Люка.

Описание представления учебных ресурсов приводится в международном стандарте дистанционного обучения IMS (Instructional Management System, www.imsproject.org). Вопросами стандартизации учебных объектов занимаются также комитет стандартов обучающих технологий IEEE (Learning Technology Standards Committee, Institute of Electrical and Electronics Engineers) и проект Dublin Core Metadata Initiative. Модели учебных объектов используются в LCMS (Learning Content Management System) и других системах. Для их метаописания применяются расширяемые языки разметки (extensible markup languages, XML).

В большинстве работ рассматриваются научно-методические основы проектирования систем учебного назначения. Однако методика интеллектуального анализа и преобразования эксплицированных данных при проектировании модели знаний обучающей системы изложена пока недостаточно.

Развитию методологических основ системного подхода к исследованиям в области текстильной и легкой промышленности способствовали труды российских и зарубежных ученых: В. Е. Романова, К. Е. Перепелкина, А. Г. Севостьянова, А. М. Сталевич, Н. Н. Труевцева, Б. Н. Гусева, Е. Я. Сурженко, Е. Б. Кобляковой, А. С. Далидович и др. Ряд технологических процессов формирования текстильных объектов описывается с помощью имитационных моделей [95], [97]. Вместе с тем, в отраслях текстильной и легкой промышленности весьма много трудноформализуемых задач (формирование свойств инструментальных сталей для машинных швейных игл, подбор рецептур крашения, оценка качества синтетических нитей и др. [181]), отличающихся многомерностью, функционированием в нескольких устойчивых режимах (полиробастностью), большим числом неявных нелинейных внутренних взаимосвязей между переменными. Слабоформализован-ные отношения [197] — представление конструкторских приемов при создании объекта дизайна, гармонизация художником-дизайнером композиционных и цветовых решений характерны для задач, связанных с формированием проектно-художественной концепции изделия.

Формализующий базой для широкой совокупности промышленных технологий может служить теория распознавания образов. Описание технологического процесса массивом "объект-атрибуты—значения" позволяет представить задачу проектирования модели знаний как обучение распознаванию образов, когда из баз данных извлекается система решающих правил, описывающих порядок изготовления продукции заданных классов. В настоящее время известно несколько сотен алгоритмов распознавания. Тем не менее, остаются теоретические и прикладные вопросы, связанные с задачей обучения распознаванию образов (ОРО), которые еще полностью не решены: алгоритм ОРО, формирующий на основе обучающих выборок решающие правила, обычно задается заранее из эвристических соображений и целиком зависит от опыта и интуиции разработчика либо выбирается из узкого класса "согласованных" с исходными данными алгоритмов. Недостаточность обучающих выборок при проектировании ряда трудноформализуемых технологических систем в условиях часто меняющегося ассортимента предъявляет особые требования к их прогностическим свойствам, что заставляет подходить более строго к решению задачи выбора типа решающих правил при построении модели знаний.

Таким образом, системный анализ задач проектирования для класса обучающих систем технологической направленности — формализованное описание конкретного технологического процесса и построение информационной модели обучающей системы - показал их взаимозависимость. Оба круга задач в совокупности образуют одну крупную научную проблему. Следовательно, разработка методологических основ построения модели знаний интеллектуальных обучающих систем в области технологии и дизайна, включающей разнотипные знания, является актуальной крупной научной проблемой.

Объектом исследования является процесс синтеза модели знаний компьютерных обучающих систем в области технологии и дизайна.

Цель диссертационной работы — решение научной проблемы разработки методологических основ создания обучающих систем, основанных на знаниях технологического профиля, описывающих слабоформализованные отношения и различные модели обучения, за счет автоматического построения решающих правил, что позволит повысить эффективность разработки логических схем систем рассматриваемого класса.

Для достижения поставленной цели в работе решены следующие задачи: проведен анализ современного состояния проблемы структурирования учебных элементов и построения интеллектуальных обучающих систем, выявлены их основные компоненты и тенденции развития; разработан подход к формализации знаний о технологических процессах, базирующейся на автоматическом построении решающих правил методами обучения распознаванию образов; разработана методология синтеза модели знаний на основе комплексного применения дискриминантных алгоритмов; исследованы экстраполирующие свойства решающих правил, отличающихся легкой семантической интерпретацией при представлении технологических знаний в виде набора продукций, предложены и реализованы новые методы обучения и распознавания для различных видов априорной неопределенности; исследованы способы повышения точности описания классов объектов, разработаны новые методы и алгоритмы оптимизации систем описания, позволяющие повысить степень сжатия информации при построении правил вывода на знаниях; разработана методика структуризации обучающих систем технологической направленности на основе применения результатов интеллектуального анализа данных; выполнена проверка эффективности предложенных методов и алгоритмов при разработке ряда обучающих систем в области технологии и дизайна.

Основные методы исследований. Методической и теоретической основой диссертационного исследования явились научные труды по теории распознавания образов, имитационному моделированию, структурному анализу. Широко использовались современные методы искусственного интеллекта, теории вероятностей и математической статистики, теории нечеткой логики, математического программирования, последовательного анализа. Компьютерная реализация разработанных алгоритмов производилась на основе объектно-ориентированного подхода с применением средств мультимедиа, компьютерной графики, и трудов по текстильным технологиям. Исследования предложенных методов комплексного применения множества дискриминантных алгоритмов для построения поля знаний технологического процесса проводились с использованием пакета прикладных программ, разработанного автором. Достоверность полученных результатов обеспечивалась корректностью исходных предпосылок, математической строгостью доказанных утверждений и преобразований при получении аналитических зависимостей, а также результатами практической реализации.

Научная новизна работы заключается в том, что в ней предложена, развита и реализована новая концепция формирования знаний о технологических процессах при создании обучающих систем, в основе которой лежит разработанная методология рационального выбора и построения решающих правил, учитывающая виды априорной неопределенности, объем выборки, сложность систем описания объектов, емкость формируемого правила и количество классов.

Впервые получены следующие результаты: сформулированы принципы представления знаний, эксплицированных специалистами и извлеченных из массива данных, базирующиеся на автоматическом построении решающих правил методами обучения распознаванию образов; получены теоретические оценки точности и проведен сравнительный анализ экстраполирующих свойства решающих правил различной сложности, разработана методология комплексного применения дискриминантных алгоритмов к синтезу динамической составляющей поля знаний в условиях ограниченной ОВ, позволяющая добиться более глубокого минимума гарантированной оценки риска по сравнению с известными методами обучения, выработаны рекомендации по использованию основных алгоритмов распознавания для повышения эффективности базы знаний интеллектуальных обучающих систем; разработаны новые алгоритмы обучения, формирующие логическую и нечеткую решающие матрицы, которые обеспечивают малую трудоемкость при распознавании большого числа классов и обладают высокой экстраполирующей силой в условиях ограниченных обучающих выборок или трудно-формализуемых технологий; предложен упрощенный последовательный алгоритм выделения класса с новыми потребительскими свойствами на фоне большого числа случайных, неучтенных факторов, воздействующих на условия протекания технологического процесса. Определены параметры усеченного критерия, позволяющие повысить эффективность последовательного метода при выявлении интересующего свойства; определены принципы эффективного решения задачи оптимизации объема пространства признаков. Разработаны алгоритм кодирования независимых признаков, позволяющий повысить степень сжатия информации при построении правил вывода на знаниях, и алгоритм выбора рабочего словаря многоградационнных признаков, не требующий больших вычислительных затрат; выявлены эффективные способы уточнения описаний классов, сформированных с помощью логических правил, — использование адекватных моделей регрессии, установленных для отдельных звеньев технологической цепочки, и процедур автоматической таксономии; разработана интеллектуальная информационная система для дизайн-программирования ассортимента производственной одежды. База знаний реализует решающие правила, сформулированные специалистом-дизайнером и подпрограммы для управления сценарием, заложенным в процесс проектирования. Пользователю предлагаются такие решения, которые отвечают эстетическим и эргономическим требованиям, обеспечивают безопасность проектируемой одежды в зависимости от сферы ее будущего использования; в рамках предложенного методологического подхода к формализации технологий разработана методика структуризации и построения продуктивной составляющей гипертекстовых и интеллектуальных обучающих систем, которая использовалась при разработке логических схем ряда обучающих систем в области технологии и дизайна.

Все представленные в работе результаты являются новыми и впервые опубликованы в работах автора диссертации.

На защиту выносится совокупность научных результатов в области создания моделей знаний о технологических процессах.

1. Принципы рационального выбора и построения решающих правил при формировании модели знаний о технологических процессах.

2. Сравнительный анализ экстраполирующих свойств решающих правил различной сложности и методология комплексного применения дискрими-нантных алгоритмов в условиях ограниченных ОВ.

3. Алгоритмы обучения, формирующие логическую и нечеткую решающие матрицы; упрощенный последовательный алгоритм выделения класса с новыми потребительскими свойствами.

4. Алгоритмы кодирования, выбора информативных признаков и уточнения описаний классов при построении правил вывода на знаниях.

5. Методика структуризации и синтеза продуктивной составляющей гипертекстовых и интеллектуальных обучающих систем.

6. Результаты практического применения методов и алгоритмов обработки информации в ряде гипертекстовых и интеллектуальных обучающих систем в области технологии и дизайна.

Практическая значимость. Разработанная в диссертационной работе методология проектирования на основе комплексного применения дискри-минантных алгоритмов может повысить качество модели знаний интеллектуальных систем при ограниченном обучающем материале за счет повышения экстраполирующей силы решающих правил при принятии решения по новым данным.

Методика структуризации гипертекстовых обучающих систем технологической направленности позволяет формировать гибкую, индивидуальную цепочку учебных элементов, выявляя дублирующие информационные блоки, повторяющихся для различных технологических процессов, устанавливать логические связи-гиперссылки и формировать систему правил, которые могут использоваться в обучающих системах на различных уровнях освоения учебного материала, например, в режимах тестирования или тренажера.

Формализация технологических процессов с помощью автоматического построения решающих правил позволяет решать практическую задачу эффективной семантической коммуникации между непрограммирующими авторами-педагогами и разработчиками информационной системы, являющимися специалистами в разных предметных областях, при работе над общим проектом - сценарием и наполнением обучающей системы по специальной дисциплине.

Предложенный в работе спектр методов и алгоритмов позволяет осуществлять интеллектуализацию обучающих систем по технологии и дизайну при реализации различных моделей процесса обучения. Разработанная система дизайн-программирования ассортимента производственной одежды, в которую заложены знания профессионального дизайнера, позволяет пользователю самостоятельно осуществлять проектирование одежды в соответствии с его потребностями.

Разработанная методология применения методов и алгоритмов интеллектуального анализа данных на основе выделения классов и этапности выполнения процедур может использоваться при создании обучающих систем в различных предметных областях, например, посвященных изучению технических систем, в которых последовательность действий реализуется для изменения состояния системы.

Основные результаты, полученные в работе, доведены до уровня расчетных формул, вычислительных алгоритмов или методик, что облегчает их применение при создании обучающих систем.

Реализация результатов работы. Результаты диссертационной работы реализованы, внедрены и используются в виде методологии построения модели знаний обучающих систем, методов и алгоритмов интеллектуального анализа больших массивов даных, мультимедийных программ в Санкт-Петербургском государственном университете технологии и дизайна, Балтийском государственном техническом университете "ВОЕНМЕХ", Санкт-Петербургской Государственной Лесотехнической академии им. С.М. Кирова и др., что подтверждено соответствующими актами.

Разработанные обучающие системы широко используются в учебном процессе СПГУТД в курсах "Методы и средства исследований", "Компьютерное проектирование одежды", "Механико-технологические процессы текстильной промышленности", "Информационное обеспечение дизайн-проектирования", "Информационные системы в дизайне изделий легкой промышленности", "Математическое моделирование", "Интеллектуальные информационные системы" для студентов различных специальностей.

Связь исследований с научными программами. Работа поддерживалась следующими грантами: "Разработка аудиовизуальных компьютерных систем обучения иностранным языкам на основе новых информационных технологий" по программе "Перспективные информационные технологии" (1995-1996 г.г.); "Речевой адаптер для ЭВМ: верификация оператора и оценка его эмоционального состояния" (1995-1997 г.г.); персональным грантом "Разработка аудиовизуальной компьютерной системы обучения специалистов в области текстильной и легкой промышленности" по межвузовской комплексной программе "Наукоемкие технологии образования" (МКП НТО, 1998-1999 г.г.); "Разработка экспертных систем для оценки конкурентов" по программе Европейского Союза Tacis ERDUS 9706 "Развитие образовательных связей и инициатив в области высшего и профессионального образования", проект Delphi - IV "Развитие ресурсов открытого и дистанционного образования" (1999-2001 г.г.); грантом "Лентек № 1.5.01. Разработка теоретических основ построения интеллектуализированных компьютерных энциклопедий технологий текстильных материалов" (2001—2003 г.г.), грантом "Разработка информационно-методического и конструкторско-технологического обеспечения дизайн-программирования и изготовления ассортимента производственной одежды для служб городского хозяйства Санкт-Петербурга" по конкурсу инновационных проектов "Знания-инновации" к 300-летию Санкт-Петербурга (2003-2005 г.г.,); разработкой "Виртуальное представительство Санкт-Петербургского университета технологии и дизайна" в рамках комплексного мультимедиа и Internet проекта "Высшая школа Санкт-Петербурга в киберпространстве", при построении комплекса инновационных разработок для образовательных учреждений высшего профессионального образования "Образовательные виртуальные миры Петербурга", за создание которого ректору СПГУТД Романову В.Е. присуждена премия президента РФ в области образования за 2003 год (Указ № 79 от 25 января 2005 года).

Апробация работы. Основные результаты работы докладывались, одобрены и опубликованы в материалах следующих конференций: международных научно-методических конференций "Информатика: проблемы, методология, технологии" (Воронеж, 2008); "Управление качеством в современном вузе" (Санкт-Петербург-Калуга, 2003); "Высокие интеллектуальные технологии и качество образования и науки" (Санкт-Петербург, 2004); "Математика в вузе — стандарты образования — базовая подготовка" (Санкт-Петербург, 1996); "Математика в вузе" (Санкт-Петербург, 1996, 1997); "Новые информационные технологии в университетском образовании" (Кемерово, 2002); "Формирование профессиональных качеств современного специалиста в техническом университете" (Кострома, 2005); международных конференций "Региональная информатика-94,95" (Санкт-Петербург, 1994, 1995); "Современные технологии обучения" (Санкт-Петербург, 1998, 2000, 2004); "Дизайн - 2000" (Херсон, 2000); "Образование и виртуальность -2000" (Севастополь, 2000); "Математическое моделирование в образовании, науке и производстве" (Тирасполь, 2007); международных научно-практических конференций "Новые информационные технологии в образовании" (Екатеринбург, 2008), "Актуальные проблемы экономики и новые технологии преподавания (Смирновские чтения)" (Санкт-Петербург, 2004); "Непрерывное образование в свете модернизации высшей школы" (Санкт-Петербург, 2005); "IX Невские чтения" (Санкт-Петербург, 2007); International Conference on Dis-tanse Education in Russia "Distance Learning as a Development Strategy" (Moscow, 1996); научно-теоретической межвузовской конференции с международным участием "Царскосельские чтения" (Санкт-Петербург, 2001); всесоюзных научно-технических конференций "Интеллектуальные системы" (Москва, 1991); "Разработка СТЗ и их применение в промышленности" (Уфа, 1992); всероссийских научно-методических конференций "Телематика-97, 2004, 2005" (Санкт-Петербург, 1997, 2004, 2005); "Новые информационные технологии в вузах и на предприятиях легкой промышленности" (Санкт-Петербург, 1998); "Компьютерные технологии в высшем образовании" (Санкт-Петербург, 1994); всероссийских научно-практических конференций "Информатизация образования - 2000" (Хабаровск, 2000); "IT-инновации в образовании" (Петрозаводск, 2005); "Дизайн в России: проблемы теории и практики" (Санкт-Петербург, 1998); всероссийской научной конференции "Информационные технологии в образовательной, научной и управленческой деятельности (ИНФОТЕКСТИЛЬ—2004)" (Москва, 2004); второй межрегиональной научно-практической конференции "Дистанционное обучение. Проблемы и перспективы взаимодействия вузов Санкт-Петербурга с регионами России" (Санкт-Петербург, 1999); региональной конференции "Технологии открытого образования" (Владивосток, 2001); научно-технической конференции "Разработка СТЗ и их применение в промышленности" (Ижевск, 1988); межвузовской конференции "Особенности учебно-воспитательной работы в современных условиях" (Санкт-Петербург, 1998); юбилейной научно-технической конференции БГТУ "Системы управления и обработки информации" (Санкт-Петербург, 1992); совещании в МГУ им. М.В. Ломоносова "Актуальные проблемы информатики в современном российском образовании" (Москва, 2005); втором республиканском семинаре "Проблемы создания систем обработки, анализа и распознавания изображений" (Ташкент, 1989); научно-техническом семинаре ЛДНТП "Применение технического зрения и других бесконтактных средств контроля для автоматизации управления производственными процессами" (Ленинград, 1991).

Личный вклад автора

Постановка основных задач и направлений исследования, отраженных в монографии [156], выполнена совместно с научным консультантом Платовым О.С. Выбор методов исследования, анализ и обобщение полученных результатов, теоретические положения и выводы диссертации осуществлены и получены автором единолично (без соавторов). Разработка обучающих систем выполнялась под его руководством или при его участии.

Публикации

Содержание диссертации отражено в 64 печатных работах, в том числе 9 статьях в рецензируемых центральных журналах, входящих в перечень ВАК, 1 монографии, 4 учебных пособиях с грифом УМО, 6 свидетельствах о регистрации программ.

Структура и объем работы

Диссертация состоит из введения, пяти разделов, заключения, списка использованных источников из 241 наименований. Общий объем работы — 319 страниц, в том числе основной текст - 278 страниц, 9 таблиц, 64 рисунка.

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Пименов, Виктор Игоревич

248 Выводы

В диссертационной работе решена актуальная крупная научная проблема разработки методологии синтеза модели знаний обучающих систем технологической направленности путем автоматического построения обобщающих правил методами обучения распознаванию образов, решение которой ранее не представлялось возможным ввиду построения в процессе технологического и автоматизированного проектирования схем описания технологических процессов кибернетического типа. Полученные результаты позволили с единых системных позиций найти научно-обоснованное решение целому ряду задач по разработке новых методов и алгоритмов обработки информации, что дало возможность представить описание трудноформализуемых технологических процессов, не ограничивать разнообразие производственных технологий, чрезвычайно широкий спектр объектов, понятий и их характеристик, повысить эффективность разработки логических схем систем рассматриваемого класса.

Получены следующие результаты.

1. Анализ современного состояния проблемы показал, что единым методологическим подходом, ранее не применявшимся к исследованиям предметной области создания обучающих систем, может служить теория распознавания образов. Представление знаний, эксплицированных специалистами, и извлечение знаний из массива данных для ряда слабоформализованных конструкторских и технологических задач в текстильной и легкой промышленности могут выполняться на основе методологии ОРО с целью автоматического построения обобщающих правил, описывающих принадлежность ситуаций к классам.

2. Разработан единый методологический подход, ранее не применявшейся к исследованиям предметной области создания обучающих систем, в основу которого положены принципы рационального выбора и построения решающих правил при различных видах априорной неопределенности и комплексное применение дискриминантных алгоритмов. Формирование модели знаний в условиях ограниченной ОВ представляется как комбинаторная задача оптимизации критерия гарантированной оценки риска в пространстве параметров, характеризующих класс РП и сложность системы описания объектов. Обучение базы знаний трактуется в широком смысле: вводится дополнительный этап - выбор класса РП и учитываются взаимосвязи основных этапов, что позволяет добиться более глубокого минимума эмпирического риска по сравнению с известными методами обучения.

3. Исследованы решающие правила различной емкости: логические, линейно-логические, линейные и кусочно-линейные. Результатами являются теоретические оценки их экстраполирующих свойств и практические рекомендации по использованию основных алгоритмов распознавания для повышения эффективности базы знаний проектируемой интеллектуальной обучающей системы.

4. На основе разработанной методологии создана методика применения результатов интеллектуального анализа данных для описания трудноформализуемых технологических процессов и разработано алгоритмическое обеспечение инструментального комплекса, которые позволяют автоматизировать процесс построения модели знаний интеллектуальных обучающих систем.

5. В условиях ограниченной априорной информации результаты комплексного применения дискриминантных алгоритмов позволяют формировать модель знаний с обеспечением высокой точности при принятии решения по новым данным. Для повышения точности дискретных линейных решающих функций предложен интервальный критерий информативности.

Для случая большого числа классов предложен новый метод обучения, формирующий бинарную решающую матрицу, которая отличается высокой экстраполирующей силой. Простота процедуры обучения (установка интервальных порогов) и распознавания (логические операции и операции сравнения) позволяет легко реализовать семантическую интерпретацию БРМ.

6. Для случая большого числа классов и нестатистической неопределенности предложен новый метод обучения, формирующий многоградационную матрицу степеней принадлежности. Нечеткое РП помимо учета опыта эксперта позволяет эффективно организовать процесс распознавания с использованием простых операций. Решение о классе объекта выносится в четкой или размытой форме.

7. В ситуациях статистической неопределенности, для задач выявления новых свойств на фоне большого числа случайных, неучтенных факторов, воздействующих на условия протекания технологического процесса, предлагается упрощенный последовательный критерий отношения вероятностей. В случае неравноценности ошибок первого и второго родов определены параметры усеченного ПКОВ, позволяющие повысить эффективность последовательного метода при выявлении интересующего свойства.

8. Поиск систем описания звеньев технологической цепочки выполняется для обобщения информации, содержащейся в классах объектов, и выявления отличительных для каждого класса настроек параметров технологического процесса. Оставшееся подмножество признаков используется при формировании концептуальной составляющей поля знаний, позволяя дать полное заключение о характеристиках исходных компонентов и диапазонах параметров ТП в заданном классе производимой продукции. Разработаны новые критерии, методы и алгоритмы обработки информации для формирования описаний классов объектов: интервальный критерий информативности признаков, позволяющий увеличить экстраполирующую силу дискретных линейных решающих функций; метод кодирования признаков по методу минимального числа порогов, позволяющий повысить степень сжатия информации при построении логических РП; аддитивный алгоритм выбора рабочего словаря, не требующий больших вычислительных затрат.

9. Разработана методика создания информационной модели обучающих систем технологической направленности с использованием найденной системы решающих правил, которая позволяет строить поле знаний, структурировать информационные блоки различного типа — базовые понятия, декларативные фрагменты, процедурные блоки, выявлять дублирующие данные, повторяющиеся для различных технологических процессов, а также устанавливать связи-гиперссылки.

10. Конструктивность принципов комплексного применения множества дискриминантных алгоритмов и эффективность предложенных в работе методов позволили успешно применить созданную методику при разработке логических схем ряда обучающих систем в области технологии и дизайна, основанных на выделении классов, обеспечивая логическое упорядочивание информации и исключение дублирования учебных элементов.

11. Разработана модель многофункциональной обучающей системы, основанная на системе решающих правил, управляющих процессом обучения, которая позволяет реализовать разные уровни усвоения учебного материала.

Разработанная методология применения методов и алгоритмов интеллектуального анализа данных на основе выделения классов и этапности выполнения процедур может использоваться при создании обучающих систем в различных предметных областях и при реализации различных моделей процесса обучения.

Список литературы диссертационного исследования доктор технических наук Пименов, Виктор Игоревич, 2009 год

1.Агапонов, С.В. Средства дистанционного обучения. Методика, технология, инструментарий / С. В. Агапонов, 3. О. Джалиашвили, Д. JI. Кречман, И. С. Никифоров, Е. С. Черносова, А. В. Юрков / Под. ред. 3. О. Джалиашвили. СПб.: БХВ-Петербург, 2003. - 336 с.

2. Александрова, Л. А. Сравнительный анализ алгоритмов обучения ЭВМ распознаванию образов / JI. А. Александрова, Т. Г. Бархат, Н. И. Мальцева // Программирование и численные методы. Казань, 1978. - С. 77-82.

3. Алексеев, О. Г1 Некоторые алгоритмы решения задачи о покрытии и их экспериментальная проверка на ЭВМ / О. Г. Алексеев, В. Ф. Григорьев // Журнал выч. математики и матем. физики. 1984. — Т. 24. — № 10. - С. 1565— 1570.

4. Алексеев, О. Г. Комплексное применение методов дискретной оптимизации / О. Г. Алексеев. М.: Наука, 1987. - 243 с.

5. Андреев, А. А. Дидактические основы дистанционного обучения / А. А. Андреев. М.: РАО, 1999. - 127 с.

6. Андрейчиков, В. В. Интеллектуальные информационные системы: учебник / В. В. Андрейчиков, О. Н. Андрейчикова. М.: Финансы и статистика, 2004. - 424 с.

7. Баранова, Е.В. Теория и практика объектно-ориентированного проектирования содержания обучения средствам информационных технологий: автореф. дис. . д-ра техн. наук. / РГПУ им. А. И. Герцена. -СПб., 2000. 36 с.

8. Башаринов, А. Е. Методы статистического последовательного анализа и их радиотехнические приложения / А. Е. Башаринов, Б. С. Флейшман. М.: Сов. радио, 1962. — 352 с.

9. Бонгард, М. М. Проблема узнавания / М. М. Бонгард. М.: Наука, 1967.-320 с.

10. Бурев, В. А. Методы сокращения вычислительных затрат в задачах распознавания изображений / В. А. Бурев, Ю. К. Клоков, Т. В. Кудрявцева и др. // Зарубежная радиоэлектроника. 1980. — № 4. — С. 52-75.

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

12. Вальд, А. Последовательный анализ / А. Вальд. М.: Физматгиз, 1960.-328 с.

13. Вапник, В. Н. Теория распознавания образов (статистические проблемы обучения) / В. Н. Вапник, А. Я. Червоненкис. М.: Наука, 1974. -416 с.

14. Вапник, В. Н. Восстановление зависимостей по эмпирическим данным / В. Н. Вапник. М.: Наука, 1979. - 444 с.

15. Вапник, В. Н. Индуктивные принципы поиска эмпирических закономерностей / В. Н. Вапник // Распознавание. Классификация. Прогноз. -М.: Наука, 1989. Вып. 1. - С. 17-82.

16. Васильев, В. И. Распознающие системы: Справочник / В.И. Васильев. Киев: Наукова думка, 1983. -422 с.

17. Васильев, В. И. О простоте решающих функций в проблеме обучения распознаванию образов / В. И. Васильев // Автоматика. 1984. - № 2. - С. 14-23.

18. Васильев, В. И. Метод предельных упрощений в проблеме обучения распознаванию образов / В. И. Васильев, Ф. П. Овсянникова // Автоматика. -1986.-№5-С. 32-39.

19. Васильев, В. И. Разделяющая сила признаков в задаче обучения распознаванию методом предельных упрощений / В. И. Васильев, Ф. П. Овсянникова, К. А. Бекмуратов // Автоматика 1987. № 4. — С. 3-8.

20. Васильев, В. И. Обучение в технических системах / В. И. Васильев // Автоматика. 1987. - № 5. - С. 26-37.

21. Васильев, В. И. Имитационное управление неопределенными объектами / В. И. Васильев, В. В. Коноваленко, Ю. И. Горелов. Киев: Наукова думка, 1989 — 216 с.

22. Воронов, М. В. Структура поля знаний интеллектуальных систем / М.В. Воронов // Математические методы в образовании, науке и промышленности: матер, междунар. науч.-практ. конф. — Тирасполь, 1999 . -С. 80-83.

23. Воронов, М. В. Комплексный подход к подготовке специалистов по художественному проектированию / М. В. Воронов, А. И. Птушкин,

24. B. И. Пименов // Современные технологии обучения: матер, междунар. конф. СПб., 1998. - Т. 1. -С. 51-52.

25. Воронов, М. В. Мультимедийные образовательные системы для инженеров-технологов / М. В. Воронов, В. И. Пименов // Современные технологии обучения: матер. VI междунар. конф. СПб., 2000. - Ч. 2. - С. 180-181.

26. Воронов, М. В. Проблемы создания изделий компьютерного дизайна / М.В.Воронов, В. И. Пименов // Дизайн-2000: матер, междунар. конф. — Херсон, 2000. С. 65-66.

27. Воронов, М. В. Использование тренажеров в дистанционном обучении / М. В. Воронов, В. И. Пименов, А. Н. Блинов // Информатизация образования 2000: матер, всерос. науч.-практ. конф. - Хабаровск, 2000.1. C. 23-24.

28. Воронов, М. В. Мультимедийные технологии и дистанционное обучение / М. В. Воронов, В. И. Пименов // Университетское управление: практика и анализ / Уральский ГУ. 2000. - № 1(12). - С. 67-69.

29. Гаврилов, А. В. Системы искусственного интеллекта: учеб. пособие; в 2 ч. / А. В. Гаврилова Новосибирск: Изд-во НТТУ, 2001. - Ч. 1. - 67 с.

30. Гаврилова, Т. А. Объектно-структурная технология разработки баз знаний интеллектуальных систем: дис. . д-ра техн. наук: 05.13.01 и 05.13.13 / Гаврилова Татьяна Александровна. СПб.: СПбГТУ, 1996. - 217 с.

31. Гаврилова, Т. А. Базы знаний интеллектуальных систем / Т. А. Гаврилова, В. Ф. Хорошевский. СПб.: Питер, 2000. - 384 с.

32. Гладун, В. П. Эвристический поиск в сложных средах / В. П. Гладун.- Киев: Наукова думка, 1977. 166 с.

33. Глаз, А. Б. Параметрическая и структурная адаптация решающих правил в задачах распознавания / А. Б. Глаз. Рига: Зинатне, 1988. - 167 с.

34. Голенков, В. В. Виртуальные кафедры и интеллектуальные обучающие системы / В. В. Голенков, В. В. Емельянов, В. Б. Тарасов // Новости искусственного интеллекта. 2001. — № 4. — С. 4 — 10.

35. Головкин, Б. А. Машинное распознавание и линейное программирование / Б. А. Головкин. М.: Сов. радио, 1973. - 100 с.

36. Горелик, A. Л. Об аддитивности информации в задачах распознавания объектов и явлений / A. JI. Горелик, С. С. Эпштейн // Кибернетика. 1983. - № 6. - С. 85-88.

37. Горелик, А. Л. Некоторые особенности задачи селекции / A. JI. Горелик, С. С. Эпштейн // Кибернетика. 1988. - № 1. - С. 67-70.

38. Горленко, О. А. Корректирующая структурно-смысловая модель лекционного материала учебных дисциплин / О. А. Горленко,

39. Ю. П. Подлеснов, Т. П. Можаева // Качество. Инновации. Образование. -. 2004. -№ 2-С. 45-51.

40. Городецкий, В. И. Оптимизация описания классов ситуаций в задаче распознавания по неполному множеству признаков / В. И. Городецкий // Кибернетика. 1987. - № 4. - С. 127-128.

41. Дворянкин, A.M. Модель автоматизированного синтеза учебных объектов с использованием и-или деревьев / А. М. Дворянкин, Г. Г. Геркушенко // Качество. Инновации. Образование. — № 1. 2004. С. 49-53.

42. Джалиашвили, 3. О. Экспертная обучающая система как эвристический инструмент для формирования креативных знаний / 3. О. Джалиашвили, В. В. Кондратьев / СПбГИТМО (ТУ); -http://ito.edu.ru/2001/ito/III/2AII-2-l l.html.

43. Дозорцев, В. М. Компьютерные тренажеры для обучения операторов технологических процессов / В. М. Дозорцев. М.: СИНТЕГ, 2009. -372 с.

44. Донской, В. И. Алгоритмы обучения, основанные на построении решающих деревьев / В. И. Донской // Журнал вычислительной математики и математической физики. 1982. - Т. 22. - № 4. - С. 963-974.

45. Донской, В. И. Исследование алгоритмов распознавания, основанных на построении решающих деревьев: автореф. . канд. физ.-мат. наук / ВЦ АН СССР.-М., 1982.-16 с.

46. Дюк, В. А. Обработка данных на ПК в примерах / В. А. Дюк. СПб.: Питер, 1987. - 240 с.

47. Дюк, В. А. Формирование знаний в системах искусственного интеллекта: геометрический подход / В. А. Дюк // Вест, академии техн. творчества / СПбГТУ. 1996. - № 2. - С. 46-67.

48. Дянкова, Т. Ю. Методы систематизированного проектирования текстильной колористической отделки / Т. Ю. Дянкова, В. И. Пименов // Современные технологии обучения (СТО-2004): матер. X междунар. конф. — СПб., 2004.-Т. 1.-С. 103-104.

49. Ерош, И. JI. Адаптивные робототехнические системы / И. JI. Ерош, М. Б. Игнатьев, Э. С. Москалев. Л.: ЛИАП, 1985.-144 с.

50. Журавлев, Ю. И. Корректные алгебры над множествами некорректных (эвристических) алгоритмов / Ю. И. Журавлев // Кибернетика. -1978.-№2-С. 35-43.

51. Журавлев, Ю. И. Об алгебраическом подходе к решению задач распознавания и классификации / Ю. И. Журавлев // Проблемы кибернетики. -М.: Наука, 1978. Вып. 33. - С. 5-68.

52. Загоруйко, Н. Г. Методы распознавания и их применение / Н. Г. Загоруйко. -М.: Сов. радио, 1972. -208 с.

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

54. Зак, И. С. База данных и компьютерная система для подготовки производства фирменной рабочей одежды / И. С. Зак, Р. И. Сизова, Б. А. Козлов // Швейная промышленность. 1998. - N° 1. - С. 37-39.

55. Зак, Ю. А. Методы направленного перебора в задачах целочисленного линейного программирования с булевыми переменными / Ю. А. Зак // Кибернетика. 1977. - № 4. - С.70-79.

56. Зуева, Т. В. Разработка методических принципов дизайн-программирования ассортимента производственной одежды: дис. . канд. техн. наук: 05.19.04 / Зуева Татьяна Васильевна. СПб.: 2000. - 202 с.

57. Иванов, В. В. Дискретизация признаков с непрерывными шкалами при извлечении концептуальных знаний из экспериментальных данных /

58. B. В. Иванов, К. А. Найденова, А. В. Яковлев // Национальная конференция по искусственному интеллекту- КИИ-2004: труды IX междунар. конф. -М., 2004. С. 87-88.

59. Кабальное, Ю. С. Алгоритм генерации электронных учебных модулей для самостоятельной работы студентов / Ю. С. Кабальнов,

60. C. В. Тархов, Н. С. Минасова // Информационные технологии моделирования и управления. 2006. - № 2(27). - С. 155-159.

61. Камилов, М. М. О классификаторах в алгоритмах частичной прецедентности / М. М. Камилов, Р. Т. Абдукаримов, Р. М. Норматов // Изв. АН УзССР. СТН. 1985. - № 6. - С. 9-13.

62. Кандрашина, Е. Ю. Представление знаний о времени и пространстве в интеллектуальных системах / Е. Ю. Кандрашина, JI. В. Литвинцева, Д. А. Поспелов; под ред. Д. А. Поспелова. М.: Наука, 1989. - 328 с.

63. Киясбейли, Ш. А. О различиях теории нечетких множеств и теории вероятностей / Ш. А. Киясбейли, В. М. Мамедов // Автоматика. — 1987. -№3.-С. 76-78.

64. Коблякова, Е. Б. Рациональная структура ассортимента одежды на основе маркетинговых исследований / Е. Б. Коблякова // Швейная промышленность. 1995. - № 4. - С. 37.

65. Ковалерчук, Б. Я. Некоторые методы согласования решающих правил и исходных данных в задачах распознавания образов: автореф. дис. . канд. физ.-мат. наук / АН УзССР, ИК с ВЦ. Ташкент, 1977. - 20 с.

66. Козинец, Б. Н. Рекуррентный алгоритм разделения выпуклых оболочек двух множеств / Б. Н. Козинец // Алгоритмы обучения распознаванию образов. — М.: Сов. радио, 1973. С. 43-50.

67. Козлов, Ю. М. Принципы автоматизации проектирования систем технического зрения / Ю. М. Козлов, В. И. Пименов // Автоматизация проектирования приборов и систем управления: сб. науч. тр. / ЛИАП. — Л., 1989.-С. 113-118.

68. Козлов, Ю. М. Метод последовательного выделения объектов / Ю. М. Козлов, В. И. Пименов // Сб. тр. ЛМИ. Сер. 6. Л., 1990. - С. 101-108.

69. Козлов, Ю. М. Анализатор речевого сигнала для оценки эмоционального состояния человека-оператора / Ю. М. Козлов, В. И. Пименов, И. Л Горьков, О. Г. Малеев // Региональная информатика: тез. докл. III междунар. конф. СПб, 1994. - Ч. III. - С. 53-54.

70. Козлов, Ю. М. Компьютерное обучение разговорному иностранному языку / Ю. М. Козлов, Г. Д. Невзорова, В. И. Пименов // Региональная информатика: тез. докл. III междунар. конф. СПб., 1994. - Ч. III. - С. 66-67.

71. Козлов, Ю. М. Аппаратно-программные средства речевого общения / Ю. М. Козлов, В. И. Пименов // Вопросы повышения качества управления движущимися объектами: тр. БГТУ. СПб., 1995. - С. 54-60.

72. Комаревцев, Е. М. Образовательные порталы как средство систематизации и структурирования информации.: дис. . канд. пед. наук: 13.00.08: / Комаревцев Евгений Михайлович. Ставрополь, 2004. - 207 с. -Библиогр.: с. 147 - 163.

73. Конструирование одежды с элементами САПР / под. ред. Е. Б. Кобляковой. М.: Легпромбытиздат, 1988. - С. 358-360.

74. Корбут, А. А. Гибридные методы в дискретной оптимизации / А. А. Корбут, И. X. Сигал, Ю. Ю. Финкелылтейн // Известия АН СССР. Сер. Техн. кибернетика. 1988. - № 1. -С.65-77.

75. Коробов, Н. А. Развитие теории и практики построения методов измерения характеристик строения текстильных материалов с использованием современных информационных технологий: автореф. дис. . д-ра техн. наук / МГУДТ. М: 2007. - 36 с.

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

77. Куафе, Ф. Взаимодействие робота с внешней средой / Ф. Куафе; под ред. А. Б. Мещерякова. М.: Мир, 1985. - 285 с.

78. Кудинов, В. А. Принципы создания системы дистанционного образования на основе мультиагентных технологий / Кудинов, В. А., Цуканов М. В. http://ito.edu.ru/2003AII/2/III-2-2944.html.

79. Куликов, С. М. Примитивные решающие правила в распознавании / С. М. Куликов // Автоматика и телемеханика. 1984. - № 7. - С. 121-129.

80. Кунчева, Л. Критерий за оценявине на подмножества от признаци с използуване на теорията на размите множества / JI. Кунчева // Автом. изчисл. техн. и автоматизир. сист. 1986. - № 10. - С. 26-30.

81. Куприянов, М. С. Построение отношения и меры сходства нечетких объектов / М. С. Куприянов, О. Н. Ярыгин // Изв. АН СССР. Сер. Техн. кибернетика. 1988. - № 3. - С. 147-154.

82. Кутин, Г. И. Методы ранжировки комплексов признаков / Г. И. Кутин // Зарубежная радиоэлектроника. 1981. - № 9 - С. 54-70.

83. Ларичев, О. И. Интеллектуальные обучающие системы для пользователей лазерных технологических комплексов / О.И. Ларичев и др. // Новости искусственного интеллекта 2003. - № 4 (58) - С.4-11.

84. Латышев, В. Л. Интеллектуальные обучающие системы: контроль знаний и психодиагностика / В. Л. Латышев. http://nit.miem.edu.ru/2004/ plenar/9.htm.

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

86. Лбов, Г. С. Логические функции в задачах эмпирического предсказания / Г. С. Лбов // Вычислительные системы. 1978. - Вып. 76. - С. 34-64.

87. Леман, Э. Проверка статистических гипотез / Э. Леман; под ред. Ю. В. Прохорова. -М.: Наука, 1979. 408 с.

88. Либенсон, М. Н. Минимизация исходного описания в распознавании образов / М. Н. Либенсон // Проблемы случайного поиска. -Рига: Зинатне, 1975. № 4. - С. 259-269.

89. Липский, В. Комбинаторика для программистов: пер. с польск. / В. Липский; под ред. А. П. Ершова. М.: Мир, 1988. - 213 с.

90. Луговская, Е. А. Многоагентные системы поддержки открытого образования в техническом университете / Е. А. Луговская, В. Б. Тарасов // Программные продукты и системы. 2001. - № 2. — С. 29-34.

91. Манделъ, И. Д. О выборе информативных признаков при классификации объектов / И. Д. Мандель // Автоматика и телемеханика. -1986.-№2.-С. 164-167.

92. Марк, Д. Методология структурного анализа и проектирования: пер.с англ. / Д. Марк, К. МакГоуэн. М.: МетаТехнология, 1993. — 240 с.

93. Маслов, В. К. Исследования непараметрических методов поиска информативных признаков и построения решающих правил в задачах распознавания образов: автореф. дис. . канд. техн. наук. — М., 1973. — 22 с.

94. Минасова, Н. С. Разработка моделей формирования индивидуализированных учебных модулей в системе электронного обучения / Н.С. Минасова // Информационные технологии моделирования и управления. 2005. - № 7(25). - С. 945-950.

95. Модели принятия решений на основе лингвистической переменной / А. Н. Борисов и др. Рига: Зинатне, 1982. - 256 с.

96. Насекин, В. Я. Метод решения монотонных задач целочисленного программирования / В. Я. Насекин // Кибернетика. 1979. - № 5. - С. 106— 109.

97. Неймарк, Ю. И. Динамические системы и управляемые процессы / Ю. И. Неймарк. М.: Наука, 1978. - 336 с.

98. Немыченков, И. В. Алгоритм классификации ситуаций, описываемых нечеткими параметрами в автоматизированной системе / И. В. Немыченков // Математические методы распознавания образов: тез. докл. III Всесоюз. науч. конф. Львов, 1987. - Ч. I. - С. 101-102.

99. Норматов, Р. М. Покрытие образов многогранными логическими классификаторами / Р. М. Норматов // Изв. АН УзССР. Сер. Техн. науки -1983.- №5. -С. 3-8.

100. Носов, А. Л. Описание объектов распознавания в системах технического зрения роботов / А. Л. Носов; КПИ. — Киров, 1986. 19 с.-Деп. в ЦНИИТЭИприборостроения 01.04.86, № 3202-пр.

101. Обработка нечеткой информации в системах принятия решений / А. Н. Борисов и др. М.: Радио и связь, 1989. - 304 с.

102. Обучающие машины и комплексы: Справочник / Под. общей ред. А. Я. Савельева. Киев: Вища шк., Головное изд-во, 1986. - 303 с.

103. Орлов, В. А. Граф-схемы алгоритмов распознавания / В. А. Орлов. -М.: Наука, 1982. 120 с.

104. Перепёлкин, К. Е. Современные химические волокна и перспективы их применения в текстильной промышленности / К. Е. Перепёлкин // Российский химический журнал (Ж. Рос. хим. об-ва им. Д. И. Менделеева). — 2002. Т. XLVI. - № 1. - С. 3 М8.

105. Петрунин, Ю.Ю. Современное состояние и тенденции развития анализа данных / Ю.Ю. Петрунин // Ученые труды МГУ им. М. В. Ломоносова. — 2003. — Вып. 2. — С. 63—79.

106. Петрушин, В. А. Экспертно-обучающие системы / В. А. Петрушин. Киев: Наукова думка, 1992. - 196 с.

107. Пименов, В. И, Автоматизация проектирования программного обеспечения систем технического зрения / В. И. Пименов // Разработка СТЗ и их применение в промышленности: тез. докл. науч.-техн. конф. — Ижевск, 1988.-Ч. 1.-С. 138-139.

108. Пименов, В. И. Обучение в распознающих системах / В. И. Пименов // Интеллектуальные системы: тез. докл. всесоюз. науч.-техн. конф. / МАИ. -М., 1991.-С. 45.

109. Пименов, В. И. О распознавании размытых образов / В. И. Пименов // Сб. тр. ЛМИ. Сер. 6. - Л., 1990. - С. 109-113.

110. Пименов, В. И. Выбор алгоритмов распознавания / В. И. Пименов // Системы управления и обработки информации: матер, юбил. науч.-техн. конф. / БГТУ. СПб., 1992. - С. 87-93.

111. Пименов, В. И. Использование методов статистики для построения алгоритмов распознавания / В. И. Пименов // Математика в вузе: тр. междунар. науч.-метод. конф. СПб., 1997. - С. 158-159.

112. Пименов, В. И. Перспективы применения мультимедийных компьютерных средств и сетевых технологий в системах дистанционного образования / В. И. Пименов // Телематика-97: тр. всерос. науч.-метод. конф. -СПб., 1997.-С. 143.

113. Пименов, В. И. Использование компьютерных средств мультимедиа в учебном процессе / В. И. Пименов // Особенности учебно-воспитательной работы в современных условиях: тр. межвуз. конф. СПб., 1998. - С. 112-113.

114. Пименов, В. И. Обучение дизайнеров в среде Intranet / В. И. Пименов // Новые информационные технологии в вузах и на предприятиях легкой промышленности: тез. докл. всерос. науч.-метод. конф. / СПГУТД. СПб., 1998. - С. 92-93.

115. Пименов, В. И. Анализ данных при обучении распознающих систем / В.И. Пименов // Вопросы повышения эффективности управления техническими системами с различными информационными каналами: тр. БГТУ. СПб., 1998. - С. 15-20.

116. Пименов, В. И. Особенности создания среды виртуальной лаборатории технологического вуза / В. И. Пименов // Технологии открытого образования: матер, регион, конф. — Владивосток, 2001. С. 125-126.

117. Пименов, В. И. Решение проблем применения компьютерных технологий при обучении дизайнеров / В. И. Пименов, М. В. Воронов // V Царскосельские чтения: матер, науч.-теор. межвуз. конф. с международ, участ. СПб., 2001. - Т. 1. - С. 205-208.

118. Пименов, В. И. Моделирование текстурных изображений с объемной архитектурой / В. И. Пименов, М. В. Воронов // Новыеинформационные технологии в университетском образовании: матер. IX междунар. науч.-метод. конф. Кемерово, 2002. - С. 161—164.

119. Пименов, В. И. Проектирование мультимедийных учебников / В. И. Пименов // Информационные технологии в образовательной, научной и управленческой деятельности (ИНФОТЕКСТИЛЬ—2004): матер, всерос. науч. конф. М., 2004. — с. 66-67.

120. Пименов, В. И. Мультимедийная обучающая система "текстильные технологии" / В. И. Пименов, Н. Н. Труевцев, Ю. Н. Ветрова // Современные технологии обучения (СТО-2004): матер. X междунар. конф. СПб., 2004. -Т. 2.-С. 91-92.

121. Пименов, В. И. Извлечение знаний при построении решающих правил / В. И. Пименов // Актуальные проблемы экономики и новые технологии преподавания (Смирновские чтения): матер. 3-й междунар. науч.-практ. конф. СПб., 2004, - С. 281-282.

122. Пименов, В. И. Формирование поля знаний интеллектуальных обучающих систем для дисциплин технологического цикла / В. И. Пименов // Телематика'2005: тр. XII всерос. науч.-метод. конф. СПб., 2005. - Т. 2. — С. 518-520.

123. Пименов, В. И. Проектирование баз знаний о технологических процессах / В.И. Пименов // Автоматизация и современные технологии. — 2006.-№6.-с. 27-37.

124. Пименов, В. И. Применение методов обучения распознаванию образов для проектирования динамической модели знаний о технологических процессах / В. И. Пименов // Системы управления и информационные технологии. 2006. - № 2 (24). - С. 98-103.

125. Пименов, В. И. Компьютерная графика. Работа в CorelDRAW: учеб. пособие / В. И. Пименов / Рекомендовано учебно-методическим объединением по направлениям педагогического образования. — СПб.: СПГУТД, 2006. 130 с.

126. Пименов, В. И. Построение обучающей системы на базе модели онтологии / В. И. Пименов // Качество. Инновации. Образование. — 2006. — № 4. С.42—48.

127. Пименов, В. И. Проектирование обучающих систем в области технологии и дизайна: монография / В. И. Пименов. СПб.: ИПЦ СПГУТД, 2006. - 229 с.

128. Пименов, В. И. Свидетельство об официальной регистрации программы для ЭВМ №2006612731. Мультимедийный комплекс по прикладной статистике / В. И. Пименов. Зарегистрировано в Реестре программ для ЭВМ, Москва, 03 августа 2006 г.

129. Пименов, В. И. Свидетельство об официальной регистрации программы для ЭВМ №2006612223. Обучающая программа по разработке экспертных систем / В. И. Пименов, М. В. Воронов. — Зарегистрировано в Реестре программ для ЭВМ, Москва, 15 августа 2006 г.

130. Пименов, В. И. Проектирование и управление содержанием обучающих систем технологической направленности / В. И. Пименов // Дизайн. Материалы. Технология. 2007. - № 1(2). - С. 3—7.

131. Пименов, В. И. Формализация технологических процессов при построении обучающих систем / В. И. Пименов // Дизайн. Материалы. Технология. 2007. - № 1(2). - С. 95-99.

132. Пименов, В. И. Построение модели дистанционного курса по технологическим дисциплинам / В. И. Пименов // Математическое моделирование в образовании, науке и производстве: тезисы 5-й междунар. конф. Тирасполь, 2007, - С. 193-194.

133. Пименов, В. И. Проектирование модели знаний обучающих систем технологической направленности / В. И. Пименов // Информационные технологии. 2007. - № 6. - С. 66-71.

134. Пименов, В. И. Применение информационных технологий в обучении студентов-технологов / В. И. Пименов, Е. Н. Якуничева // Известия вузов. Технология текстильной промышленности. — 2008. № 3. - С. 138— 141.

135. Пименов, В. И. Построение электронного курса на основе выделения классов / В. И. Пименов // Новые информационные технологии в образовании: материалы междунар. науч.-практ. конф. Екатеринбург, 2008. -Ч. 2.-С. 24-26.

136. Пименов, В. И. Модель электронного курса при выделении знаний о последовательности действий / В. И. Пименов // Информатика: проблемы, методология, технологии: материалы Восьмой междунар. науч.-метод. конф. Воронеж, 2008. - Т. 2. - С. 170-174.

137. Пименов, В. И. Алгоритмическое обеспечение инструментального комплекса для формирования знаний о технологических процессах / В. И. Пименов // Известия вузов. Приборостроение. 2009. — № 1. - С. 3-9.

138. Планирование эксперимента в задачах нелинейного оценивания и распознавания образов / Г. К. Круг, В. А. Кабанов, Г. А. Фомин, Е. С. Фомина. -М.: Наука, 1981. 172 с.

139. Подвальный, С. JI. Модели формирования многовариантного состава контентов информационно-образовательных систем / С. JI. Подвальный, М.Ю. Сергеев // Информационные технологии моделирования и управления. 2005. - № 5(23). - С. 669-674.

140. Поспелов, Д. А. Десять "горячих точек" в исследованиях по искусственному интеллекту / Д. А. Поспелов // Интеллектуальные системы. -1996. Т. 1. - Вып. 1-4. - С. 47-56.

141. Представление и использование знаний / под ред. X. Уэно. М.: Исидзука; М.: Мир, 1989. - 220 с.

142. Привалов, С. Ф. Методы теории распознавания образов при исследовании текстильных материалов / С. Ф. Привалов, А. В. Гусаков, А. Н. Могильный. СПб.: ООО "Недра", 2001.- 144 с.

143. Прикладная статистика: исследование зависимостей / С. А. Айвазян, В. М. Буштабер, И. С. Енюков, JI. Д. Мешалкин. М.: Финансы и статистика, 1985. - 488 с.

144. Приобретение знаний / под ред. С. Осуги, Ю. Саэки. М.: Мир, 1990.-304 с.

145. Прилсивайт, Я. И. О совместной работе алгоритмов автоматической классификации и отбора информативных признаков / Я. И.

146. Приживайт II Модели и алгоритмы принятия решений в автоматизированных системах. Фрунзе: Илим, 1977. — С. 62—72.

147. Разоренов, Г. И. Автоматизированный отбор признаков при классификации объектов / Г. И. Разоренов, Г. А. Поддубский // Заводская лаборатория. 1985. - № 7 - С. 48-50.

148. Растригин, Л. А. Метод коллективного распознавания / JI. А. Растригин, Р.Х. Эренштейн. — М.: Энергоиздат, 1981. — 80 с.

149. Растригин, Л. А. Адаптивное обучение с моделью обучаемого / JI. А. Растригин, М. X. Эренштейн. Рига: Зинанте, 1988. - 160 с.

150. Саакян, Р. Р. Системный анализ трудноформализуемых непрерывнозначных технологических задач: дис. . д-ра техн. наук: 05.13.01: защищена 20.11.2002 / Саакян Рустам Рафикович; СПГУТД. СПб., 2002. -253 с. - Библиогр.: с. 240 - 253.

151. Самойленко, А. П. Data Mining: учебный курс / А. П. Самойленко, В. А. Дюк. СПб.: Питер, 2001. - 368 с.

152. Свидетельство об официальной регистрации программы для ЭВМ Ns 2005611643. Коруна-дизайн / Е. Я. Сурженко, В. И. Пименов, Е. И. Петрова, Е. JI. Хлебникова, JI. П. Васеха. Зарегистрировано в Реестре программ для ЭВМ, Москва, 01 июля 2005 г.

153. Семикин, В. А. Семантическая модель контента образовательных электронных изданий: автореф. дис. . канд. техн. наук / ТГУ. Тюмень, 2004.-21 с.

154. Сигал, И. X. Введение в прикладное дискретное программирование: модели и вычислительные алгоритмы / И. X. Сигал, А. П. Иванова. М.: Физматлит, 2002. -240 с.

155. Смолин, Д. В. Введение в искусственный интеллект: конспект лекций / Д. В. Смолин. М: Физматлит, 2004. - 208 с.

156. Соловов, А. В. Электронное обучение: проблематика, дидактика, технология / А. В. Соловов. Самара: Новая техника, 2006. - 464 с.

157. Станенис, К. JI. Использование дополнительной экспертной информации в задачах распознавания с малыми обучающими выборками / К. Л. Станенис; Ин-т физ.-техн. пробл. энерг. АН ЛитССР. Каунас, 1988. - 8 с. - Деп. в ЛитНИИНТИ 28.04.88, № 2090, Ли88.

158. Структурирование учебного материала инженерных дисциплин / С. Ф. Артюх, В. М. Приходько, С. А. Капленко, А. Т. Ашеров, И. В. Федоров. М.: МАДИ (ГТУ); Харьков: УИПА, 2002. - 30 с.

159. Суздалов, Е. Г. Анализ системы дистанционного обучения / Е. Г. Суздалов, В. И. Пименов, Н. Р. Туркина // Телематика-2004: тр. XI всерос. науч.-метод. конф. СПб., 2004. - Т. 2. - С. 511-512.'

160. Суздалов, Е. Г. Система дистанционного обучения / Е. Г. Суздалов, Н. Р. Туркина, В. И. Пименов // IT-инновации в образовании: матер, всерос. науч.-практ. конф. Петрозаводск, 2005. - С. 203-206.

161. Суздалов, Е. Г. Системный анализ дистанционного обучения: учеб. пособие / Е. Г. Суздалов, В. И. Пименов, Т. А. Кравец / Рекомендованоучебно-методическим объединением по направлениям педагогического образования. СПб.: СПГУТД, 2005. -55 с.

162. Сурженко, Е. Я. Методы анализа проектных ситуаций при планировании разработок спецодежды / Е. Я. Сурженко, Е. JI. Хлебникова, В. А. Максимов, Ю. Ю. Антонова // Изв. вузов. Сер. Технология легкой промышленности. 1985. - № 4. - С. 73-77.

163. Сурженко, Е. Я. Теоретические основы и методическое обеспечение эргономического проектирования специальной одежды: автореф. дис. . д-ра. техн. наук / СПГУТД. СПб., 2001. - 49 с.

164. Сурженко, Е. Я. Дизайн-программирование ассортимента производственной одежды / Е. Я. Сурженко, Е. И. Петрова, В. И. Пименов // Дизайн. Материалы. Технология. 2006. - № 1. — С. 3-6.

165. Тарасов, В. Б. Агенты, многоагентные системы, виртуальные сообщества: стратегическое направление в информатике и искусственном интеллекте / В. Б. Тарасов // Новости искусственного интеллекта. 1998. — № 3. - С.5-54.

166. Тархов, С. В. Оценка эффективности адаптивного электронного обучения / С. В. Тархов // Информационные технологии моделирования и управления. 2005. - № 3(21) - С. 337 - 346.

167. Тархова, Л. М. Проектирование и компиляция электронных информационно-справочных материалов по инженерной графике / JI. М. Тархова // Информационные технологии моделирования и управления. — 2005. № 7(25). - С. 950-955.

168. Тимофеев, А. В. Адаптивные робототехнические комплексы / А. В. Тимофеев. Л.: Машиностроение, 1988. - 332 с.

169. Ткемаладзе, Н. Т. Обучающаяся модель в задачах распознавания и классификации / Н. Т. Ткемаладзе // Теоретическая кибернетика — 1986. -№ 3. С. 80-83.

170. Ту, Д. / Принципы распознавания образов / Д. Ту, Р. Гонсалес; под ред. Ю.И. Журавлева. М.: Мир, 1978. - 414 с.

171. Тулупъев, A. JI. Алгебраические байесовские сети. Логико-вероятностный подход к моделированию баз знаний с неопределенностью / А. Л. Тулупьев. СПб.: СПИИРАН, 2000. - 292 с.

172. Фогелъсон, Ю. Б. Сокращение перебора при построении разделяющих признаков / Ю. Б. Фогельсон // Описание и распознавание объектов в системах искусственного интеллекта. — М.: Наука, 1980. С. 8992.

173. Фодор, Дж. Коннекционизм и когнитивная структура: критический обзор / Дж. Фодор, 3. Пылишин // Язык и интеллект. — М.: Прогресс, 1996. — С. 230-313.

174. Фомин, Я. А. Статистическая теория распознавания образов / Я. А. Фомин, Г. Р. Тарловский. М.: Радио и связь, 1986. - 264 с.

175. Фор, А. Восприятие и распознавание образов / А. Фор; под ред. Г. П. Катыса. М.: Машиностроение, 1989. - 272 с.

176. Француз, А. Г. Линейные и полилинейные решающие правила и их применение в некоторых задачах медицинской диагностики и химической технологии / А. Г. Француз // Практические применения распознавания образов / ВЦ АН СССР. М., 1972. - С. 53-61.

177. Фу, К. Последовательные методы в распознавании образов и обучении машин / К. Фу; под ред. JI. А. Мееровича, Я. 3. Цыпкина. М.: Наука, 1971.-256 с.

178. Фу, К. Структурные методы в распознавании образов / К. Фу; под ред. М. А. Айзермана. М.: Мир, 1977. - 322 с.

179. Хохлюк, В. И. Параллельные алгоритмы целочисленной оптимизации / В. И. Хохлюк. М.: Радио и связь, 1987. — 224 с.

180. Цибульский, Г. М. Модели обучения автоматизированных обучающих систем / Цибульский Г. М., Герасимова Е. И., Ерошин В. В. // Системотехника: сетевой электронный журнал. — 2004. № 2.

181. Цыпкин, Я. 3. Основы теории обучающихся систем / Я. 3. Цыпкин. -М.: Наука, 1970.-251 с.

182. Частиков, А. П. Разработка экспертных систем. Среда CLIPS / А. П. Частиков, Т. А. Гаврилова, Д. JI. Белов. Санкт-Петербург: BHV, 2003. - 608 с.

183. Щедрина, А. А. Интеллектуальные агенты как средство автоматизации роли преподавателя / А.А. Щедрина // Educational Technology & Society. 2002. - № 5(2). - С. 187-197.

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

185. Юдов, А. И. Метод построения и управления структурой технических средств учебного процесса : автореф. дис. . канд. техн. наук / ППИ, филиал СПГПУ. Псков, 2003. - 18 с.

186. Ядьгкин, И. Б. Адаптивное управление непрерывными технологическими процессами / И. Б. Дцыкин, В. М. Шуйский, Ф. А. Овсепян. Энергоатомиздат, 1985.

187. Якуничева, Е. Н. Вопросы построения информационной обучающей среды / Е. Н. Якуничева, В. И. Пименов // Язык и культура основа общественной связности. Научная сессия "IX Невские чтения": матер, междунар. науч.-практ. конф. - СПб., 2007. - С. 173-175.

188. Якуничева, Е. Н. Свидетельство об официальной регистрации программы для ЭВМ №2007612178. Информационная система верификации знаний / Е. Н. Якуничева, В. И. Пименов. Зарегистрировано в Реестре программ для ЭВМ, Москва, 25 мая 2007 г.

189. Antamoshkin, А. N. On the definition of informative subsystem of signs in the pattern recognition problem / A. N. Antamoshkin // Computer and Artificial Intelligence. 1985. - № 3 - P. 245-252.

190. Bertolazzi, P. An 0(mn) algorithm for regular setcovering problems / P. Bertolazzi, A. Sanasso // Theor. Comput. Science. 1987. - № 2-3. - P. 237247.

191. Brusilovsky, P. Adaptive and Intelligent Technologies for Web-based Education / P. Brusilovsky // Konstliche Intelligenz: Special Issue on Intelligent Systems and Teleteaching. 1999. - Vol. 4. - P. 19-25.

192. Devroye, Luc. Automatic pattern recognition: A study of the probability of error / Luc Devroye // IEE Transaction on Pattern Analysis and Machine Intelligence. 1988. -V. 10. - № 4. - P. 530-543.

193. Foroutan, I. Automatic feature selection for classification of non-Gaussian data / I. Foroutan, J. Sklansky // Proc. 8th Int. Conf. Pattern Recogn., Paris, Oct. 27-31, 1986. New York, 1986. - P. 327-329.

194. Gregory, John С. Using surrogate constraints in a lagrangian relaxation approach to set-covering problems / John C. Gregory, Gary A. Kochenberger // Journal of the Operational Research Sosiety. 1988. - V. 39. - № 7. - P. 681-685.

195. Hammer, P. L. Order relation of variables in 0-1 programming / P. L. Hammer, Br. Simeone // Surv. Comb. Optimiz. Amsterdam, 1987. - P. 83112.

196. Kozlov, J. M. Acoustic-Phonetic Analysis Methods of Speech Signal / J. M. Kozlov, V. I. Pimenov, I. L. Gorkov // Regional Informatics-95: Proceed, of the IV St.-Petersb. International Conf. St.-Petersb., 1995. - P. 71-74.

197. Kinshuk. A conceptual framework for Internet based intelligent tutoring systems / Kinshuk, A. Patel // Knowledge transfer. — London, pAce, 1997. -Vol. II.-P. 117-124.

198. Lemone, КA. Retargetable Course Generation — A methodology for reusability in distance education / K. A. Lemone // ITS'96: Workshop on Architecture and Methods for Designing Cost-Effective and Reusable. Montreal, 1996.

199. Luck, W. V. The structuring and testing of hypermedia learning environments / W. V. Luck // Computer Mediated Education of Information Technology: Professionals and Advanced Users. North-Holland, 1993. - P. 4955.

200. Nwana, H. S. Software Agents: An Overview / H. S. Nwana // Knowledge Engineering Review. 1996. - Vol. 11. - № 3. - P. 1-40.

201. Vasko, F.J. Using a facility location algorithm to solve large set covering problems / F. J. Vasko, G. R. Wilson // Oper. Res. Lett. 1984. - № 2. -P. 85-90.