Методы синтеза самоорганизующихся систем, обладающих памятью счетного числа состояний тема диссертации и автореферата по ВАК РФ 05.13.01, доктор технических наук Юдашкин, Александр Анатольевич

• Юдашкин, Александр Анатольевич
• доктор технических наук
• 2005

Оглавление диссертации доктор технических наук Юдашкин, Александр Анатольевич

ВВЕДЕНИЕ 5 РАЗДЕЛ 1 Общие принципы описания и функционирования реальных и искусственных самоорганизующихся систем с памятью

1.1 Понятие самоорганизации систем

1.2 Анализ и синтез естественных и технических самоорганизующихся систем

1.3 Математические подходы к описанию самоорганизующихся систем

1.4 Проблема инвариантности сложных систем и роль понятия формы

Введение диссертации (часть автореферата) на тему «Методы синтеза самоорганизующихся систем, обладающих памятью счетного числа состояний»

К настоящему времени становится очевидным, что одной из наиболее важных проблем современной теоретической и технической кибернетики является вопрос о возможности создания интеллектуальных систем, способных самостоятельно под влиянием изменения внешних условий перестраивать свою структуру так, чтобы воспроизводилась конфигурация, наиболее эффективная для достижения необходимой цели. Кроме того, желательно также, чтобы подобная система могла изменять свою конфигурацию по направлению к состоянию, предварительно этой системой запомненному, а также, чтобы данный процесс был инвариантен по меньшей мере по отношению аффинным преобразованиям в пространстве. Таким образом, ключевым вопросом является синтез инвариантной (в определенном смысле) самоорганизующейся системы с памятью, хранящей произвольное число состояний этой системы, способной выбирать наилучшее состояние (конфигурацию, структуру) с некоторой целью для текущих условий функционирования.

В современной науке подобная концепция уже установилась в таких отраслях, как биология и химия. Поведение, подобное описанному выше, демонстрирует большинство живых организмов, для которых указанная цель может состоять, в частности, в выживания. Здесь, как известно, существует большое разнообразие способов решения этой задачи: изменение окраски, формы, перегруппировка отдельных особей в стаде для защиты от хищников и т.д. Для животных характерна быстрая ориентация в текущей обстановке, что достигается за счет использования как рефлексов, так и приобретенных навыков. С точки зрения кибернетики поведение биологических организмов характеризуется общим результатом - воспроизведением паттернов (структур), т.е. каких-либо конфигураций (физиологических, социальных или психических), происходящим инвариантно и самостоятельно, без специального управления извне. Все изменения происходят в соответствии с меняющейся обстановкой согласно некоторым правилам, изначально заложенным в существующих связях между образующими структуру компонентами. Таким образом, системы, характерные для живой природы, являются принципиально самоорганизующимися и обладающими сложной памятью. В химии также уже достаточно давно проводятся исследования процессов и структур, обладающих сложной пространственной и временной структурой и существенным уровнем самоорганизации. Можно отметить как химические системы, меняющие свои свойства под действием внешнего управления, так и автономные системы, в которых переходы происходят спонтанно. Кроме того, одним из чрезвычайно актуальных прикладных направлений материаловедения является создание материалов с памятью (так называемых «умных» материалов и сред). При этом память может характеризовать как внутренние свойства материала, так и его внешний вид (форму). К сожалению, к настоящему времени не создано ни одного материала с памятью более двух состояний, переходящих в них под влиянием задающего управления.

В технических приложениях основная часть работ, связанных с синтезом самоорганизующихся систем с памятью, в основном лежит в сфере механических и микромеханических систем, а также робототехнике. Данные направления являются чрезвычайно актуальными в настоящее время, и именно в них технические воплощения идей автоматического изменения конфигурации отражаются наиболее емко вследствие необходимости решать такие вопросы, как самостоятельная сборка конструкции (самосборка) и адаптация. С другой стороны, существует естественный класс технических систем, где вопросы интеллектуальной самоорганизованной адаптации к условиям функционирования встают постоянно - это информационные сети. Для сетей типичны ситуации, когда вследствие высокой загрузки или отказа части узлов или носителей в сети необходимо быстро изменить структуру связей для достижения наилучшего функционирования, т.е. изменить структуру сети. Это может осуществляться путем либо внешнего управления, либо с помощью внутренних механизмов, запускаемых интеллектуальными маршрутизаторами и концентраторами. Несомненно, задачи, связанные с самоорганизацией и изменением конфигурации системы в соответствии с заранее запомненными шаблонами возникают также при построении сложных систем управления технологическими процессами или объектами. При этом необходимо изменять уже внутреннюю структуру контроллеров или связи между контурами управления, что требует высокого уровня реализации искусственного интеллекта, причем очень редко удается построить законченную схему, которая не должна была бы обучаться.

При всем разнообразии приложений практически отсутствует единый теоретический подход к построению самоорганизующихся систем с памятью нескольких состояний. В качестве методологий, позволяющих решать отдельные задачи подобного рода, можно отметить синергетику, которая на самом деле является лишь общим способом описания сложных систем, искусственные нейронные сети, системы нечеткой логики и теорию автономных агентов.

Синергетика рассматривает сложные нелинейные процессы как некоторые системы, поведение которых подчиняется изменению во времени и в пространстве относительно небольшого числа так называемых параметров порядка. Параметры порядка определяют динамику всей системы в течение всего рассматриваемого периода времени и, в особенности, вблизи точек бифуркации. Таким образом, при таком подходе можно сказать, что структура нелинейной динамической системы определяется ограниченным набором некоторых стандартных структур, являющихся сущностью данной системы. При этом данная парадигма до сих пор не имеет достаточно обобщенной теоретической базы, достаточной для применения идей синергетики в большинстве случаев.

Системы автономных агентов могут быть охарактеризованы как совокупности отдельных активных подсистем, каждая из которых задается алгоритмом работы, целями и связями с другими подобными подсистемами. Автономные агенты являются достаточно гибким инструментом построения структурированных систем обработки сложной информации в случае необходимости одновременного учета большого количества факторов, задающих цели работы и механизмы функционирования среды, в которой автономные агенты действуют. Здесь центральной является проблема формирования таких коммуникационных связей между агентами, которые позволяли бы совокупности агентов перестраиваться без управления извне и эффективно решать глобальные задачи. В действительности теория автономных агентов является своего рода надстройкой и занимает место между синергетикой как общей методологией и инструментами типа искусственных нейронных сетей и нечеткой логики. Формирование связей и задание алгоритмов работы отдельных агентов также не является проблемой, имеющей свою общую методику решения. С целью синтеза связей и алгоритмов в среде автономных агентов применяются различные подходы, как традиционные и основанные на методах нелинейной оптимизации, так и включающие элементы искусственного интеллекта.

В то же время один из наиболее известных инструментов решения задач распознавания образов, прогнозирования и обработки сложных данных -искусственные нейронные сети - сам представляет собой сложную систему, характеризующуюся большим числом возможных конфигураций. Это в особенности касается динамических моделей искусственных нейронных сетей (моделей с обратными связями), где процессы перехода из состояния в состояние являются зависящими от времени. Динамические нейронные сети представляют собой совокупность связанных нелинейных активных элементов, совокупно производящих достаточно сложные действия. Подобные системы описываются дифференциальными или разностными уравнениями высокого порядка и обладают рядом устойчивых состояний (аттракторов). Переход из одного состояния в другое или из произвольного первоначального в некоторое устойчивое определяется внешними воздействиями, структурой связей в сети и принципом функционирования отдельных нейронов. Ряд моделей искусственных нейронных сетей, созданных для решения задач распознавания образов, способны воспроизводить ранее запомненные конфигурации, что роднит их с известной физической моделью спиновых стекол. Однако большая часть моделей нейронных сетей не обладает инвариантностью к изменению системы отсчета, что существенным образом ухудшает их качество по сравнению с реальными физическими и биологическими процессами.

Принципиальной базой для функционирования сложных интеллектуальных систем любого рода как в природе, так и в технике, является совокупность основных требований к указанным системам: многокомпонентность (однородная или неоднородная), нелинейность, обучаемость, самоорганизация, инвариантность. Соответственно главная задача, которая должна ставиться в рамках работы, направленной на синтез сложной интеллектуальной системы, определяется как создание методов построения математических моделей интеллектуальных самоорганизующихся систем на основе динамических уравнений некоторого рода с существенными нелинейностями. При этом синтезируемая система должна обладать требуемыми свойствами по инвариантному воспроизведению известных ей конфигураций из произвольного начального состояния в соответствии с близостью к одному из запомненных при наличии внешних возмущений, причем независимо от сдвигов и поворотов всей системы в выбранной системе координат. Последнее требование соответствует фундаментальным закономерностям, значимость которых подтверждена в ряде работ по исследованию общих геометрических принципов формирования и восприятия паттернов и проблемам инвариантности динамических систем. Таким образом, проблемы, связанные с построением моделей интеллектуальных самоорганизующихся систем с памятью, являются актуальными и к настоящему времени открытыми с точки зрения существования развитых подходов к их решению.

Данная диссертационная работа посвящена решению задачи синтеза и анализа динамических систем, обладающих способностью перехода в любое из ряда предварительно запомненных самой системой конфигураций из произвольного состояния. Системы строятся из относительно простых нелинейных динамических элементов, связанных с другими элементами или подсистемами с помощью специально формируемых связей. При этом в работе рассматриваются принципы построения подобных систем на основе нелинейных дифференциальных уравнений, инвариантных относительно аффинных преобразований абстрактных координат, методы формирования памяти систем, производится качественный анализ их устойчивости и существования аттракторов. Рассматриваются также практические приложения созданных моделей в области распознавания образов и обработки сложной информации. Строятся алгоритмы настройки конкретных реализаций таких систем, и производится анализ их основных свойств. Диссертационная работа основана на инициативных исследованиях, удостоенных Медали РАН для молодых ученых за 2000г., Медали РИА за 2001г. за лучшую фундаментальную работу, стипендии Президента РФ в области науки за 1997-1999гг., Гранта Ученого Совета СамГТУ за 1999г., именной стипендии Администрации г.Самары за 2004г. Часть результатов также получена в рамках работ по программе фундаментальных НИР, проводимых ведущими научно-педагогическими коллективами вузов России по заказу Минобразования РФ, и научно-технической программе «Научные исследования высшей школы по приоритетным направлениям науки и техники» (подраздел 201) в 2001-2003 годах.

Цель работы. Основная цель диссертации состоит в разработке новых методов синтеза самоорганизующихся систем, способных запоминать и воспроизводить счетное число желаемых конфигураций, заданных через совокупности подсистем или с помощью непрерывных зависимостей на основе аппарата нелинейных дифференциальных уравнений и преобразований, обеспечивающих инвариантность. Это должно служить основой для выработки методик построения интеллектуальных самостоятельно реконфигурирующихся систем управления и обработки сложной информации.

Для достижения сформулированной цели в диссертации поставлены и решены следующие задачи:

- постановка и обоснование проблем, связанных с описанием и синтезом самоорганизующихся систем, обладающих памятью ряда состояний и инвариантных к классу аффинных преобразований;

- создание теоретических основ синтеза самоорганизующихся систем с заданными инвариантными свойствами стандартных конфигураций, их запоминанием и восстановлением;

- анализ свойств моделей инвариантных самоорганизующихся систем с памятью счетного числа состояний в конечномерном пространстве;

- анализ свойств моделей самоорганизующихся систем с инвариантной памятью счетного числа состояний в гильбертовом пространстве;

- качественный анализ основных свойств фазового пространства модального представления самоорганизующихся систем;

- разработка методов и алгоритмов реализации моделей самоорганизующихся систем для распознавания образов и обработки сложной информации;

- синтез прикладных систем распознавания образов и обработки сложной информации и анализ эффективности их работы.

Методы исследования, применяемые в данной диссертационной работе, основаны на аппарате теории обыкновенных дифференциальных уравнений, дифференциальных уравнений в частных производных, интегральных уравнений, линейной алгебры, алгебры комплексных чисел и кватернионов, методах исследования устойчивости в линейном приближении, методах идентификации систем управления, численных методы решения систем уравнений и интегрирования, алгоритмах обработки изображений, методах цифрового моделирования и математической статистике.

Структура и содержание работы. Диссертация состоит из введения, пяти

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Юдашкин, Александр Анатольевич

5.5 Основные результаты и выводы

В данном разделе рассмотрен переход от моделей самоорганизующихся систем с памятью, способных восстанавливать свою конфигурацию из произвольного начального состояния, к методам и алгоритмам распознавания образов. На основе систем в двумерном пространстве синтезированы две новые схемы распознавания образов, учитывающие два параметра в качестве характеристик каждого пикселя цифрового изображения. Показано, что объединение этих параметров в комплексное число и синтез модели нейронной сети с конкуренцией, обрабатывающей комплексные числа, позволяет достичь улучшенных показателей работы алгоритмов. В частности, в модели распознавания черно-белых изображений для снижения роли помех фотографирования и интенсивности освещения применялась схема, использующая результаты разностной фильтрации изображения. Показано, что фильтрация по вертикали и горизонтали сводится к модели распознавания в комплексных числах и выполняется достаточно успешно. Другой новый подход связан с распознаванием цветных изображений в пространстве YCbCr, когда учитываются только две хроматические компоненты. В отличие от общепринятой точки зрения, показано, что вычисления по двум компонентам, определяющим оттенки, имеют существенное значение в случае распознавания изображений при изменениях направления освещения. Это становится возможным также в комплекснозначной нейронной сети с конкуренцией, введенной в данной работе. Численные эксперименты показали, что в этом случае существенно снижается зависимость качества распознавания от условий съемки.

Приведен ряд практических результатов по применению созданных методов разпознавания образов для решения задач в области адаптивного управления и обеспечения безопасности. Описан принцип работы системы супервизорного управления вытяжкой оптического волокна, где используется идентификатор модели луковицы расплава на базе созданной во работе модели искусственной нейронной сети. Показана эффективность применения именно такого подхода к структурной идентификации в силу неполноты существующих математических моделей луковицы и наличия лишь эмпирических закономерностей влияния формы луковицы на тип переходного процесса в системе. Соответствующее моделирование на реальном объекте показало повышение качества волокна и снижение потерь сырья. Описана также созданная информационная система

КРИМНЕТ, предназначенная для идентификации личности по лицу и созданная на основе алгоритмов распознавания, полученных в работах автора диссертации. Показана основная структура системы и рассмотрены принципы ее работы. Продемонстрировано, что внедрение системы КРИМНЕТ в работу подразделений МВД позволило вывести на принципиально новый уровень процесс расследования преступлений и опознания подозреваемых, что непосредственно отразилось на общих показателях деятельности соответствующих правоохранительных органов. Алгоритмы распознавания на основе методов, предложенных в работах автора, также были интегрированы в системы безопасности, применяемые в различных коммерческих компаниях. В настоящее время процесс исследований и разработки новых подходов в области распознавания образов и идентификации личности продолжается.

Список литературы диссертационного исследования доктор технических наук Юдашкин, Александр Анатольевич, 2005 год

1. Большой энциклопедический словарь. М.: Советская энциклопедия. -1993.

2. Пригожин, И. От существующего к возникающему. М.: Наука. - 1985.

3. Пригожин, И., Стенгерс, И. Порядок из хаоса. — М.: Прогресс. — 1986.

4. Николис, Г., Пригожин, И. Самоорганизация в неравновесных системах. — М.: Мир.- 1979.

5. Хакен, Г. Синергетика. М.: Мир. - 1980.

6. Хакен, Г. Синергетика: Иерархии неустойчивостей в самоорганизующися системах и устройствах. М.: Мир. - 1985.

7. Хакен, Г. Информация и самоорганизация. М.: Мир. - 1991.

8. Kauffman, S. At Home in the Universe The Search for the Laws of Self-Organization and Complexity. — Oxford: Oxford University Press. - 1995.

9. Винер, H. Кибернетика или Управление и связь в животном и машине. — М.: Советское радио. 1958.

10. Swinney, H.L., Gollub, J.P., Fenstermacher, R. Dynamical instabilities and the transition to chaotic Taylor vortex flow// J. Fluid Mech. 1979. - No.94. - P. 103-128.

11. Берже, П. Конвекция Рэлея-Бенара в жидкостях с высоким числом Прандтля. В сб. Синергетика. - М.:Мир. - 1984. - С. 220-233.

12. Смоэс, М. Химические волны в колебательной системе Жаботинского. В сб. Синергетика. -М.Мир. - 1984. - С. 139-163.

13. Ни, Zh., Chen, Y., Wang, С., Zheng, Y., Li, Y. Polymer gels with engineered environmentally responsive surface patterns// Nature. 1998. - Vol.393. - P. 149-152.

14. Bowden, N., Brittain, S., Evans, A.G., Hutchinson, J.W., Whitesides, G.M. Spontaneous formation of ordered structures in thin films of metals supported on an elastomeric polymer//Nature. 1998. - Vol.393. - P.146-149.

15. Mao, C., Thalladi, V.R., Wolfe, D.B., Whitesides, S., and Whitesides, G.M. Dissections: Self-Assembled Aggregates That Spontaneously Reconfigure Their

16. Structures When Their Environment Changes// Journal of the American Chemical Society. 2002. - V. 124. - No. 49. - P. 14508-14509.

17. Zhang, X. D., Rogers, C. A., Liang, C. Modelling of the Two-Way Shape Memory Effect// Journal of Intelligent Material Systems and Structures. 1997. - Vol.8. - No.4. - P.353-362.

18. Chandrashekhara, K., Varadarajan, S. Adaptive Shape Control of Composite Beams with Piezoelectric Actuators// Journal of Intelligent Material Systems and Structures. 1997. - Vol.8. - No.2. - P.l 12-124.

19. Hogg, Т., Huberman, B. Controlling Smart Matter// J. Smart Structures and Materials. 1998. - V.7. - P.R1-R14.

20. Ball, Ph. Off and on reflection// Nature. -1998. V.391. - P.232-233.

21. Kiselyova, N., Gladun, V., Vashchenko, N. Computational Materials Design Using Artificial Intelligence Methods// J. of Alloys and Compounds. 1998. - V.279. -P. 8-13.

22. Vittori, K., Gautrais, J., Araujo, A.F.R. Modeling Ant Behavior Under a Variable Environment. In: Lecture Notes in Computer Science. - Springer-Verlag. — 2004.-V. 3172.-P. 190-201.

23. Gueron, S.A., Levin, S., Rubenstein, D.I. The dynamics of herds: from individuals to aggregations// J. of Theoretical Biology. 1996. - V.182. -P.85-98.

24. Соколов, E.H., Шмелев, JI.А. Нейробионика. M.: Наука. - 1983.

25. Томпсон, Дж. М. Т. Неустойчивости и катастрофы в науке и технике. -М:Мир.- 1985.

26. Allport, F.H. Theories of perception and the concept of structure.- New York: Willey.- 1955.

27. Zee, A. Some Quantitative Issues in the Theory of Perception. In: Evolution, Learning, and Cognition. - Singapore: World Scientific. - 1988. - P.183-215.

28. Преснов, E.B., Исаева, B.B. Топологические структуры морфогенеза. — В сб. «Интеллектуальные процессы и их моделирование». М.:Наука. — 1991. -С.196-218.

29. Wright, W.A., Smith, R.E., Danek, M., Greenway, P. A Generalisable Measure of Self-Organisation and Emergence. — In: Lecture Notes in Computer Science. — Berlin: Springer. -2001.- V.2130.- P.857-864.

30. Глушков, B.M., Иванов, В. В., Яненко, В. М. О новом классе динамических моделей и их приложении в биологии// Кибернетика. — 1979. -No.4.-C. 131—139.

31. Trimmer, W. Micromechanics and MEMS.- New York:IEEE Press. 1997.

32. Hakura, J., Yokoi, H., Yu, W. A Morpho-Functional Machine: An Artificial Amoeba Based on the Vibrating Potential Method// Proc. of the Sixth International Conference on Artificial Life, 1998. MIT Press, 1998. - P.477-482.

33. Saitou, K. Conformational Switching in Self-Assembling Mechanical Systems// IEEE Trans, on Robotics and Automation. 1999. - V. 15:3. - P. 510-520.

34. Kurokawa, H., Murata, S., Yoshida, E., Tomita, K., Kokaji, S. A Three-Dimensional Self-Reconfigurable System//Advanced Robotics. 2000. V.13. - No. 6. -P.591-602.

35. Salemi, В., Shen, W.-M. Distributed Behavior Collaboration for Self-Reconfigurable Robots// Proc. of the International Conference on Robotics and Automation. April May 2004, New Orleans, LA, USA. - New Orleans, 2004.

36. Yim, M., Zhang, Y., Lamping, J., Mao, E. Distributed Control for 3D Metamorphosis// Autonomous Robots. 2001. - V.10. -1.1. - P.41-56.

37. Nolfi, S., Floreano, D. Evolutionary Robotics: The Biology, Intelligence, and Technology of Self-Organizing Machines. MIT Press. - 2004.

38. Montresor, A., Meling, H., Babaoglu, O. Towards Adaptive, Resilient and Self-Organizing Peer-to-Peer Systems// Proc. of the International Workshop on Peer-to-Peer Computing, Pisa, Italy, May 2002. Italy, 2002. - P. 300-305.

39. SOWER: Self-Organizing Wireless Network for Messaging: Tech. Report: 1С/2004/62/ EPFL-Switzerland. Switzerland, 2004.

40. Montresor, A., Meling, H., Babaoglu, O. Toward Self-Organizing, Self-Repairing and Resilient Distributed Systems. In: Lecture Notes in Computer Science. - Berlin: Springer. - 2003. - V.2584. - P. 119-123.

41. Marias, N. J., Henry III, L. B. Raju, M. D. US Patent #5886537. Self-Reconfigurable Parallel Processor Made From Regularly-Connected Self-Dual Code/Data Processing Cells.

42. File classification in self-storage systems: Tech. Report: CMU-PDL-04-101/ Carnegie Mellon University. Pittsburgh, PA, USA, 2004.

43. Saitou, K., Malpathak, S., Qvam H. Robust design of flexible manufacturing systems using, colored Petri net and genetic algorithm// J. of Intelligent Manufacturing. -2002.-V. 13.-P. 339-351.

44. De Zeeuw, G. Self-Organisation as Quality Control in Inquiry// Kybernetes. -2004.-V. 33.-No. 9.-P. 1411-1418.

45. Gladun, V.P., Vashchenko, N.D. Analitical processes in pyramidal networks// International J. on Information Theories and Applications. 2000. - V.7, No.3.

46. Гладун, В.П., Ващенко, Н.Д., Величко, В.Ю. Прогнозирование на основе растущих пирамидальных сетей// Программные продукты и системы. — 2002. -No. 2. С.22-27.

47. Васильев, С. Н. От классических задач регулирования к интеллектному управлению // Изв. РАН. Теория и системы управления. 2001. - N 1. - С. 5-22

48. Саридис, Дж. Самоорганизующиеся стохастические системы управления. -М.: Наука.-1980.

49. Справочник по теории автоматического управления/ Под ред. А.А.Красовского. -М.: Наука. 1987.

50. Красовский, А. А., Наумов, А. И. Аналитическая теория самоорганизующихся систем управления с высоким уровнем искусственного интеллекта // Изв. РАН. Теория и системы управления. 2001. - N 1. - С. 69-75

51. Емельянов, С.В., Уткин, В.И. и др. Теория систем с переменной структурой. -М.:Наука. 1970.

52. Рустамов, Г.А. Синтез систем управления с переменной структурой с конечным временем установления//Изв. РАН. Теория и системы управления. — 2000.-No. 1.-С. 15-21

53. Параев, Ю.И., Перепелкин, Е.А. Локально-оптимальное управление системами с переменной структурой// Изв. РАН. Теория и системы управления. — 2000.-No. 1.-С. 91-95.

54. Дыда, А.А., Лебедев, А.В., Филаретов, В.Ф. Синтез системы с переменной структурой для управления движением подводного робота// Изв. РАН. Теория и системы управления. 2000. - No. 1. - С. 155-163.

55. Говоров, А.А., Подсевалов, В.В., Баженов, В.И., и др. Регуляторы с переменной структурой для непрерывных технологических процессов с запаздыванием// Приборы и системы управления. 1986. - No. 4. - С. 23 - 26.

56. Кудин, В. Ф. Аналитическое конструирование оптимальных регуляторов с переменной структурой// Изв. РАН. Теория и системы управления. 2001. - N 5. -С. 61-66.

57. Буравлев, А. И., Казаков, И. Е. Модель надежности самовосстанавливающейся системы со случайной структурой// Изв. РАН. Теория и системы управления. 2001. - N 1. - С. 45-47.

58. Пупков, К.А., Коньков, В.Г. Интеллектуальные системы.- М.:Изд-во МГТУ им.Н.Э.Баумана. 2003.

59. Транспьютеры / под ред. Г. Харта. М.: Радио и связь. - 1993.

60. Russell, D.W. A Proposed Evolutionary, Self-Organizing Automaton for the Control of Dynamic Systems. In: Lecture Notes in Computer Science. - Berlin: Springer. - 2002. - V.2475. - P. 33-43.

61. Желтенков, А. В. Самоорганизующаяся система управления: организация и методология создания. М.: Гос.ун-т управления. - 2001.

62. Кабалдин, Ю.Г., Биленко, С.В., Шпилев, A.M. Построение перспективных систем управления металлорежущими станками на основе самоорганизации ипринципов искусственного интеллекта// Вестник машиностроения. 2002. - N 6. -С. 59-65.

63. Прангишвили, И.В. Доклад на юбилейном заседании, посвященном 60-летию Института Проблем Управления РАН/ http://www.ipu.ru/publ/plP3.htm .

64. Olemskoi, A.I. Axiomatic Theory of Self-Organizing System// Physica A. — 2002. V. 310. -No.l. -P.223-233.

65. Блиман, П.-А., Красносельский, A.M., Рачинский, Д.И. О сильных резонансах при бифуркациях Хопфа в системах управления// АиТ. -2001. — No.l 1. -С. 29-50.

66. Красносельский, A.M., Рачинский, Д.И. Непрерывные ветви циклов уравнений высшего порядка// Дифференциальныеуравнения. — 2003. — Т.39. — К.12. -С.1-12.

67. Красовский, А.А. Проблемы физической теории управления// АиТ. — 1990.-No.il.-С.3-28.

68. Колесников, А.А. Основы синергетики управляемых систем. Таганрог: Изд-во ТРТУ. - 2001.

69. Ивахненко, А.Г. Индуктивный метод самоорганизации моделей сложных систем. Киев: Наук, думка. - 1981.

70. Лоскутов, А.Ю., Михайлов, А.С. Введение в синергетику.- М.:Наука. -1990.

71. Wolfram, S. Statistical Mechanics of Cellular Automata// Rev. of Modern Physics. 1983. - V. 55. - P. 601-644.

72. Гэри, M., Джонсон, Д. Вычислительные машины и труднорешаемые задачи. -М.:Мир. 1982.

73. Berlekamp, Е. R., Conway, J. Н., Guy, R. К. Winning ways for your mathematical plays. New York: Academic Press. - 1982.

74. Chaudhuri, P.P., Chowdhury, D.R., Nandi, S., Chattopadhyay, S. Additive Cellular Automata. Theory and Applications. New York: John Wiley & Sons. - 1997.

75. Hasslacher, В., Meyer, D.A. Modeling Dynamical Geometry With Lattice-Gas Automata// International J. of Modern Physics C. 1998. - Vol.9, No.8. - P.1597-1605.

76. Wolfram, S. Cellular Automaton fluids: basic theory// J. Stat. Phys. 1986. -V.45. -P.471-526.

77. Стефанюк, В.JI. Локальная организация интеллектуальных систем. — М.:Физматлит. 2004.

78. Klein, A., Kutrib, М. Self-Assembling Finite Automata. In: Lecture Notes in Computer Science. - Berlin: Springer. - 2002. - V.2387. - P. 310-319.

79. Castelfranchi, C. Guarantees for autonomy in cognitive agent architecture. In Intelligent Agents: Theories, Architectures, and Languages (LNAI Volume 890). -Heidelberg: Springer-Verlag. - 1995. - P. 56-70.

80. Genesereth, M. R., Ketchpel, S. P. Software agents// Communications of the ACM. 1994. - Vol. 37, No.7. -P.48-53.

81. Konolige, K. A. Deduction Model of Belief. London: Pitman Publishing. 1986.

82. Eiter, Т., Subrahmanian, V. S., Pick, G. Heterogeneous Active Agents// Artificial Intelligence. 1999. - V.108, No. 1-2. - P.179-255.

83. Baum, E.B. Toward a Model of Intelligence as an Economy of Agents// Machine Learning. 1999. - V. 35, No.2. - P.155-185.

84. Виттих, B.A. Эволюционное управление сложными системами// Изв. Самарского научного центра РАН. 2000. - No.2. - С.53-65.

85. Скобелев, П.О. Открытые мультиагентные системы для поддержки процессов принятия решений при управлении предприятиями// Известия Самарского научного центра РАН. 2001. - T.I, No.3 - С. 71-79.

86. Leitao, P., Restivo, F. Towards Autonomy, Self-Organisation and Learning in Holonic Manufacturing. In: Lecture Notes in Computer Science. - Berlin: Springer. — 2003. - V.2691. — P.544-553.

87. Солсо, Р.Л. Когнитивная психология. -M.: Тривола. 1996.

88. McCulloch, W. W., Pitts, W. A logical calculus of the ideas imminent in nervous activiti// Bulletin of Mathematical Biophysics. 1943. - V.5. - P. 115-133.

89. Rosenblatt, F. Principles of Neurodinamics. New York: Spartan Books. -1962.

90. Hecht-Nielsen R. Application of counterpropagation networks//Neural Networks.- 1988.-V. l.-P. 131-139

91. Hecht-Nielsen R. Counterpropagation networks// Proc. of the IEEE First Int. Conf. on Neural Networks, San Diego, CA, USA, 1987. San Diego, CA: SOS Printing. -1987. - V. 2. - P. 19-32.

92. Уоссермен, Ф. Нейрокомпьютерная техника. M.: Мир. - 1992.

93. Оссовский, С. Нейронные сети для обработки информации. М.: Финансы и статистика. - 2002.

94. Hopfield, J.J. Neural networks and physical systems with emergent collective computational abilities// Proc. Natl. Acad. Sci. USA. 1982.-V.79. - P.2554-2558.

95. Гинзбург, С.JI. Необратимые явления в спиновых стеклах. М.: Наука. — 1989.

96. Derrida, В., Gardner, Е., Zippelius, A. An exactly solvable asymmetric neural network model// Europhys. Lett. 1987.1. V. 4.-P. 167-173.

97. Kosko, B. Bidirectional associative memories// IEEE Trans. Systems, Man and Cybernetics. 1988. - V. 18. - P.49-60.

98. Wang, Y.F., Cruz, J., Mulligan, J. Two coding strategies for bidirectional associative memory//IEEE Trans. Neural Networks. 1990. - V.l. — P.81-92.

99. Hebb, D.C. The Organization of Behavior: A Neuropsychological Theory. -NewYork: Wiley. 1957.

100. Grossberg, S. The adaptive brain, v.l, 2. Amsterdam: North-Holland. -1987.

101. Plakhov, A.Yu., Semenov, S.A. An unlearning-type procedure for the self-correction of Hebbian connectivity// Neural Network World. 1993.- V. 4. - P. 405-412.

102. Gutfreund, H., Mezard, M. Processing of Temporal Sequences in Neural Networks// Phys. Rev. Lett. 1988. - V.61, No. 2. - P. 235-238.

103. Buhmann, J., Schulten, K. Noise-Driven Association in Neural Networks// Europhys. Lett. 1987. - V.4. - No. 10. - P. 1205-1209.

104. Fuchs, A., Haken, H. Pattern recognition and associative memory as dynamical processes in a synergetic system// Biol. Cybern. 1988. - V.60.—No.l. - P. 17-22.

105. Fuchs, A., Haken, H. Pattern recognition and associative memory as dmamicai processes in a synergetic system// Biol. Cybern. 1988. - V.60. - No.2. - P. 107-109.

106. Haken, H. Synergetic computers and cognition: A top-down approach to neural nets. Berlin: Springer-Verlag. - 1991.

107. Юдашкин, А. А. Моделирование распознавания образов в реальных нейронных структурах// Биофизика. Т.39. 1994. - вып.2. - С. 385-389.

108. Юдашкин, А. А. Классификация образов в синергетической нейронной сети путем изменения топологии аттракторов// Труды межд. научно-тех. конф. "Непрерывнологические и нейронные сети и модели", Ульяновск, 23-25 мая 1995г. Ульяновск, 1995 - Т. 1. - С. 57.

109. Юдашкин, А. А. Бифуркации стационарных решений в синергетической нейронной сети и управление распознаванием образов// АиТ. — 1996. No.l 1. - С. 139-147.

110. Yudashkin, A. A. Dynamical System Manifolds and Pattern Classification// Proc. of the 3rd World Multiconference on Systemics, Cybernetics and Informatics (SCI'99), Orlando, FL, USA, August 1-3, 1999. Orlando, USA, 1999. - P. 624-629.

111. Юдашкин, А. А. Классификация образов и ее связь с топологией многообразий динамических систем// Изв. Самарского научного центра РАН. — 2001.-Т.З,No.l.-С. 93-98.

112. Юдашкин, А. А. Об устойчивости аттракторов в синергетической модели распознавания образов. Самара, 1993. - 11 с. - Деп. в ВИНИТИ 22.09.93, No. 2453-В93.

113. Chou, P.A. The capacity of the Kanerva associative memory// IEEE Trans, on Information Theory. 1989. - V.35. - P.281-298.

114. Bennett, A. An exactly solvable model for competitive networks// J. of Physics A. 1989. - V.22. - P.2047-2056.

115. Blair, A.D., Pollack, J.B. Analysis of Dynamical Recognizers// Neural Computation. 1997. - V.9, No.5. -P.l 127-1142.

116. Fritzke, B. Be Busy and Unique or Be History The Utility Criterion for Removing Units in Self-Organizing Networks. - In: Lecture Notes in Computer Science. - Berlin: Springer. - 1999. -V. 1701. -P.207-218.

117. Огнев, И.В., Борисов, B.B. Интеллектуальные системы ассоциативной памяти. М.: Радио и связь. - 1996.

118. Горбань, А.Н., Россиев, Д.А. Нейронные сети на персональном компьютере. Новосибирск: Наука. - 1996.

119. Ripley, B.D. Pattern Recognition and Neural Networks. Cambridge: Cambridge University Press. - 1996.

120. Goettinger, W., Haug, P., Lang, D. Geometrical Principles of Pattern Formation and Pattern Recognition// In: Computational Systems, Natural and Artificial. Berlin:Springer-Verlag. - 1987. - P. 97-116.

121. Bowman, С., Newell, A.C. Natural patterns and wavelets// Review of Modern Physics. 1998. - V.70. - P.289-302.

122. Hogg, Т., Huberman, B.A. Attractors of finite sets: The dissipative dynamics of computing structures//Physical Review A. 1985. - V.32, No.4. - P.2338-2346.

123. Преснов, E.B., Исаева, B.B. Топологические структуры морфогенеза. В сб. «Интеллектуальные процессы и их моделирование. Пространственно-временная организация», ред. А.В. Чернавского. - М: Наука. - 1991. - С.196-218.

124. Смолянинов, В.В. От инвариантов геометрий к инвариантам управления. В сб. «Интеллектуальные процессы и их моделирование», ред. Е.В.Велихова, А.В.Чернавского. - М.: Наука. - 1987. - С.66-110.

125. Николаев, П.П. Методы представления формы объектов в задаче константного зрительного восприятия. В сб. «Интеллектуальные процессы и их моделирование. Пространственно-временная организация», ред. А.В. Чернавского. - М: Наука. - 1991. - С.146-173.

126. Kohonen, Т., Kaski, S., Lappalainen, Н. Self-Organized Formation of Various Invariant-Feature Filters in the Adaptive-Subspace SOM// Neural Computation. 1997. - V.9, No.6. -P. 1321-1344.

127. Becker, S. Implicit Learning in 3D Object Recognition: The Importance of Temporal Context//Neural Computation. 1999. - V.l 1, No.2. - P.347-374.

128. Wood, J. Invariant pattern recognition: a review// Pattern Recognition. -1996. V.29, No.l. -P. 1-17.

129. Sanders, В., Crowe, R., Garcia, E. Defense Advanced Research Projects Agency Smart Materials and Structures Demonstration Program Overview// J. of Intelligent Materials Systems and Structures. - 2004. - V. 15, No.4. - P. 227-233.

130. Рид, M. Алгебраическая геометрия для всех. М: Мир. - 1991.

131. Вейль, Г. Симметрия. М: Наука. - 1968.

132. Фларри, Р. Группы симметрии. Теория и химические приложения. М: Мир. - 1983.

133. Edelsbrunner, H. Shape Reconstruction with Delaunay Complex// Proc. of the 3rd Latin American Symposium on Theoretical Informatics, Campinas, Brazil, April 20-24,1998. Campinas, 1998.-P. 119-132.

134. Amenta, N., Bern, M. The Crust and the O-Skeleton: Combinatorial Curve Reconstruction// Graphical Models and Image Processing. — 1998. Vol. 60/2, No. 2. -P. 125-135.

135. Li, S.Z. Invariant Representation, Matching and Pose Estimation Of 3d Space Curves Under Similarity Transformations// Pattern Recognition. -1997. V.30. - P.447-458.

136. Kendall, D.A. A Survey of the Statistical Theory of Shape// Statistical Science. 1989. - V.4, No.2. - P.87-120.

137. Bookstein, F.L. Principal warps: thin-plate splines and the decomposition of deformations// IEEE Trans. Pattern Analysis and Machine Intelligence. 1989. — V.ll, Issue 6. - P.567-585.

138. Эйкхофф, П. Основы идентификации систем управления. М.: Мир. — 1975.

139. Скворцов, А. В. Триангуляция Делоне и ее применение. Томск: Изд-во Томск, ун-та. - 2002.

140. Препарата, Ф., Шеймос, М. Вычислительная геометрия. Введение. -М.: Мир. -1989.

141. Кантор, И. Инкрементальный алгоритм построения триангуляции Делоне/ http://algolist.manual.ru/maths/geom/deluanay.php

142. Юдашкин, А. А. О самоорганизации системы материальных точек вокруг центра масс// Труды 7-й Межвуз. конф. «Математическое моделирование и краевые задачи», Самара, 28-30 мая 1997г. Самара, 1997. - 4.2.-С.101-103.

143. Юдашкин, А. А. О проблеме самоорганизации многоточечной фигуры в двумерном евклидовом пространстве// Труды 8-й Межвуз. конф. «Математическое моделирование и краевые задачи», Самара, 26-28 мая 1998г. — Самара, 1998. 4.2. - С.93-96.

144. Yudashkin, A.A. A Self-Organizing Geometrical Net for Pattern Retrieving// Труды 3-го Сибирского конгресса по прикладной и индустриальной математике (ИНПРИМ-98), Новосибирск, 1998. Новосибирск: Изд-во Ин-та математики СО РАН, 1998.-4.1.-С. 120.

145. Юдашкин, А. А. Инвариантный подход к построению структур с памятью в двумерном евклидовом пространстве// Вестник Самарского государственного техничского ун-та. Сер. «Физико-математические науки». -1998.-Вып. 6.-С. 14-22.

146. Yudashkin, A. A. On a Problem of Relations Between Pattern Recognition Pattern Formation and Moving Multi-unit Objects Perception// Proc. of 1998 IEEE Int. Conf. on Neural Networks, Anchorage, AL, USA, 4-9 May. Anchorage, 1998. - V.2. -P. 1392-1397.

147. Yudashkin, A. A. A Synthesis of Invariant Structures with Memory in Two-Dimensional Space// Int. J. Modern Physics C. V.l 1 2000. - No.5. - P. 853-864.

148. Юдашкин, А. А. О подходе к построению трансформирующихся систем с несколькими устойчивыми состояниями// Межвуз. сборник науч. трудов «Дифференциальные уравнения и их приложения». Самара: СамГТУ, 2002. — Вып. 1.-С. 64-69.

149. Юдашкин А.А. Синтез самоорганизующихся систем, запоминающих и восстанавливающих несколько собственных конфигураций в трехмерном пространстве// Мехатроника, автоматизация и управление. 2005. — No.l. — С.7-11.

150. Мочалов, JI. П. Головоломки.- М: Наука. 1980.

151. Кантор, И.Л., Солодовников, А.С. Гиперкомплексные числа. М: Наука. - 1973.

152. Кулешов, В.А. Теория гиперполей. Минск: Наука и техника. - 1969.

153. Dixon, G. М. Division Algebras: octonions, quaternions, complex numbers and the algebraic design of physics. Dordrecht: Kluwer Academic Publishers. - 1994.

154. Brumby, S.P., Hanlon, B.E., Joshi, G.C. Implications of quaternionic dark matter// Physics Letters B. 1997. - V.401, Issue 3-4. - P. 247-253.

155. Chou, J.C.K., Kamel, M. Finding the Position and Orientation of a Sensor on a Robot Manipulator Using Quaternions// International J. of Robotics Research. — 1991.- V.10, No.3. P. 240-254.

156. Funda, J., Taylor, R.H., Paul, R.P. On Homogeneous Transforms, Quaternions, and Computational Efficiency// IEEE Trans, on Robotics and Automation.- 1990. V.6, No.3. - P.382-388.

157. Bulow, Т., Sommer, G. Quaternionic Gabor filters for local structure classification// Proc. 14th Annual Conf. on Pattern Recognition, Brisbane, Australia, 1998.-Brisbane, 1998. P. 808-810.

158. Arena, P., Fortuna, L., Muscato, G., Xibilia, M.G. Multilayer Perceptrons to Approximate Quaternion Valued Functions//Neural Networks. 1997. - V.10, No.2. -P. 335-342.

159. Nitta, T. A Quaternary Version of the Backpropagation Algorithm// Proc. of IEEE International Conf. on Neural Networks, ICNN'95-Perth, 1995. Perth, 1995. -V.5. - P.2753-2756.

160. Complex-valued neural networks. Theories and applications/ Series on innovative intelligence 2003. - V. 5.

161. Anguita, D., Boni, A., Ridella, S. A digital architecture for support vector machines: theory, algorithm, and FPGA implementation// IEEE Trans, on Neural Networks. 2003. - V.14. - Is.5. - P.993-1009.

162. Yagi, M., Shibata, T. An image representation algorithm compatible with neural-associative-processor-based hardware recognition systems// IEEE Trans, on Neural Networks. 2003. - V.14. - Issue 5. - P. 1144-1161.

163. De Jesus Navas-Gonzalez, R., Vidal-Verdu, F., Rodriguez-Vazquez, A. Neuro-fuzzy chip to handle complex tasks with analog performance// IEEE Trans, on Neural Networks. 2003. - V.14. - Issue 5. - P. 1375- 1392.

164. Pentland, A., Moghaddam, В., Starner, T. View-Based and Modular Eigenspaces for Face Recognition// Proc. IEEE Conf. on Computer Vision and Pattern Recognition, Seattle, USA, 1994. Seattle, 1994. - P. 84-91.

165. Penev, P., Atick, J. Local Feature Analysis: a General Statistical Theory for Object Representation// Network: Computation in Neural Systems. 1996. - No. 7. - P. 477-500.

166. De Castro, M.C.F., De Castro, F.C.C., Amaral, J.N., Franco, P.R.G. A complex valued Hebbian learning algorithm// Proc. of 1998 IEEE Int. Conf. On Neural Networks. 1998. - P.1235-1238.

167. Jankowski, S., Lozowski, A., Zurada, J.M. Complex-Valued Multistate Neural Associative Memory// IEEE Trans, on Neural Networks. 1996. - V.7, No.6. -P.1491-1496.

168. Zhang, Y., Ma, Y. CGHA for Principal Component Extraction in the Complex Domain// IEEE Trans, on Neural Networks. 1997. - V.8, No.5. - P. 10311036.

169. Nitta, T. A Back-Propagation Algorithm for Complex Numbered Neural Networks// Proc. of IEEE/INNS International Joint Conference on Neural Networks (IJCNN'93), Nagoya, Japan, October 25-29, 1993. Nagoya, 1993. - V.2. - P. 16491652.

170. Arena, P., Fortuna, L., Muscato, G., Xibilia, M. G. Multilayer Perceptrons to Approximate Quaternion Valued Functions// Neural Networks. 1997. - V.10, No.2. -P. 335-342.

171. Nitta, T. An Extension of the Back-propagation Algorithm to Quaternions// Proc. of International Conference on Neural Information Processing (ICONIP'96), Hong-Kong, September 25-27, 1996. Hong-Kong, 1996. - V.l. - P.247-250.

172. Юдашкин, А. А. Распознавание растровых изображений с помощью динамической нейронной сети, заданной в пространстве комплексных чисел// Изв. Самарского научного центра РАН- 2003. Т.5, No.l. - С. 127-133.

173. Kemp, R., Pike, G., White, P., Musselman, A. Perception and recognition of normal and negative faces: the role of shape from shading and pigmentation cues// Perception. 1996. - V.25. - P.37-52.

174. Brown, D., Craw, I., Lewthwaite, J. A SOM based approach to skin detection with application in real time systems// Proc. of British Machine Vision Conference 2001, BMVA, Manchester, UK, 2001. Manchester, 2001. - P. 491-500.

175. Ming-Hsuan, Y., Ahuja, N. Detecting Human Faces in Color Images// International Conf. on Image Processing (ICIP-98), Chicago, IL, USA, October 4-7, 1998.- Chicago, 1998.- V.l.-P. 127-130.

176. Yip, A., Sinha, P. Role of Color in Face Recognition// AI Memo 2001-035. -MIT Press.-2001.

177. Torres, L., Reutter, J. Y., Lorente, L. The Importance of the Color Information in Face Recognition// Proc. Intl. Conf. on Systems, Man and Cybernetics, Tokyo, Japan, 1999. Tokyo, 1999. - V. 3. - P. 627-631.

178. Liu, C., Wechsler, H. A Gabor Feature Classifier for Face Recognition// Proc. Eighth IEEE Intl. Conf. on Computer Vision, Vancouver, Canada, July 9-12, 2001.- Vancouver, 2001. V. 2. - P. 270 -275.

179. Pei, S. С., Chen, J. H. Color Pattern Recognition by quaternion correlation// Proc. IEEE Intl. Conf. on Image Processing, Thessaloniki, Greece, October 7-10, 2001. Thessaloniki, 2001. - P. 894-897.

180. Vezhnevets, V., Sazonov, V., Andreeva, A. A Survey on Pixel-Based Skin Color Detection Techniques// Graphicon-2003, Moscow, Russia, September, 2003. -Moscow, 2003.

181. Poynton C.A. Poynton's Colour FAQ/ http://people.ee.ethz.ch/~buc/brechbuehler/mirror/color/ColorFAQ.html.

182. Чостковский, Б. К., Юдашкин, А. А. Активная идентификация нелинейных динамических объектов типа Гаммерштейна// АиТ. 1992. — No.l. -С. 96-103.

183. Васильев, В.Н., Дульнев, Г.Н., Наумчик, В.Д. Нестационарные процессы при формировании оптического волокна// ИФЖ. 1988. - Т.55, No.2. - С.284-292.

184. Васильев, В.Н., Дульнев, Г.Н., Наумчик, В.Д. Нестационарные процессы при формировании оптического волокна// ИФЖ. 1988. - Т.55, No.3. - С.491-497.

185. Дианов, Е.М., Кашин, В.В., Перминов, С.М., и другие. Динамика тепловых процессов при вытяжке кварцевых волоконных световодов// ЖТФ. — 1987. -Т.57, Вып.8.- С.1562-1569.

186. Васильев, В.Н., Дульнев, Г.Н., Наумчик, В.Д. Исследование нестационарных условий формирования оптического волокна// ИФЖ. — 1990. — Т.57, No.3. С.499-505.

187. Чостковский, Б. К., Юдашкин, А. А. Анализ частотных и временных характеристик сверхпроводящей линии передачи информации// Вестник Самарского государственного технического ун-та. Сер. «Технические науки». -1994.-Вып. 1.-С. 192-196.

188. Попов, М. Ф., Чостковский, Б. К., Юдашкин, А. А. Характеристики нерегулярного сверхпроводящего кабеля для цифровых систем передачи// Кабельная техника. 1995. — No. 7. — С. 11-14.

189. Корнев Ю.С., Филиппов Н.А., Юдашкин А.А. Адаптивный алгоритм локализации лиц на цветных фотографиях// Вестник Самарского государственного технического ун-та. Сер. «Технические науки». 2005. — Вып. 32. - С. 27-33.

190. Yudashkin, A. A topological approach to the pattern classification in neural networks// Proc. of 1996 IEEE Int. Conf. on Neural Networks, Washington, DC, USA, 3-6 June 1996 Washington, 1996. - V.3. - P. 1484-1487.

191. Юдашкин, А. А. Простой метод на основе принципа конкуренции для обнаружения движущейся цели// Вестник Самарского государственного технического ун-та. Сер. «Технические науки». 2004. - Вып. 24. - С. 19-23.