Модели и алгоритмы классификации состояний биоценозов на основе структурных свойств многомерных данных тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат наук Пожидаева, Анастасия Сергеевна

• Пожидаева, Анастасия Сергеевна
• кандидат наук
• 2015

Оглавление диссертации кандидат наук Пожидаева, Анастасия Сергеевна

ВВЕДЕНИЕ..............................................................................................................5

ГЛАВА 1. ОБЗОР СУЩЕСТВУЮЩИХ МЕТОДОВ КЛАССИФИКАЦИИ МНОГОМЕРНЫХ ДАННЫХ И ПОСТАНОВКА ЗАДАЧИ............................12

1.1. Статистический метод классификации многомерных данных............13

1.2. Возможность использования нечеткой логики для классификации многомерных данных........................................................................................17

1.3. Метод классификации многомерных данных, основанный на нейронных технологиях...................................................................................21

1.3.1 .Искусственный нейрон...........................................................21

1.3.2. Многослойный персептрон.....................................................22

1.3.3. Нейронная сеть Ворда............................................................24

1.3.4. Нейронная сеть Кохонена......................................................24

1.4. Робастный метод классификации многомерных данных.....................27

1.4.1 .Робастная регрессия..............................................................28

1.4.2. Знаковая регрессия..................................................................29

1.5 Необходимость разработки моделей и алгоритмов классификации состояний биоценозов на примере микробиоценоза желудочно-кишечного тракта человека..................................................................................................30

1.5.1 .Дисбиоз желудочно-кишечного тракта.................................30

1.5.2. Характеристика микрофлоры кишечника людей различного возраста...........................................................................................31

1.5.3. Выбор параметров оценки состояния биоценоза желудочно-кишечного тракта человека............................................................33

1.6 Выводы и постановка задачи...................................................................39

ГЛАВА 2. МОДЕЛИ ПРЕДСТАВЛЕНИЯ МНОГОМЕРНЫХ ДАННЫХ.....41

2.1. Структурно-статистическая модель представления многомерных данных................................................................................................................41

Метод проекций...............................................................................43

2.2. Нечеткая модель представления многомерных данных.......................48

2.2.1. Функции принадлежности......................................................49

2.2.2. Метод вычисления функции принадлежности применительно к задаче классификации многомерных данных................................54

2.3. Знаковая модель представления многомерных данных........................58

2.4. Выводы.......................................................................................................60

ГЛАВА 3. РАЗРАБОТКА АЛГОРИТМОВ КЛАССИФИКАЦИИ

СОСТОЯНИЙ БИОЦЕНОЗОВ............................................................................61

3.1. Алгоритм классификации, основанный на структурно-статистической модели представления многомерных данных................................................62

3.2. Алгоритм классификации, основанный на нечеткой модели представления многомерных данных.............................................................66

3.2.1. «Классический» алгоритм классификации состояний биоценозов........................................................................................66

3.2.2. Нечеткий алгоритм классификации состояний биоценозов. 68

3.3. Алгоритм классификации, основанный на знаковой модели представления многомерных данных.............................................................71

3.4. Выводы.......................................................................................................74

ГЛАВА 4. ПРАКТИЧЕСКАЯ РЕАЛИЗАЦИЯ РАЗРАБОТАННЫХ АЛГОРИТМОВ КЛАССИФИКАЦИИ...............................................................75

4.1. Экспериментальное исследование алгоритма классификации, основанного на структурно-статистической модели....................................75

4.2. Экспериментальное исследование алгоритма классификации, основанного на нечеткой модели....................................................................77

4.3. Экспериментальное исследование алгоритма классификации, основанного на знаковой модели....................................................................81

4.4. Классификация состояний микробиоценозов желудочно-кишечного тракта человека с использованием нейросетевых технологий....................84

4.5. Сравнительный анализ алгоритмов классификации.............................88

4.6. Описание программной реализации.......................................................90

4.7. Выводы.......................................................................................................92

ЗАКЛЮЧЕНИЕ.....................................................................................................93

БИБЛИОГРАФИЧЕСКИЙ СПИСОК.................................................................95

ПРИЛОЖЕНИЯ...................................................................................................109

Введение диссертации (часть автореферата) на тему «Модели и алгоритмы классификации состояний биоценозов на основе структурных свойств многомерных данных»

Актуальность темы. В настоящее время происходит становление общей теории классификации, которая является составной частью системного подхода к анализу объектов различной физической природы. Активно разрабатывается методология классификации и ее внедрение в практику анализа и синтеза биологических объектов. Особое внимание уделяется изучению биоценозов, которые представляют собой некоторую системно-организованную совокупность растений, животных или микроорганизмов, обитающих в определённой среде. Частным случаем биоценоза является микрофлора желудочно-кишечного тракта человека (ЖКТ). Это чувствительная индикаторная система, которая своими количественными и качественными изменениями реагирует на любые нарушения состояния здоровья макроорганизма. По состоянию ЖКТ, которое описывается совокупностью признаков, можно судить о здоровье человека. Основной задачей клинической практики является повышение точности диагноза, который сводится к классификации состояний ЖКТ, каждое из которых описывается совокупностью значений соответствующих признаков.

Большой вклад в решение проблемы классификации многомерных объектов, к которым относятся биоценозы, внесли как отечественные, так и зарубежные ученые: С.А. Айвазян, A.A. Большаков, Р.Н. Каримов, М. Дж. Кендалл, К. Танака, Т. Kohonen и другие. Их работы широко используются как в научных исследованиях многомерных данных, так и в задачах прикладного характера. Тем не менее, остается много нерешенных проблем, связанных с внедрением информационных технологий в практику медицинского обслуживания и повышения его эффективности.

В связи с этим не вызывает сомнений актуальность разработки моделей и основанных на них алгоритмов классификации состояний биоценозов и их внедрение в практику медицинского обслуживания.

Цель работы. Разработка и исследование моделей представления многомерных данных и построенных на их основе алгоритмов классификации состояний биоценозов.

Задачи. Для достижения поставленной цели требуется решение следующих задач:

- анализ научных публикаций по теме исследования;

- разработка и исследование моделей представления многомерных данных;

- разработка алгоритмов классификации состояний биоценозов, основанных на предложенных моделях;

- программная реализация разработанных алгоритмов классификации;

- применение полученных научных результатов на практике.

Методы исследования. Для решения поставленных задач применялись методы системного анализа, обработки многомерных данных, математической статистики и теории вероятностей.

Научная новизна.

1. Выявлены структурные свойства многомерных данных, позволившие расширить возможности использования скрытых параметров при решении задачи классификации состояний биоценозов на основе следующих моделей:

- структурно-статистическая модель представления многомерных данных;

- нечеткая модель представления многомерных данных;

- знаковая модель представления многомерных данных.

2. Разработаны новые алгоритмы классификации состояний биоценозов, а именно:

- алгоритм классификации на основе структурно-статистической модели, отличающийся от известных возможностью выбора критерия максимального правдоподобия;

- алгоритм классификации на основе нечеткой модели, отличающийся от известных предложенным методом вычисления характеристической функции принадлежности;

- модифицированный знаковый алгоритм классификации, позволяющий сохранить эффективность и обеспечить устойчивость к изменениям статистических характеристик многомерных данных.

Обоснованность и достоверность результатов диссертационной работы обеспечены корректным использованием современного математического аппарата и подтверждены результатами экспериментальных исследований на реальном примере.

Практическая значимость и внедрение. Практические результаты, полученные в ходе выполнения диссертационной работы, используются в лаборатории микробиома человека и средств его коррекции Федерального бюджетного учреждения науки Нижегородский научно-исследовательский институт эпидемиологии и микробиологии им. академика И.Н. Блохиной Роспотребнадзора и в учебном процессе при подготовке магистров по направлению «Информатика и вычислительная техника» по программе «Диагностические и информационно-поисковые системы» в Нижегородском государственном техническом университете им. Р.Е.Алексеева, что подтверждается актами о внедрении. Получены свидетельства о государственной регистрации программы для ЭВМ №2013612601 от 6 марта 2013 г. и №2015611346 от 28 января 2015г.

Результаты работы использованы в госбюджетной НИР (Отчет по НИР «Диагностирование биологических объектов с использованием современных

информационных технологий», Интернет-номер И131208225518 от 8.12.13 -Н.Новгород: НГТУ, выполненный в рамках НИОКР «Диагностические и информационно-поисковые системы» (Номер государственной регистрации 01201252337, Интернет-номер И111112195013, руководитель работы Ломакина Л.С.).

Публикация результатов. По теме диссертации опубликовано 15 работ, в том числе 3 работы в рецензируемых научных изданиях, рекомендуемых ВАК, 1 учебное пособие, 2 свидетельства о государственной регистрации программы для ЭВМ.

Апробация полученных результатов. Основные положения диссертации представлялись и докладывались на следующих научных конференциях:

- Международной молодежной конференции «Будущее технической науки» г. Н.Новгород, 2010 г., 2012 г., 2014 г.

- Международных научно-технических конференциях «Информационные системы и технологии» г.Н. Новгород, 2011 г., 2012 г., 2013 г., 2014 г.

- Нижегородской сессии молодых ученых (технические науки) г. Арзамас, 2012 г., 2013г.

- XVIII-th International Open Science Conference "Modern informatization problems in simulation and social technologies", Lorman, MS, USA, 2013y.

- VI Всероссийской научно-технической конференции «Нейроинфор-матика - 2013», г. Москва, 2013 г.

- XVII Международной научно-практической конференции «Системный анализ в проектировании и управлении», г. Санкт-Петербург, 2013г.

- II Международной научной Интернет-конференции «Математическое и компьютерное моделирование в биологии и химии. Перспективы развития», г. Казань, 2013г.

На региональном конкурсе научных работ среди аспирантов в 2013 году автор стал лауреатом стипендии имени академика Г.А. Разуваева.

Личный вклад автора. Личный вклад автора заключается в следующем:

- участие в постановке целей и задач исследования;

- построение моделей представления многомерных данных;

- разработка алгоритмов решения поставленных задач;

- участие в программной реализации алгоритмов;

- участие во внедрении созданного программного обеспечения.

Основные положения, выносимые на защиту.

1.1 Модели представления многомерных данных;

1.2 Модифицированный знаковый алгоритм, обеспечивающий устойчивость классификации при изменении характеристик многомерных данных;

1.3 Алгоритмы классификации состояний биоценозов и их программная реализация;

1.4 Результаты экспериментальных исследований.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка использованной литературы из 120 наименования, а также приложений. Общий объём работы 109 страниц текста, содержащего 32 рисунка и 5 таблиц.

Во введении дана общая характеристика работы, обоснована актуальность исследования, его объект и предмет, сформулирована цель исследования и его задачи.

В первой главе (Обзор существующих методов классификации многомерных данных и постановка задачи) приведен обзор и сравнительный анализ существующих методов классификации многомерных данных с указанием их достоинств и недостатков. Описаны особенности реализации методов классификации состояний биоценозов. Исследованы возможности использования статистических методов классификации, методов, основанных на использовании нейронных технологий и робастных методов, в частности обоснованы преимущества знаковых алгоритмов. Сформулирована постановка задачи. Отмечена ограниченность классических методов построения алгоритмов оптимальной классификации многомерных данных, которые требуют их априорного вероятностного описания

Во второй главе (Модели представления многомерных данных) приведено описание разработанных моделей представления многомерных данных.

В третьей главе (Разработка алгоритмов классификации состояний биоценозов) рассматриваются алгоритмы классификации состояний биоценозов, реализованные на основе моделей представления многомерных данных, рассмотренных в главе 2.

В четвертой главе (Практическая реализация разработанных алгоритмов классификации) проводится экспериментальное исследование эффективности алгоритмов, рассмотренных в главе 3.

В заключении изложены основные научные и практические результаты диссертационной работы.

Приложение содержит:

- Акт о внедрении результатов диссертационной работы в работу лаборатории микробиома человека и средств его коррекции ФБУН «Нижегородский научно-исследовательский институт эпидемиологии и микробиологии им. академика И.Н. Блохиной» Роспотребнадзора;

- Акт о внедрении результатов диссертационной работы в учебный процесс подготовки магистрантов направления «Информатика и вычислительная техника» по программе «Диагностические и информационно-поисковые системы» в Нижегородском государственном техническом университете им. P.E. Алексеева;

- Свидетельства о государственной регистрации программы для ЭВМ и баз данных.

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Пожидаева, Анастасия Сергеевна

Результаты вычислительных экспериментов показывают, что разработанные алгоритмы классификации состояний биоценозов обладают высокой эффективностью.

Эффективность алгоритма классификации, основанного на нечеткой модели представления многомерных данных составляет 80%.

Наиболее высокие результаты показал алгоритм классификации, основанный на структурно-статистической модели представления многомерных данных. Процент правильной классификации составляет 95,3%.

Алгоритм, основанный на знаковой модели представления многомерных данных обладает эффективностью 84%, однако он обладает устойчивостью к «тяжелым хвостам» и большим выбросам закона распределения априорных данных.

Таким образом, настоящая работа обладает большим потенциалом для дальнейшего исследования, как в области классификации состояний биоценозов вне проблемы диагностирования состояния микробиома желудочно-кишечного тракта человека, так и для решения более сложной задачи - диагностирования степени дисбиоза ЖКТ.

В ходе теоретических и экспериментальных исследований, выполненных в настоящей работе, были получены следующие научные и практические результаты:

1. Проведен анализ существующих методов классификации биологических объектов, выявлены их достоинства, недостатки и область применения.

2. Разработаны модели представления многомерных данных, позволившие расширить возможности использования скрытых параметров при решении задач классификации:

- структурно-статистическая модель представления многомерных данных;

- нечеткая модель представления многомерных данных;

- знаковая модель представления многомерных данных.

3. На базе разработанных моделей построены алгоритмы, которые позволили эффективно классифицировать состояния биоценозов.

4. Модифицирован знаковый алгоритм, сохраняющий эффективность и обеспечивающий устойчивость классификации состояний биоценозов при изменении статистических характеристик многомерных данных.

5. Выполнена программная реализация разработанных алгоритмов.

6. Результаты диссертационной работы внедрены в лаборатории микробиома человека и средств его коррекции Федерального бюджетного учреждения науки Нижегородский научно-исследовательский институт эпидемиологии и микробиологии им. академика И.Н. Блохиной Роспотребнадзора и учебный процесс подготовки магистров по направлению «Информатика и вычислительная техника» по программе «Диагностические и информационно-поисковые системы» в Нижегородском государственном техническом университете им. P.E. Алексеева.

Список литературы диссертационного исследования кандидат наук Пожидаева, Анастасия Сергеевна, 2015 год

1. Ту, Дж. Принципы распознавания образов [Текст] / Дж. Ту, Р. Гонсалес. -М.: Мир, 1978.-411 с.

2. Ялов, В.П. Методы и алгоритмы адаптивной нечёткой классификации сложных объектов: дис. ... канд. техн. наук: 05.13.18 [Текст] / Ялов Владимир Павлович. - Смоленск, 2002. - 167 с.

3. Вапник, В.Н. Теория распознавания образов [Текст] / В.Н. Вапник, А.Я. Червоненкис. - Издательство «Наука», Главная редакция физико-математической литературы, М., 1974. - 416 с.

4. Кобринский, Б.А. Ретроспективный анализ медицинских экспертных систем. [Текст] / Б.А. Кобринский // Новости искусственного интеллекта. -2005.-№2.-С. 6-17.

5. Кобринский, Б.А. PC-ориентированная информационно-диагностическая система по наследственной патологии у детей. [Текст] / Б.А. Кобринский, A.M. Кудрявцев, А.Е. Фельдман // Компьютер, хроника. - 1994. - № 8-9. -С. 31-37.

6. Подольная, М.А. Особенности проектирования медицинских диагностических систем [Текст] / М.А. Подольная, J1.H. Таперов // Программные продукты и системы. - 2002. - №3. - С.10-11.

7. Рангайан, P.M. Анализ биомедицинских сигналов. Практический подход [Текст] / P.M. Рангайан; пер. с англ. А.Н. Калиниченко, под. ред. А.П. Немирко. - М.: ФИЗМАТ ЛИТ, 2010. - 439 с.

8. Buchanan, Bruce G. Rule-Based Expert Systems: The MYCIN Experiments of the Stanford Heuristic Programming Project. / Bruce G. Buchanan, Edward H. Shortliffe. - Addison-Wesley Publishing Company. Reading, Massachusetts, 1984, ISBN 0-201-10172-6.

9. Diagnosis Pro. Free Online Differential Diagnostic Tool [Electronic resource], -24.10.2014. - Режим доступа: URL: http://en. diagnosispro.com, свободный.

10. Diagnoz-it [Electronic resource]. - 24.10.2014. - Режим доступа: URL: http://www.diagnozit.com, свободный.

11. VisualDX. Visual Diagnostic Decision Support System Tool [Electronic resource] 24.10.2014. - Режим доступа: URL: http://www.visual.com/ visualdxEnterprise/index.jsf, свободный.

12. Газарян, В. А. Эмпирическое восстановление математических моделей медицинской диагностики: дис. ... канд. физ.-мат. наук: 05.13.18 [Текст] / Газарян Варвара Арамовна. - Москва, 2013. - 150 с.

13. Пытьев, Ю.П. Возможность. Элементы теории и применения. [Текст] / Ю.П. Пытьев, - М.: Эдиториал УРСС, 2000. - 192 с.

14. Афифи, А. Статистический анализ. Пер. с англ. [Текст] / А. Афифи, С. Эйзенс - М.: Мир, 1982. - 488 с.

15. Каримов, Р.Н. Обработка экспериментальной информации. Уч. пособие. Многомерный анализ. Ч.З. [Текст] / Р.Н. Каримов. - Саратов, 2003.- 108 с.

16. Ким, Дж. Факторный, дискриминантный и кластерный анализ. Пер. с англ. [Текст] / Дж. Ким [и др.]. - М.: Финансы и статистика, 1989. - 215 с.

17. Айвазян, С.А. Прикладная статистика: Классификация и снижение размерности [Текст] / С.А. Айвазян [и др.]. - М.: Финансы и статистика, 1989. - 607 с.

18. Кендалл, М.Дж. Многомерный статистический анализ временных рядов. Пер. с англ. [Текст] / М.Дж. Кендалл, А. Стьюарт. - М.: Наука. 1976.-736 с.

19. Большаков, А. А. Методы обработки многомерных данных и временных рядов: Учебное пособие для вузов [Текст] / А.А. Большаков, Р.Н. Каримов. - М.: Горячая линия - Телеком, 2007. - 522 с.

20. Олдендерфер, М.С. Кластерный анализ. Факторный, дискриминантный и кластерный анализ [Текст] / М.С. Олдендерфер, Р.К. Блэшфилд. Под ред. Дж. О. Ким. - М.: Финансы и статистика, 1989. - 215 с.

21. Гублер, Е.В. Вычислительные методы анализа и распознавания патологических процессов. [Текст] / Е.В. Гублер. - JL: Медицина, 1978.-269 с.

22. Yuceer, С. A rotation, scaling and translation invariant pattern classification system / C. Yuceer, K. Olfazer // Pattern Récognition - 1993. - Vol. 26. -P. 687-710.

23. Zadeh, L. A. The concept of linguistic variable and its application to approximate reasoning. Part 1-3 / L.A. Zadeh // Information Sciences. - 1975. -Pp. 199-249.

24. Кофман, A. Введение в теорию нечетких множеств. [Текст] / А. Кофман. - М.: Радио и связь, 1982.

25. Zadeh, L.A. Fuzzy Sets / L.A. Zadeh // Information and Control. - 1965. -V. 8.-P. 338-353.

26. Заде, JI.A. Размытые множества и их применение в распознавании образов и кластер-анализе [Текст] / JI.A. Заде // В кн.: Классификация и кластер. -М.: Мир, 1980. С. 208-247.

27. Нечеткие множества в моделях управления и искусственного интеллекта [Текст] / Под. ред. Д.А. Поспелова. - М.: Наука, 1986.

28. Блишун, А.Ф. Обоснование операций теории нечетких множеств [Текст] / А.Ф. Блишун, Ю.С. Знатнов // Сб. науч. тр. «Нетрадиционные модели и системы с нечеткими знаниями». - М.: Энергоиздат, 1991. С. 21-23.

29. Мелихов, А.Н. Ситуационные советующие системы с нечеткой логикой. [Текст] / А.Н. Мелихов, Л.С. Бернштейн, С.Я. Коровин -М.: Наука, 1990.

30. Нечеткие множества и теория возможностей. Последние достижения: Пер. с англ. [Текст] / Под ред. P.P. Ягеря. - М.: Радио и связь, 1986. - 408 с.

31. Bezdek, J.С. Fuzzy Models for Pattern Recognition. / J.C. Bezdek, S.K. Pal, (red.). - IEEE, New York, 1992.

32. Cox, E. The Fuzzy Systems Handbook. / E. Cox. - Academic Press, London, 1994.

33. Dubois, D. Fuzzy Sets and Systems: Theory and Applications. / D. Dubois, H. Prade, - Academic Press, San Diego, 1980.

34. Klir, G.J. Fuzzy Sets, Uncertainly and Information. / G.J. Klir, T.A. Folger. - Prentice Hall, Englewood Cliffs, 1988.

35. Kruse, R. Foundations of Fuzzy Systems. / R. Kruse, J. Gebhardt, R. Klawonn. - John Wiley, Chichester, 1994.

36. Terano, T. Fuzzy Systems Theory and its Applications. / T. Terano, K. Asai, M. Sugeno, - Academic Press, London, 1992.

37. Yan, J. Using Fuzzy Logic. / J. Yan, M. Ryan, J. Power, - Prentice Hall, London, 1994.

38. Zimmermann, H.J. Fuzzy Set Theory. / H.J. Zimmermann - Kluwer Academic Publishers, Boston//Dordrecht/London, 1994.

39. Борисов, B.B. Нечеткие модели и сети [Текст] / В.В. Борисов, В.В. Круглов, А.С. Федулов. - М.: Горячая линия - Телеком, 2007. - 284 с.

40. Castro, J.L. Fuzzy logic controllers are universal approximators / J.L. Castro // IEEE Transactions on Systems, Man and Cybernetics. Part B: Cybernetics. -1995.-V.25.-P. 629-635.

41. Kosko, B. Fuzzy systems as universal approximators / B. Kosko // IEEE Trans. Computers. - 1994. - Vol.43. - P. 1329-1333.

42. Wang, L.X. Fuzzy systems are universal approximators / L.X. Wang // Proc. of the IEEE Int. Conf. on Fuzzy Systems, San Diego. - 1992. - P. 1163-1169.

43. Ying, H. Sufficient conditions on uniform approximation of multivariate function by general Takagi-Sugeno fuzzy systems with linear rule consequents / H. Ying / IEEE Transactions on Systems, Man and Cybernetics. Part A. - 1998. -Vol. 28. - No.4. - P. 515-520.

44. Zeng, X.J. Approximation theory of fuzzy systems - MIMO case / X.J. Zeng, M.G. Singh // IEEE Trans. Fuzzy Systems. - 1995. - Vol. 3. - No. 2. - P. 219-235.

45. Ефимов, A.C. Методы структурно-параметрического синтеза адаптивных нечётких систем на основе эмпирических данных: дис. ... канд. техн. наук: 05.13.01 [Текст] / Ефимов Антон Сергеевич. - Н.Новгород, 2011. - 149 с.

46. Нариньяни, А.С. НЕ-факторы и инженерия знаний: от наивной формализации к естественной прагматике [Текст] /А.С. Нариньяни // Труды IV Национальной конференции «Искусственный Интеллект-94», Рыбинск, 1994.-Т. 1, С. 9-18.

47. Ежов, А.А. Нейрокомпьютинг и его применения в экономике и бизнесе [Текст] / А.А. Ежов, С.А. Шумский. - М., 1998. - 222 с.

48. Стародубцева, JI.B. Прогнозирование, донозологическая и дифференциальная диагностика мочекаменной болезни: дис. ... канд. техн. наук: 05.13.01 [Текст] / Стародубцева Лилия Викторовна. - Курск, 2009. - 132 с.

49. Осовский, С. Нейронные сети для обработки информации. [Текст] / С. Осовский / Пер. с польского Рудинского Л.Д. М.: Финансы и статистика. 2002. - 344с.

50. Negoita, C.N. Expert Systems and Fuzzy Systems. The Benjamin / C.N. Negoita. - Cammings Publishing Co., Menio Park, CA, 1985.

51. Заде, Л.А. Понятие лингвистической переменной и ее применение к принятию приближенных решений. [Текст] / Л.А. Заде. - М.: Мир, 1976. - 312 с.

52. Мелихов, А.Н. Расплывчатые ситуационные модели принятия решений [Текст] / А.Н. Мелихов, Л.С. Берштейн, С.Я. Коровин // Учеб. пособие, Таганрог: ТРТИ, 1986. - 211 с.

53. Ринке, Д.Б. Эвристический подход к обобщенному календарному планированию производства с использованием лингвистических переменных: Методология и применение [Текст] // в кн.: Нечеткие множества и теория возможностей. Последние достижения: Пер. с англ. / Под. ред. Ягера P.P. - М.: Радио и связь, 1986. - 408 с.

54. Леоненков A.B. Нечеткое моделирование в среде MATLAB и fuzzy TECH [Текст] / A.B. Леоненков. - С.Пб.: БХВ-Петербург, 2005. - 736 с.

55. Рутковская, Д. Нейронные сети, генетические алгоритмы и нечеткие системы [Текст] / Д. Рутковская, М. Пилиньский, Л. Рутковский; пер. с польск. И.Д. Рудинского. - Горячая линия - Телеком, 2006. - 452 с.

56. Кореневский, H.A. Проектирование систем принятия решений на нечетких сетевых моделях в задачах медицинской диагностики и прогнозирования [Текст] / H.A. Кореневский // Телеклммуникации, № 6. 2006. С. 25-31.

57. Танака, К. Итоги рассмотрения факторов неопределенности и неясности в инженерном искусстве [Текст] / К. Танака // в кн.: Нечеткие

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

58. Усков, A.A. Интеллектуальные технологии управления. Искусственные нейронные сети и нечеткая логика [Текст] / A.A. Усков, A.B. Кузьмин. - М.: Горячая линия - Телеком, 2004. 143 с.

59. Место нечетких систем в теории управления [Электронный ресурс]. -20.03.2014. - Режим доступа: http://www.zdo.vstu.edu.ru, свободный.

60. Shortliffe, E.H. Computer-based medical consultations: MYCIN. / E.H. Shortliffe - Elsevier North Holland Inc. - 1976.

61. Hammond, P. The RaPiD Project: knowledge-based design of dental prostheses / P. Hammond, J.C. Davenport, F.J. Fitzpatrick et al. // Expert Systems with Applications. - 1995. - Vol. 9, №2.

62. Stephens. C.D. The development and validation of an orthodontic expert system / C.D. Stephens, N. Mackin, J.H. Sims-Williams // Br J Orthodontics. -1996.-Vol. 23.-P. 1-9.

63. Bozinovski, S. MEXYS: an expert system for psychiatric diagnosis based on the MMPI / S. Bozinovski, L. Jankovski, M. Naumova // Proc. MELECON'85. -Mediterranian Electrotechn. Conf. Madrid, Oct. 1985. Vol. 1. - Amsterdam. -1985.-P. 243-246.

64. Mulsant, B. Knowledge-engineering: a daily activity on a hospital ward / B. Mulsant, D. Servan-Scheiber // Comput Biomed Res. - 1984. - Vol. 17. -P. 71-91.

65. Heiser, J.F. Progress report: a computerized psychopharmacology advisor / J.F. Heiser, R.E. Brooks, G.P. Ballard // Proc. 11th Colloq. Intern. Psychopharmacol. - Vienna. - 1978.

66. Kinney, E.L. Expert system detection of drug interactions: results in consecutive inpatients / E.L. Kinney // Comput Biomed Res. - 1986. - Vol. 19, №5.-P. 462-467.

67. Rosenblatt, F. On the Convergence of Reinforcement Procedures in Simple Perceptrons. / F. Rosenblatt. - Cornell Aeronautical Laboratory Report VG-1196-G-4, Buffalo, NY, Feb. 1960.

68. Горбань, А.Н. Нейроинформатика [Текст] / В.JI. Дунин-Барковский, А.Н. Киридин и др. - Новосибирск: Наука. Сибирское предприятие РАН, 1998.-296 с.

69. Горбань, А.Н. Обобщенная аппроксимационная теорема и вычислительные возможности нейронных сетей. [Текст] / А.Н. Горбань // Сибирский журнал вычислительной математики, 1998, т. 1, № 1. - С. 12-24.

70. Репин, А.И. Диагностика информационной подсистемы АСУТП ТЭЦ с использованием технологий искусственного интеллекта: дис. ... канд. техн. наук: 05.13.06 [Текст] / Репин Андрей Иванович. - Москва, 2005. - 170 с.

71. Уоссермен, Ф. Нейрокомпьютерная техника. [Текст] / Ф. Уоссермен -М.: Мир, 1992.

72. Горелик, А.Л. Методы распознавания. [Текст] / А.Л. Горелик, В.А Скрипкин - М.: Высш. шк., 1984. - 219 с.

73. Bishop, С.М. Neural networks and Pattern Recognition. / C.M. Bishop. -Oxford Press, 1995.

74. Копытов, E. Особенности диагностических систем с элементами искусственного интеллекта. [Текст] / Е. Копытов, В. Лабендик, Н. Кабелев Computer Modeling & New Technologies, 2001, Volume 5, №1, 119-123.

75. Fausett, L.V. Fundamentals of Neural Networks: Architectures, Algorithms and Applications. / L.V. Fausett - Prentice Hall, 1994.

76. Шулакова, М.А. Информационная поддержка принятия решений при диагностике артериальной гипертонии на основе методов гибридного интеллекта: дис. ... канд. техн. наук: 05.13.01 [Текст] / Шулакова Марина Алексеевна. - Воронеж, 2012.- 129 с.

77. Kohonen, Т. Self-organization and Associative Memory. / Т. Kohonen. -Berlin: Springier-Verlag, 1989.

78. Портал искусственного интеллекта [Электронный ресурс]. -19.03.2014. - Режим доступа: http://neuronus.com, свободный.

79. Floyd, С.Е. Jr. Prediction of breast cancer malignancy using an artificial neural network / С. E. Jr. Floyd, J. Y. Lo, A. J. Yun, et al // Cancer. - 1994. - V. 74, № 11.-P. 2944-2948.

80. Sweeney, J.W.P. Probabilistic Neural Network as Chromosome Classifier / J.W.P. Sweeney, M.T. Musavi, J.N. Guidi // Proseedings of 1993 International Joint Conference on Neural Networks, Nagoya, Japan, October 25-29, 1993. -Nagoya, 1993. - V.l. - P. 935-938.

81. Россиев, Д. А. Нейросетевая классификация больных вирусными гепатитами В по величине иммунологических параметров крови и активности метаболизма ферментов лимфоцитов [Текст] / Д.А. Россиев, А.А. Савченко, Н.А. Шакина // Вестник новых медицинских технологий. 1998. -Т.5, №2. - С. 102-105.

82. Ozyilmaz, L. Artificial Neural Networks for Diagnostics of Hepatitis Disease / L. Ozyilmaz, T. Yildirim - Neural Networks, 2003. Proceedings of the International Joint Conference. July 20-24, 2003. - 2003. - V.l. - P. 586-589. -ISBN 0-7803-7898-9.

83. Dragulescu, A. Prognosis and Diagnosis in Hepatitis С using Expert Systems and Statistical Analyses / A. Dragulescu, A. Albu, C. Gavriluta, S. Filip,

К. Menyhardt. - SACI 2006. 3rd Romanian-Hungarian Join Symposium on Applied Computational Intelligence. - Timisoara, Romania, May 25-26, 2006.

84. Артюхин, B.B. Нейросетевая система диагностики вирусного гепатита: дис. ... канд. техн. наук: 05.11.17 [Текст] / Артюхин Василий Валерьевич. -Пенза, 2007. - 173 с.

85. Okamoto, Y. Study on decision support system for the interpretation of laboratory data by an artificial neural network / Y. Okamoto, H. Nakano, M. Yoshikawa, et al // Rinsho. Byori. - 1994. - V. 42, № 2. - P. 195-199.

86. Maclin, P. S. Using an artificial neural network to diagnose hepatic masses / P. S. Maclin, J. Dempsey // J. Med. Syst. - 1992. - V.16, №5. - P. 215-225.

87. Rinast, E. Neural network approach for computer-assisted interpretation of ultrasound images of the gallbladder / E. Rinast, R. binder, H.D. Weiss // Eur. J. Radiol. - 1993. - V. 17, № 3. - P. 175-178.

88. Modai, I. Clinical decisions for psychiatric inpatients and their evaluation by a trained neural network /1. Modai, M. Stoler, N. Inbar-Saban, et al // Methods Inf. Med. - 1993. - V. 32, № 5. - P. 396-399.

89. Хьюбер, П. Робастность в статистике [Текст] / П. Хьюбер. - М.: Мир, 1984.-304 с.

90. Мостеллер, Ф. Анализ данных и регрессия [Текст] / Ф. Мостеллер, Дж. Тьюки. // Вып. 1, 2. - М: Финансы и статистика, 1982. - 317 е.; 239 с.

91. Болдин, М.В. Знаковый статистический анализ линейных моделей [Текст] / М.В. Болдин, Г.И. Симонова, Ю.Н. Тюрин. - М.: Наука. Физматлит, 1997.-288 с.

92. Хампель, Ф. Робастность в статистике. Подход на основе функции влияния [Текст] / Ф. Хампель, Э. Рончетти, П. Рауссеу, В. Штаэль. - М.: Мир, 1989.-512 с.

93. Устойчивые статистические методы оценки данных [Текст] / Под. ред. P.JI. Лорнера, Г.Н. Уилкинсона. - М.: Машиностроение, 1984. - 232 с.

94. Шурыгин, A.M. Прикладная стохастика: робастность, оценивание, прогноз [Текст] / A.M. Шурыгин. - М.: Финансы и статистика, 2000. - 224 с.

95. Hubert, М. Theory and Applications of Resent Robust Methods, Statistics for Industry and Technology / M. Hubert, G. Pison, A. Struyf and S. Van Aelst. -Basel: Birkhauser, 2004. - 400 p.

96. Поляк Б.Т., Щербаков П.С. Робастная устойчивость и управление [Текст] / Т.Б. Поляк, П.С. Щербаков. - М.: Наука, 2002. - 303 с.

97. Леман, Э. теория точечного оценивания [Текст] / Э. Леман. - М.: Наука. Физматлит, 1991. - 448 с.

98. Rey, W.J.Jr. Robust Statistical Methods / W.J.Jr. Rey. - Lecture Notes in Mathematics. - 1978. - № 690. - 128 p.

99. Тырсин, A.H. Робастная параметрическая идентификация моделей диагностики на основе обобщенного метода наименьших модулей: дис. ... докт. техн. наук: 05.13.18 [Текст] / Тырсин Александр Николаевич. -Челябинск, 2007. -310 с.

100. Каримов, Р.Н. Знаковый метод оценки статистических характеристик объектов в системах управления [Текст] / Р.Н. Каримов, Д.П. Усов // Вопросы преобразовательной техники и частотного электропривода: Межвуз. научн. сб. Сарат. госуд. техн. ун-т, 2000. С. 33-38.

101. Кендалл, М. Дж., Стьюарт А. Статистические выводы и связи. [Текст] / М. Дж. Кендалл, А. Стьюарт - М.: Наука, 1973. - 899 с.

102. Дисбиоз кишечника. Руководство по диагностике и лечению. - 2-е изд., испр. и доп. [Текст] / под ред. Е.И. Ткаченко, А.Н. Суворова. СПб: ИнформМед, 2009. - 276 с.

103. Отраслевой стандарт ОСТ 91500.11.0004-2003 «Протокол ведения больных. Дисбактериоз кишечника» (утв. Приказом Минздрава РФ от 9 июня 2003 г. № 321).

104. Соловьева, И.В. Микроэкологические основы коррекции «дисбиозной» микробиоты человека: дис. ... докт. биол. наук: 03.02.08 [Текст] / Соловьева Ирина Владленовна. - Н.Новгород, 2013. - 396 с.

105. Пожидаева, A.C. Модели и алгоритмы диагностирования состояний биоценоза на основе априорных статистических данных [Текст] / JI.C. Ломакина, И.В. Соловьева, С.А. Зеленцов, A.C. Пожидаева // Журнал «Научно-технический вестник Поволжья». -Казань -2013. - №5. - с. 251-255.

106. Федоткин, М.А. Основы прикладной теории вероятностей и статистики: Учебник [Текст] / М.А. Федоткин. - М.: Высшая школа, 2006. - 368 с.

107. Пожидаева, A.C. Вероятность. Информация. Классификация. [Текст] : учеб. пособие. [Текст] / Д.В. Ломакин, Л.С. Ломакина, A.C. Пожидаева. -Н.Новгород: НГТУ, 2014.- 128 с.

108. Пожидаева, A.C. Знаковый алгоритм классификации состояний биоценоза [Электронный ресурс] / Л.С. Ломакина, Д.В. Ломакин, И.Д. Блажнов, A.C. Пожидаева // Журнал «Современные проблемы науки и образования». - 2015. - 29.03.2014. - Режим доступа: http://www.science-education.ru/121-18207, свободный.

109. Пожидаева, A.C. Статистический метод анализа состояний биоценоза [Текст] / A.C. Пожидаева, С.А. Зеленцов // Материалы конференции «XVIII Нижегородская сессия молодых ученых. Технические науки», 19-22 марта 2013 г. - Н.Новгород: НИУ РАНХиГС, 2013.-е. 104-106.

110. Пожидаева, A.C. Классификация состояний биоценоза на основе статистических данных [Текст] / Д.В. Ломакин, С.А. Зеленцов, A.C. Пожидаева// Материалы международной научно-технической

106

конференции «Информационные системы и технологии (ИСТ-2014)»,18 апреля 2014 г. - Н.Новгород: НГТУ, 2013,- с.335.

111. Пожидаева, A.C. Классификация состояний биоценоза на основе априорных структурных свойств [Текст] / Д.В. Ломакин, С.А. Зеленцов, A.C. Пожидаева // Труды XVII Международной научно-практической конференции «Системный анализ в проектировании и управлении», 1 -3 июля 2013 г. - Санкт-Петербург: СПб. ГПУ, 2013. - с. 150-152.

112. Пожидаева, A.C. Автоматизированная система классификации состояний биоценоза для целей диагностирования [Текст] / Л.С. Ломакина, И.В. Соловьева, С.А. Зеленцов, A.C. Пожидаева // Материалы II Международной научной Интернет-конференции «Математическое и компьютерное моделирование в биологии и химии. Перспективы развития», 24 сентября 2013г. - Казань: ИП Синяев Д.Н., 2013. - с. 111-113.

113. Пожидаева, A.C. Информационные технологии диагностирования состояний биоценоза [Текст] / С.А. Зеленцов, A.C. Пожидаева, O.K. Канев и др. // Материалы XIII Международной научно-технической конференции «Будущее технической науки», 23 мая 2014 г. - Н.Новгород: НГТУ, 2014. - с. 50-51.

114. Пожидаева, A.C. Анализ и алгоритм диагностики дисбиозов с использованием нейронных сетей [Текст] / A.C. Пожидаева // Труды VI Всероссийской научно-технической конференции "Нейроинформатика-2013", 21-25 января 2013 г. - М.: НИЯУ МИФИ, 2013. - с.190-196.

115. Pozhidaeva, A.S. Diagnostics of dysbioses using modern informational technologies / A.S. Pozhidaeva // Proceedings of the XVIII-th International Open Science Conference "Modern informatization problems in simulation and social technologies", January 2013y. - Lorman, MS, USA: Science Book Publishing House, 2013.-p. 229-231.

116. Пожидаева, A.C. Классификация состояний биоценоза на основе нейросетевых технологий [Текст] / J1.C. Ломакина, A.C. Пожидаева, Я.П. Губернаторов//Журнал «Вестник Нижегородского государственного университета». - Нижний Новгород - 2014. - №3(1). - с. 134-138.

117. Пожидаева, A.C. Диагностирование медико-биологических объектов на основе нейросетевого моделирования [Текст] / Я.П. Губернаторов, A.C. Пожидаева, Л.С. Ломакина // Материалы международной научно-технической конференции «Информационные системы и технологии (ИСТ-2014)», 17 апреля 2014 г. - Н.Новгород: НГТУ, 2014. - с. 411.

118. Пожидаева, A.C. Автоматизированная система классификации состояния микрофлоры желудочно-кишечного тракта / Л.С. Ломакина, Д.В. Ломакин, И.В. Соловьева, С.А. Зеленцов, A.C. Пожидаева // Свидетельство о государственной регистрации программы для ЭВМ № 2013612601. Зарегистрировано в Реестре программ для ЭВМ Федеральной службы по интеллектуальной собственности РФ (Роспатент) от 06 марта 2013 г.

119. Ломакина, Л.С. Программа классификации состояний биоценозов с использованием знаковых алгоритмов / Л.С. Ломакина, Д.В. Ломакин, И.Д. Блажнов, A.C. Пожидаева // Свидетельство о государственной регистрации программы для ЭВМ № 2015611346. Зарегистрировано в Реестре программ для ЭВМ Федеральной службы по интеллектуальной собственности РФ (Роспатент) от 28 января 2015 г.

120. Ломакин, Д.В. Автоматизтрованная система микробиологического мониторинга микробиоценозов желудочно-кишечного тракта (ЖКТ) № 2011614233 от 30.05.2011 г. / Д.В. Ломакин и др. // Свидетельство о государственной регистрации программы для ЭВМ № 20116142333. Зарегистрировано в Реестре программ для ЭВМ Федеральной службы по интеллектуальной собственности РФ (Роспатент) от 30 мая 2011 г.