Модели и методы выявления закономерностей в информационном потоке на примере рукописного текста с целью установления его авторства тема диссертации и автореферата по ВАК РФ 05.25.05, кандидат наук Шаталов, Андрей Александрович

  • Шаталов, Андрей Александрович
  • кандидат науккандидат наук
  • 2015, Старый Оскол
  • Специальность ВАК РФ05.25.05
  • Количество страниц 169
Шаталов, Андрей Александрович. Модели и методы выявления закономерностей в информационном потоке на примере рукописного текста с целью установления его авторства: дис. кандидат наук: 05.25.05 - Информационные системы и процессы, правовые аспекты информатики. Старый Оскол. 2015. 169 с.

Оглавление диссертации кандидат наук Шаталов, Андрей Александрович

СОДЕРЖАНИЕ

ВВЕДЕНИЕ

ГЛАВА 1 Анализ существующих методов в почерковедческой экспертизе

1.1 Характеристика задачи выявления автора неизвестного почерка и основные подходы к ее решению

1.2 Информационные методы для решения задачи выявления автора неизвестного почерка

1.3 Искусственный интеллект в задачах экспертизы почерка

1.4 Иммунносетевой аппарат в задачах интеллектуальной обработки данных

1.5 Выводы и постановка задачи диссертационного исследования

ГЛАВА 2 Исследование характеристик и параметров искусственных иммунных сетей для решения задачи выявления закономерностей в информационном потоке рукописного текста с целью определения его авторства

2.1 Особенности иммунной системы

2.2 Общая модель искусственной иммунной системы в приложении решаемой задачи

2.3 Анализ процедуры клонального отбора CLONALG

2.4 Анализ и реализация процедуры искусственных иммунных сетей AINet в приложении к решению задачи исследования

2.5 Теория опасности в решении задачи анализа информационного потока рукописного текста

2.5.1 Метрика аномальности

2.6 Создание выборки для проведения экспериментального тестирования

2.7 Реализация и опытное тестирование иммунных методов

2.7.1 Подготовка и описание экспериментов

2.7.2 Результаты опытного тестирования процедуры CLONALG

2.7.3 Выводы о применении CLONALG для решения поставленной задачи

2.7.4 Опытное тестирование процедуры AINet

2.7.5 Выводы о применении процедуры AINet

2.7.6 Опытное тестирование процедуры DCA, на примере решения задачи сегментации

2.8 Выводы о результатах анализа применимости иммунных процедур к решению задачи выявления закономерностей в информационном потоке рукописного текста с целью определения его авторства

ГЛАВА 3 Разработка метода и процедуры для решения задачи выявления закономерностей в информационном потоке рукописного текста

3.1 Разработка метода и построение процедуры для решения задачи выявления закономерностей в информационном потоке рукописного текста

3.2 Разработка архитектуры информационной системы на основе разработанной процедуры мультиклональной селекции - программы "HWChecker"

3.2.1 Разработка интерфейса информационной системы

3.3 Выбор языка программирования

3.4 Организация функционирования разработанной информационной системы для анализа информационного потока рукописного почерка

3.4.1 UML диаграмма классов и описание функциональных модулей информационной системы для анализа информационного потока рукописного почерка

3.4.2 Функциональные возможности разработанной информационной системы определения автора неизвестного рукописного почерка «HWChecker»

3.5 Создание базы данных

3.6 Разработка вспомогательной программы для тестирования иммунных процедур «Imalga»

ГЛАВА 4 Исследование эффективности разработанной процедуры мультиклональной селекции в решении задачи выявления закономерностей в

информационном потоке рукописного текста

4.1 Калибровка констант, используемых в аналитической модели иммунной процедуры мультиклональной селекции

4.2 Подготовка и описание экспериментов

4.3 Оценка общей эффективности разработанного метода мультиклональной селекции

ЗАКЛЮЧЕНИЕ

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

Приложение А Современная классификация признаков почерка

Приложение Б Примеры образцов неизвестного почерка

Приложение В Визуализация результатов анализа информационного потока рукописного текста

Приложение Г Копии свидетельств о регистрации программ для ЭВМ

Приложение Д Результаты экспериментального тестирования метода мультиклональной селекции

Приложение Е Акт об использовании результатов исследования

Рекомендованный список диссертаций по специальности «Информационные системы и процессы, правовые аспекты информатики», 05.25.05 шифр ВАК

Введение диссертации (часть автореферата) на тему «Модели и методы выявления закономерностей в информационном потоке на примере рукописного текста с целью установления его авторства»

ВВЕДЕНИЕ

Актуальность темы диссертационного исследования. "Экспертиза почерка является одной из самых распространенных и в то же время наиболее сложных и спорных в плане объективности результатов. На экспертизы данного вида приходится наибольшее количество вероятных выводов, а также выводов о невозможности решения поставленных перед экспертами вопросов" [1].

Основная цель экспертизы почерка - определение исполнителя неизвестной рукописи. Объектом экспертизы почерка является система «человек - почерк -рукопись».

В ходе экспертизы рукописного почерка решаются вопросы, касающиеся авторства, условий исполнения рукописей, целевой установки пишущего (подделка или искажение почерка), свойств его личности и признаков внешности (пол, возраст, состояние опьянения). От эксперта требуется разносторонний подход, умение логически осмысливать и сопоставлять большое количество фактов, правильно применять и выбирать необходимые средства и методы исследования, оценивать их результаты, как в отдельности, так и в совокупности [2]. Высокая вариативность текста, как информационного потока, была освящена Громовым Ю.Ю. и др. в работах [3] и [4].

Одной из наиболее существенных проблем в судебном почерковедении являются экспертные ошибки. [5] "Это объясняется сложностью объекта исследования: формирование почерка зависит от многочисленных факторов - как психофизиологических свойств пишущего, особенностей обучения письму, так и различных эпизодических условий внутреннего и внешнего характера. При производстве почерковедческих экспертиз решаются разнообразные задачи. Возможность ошибок в выводах в большей степени зависит от их сложности" [6]. Актуальность данной проблемы на сегодняшний день подтверждает исследование, проведенное Аубакировой A.A. в работе [7]. Исходя из той же работы, полностью исключить экспертные ошибки не представляется возможным

по ряду причин. Такими причинами, например, являются недостаточность знаний эксперта и его банальное утомление. Устранить первую причину возможно с помощью более тщательной подготовки экспертов. А разгрузить эксперта помогло бы внедрение в его практику новых методов, позволяющих проводить основную часть работы на ЭВМ. Кроме того, предлагаемый вариант решения второй проблемы мог бы решить и первую. Правильно спроектированная программная система выступала бы в роли эксперта-советчика и могла бы снизить необходимую планку качества подготовки экспертов. Очевидно, что разработка таких систем и методов выглядит более привлекательно, чем дорогостоящая подготовка специалиста.

Согласно информации, представленной в публикации [8] административно законодательная база все еще не принимает результат работы программных систем, предназначенных для помощи эксперту в качестве доказательной базы, вынуждая его обосновывать свои выводы с позиции классических подходов в экспертизе почерка.

Исходя из данных, приведенных в статье [9], в Российской Федерации все еще наблюдается рост бумажного документооборота. Этот факт косвенно говорит об актуальности эффективного проведения почерковедческих экспертиз с целью повышения безопасности и пресечения противоправных действий, а значит, требует разработки эффективных средств анализа и обработки бумажных документов, в том числе и почерковых объектов на них. Анализ, проведенный в статье [10] подтверждает эти данные и указывает на необходимость разработки новых систем и методов, предназначенных для комплексного проведения почерковедческой экспертизы и использующих мощности современных ЭВМ.

В работе ученых-почерковедов уделяется достаточно много внимания изучению различных аспектов почерка, и на их основе разрабатываются новые методики для проведения почерковедческих экспертиз. Но все они в той или иной степени базируются на уже существующих подходах, которые достаточно подробно описаны в работе. [11] Из данной работы можно сделать вывод, что последние фундаментальные исследования в области экспертизы почерка

производились в 60х годах прошлого века. Авторы ряда работ [11] [12] [13] ссылаются на снижение адекватности проведения почерковедческих экспертиз в связи с тем, что применяемые методы были разработаны на основании уже не актуальных особенностей письма, и в настоящее время требуют доработки, или необходима разработка новых методов для интеллектуального анализа почерковых объектов. По словам Мальцева В.Н., «анализ экспертной, следственной и судебной работы показывает, что не теряют своей актуальности вопросы применения новых и нетрадиционных методов исследования как самим субъектом расследования, так и приглашаемыми им специалистами-криминалистами...» [14].

Высокая степень субъективности оценки результатов анализа информационного потока рукописного текста, обусловленная физическим состоянием и опытом эксперта, а также отсутствие эффективных методов, позволяющих производить автоматический анализ почерковых данных, что крайне затрудняет обработку больших почерковых баз, говорят о необходимости разработки и внедрения новых методов автоматического анализа почерковых данных, использующих мощность и точность современных вычислительных средств, а также подтверждают актуальность диссертационного исследования.

Степень научной разработанности темы исследования. В отечественной науке наиболее значимые результаты в области интеллектуального анализа и поиска скрытых закономерностей информационных потоков были получены учеными: Комаровым A.C., Куликом С.Д., Мальцевым В.Н., Ланцманом P.M., Хомяковым Э.Г. и др. Отдельные вопросы в области анализа почерка были рассмотрены Кучугановым A.B., Павловым Ю.Н., Романовым A.C., Громовым Ю.Ю. и др. В зарубежной науке проблемами интеллектуального анализа текста занимались D. Dasgupta, А. К. Muda, В Huang.

Практической проблемой является влияние на объективность экспертной оценки результатов анализа почерка таких субъективных факторов, как опыт эксперта и его физическое состояние, и как следствие - низкая скорость обработки больших массивов информации.

Практическая задача состоит в повышении объективности экспертной оценки результатов анализа почерка и увеличении скорости экспертизы в условиях обработки больших массивов информации.

Научная задача заключается в создании эффективных алгоритмизируемых методов и процедур, пригодных для автоматического анализа информационного потока в виде почерковых данных.

Объект исследования: информационный поток со скрытыми закономерностями.

Предмет исследования: методы выявления закономерностей в информационном потоке рукописного текста.

Цель и задачи. Целью диссертационной работы является повышение эффективности процедуры выявления закономерностей в информационном потоке на основе разработанного иммунного метода мультиклональной селекции. Для достижения поставленной цели были решены задачи:

• проведен анализ существующих методов и подходов к решению проблем исследования и произведена оценка применимости аппарата искусственных иммунных систем к решению задачи выявления закономерностей в информационном потоке;

• разработан метод и процедурная модель для выявления автора неизвестного почерка, на основе результатов анализа разновидностей иммунных процедур;

• разработана структурная схема информационной системы на основе полученной процедурной модели, позволяющей решать задачу выявления закономерностей в информационном потоке рукописного текста . с целью определения его авторства;

• произведено опытное тестирование разработанного метода и оценена его эффективность по критериям оперативности, достоверности и ресурсоемкости.

Научная новизна результатов диссертационной работы, выносимых на защиту:

1. Впервые для анализа почерка предложен метод на основе аппарата искусственных иммунных сетей, отличающийся скоростью анализа и качеством сходимости результатов, за счет наличия механизма выявления патологий иммунной системой живого организма, способного проводить мультипараллельный многоэкстремальный анализ данных в условиях высокой энтропии.

2. Предложен метод мультиклональной селекции, отличающийся механизмом одновременного анализа всех образцов неизвестного почерка, и предоставляющий выборку вероятных авторов с информацией о сделанном заключении анализа.

3. Разработана процедурная модель, отличающаяся наличием оператора для автоматического определения оптимального количества антител, и наличием оператора анализа динамики изменения аффинности всей иммунной сети, а также остановки процедуры.

4. На основе разработанного метода мультиклональной селекции предложена функциональная схема информационной системы для анализа информационного потока рукописного текста.

Практическая значимость работы заключается в предложенной концепции создания информационной системы, реализующей разработанный метод мультиклональной селекции, предназначенной для решения задачи выявления закономерностей в информационном потоке рукописного текста с целью определения его авторства в почерковедении и смежных сферах деятельности. Разработанная программа может быть использована как средство сужения круга вероятных авторов исследуемых образцов почерка, особенно если речь заходит о больших базах данных.

Разработанные методы и процедуры могут быть применены в ряде систем, связанных с распознаванием графической информации и компьютерным зрением, так как имеют под собой общий механизм распознавания образов.

Результаты, полученные при моделировании и опытном тестировании иммунных процедур, могут быть использованы в дальнейших исследованиях по развитию иммунного аппарата.

Методы исследования. В работе используются методы системного анализа, дедукции и сравнения, объектно-ориентированного программирования.

Положения, выносимые на защиту:

1. На основе результатов анализа применимости методов искусственного интеллекта для выявления закономерностей в информационном потоке рукописного текста установлено, что наилучшим способом решения поставленной задачи является иммунный аппарат, позволяющий решать задачи классификации больших объемов данных.

2. Разработан метод мультиклональной селекции, позволивший одновременно анализировать большие массивы образцов неизвестного почерка и производить исследование информационного потока рукописного почерка, как взаимосвязанной системы признаков.

3. На основе разработанного метода мультиклональной селекции предложена процедура решения задачи исследования и функциональная схема информационной системы для анализа информационного потока рукописного текста, позволяющая использовать подходы объектно-ориентированного и веб-программирования при разработке проблемно ориентированных программ.

4. Результаты исследования эффективности разработанного метода мультиклональной селекции, убеждающие в гарантированном попадании в заданный интервал установления авторства, не превышающий 5% от контрольной выборки.

Реализация и внедрение результатов работы. Основные теоретические и практические результаты диссертационной работы использованы при разработке программного модуля анализа рукописных данных с целью использования в составе программного продукта «АСУ УЗ Universys Web Server» ООО «ГИСОФТ», а также реализованы в виде информационных систем, что

подтверждено 3-мя свидетельствами об официальной регистрации программ для ЭВМ №№ 2013610807, 2013613885, 2013615713, а также актом внедрения.

Основные результаты исследования применяются в учебном процессе кафедры АИСУ СТИ НИТУ МИСиС в ходе преподавания учебных дисциплин «Интеллектуальные системы управления» и «Методы искусственного интеллекта», а также при подготовке учебного и методического материала по этим предметам.

Степень достоверности и апробация результатов. Степень достоверности-обусловлена сходимостью результатов выявления закономерностей информационного потока рукописного текста, полученных с помощью разработанного иммунного метода мультиклональной селекции и результатов, полученных при проведении практических экспериментов.

Основные положения и результаты работы обсуждались на научных семинарах кафедры АИСУ СТИ НИТУ МИСиС, докладывались на 6 международных научно-практических конференциях: V (Юбилейная) Международная научно-практическая конференция «Наука в современном мире», г. Таганрог, 31 мая 2011г.; Современные сложные системы управления X, г. Старый Оскол, 2012г.; Актуальные вопросы современной науки, г. Санкт-Петербург, 30-31 мая 2013г.; XII Международная научно-практическая конференция «Современное состояние естественных и технических наук», г. Москва, 16 сентября 2013г.; II Международная научно-практическая конференция «Техника и технологии: роль в развитии современного общества», г. Краснодар, 4 октября 2013г.; XIII Международная научная конференция «Актуальные вопросы современной техники и технологии», г. Липецк, 25 октября 2013г. По результатам диссертационной работы в ФИПС получено 3 свидетельства на программы для ЭВМ.

Диссертационная работа удостоена гранта и выполнена в рамках НИОКР по программе фонда содействия развитию малых форм предприятий в научно-технической сфере «УМНИК», а также поддержана грантом РФФИ №12-0700252/12 по теме «Разработка методов и алгоритмов интеллектуального

управления сложными технологическими процессами и системами в условиях стохастических возмущений» и хоздоговором ОАО «Проектэлектромонтаж» по теме «Исследование модели оператора» №91 от 12.09.11.

Публикации. Результаты исследований опубликованы в 13 печатных трудах, в том числе 4 - в изданиях, рекомендованных ВАК при Минобрнауки РФ, 6 - в материалах международных конференций. Получены 3 свидетельства об официальной регистрации программ для ЭВМ.

Структура работы. Диссертация состоит из введения, четырех глав, заключения, списка использованных источников, содержащего 130 наименований и 6 приложений. Общий объем диссертации составляет 169 страниц, из них список используемых источников - 15 страниц. Основной текст работы содержит 33 рисунка и 7 таблиц.

В первой главе проведено исследование современных направлений и методов решения задачи выявления закономерностей в информационном потоке рукописного текста в почерковедческой экспертизе. Обосновано применение методов искусственного интеллекта (ИИ), в частности, аппарата искусственных иммунных систем (ИИС) и проведена постановка задач исследования.

Вторая глава посвящена исследованию методов, существующих в аппарате ИИС, применительно к диссертационной задаче. Разработана общая аналитическая модель ИИС в приложении к решаемой задаче. Описано и обосновано создание репрезентативной выборки образцов почерков для проведения экспериментального тестирования.

В третьей главе предложен метод и процедура для решения задачи выявления закономерностей в информационном потоке рукописного текста, основанный на результатах, полученных при реализации и исследовании процедур CLONALG, AINet и DCA. Рассматривается практическая реализация предложенного метода.

В четвертой главе проводится оценка эффективности разработанной иммунной процедуры.

В заключении сформулированы основные результаты диссертационного исследования.

ГЛАВА 1 Анализ существующих методов в почерковедческой экспертизе

Анализ направлений исследований в теории почерка выявил, что в настоящее время решаются в основном два типа задач: диагностические задачи и задачи, связанные с установлением исполнителя текста из числа определенного круга лиц или выяснение факта: исполнены ли разные тексты одним и тем же лицом.

Диагностические задачи в свою очередь делятся на атрибутивно-диагностические и диагностические или классификационные задачи.

Это задачи, в которых по почерку необходимо определить, не выполнена ли рукопись в необычных условиях, например, в неудобной позе, при низкой температуре или в необычном состоянии, например, при сильном волнении, физическом утомлении, алкогольном или наркотическом опьянении. Или рукопись написана обычным или измененным почерком, не выполнялся ли текст с подражанием другому почерку [15].

При решении атрибутивно-диагностических задач по почерку устанавливаются свойства, характерные для определенной группы лиц. К атрибутивно-диагностическим задачам относятся задачи определения пола, возраста, темперамента и т.п.

В основном при проведении судебно-почерковедческой экспертизы решаются задачи установления исполнителя неизвестного текста по образцу почерка. По этой причине долгое время все исследования велись исключительно в этой области. На основании распространенности и востребованности этого типа задач, именно они будут рассматриваться в данной диссертационной работе.

Экспертиза почерка опирается на ряд методик, которые создавались с целью облегчения работы эксперта-почерковеда и объективизации результата экспертизы. Эти методики опираются на обширный почерковый материал, который должен быть предварительно собран. На его основе для решаемой задачи выбираются наиболее информативные признаки почерка. В ходе статистической обработки собранного материала и вычисления статистической значимости

признаков почерка определяются правила, с помощью которых могут быть найдены ответы на поставленные вопросы [16]. Статистическая обработка требует большой и представительной выборки. Нужно отметить, что еще в Советском Союзе над созданием таких методик работали несколько институтов и проводились специальные исследования.

1.1 Характеристика задачи выявления автора неизвестного почерка и основные подходы к ее решению

Проведенный литературный анализ показал, что рукописный почерк человека это сложная многокомпонентная структура, характеризуемая уникальным набором неоднозначных и взаимосвязанных признаков. Упростив классификацию, можно сказать, что все признаки почерка делятся на две категории. Устойчивые признаки, как правило, не изменяются в течение всей жизни, а неустойчивые признаки могут быть подвержены воздействию различных внутренних и внешних факторов, в том числе структуры текста, психофизического состояния пишущего и типа пишущих приборов. Также эти факторы влияют на степень выраженности представленных категорий признаков в отдельно взятом тексте и определяют их высокую вариативность [17]. Всю сложность рассматриваемого объекта исследования косвенно подтверждает классификация признаков почерка, которую в настоящее время используют для проведения почерковедческой экспертизы (см. приложение А).

Среди аналитических методов ручного анализа почерка и решения задачи определения автора неизвестного текста в частности, наибольшее распространение получило вероятностно-статистическое направление. В результате исследований по этому направлению было разработано и используется большинство методик для анализа почерка. Это направление опирается на то, что почерк формируется под воздействием множества внутренних, внешних и случайных факторов. Эти факторы определяют совокупность признаков, которые могут быть собраны и исследованы экспертом-криминалистом. Встречаемость

этих признаков описывается как вероятностно-статистические процессы и может быть использована для оценки их статистической значимости с позиции теории вероятности.

Измерительно-статистическое направление берет свое начало в графометрии и основано на измерениях параметров почерка, в частности микро особенностей признаков и их статистической обработке.

С точки зрения современных методов анализа, все задачи принято условно делить на корректно и некорректно поставленные [18]. В соответствии с этим, задачу выявления автора неизвестного почерка в определенной мере можно отнести к классу некорректно поставленных задач, в которых малым погрешностям исходных данных соответствуют сколь угодно большие погрешности решений. Теория некорректно поставленной задачи была предложена Ж. Адамаром в начале прошлого века, а в отечественной науке получила развитие в 'трудах А.Н. Тихонова, В.Я. Арсенина и др. [19]. Так, согласно Адамару, задача называется некорректной, если она не удовлетворяет хотя бы одному из трех условий:

1. Решение существует.

2. Решение единственное.

3. Сколь угодно малым вариациям коэффициентов, параметров, начальных или граничных условий соответствует сколь угодно малые изменения решений [20].

На основании предложенной характеристики почерка и известной информации о процессе экспертизы почерка, можно сделать вывод, что задача выявления автора неизвестного почерка не удовлетворяет первому и третьему критерию. Первый критерий не выполняется, потому что решение задачи может не существовать в том случае, если представленных признаков неизвестного почерка недостаточно, чтобы дать однозначное заключение о принадлежности этого почерка конкретному лицу. Последний критерий не выполняется, поскольку ошибки в оценке количественных характеристик признаков почерка, связанные с погрешностью измерительных приборов, а также профессионализмом и

физическим состоянием эксперта, снижают объективность анализа и могут исказить решение.

Существуют численные методы решения некорректных задач, позволяющие использовать вычислительные мощности современных ЭВМ. Общая процедура решения сводится к постановке такой задачи в виде аналитической модели предметной области, в нашем случае почерка, представленного образцом текста. Примером такой модели может быть система линейных уравнений. Далее такую задачу преобразуют в корректную задачу или последовательность корректных задач, используя один из известных методов регуляризации, например, метод регуляризации Тихонова. Полученные корректные задачи, как правило, решаются при помощи классического аналитического аппарата [21], [22].

Исследования показали, что высокая энтропия почерка крайне затрудняет создание универсальной адекватной аналитической модели почерка, позволяющей учитывать взаимозависимость и другие особенности множества уникальных почерковых признаков, что делает применение вычислительных методов решения некорректно поставленных задач для решения задачи определения автора неизвестного почерка нецелесообразным, но не исключает использование современных вычислительных средств решения задачи исследования.

1.2 Информационные методы для решения задачи выявления автора неизвестного почерка

Информационное направление базируется на вероятностном моделировании, анализе изображения и теории распознавания образов. В отечественной науке основоположником этого направления стал Роман Михайлович Ланцман [23], теоретически обосновавший и доказавший возможность применения процедуры распознавания образов для различения сходных почерковых объектов. В научной литературе принято отсчитывать начало активных исследований в области верификации рукописной подписи с

работы [24], в которой были сформулированы основные направления и подходы к решению данной проблемы.

Идеи P.M. Ланцмана были реализованы в виде информационной системы дифференционно-идентификационных процедур (ДИА) [25]. В основе системы ДИА лежит анализ геометрической структуры исследуемых объектов, для получения которой каждый исследуемый объект вводится в систему координат, и на нем выделяется система наиболее информативных точек, которые затем соединяются определенной совокупностью отрезков. ДИА единовременно позволяет сличать два почерковых объекта, при этом информацию о них в систему заносит эксперт вручную, привнося определенных субъективный фактор. Кроме то, как отмечено в [26], выдаваемые ЭВМ результаты обязательно используются комплексе с традиционными методами. Еще одним недостатком ДИА является категоричность отрицательных выводов по результатам анализа почерков, поскольку в ряде случаев бывает невозможно дать заключение по принадлежности записи определенному лицу, ввиду недостаточности почеркового материала.

Современные программные средства, используемые в почерковедении, можно разделить на следующие категории:

1. Программы, предназначенные для автоматизации процесса вычисления.

2. Программы, предназначенные для графического и графометрического анализа почерковых объектов.

3. Программы комплексного действия, использующие интеллектуальный анализ данных.

Программы первой категории носят исключительно прикладной характер. Они представляют собой некий программный интерфейс, в который заложена определенная методика вычисления, и предназначены исключительно для автоматизации расчетов, связанных с этой методикой. Соответственно, эти методики разрабатывались в результате применения модельных методов.

Программный комплекс «Телемак» [27] является примером такого рода систем. Он был разработан в 1987 г. во ВНИИСЭ (позднее РФЦ СЭ) на основе количественной методики дифференциации подлинных подписей и подписей, выполненных с подражанием после предварительной тренировки. Программа предназначена для автоматического вычисления расстояния между точками, соотношения длин отрезков, соединяющих выделенные точки, угловых величин между отрезками и других, заложенных в методику показателей, на основе размеченного человеком почеркового объекта. В результате работы программы определяется информативность отдельного участка подписи и суммарная информативность, которая служит обоснованием соответствующего вывода эксперта-почерковеда. На базе того же технического комплекса по аналогичному с программой «Телемак» принципу были разработаны программы «МЕРА», «Око», «Маска» [28].

Похожие диссертационные работы по специальности «Информационные системы и процессы, правовые аспекты информатики», 05.25.05 шифр ВАК

Список литературы диссертационного исследования кандидат наук Шаталов, Андрей Александрович, 2015 год

СПИСОК ИСПОЛЬЗОВАННЫХ источников

1. Хомяков, Э. Г. Метод фазового анализа письменных объектов при проведения почерквоедческих исследований : дис. ... канд. техн. наук : 12.00.09 / Хомяков Эдуард Геннадьевич. — Ижевск, 2002. — 115 с.

2. Зорин, С. Л. Криминалистические средства и методы исследования

структуры системы почерковых движений человека : дис. ... канд. юрид. наук

)

: 1^2.00Ю9 / Зорин Сергей Леонидович. — Нижний Новгород, 2008. - 190 с.

3. Громов, Ю. Ю. Кластеризация текстовых коллекций на основе нечеткого описания коллолокаций / Ю. Ю. Громов, О. Г. Иванова, Д. В. Поляков, В. Е. Дидрих // Информационная безопасность. — 201 1. — Т. 14. — № 3. — С. 459-462.

4. Громов, Ю. Ю. Формализация информационной потребности с помощью коллолокаций на основе теории нечетких множеств для пертинентного поиска текстовых сведений / Ю. Ю. Громов, Д. И. Поляков, X. Д. Лыонг, А.

Б. Шихук, П. Б. Маджет // Информационная безопасноть. — 2012. — Т. 15. — №2, —С. 213-218.

5. Скрипилева, Н. А. О некоторых причинах совершения ошибок при производстве экспертиз и возможностях их предотвращения / Н. А. Скрипилева // Российский следователь. — 2003. — № 3. — С. 6-8.

6. Зеленецкий, В. С. Предупреждение экспертных ошибок. Методическое пособие для экспертов, следователей и судей / В. С. Зеленецкий. — Москва :

ВНИИСЭ, 1990. — 165 с.

,1'!

7. |^убакирова, А. А. Следственные и экспертные ошибки при формировании внутреннего убеждения : автореф. дис. ... д-ра юрид. наук : 12.00.09 / кубакирова Анна Александровна. — Челябинск, 2010. — 45 с.

I ■

8. Сысоева, Л. А. Теория и практика судебно-почерковедческой экспертизы на

рубеже XXI века : дис. ... канд. юрид. наук : 12.00.09 / Сысоева Людмила ! .

Александровна. — СПб., 2003. — 216 с.

; I

I I

I ■■ 1 f

9. Ларин, М. В. Проблемы оптизмиации документооборота в современных условиях / М. В. Ларин // Делопроизводство. — 2012. — № 2. — С. 5-8.

10. Кулик, С. Д. Реализация подсистемы распознавания АРМ эксперта-криминалиста при помощи СУБД / С. Д. Кулик, Д. А. Никонец // Научная сессия МИФИ-2010. Информационно-телекоммуникационные системы. Проблемы информационной безопасности. — 2010. — Т. 5. — С. 20-23.

1 1. Кошманов, М. П. Классификации идентификационнных признаок в

почерковедческой экспертизе. Учебное пособие / М. П. Кошманов, П. М. Кошманов. — Волгоград : Волгоградский юридический институт, 2000. — 62 с.

12. Комаров, А. С. Логические и программные средства интеллекутального анализа криминалистических данных : дис. ... канд. техн. наук : 05.13.17 / Комаров Алексей Сергеевич. — М., 2010. - 110 с.

13. Шестакова, С. С. Теоретически и методические проблемы распознавания в судебном почерковедении и при производстве экспертиз : дис. ... канд. юрид. наук : 12.00.90 / Шестакова Софья Сергеевна. — Красноярск, 2004. — 195 с.

14. Мальцев, В. В. Нетрадиционные методы исследования в криминалистике : дис. ... канд. юрид. наук : 12.00.09 / Мальцев Вадим Владимирович. — Владивосток, 2001. — 222 с.

15. Ароцкер, Л. Е. Неидентификационные исследования в почерковедческой экспертизе // Отв. ред. Л. Е. Ароцкер. - Киев : РИО МВД УССР, 1972. - 96 с.

16. Еременко, Ю. И. Анализ эффективности современных методов идентификации почерка / Ю. И. Еременко, А. А. Шаталов // Материалы 10-ой междунар. науч.-техн. конф. "Современные сложные системы управления" (НТС8'2012). — 2012. — С. 270-272.

1 7. Кучуганов, А. В. Распознавание слитных рукописных текстов с

использованием аппрата нечеткой логики / А. В. Кучуганов, Н. С. Исупов // Вестник ИжГТУ, —2012. —№ 1(53).— С. 104-107.

18. Тихонов, А. H. Численные методы решения некорректных задач / А. Н. Тихонов, А. В. Гончарский, В. В. Степанов, А. Г. Ягола. — М. : Наука, 1990. — 230 с.

19. Тихонов, А. Н. Методы решения некорректных задач. 2-е издание / А. Н. Тихонов, В. Я. Арсенин. — М. : Наука, 1979. — 285 с.

20. Петров, Ю. П. Корректные, некорректные и промежуточные задачи с приложениями : Учебное пособие / Ю. П. Петров, В. С. Сизиков. — СПб. : Политехника, 2003. - 261 с.

21. Иванов, В. К. Теория линейных некорректных задач и ее приложения / В. К. Иванов, В. В. Васин, В. П. Танана. — М. : Наука, 1978. - 206 с.

22. Бакушинский, А. Б. Некорректные задачи. Численные методы и приложения /

A. Б. Бакушинский, А. В. Гончарский. — М. : Издательство Московского университета, 1989. — 200 с.

23. Ланцман, Р. М. Кибернетика и криминалистическая экспертиза почерка / Р. М. Ланцман. — Москва : Издательство «Наука», 1968. — 95 с.

24. Plamondon, R. Automatic signature vérification and writer identification - the state of the art / R. Plamondon, G. Lorette // Pattern Récognition. — 1989. — T. 22. — № 2. — C. 107-131.

25. Сысоев, Э. В. Новые информационные технологии в судебной экспертизе / Э.

B. Сысоев, А. В. Селезнев, И. П. Рак, Е. В. Бурцева. — Тамбов : Издательство ТГТУ, 2006. - 84 с.

26. Серегин, В. В. Почерковедение и почерковедческая экспертиза : Курс лекций / В. В. Серегин. — Волгоград : ВА МВД России, 2002. — 228 с.

27. Орлова, В. Ф. Применение математических методов и ЭВМ - основные задачи автоматизации в судебно-почерковедческой экспертизе / В. Ф. Орлова, Н. Г. Сахарова // Использование математических методов и ЭВМ в экспертной практике : Сб. науч. трудов ВНИИСЭ. — 1989. — С. 90-100.

28. Аверьянова, Т. В. Криминалистика, 4-е изд. / Т. В. Аверьянова, Р. С. Белкин, Ю. Г. Корухов, Е. Р. Российская. —Москва : Норма, 2014. — 928 с.

29. Свидетельство о гос. регистрации прогр. для ЭВМ №2000610947 Российская Федерация, "Автоматизированная фактографическая ИПС "Ling" для распознавания языка по печатным или рукописным текстам, выполненным на основе русской или латинской письменной графики" (Ling-R) / С. Д. Кулик ; Заявка №2000610809 ; заяв. 27.07.2000 ; зарегистр. 22.09.2000. № 4(33).

С.286-287. (Россия)..

30. Свидетельство о гос. регистрации прогр. для ЭВМ №2001610385 Российская Федерация, «Фактографическая система для определения пола исполнителя рукописи (подсистема распознавания)» (man-WO-man) / С. Д. Кулик ; Заявка №2001610125 ; заяв. 8.02.2001 ; зарегистр. 5.04.2001. Бюл. № 3(36). С.20-21. (Россия).

3 1. Кулик, С. Д. Биометрические системы идентификации личности для

автоматизированных фактографических информационно-поисковых систем / С. Д. Кулик // Нейрокомпьютеры : разработка, применение. — 2003. — № 12. — С. 52-65.

32. Кулик, С. Д. Средства автоматизации исследования рукописных документов для обеспечения информационной безопасности / С. Д. Кулик, Д. А. Никонец // Безопасность информационных технологий. — 2009. — № 4. — С. 81 -89.

33. Кулик, С. Д. Примеры использования нейросетевого алгоритма в методиках для эксперта-почерковеда / С. Д. Кулик, Д. А. Никонец // Нейрокомпьютеры : разработка и применение. — 2009. —№ 9. — С. 61-65.

34. Никонец, Д. А. Нейросетевые технологии для решения задач криминалистики / Д. А. Никонец // Нейрокомпьютеры : разработка и применение. — 2009. — № 4. — С. 26-45.

35. Рыкова, Е. В. Инструментальные средства для эксперта - криминалиста / Е. В. Рыкова, К. В. Лепенков, Н. Г. Королева // 13-я Международная телекоммуникационная конференция студентов и молодых ученых "Молодежь и наука". — 2010. — С. 26-27.

36. Бернштейн, Н. А. Физиология движений и активность / Н. А. Бернштейн. — М. : Наука, 1990. — 496 с.

37. Комаров, А. С. Интеллектуальный анализ данных в почерковедении : программаня реализация / А. С. Комаров // Вестник Российского государственного гуманитарного университета. — 2010. — № 12. — С. 290298.

38. Гусакова, С. М. Выявление связи особенностей высшей нервной деятельности и почерка методами интеллекутального анализа данных [Электронный ресурс] / С. М. Гусакова, А. С. Комаров // Труды XI Национальной конференции по искусственному интеллекту с международным участием КИИ-2008. — Дубна, 2008. - 29 сентября - 3 октября. - Режим доступа : www.raai.org/conference/cai-08/files/cai-08_рарег_178.doc.

39. Романов, А. С. Методика идентификации автора текста на основе аппрата опорных векторов / А. С. Романов // Доклады Томского государственного университета систем управления и радиоэлектроники. — 2009. — Т. 1. — № 2. — С. 36-42.

40. Павлов, Ю. Н. Оценка устойчивости во времени частотных словарей авторов в задачах идентификации текстов / Ю. Н. Павлов, Е. А. Тихомирова // Наука и образование : электронное научно-техническое издание. — 201 1. — № 12. — С. 40-50.

41. Schlappbach, A. Off-Line Handwriting Identification Using HMM Based Recognizers / A. Schlappbach, H. Bunke. — 2004. - № 2. - pp. 654-658.

42. Leedham, G. Writer Identification Using Innovative Binarised Features of Handwritten Numerals / G. Leedham, S. Chachra. — 2003. - IEEE. - ICDAR. - p 413-417.

43. Bensefia, A. Handwritten Document Analysis for Automatic Writer Recognition Electronic Letters on Computer Vision and Image Analysis / A. Bensefia, T. Paquet, L. Heutte. — 2005. - № 5(2). - pp. 72-86.

44. Трифонов, Д. И. Идентификация личности по фрактальной размерности отпечатков пальцев и системы контроля и управления доступом / Д. И. Трифонов // Доклады Томского государственного университета систем управления и радиоэлектроники. — 2010. — № 1(1). — С. 113-117.

45. Гудков, В. Ю. Параллельное программирование алгоритма идентификации дактилоскопических изображений / В. Ю. Гудков, Д. Н. Лепихова // «ГрафиКон 2012». 22-я международная конференция по компьютерной графике и машинному зрению. — М., 2012. — С. 275-277.

46. Гордеева, Д. Н. Распознавание дактилоскопических изображений / Д. Н. Гордеева, В. Ю. Гудков // Вестник МГТУ. Серия «Приборостроение». Специальный выпуск «Биотехнологии». — 201 1. — С. 47-58.

47. Минакова, Н. Н. Распознавание личности по радужной оболочке глаза с учетом физиологических изменений / Н. Н. Минакова, И. Н. Третьяков // Известия алтайского государственного университета. — 2009. — № 1. — С 129-130.

48. Шапиро, Л. Компьютерное зрение. Пер. с анг. А. А. Богуславского под ред. С. М. Соколова / Л. Шапиро, Д. Стокман. — М. : БИНОМ. Лаборатория знаний, 2006. — 762 с.

49. Yunhong, L. М. Iris Recognition Based on Multichannel Gabor Filtering // ACCV2002 : The 5th Asian Conference on Computer Vision, Melbourne, Australia, 2002. - pp. 23 - 25.

50. Wildes, R. P. Iris Recognition : An Biometric Technology // Proceedings of The IEEE, 1997.-vol. 85.-№9.-pp. 1247-1247.

51. Люгер, Д. Ф. Искусственный интеллект, стратегии и методы решения сложных проблем -4-е изд. / Д. Ф. Люгер. — М. : Вильяме, 2003. — 864 с.

52. Рассел, С. Искусственный интеллект : современный подход / С. Рассел, П. Норвиг. — Москва : Вильяме, 2007. — 1408 с.

53. Vapnik, V. Statistical learning theory / V. Vapnik. — New York : Wiley, 1988. — 768 c.

54. Vapnik, V. The Nature of Statistical Learning Theory / V. Vapnik. — : Berlin : Springer-Verlag, 1995. - 188 p.

55. Hsu, C. W. A practical guide to support vector classification [Электронный ресурс]. — Режим доступа :

http://www.csie.ntu.edu.tw/~cjlin/papers/guide/guide.pdf

56. Sebastiani, F. Machine learning in automated text categorization / F. Sebastiani // ACM Computing Surveys. — 2002. — T. 34. — № 1. — С. 1 -47.

57. Васильев, В. Г. Комплексная технология автоматической классификации текстов / В. Г. Васильев // Компьютерная лингвистика и интеллектуальные технологии : По материалам ежегодной международной конференции «Диалог» (Бекасово, 4-8 июня 2008 г.). — 2008. — № 7(14). — С. 83-91.

58. Романов, А. С. Подходы к идентификации авторства текста на основе п-грамм и нейронных сетей / А. С. Романов // Молодежь и современные информационные технологии : Сб. тр. VI Всерос. науч.-практ. конф. студентов, аспирантов и молодых ученых. — 2008. — С. 145-146.

59. Dasgupta, D. Artifisial Immune Sustems and Their Applications / D. Dasgupta. — New York : Springer, 1999. - 306 p.

60. De Castro, L. N. Artificial Immune Systems : Part I - Basic Theory and Applications. Technical Report TR - DCA 01/99 / L. N. De Castro, F. J. Zuben. — Campinas : Unicamp, 1999, December. — 95 c.

61. De Castro, L. N. Artificial Immune Systems : Part II - A Survey Of Applications. Technical report DCA-RT 02/00 / L. N. De Castro, F. J. Zuben. — , 2000, February. — 62 c.

62. De Castro, L. N. Artificial Immune Systems : A New Computational Intelligence Approach / L. N. De Castro, J. I. Timmis. — London : Springer-Verlag, 2000. -357 p.

63. Feng, G. The Dendritic Cell Algorithm for Intrusion Detection, Bio-Inspired Communications and Networking / Gu Feng // IGI Global, 2011. - pp. 84-102.

64. Gu, F. Quiet in Class : Classification, Noise and the Dendritic Cell Algorithm / Feng Gu, Jan Feyereisl, Robert Oates // Proceedings of the 10th International Conference on Artificial Immune Systems (ICARIS 2011). — 201 1. - Vol. 6825. -pp. 173-186.

65. Dasgupta, D. A Genetic-Based Solution to the Task-Based Sailor Assignment Problem / Dipankar Dasgupta, Deon Garrett, Fernando Nino, Alex Banceanu, David Becerra // Variants of Evolutionary Algorithms for Real-World Applications. — 2012. - 167-203 pp.

66. Dasgupta, D. Recent Advances in Artificial Immune Systems : Models and Applications / D. Dasgupta, S. Yu, F. Nino // Applied Soft Computing. — 2011. — № 11(2). — C. 1574-1587.

67. Garain, U. Recognition of Handwritten Indie Script Using Clonal Selection Algorithm / Utpal Garain, Mangal Chakraborty, Dipankar Dasgupta. — Memphis, India : The University of Memphis, 2006. - pp. 256-266.

68. Tarakanov, A. O. Immunocomputing. Principles applications / A. O. Tarakanov. — New York : Springer, 2003. — 102 c.

69. Tarakanov, A. O. Immunocomputing for intelligent signal processing / A. O. Tarakanov //Neural Computing and Applications. — 2010. - vol. 19. - issue 8, pp. 1 143-1 152.

70. Hongwei, M. Handbook of Research on Artificial Immune Systems and Natural Computing : Applying Complex Adaptive Technologies / M. Hongwei // Medical Information Science Reference, 2009. - 634 p.

71. Блюм, В. С. Иммунная система и иммунокомпьютинг [Электронный ресурс] / В. С. Блюм, В. П. Заболотский // Математическая морфология. — 2007. — Т. 6. — № 4. - Режим доступа : http://www.smolensk.ru/user/sgma/MMORPH/N-

16-html/blum/blum.pdf.

72. Tarakanov, А. О. A comparison of immune and genetic algorithms for two real-life tasks of pattern recognition / A. O. Tarakanov, Y. A. Tarakanov. — 2005. — C. 357-374.

73. Tarakanov, A. O. A comparison of immune and neural computing for two real-life tasks of pattern recognition. Lecture Notes in Computer Science / A. O. Tarakanov, Y. A. Tarakanov. — 2004. — C. 236-249.

74. Tarakanov, A. O. An immunochip architecture and its emulation / A. O. Tarakanov, D. Dasgupta // NASA/DoD Conf. on Evolvable Hardware (EH-2002). — Alexandria,Virginia, July 15-18, 2002. - pp. 261-265.

75. Muda, A. K. An approach of bio-inspired generalized shape for writer identification / A. K. Muda, S. M. Shamsuddin // Postgraduate Annual Research Seminar 2006. - 24 - 25 Mei 2006. - pp. 38-44.

76. Julie Greensmith, A. W. U. A. Artificial Immune Systems, 2-е изд. / Amanda Whitbrook, Uwe Aickelin Julie Greensmith. — London : Handbook of Metaheuristics, Springer, 2010. — 27 c.

77. Еременко, Ю. И. Распознавание изображений букв печатного текста с применением иммунных алгоритмов клонального отбора / Ю. И. Еременко, И.В. Мельникова, А.А. Шаталов // V Междунар. науч.-практ. конф. "Наука в современном мире" (H-VI). — 201 1. — С. 1 77-1 87.

78. Литвиненко, В. И. Применение алгоритма клонального отбора для решения систем алгебраических уравнений / В. И. Литвиненко // Математические машины и системы. —,2006. — Т. 1. — № 3. — С. 117-126.

79. Grzegorz Rozenberg, Т. В. J. N. К. Handbook of Natural Computing 1 st / Thomas Bck, Joost N. Kok Grzegorz Rozenberg. — : Springer Publishing Company, Incorporated, 2011. — 2100 c.

80. Комарцова, Л. Г. Решение задачи маршрутизации на основе нейросетевых и иммуннологических алгоритмов / Л. Г. Комарцова, Ю. Н. Лавренков // Научная сессия НИЯУ МИФИ. 13-я Всерос. конф. "Нейроинформатика-

2011". -Сб. научных трудов. — 2011. —№ 1, —С. 108-117.

81. Безобразов, С. В. Алгоритмы искусственных иммунных систем и нейронных сетей для обнаружения вредоносных программ / С. В. Безобразов, В. А. Головко // Научная сессия НИЯУ МИФИ «Нейроинформатика» : материалы Всеросс. науч. конф. — М., 2010. — С. 273-287.

82. de Castro, L. N. ,. V. Z. F. J. aiNet : Anartificial Immune Network for Data Analysis // DataMining : A Heuristic Approach / Eds. H. A. Abbass, R. A. Saker, C. S. Newton, Idea Group Publ., USA, Chapter XII. - 2001. - pp. 23 1-259.

83. De Castro, L. An artificial immune network for multimodal function optimization / L. De Castro, J. Timmis // In Proc. of the Congress on Evolutionary Computation (CEC). - Los Alamitos, CA, USA, 2002. - vol. 1. - pp. 699-704.

84. Greensmith, J. Detecting Danger : The Dendritic Cell Algorithm / Julie Greensmith, Uwe Aickelin, Steve Cayzer// J. "Natural Computing", Springer, in print, doi : 10.2008/sl 1047-0069026-4. pp. 91-103.

85. Прасолов, С. В. Постановка задачи прогнозирования, основанная на применении упрощенной модели искусственной иммунной сети [Электронный ресурс] / С. В. Прасолов, Д. В. Шойтов // Ученые записки. Электронный научный журнал Курского государственного университета. — 2009. —№ 2(10). - Режим доступа : http://www.scientific-notes.ru/pdf/010-

01 .pdf.

86. Галактионов, В. Г. Эволюционная иммунология : Учеб. пособие / В. Г. Галактионов. — М. : ИКЦ «Академкнига», 2005. — 408 с.

87. Блюм, В. С. Особенности обеспечения информационной безопасности в биологических системах /B.C. Блюм, В. П. Заболотский // Труды конференции "Информационная безопасность регионов". — СПб., 2005. — С. 71-77.

88. Rowe, G. W. The theoretical models in biology / G. W. Rowe. — Oxford : Oxford University Press, 1994. - 436 p.

89. Еременко, Ю. И. Иммунный алгоритм мультиклональной селекции в решении задачи идентификации почерка / Ю. И. Еременко, А. А. Шаталов // Научные ведомости БелГУ. — 2013. — № 22(165). — С. 21 8-224.

90. Литвиненко, В. И. Компьютерная система для решения задач классификации на основе модифицированных иммунных алгоритмов / В. И. Литвиненко, А. А. Дидык, Ю. А. Захарченко // Информационно-измерительные системы. — 2008, —С. 66-73.

91. Деза, Е. Энциклопедический словарь расстояний; [ пер. с англ. С. И. Сычева] / Е. Деза, М. М. Деза. — М. : Наука, 2008. - 207 с.

92. Кораблев, Н. М. Иммунный алгоритм обучения адаптивных нечетких нейронных сетей / Н. М. Кораблев, И. В. Сорокина, А. И. Русецкий // Системы управления, навигации и связи. — 2008. — С. 62-67.

93. Демидова, Л. А. Исследование влияния основных параметров алгоритма функционирования искусственной иммунной сети на качество кластеризации объектов / Л. А. Демидова, С. Б. Титов. — 2012. — Т. 2. — № 40. — С. 54-59.

94. Кораблев, Н. М. Исследование иммунных операторов в задаче кластеризации объектов / Н. М. Кораблев, А. А. Фомичев // Бионика интеллекта. — 2010. — № 1(72). — С. 70-74.

95. Еременко, Ю. И. Исследование модификаций иммунных алгоритмов для решения задачи распознавания текстовых символов /10. И. Еременко, И. В. Мельникова, А. А. Шаталов // Системы управления и информационные технологии, научно-технический журнал. — 2011. — Т. 2. — № 44. — С. 8185.

96. Еременко, Ю. И. Применение иммунных алгоритмов для разработки интеллектуальной системы поиска проектных решений в электронном архиве проектной документации / Ю. И. Еременко, И. В. Мельникова, А. А. Шаталов // Вестник Воронежского государственного технического университета. — 2011, —Т. 7, —№7.— С. 115-121.

97. Burnet, F. Clonal selection and after / F. Burnet in G. Bell, A. Perelson, and G. Pimbley, editors // Theoretical Immunology. - 1978. - pp. 63-85.

98. Hofmeyr, S. Immunity by design/ S. Forest // In Proc. of the Genetic and Evolutionary Computation Conference (GECCO). - 1999. - pp. 1289-1296.

99. Еременко, Ю. И. Построение интеллектуальной системы извлечения знания из электронного архива проектной документации на базе иммунного алгоритма мультимодальной оптимизации CLONALG / Ю. И. Еременко, И. В. Мельникова, А. А. Шаталов // Автоматизация и современные технологии. — 2014,— № 3, —С. 17-24.

1 00. Jerne, N. К. Towards a network theory of the immune system / N. Jerne // Annales d'Immunologic (Institut Pasteur). - 1974. - 125C, pp. 373-389.

101. Perelson, A. S. Immune network theory / A. Perelson // Immunological Reviews. -1989. - № 110. - pp. 5-33.

1 02. de Castro, L. N. Artificial immune systems as a novel soft computing paradigm / L. N. de Castro, J. I. Timmis // Soft Computing - A Fusion of Foundations, Methodologies and Applications, vol. 7, no. 8. — 2003. - pp. 526-544.

103. Литвиненко, В. И. Гибридная иммунная сеть для решения задач структурной идентификации / В. И. Литвиненко, П. И. Бидюк, А. А. Фефелов // Нейронные сети. - 2005. - № 1.-С. 143-155.

1 04. Зайцев, С. А. Кластерный анализ с использованием гибридной модели на основе искусственной иммунной сети / С. А. Зайцев, С. А. Субботин // Бионика интеллекта. — 2010. — Т. 3. — № 74. — С. 70-75.

105. Matzinger, P. The danger model : A renewed sense of self / P Matzinger // Science. — 2002, —№ 296, —C. 301-304.

106. The danger project [Электронный ресурс] : offital site The Intelligent Modelling & Analysis Research Group, 2013. - Режим доступа : http://ima.ac.uk/danger. -(дата обращения 1.03.2013)

107. Greensmith, J. The Deterministic Dendritic Cell Algorithm Proceedings of the 7th International Conference on Artificial Immune Systems (ICARIS 2008), LNCS 5132, Phuket, Thailand, 2008. - pp. 291-303.

108. Oates, R. Frequency analysis for dendritic cell populationtuning : Decimating the dendritic cell / R. Oates, G. Kendall, J. Garibaldi // Evolutionary Intelligence : Special Issue on Artificial Immune Systems. — 2008. — № 1. — С. 145-1 57.

109. Feng, G. Integrating Real-Time Analysis With The Dendritic Cell Algorithm Through Segmentation / Gu Feng, Greensmith Julie, Uwe Aickelin // Proceedings of Genetic and Evolutionary Computation Conference, Montreal, Canada, 2009, pp 1203-1210.

1 10. Иода, E. В. Статистика : Учеб. пособие / E. В. Иода, Б. И. Герасимов; под общ. ред. Е. В. Иода. — Тамбов : Изд-во Тамб. гос. техн. ун-та, 2004. - 104 с.

111. Выборка [Электронный ресурс]. - Режим доступа :

http://ru.wikipedia.org/wiki/Bbi6opKa - (Дата обращения : 12.04.2012).

1 12. Соловьев, В. П. Организация эксперимента: Учебное пособие / В. П. Соловьев, Е. М. Богатов. — Старый Оскол : Изд-во ТИТ, 2012. - 256 с.

113. Чалиев, А. А. Статистика. Учебно-методическое пособие. Часть 1 / А. А.

Чалиев, А. О. Овчаров. — Нижний Новгород : Издательство Нижегородского госуниверситета, 2007. - 87 с.

1 14. Панграммы [Электронный ресурс] : офиц. сайт Студия Артемия Лебедева 2013. - Режим доступа : http://www.artlebedev.ru/kovodstvo/sections/33/. - (дата обращения 1.03.2013)

115. Рыжков, М. С. Людемы интернет-дискурса / М. С. Рыжков // Вестник Нижегородского университета им. Н. И. Лобачевского. — 2009. — Т. 6. — № 2. — С. 338-345.

116. Антонов, О. Ю. Особенности тактики назначения производства судебно-почерковедческой экспертизы подписных листов / О. Ю. Антонов // Судебная экспертиза. Научно-практический журнал. - Саратов : Изд-во Сарат. юрид. ин-та МВД России, 2008. - № 3(15). - С. 79-95.

117. Мельникова, И. В. Сегментация рукописных символов с использованием алгоритма дендритных клеток ЭСА / И. В. Мельникова, А. А. Шаталов // Актуальные вопросы современной науки: Материалы VI Междунар. науч. конф. Секция «Информационные технологии». — 2013. — С. 31 -44.

1 1 8. Долгова, Е. В. Концепция математического моделирования сегментации слитного рукописного текста / Е. В. Долгова, Д. С. Курушин // Электронный офис. — 201 1. — № 1. — С. 53-57.

1 19. Горошкин, А. Н. Обработка и распознавание рукописного текста в системах электронного документооборота : автореф. дис. ... канд. техн. наук : 05.13.01 / Горошкин Антон Николаевич. - Красноярск. СибГАУ, 2008. - 22 с.

120. Запрягаев, С. А. Сегментация рукописных и машинописных текстов методом диаграмм вороного / С. А. Запрягаев, А. И. Сорокин // Вестник Воронежского государственного университета. Серия : Системный анализ и информационные технологии. - 2010. - № 01. - С. 160-165.

121. Свидетельство о гос. регистрации прогр. для ЭВМ №2013615713 Российская Федерация, «Программа для сегментации текста» / А. А. Шаталов ; Заявка №201361 1924/69 ; заяв. 05.03.2013 ; зарегистр. 19.06.2013 ; опубл. 20.09.13. (Россия).

122. Еременко, Ю. И. Разработка иммунного алгоритма для решения идентификационной задачи в почерковедении / Ю. И. Еременко, А. А. Шаталов // Техника и технологии: роль в развитии современного общества: Сборник трудов II Междунар. науч.-практ. конф. — 2013. — С. 119-120.

123. Еременко, Ю. И. Метод мультиклональной селекции для решения идентификационной задачи в почерковедении / Ю. И. Еременко, А. А. Шаталов // Современное состояние естественных и технических наук: Сборник трудов XII Междунар. науч.-практ. конф.. — 2013. — С. 24-27.

124. Сравнение С Sharp и Java [Электронный ресурс]. - Режим доступа : http://ru.wikipedia.org/wiki/CpaBHeHHe_C_Sharp_H_Java. - (дата обращения: 20.01.2014)

125. Свидетельство о гос. регистрации прогр. для ЭВМ №2013610807 Российская Федерация, «Программа для идентификации почерка» / А. А. Шаталов ; Заявка №2012660459 ; заяв. 29.11.2012 ; зарегистр. 9.01.2013. Бюл. № 5. 2013. С.856-857. (Россия).

1 26. Облачные вычисления [Электронный ресурс]. - Режим доступа :

http://ru.wikipedia.org/wiki/06fla4Hbie_Bbi4HcneHHfl. - (дата обращения: 1.03.2013)

127. Свидетельство о гос. регистрации прогр. для ЭВМ №2013613885 Российская Федерация, «Программа для исследования иммунных алгоритмов («Imalga»)» /А. А. Шаталов ; Заявка №2013611913/69 ; заяв. 05.03.2013 ; зарегистр. 17.04.2013 ; опубл. 20.06.2013. (Россия).

128. Еременко, Ю. И. О разработке иммунного алгоритма для решения задачи идентификации почерка / Ю. И. Еременко, А. А. Шаталов // Актуальные вопросы современной техники и технологии: Сборник трудов XIII Междунар. науч. конф. — 2013. — С. 17-19.

129. Саркисян, Р. Е. Системный анализ и принятие решений. Часть 1 : Учебное пособие / Р. Е. Саркисян. — М. : МИИТ, 2008. — 223 с.

130. Лотов, А. В. Многокритериальные задачи принятия решений : Учебное пособие / А. В. Лотов, И. И. Поспелова. — М. : МАКС Пресс, 2008. — 197 с.

Приложение А Современная классификация признаков почерка

Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.