Модели поиска закономерностей и синтеза знаний в медико-биологических базах данных человека-оператора тема диссертации и автореферата по ВАК РФ 05.13.18, кандидат технических наук Чепиков, Эдуард Васильевич

• Чепиков, Эдуард Васильевич
• кандидат технических наук
• 2005

Оглавление диссертации кандидат технических наук Чепиков, Эдуард Васильевич

ВВЕДЕНИЕ

1. ОСОБЕННОСТИ АНАЛИЗА ФУНКЦИОНАЛЬНОГО СОСТОЯНИЯ ЧЕЛОВЕКА-ОПЕРАТОРА

1.1. Проблема оценки функционального состояния человека-оператора

1.2. Специфика моделирования медико-биологической базы данных человека-оператора

1.3. Современные модели поиска закономерностей в базах данных

1.4. Выводы

2. ГЕНЕРАЦИЯ И СИНТЕЗ МОДЕЛЕЙ ЗНАНИЙ НА ОСНОВЕ АНАЛИЗА БАЗЫ ДАННЫХ ЧЕЛОВЕКА-ОПЕРАТОРА

2.1. Моделирование базы данных человека-оператора в процессе проведения медико-биологического эксперимента

2.2. Модель поиска нечеткий правил if-then в базе значений атрибутов . результатов деятельности

2.3. Модель поиска закономерностей в медико-биологической базе данных человека-оператора

2.4. Выводы

3. ПРОГРАММНО-АЛГОРИТМИЧЕСКОЕ ОБЕСПЕЧЕНИЕ СИСТЕМЫ ПОИСКА ЗАКОНОМЕРНОСТЕЙ

3.1. Система обнаружения индивидуальных стратегий поведения человека-оператора

3.2. Система кластеризации экспериментальных данных

3.3. Принципы построения и структура интеллектуальной системы медико-биологического эксперимента

3.4. Выводы 138 ЗАКЛЮЧЕНИЕ

Введение диссертации (часть автореферата) на тему «Модели поиска закономерностей и синтеза знаний в медико-биологических базах данных человека-оператора»

Актуальность проблемы. Получение практически полезных и доступных интерпретации знаний необходимо для принятия решений в различных сферах человеческой деятельности. Подобные задачи актуальны в областях, где присутствуют большие информационные массивы неоднородных, меняющихся во времени данных высокой размерности.

Проблема извлечения знаний и выявления скрытых закономерностей в массивах данных подразделяется на пять различных задач: нахождение ассоциаций, нахождение последовательностей, классификацию, кластеризацию и прогнозирование [1]. Обобщение и аналитическое представление накопленной информации осуществляется с двумя целями. Первая состоит в том, чтобы гарантировать принятие рациональных решений, риск потерь которых сведен к минимуму. Вторая заключается в том, чтобы понять механизм принятия решений. Пользователь, принимая определенное решение, нуждается в содержательном ответе на вопросы, как он получил это решение, почему он должен следовать этому решающему правилу, и т.д.

В связи с этим, актуальной становится задача создания эффективных методов обобщения и интерпретации многомерных данных.

Фактически базы данных выполняют функцию памяти, доступ пользователя к хранилищу данных обеспечивает только извлечение небольшой части из хранимой информации в ответ на четко задаваемые вопросы. Но когда мы имеем огромный поток информации, встает задача максимально целесообразно использовать эту информацию, чтобы извлечь спрятанное в данных знание с целью оптимизировать управление какими-либо процессами, улучшить деятельность организации. Можно было бы использовать армию аналитиков, статистиков, которые бы разбирались с этими данными, используя традиционные средства анализа данных. Но сейчас эта задача не может быть решена только силами человека в силу гигантского объема данных экономической неэффективности такого решения. Кроме того, не всегда получаемые аналитиками результаты являются объективными, поскольку люди руководствуются некоторыми соображениями, априорными представлениями об изучаемом предмете, что отражается на объективности получаемых результатов.

Предпосылками для исследований области интеллектуального анализа данных являются:

• накопление баз данных и сложность их непосредственного эмпирического анализа. Исследовательские базы данных даже по очень узкой тематике, могут содержать сведения о нескольких десятках, а то и сотнях различных показателей [2]. Эмпирический анализ даже такого малого объема информации весьма сложен и трудоемок;

• развитие математических алгоритмов выявления закономерностей и поиска взаимосвязей различных показателей в базах данных, успешная апробация этих алгоритмов в других областях человеческого знания;

• развитие аппаратного обеспечения. Ключевой возможностью применения технологий data mining стало огромное падение цены на устройства хранения информации за последние несколько лет, с десятков долларов за хранение мегабайта информации, до десятков центов. Падение цен на процессоры с одновременным увеличением их быстродействия также способствует развитию технологий, связанных с обработкой огромных массивов информации. Распространение клиент-серверной архитектуры также является необходимым атрибутом технологии data mining. Такой подход предоставляет возможность выполнять наиболее трудоемкие процедуры обработки данных на высокопроизводительном сервере как разработчикам проектов, так и конечным пользователям.

Модели «добычи» знаний (data mining) позволяют уменьшить остроту проблемы. Используя продвинутые аналитические методы в области добычи знаний из исходных, "сырых", данных, многие организации увеличивают прибыль, повышают производительность, сокращают затраты и увеличивают удовлетворенность клиентов. Они уже активно используются при анализе рынка, маркетинге, прогнозе фондовых котировок и других бизнес-приложениях. В отличие от данных приложений, методы анализа медико-биологических баз данных практически отсутствуют. В особенности такая ситуация характерна для человеко-машинных систем, где остро стоит проблема оценки функционального состояния человека-оператора на основе поиска значимых отношений между параметрами деятельности, психофизиологии и психологического тестирования.

Вопросы построения концептуальных схем, рассматривающих организм человека с системных позиций, рассматривались в работах Анохина П.К, Амосова Н.М., Судакова К.В., Глушкова В.М., Медведева В.И., Михиенко Е.В. Методы интеллектуального анализа данных представлены в работах D.Wettschereck , D.Aha, D.Heckerman, R.Srikant, R.Agrawal, A.Gyenesei, Дюка B.A., Арсеньева С.Б., Цветкова A. M. Разработке методов и моделей нечеткой логики и правдоподобных рассуждений посвящены работы Д.Дюбуа, А.Прада, Вагина В.Н., Берштейна Л.С., Астанина С.В.

В представляемой диссертации разрабатываются вопросы, связанные с исследованием особенностей медико-биологических баз данных человека-оператора на основе концепции функциональных систем организма, разработкой математических методов обнаружения закономерностей в таких базах данных, созданием алгоритмического и программного обеспечения поиска закономерностей. Данная работа является частью исследований в области анализа качества функционирования человеко-машинных систем, проводимых в Таганрогском государственном радиотехническом университете.

Исследования выполнялись в рамках научно-исследовательских работ, согласно программам Министерства образования и науки Российской Федерации.

Диссертация посвящена решению научной проблемы, связанной с разработкой моделей формирования гипотез и поиска закономерностей в медико-биологических базах человека-оператора, основанных на концепции функциональных систем, введенной Ухтомским и Анохиным.

Целью исследований является повышение эффективности средств извлечения знаний в темпоральных медико-биологических базах данных, формируемых в процессе профессиональной деятельности человека-оператора. Основными задачами диссертации являются:

1. Анализ проблем, возникающих при оценке функционального состояния человека-оператора.

2. Анализ особенностей обработки медико-биологической базы данных человека-оператора.

3. Анализ существующих интеллектуальных методов обнаружения знаний применительно к медико-биологическим базам данных человека-оператора

4. Разработка модели поиска закономерностей базы данных деятельности человека-оператора;

5. Разработка модели поиска закономерностей при анализе базы медико-биологических данных на основе концепции функциональных систем организма;

6. Построение программно-алгоритмического обеспечения системы интеллектуального анализа медико-биологических данных.

В диссертации разрабатываются, исследуются и защищаются следующие основные положения:

• моделирование базы данных человека-оператора в процессе проведения медико-биологического эксперимента;

• модель поиска нечетких правил if-then в базе значений атрибутов результатов деятельности;

• модель поиска закономерностей в медико-биологической базе данных человека-оператора;

• программно-алгоритмическое обеспечение системы поиска закономерностей в базах данных медико-биологического эксперимента. Метод исследований заключается в системном подходе к разработке принципов, методов и моделей поиска закономерностей в медико-биологических базах данных человека-оператора, базирующихся на использовании теорий функциональных систем организма, интеллектуального поиска закономерностей в базах данных, мягких вычислений, интервальной математики, кластерного анализа, математической статистики.

Научная новизна. Основным научным результатом диссертации является разработка моделей поиска закономерностей в медико-биологических базах данных человека-оператора. Вклад в развитие исследований в области контроля и управления функциональным состоянием человека-оператора составляют:

• моделирование базы данных человека-оператора в процессе проведения медико-биологического эксперимента;

• модель поиска нечетких правил в базе значений атрибутов результатов деятельности на основе кластерного анализа и алгоритмов нечеткой логики;

• модель обнаружения закономерностей в медико-биологических базах данных человека-оператора на основе концепции функциональных систем организма.

Достоверность полученных в диссертации результатов подтверждается апробацией математических методов и моделей поиска закономерностей в медико-биологических базах данных человека-оператора на основе концепции самоорганизующихся систем организма.

Практическая ценность и рекомендации по применению. Полученные в диссертации результаты позволяют повысить эффективность обнаружения закономерностей в медико-биологических базах данных обучения на основе математической интерпретации самоорганизации функциональных систем человека-оператора. Предложенные математические методы и модели доведены до уровня алгоритмического и программного обеспечения. Научные и практические результаты, полученные в диссертации, представляют интерес при построении интеллектуальных экспериментальных стендов и тренажно-моделирующих комплексов, предназначенных для анализа и оценки функционального состояния человека-оператора.

Разработанные программные средства используются в процессе лабораторных исследований функционального состояние человека-оператора, проводимых в рамках научно-исследовательской программы Таганрогского государственного университета и применяются в циклах лабораторных работ по курсам «Системы искусственного интеллекта», «Теория принятия решений», «Математическое моделирование на ЭВМ».

Результаты диссертации были внедрены в НКБ «МИУС» (г.Таганрог), Центре дистанционного образования ТРТУ (г.Таганрог), на предприятии ЗАО «Югсвязьмонтаж» (г.Кропоткин), ЗАО «ЮТИСС» (г.Кропоткин), Южном отделении ЦНПО «Каскад» (г.Кропоткин), при выполнении в Таганрогском государственном радиотехническом университете госбюджетной НИР «Исследование и разработка методов представления и обработки знаний в тренажно-моделирующей среде на основе методологии искусственного интеллекта».

Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на Всероссийской научно-методической конференции «Развитие методов и средств компьютерного адаптивного тестирования» (г.Москва, 2005), на всероссийской научно-методической конференции «Телематика-2004», (г.Санкт-Петербург, 2004); на всероссийской научно-практической конференции «Человеческое измерение в информационном обществе», (Москва, 2003); на VII всероссийской научно технической конференции студентов и аспирантов (г.Таганрог, 2003), на всероссийской научно-технической конференции «Компьютерные и информационные технологии в науке, инженерии и управлении» (Таганрог, 2004).

Публикации. Результаты теоретических и экспериментальных исследований нашли свое отражение в 8 печатных работах, а также в трех отчетах по НИР.

Объем работы. Диссертация содержит 148 страниц машинописного текста, включая введение, три раздела, заключение, приложение содержит 37 страниц, список источников из 87 наименований, 23 рисунка, 4 таблицы.

Заключение диссертации по теме «Математическое моделирование, численные методы и комплексы программ», Чепиков, Эдуард Васильевич

3.4. Выводы

1. Поведенческая модель человека-оператора позволяет выделить его индивидуальные стратегии деятельности для многошаговых задач принятия решений.

2. Разработанная система кластеризации позволяет осуществить обработку многомерных медико-биологических данных с визуализацией результатов кластеризации.

3. Предложенная структура интеллектуальной системы медико-биологического эксперимента позволяет осуществить системные исследования операторской деятельности в человеко-машинных системах.

4. Практическая апробация метода анализа медико-биологических данных показала возможность его использования для синтеза знаний о закономерностях взаимодействия функциональных систем человека-оператора.

ЗАКЛЮЧЕНИЕ

В диссертации рассмотрены результаты исследований в области интеллектуального анализа баз данных человеко-машинных систем. Основное внимание было уделено проблемам разработки методов и моделей поиска закономерностей в медико-биологических базах данных на основе концепции функциональных систем организма.

Решение этих проблем позволяет достичь цели повышения эффективности обнаружения закономерностей в медико-биологических базах данных. При решении этих проблем были получены следующие результаты:

1. Разработана технология моделирования базы данных человека-оператора в процессе проведения медико-биологического эксперимента;

2. Разработана модель поиска нечетких правил в базе значений атрибутов результатов деятельности, отличающаяся от известных применением алгоритмов кластерного анализа и нечеткой логики;

3. Разработана модель обнаружения закономерностей в медико-биологических базах данных человека-оператора, отличающаяся от известных учетом особенностей механизма самоорганизации функциональных систем организма;

4. Разработаны прикладные средства интеллектуального анализа данных на основе рассмотренных в диссертационной работе методов и моделей.

Список литературы диссертационного исследования кандидат технических наук Чепиков, Эдуард Васильевич, 2005 год

1. Программы обнаружения знаний как выбрать? // Банковские технологии, 1997.- С. 91 - 93.

2. С.Арсеньев. Извлечение знаний из медицинских баз данных. / Internet: www.megaputer.ru/download/book.zm

3. Психологические проблемы взаимной адаптации человека и машины в системах управления/Под ред. Б.Ф.Ломова, В.Ф.Венды, Ю.М.Забродина.-М.:Наука, 1980.-320с.

4. Астанин С.В., Берштейн JI.C., Захаревич В.Г. Проектирование интеллектуального интерфейса «человек-машина».-Ростов-на-Дону: РГУ, 1990.-118с.

5. Темников М.В. Сигналы состояния человека-оператора.-М.:Наука, 1969.-С.5-17.

6. Баевский P.M., Кирилов О.И., Клецкин С.В., Математический анализ изменений сердечного ритма при стрессе.- М.: Наука, 1984. -219 С.

7. Макаренко Н.В. Психофизиологические функции человека и операторский труд.- К.: Наукова думка, 1991,- 216с.

8. Электрокожное сопротивление как показатель психофизического состояния 4eflQBeKa/http://www.skgr.narod.ru/

9. Ю.Лебедев А. Мышкин И. Бовин Б. Оценка психологических параметров личности по электроэнцефалограмме// Психологический журнал.--2002. №3.- С.96-104

10. Деев А. А., Ложкин Г. В., Спасенников В. В. Автоматизация процедуры обследования при использовании шестнадцатифакторного личностного опросника// Психол. Журнал, 1984. Т.5. № 6. -С.106— 110.

11. Н.Общая психодиагностика / Под ред. А.А. Бодалева, В.В. Столина. М.: МГУ, 1988. С.10-13.

12. Дьяченко М.И., Пономаренко В. А. О подходах к изучению эмоциональной устойчивости// Вопр. психологии. 1990. № 1 с. 106116.

13. Соколова Е. Т. Проективные методы исследования личности. М.:МГУ,1987.

14. Собчик. Л.Н. Метод цветовых выборов. Модифицированный цветовой тест Люшера: Методическое руководство. М.:МГУ, 1990.

15. Основы инженерной психологии/Под ред. Б.Ф.Ломова.-М.:Высш.шк., 1986.-448с.

16. Балабанова Л.М. Судебная патопсихология. Вопросы определения нормы и отклонений.- Донецк: Сталкер, 1998. -429с.

17. Астанин С.В., Чепиков Э.В. Особенности построения тренажно-моделирующего комплекса оценки функционального состояния обучаемого/ Труды XI Всероссийской науч.-мет. конф. «Телематика-2004».-СПб. 2004. Т.2.

18. Астанин С.В., Захаревич В.Г. Информационно-советующие комплексы систем гибридного интеллекта.- Таганрог: Изд. Таганрогского государственного радиотехнического университета, 1997 136с.

19. Астанин С.В. Правдоподобные рассуждения в системах принятия решений. Ч.2.- Таганрог: Изд. Таганрогского государственного радиотехнического университета, 2000.-1 Юс.

20. Анохин П. К. Очерки по физиологии функциональных систем. М.: Медицина, 1974. - 446с.

21. Судаков К. В. Теория функциональных систем. М.: Медицина, 1984.-224с.

22. Астанин С.В., Чепиков Э.В. Принципы построения тренажно-моделирующих комплексов в среде виртуальной реальности/ Материалы всероссийской начн.-практ. конф. «Человеческое измерение в информационном обществе».-М.:ВВЦ, 2003.-С. 116

23. Шапкин С.А., Дикая Л.Г. Деятельность в особых условиях: компонентный анализ структуры и стратегий адаптации. Психологический журнал, т. 17, 1996, 1, 19-34.

24. В. А.Федоров, Ю.Н.Антонов, М.В.Говоркян и др. Новые технологические средства в медицинской диагностике// Международная конференция по биомедицинскому приборостроению БИОМЕДПРИБОР 98, 1998.

25. Леонова А.Б., Медведев В.И. Функциональные состояния человека в трудовой деятельности.-М.: МГУ, 1981.-110с.

26. Корольков А. А., Петленко В. П. Философские проблемы теории нормы в биологии и медицине.- М.: Медицина, 1977,- 392с.

27. Судаков К.В. Кибернетические свойства функциональных систем//Вестник новых медицинских технологий. Тула, 1998. Т.5. -С.12-19.

28. Анохин П.К. Биология и нейрофизиология условного рефлекса. -М.: Медицина. 1968. 548с.

29. Анохин К.В., Бурцев М.С., Зарайская И.Ю., Лукашев А.О., Редько В.Г. Проект "Мозг Анимата": разработка модели адаптивного поведения на основе теории функциональных систем //http://wsni2003.narod.ru/Papers/Anokhin.htm.

30. Михиенко Е.В., Витяев Е.Е. Моделирование работы функциональной системы//Труды научной сессии МИФИ «Нейроинформатика-2004». 4.2, 2004.-С. 124-130.

31. Астанин С.В., Чепиков Э.В. Особенности обработки медико-биологических баз данных человека-оператора /Перспективные интеллектуальные технологии и интеллектуальные системы.-ТаганропТРТУ, №2, 2005.

32. Parsaye К. A Characterization of Data Mining Technologies and Processes // The Journal of Data Warehousing. -1998.-№ 1.

33. Parsaye K. Surveying Decision Support: New Realms of Analysis // Database Programming and Design. 1996. - № 4.

34. Newquist H. P. Data Mining: The AI Metamorphosis // Database Programming and Design. 1996. - № 9.

35. Альперович M. Технологии хранения и обработки корпоративных данных (Data Warehousing, OLAP, DataMining)// www.sft.ru|rewiews|DevCon97/DC2/DC2T 12.htm.

36. Эделстейн Г. Интеллектуальные средства анализа, интерпретации и представления данных в информационных хранилищах // ComputerWeek-Москва. 1996. - № 16. - С. 32-33.

37. Wettschereck D., Aha D. W., Mohri Т. A Review and Empirical Evaluation of Feature Weighting Methods for a Class of Lazy Learning Algorithms // Artificial Intelligence Review. -11. P. 273-314.

38. Aha D. W. An Implementation and Experiment with the Nested Generalized Exemplars Algorithm (Technical Report AIC-95-003). -Washington, DC: Naval Research Laboratory, Navy Center for Applied Research in Artificial Intelligence, 1995.

39. Brand E., Gerritsen R. Naive-Bayes and Nearest Neighbor // DBMS. -1998.-№7.

40. Heckerman D. Bayesian Networks for Data Mining // Data Mining and Knowledge Discovery. 1997. - № 1. - P. 79-119.

41. Гупал A. M., Пономарев А. А., Цветков A. M. Об одном методе индуктивного вывода с подрезанием деревьев решений // Кибернетика и системный анализ. 1993. - № 5. - С. 174-178.

42. Цветков А. М. Разработка алгоритмов индуктивного вывода с использованием деревьев решений // Кибернетика и системный анализ. 1993. - № 1. - С. 174-178.

43. Brand Е., Gerritsen R. Decision Trees // DBMS. 1998. - № 7.

44. Fuernkranz J. Separate-and-Conquer Rule Learning. Vienna: Austrian Research Institute for Artificial Intelligence, Technical Report OEFAI-TR-96-25,1996

45. Parsaye К. Rules are Much More than Decision Trees // The Journal of Data Warehousing. 1997. - № 1.51 .Уоссермен. Ф. Нейрокомпьютерная техника: Теория и практика. М.: Мир, 1992. - 240с.

46. Аджиев В. MineSet визуальный инструмент аналитика // Открытые системы. - 1997. -№3.-С. 72-77.

47. Киселев М., Соломатин Е. Средства добычи знаний в бизнесе и финансах // Открытые системы. 1997. - № 4. - С. 41-44.

48. Елисеева И. И., Юзбашев М. М. Общая теория статистики / Под ред. чл.-корр. РАН И. И. Елисеевой. М.: Финансы и статистика, 1996. -368с.

49. Джейн А. К., Мао Ж., Моиуддин К. М. Введение в искусственные нейронные сети // Открытые системы. 1997. - № 4. - С. 16-24.

50. Quinlan J. R. С4.5: Programs for Machine Learning. San Mateo, CA: Morgan Kaufmann, 1993.

51. Pagallo G., Haussler D. Boolean feature discovery in empirical learning // Machine Learning. 1990. - 5. - P. 71-99.

52. Мусаев A.A. Интеллектуальный анализ данных: Клондайк или Вавилон? // Банковские технологии. №11-12, 1998.

53. Kuo Н.С., Wang H.G. Design optimization with genetic search algorithms. Journal of the Society of Naval Architects and Marine Engineers, Vol. 17, No. 1, pp. 39-48, 1998.

54. R. Srikant, R. Agrawal. 'Mining quantitative association rules in large relational tables'. In Proceedings of the ACM SIGMOD Conference on Management of Data, Montreal, Canada, June 1996.

55. Арсеньев С.Б., Бритков В.Б., Маленкова H.A. Использование технологии анализа данных в интеллектуальных информационных системах// Управление информационными потоками: Сборник трудов

56. Института системного анализа РАН. М.: Эдиториал УРСС, 2002. с.47-68.

57. Astanin S.V. The Behavior Model of Strategic Controlling//5th European Congress on Intelligent Techniques & Soft Computing, Aachen, Germany September 8-11, 1997, V.l.

58. Астанин С.В. Нечеткая автоматная модель стратегического управления// Изв. ТРТУ. Интеллектуальные САПР. -Таганрог: Изд. ТРТУ, 1997.

59. Чепиков Э.В. Поиск стратегий поведения человека-оператора в ходе проведения эксперимента/Материалы всероссийской научно-технической конф. «Компьютерные и информационные технологии в науке, инженерии и управлении».-Таганрог: ТРТУ, 2005.

60. Астанин С.В., Жуковская Н.К., Чепиков Э.В. Игровая обучающая экспертная система/ Материалы всероссийской начн.-практ. конф. «Человеческое измерение в информационном обществе».-М.:ВВЦ, 2003.-С.115-116.

61. Баевский P.M. К проблеме оценки степени напряжения регуляторных систем организма// Адаптация и проблемы общей патологии. Новосибирск, 1974, т.1. С.44-48.

62. R. Agrawal, Т. Imielinski, A. Swami. Mining Associations between Sets of Items in Massive Databases. In Proc. of the 1993 ACM-SIGMOD Int'l Conf. on Management of Data, 1993, pp.207-216.

63. Дюк B.A. Обработка данных на ПК в примерах. СПб: Питер, 1997. -240 с.

64. Астанин С.В., Жуковская Н.К., Чепиков Э.В. Поиск нечетких правил на основе анализа базы данных/Перспективные интеллектуальные технологии и интеллектуальные системы.-Таганрог:ТРТУ, №4, 2004.-С.11-24.

65. Ту Дж., Гонсалес Р., Принципы распознавания образов. М.: Мир, 1978.-411с.

66. Алтунин A.E., Семухин M.B. Модели и алгоритмы принятия решений в нечетких условиях. Тюмень: Изд.ТГУ, 2000.-352 с.

67. Strikant R., Agrawal R. Mining Quantitative Association Rules in Large Relational Tables, in Proceeding of ACM SIGMOD Conference on Management of Data. V.25, pp. 1-12.

68. Gyenesei A. Mining Weighted Association Rules for Fuzzy Quantitative Items. Proceedings of PKDD Conference, 2000, pp.416-423.

69. Астанин C.B. Правдоподобные рассуждения в системах принятия решений.-Таганрог: ТРТУ. 4.1, 2000.-90с.

70. Кулик Б.А. Логика естественных рассуждений.-СПб.: Изд. Невский диалект, 2001.-128с.

71. Гаек П., Гавранек Т. Автоматическое образование гипотез: математические основы общей теории.-М.: наука, 1984.-280с.

72. Финн В.К., Михеенкова М.А. Некоторые проблемы обобщенного ДСМ-метода автоматического порождения гипотез.-Всб.: Семиотика и информатика.-М.:ВИНИТИ, 1993 .-С. 136-163.

73. Поспелов Д.А. Моделирование рассуждений. Опыт анализа мыслительных актов.-М.: Радио и связь, 1989.-184с.

74. Борщев В.Б. О постулатах ДСМ-метода//Новости искусственного интеллекта.-М., 1993 .-С. 16-26.

75. Ломов Б.Ф., Сурков Е.Н. Антиципация в структуре деятельности.-М.: Наука, 1980.-278с.

76. Александров Ю.И. Введение в системную психофизиологию // Психология XXI века. М.: Пер Се, 2003.-С39-85.

77. Астанин С.В., Захаревич В.Г. Обработка и представление знаний в информационно-советующих комплексах систем гибридного интеллекта.-Таганрог: ТРТУ, 1997.-136с.

78. Хартман К. и др. Планирование эксперимента в исследовании технологических процессов.-М.: Мир, 1977.-С.408.

79. Астанин С.В., Жуковская Н.К., Чепиков Э.В. Обнаружение закономерностей в медико-биологических базах данных человека-оператора/Перспективные интеллектуальные технологии и интеллектуальные системы.-Таганрог:ТРТУ, №2, 2005.

80. Нечеткие множества в моделях управления и искусственного интеллекта/Под ред. Д.А.Поспелова.-М.:Наука, 1986.-312с.

81. Чепиков Э.В. Синтез знаний в медико-биологических базах данных обучаемого//Материалы третьей Всероссийской научно-метод. конф. «Развитие методов и средств компьютерного адаптивного тестирования».-М.:МГУП. 2005.- С.238-241.