Моделирование мультисенсорного газоанализатора в условиях неполноты и противоречивости информации тема диссертации и автореферата по ВАК РФ 05.13.18, кандидат технических наук Перегудов, Александр Николаевич

• Перегудов, Александр Николаевич
• кандидат технических наук
• 2009

Оглавление диссертации кандидат технических наук Перегудов, Александр Николаевич

ВВЕДЕНИЕ

ГЛАВА 1. СОВРЕМЕННОЕ СОСТОЯНИЕ МОДЕЛИРОВАНИЯ

ОБОНЯТЕЛЬНОЙ СИСТЕМЫ

1.1. Особенности функционирования и практического использования системы типа «электронный нос»

1.2. Механизмы работы биологической обонятельной системы

1.3. Существующие методы моделирования систем типа «электронный нос»

1.4.Структурно-параметрический синтез в оптимизации управления системы

1.5. Общая схема проведения исследований

ГЛАВА 2. РАЗРАБОТКА МОДЕЛЕЙ И АЛГОРИТМОВ, ИМИТИРУЮЩИХ ФУНКЦИОНИРОВАНИЕ ОБОНЯТЕЛЬНОЙ СИСТЕМЫ

2.1. Выбор алгоритма функционирования нейронной сети

2.2. Определение архитектуры нейронной сети

2.3. Общая схема функционирования системы типа «электронный нос»

ГЛАВА 3. РАЗРАБОТКА КОМПЛЕКСА ПРОГРАММ ФУНКЦИОНИРОВАНИЯ, ОБРАБОТКИ ИНФОРМАЦИИ СИСТЕМЫ ТИПА «ЭЛЕКТРОННЫЙ НОС»

3.1. Разработка электронного аналога системы обоняния

3.2. Выбор алгоритмов обработки информации в системе типа «электронный нос»

3.3. Особенности структуры и функционирования комплекса 83 программ

ГЛАВА 4. ФУНКЦИОНИРОВАНИЕ И ВЕРИФИКАЦИЯ КОМПЛЕКСА ПРОГРАММ СИСТЕМЫ «ЭЛЕКТРОННЫЙ НОС»

4.1. Программное обеспечение функционирования системы типа «электронный нос»

4.2. Структурно-параметрический синтез архитектуры нейронной сети

4.3. Апробация и сравнительный анализ результатов использования системы типа «электронный нос»

Введение диссертации (часть автореферата) на тему «Моделирование мультисенсорного газоанализатора в условиях неполноты и противоречивости информации»

Задача создания и развития новых информационных технологий, обеспечивающих многократное ускорение процесса информатизации общества, представляет значительный практический интерес. Однако научно-технической проблемой в этой области является реализация систем приема, обработки и передачи потоков информации в реальном масштабе времени.

В последние годы в области теории автоматического управления значительно возрос интерес к новым нетрадиционным подходам направленным на интеллектуализацию систем управления [1].

К таким подходам можно отнести жестко детерминированные экспертные. системы на базе нечеткой логики (fuzzy logic) и эволюционные методы моделирования, включающие генетические алгоритмы и искусственные нейронные сети (ИНС) [1].

Причем ИНС представляет собой не столько совокупность заимствованных из нейрофизиологии моделей параллельных вычислительных структур, сколько инструмент для создания искусственного интеллекта.

Первый этап становления ИНС можно представить в виде попытки синтезировать из набора сравнительно просто функционирующих нейронов некоторую упорядоченную структуру, способную выполнять сложные нелинейные преобразования «вход-выход». В настоящее время, по мере достижения успеха в решении задач первого этапа, передний фронт исследований перемещается в область психологии, когнитивных наук. Задача современных исследователей заключается в том, чтобы установить, какие сверхструктуры нейронов и как могут моделировать элементарные акты мыслительной деятельности, а затем воплотить эти принципы в работу систем управления.

Известно, что мышление человека невозможно вне языка. Все явления внешнего мира нашли отражение в языке в виде категорий. Слова представляют собой не просто наборы звуков, за каждым из них стоят какие-то конкретные, но достаточно общие представления. Изучая мир, мозг накапливает информацию, упорядочивает ее и далее происходит то, что психологи называют когнитивным сжатием. Эмпирические знания преобразуются в компактную форму, удобную для оперирования, которая, однако, несет в себе наиболее типические и важные черты исследуемого объекта [2].

Известно, что кроме нейронов никаких других операционных единиц, участвующих в обработке информации, в мозге нет. Поэтому можно предположить, что за каждым представлением картины мира находится конкретный фрагмент нейронной сети мозга. Создать образ объекта (или скорректировать уже имеющийся) означает тренировку этого фрагмента до состояния когда его реакции на возбуждение не отличаются от реакций объекта, известных из жизни. При этом ИНС должна уметь хранить опыт общения с объектом не в виде хронологически (или по какому-то другому принципу) упорядоченных эпизодов, а в виде собственной структуры, то есть непосредственно послойной архитектуры и сил синаптических связей между нейронами.

Человек ретроспективно «проигрывает» в голове прошлое и проецирует настоящее на будущее. Знания о мире (прежний опыт) составляет основу виртуальной реальности, существующей в сознании человека как отражение внешнего мира. Именно умение мысленно эмулировать мир, оперировать его образами и дает человеку возможность планировать свое поведение, предвидеть события и ориентироваться в пространстве потенциальных возможностей.

В настоящей работе продемонстрированы возможности вычислительных технологий ИНС в решении задач создания интеллектуальных информационных систем. В работе создана нейросетевая модель информационной системы, которая не только умеет строить внутренние представления о внешнем мире, прогнозировать поведение объекта управления, но также обладает способностью осуществлять оптимальное управление в соответствии с требованиями модели.

Заключение диссертации по теме «Математическое моделирование, численные методы и комплексы программ», Перегудов, Александр Николаевич

Основные результаты и выводы по работе

В ходе проведенного диссертационного исследования получены следующие результаты:

- на основе анализа закономерностей работы мультисенсорного газоанализатора разработана математическая модель системы обоняния с использованием интеллектуальной обработки информации искусственными нейронными сетями и способная функционировать в условиях неполноты и противоречивости данных;

-предложен алгоритм оптимизации параметров нейронной модели позволяющий осуществлять настройку газоанализатора на одорант, что сокращает время работы мультисенсорной системы;

-обоснован алгоритм оптимизации структуры нейронной сети, моделирующей обонятельную систему, позволяющие минимизировать время обработки информации мультисенсорным газоанализатором;

-разработан комплекс программ, обеспечивающий функционирование газоанализатора и принятие управленческих решений в режиме "on-line".

-разработанные программные средства и структурно-параметрическая модель внедрены в практическую деятельность ООО «СВ-Луч» и в учебный процесс Воронежского института Государственной противопожарной службы МЧС России.

Список литературы диссертационного исследования кандидат технических наук Перегудов, Александр Николаевич, 2009 год

1. Перегудов А.Н. Применение искусственных нейронных сетей в сенсорных системах анализа и диагностики / А.Н. Перегудов, A.B.Калач, А.А.Киселев // Известия Орел ГТУ.- 2008. -№1-3/269(544).- С.85-88.

2. Воронков Г.С. Нейрофизиологические механизмы и обработка сенсорной информации на первом синаптическом уровне в обонятельном анализаторе: дис. д-ра биол. наук / Г.С. Воронков.- М.: МГУ, 1990.

3. Воронков Г.С. Сенсорная система как нейронная семиотическая модель адекватной среды / Г.С. Воронков // Сравнительная физиология высшей нервной деятельности человека и животных.- М.: Наука, 1990.- С. 9-21.

4. Воронков Г.С. Модельный подход как новая парадигма в теории связи в сенсорных системах / Г.С. Воронков // Вестн. Моск. ун-та. Сер. 16: Биология. -1993,- Вып. 1.-С. 3-10.

5. Sensory information: attempt to define and to generalize / G.S. Vo-ronkov // Int. J. Psychophysiology.- 1998. vol. 30.-№l-2.- p.138.

6. Самосонов C.B. Как воспринимаются запахи / С.В.Самосонов // Наука и жизнь.- 1988.- №4.-С104-123.

7. Прохоров А.И. Бионика вчера и сегодня (по материалам зарубежной печати) / А.И. Прохоров.- Сост. М: Знание, 1969.- С. 24 25.

8. Воронков Г.С. Компьютерное моделирование обработки информации в обонятельной системе. П.Механизмы опознания и кратковременного запоминания в обонятельной луковице / Г.С.Воронков, В.А. Изотов // Биофизика.- 2001.- т. 46.- вып. 4.- с. 704-708.

9. Изотов В.А. Компьютерное моделирование обработки информации в обонятельной системе. III. Воспроизведение психофизических феноменов компьютерной моделью обонятельной луковицы / В.А.Изотов, Г.С. Воронков // Биофизика.- 2002.- т. 47.- вып. 5.- с. 914-919.

10. Воронков Г.С. Компьютерная модель формирования и функционирования нейронных элементов в обонятельной коре / Воронков Г.С., Изотов В.А. // Нейрокомпьютеры: разработка и применение.- 2006.- № 4-5.-с.49-58

11. Изотов В.А. Организация входного воздействия при компьютерном моделировании обонятельной системы / Изотов В.А., Воронков Г.С. //Биофизика.- 1999.- т. 44.- вып. 1.- с. 120- 122.

12. The program complex for recognition of smells // Optical memory & Neural Networks. In press.

13. Калач A.B. Пьезосенсоры в мониторинге окружающей среды / A.B. Калач // Эколог, системы и приборы.- 2004.- №10.- С. 8 11.

14. Калач A.B. Мультисенсорные системы. Применение методологии искусственных нейронных сетей для обработки сигналов сенсоров / А.В.Калач // Нейрокомпьютеры: разработка и применение. -2003.- №10 -11.-С.25-36.

15. Перегудов А.Н. Моделирование системы обоняния / А.Н. Перегудов //Вестник Воронежского института МВД России.- 2009.- №3.- С. 109114.

16. Винберг А.И. Криминалистическая одорология / А.И. Винберг //Криминалистика на службе следствия.- Вильнюс, 1967.- С. 3.

17. Цветков П.П. Об использовании обонятельного анализатора в целях криминалистического отождествления личности / П.П. Цветков // Правоведение.-1970.- № 3.- С. 134 137.

18. Винников Я.А. Биосенсоры органов чувств / Я.А.Винников // Эволюция рецепторов.-JI: Наука, 1979.

19. Ганшин В.М. От обонятельных моделей к "электронному носу": (Новые возможности параллельной аналитики) / Ганшин В.М., Чебышев A.B. // Специальная техника.- 1999.- № 1-2.

20. Осовский С.М. Нейронные сети для обработки информации / С.М. Оссовский.- М.: Финансы и статистика, 2002.- 344 с.

21. Кругленко И.В. Интеллектуальные мультисенсорные системы для химического анализа: «Электронный нос» / Кругленко И.В., Снопок Б.А., Ширшов Ю.М., Венгер Е.Ф. // Конф. "Сенсор 2000",- СПб, 2000,- С. 110.

22. Перегудов А.Н. Разработка системы обоняния типа «электронный нос» на основе пьезорезонаторов и искусственных нейронных сетей / А.Н.Перегудов, A.B. Калач, А.И. Ситников //Вестник Воронежского института МВД России. 2009.- №3. -С. 114-119.

23. Вороновский Г.К. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности / Вороновский Г.К., Махотило К.В., Петрашев С.Н., Сергеев С.А.- Харьков: Основа, 1997. -112 с.

24. Мазитова P.M., Охотская В.И., Пучкин Б.И. Обоняние и его моделирование / Мазитова P.M., Охотская В.И., Пучкин Б.И. -М.:. СО АН СССР, 1966.

25. Романченко В. IT-байки: Наноструны — ключ к искусственному обонянию?электронныйресурс.-Режимдоступа: http://www.3dnews.ru/editorial/itnose

26. Калач A.B. Применение искусственных нейронных сетей для определения нитрометана, гексана и бензола в воздухе / Калач A.B. // Изв. Вузов. Химия и хим. Технология.- 2004.- Т. 47.- № 9.- С. 146-148.

27. Яблоков М.Ю. Самоорганизация наночастиц палладия при формировании металл-полимерных покрытий / Яблоков М.Ю., Завьялов С.А., Оболонкова Е.С. // Журн. физ. химии.- 1999.- т.73.- №2.- с.219-223.

28. Долгополов Н.В. "Электронный нос" новое направление индустрии безопасности / Долгополов Н.В., Яблоков М.Ю. // Мир и безопасность. -2007.- № 4.- с. 54-59.

29. Хайкин С. Нейронные сети: полный курс / Хайкин С.// 2-е изд.-М.: Вильяме, 2006.

30. Комарцова Л.Г. Нейрокомпьютеры / Комарцова Л.Г., Максимов A.B. М.: Изд-во МГТУ им. Баумана, 2002.

31. Головко В.А. Нейронные сети: обучение, организация и применение. М., ИПРЖР, 2001.

32. Яхъяева Г.Э. Основы теории нейронных сетей / Яхъяева Г.Э. // Интернет-университет информационных технологий, изд-во "Открытые системы".

33. Тархов Д.А. Нейронные сети. Модели и алгоритмы/ Тархов Д.А. (Справочник.) М.: Радиотехника, 2005.

34. Доленко С.А. Адаптивное построение иерархических нейросе-тевых классификаторов / Доленко С.А., Орлов Ю.В., Персианцев И.Г., Шугай Ю.С. // Нейрокомпьютеры: разработка, применение. -2005.- №1-2.- с.4-11.

35. Акимов C.B. Компьютерные модели для автоматизированного структурно-параметрического синтеза / Акимов C.B. //Компьютерное моделирование 2004: Труды 5-й международной конференции. Часть 1.- СПб.: Нестор, 2004.-С. 191-197.

36. Акимов C.B. 4-уровневая интегративная модель для автоматизации структурно-параметрического синтеза / Акимов C.B.// 57-я НТК: материалы / СПбГУТ.- СПб, 2004.- С. 102-103.

37. Акимов C.B. Компьютерные модели для автоматизированного структурно-параметрического синтеза / Акимов C.B.// Компьютерное моделирование 2004: Труды 5-й международной конференции. Часть 1.-СП6.: «Нестор», 2004.-С. 191-197.

38. Акимов C.B. Опыт создания универсальной модели лестничной цепи // Труды учебных заведений связи / СПбГУТ. СПб, 2004. № 170. С. 96101.

39. Акимов C.B. Универсальные модели: принципы создания и сферы использования // Труды второй всероссийской научной конференции . 4.2/Самара, 2005, С. 14-17.

40. Акимов C.B. Универсальная модель усилительного 4-полюсника СВЧ-диапазона // Труды 5-й международной НГЖ «Методы и алгоритмы прикладной математики в технике, медицине и экономике». Часть 2 / Новочеркасск, 2005, С. 43-49.

41. Hagan, M. T., and M. Menhaj, "Training feedforward networks with the Marquardt algorithm," IEEE Transactions on Neural Networks, vol. 5, no. 6, pp. 989-993,1994.

42. Горбань А.Н. Обучение нейронных сетей, M.: СП ПараГраф,1991

43. Горбань А.Н. Нейроинформатик / Горбань А.Н., Дунин-Барковский В.Л., Кардин А.Н. // Отв. Ред. Новиков Е.А., РАН. Сиб. Отд.

44. Caudill, M., and С. Butler, Understanding Neural Networks: Computer Explorations, Vols. 1 and 2, Cambridge, MA: 1992.

45. Крисилов B.A., Олешко Д.Н., Трутнев A.B. Применение нейронных сетей в задачах интеллектуального анализа информации / Крисилов В.А., Олешко Д.Н., Трутнев A.B.// Труды Одесского политехнического университета.- Вып.2.- 1999.-с. 134.

46. Роберт Хехт-Нильсен. Нейрокомпьютинг: история, состояние, перспективы. // Открытые системы, N4, 1998.

47. Р. Patrick. Minimisation methods for training feedforward Neural Networks. //NEURAL NETWORKS, 1994, Volume 7, Number 1, P. 1-11

48. Нейронные сети. STATISTIC A Neural Networks.// M.: Горячая линия-Телеком, 2000 г. с. 182.

49. Гарри Смит Н.Др. Прикладной регрессионный анализ. Множественная регрессия— 3-е изд. — М.: «Диалектика», 2007. — С. 912.

50. Радченко Станислав Григорьевич, Устойчивые методы оценивания статистических моделей: Монография. — К.: ПП "Санспарель", 2005. — С. 504.

51. Уэйкерли Дж.Ф. Проектирование цифровых устройств. В 2 томах/ Дж.Ф. Уэйкерли // М.:Постмаркет, 2002.

52. Угрюмов Е.П. Цифровая схемотехника / Угрюмов Е.П. // СПб.: БХВ-Петербург, 2000. 528 с.

53. Лобачев Г.А. Сравнение характеристик ПЛИС Xilinx и ALTERA / Лобачев Г.А. // Международная научно-техническая Конференция "Новые методологии проектирования изделий микроэлектроники" «New design methodologies» -Владимир, 2003 г.

54. Plotnikov P., Lobachev G., Comparison XILINX and ALTERA FPGAs // in Proceedings of International Scientific Conference Informatics, Mathematical Modelling and Design in the Technics, Controlling and Education (IMMD'2004), Vladimir, 2004. p. 137 139.

55. Altera Corporation, Data Book, 2003

56. StratixGXFPGAFamily электронныйресурс.-Режимдоступа: //http://www.altera.com/literature/ds/dssgx.pdf

57. Самая большая ПЛИС электронныйресурс.-Режимдоступа: http://www.osp.ni/cw/2002/31/000 19.htm

58. The Programmable Logic Data Book, электронныйресурс.-Режимдоступа: Xilinx, Inc., 2003

59. Virtex-II Pro™ Platform FPGAs: Introduction and Overview элек-тронныйресурс. .-Режимдоступа:/ http://direct.xilinx.com/bvdocs/publications/ds083 .pdf

60. Привалов А.А. Особенности проектирования РЭС с применением ПЛИС / Привалов А.А., Руфитский М.В. // Перспективные технологии в средствах передачи информации.-С120.

61. Стешенко В. Тенденции и перспективы развития ПЛИС и их применение при проектировании аппаратуры ЦОС // Стешенко В. Шипу-лин С. Храпов В. // Компоненты и технологии.- №8.- 2000.-С.-56-58.

62. Стешенко В. Школа схемотехнического проектирования устройств обработки сигналов // Занятие 1. Алгоритмы, элементная база, способы реализации. Компоненты и технологии.- №3.- 2000.-с69-73.

63. Стешенко В. Школа схемотехнического проектирования устройств обработки сигналов // Занятие 14. Программируемые аналоговые интегральные схемы. Компоненты и технологии.- №1.- 2002.-с89-93.

64. Мак, W.-K. I/O Placement for FPGAs With Multiple I/O Standards // IEEE Transactions on, Computer-Aided Design of Integrated Circuits and Systems Volume: 23, Issue: 2, Year: Feb. 2004. Page(s): 315- 321

65. Стешенко В. Школа схемотехнического проектирования устройств обработки сигналов // Занятие 12. Языки описания аппаратуры. Язык описания аппаратуры Verilog HDL. Компоненты и технологии, №6, 2001.-С.23-26.

66. Стешенко В. Школа схемотехнического проектирования устройств обработки сигналов // Занятие 13. Языки описания аппаратуры. Язык описания аппаратуры Verilog HDL. Компоненты и технологии.- №7.- 2001.-С-45-48.

67. Уитби Б. Искусственный интеллект: реальна ли Матрица / пер. с англ. Т. Новиковой. М.: ФАИРПРЕСС, 2004, 224 с.

68. Уэйкерли Дж.Ф. Проектирование цифровых устройств. В 2 томах/ Дж.Ф. Уэйкерли . М.:Постмаркет, 2002.

69. Новиков Ф.А. Дискретная математика для программистов / Ф.А. Новиков// СПб.: Питер, 2002. 304 с.

70. Долинин А.Г. Развитие программного и математического обеспечения САПР нелинейных аналоговых устройств/ Долинин А.Г. // Канд. диссертация- Владимир, ВГТУ, 1996, 200 с.

71. Мосин С.Г. Развитие математического и программного обеспечения подсистемы тестирования для САПР аналоговых и смешанных интегральных схем / Мосин С.Г. // Канд. диссертация. Владимир, ВлГУ, 2000, 175 с.

72. Норенков И.П. Системы автоматизированного проектирования электронной и вычислительной аппаратуры / Норенков И.П., Мани-чев В.Б. // Учеб. Пособие для вузов. М.: Высш. Школа, 1983. 272 с, ил.

73. Привалов A.A. Особенности проектирования РЭС с применением ПЛИС / Привалов A.A., Руфитский М.В. // Перспективные технологии в средствах передачи информации

74. Рабинер Л. Теория и применение цифровой обработки сигналов / Рабинер Л., Гоулд Б. // Перевод с англ. Под ред. Ю.Н. Александрова. М: Мир, 1978.

75. Данчул А.Н. Системотехнические задачи создания САПР / А.Н. Данчул, Л.Я. Полуян // Практ. пособие Под ред. A.B. Петрова -М.: Высш. шк., 1990 .144 с.

76. Комолов Д.А. Системы автоматизированного проектирования фирмы Altera MAX+plus II и Quartos П / Комолов Д.А. Мяльк P.A. Зобенко

77. A.A. Филиппов A.C.// Краткое описание и самоучитель М: Радиософт, 2002.

78. Корнеев В.В. Параллельные вычислительные системы / Корнеев

79. B.В.//М.: «Нолидж», 1999.320 с.

80. Корячко В.М. Теоретические основы САПР / Корячко В.М. Ку-рейчик И.П. Норенков // Учебник для вузов. М.: Энергоатоимздат, 1987. 400 с.

81. Стешенко В. Школа схемотехнического проектирования устройств обработки сигналов // Занятие 14. Программируемые аналоговые интегральные схемы. Компоненты и технологии.- №1.- 2002.-С75-86.

82. Тема 2. Основы теории языков и формальных грамматик. Способы записи синтаксиса языка // http://www.softcraft.ru/translat/lect/t02-04.shtml

83. Угрюмов Е.П. Цифровая схемотехника / Угрюмов Е.П. // СПб.: БХВ-Петербург, 2000. -528 с.

84. Фундаментальные алгоритмы на С++. Алгоритмы на графах // Пер. с англ. Роберт Седжавик. СПб:000 «ДиаСофтЮП», 2002. 496 с.

85. А.Б. Сергиенко Цифровая обработка сигналов / А.Б. Сергиенко // СПб.: Питер, 2002. 608 с: ил.

86. Шипулин С. ПЛИС элементная база систем управления и обработки сигналов XXI века / Шипулин С. Губанов Д.

87. Калач A.B., Коренман Я.И., Нифталиев С.И. Искусственные нейронные сети вчера, сегодня, завтра. Воронеж: Воронеж, гос. технол. акад., 2002, 291 с.

88. Калач A.B. Мультисенсорные системы. Применение методологии искусственных нейронных сетей для обработки сигналов сенсоров // Нейрокомпьютеры: разработка и применение.- 2003- №10-11.-С68.

89. Калач A.B. Мультисенсорная система «электронный нос» Сообщение 1 / Калач A.B., Журавлева Е.В., Рыжков В.В., Перегудов А.Н Сопоставление с природным аналогом // Диагностика. Контроль.- 2005.- №12.-С47.

90. Вороновский Г.К. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности / Вороновский Г.К., Ма-хотило К.В., Петрашев С.Н., Сергеев С.А. // Харьков: Основа, 1997.- 112 с.

91. Осовский С.М. Нейронные сети для обработки информации / Осовский С.М. // М.: Финансы и статистика.- 2002.- 344 с.

92. Калач A.B. Мультисенсорная система "электронный нос". Часть 2 / Калач A.B., Журавлева Е.В., Рыжков В.В. и др. Сбор, обработка и анализ сигналов// Диагностика. Контроль,- 2006.- №1.-С52.

93. Калач А.В Мультисенсорная система "электронный нос". Часть 3. / Калач A.B., РыжковВ.В. Разработка экспертной системы// Диагностика. Контроль, 2006, №2.-С.65.

94. Родина Т.Г. Сенсорный анализ продовольственных товаров . М.: Изд. центр «Академия», 2004, 208 с.

95. Калач A.B. Нейрокомпьютеры: разработка и применение, 2003, № 10-11,43.

96. К. Райхардт, Растворители и эффекты среды в органической химии, Мир, Москва, 1991, 763 с. С. Reichardt, Solvents and Solvent Effects in Organic Chemistry, VCH, Weinheim, 1988.

97. Горбань А.Н., Обучение нейронных сетей, ParaGraph, Москва, 1990, 160 с.

98. Золотов Ю.А. Аналитическая химия в начале XXI века // Завод, лабор. Диагнос. материалов, 2002, Т. 68, №1, С. 14-21.

99. Искусственный интеллект: применение в химии / под ред. Т. Пирса, Б. Хони. М.: «Мир», 1988, 430 с.

100. Кругленко И.В. Интеллектуальные мультисенсорные системы для химического анализа: «Электронный нос» / Кругленко И.В., Снопок Б.А., Ширшов Ю.М., Венгер Е.Ф. // Конф. «Сенсор 2000»,- СПб, 2000.- С. 110.

101. Калач A.B. Определение нитроуглеводородов в воздухе с применением «электронного носа» // Всерос. конф. «Аналитика России». М.,2004.-С. 104.

102. Брандт 3. Анализ данных. Статистические и вычислительные методы для научных работников и инженеров. М.: Мир, ООО «Изд-во ACT», 2003, 686 с.

103. Калач A.B. Способ экспресс-идентификации реальной товарной марки бензинов / Калач A.B.// Химическая промышленность сегодня.2005.-№7.- С. 22-25.

104. Воронков Г.С., Изотов В.А. Компьютерная модель нейронных механизмов обработки информации на первом синаптическом уровне обонятельной системы / Воронков Г.С., Изотов В.А. // Интеллектуальные системы.- 1998,- Т.З.- вып. 1-2.- С. 87-108.

105. Горбань A.H., Россиев Д.А. Нейронные сети на персональном компьютере / Горбань А.Н., Россиев Д.А. 11 Новосибирск: Наука, 1996.- 126 с.

106. Царегородцев В.Г. Нейрокомпьютеры: разработка и применение, 2003, № 7,3.