Самоорганизующаяся экспертная система для диагностики электрооборудования энергосистем тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат технических наук Поляхов, Дмитрий Николаевич

• Поляхов, Дмитрий Николаевич
• кандидат технических наук
• 2005

Оглавление диссертации кандидат технических наук Поляхов, Дмитрий Николаевич

Введение

1 Проблема эффективных действий в решении задачи диагностики оборудования энергетической системы

1.1 Особенности эксплуатации оборудования в Энергетике, как сложном распределенном объекте управления

1.2 Инструментальные средства, используемые для решения задач управления процессом эксплуатации оборудования в энергетике

1.3 Использование экспертных систем для обеспечения надежности работы оборудования в энергетической системе

1.4 Методы представления знаний в синтезе экспертных систем

1.5 Подходы к построению экспертных систем с неоднозначным выводом

1.6 Требования к экспертным системам диагностики оборудования и постановка задачи исследования

1.7 Выводы

2 Модель знаний и алгоритмы самонастройки и самообучения самоорганизующейся системы поддержки принятия решения для диагностики электрооборудования

2.1 Конструирование правил в самоорганизующейся экспертной системе

2.2 Механизм нечеткого логического вывода в самоорганизующейся экспертной системе

2.3 Алгоритм накопления статистики и параметрической оптимизация самоорганизующейся системе поддержки принятия решений

2.4 Алгоритм анализа накопленной статистики и самообучения самоорганизующейся экспертной системы

2.5 Выводы

3 Самоорганизующаяся системе поддержки принятия решений для диагностики электрооборудования на примере диагностики силового трансформатора

3.1 Конструирование правил в самоорганизующейся экспертной системе для диагностики электрооборудования

3.2 Параметрическая оптимизация самоорганизующейся экспертной системы для диагностики электрооборудования на примере корректировки правил диагностики состояния силового трансформатора

3.3 Самообучение самоорганизующейся экспертной системы для диагностики электрооборудования в результате работы подсистемы самообучения

3.4 Пример интерфейса пользователя самоорганизующейся экспертной системы

Введение диссертации (часть автореферата) на тему «Самоорганизующаяся экспертная система для диагностики электрооборудования энергосистем»

Актуальность проблемы использования систем искусственного интеллекта в задачах диагностики электрооборудования для энергосистем определяется наличием сложной структуры выработки, распределения и потребления электроэнергии с большим количеством различного оборудования задействованного в ней. Например, можно выделить в данной структуре подструктуру распределительной энергосети.

При решении задачи диагностики электрооборудования является важным использование критериев и правил, позволяющих получать выводы для различных ситуаций на основе единой системы оценок. С другой стороны уникальный опыт конкретных специалистов часто оказывается более эффективным, чем правила, изложенные в инструкциях и методических указаниях.

Важной и актуальной задачей является разработка таких систем, которые могли бы не только хранить знания, но и получать новые на основе накопленного опыта, как это делает человек.

Цель диссертационной работы заключается в разработке принципов построения экспертной системы для диагностики электрооборудования, которая позволяла бы делать выводы для неоднозначных ситуаций и получать новые знания из имеющихся в результате анализа накопленного опыта.

Основные задачи. В процессе выполнения исследований по вопросам диссертационной работы решались следующие основные задачи:

• изучение существующих методов представления знаний для экспертных систем;

• разработка основ самоорганизующейся экспертной системы для диагностики электрооборудования;

• реализация алгоритма самоорганизующейся экспертной системы с использованием реляционной базы данных для хранения правил и фактов системы.

Методы исследования. В процессе выполнения исследований по вопросам диссертационной работы были использованы: математическая логика и комбинаторика, теория подтверждения свидетельств Демпстера-Шефера, теория графов.

Научная новизна.

1) Модель представления знаний для диагностики электрооборудования, отличающаяся компактностью формы, удобством хранения информации в реляционной базе данных.

2) Механизм нечеткого логического вывода для решения задач диагностики электрооборудования, отличающийся тем, что учитывает противоречивые правила и позволяет системе давать ответы, соответствующие неоднозначности рассматриваемой ситуации.

3) Алгоритм самонастройки и самообучения экспертной системы для диагностики электрооборудования отличающийся возможностью получения системой новых правил без прямого участия человека по их внедрению, что позволяет системе изменять свою структуру и уменьшать неоднозначность нечеткого вывода.

4) Самоорганизующаяся экспертная система для диагностики электрооборудования энергосистем увеличивает количество правил системы на основе накопленной статистики без прямого участия человека.

Практическая значимость. Использование предлагаемого в данной диссертационной работе подхода позволяет повысить качество решения задач диагностики электрооборудования при использовании самоорганизующейся экспертной системы. В частности можно выделить следующие особенности использования самоорганизующейся экспертной системы:

• получение нечеткого ввода для неоднозначной ситуации;

• самообучение системы, позволяющее получать все более точные выводы при накоплении системой опыта.

Основные положения, выносимые на защиту.

• Модель представления знаний для диагностики электрооборудования.

• Механизм нечеткого логического вывода при решении задач диагностики электрооборудования.

• Алгоритм самонастройки и самообучения экспертной системы для диагностики электрооборудования.

• Самоорганизующаяся экспертная система для диагностики электрооборудования энергосистем.

Внедрение результатов. Основные результаты диссертационной работы использованы в следующих организациях:

• Санкт-Петербургский институт дополнительно профессионального образования и службы занятости.

• Научно производственная фирма "Энергосоюз".

Использование результатов диссертационной работы подтверждено соответствующими актами.

Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на следующих научно-технических конференциях и семинарах:

1) Международная конференция по мягким вычислениям и измерениям (SCM-2004), Санкт-Петербург, 25-27 июня 2003 .

2) Международная конференция по мягким вычислениям и измерениям (SCM-2004), Санкт-Петербург, 17-19, июня, 2004.

Публикации. По теме диссертационной работы Поляхова Д.Н. опубликованы следующие печатные работы:

1) Аналитическая обработка информационных потоков для эффективного управления предприятием. Поляхов Д.Н., Сабинин О.Ю. Приборы и сис-темы.Управление, контроль, диагностика.2002 № 7 с.67-70.

2) Интеллектальная советующая система распределения энергопотоков. По. ляхов Д.Н., Болоцкий В.Г., Поляхов Н.Д., Сабинин О.Ю./ Докл. междунар. конф. по мягким вычислениям и измерениям (SCM-2004), С-Пб., 25-27 июня 2003 .

3) Модель прогнозирования нагрузки электроэнергетической системы на основе нейронечеткого подхода /Н. Д. Поляхов, И. А. Приходько, Д. Н. Поляхов, Е. С. Анушина, Е. Ю. Шеина// Изв. ТЭТУ: Сб. науч. тр. СПбГЭТУ, Автоматизация и управление,-С-Пб., 2004, №1.-С.-42-47.

4) Forecast model of power system load basedfuzzy neural approach /N. D. Polyakhov, I. A. Prikhodko, D. N. Polyakhov, E. S. Anushina// Proceedings. International conference on soft computing and measurements (SCM-2004), St.-Petersburg, 1719 June, 2004. Докл. междунар. конф. по мягким вычислениям и измерениям (SCM-2004), 17-19, июня, 2004,С.-Пб.

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Поляхов, Дмитрий Николаевич

Выводы

Имя вывода

Условие

Значение вывода

Логика граничная концентрация не превышает newfuleenler j r-' Внести правило

Рис.3.1.3 Пример ввода нового правила через интерфейс ввода правил.

На рис. 3.1.3 представлена ситуация подготовленного правила для ввода в экспертную систему. Рассмотрим элементы интерфейса с рис. 4.1.3.

Списки "Группы параметров", "Параметры" содержат те же элементы, что и списки с аналогичными названиями с рис. 3.1.2. Разница заключается лишь в том, что на рис. 3.1.2 речь идет о добавлении новых элементов в систему, а на рис. 3.1.3 те же элементы используются как подготовленный строительный материал для получения условий и вывода правила.

Список "Варианты значений" является тем же самым списком, который на рис. 3.1.2 имеет название "Переменные".

Список "Условие" содержит три возможных варианта отношений, связывающих имя параметра со значением переменной, которое он может принимать или не принимать.

Числовые параметры могут быть связаны со значением переменной только условиями "<" или ">", в то время как нечисловые параметры могут быть связаны со значением переменной лишь условием "=".

Список "Логика" содержит всего два элемента: "AND" и "OR", являющиеся условиями логического "И" и логического "ИЛИ" соответственно.

Выбрав щелчком мыши нужные элементы из списков, пользователь видит их отображение в текстовых полях, находящихся под списками. Далее нажатием кнопки "Ввод условий", пользователь вводит новое скомбинированное условие в текст правила.

Когда все необходимые условия введены, пользователь комбинирует условия, которые будут являться выводом правила. Когда очередной элемент вывода правила сформирован, пользователь добавляет его нажатием кнопки "Выводы" в нижний список рис. 3.1.3, который содержит условия вывода. Важно отметить, что выводы являются такими же параметрами, как и те, из которых формируются условия правила. Для экспертной системы они не имеют никаких различий, различия определяются пользователем, когда он решает ввести тот или иной параметр в качестве вывода.

Такой интерфейс ввода новых правил является достаточно простым и интуитивно понятным даже для пользователя далекого от программирования. Когда новое правило сформулировано пользователем полностью, оно заносится в базу знаний экспертной системы. Этот процесс инициируется нажатием кнопки "Вести новое правило".

Поле "Описание правила" является необязательным для заполнения, поскольку система автоматически присваивает новому правилу уникальное имя.

При вводе условий нового правила пользователь может допустить определенные ошибки, например ввести дважды одно и то же условие, ввести противоречивые условия и т.п. Программа находит такие ошибки на этапе ввода условий правила и формирует сообщения об ошибке. ок

Рис. 3.1.4 Пример сообщения об ошибке ввода условия правила.

Теперь рассмотрим основные моменты алгоритма трансформации правила из формы представленной на рис. 3.1.3 в форму подграфа знаний.

Прежде всего, при вводе каждого условия, которое происходит при нажатии кнопки "Вод условий", происходит не только отображение на экране нового условия, дополняющего правила, но также происходит ввод этого условия во внутреннюю базу данных программы. То же самое происходит и с выводами, но выводы заносятся в свою область внутренней базу данных программы.

Когда пользователь нажатием кнопки "Внести правило" запускает ввод правила в базу знаний экспертной системы, включается алгоритм трансформации правила в форму подграфа базы знаний экспертной системы. Прежде всего находятся все имеющиеся во внешней базе данных наборы условий, которые использовались при создании правила. Набором условий является одна и более совокупностей условий, объединенных по признаку общего названия параметра. Условия связывающие название параметра со значениями переменных, которые он принимает, могут быть разными, как в случае числового параметра, в случае нечислового параметра переменные для одного параметра должны отличиться, иначе мы будем иметь то же самое условие. Однако общее имя параметра объединяет эти условия в один набор условий. Возможно данный конкретный набор условий уже встречался при создании других правил, тогда система идентифицирует этот набор условий и заносит в специальный список его уникальный номер, назовем этот список списком номеров наборов условий. Если набор условий встречается впервые и не содержится во внешней базе данных, тогда такой набор условий добавляется в базу данных и ему присваивается уникальный номер, который также заносится в список номеров наборов условий.

Таким образом идентифицируются все наборы условий, участвующие в правиле.

Далее начинается процесс занесения информации в базу знаний экспертной системы.

Идентифицированные наборы условий объединяются в группы по признаку логического условия, связывающего эти наборы.

Если набор условий, стоящий первым в списке, связан со следующим набором условий отношением логического "И" (AND), тогда первая группа будет включать в себя только этот первый набор условий, если данный набор условий связан со следующим набором условий отношением логического "ИЛИ" (OR), тогда первая группа будет включать в себя первый набор условий, второй набор условий и, возможно, еще неограниченное количество наборов условий связанных отношением логического "ИЛИ".

Таким образом формируется определенное количество групп наборов условий.

Далее осуществляется проверка для первой группы наборов условий, она заключается в том, есть ли в базе знаний экспертной системы группа наборов условий идентичная данной, которая находится на верхнем уровне графа знаний. Если такая группа наборов условий имеется, тогда система заносит имя этой существующей группы наборов условий в специальный список. Если такой группы не существует, тогда она создается и ее уникальный номер заносится точно также в специальный список.

Следующая группа наборов условий проходит подобную проверку, только ее уровень в графе знаний будет не верхний, который можно принять за 0-ой, а 1-ый. Если группа условий, идентичная данной группе не будет найдена, тогда будет осуществлена проверка следующей группы условий из правила. Если ни одна из групп условий правила не пройдет проверку, тогда будет создана новая группа условий со своим новым уникальным номером. Необходимо осуществлять проверку всех имеющихся групп по той причине, что в правиле не важен порядок следования условий правила типа "И".

Действительно, рассмотрим два подграфа знаний, содержащих одинаковые элементы.

Рис. 3.1.5 Различный порядок следования одинаковых условий в подграфах знаний.

На рис. 3.1.5 представлены два подграфа знаний, являющиеся идентичными, хотя имеющие различный порядок следования условий. Но нам известно, что узлы в графе знаний связаны между собой логическим "И", или логическим умножением, а от перестановки множителей произведение не меняется.

Именно на избежание дублирования правил и направлена мера перебора всех групп условий в списке нового правила.

После окончания операции идентификации нового правила в базе знаний системы может оказаться, что новое правило является копией уже существующего правила, или быть элементом другого правила, на это будет указывать то, что не будет создано ни одной новой группы условий в базе знаний экспертной системы.

В таком случае система сгенерирует соответствующее сообщение об ошибке и будет запущен специальный предикат sqlrollback, который отменяет все сделанные во внешней базе данных изменения по ходу работы процедуры трансформации нового правила в подграф знаний базы знаний экспертной системы.

Заключение

1) В результате анализа информации, полученной в рамках исследования, был получен результат о неудовлетворительном состоянии программных средств, имеющих целью решать задачи диагностики оборудования. В качестве возможного варианта решения проблемы были рассмотрены различные типы интеллектуальных систем и принципов, на которых они строятся. Результатом рассмотрения являются выводы:

• Использование семантических сетей для решения задачи представления знаний применительно к области электроэнергетики не является оптимальным, поскольку в ряде случаев сети являются логически и эвристически неадекватными.

• Нейронные сети существенно отличаются от семантических сетей (хотя алгоритм поиска информации и в той и в другой сети является схожим), но их существенным недостатком является то, что знания сохраняются не в декларативном виде, а потому они не могут быть доступны для интерпретации со стороны какого-либо внешнего процессора. Доступ к знаниям и процесс логического вывода могут быть описаны только в терминах активности сети. В то время, как для поставленной задачи необходим результат в более определенной форме.

• Более приемлемым является использование фреймов для представления объектов реального мира в системе знаний, однако, фреймы недостаточно гибкая структура для решения задачи самоорганизации.

• Удобным является представление знаний в виде продукционных правил, поскольку с одной стороны это достаточно просто, с другой стороны именно в такой форме эти знания зачастую содержатся в ответах экспертов и в специализированной литературе

• Существенным моментом в расширении возможностей экспертной системы является использование нечеткой логики.

2) Предложена модель представления знаний для диагностики электрооборудования, позволяющая компактно хранить правила экспертной системы в табличной форме.

3) Предложен механизм нечеткого логического вывода решения задач диагностики электрооборудования, позволяющий получать от экспертной системы ответ в неоднознчаных ситуациях.

4) Предложен алгоритм самонастройки и самообучения экспертной системы для диагностики электрооборудования. Алгоритм использует накопленную экспертной системой статистику для изменения правил системы с целью повышения эффективности ее работы.

5) Предложена самоорганизующаяся экспертная система для диагностики электрооборудования энергосистем, использующая механизм нечеткого логического вывода и алгоритм самонастройки и самообучения.

6) Выбрано средство программной реализации, достаточно универсальное и позволяющее использовать реляционные базы данных - Visual Prolog. Для хранения, как фактической информации (фактов), так и для хранения алгоритмов обработки данных (правил) решено использовать реляционную СУБД Microsoft SQL Server 2000.

7) Проведена апробация работы системы на примере диагностики силового трансформатора и доказана эффективность работы самоорганизующейся экспертной системы.

Список литературы диссертационного исследования кандидат технических наук Поляхов, Дмитрий Николаевич, 2005 год

1. Джексон П. Введение в экспертные системы. Издательский дом "Вильяме" 2001.

2. Хейс-Рот Ф., Уотерман Д. Построение экспертных систем. М.: Мир 1987.

3. Алексеев О. П., Казис В. JI. Автоматизация электроэнергетических систем. М Энергоатомиздат 1994.

4. Любарский Ю. Я.Самойлов С.Н. Экспертная система оперативного рассмотрения заявок для АСДУ энергообъединениями. Электричество 1991 №2 с. 22-28.

5. Любарский Ю.Я., Орлов В.Г., Васин В.П. Диалоговые системы в диспетчерском управлении энергообъединениями. М.: Энергоатомиздат, 1967.

6. Поляхов Д.Н., Сабинин О.Ю. Аналитическая обработка информационных потоков для эффективного управления предприятием. Приборы и систе-мы.Управление, контроль, диагностика.2002 № 7 с.67-70.

7. Поляхов Д.Н., Болоцкий В.Г., Поляхов Н.Д., Сабинин О.Ю. Интеллектальная советующая система распределения энергопотоков./ Докл. междунар. конф. по мягким вычислениям и измерениям (SCM-2004), Санкт-Петербург, 25-27 июня 2003 .

8. Zhang Z.Z., Hope G.S., Malik О.Р. An Expert System For Switching Decisions in Substations. IF AC Preprints .Tallinn August 90.

9. Jefferson Т. Smith L. An expert system for wide area back-up protection:-local driven mechanism with remote information sharing. http://www.oviont.ru/news/news007p.shtml

10. Братко И. Программирование на языке ПРОЛОГ для искусственного интеллекта. М.: Мир 1990.

11. Clark K.L. and Мс Cale F. Prolog: a language for implementing expert systems. In Machine intelligence 10. Chichester, U.K.: Ellis Horwood.

12. Кучуков А., Адаменко А. Логическое программирование и Visual Prolog. СПб. БХВ-Петербург. 2003.

13. Мамаев Е., Вишневский A. "Microsoft SQL Server 2000" для профессионалов. СПб "Питер" 2002.

14. Франковяк Д., Гарсиа М. Руководство администратора Microsoft SQL Server 2000. Microsoft Press. 2002.

15. Newell A., Simon G. Human problem solving. Englewood Cliffs, NJ -Prentice Hall. 1972.

16. Buchanan B.G. and Feigenbaum E. A. Dendral and Meta Dendral: their applications dimensions. Artificial Intelligence 11, p 5-24.1988.

17. Buchanan B.G. Barstow T. Constructing an expert system . Addison Wesley. 1987.

18. Eshelman L. and McDermott J. MOLE: a knowledge acquisition tool, that uses its head. In proceedings of National conference on Artificial Intelligence, p. 950955.1986.

19. Eshelman L. A knowledge acquisition tool for cover and differentiate systems. In Automating Knowledge Acquisition for Expert Systems. Chapter 3. Boston: Kluiver Academic.

20. Boose J.M. and Gaines H.K. Knowledge Acquisition Tools for Expert Systems. New York.Academic press. 1988.

21. Buchanan B.G. Wilkins D.C. Readings in Knowledge Acquisition and Learning. Los Altos. CA: Morgan Kaufmann. 1993.

22. Boose J.H. A Survey of Knowledge Acquisition Techniques and tools. Knowledge Acquisition, 1, p. 3-37.

23. Bachont J. RIME: preliminary work towards a knowledge acquisition tool. In Automating Knowledge Acquisition for Expert Systems. Chapter 7. Boston: Kluiver Academic 1988.

24. Cole W.A. Knowledge-Based Knowledge Acquisition for a Statistical Consulting Systems. International Journal of Man-Machine Studies. 26. p.54-56.1986.

25. C. Осуми, Ю. Саэки. Приобретение знаний. М.: Мир. 1990.

26. Buchanan B.G and Shortliffe. Rule Based Expert Systems. Addison Wesley. 1984.

27. Willinga B.J. and Breuker J. A. Models of Expertise. In proceedings of 7-th European Conference on Artificial Intelligence, p.306-318. 1986.

28. Willinga B.J. and Schreiber A. T. Conceptual Modeling of Large Reusable Knowledge Bases. In Management and Processing of Complex Data Structures. Third Workshop on Information Systems and Artificial Intelligence. Proceedings, p. 181-200. 1994.

29. Clancey W.J. Heuristic Classification. Artificial Intelligence 27, p. 289-350. 1985.

30. Попов Э.В. Экспертные системы. M.: Наука. 1987.

31. Chandrasekaran S. Expert Systems: Matching Techniques to Tests. In Artificial Intelligence. Applications for Business. Norwood. Ablex. 1984.

32. Coombs H.J. Development in Expert Systems. Addison Wesley. 1984.

33. Clancey W.J. Knowledge-Based Tutoring. The Guidon Program. Cambridge, MA: Mit Press. 1987.

34. Davis R. Expert Systems: how far Can They Go. Artificial Intelligence Magazine 10(2). p.65-77. Summer 1989.

35. Heckerman D. Probabilistic Interpretation for MYCIN'S Certainty factors. In Uncertainty in Atrificial intelligence, p. 169-196. Amsterdam: North-Holand. 1986.

36. Ward R. D. and Sleeman D. Learning to Use the S.l Knowledge Engineering Tool. Knowledge Engineering Review, 2, p. 265-276. 1987.

37. Clancey W.J. and Letsinger R. NEOMYCIN: reconfiguring a rule based expert system for applications to teaching. In Readings in Medical Artificial Intelligence, chapter 15. Addison-Wesley. 1984.

38. Clancey W.J. Rnowledge-Based Tutoring. The Guidon program. Cambridge, MA: MIT Press.

39. Davis R. and King J. An overview of production systems. In Machine Intelligence. 8, p. 300-332. New York: Wiley. 1987.

40. McDermott J. and Forgy C.L. Production System Conflict Resolution Strategies. In Pattern Directed Inference Systems, p. 177-199. New York: Academic Press.

41. Чень Ч., Ли P. Математическая логика и автоматическое доказательство теорем. М.: Наука. 1987.

42. Уэно X., Исидзука М. Представление и использование знаний. М.: Мир. 1989.

43. Robinson J.A. A Machine Oriented Logic Based on the Resolution Principle. Journal of the Association for Computing Machinery 12, p. 23-41. 1970.

44. Малпас Дж. Реляционный язык ПРОЛОГ и его применение. М.: Наука 1990.

45. Quillian J.R. Application of Expert Systems. Addison Wesley. 1987.

46. Collins A.M. and Quillian J.R. Retrieval Time from Semantic Memory. Journal of Verbal Learning and Verbal Behavior 8, p.240-247.

47. Woods W. What's in a link: Foundations for Semantic Networks. In Representation and Understanding. New York. Academic Press.

48. Schubert L.K. Extending the Expressive Power of Semantic Networks. Artificial Intelligence 7, p. 163-198. 1969.

49. Levsque H. and Mylopoulos J. A Procedural Semantics for Networks. In Associative Networks 4, p. 93-100. 1979.

50. Hendrix G.C. Encoding Knowledge in Partitioned Networks. In Associative Networks 3, p. 51-92. 1979.

51. Hinton G.E. Connectionist Learning Procedures. In Artificial Intelligence 40, p.185-234. 1989.

52. Rumelhart D.E. and McCleland J.C. Parallel Distributed Processing: Explorations in the Microstructure of Cognition: Foundations. Cambridge, MA: MIT Press.

53. Horty J.R., Thomson R.H. A Skeptical theory of Inheritance in Nonmonotonic Semantic Nets. In Proceedings of National Conference on Artificial Intelligence, p.358-363. 1987.

54. Touretzky D.S. The Mathematics of Inheritance Systems. London: Pitman. 1986.

55. McCarthy J. and Heyes P. Some Philosophical Problems from the Standpoint of Artificial Intelligence. In Machine Intelligence 4, p. 463-502. Edinburgh: Edinburgh University Press. 1969.

56. Zadeh L.A. Fuzzy Sets. Information and Control 4, p. 338-353. 1965.

57. Zadeh L.A. Fuzzy Logic and Approximate Reasoning. Synthese, 30, p. 407-428. 1975

58. McNeill D. and Freiberger P. Fuzzy Logic. Simon an Schuster. 1993.

59. Jamshidi M., Tilti A. Applications of Fuzzy Logic: Towards High Machine Intelligence Quotient Systems. Englewood Cliffs, N.J. Prentice Hall. 1997.

60. Dubois D., Prade M. and Yager R. Fuzzy Information Engineering: A Guided Tour of Applications. New York: Wiley. 1996.

61. Baldwin J.E. Fuzzy Logic. New York: Wiley. 1996.

62. Zadeh L.A. Fuzzy Sets as a Basis for a Theory of Possibility. Fuzzy Sets and Systems 1,1978 c.3-28.

63. Буч Г. Объектно-ориентированный анализ и проектирование. СПб издательство "Бином". 1998.

64. Стауструп Б. Язык програмирования С++. СПб издательство "Бином". 1999.

65. Myers G. Composite/Structured Design. New York, New York: Von Nostrand Reinhold. 1978.

66. Walsh J. Preliminary Defect Data from Iterative Development of a Large С++ Program. Vancouver, Canada: OOPSLA'92.

67. Sakkinen M. On the Dark Side of С++. Proceedings of ECOOP'88: European Conference on Object Oriented Programming. New York, NY: Springer-Verlog.

68. Microsoft С++Tutorial. Redmond, Washington: Microsoft Corporation. 1992.

69. Coplien J. Advanced С++ Programming Styles and Idioms. Addison-Wesley. 1992.

70. Goldberg A. and Robson D. Smalltalk 80: the Language and its Implementation. 1983.

71. Tesler D. The Smalltalk Environment. Byte 6(8). August 1983.

72. Booch G. Software Engineering with Ada. CA: Benjamin/Cammings. 1986.

73. Horvitz E. and Heckermann D. The inconsistent use of measures of certainty in artificial intelligence research. Uncertainty in Artificial Intelligence. Amsterdam: North Holland. 1986, c. 137-151.

74. Barnett J.A. Computational methods for a mathematical theory of evidence. 7-th international Joint Conference on Artificial Intelligence. Vancouver, c. 868-875. 1981.

75. John Gordon and Edward H. Shortliffe. A method for Managing Evidential Reasoning in a Hierarchical Hypothesis Space. Artificial Intelligence №26 c.323-357. 1985.