WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!


 

На правах рукописи

ПИМЕНОВ Виктор Игоревич  __________

МЕТОДЫ, МОДЕЛИ И АЛГОРИТМЫ ИНТЕЛЛЕКТУАЛЬНОГО АНАЛИЗА ДАННЫХ ПРИ СОЗДАНИИ ОБУЧАЮЩИХ СИСТЕМ В ТЕКСТИЛЬНОЙ И ЛЕГКОЙ ПРОМЫШЛЕННОСТИ

05.13.01 – Системный анализ, управление и обработка информации

(промышленность)

АВТОРЕФЕРАТ

на соискание ученой степени

доктора технических наук

Санкт-Петербург

2009

Работа выполнена в государственном образовательном учреждении высшего профессионального образования “Санкт-Петербургский государственный университет технологии и дизайна” (СПГУТД)

Научный консультант:        доктор технических наук, профессор

Ипатов Олег Сергеевич

Официальные оппоненты:        доктор технических наук, профессор

Федоров Василий Николаевич

доктор физ.-мат. наук, профессор

Братчиков Игорь Леонидович

доктор физ.-мат. наук, профессор

Шапорев Сергей Дмитриевич

Ведущая организация:        Санкт-Петербургский институт

информатики и автоматизации РАН

Защита диссертации состоится “___” ноября 2009 года в ____ часов на заседании совета по защите докторских и кандидатских диссертаций Д 212.230.03 при государственном образовательном учреждении высшего профессионального образования “Санкт-Петербургский государственный технологический институт (технический университет)” по адресу: 190013, Санкт-Петербург, Московский пр., д. 26, ауд. _____.

С диссертацией можно ознакомиться в библиотеке института.

Отзывы на автореферат в одном экземпляре, заверенные печатью, просим направлять по адресу: 190013, Санкт-Петербург, Московский пр., д. 26, СПбГТИ(ТУ), Ученый Совет.

Автореферат разослан “___” _________ 2009 года.

Ученый секретарь

диссертационного совета,

доктор технических наук        В.И. Халимон

Общая характеристика работы

Актуальность проблемы целенаправленного создания обучающей системы, адекватно соответствующей спектру потребностей пользователя, обоснована современным уровнем информатизации общества, объективной потребностью развития дистанционных форм и распространением электронных средств обучения, созданием учебных ресурсов, образовательных Интернет-порталов и внедрением инновационных педагогических технологий.

Не затрагивая этапы, которые прошли в своем развитии обучающие ситемы, их классификацию и набор целевых показателей, рассмотрим вопросы, которые требуется решать на стадии концептуального проектирования для повышения качества создаваемой системы.

Определяющее значение имеет разработка информационной модели, обеспечивающей логическое упорядочивание информации, ее систематизацию и структурирование. Эти задачи обладают творческим характером и являются трудноформализуемыми. Недостаточное развитие научно обоснованных принципов информационно-образовательного обеспечения учебного процесса, подходы к построению моделей, инвариантных к предметной области, жесткое структурирование материала дисциплины, используемое во многих разработках, неоправданное дублирование учебных элементов и сведение методов создания обучающих систем к воспроизведению бумажных оригиналов не позволяют решать данный вопрос в полном объеме.

Задача расширения функциональных возможностей обучающей системы, обеспечивающих достижение целей обучения оптимальным образом, решается в настоящее время за счет ее интеллектуализации, на основе моделей предметной области, обучаемого и процесса обучения.

Очертим класс разрабатываемых обучающих систем областью технологии и дизайна. Технологические процессы, в которых осуществляется преобразование одних объектов в другие с целью создания материального или информационного продукта, – один из самых сложных для формализации разделов человеческих знаний. В условиях расширения ассортимента исходного сырья, создания новых материалов и объектов дизайна непростая и актуальная задача выявления и представления знаний о технологиях должна быть решена с помощью алгоритмов автоматического построения обобщающих правил.

Помимо перечисленных задач при создании обучающей системы решаются следующие вопросы: выбор инструментария и среды для хранения и наполнения данных и знаний, проектирование онтологии предметной области, разработка схемы пользовательского интерфейса и модели навигации по структурным единицам, сопряжение гипертекстовых и интеллектуальных составляющих в единую систему. Для интеллектуального наполнения обучающих систем существует не так много доступных оболочек с развитым программным интерфейсом, а представление знаний на специализированном языке доступно в основном профессиональным инженерам по знаниям.

Таким образом, представляет существенный интерес разработка такой методики использования обобщающих правил, которая позволяет повысить эффективность разработки логических схем обучающих систем и обеспечивает интеграцию знаний для различных моделей обучения – от обычных линейных и гипертекстовых структур до интеллектуальных разветвленных сценариев.

В большинстве работ рассматриваются научно-методические основы создания систем учебного назначения. Однако методика интеллектуального анализа и преобразования эксплицированных данных при построении модели знаний обучающей системы изложена пока недостаточно.

В отраслях текстильной и легкой промышленности весьма много трудноформализуемых задач (формирование свойств инструментальных сталей для машинных швейных игл, подбор рецептур крашения, оценка качества синтетических нитей и др.), отличающихся многомерностью, функционированием в нескольких устойчивых режимах, большим числом неявных нелинейных внутренних взаимосвязей между переменными. Слабоформализованные отношения – представление конструкторских приемов при создании объекта дизайна, гармонизация художником-дизайнером композиционных и цветовых решений характерны для задач, связанных с формированием проектно-художественной концепции изделия.

Формализующий базой для широкой совокупности промышленных технологий может служить теория распознавания образов. Описание технологического процесса массивом “объект–атрибуты–значения” позволяет представить задачу построения модели знаний как обучение распознаванию образов, когда из баз данных извлекается система решающих правил, описывающих порядок изготовления продукции заданных классов. В настоящее время известно несколько сотен алгоритмов распознавания. Тем не менее, остаются теоретические и прикладные вопросы, связанные с задачей обучения распознаванию образов (ОРО), которые еще полностью не решены: алгоритм ОРО, формирующий на основе обучающих выборок решающие правила, обычно задается заранее из эвристических соображений и целиком зависит от опыта и интуиции разработчика либо выбирается из узкого класса “согласованных” с исходными данными алгоритмов. Недостаточность обучающих выборок при создании ряда трудноформализуемых технологических систем в условиях часто меняющегося ассортимента предъявляет особые требования к их прогностическим свойствам, что заставляет подходить более строго к решению задачи выбора типа решающих правил при построении модели знаний.

Таким образом, системный анализ задач проектирования для класса обучающих систем технологической направленности – формализованное описание конкретного технологического процесса и построение информационной модели обучающей системы – показал их взаимозависимость. Оба круга задач в совокупности образуют одну крупную научную проблему. Следовательно, разработка методологических основ построения модели знаний интеллектуальных обучающих систем в области технологии и дизайна, включающей разнотипные знания, является актуальной крупной научной проблемой.

Объектом исследования является процесс синтеза модели знаний компьютерных обучающих систем в области технологии и дизайна.

Цель диссертационной работы – решение научной проблемы разработки методологических основ создания обучающих систем, основанных на знаниях технологического профиля, описывающих слабоформализованные отношения и различные модели обучения, за счет автоматического построения решающих правил, что позволит повысить эффективность разработки логических схем систем рассматриваемого класса.

Для достижения поставленной цели в работе решены следующие задачи:

проведен анализ современного состояния проблемы структурирования учебных элементов и построения интеллектуальных обучающих систем, выявлены их основные компоненты и тенденции развития;

разработана методология формализации знаний о технологических процессах, базирующаяся на автоматическом построении решающих правил методами обучения распознаванию образов;

в рамках методологии разработан подход к синтезу модели знаний на основе комплексного применения дискриминантных алгоритмов;

исследованы экстраполирующие свойства решающих правил, отличающихся легкой семантической интерпретацией при представлении технологических знаний в виде набора продукций, предложены и реализованы новые методы обучения и распознавания для различных видов априорной неопределенности;

исследованы способы повышения точности описания классов объектов, разработаны новые методы и алгоритмы оптимизации систем описания, позволяющие повысить степень сжатия информации при построении правил вывода на знаниях;

разработана методика структуризации обучающих систем технологической направленности на основе применения результатов интеллектуального анализа данных;

выполнена проверка эффективности предложенных методов и алгоритмов при разработке ряда обучающих систем в области технологии и дизайна.

Основные методы исследований. Методической и теоретической основой диссертационного исследования явились научные труды по теории распознавания образов, имитационному моделированию, структурному анализу. Широко использовались современные методы искусственного интеллекта, теории вероятностей и математической статистики, теории нечеткой логики, математического программирования, последовательного анализа. Компьютерная реализация разработанных алгоритмов производилась на основе объектно-ориентированного подхода с применением средств мультимедиа, компьютерной графики, и трудов по текстильным технологиям. Исследования предложенных методов комплексного применения множества дискриминантных алгоритмов для построения поля знаний технологического процесса проводились с использованием пакета прикладных программ, разработанного автором. Достоверность полученных результатов обеспечивалась корректностью исходных предпосылок, математической строгостью доказанных утверждений и преобразований при получении аналитических зависимостей, а также результатами практической реализации.

Научная новизна работы заключается в том, что в ней предложена, развита и реализована концепция построения модели знаний обучающих систем технологической направленности, основанная на использовании ранее не применявшихся к данной предметной области методов обучения распознаванию образов, в частности, разработаны:

  • новая методология рационального выбора и построения системы решающих правил, учитывающая виды априорной неопределенности, объем выборки, сложность систем описания объектов, емкость формируемого правила и количество классов;
  • модель знаний обучающей системы, эксплицированных специалистами и извлеченных из массива данных, в виде набора решающих правил, основанная на предложенной классификации методов обучения распознаванию образов;
  • совокупность теоретических оценок прогностических свойств решающих правил различной емкости, служащих для повышения эффективности базы знаний интеллектуальных обучающих систем;
  • новый комплексный подход к применению дискриминантных алгоритмов для синтеза модели знаний при ограниченном объеме исходных данных, позволяющий добиться более глубокого минимума гарантированной оценки риска по сравнению с известными методами обучения;
  • методика применения результатов интеллектуального анализа данных для описания трудноформализуемых технологических процессов, автоматизации построения модели знаний интеллектуальных обучающих систем и создания информационной модели обучающих систем, которая позволяет структурировать базовые понятия, декларативные фрагменты, процедурные блоки, выявлять дублирующие данные, повторяющиеся для различных технологических процессов, а также устанавливать связи-гиперссылки;
  • разработанные в рамках предложенной методологии новые методы обучения и распознавания, позволяющие легко реализовать семантическую интерпретацию решающих правил, предназначенные для различных видов априорной неопределенности, – в форме бинарной решающей матрицы, многоградационной матрицы степеней принадлежности и на основе упрощенного последовательного критерия отношения вероятностей;
  • разработанные в рамках комплексного подхода новые критерии и методы обработки информации, предназначенные для сжатия описаний классов объектов и позволяющие увеличить экстраполирующую силу известных решающих правил, а именно: методы уточнения многогранных логических классификаторов, аддитивный метод выбора рабочего словаря признаков, метод кодирования по методу минимального числа порогов, интервальный критерий информативности;
  • модель многофункциональной обучающей системы, основанная на системе решающих правил, управляющих процессом обучения, в которую заложены разные уровни усвоения учебного материала.

На защиту выносится совокупность научных результатов в области создания моделей знаний о технологических процессах.

1. Принципы рационального выбора и построения решающих правил при формировании модели знаний о технологических процессах.

2. Сравнительный анализ экстраполирующих свойств решающих правил различной сложности и методология комплексного применения дискриминантных алгоритмов в условиях ограниченных ОВ.

3. Алгоритмы обучения, формирующие логическую и нечеткую решающие матрицы; упрощенный последовательный алгоритм выделения класса с новыми потребительскими свойствами.

4. Алгоритмы кодирования, выбора информативных признаков и уточнения описаний классов при построении правил вывода на знаниях.

5. Методика структуризации и синтеза продуктивной составляющей гипертекстовых и интеллектуальных обучающих систем.

6. Результаты практического применения методов и алгоритмов обработки информации в ряде гипертекстовых и интеллектуальных обучающих систем в области технологии и дизайна.

Практическая значимость. Разработанная в диссертационной работе методология синтеза на основе комплексного применения дискриминантных алгоритмов может повысить качество модели знаний интеллектуальных систем при ограниченном обучающем материале за счет повышения экстраполирующей силы решающих правил при принятии решения по новым данным.

Методика структуризации гипертекстовых обучающих систем технологической направленности позволяет формировать гибкую, индивидуальную цепочку учебных элементов, выявляя дублирующие информационные блоки, повторяющихся для различных технологических процессов, устанавливать логические связи-гиперссылки и формировать систему правил, которые могут использоваться в обучающих системах на различных уровнях освоения учебного материала, например, в режимах тестирования или тренажера.

Формализация технологических процессов с помощью автоматического построения решающих правил позволяет решать практическую задачу эффективной семантической коммуникации между непрограммирующими авторами-педагогами и разработчиками информационной системы, являющимися специалистами в разных предметных областях, при работе над общим проектом – сценарием и наполнением обучающей системы по специальной дисциплине.

Предложенный в работе спектр методов и алгоритмов позволяет осуществлять интеллектуализацию обучающих систем по технологии и дизайну при реализации различных моделей процесса обучения. Разработанная система дизайн-программирования ассортимента производственной одежды, в которую заложены знания профессионального дизайнера, позволяет пользователю самостоятельно осуществлять проектирование одежды в соответствии с его потребностями.

Разработанная методология применения методов и алгоритмов интеллектуального анализа данных на основе выделения классов и этапности выполнения процедур может использоваться при создании обучающих систем в различных предметных областях, например, посвященных изучению технических систем, в которых последовательность действий реализуется для изменения состояния системы.

Основные результаты, полученные в работе, доведены до уровня расчетных формул, вычислительных алгоритмов или методик, что облегчает их применение при создании обучающих систем.

Реализация результатов работы. Результаты диссертационной работы реализованы, внедрены и используются в виде методологии построения модели знаний обучающих систем, методов и алгоритмов интеллектуального анализа больших массивов даных, мультимедийных программ в Санкт-Петербургском государственном университете технологии и дизайна, Балтийском государственном техническом университете “ВОЕНМЕХ”, Санкт-Петербургской Государственной Лесотехнической академии им. С.М. Кирова, что подтверждено соответствующими актами.

Разработанные обучающие системы широко используются в учебном процессе СПГУТД в курсах “Методы и средства исследований”, “Компьютерное проектирование одежды”, “Механико-технологические процессы текстильной промышленности”, “Информационное обеспечение дизайн-проектирования”, “Информационные системы в дизайне изделий легкой промышленности”, “Математическое моделирование”, “Интеллектуальные информационные системы” для студентов различных специальностей.

Связь исследований с научными программами. Работа поддерживалась следующими грантами: “Разработка аудиовизуальных компьютерных систем обучения иностранным языкам на основе новых информационных технологий” по программе "Перспективные информационные технологии" (1995–1996 г.г.); “Речевой адаптер для ЭВМ: верификация оператора и оценка его эмоционального состояния” (1995–1997 г.г.); персональным грантом “Разработка аудиовизуальной компьютерной системы обучения специалистов в области текстильной и легкой промышленности” по межвузовской комплексной программе "Наукоемкие технологии образования" (МКП НТО, 1998–1999 г.г.); “Разработка экспертных систем для оценки конкурентов” по программе Европейского Союза Tacis ERDUS 9706 “Развитие образовательных связей и инициатив в области высшего и профессионального образования”, проект Delphi – IV “Развитие ресурсов открытого и дистанционного образования” (1999–2001г.г.); грантом “Лентек № 1.5.01. Разработка теоретических основ построения интеллектуализированных компьютерных энциклопедий технологий текстильных материалов” (2001–2003 г.г.), грантом “Разработка информационно-методического и конструкторско-технологического обеспечения дизайн-программирования и изготовления ассортимента производственной одежды для служб городского хозяйства Санкт-Петербурга” по конкурсу инновационных проектов “Знания–инновации” к 300-летию Санкт-Петербурга (2003–2005 г.г.,); разработкой “Виртуальное представительство Санкт-Петербургского университета технологии и дизайна” в рамках комплексного мультимедиа и Internet проекта “Высшая школа Санкт-Петербурга в киберпространстве”, при построении комплекса инновационных разработок для образовательных учреждений высшего профессионального образования “Образовательные виртуальные миры Петербурга”, за создание которого ректору СПГУТД Романову В.Е. присуждена премия президента РФ в области образования за 2003 год (Указ № 79 от 25 января 2005 года).

Апробация работы. Основные результаты работы докладывались, одобрены и опубликованы в материалах 16 международных, 9 всероссийских и всесоюзных научных конференциях, отраженных в списке публикаций.

Личный вклад автора. Постановка основных задач и направлений исследования, отраженных в монографии [1], выполнена совместно с научным консультантом Ипатовым О.С. Выбор методов исследования, анализ и обобщение полученных результатов, теоретические положения и выводы диссертации осуществлены и получены автором единолично (без соавторов). Разработка обучающих систем выполнялась под его руководством или при его участии.

Публикации. По теме диссертации опубликовано 55 работ, в том числе 9 статей в рецензируемых центральных журналах, входящих в перечень ВАК, 1 монография, 4 учебных пособия с грифом УМО, 6 свидетельств о регистрации программ.

Структура и объем работы. Диссертация состоит из введения, пяти разделов, заключения, списка использованных источников из 241 наименований. Общий объем работы – 319 страниц, в том числе основной текст – 278 страниц, 9 таблиц, 64 рисунка.

Содержание работы

Во введении изложены основные положения диссертационной работы, обоснована актуальность темы, определена цель исследований и решаемые задачи, дана характеристика научной новизны и практической значимости работы. Представлены данные об апробации работы и публикациях.

В первой главе проведен анализ современного состояния проблемы создания обучающих систем и синтеза образовательных ресурсов. Выявлены тенденции перехода к новым моделям организации учебного материала и технических средств обучения.

Рассмотрены этапы развития и технологии реализации компьютерных обучающих систем, методы выделения учебных элементов, принципы сборки конечных модулей и курсов. Совершенствованию методов создания систем учебного назначения в значительной степени способствовали труды российских ученых: А. И. Башмакова (МГЭИ (ТУ)), В. П. Беспалько (МГОУ), И. Л. Братчикова (СПбГУ), А. Ю. Деревниной (ТюмГУ), Дозорцева В.М. (РГУ нефти и газа им. И. М. Губкина), З. О. Джалиашвили (СПбГИТМО (ТУ)), В. И. Солдаткина (РГИОО), А. В. Соловова (Самарский ГАУ), Д. В. Сошникова (МАИ (ГТУ)), В. П. Тихомирова (МЭСИ), Т. Б. Чистяковой (СПбГТИ (ТУ)), работы, выполняемые в рамках ряда федеральных программ: “Электронная Россия на 2002–2010 годы”, “Развитие единой образовательной информационной среды на 2001–2005 годы”, “Создание системы открытого образования”, при разработке федерального портала “Российское образование” www.edu.ru, Федерального центра информационно-образовательных ресурсов eor.edu.ru, информационной системы “Единое окно доступа к образовательным ресурсам” window.edu.ru, распределенного Российского портала открытого образования www.openet.ru и др. Из зарубежных работ в этой области исследований отмечены работы Б. Скиннера, Н. Краудера, У. К. Ричмонда, А. Пателя, Кинчука, К. Лемона, В. Люка.

Расширение функциональных возможностей средств электронного обучения, интеллектуализация обучающей системы возможны после построения ряда информационных моделей, основными из которых являются модели обучаемого, процесса обучения и предметной области (рис. 1). Одной из основных характеристик обучаемого является показатель уровня усвоения учебного материала α, который может меняться от осмысленного понимание новой информации до уровня творческой деятельности и создания новых знаний. На основе оценки уровня усвоения студентами учебных элементов выполняется коррекция учебного материала в процессе обучения. Модели процесса обучения и предметной области определяют набор логических связей и декомпозицию учебного материала. Его структуризация обычно выполняется на основе дидактических рекомендаций, зависит от педагогического мастерства и слабо поддерживается рабочими методиками. Повышение эффективности гипертекстовой обучающей системы в области технологии и дизайна, способной формировать гибкую, индивидуальную цепочку учебных элементов, опирается на объектное хранение учебных модулей и устранение дублирующих мультимедийных и текстовых данных, описывающих, например, повторяющиеся для различных технологических процессов операции.

Компонентами, которые необходимо формализовать при построении модели предметной области, описывающей технологические процессы и конструкторские решения, являются вербальная модель (снабженная иллюстрациями, формулами, таблицами и т. п.), а также большое количество экспериментальных данных. Целый ряд конструкторско-технологических задач в текстильной и легкой промышленности являются слабоформализованными. Для принятия конкретных решений в сфере дизайна, конструирования одежды и обуви необходим значительный предшествующий опыт специалиста, снижающий неопределенность проектной задачи. В таких условиях обучающая система должна быть основана на знаниях.

Развитию методологических основ системного подхода к исследованиям в области текстильной и легкой промышленности способствовали труды российских и зарубежных ученых: В. Е. Романова, К. Е. Перепелкина, А. Г. Севостьянова, А. М. Сталевич, Н. Н. Труевцева, Б. Н. Гусева, Е. Я. Сурженко, Е. Б. Кобляковой, А. С. Далидович и др. Знания о ТП позволяют воссоздать в пространстве и времени последовательность технологических переходов, указав все причинно-следственные связи (отношения), возможные альтернативные последовательности, диапазоны значений технологических параметров, обеспечивающие получение готового продукта требуемого качества. Выделены особенности задач, возникающих при концептуализации текстильных объектов и объектов легкой промышленности. Показано, что с точки зрения описания понятий и их свойств вопросы описания и формализации исходных ингредиентов и готового продукта могут решаться одинаково.

Современный рыночный принцип создания новых текстильных, швейных и других изделий базируется на следующей “цепочке заказа”: изделие определенного функционального назначения  текстильный материал заданной структуры  волокна заданного состава. Многоуровневое представление технологических процессов и оборудования, структуры и свойств продуктов и полупродуктов текстильных производств осуществляется по принципу “от волокна до изделия”. Отмечено, что этапность выполнения технологических операций, выделение классов готовой продукции, разработка для каждой конкретной области применения текстильных материалов их специальных видов с оптимизированными свойствами свидетельствуют в пользу построения дискретных моделей знаний о технологических процессах.

Рассматривается проблема выявления знаний при разработке интеллектуальных обучающих систем. Выделение категорий технологических объектов выполняется специалистом в предметной области по сочетаниям свойств всех или отобранных выходных признаков, например, потребительских свойств изделия либо методами автоматической классификации. Число атрибутов, идентифицирующих технологические и текстильные объекты в базе знаний (БЗ) технологических процессов, исчисляется сотнями. В подобных условиях представление поля знаний вручную чрезвычайно затруднено: консеквенты большинства правил указывают на абстрактные категории, а увеличенное число условий в антецеденте трудно сформировать умозрительно. Для представления знаний, эксплицированных специалистами, и извлечения знаний из массива данных, образованных триадами “объект–атрибуты–значение”, предложено использовать методологию обучения распознаванию образов для автоматического построения обобщающих правил, описывающих принадлежность ситуаций к классам. В случаях, когда объем обучающих данных ограничен, в особенности при наличии большого числа классов, определена необходимость рассмотрения прогностических свойств построенной системы решающих правил.

Решающие правила, построенные в процессе обучения распознаванию образов, используются для представления динамических знаний о ТП в виде набора продукций. Причинно-следственные связи между классами объектов и их признаками, отражающие закономерности в обучающих последовательностях, чаще всего устанавливаются с помощью логических РП. Эти правила при малой мере сложности являются универсальными для эффективного решения прикладных задач. Они легко поддаются семантической интерпретации и позволять автоматически формировать сообщения типа “на заданном оборудовании, в заданной последовательности, с заданными режимами подвергнуть исходные элементы определенному воздействию”.

Дополнительные требования к представлению знаний, которые нельзя формализовать символьным представлением – использование обычной и анимированной графики, видео, 3D-моделей, демонстрирующих особенно важные технологические операции и труднодоступные для фотосъемки узлы.

На основании проведенного анализа современного состояния проблемы создания обучающих систем делается вывод о том, что знания, эксплицированные специалистом и извлеченные методами ОРО в результате научных исследований, при эксплуатации технологического оборудования, могут переноситься в сферу учебного процесса в виде многофункциональной обучающей системы, охватывающей различные уровни усвоения учебного материала и предоставляющей возможность гибкого использования учебных элементов в процессе обучения, благодаря достоинствам моделей данных, основанных на гипертексте, объектном подходе и методе экспертных систем. В завершении главы выявлены основные направления научного исследования, выбраны соответствующие методы и поставлены задачи диссертационной работы.

Вторая глава посвящена развитию теоретических основ формализации знаний о технологических процессах на основе дискриминантных методов распознавания образов.

Формально технологический оператор можно описать математической моделью

Y(t) = W(t, U) X(t),

где X(t) – свойства сырья или материалов, участвующих в преобразовании в выходной продукт; t – время; U – конструкционные и режимные параметры оборудования, а также параметры входных и выходных технологических потоков; W(t, U) – оператор преобразования, отображающий пространства X и U в пространство значений выходных переменных Y; Y(t) – потребительские свойства готового продукта. Часто перечисление заданных свойств Y является вербально формулируемой целью ТП.

На практике любой ТП представляет последовательность ряда частных технологических подпроцессов (этапов). Пример – последовательное изготовление пряжи, нитей, тканей, одежды. Такая технологическая цепочка может реализовываться последовательно или параллельно. Параметрами, характеризующими все этапы технологической цепочки, являются:

X = XС ∪ XМ ∪ XД – характеристики исходных компонентов, где

XС = XС1∪ XС2∪… – характеристики используемого сырья,

XМ = XМ1∪ XМ2∪… – характеристики материалов,

XД = XД1∪ XД2∪… – параметры деталей;

U = { UC1, UС2, … , UМ1, …, UДК } – параметры оборудования и технологических потоков на этапах обработки сырья, материалов, деталей;

Y = YП ∪ YЭ – потребительские свойства продукции, где YП = YП1∪ YП2∪… – показатели качества произведенной продукции, YЭ – показатели работоспособности изделия после его эксплуатации.

Сложные многоконтурные технологические системы могут быть представлены эквивалентной разомкнутой схемой путем выделения отдельных подсистем.

Возможные наименования продукции, сортность, уровни потребительских и эксплуатационных показателей качества при одной и той же структуре технологической цепочки представляет собой множество классов Ω, содержащее M элементов. Классификация выполняется специалистом-экспертом или автоматически по сочетанию потребительских свойств продукции Y. В трудноформализуемых ситуациях – с использованием весовых коэффициентов и функций принадлежности нечетких переменных размытым множествам-классам.

Составление алгоритма управления, описывающего, при необходимости, применение оборудования в режимах пуска, останова и нормальной эксплуатации, выполняется отдельно для каждого класса продукции.

Выделен ряд базовых задач, в которых конкретная технология определяется по сочетанию диапазонов изменения параметров X, U и Y. Большинство из них могут решаться на основе построения схем формализации ТП в рамках выявления логических и статистических закономерностей по эмпирическим данным, а при нехватке последних – с привлечением знаний экспертов и аппарата нечеткой логики. Исходные данные представляются матрицей

,

содержащей векторы значений входных X и выходных Y показателей звеньев технологической цепочки, условий U протекания ТП для n прецедентов ωi , i = , с известными решениями (заключениями эксперта).

Модель ТП в форме “объект–атрибуты–значения” при наличии реальных связей содержит их в неявной форме. Весь набор входных параметров для дальнейших исследований можно объединить в единое глобальное пространство XA = X ∪ U – априорный словарь признаков с описаниями свойств ТП:

.

Каждый объект описывается вектором (x1 , …, xNА ) в NА -мерном пространстве признаков априорного словаря XА = {Xj | j = }. Для описания классов объектов используется обучающая выборка ω1, …, ω i , …, ω n , где ω i  – объект-прецедент, известный принадлежностью одному из распознаваемых (описываемых) классов, i = , n – длина (объем) ОВ.

Для формирования поля знаний в виде системы продукционных правил требуется построить соответствующие решающие правила (дискриминантный алгоритм распознавания). Это можно сделать, решив четыре взаимосвязанные задачи:

1) пороговое кодирование признаков;

2) выбор оптимального рабочего словаря признаков XР = {Xj | j = }, XР ⊆ XА (структурная идентификация РП);

3) выбор класса решающих правил: логического, линейно-логического, линейного, кусочно-линейного, квадратичного или более сложного и соответствующего типа алгоритма распознавания;

4) определение параметров выбранного алгоритма (параметрическая идентификация РП).

Выбрать тот или иной метод конструирования набора решающих правил на начальном этапе формирования поля знаний позволяет анализ причин и видов априорной неопределенности. В случае недостаточности глобального множества признаков, характеризующих ТП, при отсутствии возможности его пополнения для повышения точности РП целесообразно использовать дополнительные источники информации: последовательное (неоднократное) измерение признака(ов) в процессе наблюдения за изготовлением готового продукта или учет опыта эксперта при построении решающего правила. Последовательный алгоритм выделения класса с новыми потребительскими свойствами применяется при статистической неопределенности задачи ОРО, по запросу на дополнительные измерения, до достижения заданной точности распознавания. В ситуации нестатистической неопределенности используется нечеткое РП, позволяющее учесть субъективную информацию эксперта.

Ситуация описанная В. А Дюком, когда объекты различных классов перемешаны в признаковом пространстве, приводит к тому, что дискриминантные правила отказываются от распознавания или в лучшем случае “цепляют” только кусочки настоящих логических закономерностей в данных. Чтобы избежать нарушения гипотезы компактности, следует перед обучением соответствующие “трудные” классы разбить на подклассы или, если выполняется поиск неочевидных, скрытых регулярностей, предварительно выделить подгруппы объектов ОВ методами таксономического анализа.

Среди подходов к формированию систем РП выделяются два направления. Первое связано с оптимизацией критерия качества сформированного РП при заданной системе описания объектов. Решение последней задачи (обучение в узком смысле) обычно представляется с помощью алгоритма ОРО, причем существенное значение для эффективности сформированного РП имеет объем n ОВ. В этой группе подходов различные методы отличаются друг от друга сложностью аппроксимирующих решающих функций, формируемых алгоритмом ОРО, видом показателя качества и способом оптимизации этого показателя. Обычно минимизируется риск в известном классе РП. Второе направление сводится к формированию систем описания объектов, в пространстве которых оптимизируется критерий качества РП заданного класса либо разделение классов становится чрезвычайно простым.

Существующие подходы обеспечивают выбор системы описания объектов и построение алгоритма распознавания лишь в узком классе РП. Влияние решения каждой из взаимосвязанных задач на эффективность создаваемой базы знаний приводит к необходимости совместного решения задач обучения при ограниченных ОВ. Предлагается использовать комплексное применение множества дискриминантных алгоритмов. В рамках данного подхода РП классифицируются по типу разделяющих поверхностей. Обучение осуществляется в широком смысле (вводится дополнительный этап – выбор класса РП), что позволяет добиться более глубокого минимума эмпирического риска по сравнению с известными методами обучения.

Методология совместного выбора класса РП, соответствующего алгоритма обучения и системы описания объектов предназначена для формирования динамической модели знаний в условиях ограниченной ОВ. Процесс обучения распознающей БЗ представляется как двухпараметрическая дискретная экстремальная задача, решение которой дает возможность учесть структуру взаимосвязи основных этапов обучения.

Поиск РП при достаточном словаре XА и ограниченной ОВ осуществляется после определения экстраполирующих свойств решающих правил различной сложности. С этой целью множество классов РП {K} = K упорядочивается по критерию минимума гарантированной оценки риска (вероятности ошибки распознавания) Pош, определяемой с заданной мерой надежности 1–η. Оценки Pош для различных классов РП вычисляются через меры сложности на основе неравенств Вапника-Червоненкиса, как

Pош = νmin(K, Xр ) + ε(n, η, M, h),

где νmin – величина минимума эмпирического риска в классе K, ε – гарантированное уклонение среднего риска от эмпирического, h = h(K, Xр) – емкость класса РП K, равная в общем случае числу настраиваемых при обучении параметров. Тогда искомый класс РП K* определяется как

K* = arg[Pош(n , η , M , K , Xр )].

Для определения величины минимума эмпирического риска в классе K νmin(K, Xр ), входящей в выражение для Pош , используется один из таких алгоритмов обучения при заданном рабочем словаре Xр , которые строят РП в данном классе K. При этом предполагается, что в классе K различные алгоритмы обучения дают на одной и той же ОВ близкие значения минимума эмпирического риска νmin . Допустимость этого предположения обусловлена тем обстоятельством, что при ограниченной ОВ и рабочем словаре, информативность которого I(Xр) → 1, выполняется соотношение νmin << ε, причем диапазон изменений минимума эмпирического риска для различных алгоритмов обучения распознающей БЗ в каждом фиксированном классе РП Δνmin(K, Xр) значительно меньше изменения величины νmin при переходе от одного класса к другому.

Выбор Xр в классе K осуществляется путем сокращения размерности признакового пространства, при котором νmin сохраняется на нулевом уровне. При этом, если ОВ ограничена, Pош(K) ≈ Pош(K , Xр ). Формирование системы описания для логических РП осуществляется за счет сокращения объема пространства признаков V при νmin ≈ 0, где V = tj , j = , tj – число градаций j-го признака. Кодирование признаков для логических РП и поиск рабочего словаря осуществляются без непосредственного определения величин минимума эмпирического риска νmin и гарантированной вероятности ошибки распознавания Pош, а с использованием критерия информативности группы признаков – их разделяющей силы I. Способ определения информативности зависит от класса используемых РП. При равномерном распределении числа объектов ОВ по множеству Ω минимум эмпирического риска оценивается соотношением νmin ≤ 1 – I, причем при νmin → 0 всегда I → 1.

Уменьшение избыточности кода и объема признакового пространства может осуществляться устранением “дублирующих” порогов для отдельных признаков при сохранении разделяющей силы их группы. В общем случае требуется разработка специальных методов кодирования.

Отбор входных и выходных отличительных признаков при обучении в глобальном пространстве описания технологического процесса упрощает семантическую интерпретацию системы построенных РП.

В диссертационной работе процесс обучения трактуется как совместный поиск такого класса РП, а также необходимого и достаточного пространства признаков, при которых объекты ОВ становятся легкоразделимыми на классы с помощью несложных поверхностей. Стремление к простоте, положенное в основу закона предсказания, позволяет успешно решать задачу ОРО. Определены экстраполирующие свойства простейших классов решающих правил, обладающих минимальной емкостью: логических, линейно-логических, линейных и кусочно-линейных.

Утверждение 1. Если в Nр-мерном пространстве многоградационных признаков логическое РП безошибочно разделяет обучающую последовательность длины n на M классов, то с вероятностью 1–η можно утверждать, что вероятность ошибочного распознавания Pош с помощью этого РП будет меньше:

ε = ,        (1)

где V = – объем пространства признаков, tj – количество интервалов кодирования признака Xj , j = .

Утверждение 2. В случае ν ≠ 0 с вероятностью 1–η можно утверждать, что вероятность ошибочного распознавания с помощью логического РП будет меньше ν + ε, где

ε = .        (2)

Таким образом, минимизация объема V пространства признаков за счет оптимального кодирования и сокращения числа признаков позволяет повысить точность и надежность распознающей БЗ, основанной на логических правилах.

Если при сохранении разделяющей силы рабочего словаря устраняются “дублирующие” пороги, а логическое РП осуществляет покрытие каждого из классов одним гиперпараллелепипедом (Sm = 1) с гранями, параллельными осям координат-признаков, то V ~ M и

ε ~ при ν = 0,

где tmax =, и

ε ~ при ν ≠  0.

Также получены оценки качества для линейных и кусочно-линейных РП. Их описание сведено в табл. 1, где МЛК – многогранные логические классификаторы; k′ = k – Nр, k – число гиперплоскостей, составляющих РП.

Таблица 1. Экстраполирующие свойства простейших
решающих правил

Эмпирический риск

Гарантированное уклонение среднего риска от эмпирического, ε

Логическое РП (Sm = 1)

Линейные РП

МЛК

ν = 0

~ M⋅Nр

~ M 2⋅Nр

~ M 2(Nр + k ′ )(Nр +1)

ν ≠ 0

~

~ M⋅

M⋅

На основе анализа теоретических и экспериментальных результатов выработаны практические рекомендации по использованию основных алгоритмов ОРО в условиях ограниченных ОВ. В задачах обучения, априорный алфавит которых представлен значительным числом классов (M ≥ 5), с точки зрения обеспечения надежности распознающей БЗ наиболее целесообразно применение простейших РП типа прямоугольных логических классификаторов, решающих деревьев, при Nр ≤ 5 – линейных РП. При построении системы искусственного интеллекта, реализующей стратегию прямого вывода, более сложные РП (включая вероятностные методы, учитывающие распределение объектов по классам) предпочтительно использовать на начальных шагах, когда осуществляется разбиение на небольшое число промежуточных образов. На последних шагах, характеризующихся сильным ветвлением, возникает необходимость применения простейших логических РП, усложнение РП необходимо использовать лишь локально для разделения “трудных” классов или для уточнения описания класса в случае достаточного числа его прецедентов.

Найденные при формировании свойств материалов и при проектировании объектов легкой промышленности адекватные нелинейные модели регрессии или детерминированные зависимости для выходных переменных отдельных звеньев ТП, используются для уточнения описаний классов объектов за счет добавления к системе РП соответствующих нелинейных неравенств. Поскольку при обучении распознающей БЗ описания классов формируются в терминах выходных признаков, например показателей качества готовой продукции, то в первую очередь рассматриваются зависимости для конечных этапов технологического процесса.

Первоначально формируются описания классов с помощью построения кусочно-линейных РП. Знание статистической структуры описаний классов, особенно важное при M > 2, добавляется заменой соответствующих гиперпараллелепипедов и многогранников на гипертрубы, описываемые системой неравенств – доверительных границ для прогнозов значений зависимых признаков.

В пределе, при наличии строгих функциональных детерминированных зависимостей для всех звеньев технологической цепочки, описания классов сжимаются до минимальных размеров, гарантированное уклонение среднего риска от эмпирического стремится к нулю, а экстраполирующая сила системы РП – к единице.

При выявлении материалов с новыми свойствами, заданными через интервалы значений соответствующих выходных переменных, с помощью адекватных статистических моделей определяется область в пространстве признаков рабочего словаря, которая проверяется на технологическую реализуемость.

Исследованы вопросы повышения точности описания классов при формировании распознающей БЗ в условиях мультиколлинеарности системы признаков. На этапе выбора рабочего словаря при комплексном применении множества дискриминантных алгоритмов влияние мультиколлинеарности устраняется за счет ликвидации дублирующих признаков. Сужение, уточнение многогранных Nр-мерных областей класса может осуществляться не только аналитически по уравнениям регрессии через заданные в каждом классе интервалы выходных признаков, но и последовательным расширением центроидов классов в процессе применения методов автоматической классификации (таксономии).

Третья глава посвящена решению задачи оптимизации систем описания правил вывода на знаниях.

Описания технологических объектов, выбираемых из БД, по виду шкалы принимаемых значений содержат признаки различного типа – количественные, порядковые и классификационные.

При оценке в рамках комплексного подхода качества логических решающих правил требуется минимизировать пространство признаков, снижая тем самым величину Pош .

Задача оптимизации объема пространства признаков может быть представлена как бинарная задача минимизации нелинейной целевой функции

= ,        (3.1)

где cj = tj, при условии сохранения достаточности рабочего словаря, имеющем вид линейных ограничений

,        (3.2)

где aij = 0∨1, xj = 0∨1, i = , j = , m = M(M – 1)/2.

Если xj = 0, то j-й признак входит в состав рабочего словаря, в противном случае – нет. Единичное значение коэффициента aij матрицы ограничений указывает на способность j-го признака априорного словаря разделить i-ю пару классов.

Дискретизация признакового пространства сводится к определению числа градаций признаков, мест расположения порогов и должна осуществляться совместно с выбором рабочего словаря признаков. Перебор колоссального числа вариантов при значительном числе классов продукции (M > 10) и размерности априорного словаря признаков (NA > 50) делает затруднительным решение данной задачи на компьютере за приемлемое время. Поиск близких к оптимальным систем описания звеньев технологической цепочки производится путем последовательного кодирования отдельных признаков, выбора рабочего словаря, минимизирующего объем пространства признаков, и устранения “дублирующих порогов” (повторного кодирования) для признаков, разделяющих одинаковые пары классов.

При формировании РП, осуществляющих покрытие каждого класса объектов ОВ гиперпараллелепипедами с гранями, ортогональными координатным осям, предложен алгоритм кодирования независимых признаков, который обеспечивает разделение всех непересекающихся по данному признаку классов, используя минимальное число порогов. Если априорный словарь признаков достаточен для распознавания M типов продукции в классе логических РП, то кодирование по методу МЧП является оптимальным в смысле минимизации объема пространства признаков без учета зависимости их реальных разделяющих сил от подсистемы совместно используемых признаков.

Реальная разделяющая сила признака Xj

= ,

где mj – мощность множества Rj пар классов, полностью разделимых признаком Xj; mj,q – коэффициент ослабления разделяющей силы признака Xj; mj,q = |Rj∩Rq|; Rq – множество пар классов, полностью разделимых подсистемой Xq совместно используемых признаков, Xq = Xр\Xj, m = M(M–1)/2. Зависимость Ij от совместно используемой подсистемы ухудшает экстраполирующие свойства распознающей БЗ.

С целью уменьшения гарантированной оценки риска в процессе логического вывода на новых данных исследованы возможности поиска оптимального объема пространства признаков после их кодирования методом МЧП.

Показано, что уменьшение суммарного числа градаций, то есть минимизация числа взвешенных признаков

= ,        (3.3)

с весовыми коэффициентами

=

при ограничениях (3.2) позволяет эффективно решать задачу оптимизации объема пространства признаков в общем случае зависимых разделяющих сил. Если число градаций имеет незначительный разброс, либо один из признаков имеет число градаций, близкое числу классов M, то поставленная задача эффективно решается путем сокращения количества признаков без учета числа их градаций (при cj = 1).

Поскольку “сильная” зависимость реальных разделяющих сил, когда каждый признак делит только одну-две пары классов по сравнению с подсистемой используемых совместно с ним признаков, встречается редко, то в практических приложениях повышение экстраполирующей силы РБЗ достигается за счет минимизации числа признаков рабочего словаря.

Для решения задачи минимизации числа взвешенных признаков с большим объемом входных данных (M ≥ 10, NA ≥ 50) предложено использовать ε-оптимизацию и точный алгоритм ветвей и границ. Метод ветвей и границ для решения бинарных линейных задач имеет ряд особенностей, позволяющих учитывать специфику задачи и требования к программной реализации алгоритмов. В вычислительном отношении чрезвычайно просты стратегия одностороннего обхода (используются логические операции) и операция сложения, определение целевой функции при нулевых значениях незафиксированных переменных и организация информации о дереве вариантов с помощью целочисленного вектора.

Разработан и реализован аддитивный алгоритм ветвей и границ для выбора рабочего словаря многоградационных признаков. Время решения задач размерностью до 20 переменных (признаков) и 45 ограничений (10 классов) на современных компьютерах не превосходит 1 мин и в среднем занимает около 15 с. Алгоритм работает лучше на матрицах высокой плотности, равной 0,6–0,9, то есть при наличии информативных признаков, число градаций которых стремится к M (при кодировании методом МЧП). В особо трудных случаях используется ε-оптимальное решение z(x) ≤ z*(x)[1+ε] (ε ≈ 0,01) или последнее допустимое решение по достижении предельного времени.

Оставшееся подмножество признаков XA\ Xр используется только при формировании концептуальной составляющей поля знаний. После принятия решения о классе производимой продукции эти признаки позволяют дать полное заключение о характеристиках исходных ингредиентов и диапазонах параметров ТП.

Если приходится оценивать наличие свойства в рассматриваемом изделии, когда исследуемый объект в той или иной степени может принадлежать двум или нескольким нечетким классам и требуется сравнить степень принадлежности или вероятность истинности при сопоставлении различных вариантов решений, то используется подход на основе нечеткой логики с привлечением знаний и опыта экспертов. Оценки специалистов позволяют существенно сократить затрачиваемые время и средства на моделирование сложных объектов, а трудноформируемые связи для выходных показателей – представить интеллектуальной системой в виде словесных описаний, например, сообщить о зависимостях потребительских свойств наборов различных нитей от параметров формования в терминах надмолекулярных структур волокнообразующих полимеров.

Выполнена формализация нечетких классов, их степеней разделимости и процесса кодирования признаков. Выставление порогов осуществляется по следующему алгоритму. В случае, если унарные ортогональные проекции нечетких классов на ось Xj находятся в отношении нечеткого порядка, то пороги выставляются в точках значений признаков, соответствующих максимальному показателю пересечения проекций размытых множеств (пары классов). В случае четкого отношения порядка пороги выставляются посередине между носителями пары проекций размытых классов; если несколько пар классов могут быть разделены одним порогом, то он выставляется посередине между носителями, ближайшими друг к другу, обеспечивая тем самым минимальное число порогов кодирования признака Xj.

Несмотря на недостаток исходных данных, при обучении приходится решать задачу минимизации числа признаков (3.3) для определения тех параметров, без которых информативность оставшейся подгруппы сохраняет значение, близкое к исходному – при ограничениях

,

где cj – затраты на вычисление признака Xj; степень разделимости Dij(Ωm1, Ωm2) определяется, например, через максимальный показатель пересечения размытых множеств:

Dij(Ωm1, Ωm2) = 1 – ,

функция μjm(xj ) определяет унарную ортогональную тень на ось Xj :

μjm(xj ) = ,

i = , j = .

Эта задача решается с помощью аддитивного алгоритма ветвей и границ как бинарная линейная задача о покрытии множества.

В четвертой главе осуществлена разработка методологии обработки баз данных при построении модели знаний на основе решающих правил. Модель знаний о ТП представляется как совокупность статической и динамической составляющих. Статическая модель отражает понятийную, концептуальную структуру предметной области. Иерархичность понятийной структуры может трактоваться как предметная онтологическая модель, узлами которой являются концепты, а отношениями – переходы между узлами. Динамическая модель описывает функциональные связи между понятиями, на основе которых принимаются решения.

Ключевым процессом при построении обучающей информационной системы является получение исходных материалов и знаний от специалистов. Понятийная структура обучающей системы: сведения о классах Ω, их интервальные описания и макроструктура специальных текстов воссоздается коммуникативными методами.

Модели, построенные методами обучения распознаванию образов, при заданной онтологии знаний обучающей системы позволяют находить систему решающих правил, описывающих порядок изготовления продукции заданных классов, и формировать динамическую модель. В конечном итоге выявляются имплицитные структуры знаний, не поддающиеся определению текстологическими и психосемантическими методами.

Поскольку обучающая система по промышленным технологиям должна охватывать широкий спектр объектов: сырья, оборудования, производств и наполняться по принципу “от ингредиентов до изделия”, основными задачами автора-предметника являются: эксплицирование иерархии понятий с использованием отношений типа “часть – целое” для уровней сырья, материалов, деталей и продукта; описание значений и ограничений на свойства понятий для различных экземпляров классов; построение структуры технологического процесса или сценария из фрагментов, представляющих оборудование и связанных пространственными и функциональными отношениями.

Формально онтология определяется как упорядоченная тройка вида <P, R, F>, где P – конечное множество понятий предметной области; R – конечное множество отношений между понятиями; F – конечное множество функций интерпретации. Множества понятий и отношений образуют концептуальный граф, фрагмент которого представлен на рис. 2.

Понятие (сырье, материалы, детали, изделия) раскрывается через соответствующие атрибуты Xx, представляющие набор признаков, определяемый булевым вектором x, Xx ⊆ X∪ Y. Отношения между понятиями устанавливаются через функцию преобразования W(Ux ), выполняемую на определенном этапе ТП, Ux ⊆ U. Одно и то же понятие может быть воспроизведено разными ТП, а одна технология при разных режимах может дать различные понятия. Готовые изделия образуют понятия-классы Ω m, которые в свою очередь могут образовывать семантические подмножества Ω ′. Объект ωi отображается на графе в одну непрерывную цепь.

Наличие описаний объектов-прецедентов, известных принадлежностью одному из описываемых классов, в единой базе данных позволяет сформулировать следующие основные этапы построения базы знаний о ТП.

1. Объединение всего набора входных параметров ТП в единое глобальное пространство XA = X ∪ U – априорный словарь признаков.

2. Конструирование запроса для извлечения из реляционной базы данных записей типа “объект – описание – решение (заключение эксперта) о принадлежности объекта”.

3. Анализ достаточности данных для формирования базы знаний.

4. Обучение распознаванию образов на основе комплексного применения дискриминантных алгоритмов, построение динамической модели как системы решающих правил.

5. Представление решающих правил в базе знаний.

Совокупность задач, которые необходимо решить в процессе формирования базы знаний, зависит от метода формирования набора решающих правил (метода обучения), объема исходной априорной информации и критерия оптимизации сформированного поля знаний.

Выбор метода формирования набора решающих правил на начальном этапе создания базы знаний предложено осуществлять на основе анализа источников априорной неопределенности (рис. 3). Определяющими ограничениями при формировании базы знаний могут быть ограниченный объем обучающей выборки и / или недостаточный априорный словарь признаков XA (мала размерность NA пространства признаков).

Достаточность ОВ определяется условием n(2)/h > 10…30, где n(2)=n(i1, i2), n(i1, i2) - число объектов ОВ, принадлежащих паре классов i1 и i2, h = h(K, NР) - емкость класса РП.

В этом случае используются алгоритмы обучения детерминированного типа, минимизирующие величину эмпирического риска. Выбор РП минимальной емкости, производимый за счет снижения размерности рабочего словаря признаков Xр и использования простого класса K, осуществляется в данном случае в целях упрощения интерпретируемости сформированного правила k. При формировании знаний, основанных на легко интерпретируемых логических РП, основная задача заключается в поиске оптимального рабочего словаря признаков.

Для случая большого числа классов и ситуации недостоверности предложен новый алгоритм обучения, формирующий бинарную решающую матрицу (БРМ). Логическое решающее правило отличается высокой экстраполирующей силой. Заполнение БРМ происходит по следующему правилу:

xi j(m) =

где xi j(m) – значение элемента БРМ, характеризующего принадлежность значений признака X j класса объектов m i-му интервалу кодирования xi j . Исследуемый объект распознается в пространстве “своих” градаций. Распознавание осуществляется посредством поэлементной конъюнкции ячеек матрицы, на которые указывают значения признаков распознаваемого объекта, и выделения единичной ячейки, соответствующей коду класса.

При выявлении внутри m-го класса регрессионных зависимостей  = f(xj1 , xj2 , …), в качестве порогов используются доверительные границы для прогнозов значений признака xj по входным переменным xj-1 , xj-2 последних звеньев технологической цепочки:

(xj1 , xj2 , …) – t1-αSxj (xj1 , xj2 , …) ≥  d(i-1) j ,

(xj1 , xj2 , …) + t1-αSxj (xj1 , xj2 , …) ≤  d(i-1) j ,

где t1–α – квантиль распределения Стьюдента с числом степеней свободы nm 1, nm = ;

1 –α – доверительная вероятность;

Sxj (xj1 , xj2 , …) – оценка стандартного отклонения признака xj.

Простота процедуры обучения (установка интервальных порогов) и распознавания (логические операции и операции сравнения) позволяет легко реализовать семантическую интерпретацию БРМ.

Использование алгоритмов распознавания нечетких (размытых) образов позволяет учесть сложность структуры классов объектов для полиробастных технологических процессов, а также нестатистическую неопределенность принадлежности объектов к некоторым классам, связанную с недостаточностью описаний объектов и малым размером обучающей выборки. Предложен новый алгоритм обучения, формирующий многоградационную матрицу степеней принадлежности , μi j m = , m = , i = .

Решение о классе объекта выносится в четкой или размытой форме. Лингвистическое значение нечеткого класса имеет вид , где μm = , m = . Четкое наименование класса обеспечивается выбором терма с индексом

m* = , ω ∈ Ωm* .

Нечеткое РП помимо учета опыта эксперта позволяет эффективно организовать процесс распознавания с использованием простых логических операций и операций умножения.

В ситуациях статистической неопределенности, для задач выявления новых свойств на фоне большого числа случайных, неучтенных факторов, воздействующих на условия протекания технологического процесса, предлагается упрощенный последовательный критерий отношения вероятностей (ПКОВ), который на n-м шаге измерения признака X имеет вид

= ,

где δα – граница критической области теста для заданного уровня значимости α , 2δ – ширина области безразличия, δσ0 выбирается исходя из заданной точности измерения признака X. Последовательное РП позволяет накапливать информацию о значениях признака X объекта на этапе логического вывода.

В случае неравноценности ошибок первого и второго родов определены параметры усеченного ПКОВ, позволяющие повысить эффективность последовательного метода при выявлении интересующего свойства.

При большом числе классов объектов, подлежащих распознаванию, усеченный ПКОВ удобно применять совместно с простейшими логическими РП для разделения пар пересекающихся классов. Если логическое РП разделяет классы, интервалы значений признаков которых не пересекаются, с помощью установленных при обучении порогов, то в случае трудноразделимых классов используются пороги, зависящие от состава и объема выборки измеренных значений признака.

Разработано и реализовано алгоритмическое обеспечение инструментального комплекс для автоматизации проектирования динамической модели знаний интеллектуальных обучающих систем технологической направленности. Динамическая модель строится как система решающих правил, оперирующих признаками рабочего словаря XР ⊆ XA , на основе знаний как эксплицированных специалистом, так и полученных методами обучения распознаванию образов.

Исходными данными являются описания XA производимых объектов с указанием их принадлежности соответствующему классу. Список признаков, входящих в априорный словарь, специалист формирует исходя из заданного алфавита классов объектов, в частном случае – при составлении онтологии знаний об описываемых ТП. Основное внимание при наполнении комплекса уделяется алгоритмам ОРО, обеспечивающим высокую экстраполирующую силу найденных правил при ограниченном обучающем материале, – алгоритмам, основанным на логических и линейно-логических решающих правилах.

Решающие правила, построенные как простой набор дискриминантных функций линейного и более сложного вида, даже в случае полного разделения классов не содержат знаний о диапазонах изменения значений параметров ТП и их взаимодействий для получения готового изделия заданного класса. Их анализ позволяет указать лишь состав наиболее важных технологических параметров и их весовые коэффициенты для попарной различимости технологических процессов.

Логические правила в форме бинарной решающей матрицы и нечеткой решающей матрицы легко поддаются семантической интерпретации и соответствующей реализации в базе знаний. В общем виде семантика логического правила выглядит следующим образом: “продукция класса Ω m может производиться последовательно на оборудовании … при значениях параметров … , равных …, из деталей … со свойствами …, лежащими в диапазонах …., которые изготовлены из материалов с параметрами, лежащими в диапазонах …, которые изготовлены из сырья …, имеющего свойства … “.

Выбор среди множества альтернативных логических РП в условиях недостаточной ОВ осуществляется на основе рассмотрения сформированных систем описания, так как в этом классе алгоритм распознавания синтезируется непосредственно в процессе кодирования и поиска рабочего словаря признаков, а лучшее качество имеет алгоритм, для которого минимальной является величина объема пространств признаков V.

Комплекс использовался при создании базы знаний для распознавания деталей сложной формы на ряде многономенклатурных конвейерных производств. Экспериментальные исследования показали, что программа распознавания, реализующая БРМ, помимо экономии объема требуемой памяти обеспечивает более высокое быстродействие по сравнению с остальными реализованными алгоритмами логического распознавания.

Показано, что способ кодирования признаков должен соответствовать введенному критерию информативности группы признаков, который, в свою очередь, должен быть согласован со сложностью решающего правила. Для дискретных линейных решающих функций предложен интервальный критерий информативности группы признаков, позволяющий увеличить их экстраполирующую силу.

Учет взаимосвязи основных этапов обучения на основе комплексного применения дискриминантных алгоритмов в условиях ограниченной априорной информации позволяет создавать динамическую модель знаний с обеспечением высокой точности при принятии решения по новым данным.

В пятой главе рассмотрена методика использования разработанных методов и алгоритмов интеллектуального анализа данных при создании обучающих систем в области технологии и дизайна.

Проблема выделения информационных блоков и установления логических связей между сотнями, а иногда тысячами учебных элементов решается на примере формирования логической схемы обучающей системы при ее реализации в гипермедиа технологии, когда учебный материал кроме гипертекста включает графическую информацию, анимационные, аудио- и видео фрагменты, а также интерактивные виртуальные сцены.

Интервальные описания позволяют построить соответствующую бинарную решающую матрицу и сформировать систему решающих правил в терминах рассматриваемой предметной области. Описан процесс разбиения учебного материала с выделением на основе решающей матрицы декларативных, отличительных, повторяющихся и дополнительных информационных фрагментов. Он позволяет сократить объем мультимедийных и текстовых данных за счет устранения дублирующих сведений, встречающихся при описании порядка создания продукции различного типа. Этот эффект также будет наблюдаться для текстового и графического материала при полиграфическом представлении обучающего средства, если его разделы сформированы на основе множества выделенных классов Ω.

Размещение информационных блоков для некоторых гипертекстовых учебников осуществлено в разработанной с участием автора информационно-образовательной среде Санкт-Петербургского университета технологии и дизайна, функционирующей в глобальной сети Интернет.

Формирование проектно-художественной концепции сложного системного объекта – ассортимента производственной одежды – выполняется с помощью разработанной системы дизайн-программирования (рис. 4).

Рисунок 4 – Формирование ассортимента производственной одежды

В основу поля знаний системы положена функциональная структура ассортимента ПО, раскрываемая в признаковом пространстве объективных функционально-эргономических характеристик изделий. Отработка концепции корпоративного дизайна в соответствии с выявленной видовой номенклатурой выполняется с помощью графической подсистемы. База данных для ассортиментных групп структурирована в соответствии с онтологической схемой по группам, видам, подвидам и типам изделий производственной одежды. Каждая признаковая категория представлена в базе графическим изображением соответствующего уровня детализации: от базовых силуэтных форм до функциональных и функционально-декоративных элементов. База знаний реализует решающие правила, сформулированные специалистом-дизайнером, и подпрограммы для управления сценарием, заложенным в процесс проектирования. Пользователю предлагаются такие решения, которые отвечают эстетическим и эргономическим требованиям, обеспечивают безопасность проектируемой одежды в зависимости от сферы ее будущего использования.

Конструктивность принципов комплексного применения множества дискриминантных алгоритмов проверена при построении поля знаний ряда обучающих систем.

Обучающая система "Текстильные технологии" предназначена для формирования знаний по широкому спектру текстильных объектов: сырья, оборудования, производств текстильной промышленности. Изучение технологических процессов и оборудования, структуры и свойств продуктов и полупродуктов текстильных производств осуществляется по принципу “от волокна до изделия”. Для построения разделов выделены следующие классы знаний: "Волокна", "Пряжа", "Трикотаж", "Ткань", "Нетканые материалы", "Одежда", "Отделка", "Контроль качества". Фрагмент онтологии и динамической структуры обучающей системы приведен на рис. 5. Процедурные информационные блоки в основном представляют аудиовизуальную информацию (рис. 6): обычную и анимированную графику, демонстрирующую особенно важные технологические операции и труднодоступные для фотосъемки узлы; звуковые сообщения и видеофрагменты для пояснений при освоении учебного материала.

Рисунок 6 – Обучающая система "Текстильные технологии"

Приведены примеры использования решающих правил при выделении различных классов для построения моделей процесса обучения, описывающих этапность решения учебных задач и освоения учебных элементов.

В обучающей системе “Анализ данных” множество Ω представляет собой классы задач, для решения которых требуется поиск статистических зависимостей различного вида. Сквозные типовые задачи, относящиеся к различным классам, основаны на этапности выполнения процедур анализа данных с применением информационных технологий. При построении модели мультимедийного учебника была сформирована бинарная матрица использования процедур анализа данных для различных классов технологических задач. На ее основе составлена схема логических связей учебных элементов.

Весь учебный материал по уровням освоения учебного материала α и способу представления разделов курса разбит на три категории:

иерархическая схема этапов анализа (α =0);

теоретические сведения (α =1);

примеры решения задач в соответствующем специализированном пакете (α =2…3).

Информационные блоки каждого класса делятся на три типа: декларативный блок с теоретическими сведениями – описаниями базовых понятий, методов и моделей и процедурные блоки с алгоритмом анализа или пошаговым выполнением метода в специализированном пакете. Система использует анимацию графики, демонстрирующей ход решения примеров и задач; звуковые сообщения для пояснений по использованию курса, перевода английских терминов и предложений в области статистики.

В основу методического построения комплекса учебно-методических материалов (КУММ) “Разработка экспертных систем” положена информационная модель обучения. В ходе работы по отбору и структурированию учебных элементов была составлена модель содержания учебного материала и бинарная матрица освоения учебных элементов для различных целевых групп. В результате преобразования набора БРМ сформирована как логическая структура поля знаний, так и процедурный компонент в виде набора правил.

КУММ предусматривает возможность реализации различных траекторий обучения, выбор которых зависит как от целей, поставленных перед обучаемым, так и от начального состояния обучаемого. Реализация этих возможностей обусловлена составом КУММ (учебное пособие, мультимедийный курс, содержащий справочник, систему тестирования, тренажер) и применяемыми методическими приемами. В состав тренажера включена инструментальная среда для разработки прикладных экспертных систем. Она способствует развитию и закреплению навыков создания практических приложений. Среда дополнена средствами для получения консультаций и контроля знаний, введения лексики по выбранной предметной области.

Методика построения обучающих систем технологической направленности на основе методов обучения распознаванию образов применима при реализации моделей процесса обучения, в которые заложены различные уровни усвоения учебного материала (рис. 7).

Логическое РП в форме БРМ позволяет разбить учебно-методический материал на декларативные и процедурные информационные блоки и установить связи между ними, обеспечивая первый уровень освоения учебного материала. Использование заданных моделью обучения тестов на основе процедурных блоков и наложение обратных связей на гипертекстовое представление позволяет перейти на уровень автоматизированной обучающей системы (α = 2). Внедрение интеллектуальной составляющей – базы знаний о ТП и механизма объяснений позволяет подключить уровень причинно-следственных связей, описывающих переходы типа “процедурный блок–информационный фрагмент” (α = 3...4). Записанная в виде продукций базы знаний система РП составляет основу экспертной обучающей системы, функционирующей в режиме тренажера или консультанта. Подключение инструмента разработчика или исследовательского пакета прикладных программ дает обучаемому возможность выйти на уровень манипулирования профессиональными знаниями. Реализация переходов между уровнями освоения учебного материала при смене целей обучения и адаптации процесса обучения к текущему профилю пользователя возможна в рамках многоагентного подхода как управление разнотипными знаниями.

Новизна разработанных обучающих программ подтверждена выдачей свидетельств об официальной регистрации программы для ЭВМ.

Рисунок 7 – Уровни усвоения учебного материала

В приложении дан вывод гарантированных оценок риска для простейших классов решающих правил и основных соотношений последовательного метода выделения класса с новыми потребительскими свойствами, приведено краткое описание способов снижения вычислительных затрат при минимизации набора признаков, представлены фрагменты экранных изображений разработанных обучающих программ и акты внедрения результатов диссертационной работы.

Выводы

В диссертационной работе решена актуальная крупная научная проблема разработки методологии синтеза модели знаний обучающих систем технологической направленности путем автоматического построения обобщающих правил методами обучения распознаванию образов, решение которой ранее не представлялось возможным ввиду построения в процессе технологического и автоматизированного проектирования схем описания технологических процессов кибернетического типа. Полученные результаты позволили с единых системных позиций найти научно-обоснованное решение целому ряду задач по разработке новых методов и алгоритмов обработки информации, что дало возможность представить описание трудноформализуемых технологических процессов, не ограничивать разнообразие производственных технологий, чрезвычайно широкий спектр объектов, понятий и их характеристик, повысить эффективность разработки логических схем систем рассматриваемого класса.

Получены следующие результаты.

1. Анализ современного состояния проблемы показал, что единым методологическим подходом, ранее не применявшимся к исследованиям предметной области создания обучающих систем, может служить теория распознавания образов. Представление знаний, эксплицированных специалистами, и извлечение знаний из массива данных для ряда слабоформализованных конструкторских и технологических задач в текстильной и легкой промышленности могут выполняться на основе методологии ОРО с целью автоматического построения обобщающих правил, описывающих принадлежность ситуаций к классам.

2. Разработан единый методологический подход, ранее не применявшейся к исследованиям предметной области создания обучающих систем, в основу которого положены принципы рационального выбора и построения решающих правил при различных видах априорной неопределенности и комплексное применение дискриминантных алгоритмов. Формирование модели знаний в условиях ограниченной ОВ представляется как комбинаторная задача оптимизации критерия гарантированной оценки риска в пространстве параметров, характеризующих класс РП и сложность системы описания объектов. Обучение базы знаний трактуется в широком смысле: вводится дополнительный этап – выбор класса РП и учитываются взаимосвязи основных этапов, что позволяет добиться более глубокого минимума эмпирического риска по сравнению с известными методами обучения.

3. Исследованы решающие правила различной емкости: логические, линейно-логические, линейные и кусочно-линейные. Результатами являются теоретические оценки их экстраполирующих свойств и практические рекомендации по использованию основных алгоритмов распознавания для повышения эффективности базы знаний проектируемой интеллектуальной обучающей системы.

4. На основе разработанной методологии создана методика применения результатов интеллектуального анализа данных для описания трудноформализуемых технологических процессов и разработано алгоритмическое обеспечение инструментального комплекса, которые позволяют автоматизировать процесс построения модели знаний интеллектуальных обучающих систем.

5. В условиях ограниченной априорной информации результаты комплексного применения дискриминантных алгоритмов позволяют формировать модель знаний с обеспечением высокой точности при принятии решения по новым данным. Для повышения точности дискретных линейных решающих функций предложен интервальный критерий информативности. Для случая большого числа классов предложен новый метод обучения, формирующий бинарную решающую матрицу, которая отличается высокой экстраполирующей силой. Простота процедуры обучения (установка интервальных порогов) и распознавания (логические операции и операции сравнения) позволяет легко реализовать семантическую интерпретацию БРМ.

6. Для случая большого числа классов и нестатистической неопределенности предложен новый метод обучения, формирующий многоградационную матрицу степеней принадлежности. Нечеткое РП помимо учета опыта эксперта позволяет эффективно организовать процесс распознавания с использованием простых операций. Решение о классе объекта выносится в четкой или размытой форме.

7. В ситуациях статистической неопределенности, для задач выявления новых свойств на фоне большого числа случайных, неучтенных факторов, воздействующих на условия протекания технологического процесса, предлагается упрощенный последовательный критерий отношения вероятностей. В случае неравноценности ошибок первого и второго родов определены параметры усеченного ПКОВ, позволяющие повысить эффективность последовательного метода при выявлении интересующего свойства.

8. Поиск систем описания звеньев технологической цепочки выполняется для обобщения информации, содержащейся в классах объектов, и выявления отличительных для каждого класса настроек параметров технологического процесса. Оставшееся подмножество признаков используется при формировании концептуальной составляющей поля знаний, позволяя дать полное заключение о характеристиках исходных компонентов и диапазонах параметров ТП в заданном классе производимой продукции. Разработаны новые критерии, методы и алгоритмы обработки информации для формирования описаний классов объектов: интервальный критерий информативности признаков, позволяющий увеличить экстраполирующую силу дискретных линейных решающих функций; метод кодирования признаков по методу минимального числа порогов, позволяющий повысить степень сжатия информации при построении логических РП; аддитивный алгоритм выбора рабочего словаря, не требующий больших вычислительных затрат.

9. Разработана методика создания информационной модели обучающих систем технологической направленности с использованием найденной системы решающих правил, которая позволяет строить поле знаний, структурировать информационные блоки различного типа – базовые понятия, декларативные фрагменты, процедурные блоки, выявлять дублирующие данные, повторяющиеся для различных технологических процессов, а также устанавливать связи-гиперссылки.

10. Конструктивность принципов комплексного применения множества дискриминантных алгоритмов и эффективность предложенных в работе методов позволили успешно применить созданную методику при разработке логических схем ряда обучающих систем в области технологии и дизайна, основанных на выделении классов, обеспечивая логическое упорядочивание информации и исключение дублирования учебных элементов.

11. Разработана модель многофункциональной обучающей системы, основанная на системе решающих правил, управляющих процессом обучения, которая позволяет реализовать разные уровни усвоения учебного материала.

Разработанная методология применения методов и алгоритмов интеллектуального анализа данных на основе выделения классов и этапности выполнения процедур может использоваться при создании обучающих систем в различных предметных областях и при реализации различных моделей процесса обучения.

Список публикаций, отражающих содержание работы

  1. Пименов, В. И. Обучение в распознающих системах / В. И. Пименов // Интеллектуальные системы: тез. докл. всесоюз. науч.-техн. конф. / МАИ. – М., 1991. – С. 45.
  2. Пименов, В. И. Выбор алгоритмов распознавания / В. И. Пименов // Системы управления и обработки информации: матер. юбил. науч.-техн. конф. / БГТУ. – СПб., 1992. – С. 87–93.
  3. Козлов, Ю. М. Анализатор речевого сигнала для оценки эмоционального состояния человека-оператора / Ю. М. Козлов, В. И. Пименов, И. Л Горьков, О. Г. Малеев // Региональная информатика: тез. докл. III междунар. конф. – СПб, 1994. – Ч. III. – С. 53–54.
  4. Козлов, Ю. М. Компьютерное обучение разговорному иностранному языку / Ю. М. Козлов, Г. Д. Невзорова, В. И. Пименов // Региональная информатика: тез. докл. III междунар. конф. – СПб., 1994. – Ч. III. – С. 66–67.
  5. Козлов, Ю. М. Аппаратно-программные средства речевого общения / Ю. М. Козлов, В. И. Пименов // Вопросы повышения качества управления движущимися объектами: тр. БГТУ. – СПб., 1995. – С. 54–60.
  6. Kozlov, J. M. Acoustic-Phonetic Analysis Methods of Speech Signal / J. M. Kozlov, V. I. Pimenov, I. L. Gorkov // Regional Informatics-95: Proceed. of the IV St.-Petersb. International Conf. – St.-Petersb., 1995. – P. 71–74.
  7. Kozlov, Ju. Distance Learning Approach in the Frame of Man-Computer and Man-to-Man Interaction / Ju. Kozlov, G. Nevzorova, V. Pimenov, S. Lisovskaya // Distance Learning as a Development Strategy: International Conf. on Distanse Education in Russia. – Moscow, 1996. – P. 333–334.
  8. Пименов, В. И. Использование компьютерных технологий для совершенствования языковой подготовки преподавателей математики и информатики / В. И. Пименов // Математика в вузе – стандарты образования – базовая подготовка: тр. междунар. науч.-метод. конф. – СПб., 1996. – С. 134–135.
  9. Пименов, В. И. Использование методов статистики для построения алгоритмов распознавания / В. И. Пименов // Математика в вузе: тр. междунар. науч.-метод. конф. – СПб., 1997. – С. 158–159.
  10. Пименов, В. И. Перспективы применения мультимедийных компьютерных средств и сетевых технологий в системах дистанционного образования / В. И. Пименов // Телематика-97: тр. всерос. науч.-метод. конф. – СПб., 1997. – С. 143.
  11. Пименов, В. И. Обучение дизайнеров в среде Intranet / В. И. Пименов // Новые информационные технологии в вузах и на предприятиях легкой промышленности: тез. докл. всерос. науч.-метод. конф. / СПГУТД. – СПб., 1998. – С. 92–93.
  12. Пименов, В. И. Анализ данных при обучении распознающих систем / В.И. Пименов // Вопросы повышения эффективности управления техническими системами с различными информационными каналами: тр. БГТУ. – СПб., 1998. – С. 15–20.
  13. Воронов, М. В. Комплексный подход к подготовке специалистов по художественному проектированию / М. В. Воронов, А. И. Птушкин, В. И. Пименов // Современные технологии обучения: матер. междунар. конф. – СПб., 1998. – Т. 1. –С. 51–52.
  14. Воронов, М. В. Мультимедийные образовательные системы для инженеров-технологов / М. В. Воронов, В. И. Пименов // Современные технологии обучения: матер. VI междунар. конф. – СПб., 2000. – Ч. 2. – С. 180–181.
  15. Воронов, М. В. Проблемы создания изделий компьютерного дизайна / М. В. Воронов, В. И. Пименов // Дизайн – 2000: матер. междунар. конф. – Херсон, 2000. – С. 65–66.
  16. Воронов, М. В. Использование тренажеров в дистанционном обучении / М. В. Воронов, В. И. Пименов, А. Н. Блинов // Информатизация образования – 2000: матер. всерос. науч.-практ. конф. – Хабаровск, 2000. – С. 23–24.
  17. Воронов, М. В. Мультимедийные технологии и дистанционное обучение / М. В. Воронов, В. И. Пименов // Университетское управление: практика и анализ / Уральский ГУ. – 2000. – № 1(12). – С. 67–69.
  18. Пименов, В. И. Решение проблем применения компьютерных технологий при обучении дизайнеров / В. И. Пименов, М. В. Воронов // V Царскосельские чтения: матер. науч.-теор. межвуз. конф. с международ. участ. – СПб., 2001. – Т. 1. – С. 205–208.
  19. Пименов, В. И. Моделирование текстурных изображений с объемной архитектурой / В. И. Пименов, М. В. Воронов // Новые информационные технологии в университетском образовании: матер. IX междунар. науч.-метод. конф. – Кемерово, 2002. – С. 161–164.
  20. Воронов, М. В. Информационная поддержка системы управления качеством в вузе (Information support of a control system by quality in high school) / М. В. Воронов, В. И. Пименов // Управление качеством в современном вузе: труды междунар. науч.-метод. конф. – СПб.; Калуга, 2003. – Вып. 1. – С. 17–20 (P. 20–23).
  21. Воронов, М. В. Прикладная математика: учеб. пособие / М. В. Воронов, В. И. Пименов, Е. Г. Суздалов / Рекомендовано учебно-методическим объединением по образованию в области технологии, конструирования изделий легкой промышленности. – СПб.: СПГУТД, 2003. – 384 с.
  22. Дянкова, Т. Ю. Конструктивно-технологические аспекты преподавания дисциплин на стыке науки и искусства / Т. Ю. Дянкова, В. И. Пименов // Высокие интеллектуальные технологии и качество образования и науки: матер. XI-й междунар. науч.-метод. конф. – СПб., 2004. – С. 291–292.
  23. Дянкова, Т. Ю. Методы систематизированного проектирования текстильной колористической отделки / Т. Ю. Дянкова, В. И. Пименов // Современные технологии обучения (СТО-2004): матер. X междунар. конф. – СПб., 2004. – Т. 1. – С. 103–104.
  24. Пименов, В. И. Проектирование мультимедийных учебников / В. И. Пименов // Информационные технологии в образовательной, научной и управленческой деятельности (ИНФОТЕКСТИЛЬ—2004): матер. всерос. науч. конф. – М., 2004. – c. 66–67.
  25. Пименов, В. И. Мультимедийная обучающая система “текстильные технологии” / В. И. Пименов, Н. Н. Труевцев, Ю. Н. Ветрова // Современные технологии обучения (СТО-2004): матер. X междунар. конф. – СПб., 2004. – Т. 2. – С. 91–92.
  26. Пименов, В. И. Извлечение знаний при построении решающих правил / В. И. Пименов // Актуальные проблемы экономики и новые технологии преподавания (Смирновские чтения): матер. 3-й междунар. науч.-практ. конф. – СПб., 2004, – C. 281–282.
  27. Суздалов, Е. Г. Анализ системы дистанционного обучения / Е. Г. Суздалов, В. И. Пименов, Н. Р. Туркина // Телематика–2004: тр. XI всерос. науч.-метод. конф. – СПб., 2004. – Т. 2. – С. 511–512.
  28. Суздалов, Е. Г. Системный анализ дистанционного обучения: учеб. пособие / Е. Г. Суздалов, В. И. Пименов, Т. А. Кравец / Рекомендовано учебно-методическим объединением по направлениям педагогического образования. – СПб.: СПГУТД, 2005. –55 с.
  29. Пименов, В. И. Статистические методы и средства исследований: учеб. пособие / В. И. Пименов / Рекомендовано учебно-методическим объединением по образованию в области технологии, конструирования изделий легкой промышленности. – СПб.: СПГУТД, 2005. – 102 с.
  30. Суздалов, Е. Г. Система дистанционного обучения / Е. Г. Суздалов, Н. Р. Туркина, В. И. Пименов // IT-инновации в образовании: матер. всерос. науч.-практ. конф. – Петрозаводск, 2005. – С. 203–206.
  31. Суздалов, Е. Г. Система дистанционного обучения в техническом вузе / Е. Г. Суздалов, Н. Р. Туркина, В. И. Пименов // Формирование профессиональных качеств современного специалиста в техническом университете: матер. IV междунар. науч.-метод. конф. – Кострома, 2005. – С. 69–70.
  32. Пименов, В. И. Методические основы создания образовательных ресурсов для дистанционного обучения / В. И. Пименов, Е. Н. Якуничева // Непрерывное образование в свете модернизации высшей школы: матер. междунар. науч.-практ. конф. – СПб., 2005. – С. 118–123.
  33. Пименов, В. И. Формирование поля знаний интеллектуальных обучающих систем для дисциплин технологического цикла / В. И. Пименов // Телематика’2005: тр. XII всерос. науч.-метод. конф. – СПб., 2005. – Т. 2. – С. 518–520.
  34. Свидетельство об официальной регистрации программы для ЭВМ № 2005611643. Коруна-дизайн / Е. Я. Сурженко, В. И. Пименов, Е. И. Петрова, Е. Л. Хлебникова, Л. П. Васеха. – Зарегистрировано в Реестре программ для ЭВМ, Москва, 01 июля 2005 г.
  35. Пименов, В. И. Свидетельство об официальной регистрации программы для ЭВМ № 2006612731. Мультимедийный комплекс по прикладной статистике / В. И. Пименов. – Зарегистрировано в Реестре программ для ЭВМ, Москва, 03 августа 2006 г.
  36. Пименов, В. И. Свидетельство об официальной регистрации программы для ЭВМ № 2006612223. Обучающая программа по разработке экспертных систем / В. И. Пименов, М. В. Воронов. – Зарегистрировано в Реестре программ для ЭВМ, Москва, 15 августа 2006 г.
  37. Труевцев, Н. Н. Свидетельство об официальной регистрации программы для ЭВМ № 2006614157. Обучающая программа по текстильным технологиям / Н. Н Труевцев, В. И. Пименов, Ю. Н. Ветрова. – Зарегистрировано в Реестре программ для ЭВМ, Москва, 4 декабря 2006 г.
  38. Пименов, В. И. Компьютерная графика. Работа в СorelDRAW: учеб. пособие / В. И. Пименов / Рекомендовано учебно-методическим объединением по направлениям педагогического образования. – СПб.: СПГУТД, 2006. – 130 с.
  39. Пименов, В. И. Проектирование обучающих систем в области технологии и дизайна: монография / В. И. Пименов. – СПб.: ИПЦ СПГУТД, 2006. – 229 с.
  40. Пименов, В. И. Применение методов обучения распознаванию образов для проектирования динамической модели знаний о технологических процессах / В. И. Пименов // Системы управления и информационные технологии. – 2006. – № 2 (24). – С. 98–103.
  41. Сурженко, Е. Я. Дизайн-программирование ассортимента производственной одежды / Е. Я. Сурженко, Е. И. Петрова, В. И. Пименов // Дизайн. Материалы. Технология. – 2006. – № 1. – С. 3–6.
  42. Пименов, В. И. Построение обучающей системы на базе модели онтологии / В. И. Пименов // Качество. Инновации. Образование. – 2006. – № 4. – С.42–48.
  43. Пименов, В. И. Проектирование баз знаний о технологических процессах / В.И. Пименов // Автоматизация и современные технологии. – 2006. – № 6. – с. 27–37.
  44. Пименов, В. И. Проектирование и управление содержанием обучающих систем технологической направленности / В. И. Пименов // Дизайн. Материалы. Технология. – 2007. – № 1(2). – С. 3–7.
  45. Пименов, В. И. Формализация технологических процессов при построении обучающих систем / В. И. Пименов // Дизайн. Материалы. Технология. – 2007. – № 1(2). – С. 95–99.
  46. Пименов, В. И. Проектирование модели знаний обучающих систем технологической направленности / В. И. Пименов // Информационные технологии. – 2007. – № 6. – С. 66–71.
  47. Пименов, В. И. Свидетельство об официальной регистрации программы для ЭВМ № 2007610484. Информационная система дистанционного обучения / В. И. Пименов, Е. Г. Суздалов, В. О. Купинский. – Зарегистрировано в Реестре программ для ЭВМ, Москва, 26 января 2007 г.
  48. Якуничева, Е. Н. Свидетельство об официальной регистрации программы для ЭВМ № 2007612178. Информационная система верификации знаний / Е. Н. Якуничева, В. И. Пименов. – Зарегистрировано в Реестре программ для ЭВМ, Москва, 25 мая 2007 г.
  49. Пименов, В. И. Использование информационных технологий для тестирования студентов экономических специальностей / В. И. Пименов // Экономический рост: финансовый, управленческий и социальный аспекты: сб. науч. тр. по матер. всерос. науч.-практ. конф. – Спб.: Изд-во Политехн. ун-та, 2007. С. 362–368.
  50. Пименов, В. И. Построение модели дистанционного курса по технологическим дисциплинам / В. И. Пименов // Математическое моделирование в образовании, науке и производстве: тезисы 5-й междунар. конф. – Тирасполь, 2007. – C. 193–194.
  51. Якуничева, Е. Н. Вопросы построения информационной обучающей среды / Е. Н. Якуничева, В. И. Пименов // Язык и культура – основа общественной связности. Научная сессия “IX Невские чтения”: матер. междунар. науч.-практ. конф. – СПб., 2007. – С. 173–175.
  52. Пименов, В. И. Применение информационных технологий в обучении студентов-технологов / В. И. Пименов, Е. Н. Якуничева // Известия вузов. Технология текстильной промышленности. – 2008. – № 3. – С. 138–141.
  53. Пименов, В. И. Построение электроного курса на основе выделения классов / В. И. Пименов // Новые информационные технологии в образовании: материалы междунар. науч.-практ. конф. – Екатеринбург, 2008. – Ч. 2. – C. 24–26.
  54. Пименов, В. И. Модель электронного курса при выделении знаний о последовательности действий / В. И. Пименов // Информатика: проблемы, методология, технологии: материалы Восьмой междунар. науч.-метод. конф. – Воронеж, 2008. – Т. 2. – С. 170–174.
  55. Пименов, В. И. Алгоритмическое обеспечение инструментального комплекса для формирования знаний о технологических процессах / В. И. Пименов // Известия вузов. Приборостроение. – 2009. – № 1. – С. 3–9.

Оригинал подготовлен автором

Подписано в печать  __.__.2009. Формат 60x84 1/16.

Усл. печ. л. 2,8. Тираж 100 экз..

Отпечатано в типографии СПГУТД

198028, Санкт-Петербург, ул. Моховая, 26







© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.