WWW.LIB.KNIGI-X.RU
БЕСПЛАТНАЯ  ИНТЕРНЕТ  БИБЛИОТЕКА - Электронные материалы
 

Pages:   || 2 | 3 | 4 | 5 |

«Министерство образования и науки Российской Федерации Воронежский институт высоких технологий Воронежский государственный технический университет РОССИЯ-ЕС. ИНЖЕНЕРИЯ ЗНАНИЙ И ...»

-- [ Страница 1 ] --

Министерство образования и науки Российской Федерации

Воронежский институт высоких технологий

Воронежский государственный технический университет

РОССИЯ-ЕС. ИНЖЕНЕРИЯ ЗНАНИЙ

И ТЕХНОЛОГИИ СЕМАНТИЧЕСКОГО

ВЕБ АНАЛИЗА

RUSSIA AND THE EU. ENGINEERING

OF KNOWLEDGE AND TECHNOLOGY

OF SEMANTIC WEB ANALYSIS

Материалы Международной молодежной научной школы в рамках фестиваля науки (18-19 сентября 2012 г.) Materials International youth scientific school dated to the festival of science (September 18-19, 2012) Воронеж Издательско-полиграфический центр «Научная книга»

УДК 614.8 ББК 68.9я73 Р76 Редакционная коллегия И.Я. Львович д-р техн. наук, проф., Воронежский институт высоких технологий;

Я.Е. Львович Заслуженный деятель науки РФ, д-р техн. наук, проф. – ответственный редактор, Воронежский институт высоких технологий;

С.Ю. Белецкая д-р т. н. наук, проф., Воронежский государственный технический университет;

В.Н. Кострова д-р техн. наук, проф., Воронежский институт высоких технологий;

В.И. Новосель- д-р техн. наук, проф., Воронежский институт высоких цев технологий;

Б.В. Тарасов д-р техн. наук, проф., генеральный директор НПЦ «Модуль»;

А.А. Потапов д-р ф.-м. н. наук, проф., Институт радиотехники и электроники им. В.А.Котельникова РАН О.Н. Чопоров д-р техн. наук, проф., Воронежский институт высоких технологий;



Н.В. Волкова канд. физ.-мат. наук, Воронежский институт высоких технологий.

Р76

Россия-ЕС. Инженерия знаний и технологии семантического веб анализа:

материалы Международной молодежной научной школы. – Воронеж: ИПЦ «Научная книга», 2012. – 203 с.

ISBN 978-5-4446-0069-6 В сборник включены материалы Международной молодежной научной школы состоявшейся 18-19 сентября 2012 г. на базе Воронежского института высоких технологий. Научная школа проводилась при поддержке Министерства образования и науки РФ, в рамках федеральной целевой программы «Научные и научнопедагогические кадры инновационной России» на 2009-2013 годы.

В сборнике представлены работы, затрагивающие вопросы теоретических аспектов инженерии знаний, представления знаний в базах с использованием семантического веб анализа, методов обработки информации, моделирования и оптимизации в интеллектуальных информационных системах, а также вопросы.

Материалы научной школы представляют интерес для научных работников, аспи-рантов, студентов специализирующихся в области инженерии знаний и проектирования сложных систем.

УДК 614.8

–  –  –

ЭТАПЫ РАЗРАБОТКИ ЭКСПЕРТНОЙ СИСТЕМЫ

(НА ПРИМЕРЕ СОЦИАЛЬНО-ОБЩЕСТВЕННОЙ ЖИЗНИ)

И.М. Лабутина, С.В. Игрунова (Белгородский государственный национальный исследовательский университет) Каждый человек в своей жизни сталкивается с проблемой выбора чего-либо. В некоторых случаях можно принять решение без посторонней помощи, основываясь на имеющихся знаниях и жизненном опыте. Но если речь идет о выборе или принятии решения в сфере, в которой люди некомпетентны или имеют совсем поверхностное представление о данной предметной области, они обращаются к тем, кто может дать достаточное количество информации (знания) для принятия верного решения, другими словами – к экспертам.

Экспертная система - это программа, которая ведет себя подобно эксперту в некоторой прикладной области. Типичные применения экспертных систем включают в себя такие задачи, как диагностика и прогнозирование, обучение и интерпретация данных.

В ходе работ по созданию экспертных систем сложилась определенная технология разработки, включающая 6 этапов представленных на рисунке 1.

Рис. 1. Этапы создания экспертных систем

Для наиболее наглядного представления требуется пример создания и использования такой экспертной системы. В частности было принято решение заняться таким вопросом, как создание экспертной системы выбора электронной книги.

Электронная книга – это аппарат для хранения в электронном виде и отображения на дисплее различных текстовых форматов, например книг. То есть это гаджет, способный заменить собой традиционную бумажную книгу.

В разработке экспертной системы участвуют представители следующих специальностей: эксперты, инженеры знаний и программисты.

Эксперт – это человек, способный ясно выражать свои мысли и пользующийся репутацией специалиста в конкретной предметной области. В данном случае экспертом может выступить продавец-консультант электронных книг.

Инженер знаний – человек, как правило, имеющий познания в информатике и искусственном интеллекте и знающий, как надо строить экспертные системы. Инженер знаний опрашивает экспертов, организует знания, решает, каким образом они должны быть представлены.

Программист разрабатывает инструментальное средство (если оно разрабатывается заново или впервые), содержащее в пределе все основные компоненты экспертной системы, и осуществляет его сопряжение с той средой, в которой оно будет использовано (интернет-магазин или терминал-каталог).

После разработки экспертной системы с ней начинают работу пользователи. Пользователь – это человек, который использует уже построенную экспертную систему. В данном случае пользователем выступает человек, который решил приобрести электронную книгу и нуждается в помощи выбора.

На начальных этапах разработки нам потребовалось освоить основные методы извлечения и структурирования знаний, выявить связи между понятиями и применить их на базе будущей экспертной системы. Полученная модель представлена на рисунке 2.

Рис. 2. Определение связей между понятиями Так как потребитель обладает меньшими знаниями в сравнении с производителем электронных книг, то мы сократили набор критериев выбора, и для разработки экспертной системы оставили наиболее важные, представленные на рисунке 3.

–  –  –

Данный алгоритм содержит минимальный набор необходимых критериев и правил, но подходит на роль прототипа для разработки серьезной экспертной системы данной предметной области. Будущая экспертная система может применяться в области электронной коммерции. В дальнейшем система может быть усовершенствована. Например, можно увеличить количество критериев выбора.

Подобная технология может быть рассмотрена практически для любой предметной области. Внедрение экспертных систем является не просто полезным, но и достаточно эффективным способом достижения максимально подходящего и полезного выбора или принятия правильного решения, а в некоторых случаях внедрение таких систем даже необходимо.

ПСИХОЛОГО-АКМЕОЛОГИЧЕСКИЕ ПОДХОДЫ К ИЗУЧЕНИЮ

СИНДРОМА «ЭМОЦИОНАЛЬНОГО ВЫГОРАНИЯ» И ФАКТОРЫ,

СПОСОБСТВУЮЩИЕ ЕГО РАЗВИТИЮ

М.Л. Хуторная (Воронеж, Международный институт компьютерных технологий) Термин «эмоциональное выгорание» введен американским психиатром Х. Дж. Фрейденбергом в 1974 году, для характеристики психологического состояния здоровых людей, находящихся в интенсивном и тесном общении с клиентами, пациентами в эмоционально нагруженной атмосфере при оказании профессиональной помощи.

«Выгорание – психологический термин, обозначающий симптомокомплекс последствий длительного рабочего стресса и определенных видов профессионального кризиса», – М. Буриш.

По мнению А.М. Ричардсена, данные современных исследований наглядно показали, что эмоциональное выгорание отличается от других форм стресса, что это не просто «слабый» синоним более устоявшихся обозначений данных симптомов.

Некоторые из авторов возражали против термина «выгорание» из-за его неопределенности и частичного совпадения с родственными понятиями, например, посттравматическим стрессовым расстройством, депрессией или «хандрой» (в более корректном психиатрическом термине – дистимией), либо рассматривали его как «странную психиатрическую химеру».

Другие устанавливали связи с существующими моделями, например, С.Е. Хобфол, Дж. Фриди с теорией общего стресса, С.Т. Миер с заученной беспомощностью и Адлер с психодинамикой беспомощности у представителей помогающих профессий, Бандура с моделью самоэффективности и компетентности и Д.Х. Малан с компульсивным оказанием помощи при «синдроме помогающих профессий» [2].





В 1981 году вышла работа американских психологов К. Маслач, С.Е. Джексона, в которой возможность психического выгорания ограничивается представителями коммуникативных профессий. Эти же авторы разработали опросник «MBI». В соответствии с их подходом синдром психического выгорания представляет собой трехмерный конструкт, включающий эмоциональное истощение; деперсонализацию (тенденцию развивать негативное отношение к клиентам); редуцирование личных достижений проявляется либо в тенденции к негативному оцениванию себя в профессиональном плане, либо в редуцировании собственного достоинства, ограничении своих возможностей, обязанностей по отношению к другим, снятие с себя ответственности и перекладывание ее на других.

Японские исследователи считают, что для определения эмоционального выгорания к трехфакторной модели К. Маслач следует добавить четвертый фактор «Involvement» (зависимость, вовлеченность), который характеризуется головными болями, нарушением сна, раздражительностью, а также наличием химических зависимостей (алкоголизм, табакокурение).

Большинство специалистов признает необходимость учета именно трех составляющих для определения наличия и степени «выгорания». При этом вклад каждого из факторов различен (например, исключение фактора «редуцирование персональных достижений» сближает синдром эмоционального выгорания с депрессией) [5].

Структура синдрома эмоционального выгорания, по В.В. Бойко, представляет собой последовательность трех фаз:

напряжение включает симптомы – переживание психотравмирующих обстоятельств, неудовлетворенность собой, загнанность в клетку, тревогу и депрессию;

резистенция включает симптомы – неадекватное избирательное эмоциональное реагирование, эмоционально-нравственную дезориентацию, расширение сферы экономии эмоций, редукцию профессиональных обязанностей;

истощение включает симптомы – эмоциональный дефицит, эмоциональную отстраненность, личностную отстраненность (деперсонализацию), психосоматические и психовегетативные нарушения [4].

Б. Пельман и Е. Хартман выделили три главных компонента эмоционального выгорания:

1.Эмоциональное истощение проявляется в ощущениях эмоционального перенапряжения и в чувстве опустошенности, исчерпанности своих эмоциональных ресурсов.

2. Деперсонализация связана с возникновением равнодушного и даже негативного отношения к людям, обслуживаемым по роду работы. Контакты с ними становятся формальными, безличными; возникающие негативные установки могут поначалу иметь скрытый характер и проявляться во внутренне сдерживаемом раздражении, которое со временем прорывается наружу и приводит к конфликтам.

3. Сниженная рабочая продуктивность проявляется в снижении самооценки своей компетентности (в негативном восприятии себя как профессионала), недовольстве собой, негативном отношении к себе как личности [3].

Д. Дирендонк, В. Шауфели, Х. Сиксма провели исследования среди голландских медицинских сестер и выявили, что в качестве специфических детерминант эмоционального выгорания выступает чувство несправедливости, социальной незащищенности, большая зависимость, как от пациентов, так и от руководства. Согласно их подходу синдром эмоционального выгорания сводится к двухмерной конструкции, состоящей из эмоционального истощения и деперсонализации. Первый компонент «аффективный», относится к сфере жалоб на свое здоровье, физическое самочувствие, нервное напряжение, эмоциональное истощение. Второй компонент

– деперсонализация проявляется в изменении отношения либо к пациентам, либо к себе. Он получил название «установочный» [4].

А. Пинес и Е. Аронсон рассматривают синдром эмоционального выгорания как одномерную конструкцию. Эмоциональное выгорание – это состояние физического и психического истощения, вызванное длительным пребыванием в эмоционально перегруженных ситуациях [1].

Путем факторного анализа на основе когнитивно-феноменологической теории стресса П. Торнтон выделено восемь подвидов поведения преодоления. Если к пассивным отнесен только один подвид (эскапизм как уклонение от решения проблем), то к активным – семь, объединяя две (планомерное решение проблем и путь конфронтации) в проблемно-сфокусированные стратегии, а пять остальных (дистанцирование – изменение масштабов происходящего в сторону преуменьшения, самообладание, поиск социальной поддержки, принятие на себя ответственности за происходящее, позитивная оценка ценностей – отыскание положительного в происходящем) – в эмоционально-сфокусированные стратегии.

Противоречия обнаружились в данных в связи между типом поведения преодоления и уровнем эмоционального выгорания, полученных разными авторами. Так с низкой степенью эмоционального выгорания связывают активные стратегии поведения преодоления, а с высокой степенью – пассивную и, наоборот, активные формы поведения преодоления указывают как не снижающие степень эмоционального выгорания, а эмоционально-сфокусированные стратегии поведения преодоления – как ассоциируемые с более высоким уровнем эмоционального выгорания.

В исследованиях российских менеджеров, проводимых Н.Е. Водопьяновой, А.Б. Серебряковой, Е.С. Старченковой изучалось влияние стилей поведения в проблемных ситуациях и личностных характеристик, на степень выраженности синдрома психического выгорания. Было обнаружено, что наиболее высокое эмоциональное истощение и редуцирование личных достижений наблюдается у тех менеджеров, которые предпочитают «избегание», а так же чем больше истощение, тем ниже самооценка и больше деформация самоотношения. Эмоциональное истощение часто сопровождается мотивационной деформацией, что является защитной реакцией организма на психологические стрессы.

В англоязычной литературе были опубликованы свыше тысячи статей по «эмоциональному выгоранию». Однако исследования носили главным образом описательный и эпизодический характер.

В литературе выделяют три фактора, играющих существенную роль в эмоциональном выгорании: личностный, ролевой и организационный (у К. Кондо соответственно: индивидуальный, социальный, характер работы и рабочего окружения) [5;8].

Среди личностных особенностей, способствующих эмоциональному выгоранию, Х.Дж. Фрейденберг выделяет эмпатию, гуманность, увлекаемость, идеализированность, интровертированность, фанатичность.

В.И. Ковальчук отмечает, что людям с низким уровнем самооценки и экстернальным локусом контроля больше подвержены эмоциональному выгоранию.

В.В. Бойко указывает на следующие личностные факторы, способствующие развитию синдрома эмоционального выгорания: склонность к эмоциональной холодности, склонность к интенсивному переживанию негативных обстоятельств в профессиональной деятельности, слабая мотивация эмоциональной отдачи в профессиональной деятельности.

Роджерс и Добсон выделяют следующие личностные факторы: склонность к интроверсии (низкая социальная активность и адаптированность), реактивность, жесткость и авторитарность по отношению к другим, низкий уровень самоуважения, чрезмерно высокая или низкая мотивация успеха, трудоголизм, высокий уровень эмпатии, реакция на стресс по типу «А», возраст, профессиональный стаж [5].

В литературе выделяют типы людей подверженных синдрому эмоционального выгорания:

Педантичный характеризуется добросовестностью, болезненной аккуратностью, стремлением в любом деле добиться образцового порядка, излишней привязанностью к прошлому. Симптомы переутомления – апатия, сонливость.

Демонстративный характеризуется стремлением первенствовать во всем, свойственна высокая степень истощаемости при выполнении рутинной работы. Переутомление выражается в излишней раздражительности, гневливости.

Эмотивный характеризуется чувствительностью, впечатлительностью, склонностью воспринимать чужую боль граничит с патологией, с саморазрушением [7].

Т.И. Рогинская выделила в качестве ключевых факторов синдрома эмоционального выгорания индивидуальный предел, потолок возможностей «эмоционального Я» противостоять истощению, противодействовать выгоранию самосохраняясь; внутренний психологический опыт, включающий чувства, установки, мотивы, ожидания; негативный индивидуальный опыт, в котором сконцентрированы проблемы, дистресс, дискомфорт, дисфункции и их негативные последствия [6].

В качестве факторов, способствующих развитию синдрома эмоционального выгорания, исследователи называют чувство социальной незащищенности, неуверенности в социально-экономической стабильности и другие негативные переживания, связанные с социальной несправедливостью и недостатком социальной поддержки [7].

Литература Абрумова А.Г. Анализ состояний психологического кризиса и их динамика/А.Г. Абрумова//Психологический журнал. – М.: Наука, 1985. – Т. 6. – № 6. – С. 107– 115.

Водопьянова Н.Е. Синдром психического выгорания в коммуникативных 2.

профессиях/Н.Е. Водопьянова//Психология здоровья/Под ред. Г. С. Никифорова. – СПб.: Издательство СПб ГУ, 2000. – С. 443-463.

Захаров С. Синдром выгорания у врачей: стигма профессионализма или 3.

расплата за сочувствие?/С. Захаров//Интернет: http://forums.rusmedserv.com/ show thread.php?t=8748 Ильин, Е.П. Эмоции и чувства/Е.П. Ильин. – СПб.: Питер, 2002. – 752 с 4.

Психология экстремальных ситуаций – Хрестоматия /Сост. А.Е. Тарас, 5.

К.В. Сельченок./ Москва Изд. АСТ 2001 г. серия – Библиотека практической психологии.

Ронгинская Т.И. Синдром выгорания в социальных профессиях/Т.И. Ронгинская//Психологический журнал. – М.: Наука, 2002. – Т. 23. – № 3. – С. 85-95.

Ушаков И.Б., Сорокин О.Г. Адаптационный потенциал человека/И.Б. Ушаков, О.Г. Сорокин//Вестник Государственной Академии Медицинских Наук. – М.: Медицина, 2004. – № 3. – С. 8–13.

8. Сергеева А. Синдром эмоционального сгорания / А. Сергеева //Интернет:

http:www.tsale.ru/index.htm

СТРУКТУРИЗАЦИЯ ЗНАНИЙ ДЛЯ ПОСТРОЕНИЯ

ИНФОРМАЦИОННОЙ МОДЕЛИ ВУЗа

Я.П. Бондарев (Воронежский институт высоких технологий) Высокая динамика рыночных изменений обуславливает необходимость внедрения новых методов управления ВУЗом, позволяющих, с одной стороны, быстро адаптироваться к изменяющимся рыночным потребностям, а с другой стороны, формировать новые рыночные возможности для устойчивого и эффективного функционирования вузов. Современный ВУЗ непременно должен стать обучающейся организацией, для которой процессы создания, накопления, использования и распространения знаний становятся ключевыми [1. c. 92 -99].

Применительно к высшему учебному заведению под управлением знаниями будем понимать систематический процесс идентификации, использования и передачи информации, знаний, которые участники образовательного процесса могут создавать, совершенствовать и применять [2].

В силу развития информационных технологий и внедрения информационно – коммуникационных систем в ВУЗы, знания, которыми оперирует высшее учебное заведение, для подготовки специалистов обязаны иметь структуру пригодную для интеграции в информационную модель системы управления вузовской деятельностью.

В общем виде, множество знаний (K), которыми обладает ВУЗ, можно представить как совокупность трех множеств:

Предметы (S), преподаваемые в ВУЗе.

Темы (T), на которые разделены преподаваемые предметы.

Информация (I), относительно каждой темы преподаваемого предмета.

Следовательно:

Информация, в свою очередь, также может быть логически разделена на составляющие:

Текстовая.

Звуковая.

Графическая.

Видео.

И др.

Поэтому информацию следует воспринимать, как сумму ее составляющих. Такую сумму будем называть пакетом (P):

–  –  –

Определенный пакет информации соответствует конкретному предмету из множества предметов и конкретной теме предмета из множества тем:

Информационные пакеты в соответствии с учебным планом (C) объединяются в информационные ленты (N):

–  –  –

Исходя из теории графов, можно отобразить взаимосвязь полученных данных (см. рис. 3), где:

Граф – проекция учебного плана.

Вершина – пакет.

Дуга – время изучения темы по предмету для перехода от.

Путь – информационная лента.

–  –  –

Модель поведения:

;

где: Y5 – множество, содержащее соответствие идентификаторов информационного пакета и информационной ленты.

На рисунке 4 показана модель хранилища знаний, сформированная на основе вышеописанных концепциях проектирования.

Рис. 4. Модель хранилища знаний Предложенная модель структуризации и хранения знаний позволяет осуществлять многократное использование информации; расширение существующей информации; генерирование информационных лент на основе имеющихся данных; удаленный доступ к требуемой информации в рамках дистанционного обучения и применения информационно – коммуникационных технологий; создание новых информационных типов, пакетов, лент.

Литература

1. Материалы научно-методической конференции СЗАГС. 2009. Современное образование: опыт, проблемы, качество. - СПб.

2. Принципы создания образовательных корпоративных порталов управления знаниями // Информатика и образование. / М.:

- 2010, N2.

ВЫБОР КРИТЕРИЕВ ОЦЕНКИ ЭФФЕКТИВНОСТИ

ТРАССИРОВКИ ТРУБОПРОВОДОВ ЖРД

Д.В. Радько (Воронежский государственный технический университет) Пневмогидравлическая система любого ЖРД представляет разветвленную сеть трубопроводов, по которой компоненты топлива, жидкости и газ транспортируются от источников давления (насосов, баков и т. д.). Поэтому характеристики надежности, габариты, масса и моменты инерции всей системы и изделия в целом зависит от формы и расположения трубопроводов и их соединений.

Для определения степени соответствия спроектированного трубопровода требованиям необходимо проводить оценку эффективности. По результатам оценки можно сделать выводы о приемлемости использования полученной конструкции трубопровода. Наиболее эффективным трубопроводом является трубопровод, максимально возможно отвечающий всем требованиям.

Одним из главных критериев при трассировке трубопроводов является масса. Этот критерий распространяется не только на трубопроводы, но и на все агрегаты ЖРД. Минимизация массы трубопровода заключается в минимизации его длины.

Для оценки длины трубопровода, воспользуемся следующей формулой:

l fl (1), lt где l – расстояние между разъемами, соединенными трубопроводом; lt – длина трубопровода. Таким образом, по формуле (1) самым оптимальным будет являться трубопровод, проведенный напрямую между разъемами.

Также при трассировке трубопроводов необходимо учитывать возможность укомплектования трубопроводов деталями, использовавшимися ранее при проектировании ЖРД. Это сократит затраты и время на освоение технологии изготовления. В качестве показателя характеризующего по

–  –  –

где k – количество изгибов трубопровода s – количество прямых участков трубопроводов, hи i - потеря напора на i-м изгибе, hп i - потеря напора на i-м прямом участке трубопровода.

Основной расчетной формулой для потерь напора при турбулентном течении жидкости в круглых трубах является эмпирическая формула, называемая формулой Вейсбаха-Дарси и имеющая следующий вид:

–  –  –

где li – длина i-го прямого участка трубопровода, Di – диаметр i-го прямого участка трубопровода, j - коэффициент сопротивления j-го изгиба[3].

В качестве общей оценки эффективности проектируемого трубопровода можно использовать следующую формулу:

f al f l a r f r a s f s, (11) где al, ar, as – весовые коэффициенты. Все показатели имеют область допустимых значений в интервале от 0 до 1. Весовые коэффициенты устанавливают степень значимости выполнения того или иного требования.

При трассировке трубопровода следует стремиться к максимизации формулы (11) f max, тем самым получая оптимальный вариант трассировки трубопровода.

Литература

1. Технология производства жидкостных ракетных двигателей В.В. Воробей, В.Е. Логинов – М.: Изд. МАИ, 2001 – 496с.

2. Беляев Е.Н., Чванов В.К., Черваков В.В. Математическое моделирование рабочего процесса ракетных двигателей: Учебник. / Под ред. В.К. Чванова. – М.: Изд-во МАИ, 1999.-228 с.

3. Гейер В.Г., Дулин В.С., Заря А.Н. Гидравлика и гидропривод: Учеб для вузов. - 3-е изд., перераб. и доп. – М.: Недра, 1991.

РАЗРАБОТКА КОМПОНЕНТОВ АВТОМАТИЗИРОВАННОЙ

ОБУЧАЮЩЕЙ СИСТЕМЫ (АОС) Р.В. Барна, В.Н. Кострова (Воронежский государственный технический университет) Автоматизированная обучающая система представляет собой программную оболочку, предлагающую заполнение ее разнообразным предметным содержанием. В отличие от специализированных обучающих программ, обучающая система предполагает возможность активного вмешательства преподавателя в содержание учебного материала, заполняющего оболочку. Преподаватель может создавать свои учебные курсы, заполняя оболочку собственными предметным содержанием. В результате его работы, появляется автоматизированный учебный курс (АУК), который затем можно активно редактировать.

Преимущество АОС состоит в том, что каждый преподаватель может создавать АУК в соответствии со своими потребностями, вкусами, своей методикой преподавания, с учетом контингента обучаемых, а обучаемые получают возможность работать в своем собственном ритме в соответствии со своим уровнем подготовки.

Для эффективной и безопасной работы системы в ней предполагаются различные уровни доступа к информации.

Существует три типа пользователей системы (табл.1).

Таблица 1 Пользователи системы

–  –  –

Как видно на рис. 1 обучающая система состоит из нескольких программ: модуля, отвечающего за создание курсов и браузера системы – модуля, выполняющего обучение, тестирование, регистрацию пользователей.

Также браузер предоставляет возможность просмотра БД и настройки системы для преподавателя-пользователя и преподавателя-разработчика системы. Входными данными для браузера системы являются учебные курсы.

Один учебный курс может относиться к одной дисциплине или одна дисциплина может быть описана несколькими учебными курсами. Таким образом, в системе используется принцип модульности. Браузер системы в свою очередь, посредством учебных курсов воздействует на процесс обучения. Выходными параметрами являются данные для базы данных, куда заносится вся информация по обучению и контролю восприятия информации.

Рис. 1. Структура обучающей системы

В настоящее время дистанционное обучение становится наиболее актуальным в области образовательных систем. Поэтому система обучения должна иметь такую возможность. Браузер системы должен иметь возможность работы, как с локальными данными, так и с внешними данными, находящимися на сервере или другой рабочей станции. На рабочей станции, работающей с внешними данными, необязательно наличие дополнительных учебных курсов (рис. 2).

Рис. 2. Использование сетевых ресурсов

База данных может находиться в том же месте, где располагаются учебные курсы. Таким образом, можно создать множество мест хранения данных о процессе обучения. При использовании сетевой БД, ответственность за блокирование полей (предотвращение повреждения данных при одновременной записи с разных компьютеров) может нести процессор баз данных BDE фирмы Borland или ODBC фирмы Microsoft, а нормальная работа с сетью (так же как и локальным диском) достигается применением клиента Microsoft или других сетевых программ.

ПРИМЕНЕНИЕ ЭКСПЕРТНЫХ СИСТЕМ ДЛЯ ПОДДЕРЖКИ

ВРАЧЕБНЫХ РЕШЕНИЙ В ПОСТАНОВКЕ ДИАГНОЗА И ВЫБОРЕ

ТАКТИКИ ЛЕЧЕНИЯ

Л.П. Друганова, Т.В. Шаева (Воронежская государственная медицинская академия) Одной из самых сложных задач практического здравоохранения является диагностика, определяющая успех всей работы. Точность диагностики зависит от квалификации специалиста – его умения правильно анализировать ситуацию. Поэтому по мере развития информационных технологий возникла идея создания на базе знаний высококвалифицированных специалистов специальных программ и использования компьютеров в качестве электронного эксперта. Наиболее известным практическим примером достижений в области искусственного интеллекта могут служить экспертные системы (ЭС), которые представляют собой интеллектуальные программы, способные делать логические выводы на основании знаний в конкретной предметной области и обеспечивающие решение специфических задач на профессиональном уровне. Разрабатываемые в настоящее время медицинские ЭС решают узкоспециализированные задачи медицинской диагностики. По структуре это, в основном, диалоговые базы данных, сопряженные с базами знаний и подсистемами генерации отчетов. Разработаны ЭС для консультации медицинского персонала в различных областях медицины, в том числе для диагностики, прогнозирования, выбора метода лечения, обработки кривых и изображений, мониторинга и т. п. Внедрены в работу клиник также ЭС для диагностики заболеваний почек, легких, нейромышечных заболеваний, офтальмологических заболеваний, при подозрении на острое хирургическое заболевание органов брюшной полости или другие заболевания, сопровождающиеся болями в животе.
Наиболее важные области применения экспертных консультативно-диагностических систем – неотложные и угрожающие состояния, характеризующиеся дефицитом времени, ограниченными возможностями обследования и консультаций, и нередко скудной клинической симптоматикой при высокой степени угрозы для жизни больных и быстрых темпах развития процесса. Экспертные диагностические системы могут быть также использованы для дистанционной консультативной помощи, что особенно актуально в условиях значительной удаленности стационарного уровня медицинской помощи, в том числе специализированных учреждений.

Опыт использования ЭС показывает существенное повышение качества диагностики, что не только уменьшает неоправданные потери, но и позволяет более эффективно использовать ресурсы помощи, регламентировать объем необходимых обследований и также повышать профессиональный уровень врачей, для которых такая система служит одновременно и обучающей. В настоящее время определяется тенденция возврата к индивидуальным госпитальным ЭС, которые позволят анализировать каждый параметр данных пациента по отношению к текущим особенностям болезни, хирургическим осложнениям и т. д.

В перспективе именно интеграция баз данных с ЭС позволит существенно расширить возможности врачей и повысить эффективность диагностических решений.

МЕТОДОЛОГИЯ НИСХОДЯЩЕГО ПРОЕКТИРОВАНИЯ

МУЛЬТИАГЕНТНЫХ СИСТЕМ

С.Е. Ландсберг, А.А. Хованских (Воронежский государственный технический университет) Рассматривается методология нисходящего проектирования мультиагентных систем с использованием абстрактных уровней.

В девяностые годы ХХ века наблюдалось постепенное увеличение количества и возможностей методологий объектно-ориентированного программирования (ООП). В первое десятилетие наступившего века, подобная ситуация повторяется с агентно-ориентированными методологиями (АОМ). Однако, в отличие от ООП, большинство АОМ все еще не достигли стадии промышленного применения и используются небольшими группами исследователей в академической среде. Большинство АОМ на данный момент использовались лишь для создания небольших промышленных систем.

Методологии проектирования агентно-ориентированных систем (АОС) все еще находятся в начальной стадии развития [1].

Известные подходы можно разделить на четыре основных класса:

- базирующиеся на объектно-ориентированных методах и технологиях с использованием соответствующих расширений;

- использующие традиционные методы инженерии знаний;

- основанные на организационно-ориентированных представлениях;

- комбинирующие в различной степени методы трех первых классов.

Методология проектирования выступает своего рода как “рецепт” разработки, и специфицирует шаги, которые необходимо пройти разработчику на каждой стадии цикла разработки.

Рассмотрим методологию проектирования мультиагентных систем (МАС) с использованием абстрактных уровней и основанную на нисходящем подходе с применением методов ООП.

Методология нисходящего проектирования МАС состоит из следующих основных фаз:

1. Проектирование архитектуры МАС (1-й уровень абстрактного представления системы);

2. Проектирование спецификаций МАС (2-й уровень абстрактного представления системы);

3. Имплементация (3-й уровень абстрактного представления системы).

Проектирование и реализация МАС начинается с этапа проектирования архитектуры системы, на котором осуществляется анализ требований к разрабатываемой МАС.

Проектирование архитектуры так же, как и МАС в целом, опирается на нисходящий подход с использованием абстрактных уровней и предусматривает построение ряда моделей, отражающих постепенную разработку архитектуры системы на основе смeшaнной иepapxичecкой cтpyктypы, в основе которой будет лежать система согласованных делений абстрактных уровней на эшелоны, соответствующие уровням системной организации элементов.

Этап проектирования архитектуры МАС связан с построением таких моделей, как социальной модели, функциональной модели и модели агентов.

Построение социальной модели подразумевает начальное моделирование архитектуры МАС в виде заинтересованных сторон, которые представляются как социальные личности (актеры), зависящие друг от друга посредством целей, которые должны быть достигнуты, задач, которые должны быть выполнены, и ресурсов, которые должны быть получены.

Построение функциональной модели подразумевает построение диаграммы вариантов использования (use case diagram), которая предполагает разделение социальных личностей на пользователей и функциональные компоненты МАС.

Процесс построения диаграммы вариантов использования удобно осуществлять при помощи инструментальных средств, поддерживающих язык UML (например, Rational Rose, Together и т.д.).

После концептуального представления МАС в виде диаграммы вариантов использования выделяются следующие компоненты системы:

- актеры, представляющие собой людей (пользователей системы);

- актеры, представляющие собой различные программмно-аппаратные и технические устройства и ресурсы;

- варианты использования, представляющие собой сервисы системы.

Построение модели агентов подразумевает рассмотрение функциональных компонент МАС как множества сущностей, находящихся в определенных отношениях и взаимодействующих друг с другом.

Следовательно, для того, чтобы описать функциональный эшелон в виде набора агентов и их взаимосвязей, необходимо определить состав агентов, а также исследовать, как эти агенты соотносятся друг с другом.

Исходя из вышесказанного, построение модели агентов дальше распадается на пять частей: определение состава агентов и внешней среды МАС, построение организационной модели агентов, построение модели взаимодействий агентов, построение модели атрибутов агентов и построение модели развертывания агентов.

Для определения состава агентов используем диаграмму вариантов использования и придерживаемся следующего правила:

1. Добавляется по одному агенту на каждого пользователя;

2. Добавляется по одному агенту на каждое устройство и ресурс (внешние системы);

3. На основании определения состава агентов получается диаграмма агентов.

Далее на естественном языке описываются ответственности агентов, изображенных на диаграмме агентов. Для описания ответственностей берутся два типа характеристик ситуации: текущие (изменяемые) характеристики (liveness properties) и инвариантные характеристики, обеспечивающие сохранение (safety properties). Текущие характеристики описывают действия, которые агент должен предпринимать при определенных условиях. Характеристики, обеспечивающие сохранение, определяют инвариантность системы к внешним возмущениям. В результате получается список ключевых агентов с описанием их ответственностей, составляющих текущие и инвариантные характеристики агентов [2].

Построение организационной модели агентов подразумевает распределение агентов на уровни на основании их функциональных способностей с использованием функционально-структурного синтеза (ФСС).

В результате получается схема из следующих агентов:

1. Агенты, которые должны взаимодействовать с пользователями МАС и являются приемниками заданий;

2. Агенты, которые не должны взаимодействовать с пользователями МАС, а должны взаимодействовать с ресурсами и устройствами внешней среды, чтобы выполнять необходимые действия для решения задач, поставленных пользователями;

3. Агенты, которые не должны взаимодействовать с пользователями МАС, а должны взаимодействовать с вышеуказанными агентами в целях координации взаимодействий между ними.

Здесь необходимо придерживаться двух правил:

1. Следует избегать дубликации данных, дубликации кода для доступа к ресурсам, разделения агентов до тех пор, пока не очевидны причины, слишком больших и сложных агентов;

2. Каждый агент должен находиться целиком на одной машине.

Построение модели взаимодействий агентов состоит из общей схемы взаимодействий агентов и множества протоколов, определяемых для каждого взаимодействия. Здесь протокол может рассматриваться как описание схемы взаимодействия агентов. Данное описание определяется формально, абстрагируясь от конкретного варианта реализации (непосредственной последовательности шагов). Подобное рассмотрение взаимодействий означает, что основное внимание уделяется природе и назначению взаимодействия, а не точной схеме обмена сообщениями, что соответствует этапу проектирования архитектуры системы.

Общее определение протокола состоит из следующего набора атрибутов:

- название взаимодействия;

- назначение: краткое описание смысла взаимодействия (например, “запрос информации”, “выдача задания”);

- инициатор (I): агент(ы), ответственный(е) за начало взаимодействия;

- респондент (R): агент(ы), с которым(и) осуществляется взаимодействие;

- условия, при которых данное взаимодействие происходит;

- входы: информация, используемая инициатором для начала взаимодействия;

- выходы: информация предоставляемая респондентом в ходе взаимодействия.

Построение модели атрибутов агентов представляет собой полное описание всех агентов в системе. Агенты можно охарактеризовать с помощью атрибутов 4-х типов: типа, протокола взаимодействий, разрешения и ответственности.

Построение модели развертывания специфицирует информацию о том, где физически должны быть развернуты агенты [3]. Данная информация для разработчика является очень важной, особенно если разрабатывается распределенная МАС.

После построения вышеперечисленных моделей МАС можно перейти к построению окончательной архитектуры системы.

Фаза проектирования спецификаций предназначена для того, чтобы представить в подробном виде все элементы моделей, построенные на фазе проектирования архитектуры МАС. Результатом данной фазы будет являться представление МАС на следующем абстрактном уровне нисходящего проектирования, что соответствует более конкретному представлению системы касательно деталей ее реализации.

Построение моделей системы на данном уровне абстракции подразумевает использование стандартных инструментальных средств, поддерживающих язык UML и осуществляющих построение таких видов диаграмм, как диаграмм пакетов, диаграмм классов, диаграмм взаимодействий и диаграмм поведения.

Проектирование МАС на данном уровне абстракции начинается с этапа специфицирования онтологий.

Онтология состоит из терминов (понятий), их определений и атрибутов, а также связанных с ними аксиом и правил вывода.

Формальную модель онтологии можно представить в виде упорядоченной тройки конечных множеств:

O = Т, R, F, где:

Т – термины прикладной области (ПрО), которую описывает онтология O;

R – отношения между терминами заданной ПрО;

F – функции интерпретации, заданные на терминах и/или отношениях онтологии O.

На этапе специфицирования онтологий строится диаграмма классов онтологий. Эти диаграммы используются для описания понятий предметной области, которые используются для описания содержания сообщений и для детальной спецификации параметров и переменных сценариев поведения агентов.

Построение модели классов агентов подразумевает описание функционального назначения агентов в виде диаграмм классов. Данная модель строится для того, чтобы показать функциональные назначения (роли), которые играют агенты, возможности для их взаимодействия и межагентные зависимости.

Определение классов агентов в данной модели процесса проектирования выполняется на основе идентифицированных и описанных функциональных назначений агентов. При этом классы агентов идентифицируются на основе сопоставления им ответственностей агентов. В большинстве случаев, ответственности сопоставляются классам агентов в отношении “один-к-одному”. Однако в ряде случаев выявление классов агентов и сопоставление им функциональных назначений может иметь более сложный характер. Классы ответственностей агентов объединяются в диаграммы классов агентов на уровне пакетов.

Для построения модели классов агентов сначала необходимо описать агентов на уровне диаграммы пакетов, где каждый пакет системы будет представлять собой единственного агента.

Взаимодействие агентов в МАС происходит посредством приема и передачи сообщений “агентами-клиентами” и обработки этих сообщений “агентами-серверами”. При этом в разных ситуациях одни и те же агенты могут выступать и в качестве клиентов, и в качестве серверов.

Описание протокола взаимодействий агентов осуществляется путем построения диаграммы последовательностей (sequence diagram) для того, чтобы описать грамматику каждого применяемого протокола в терминах речевых актов. Данный тип диаграмм позволяет отразить последовательность передачи сообщений между агентами. Этот тип диаграммы не акцентирует внимание на конкретном взаимодействии, главный акцент уделяется последовательности приема и передачи сообщений.

Для того чтобы окинуть взглядом все взаимосвязи агентов, служит диаграмма кооперации (сollaboration diagram). Этот тип диаграммы позволяет описать взаимодействия агентов, абстрагируясь от последовательности передачи сообщений. На этом типе диаграммы в компактном виде отражаются все принимаемые и передаваемые сообщения конкретного агента, и типы этих сообщений.

Построение модели деятельности агентов подразумевает описание спецификации выполнения задач каждого агента. Каждый агент системы, обладающий определенным поведением, может находиться в определенных состояниях, переходить из состояния в состояние, совершая определенные действия в процессе реализации сценария своего поведения. Поведение большинства агентов реальных систем можно представить с точки зрения теории конечных автоматов, то есть поведение агента отражается в его состояниях (режимах функционирования), и данная модель позволяет отразить это графически. Для этого используется два вида диаграмм: диаграмма состояний (statechart diagram) и диаграмма деятельности (activity diagram).

Диаграмма состояний предназначена для отображения состояний агентов системы, имеющих сложную модель поведения.

Диаграмма деятельности представляет собой дальнейшее развитие диаграммы состояний. Фактически данный тип диаграмм может использоваться и для отражения состояний моделируемого объекта, однако, основное назначение данной диаграммы в том, чтобы отражать процессы деятельности (функционирования) объекта. Этот тип диаграмм позволяет показать не только последовательность процессов, но и ветвление и даже синхронизацию процессов.

Имплементация – это осуществление разработанных выше моделей МАС в виде программного кода и интерфейса, с помощью которого осуществляется рабочий диалог с пользователем, что соответствует следующему 3-му уровню абстрактного представления системы.

Первые две фазы проектирования МАС не привязывают процесс ее разработки к конкретному языку программирования. Таким образом, фаза имплементации представляет собой платформозависимое проектирование, где происходит определение платформы для разработки программных агентов.

Среда программирования должна быть определена на самом нижнем уровне абстракции системы вместе с программно-аппаратной платформой.

Данная методология постулирует следующие преимущества своего подхода: возможность применения к широкому диапазону МАС, независимость методологии от конкретных языков программирования, гибкость подхода для анализа и проектирования действующих организаций, с возможностью декомпозиции задач на каждом абстрактном уровне, следуя организационным необходимостям.

Данная методология использует существующие стандарты везде, где это возможно. Поэтому в качестве языка моделирования выбран язык UML. Применение данной методологии требует последовательного построения совокупности моделей, отражающих различные аспекты проектирования АОС.

Модели данной методологии проектирования МАС выражают общие характеристики системы, структуру агентов, целей, социальные взаимодействия и зависимости агентов, привлекаемых для решения проблем, и включают в себя следующее:

- функциональное описание процесса использования системы в виде диаграмм вариантов использования;

- описание развертывания: устанавливает распределение агентов по обрабатывающим модулям, начальное положение агентов и ограничения, накладываемые на их перемещения;

- идентификация агентов, представленных в виде пакетов в UML, и определение зон ответственности;

- спецификация задач каждого агента с использованием диаграмм деятельности.

- описание онтологии: используя диаграмму классов и ограничения, следует описать все знания, необходимые агенту, как для индивидуальной работы, так и для взаимодействия с другими агентами;

- описание функциональных назначений агентов: диаграмма классов используется для того, чтоб показать роли, которые играют агенты, возможности для взаимодействия и межагентные зависимости;

- описание протоколов: используется диаграмма последовательностей для того, чтоб описать грамматику каждого применяемого протокола в терминах речевых актов.

Данная методология проектирования МАС фактически излагает известные принципы нисходящего проектирования, действительно применимые к очень широкому спектру систем для различных социальноэкономических областей.

Литература

1. А.Н. Швецов. Агентно-ориентированные системы: от формальных моделей к промышленным приложениям. – Вологодский государственный технический университет.

2. Тарасов В.Б. От многоагентных систем к интеллектуальным организациям: философия, психология, информатика. – М.: Эдиториал УРСС, 2002.

3. Основина О. Н. Мультиагентная система оценки и прогнозирования надежности АСУ // «Управление большими системами». - Воронеж, 2007. - С. 168-176.

ВЫБОР ПРОГРАММЫ РАЗВИТИЯ ИК ПУТЕМ ЭКСПЕРТНОЙ

ОЦЕНКИ НА ОСНОВЕ ПОКАЗАТЕЛЕЙ МОНИТОРИНГА

НЕМАТЕРИАЛЬНЫХ АКТИВОВ СВЕЙБИ

Я.Е. Львович, Г.А. Токарева, А.В. Токарев (Воронежский государственный технический университет) Оценив текущее состояние интеллектуальных ресурсов, руководитель и эксперты разрабатывают различные стратегии (программы развития) для повышения эффективности использования корпоративного ИК.

Задача руководителя – выбрать оптимальную, результативную программу развития ИК, учитывая действие внешних и внутренних факторов, сильные и слабые стороны организации, ограниченность ресурсов. Для этого воспользуемся мнением экспертов, которые будут оценивать программы развития, в качестве критериев применим систему показателей, которые предложил К.-Э.Свейби для характеристики основных элементов ИК организации (они делятся на 3 группы: идентификаторы внешней структуры, внутренней структуры и показатели квалификации).

Проблема в том, что эксперт не сможет дать четкую количественную оценку показателям системы Свейби, результат его работы – словесные рассуждения, размытые субъективные характеристики. Для формализации нечетких оценок экспертов применим лингвистические переменные, и после, используя аппарат нечеткой логики преобразуем их в числовую форму. Таким образом, после работы экспертов руководитель получит комплексную всестороннюю оценку программ развития ИК, а после применения математического аппарата нечеткой логики - простые для сравнения числовые значения, по которым легко сравнить программы развития и выбрать оптимальную.

Лингвистической переменной называется набор:

b, T, X, G, M, где b - имя лингвистической переменной; Т - множество ее значений (терм-множество), представляющее имена нечетких переменных, областью определения которых - множество X; G - синтаксическая процедура, позволяющая оперировать элементами терм-множества T;

М - семантическая процедура, позволяющая преобразовать новое значение лингвистической переменной, образованной процедурой G, в нечеткую переменную, то есть сформировать соответствующее нечеткое множество.

Например, показатель «рост продаж», характеризующий внешнюю структуру предприятия (потребительский ИК), в качестве терм включает:

«высокий», «удовлетворительный», «низкий». В каком диапазоне может лежать рост продаж? Обычно его измеряют в процентах, но для усреднения всех показателей приравняем это к значениям от 0 до 1 (например, 20%=0,2 и тд.) Таким образом, терма «Рост» принимает значение: а) «высокий», если его значение лежит в диапазоне [0.8;1], б) «удовлетворительный», если его значение лежит в диапазоне [0.4;0.8], в) «низкий», если его значение лежит в диапазоне [0;0.4].

Аналогично, в виде нечетких лингвистических переменных представим все остальные показатели Свейби.

Результаты оценок экспертов по нечетким лингвистическим переменным сводятся в единую групповую оценку по правилам нечеткого логического вывода вида:

Ri: если x есть Ai, то y есть Bi (i=1, ), где условие «x есть Ai» и заключение «y есть Bi» переводятся в четкую модель, то есть функцию f: X, которая описывает связь между множествами X и Y. На основании чего удается получить результирующую оценку по каждой из программ развития ИК и выбрать оптимальную.

ИНТЕГРАЦИЯ ПРОЦЕДУР НЕЙРОСЕТЕВОГО МОДЕЛИРОВАНИЯ

И НЕЧЕТКОЙ ЛОГИКИ ПРИ ПРОЕКТИРОВАНИИ

ИНФОРМАЦИОННЫХ СИСТЕМ

А.В. Питолин (Воронежский государственный технический университет) Информационные системы, использующие искусственные нейронные сети для определения параметров нечетких информационных моделей, называются нейронными нечеткими информационными системами. При этом нейронная сеть обычно используется для предобработки входов или же для постобработки выходов нечеткой системы.

Другим классом интеллектуальных информационных систем являются нечеткие нейронные системы. В этом случае нейронные сети, используют методы нечеткости для ускорения обучения и улучшения своих характеристик. Это достигается использованием нечетких правил для изменения темпа обучения или же рассмотрением нейронных сетей с нечеткими значениями входов.

Использование нечетких правил может обеспечить более аккуратное управление локальными темпами модификации межнейронных связей. Это может быть достигнуто, если в качестве входных параметров этих правил использовать последовательные значения градиентов ошибки.

Следует также отметить, что в современных гибридных нейронных нечетких системах нейронные сети и нечеткие модели комбинируются в единую гомогенную архитектуру. Такие системы могут интерпретироваться либо как нейронные сети с нечеткими параметрами, либо как параллельные распределенные нечеткие системы.

ИНФОРМАЦИОННАЯ СИСТЕМА ВЫБОРА ПУТЕЙ ЭВАКУАЦИИ:

ПРОЕКТИРОВАНИЕ БАЗЫ ЗНАНИЙ

А.Н. Смирнов, Н.И. Баранников (Воронежский государственный технический университет) Экспертная система – это интеллектуальная программа, способная делать логические выводы на основании знаний в конкретной предметной области и обеспечивающая решение специфических задач. Знания о предметной области, необходимые для работы ЭС, определенным образом формализованы и представлены в памяти ЭВМ в виде базы знаний, которая может изменяться и дополняться в процессе развития системы.

Основу ЭС составляет база знаний (БЗ), хранящая множество фактов и набор правил, полученных от экспертов, из специальной литературы. БЗ отличается от базы данных тем, что в базе данных единицы информации представляют собой не связанные друг с другом сведения, формулы, теоремы, аксиомы. В БЗ те же элементы уже связаны как между собой, так и с понятиями внешнего мира. В современных ЭС чаще всего применяются три самых важных метода представления знаний: правила, семантические сети и фреймы.

Продукционная модель или модель, основанная на правилах, позволяет представить знания в виде предложений типа «Если (условие), то (действие)». Под условием понимается некоторое предложение — образец, по которому осуществляется поиск в базе знаний, а под действием — действия, выполняемые при успешном исходе поиска. При использовании продукционной модели база знаний состоит из набора правил, Программа, управляющая перебором правил, называется машиной вывода. Чаще всего вывод бывает прямой (от данных к поиску цели) или обратный (от цели для ее подтверждения – к данным). Данные — это исходные факты, на основании которых запускается машина вывода.

Фреймовая модель, основанная на теории М. Минского, представляет собой систематизированную в виде единой теории технологическую модель памяти человека и его сознания. Все фреймы взаимосвязаны и образуют единую фреймовую структуру, в которой органически объединены декларативные и процедурные знания. Это дает возможность достаточно быстро производить композицию и декомпозицию информационных структур аналогично тому, как это делал бы человек при описании структуры своих знаний. Важнейшим свойством фреймов является заимствованное из теории семантических сетей наследование свойств.

База знаний в информационной системе выбора путей эвакуации представлена в виде фреймов. В качестве значения фреймов может быть постоянное условие или правило типа «Если …, то …». Такая модель позволяет более логично сформировать данные, используемые в работе экспертной системы. Структура БЗ представлена на рисунке 1.

В начале работы, экспертная система формирует временный набор правил для конкретного типа здания, используемого в проекте. Для этого находится необходимый слот, соответствующий названию класса и в новую модель добавляются все правила для данного слота и все наследуемые правила. Знания представленные в виде условия «Если …, то …», они будет добавлено только в случае выполнения данных условий.

На следующем этапе информационной системой уже ведется работа с новой (временной) базой знаний сформированной под параметры текущего проекта с которым работает экспертная система в данный момент. На основе временной БЗ идет проверка соответствия нормативных документов и текущих параметров здания.

Значение 1 Общие требования Значение 2 Значение 3 Значение 4

–  –  –

Использование подобной модели представления знаний позволяет упростить как логическую структуру БЗ для понимания и анализа экспертом, так и формирование самой экспертной системой временной структуры для решения поставленной задачи, а именно проверки правильности путей эвакуации в соответствие с текущими нормативными документами.

Литература

1. Минский М. Фреймы для представления знаний. М.: Мир, 1979.

2. Дьяконов В.П., Борисов А.В. Основы искусственного интеллекта. Смоленск, 2007.

НЕОБХОДИМОСТЬ ИСПОЛЬЗОВАНИЯ ЭКСПЕРТНЫХ СИСТЕМ

В.И. Андрусенко, В.Н. Старынин (Воронежский институт высоких технологий) В начале 80-х годов 20 в. было сформировано самостоятельное направление, которое получило название "экспертные системы" (ЭС). Цель исследований по ЭС состоит в разработке программ, которые при решении задач, трудных для эксперта-человека, получают результаты, которые не уступают по качеству и эффективности решениям, получаемым экспертом.

Программные средства (ПС), использующие технологию экспертных систем, или инженерию знаний, получили большое распространение в мире.

Важность экспертных систем заключается в следующем:

-технология экспертных систем существенно расширяет круг практически значимых задач, решаемых на компьютерах, решение которых приносит значительный экономический эффект;

-технология ЭС является важнейшим средством в решении глобальных проблем традиционного программирования: длительность и, следовательно, высокая стоимость разработки сложных приложений;

высокая стоимость сопровождения сложных систем, которая часто в несколько раз превосходит стоимость их разработки; низкий уровень повторной используемости программ и т.п.;

-объединение технологии ЭС с технологией традиционного программирования добавляет новые качества к программным продуктам за счет:

обеспечения динамичной модификации приложений пользователем, а не программистом; большей "прозрачности" приложения (например, знания хранятся на ограниченном естественном языке, что не требует комментариев к знаниям, упрощает обучение и сопровождение); лучшей графики;

интерфейса и взаимодействия.

Можно отметить, что неформализованные задачи представляют большой и очень важный класс задач. Многие специалисты считают, что эти задачи являются наиболее массовым классом задач, решаемых ЭВМ Экспертные системы и системы искусственного интеллекта отличаются от систем обработки данных тем, что в них в основном используются символьный (а не числовой) способ представления, символьный вывод и эвристический поиск решения (а не исполнение известного алгоритма).

Решения экспертных систем могут быть объяснены пользователю на качественном уровне. Это свойство экспертных систем обеспечивается их способностью рассуждать о своих знаниях и умозаключениях. Экспертные системы имеют возможность пополнять свои знания в ходе взаимодействия с экспертом. Важно обратить внимание на то, что в настоящее время технология экспертных систем используется для решения различных типов задач.

Типичная статическая ЭС состоит из следующих основных компонентов:

-решателя (интерпретатора);

-рабочей памяти (РП), называемой также базой данных (БД);

-базы знаний (БЗ);

-компонентов приобретения знаний;

-объяснительного компонента;

-диалогового компонента.

ХАРАКТЕРНЫЕ ОСОБЕННОСТИ ЭКСПЕРТНЫХ СИСТЕМ

О.В. Босова, В.Н. Филипова (Воронежский институт высоких технологий)

При рассмотрении экспертных систем (ЭС) можно отметить несколько характерных особенностей:

1. Экспертиза может проводиться только в одной конкретной области.

Например, программа, предназначенная для определения конфигурации систем ЭВМ, не может ставить медицинские диагнозы.

2. База знаний и механизм вывода представляют собой различные компоненты. Анализ показывает, что, часто оказывается возможным сочетать механизм вывода с другими базами знаний для создания новых ЭС.

Например, программа анализа инфекции в крови может быть применена в пульмонологии путем замены базы знаний, используемой с тем же самым механизмом вывода.

3. Наиболее подходящая область применения ЭС, это решение задач дедуктивным методом. Например, правила или эвристики выражаются в виде пар посылок и заключений типа «если-то».

4. Эти системы могут объяснять ход решения задачи понятным пользователю способом. Обычно мы не принимаем ответ эксперта, если на вопрос «Почему?» не можем получить логичный ответ. Точно так же мы должны иметь возможность спросить систему, основанную на знаниях, как было получено конкретное заключение.

5. Выходные результаты являются качественными (а не количественными).

6. Системы, основанные на знаниях, строятся по модульному принципу, что позволяет постепенно наращивать их базы знаний.

Выделяют несколько поколений в ЭС. Компьютерные системы, которые могут лишь повторить логический вывод эксперта, принято относить к ЭС первого поколения. Но при этом специалисту, решающему интеллектуально сложную задачу, явно недостаточно возможностей системы, которая лишь имитирует деятельность человека. Требуется, чтобы ЭС выступала в роли полноценного помощника и советчика, способного проводить анализ нечисловых данных, выдвигать и отбрасывать гипотезы, оценивать достоверность фактов, самостоятельно пополнять свои знания, контролировать их непротиворечивость, делать заключения на основе прецедентов и, может быть, даже порождать решение новых, ранее не рассматривавшихся задач. Наличие таких возможностей является характерным для ЭС второго поколения. Эти системы называют партнерскими, или усилителями интеллектуальных способностей человека. Их общими отличительными чертами является умение обучаться и развиваться, то есть эволюционировать.

В экспертных системах первого поколения знания представлены следующим образом:

1) знаниями системы являются только знания эксперта, опыт накопления знаний не предусматривается.

2) методы представления знаний позволяли описывать лишь статические предметные области.

3) модели представления знаний ориентированы на простые области.

Представление знаний в ЭС второго поколения следующее:

1) используются не поверхностные знания, а более глубинные. Возможно дополнение предметной области.

2) ЭС может решать задачи динамической базы данных предметной области.

ОБ ЭТАПАХ РАЗРАБОТКИ ЭКСПЕРТНЫХ СИСТЕМ

Л.Б. Гуськова, О.П. Невзорова (Воронежский институт высоких технологий) При разработке экспертных систем (ЭС) можно отметить заметные отличия от разработки обычного программного продукта. Опыт создания ЭС показывает, что использование при их разработке методологии, принятой в традиционном программировании, либо чрезмерно затягивает процесс создания ЭС, либо вообще приводит к отрицательному результату.

Использовать ЭС следует только тогда, когда разработка ЭС возможна, оправдана и методы инженерии знаний соответствуют решаемой задаче. Чтобы разработка ЭС была возможной для данного приложения, необходимо одновременное выполнение, по крайней мере, следующих требований:

1) есть эксперты в данной области, которые решают задачу значительно лучше, чем начинающие работники;

2) эксперты сходятся в оценке предлагаемого решения, иначе нельзя будет оценить качество разработанной ЭС;

3) эксперты способны выразить на естественном языке и объяснить используемые ими методы, иначе трудно рассчитывать на то, что знания экспертов будут «извлечены» и использованы в ЭС;

4) решение задачи требует только рассуждений, а не действий;

5) задача не должна быть слишком трудной (то есть, ее решение должно занимать у эксперта, например, несколько часов или дней, а не недель);

6) задача хотя и не должна быть выражена в формальном виде, но все же должна относиться к достаточно «понятной» и структурированной области;

7) При решении задачи не надо сильно использовать «здравый смысл», поскольку такой вид знаний на настоящее время довольно сложно вложить в системы искусственного интеллекта.

Когда разрабатывается ЭС, то необходимо обращать внимание на несколько моментов:

-решение задачи должно принести заметный эффект, например экономический;

-использование человека-эксперта невозможно либо из-за недостаточного количества экспертов, либо из-за необходимости выполнять экспертизу одновременно в различных местах;

-использование ЭС целесообразно в тех случаях, когда при передаче информации эксперту происходит недопустимая потеря времени или информации;

-использование ЭС целесообразно при необходимости решать задачу в окружении, враждебном для человека.

Экспертная система, пусть даже с элементами искусственного интеллекта, останется лишь инструментом грамотного пользователя: инженера, изобретателя, учёного, способным многократно повысить эффективность их работы.

НЕКОТОРЫЕ ОСОБЕННОСТИ ФОРМИРОВАНИЯ ИНЖЕНЕРИИ

ЗНАНИЙ К.В. Кайдакова, Е.В. Зубрякова (Воронежский институт высоких технологий) Инженерия знаний представляет собой одно из важных направлений современного программирования, занимающееся развитием языков, методов и систем представления и обработки знаний на компьютерах. Это направление возникло в 1950-х гг. 20 в. как один из разделов искусственного интеллекта, в связи с тем, что при решении задач творческого характера с помощью компьютеров требовалось не только разрабатывать алгоритмы и программы, реализующие те или иные методы (например, стратегию поиска решения сначала в глубину), но и явным образом (отдельно от программ) хранить, изменять и пополнять базы знаний, содержащие в обобщенном виде необходимую для решения задач информацию о предметной области.

Анализ показал, что знания, которые необходимы для решения многих сложных практических задач с использованием компьютеров, носят гибридный характер, то есть, требуются не только процедурные знания (алгоритмы, их программные реализации и типовые процедуры решения задач – то есть, те формы знаний, которые фактически всегда неявно используются для компьютерного решения любой задачи, но в виде, жестко «встроенном» в исходный текст программы), но также концептуальные знания (определения концепций проблемной области и отношений между ними), фактуальные знания (конкретные факты и их связи между собой) и эвристические знания (неформальные правила рассуждений, отражающие практический опыт решения задач в проблемной области).

По мере развития методов инженерии знаний, их теоретические, методологические и технологические основы все более отдалялись от основ инженерии программ (software engineering) – методов спецификации, проектирования, реализации, тестирования и сопровождения программ и программных продуктов. Исторически сложилось так, что инженерия знаний, начиная с 1960-х гг. (создание языка ЛИСП для символьной обработки) и с 1970-х гг. (создание языка Пролог, основанного на идее использования метода резолюций для эффективного логического вывода в исчислении предикатов первого порядка, в качестве основы для систем искусственного интеллекта), развивалась на основе совершенно иных вычислительных моделей и парадигм, нежели традиционная программная инженерия (ФОРТРАН, АЛГОЛ, Паскаль, структурное и модульное программирование, абстрактные типы данных, объектно-ориентированное программирование и т.д.). Для инженерии знаний использовались методы математической логики, теории продукций, системы преобразований термов (term-rewriting systems), а опыт и результаты в данной области накапливались, главным образом, усилиями специалистов в указанных теоретических областях, программирующих на языках ЛИСП, Пролог и их диалектах, применение которых требует иных методов мышления, принципиально отличных от тех, которые используются при программировании на процедурных или объектно-ориентированных языках. Напротив, в инженерии программ использовались и развивались языки, методы и инструменты, основанные на более традиционных вычислительных моделях, с точки зрения которых, использование языков ЛИСП или Пролог выглядело “экзотикой”.

О СТРУКТУРЕ ЭКСПЕРТНЫХ СИСТЕМ

А.И. Козлов, С.И. Супонев (Воронежский институт высоких технологий) Структура экспертных систем состоит из следующих основных компонентов: решателя (интерпретатора); рабочей памяти (РП), называемой также базой данных (БД); базы знаний (БЗ); компонентов приобретения знаний; объяснительного компонента; диалогового компонента.

База данных (рабочая память) предназначена для хранения исходных и промежуточных данных решаемой в текущий момент задачи. Этот термин совпадает по названию, но не по смыслу с термином, используемым в информационно-поисковых системах (ИПС) и системах управления базами данных (СУБД) для обозначения всех данных (в первую очередь долгосрочных), хранимых в системе.

База знаний (БЗ) в экспертных системах предназначена для хранения долгосрочных данных, описывающих рассматриваемую область (а не текущих данных), и правил, описывающих целесообразные преобразования данных этой области.

Решатель, используя исходные данные из рабочей памяти и знания из БЗ, формирует такую последовательность правил, которая приводит к решению задачи.

Компонент приобретения знаний автоматизирует процесс наполнения экспертных систем знаниями, осуществляемый пользователем-экспертом.

Объяснительный компонент объясняет, как система получила решение задачи (или почему она не получила решение) и какие знания она при этом использовала, что облегчает эксперту тестирование системы и повышает доверие пользователя к полученному результату.

Диалоговый компонент ориентирован на организацию дружественного общения с пользователем, как в ходе решения задач, так и в процессе приобретения знаний и объяснения результатов работы.

В разработке экспертных систем участвуют представители следующих специальностей:

- эксперт проблемной области, задачи которой будет решать экспертные системы;

- инженер по знаниям - специалист по разработке экспертных систем (используемые им технологию, методы называют технологией (методами) инженерии знаний);

- программист по разработке инструментальных средств, предназначенных для ускорения разработки экспертных систем.

Необходимо отметить, что отсутствие среди участников разработки инженеров по знаниям (то есть, их замена программистами) либо приводит к неудаче процесс создания экспертных систем, либо значительно удлиняет его.

Эксперт определяет знания (данные и правила), характеризующие проблемную область, обеспечивает полноту и правильность введенных в экспертные системы знаний.

Инженер по знаниям помогает эксперту выявить и структурировать знания, необходимые для работы экспертных систем; осуществляет выбор того инструментального средства, которое наиболее подходит для данной проблемной области, и определяет способ представления знаний в этом инструментальных средств; выделяет и программирует (традиционными средствами) стандартные функции (типичные для данной проблемной области), которые будут использоваться в правилах, вводимых экспертом.

Программист разрабатывает инструментальные средства (если инструментальные средства разрабатывается заново), содержащее в пределе все основные компоненты экспертных систем, и осуществляет его сопряжение с той средой, в которой оно будет использовано.

Экспертная система работает в двух режимах: режиме приобретения знаний и в режиме решения задачи (называемом также режимом консультации или режимом использования экспертных систем).

В режиме приобретения знаний общение с экспертными системами осуществляет (через посредничество инженера по знаниям) эксперт. В этом режиме эксперт, используя компонент приобретения знаний, наполняет систему знаниями, которые позволяют экспертным системам в режиме решения самостоятельно (без эксперта) решать задачи из проблемной области. Эксперт описывает проблемную область в виде совокупности данных и правил. Данные определяют объекты, их характеристики и значения, существующие в области экспертизы. Правила определяют способы манипулирования с данными, характерные для рассматриваемой области.

Отметим, что режиму приобретения знаний в традиционном подходе к разработке программ соответствуют этапы алгоритмизации, программирования и отладки, выполняемые программистом. Таким образом, в отличие от традиционного подхода в случае экспертных систем разработку программ осуществляет не программист, а эксперт (с помощью экспертных систем), не владеющий программированием.

В режиме консультации общение с экспертными системами осуществляет конечный пользователь, которого интересует результат и (или) способ его получения. Необходимо отметить, что в зависимости от назначения экспертных систем пользователь может не быть специалистом в данной проблемной области (в этом случае он обращается к экспертным системам за результатом, не умея получить его сам), или быть специалистом (в этом случае пользователь может сам получить результат, но он обращается к экспертным системам с целью либо ускорить процесс получения результата, либо возложить на экспертную систему рутинную работу). В режиме консультации данные о задаче пользователя после обработки их диалоговым компонентом поступают в рабочую память. Решатель на основе входных данных из рабочей памяти, общих данных о проблемной области и правил из БЗ формирует решение задачи. Экспертные системы при решении задачи не только исполняет предписанную последовательность операции, но и предварительно формирует ее. Если реакция системы не понятна пользователю, то он может потребовать объяснения: «Почему система задает тот или иной вопрос?», «как ответ, собираемый системой, получен?».

Структуру называют структурой статической экспертной системы.

Экспертные системы данного типа используются в тех приложениях, где можно не учитывать изменения окружающего мира, происходящие за время решения задачи. Первые экспертные системы, получившие практическое использование, были статическими.

В архитектуру динамической экспертной системы по сравнению со статической экспертной системы вводятся два компонента: подсистема моделирования внешнего мира и подсистема связи с внешним окружением. Последняя осуществляет связи с внешним миром через систему датчиков и контроллеров. Кроме того, традиционные компоненты статической экспертной системы (база знаний и машина вывода) претерпевают существенные изменения, чтобы отразить временную логику происходящих в реальном мире событий.

О НЕКОТОРЫХ ОСОБЕННОСТЯХ ЭКСПЕРТНЫХ СИСТЕМ

Н.А. Межевикин, Чжен Цзин, Чжао Инин (Воронежский институт высоких технологий) Экспертные системы (ЭС) возникли как значительный практический результат в применении и развитии методов искусственного интеллекта (ИИ)- совокупности научных дисциплин, изучающих методы решения задач интеллектуального (творческого) характера с использованием ЭВМ.

Экспертная система состоит из базы знаний (части системы, в которой содержатся факты), подсистемы вывода (множества правил, по которым осуществляется решение задачи), подсистемы объяснения, подсистемы приобретения знаний и диалогового процессора.

При построении подсистем вывода используют методы решения задач искусственного интеллекта.

ЭС выдают советы, проводят анализ, выполняют классификацию, дают консультации и ставят диагноз. Они ориентированы на решение задач, обычно требующих проведения экспертизы человеком-специалистом. В отличие от машинных программ, использующий процедурный анализ, ЭС решают задачи в узкой предметной области (конкретной области экспертизы)на основе дедуктивных рассуждений. Такие системы часто оказываются способными найти решение задач, которые неструктурированны и плохо определены. Они справляются с отсутствием структурированности путем привлечения эвристик, т. е. правил, взятых “с потолка”, что может быть полезным в тех системах, когда недостаток необходимых знаний или времени исключает возможность проведения полного анализа.

Главное достоинство ЭС- возможность накапливать знания, сохранять их длительное время, обновлять и тем самым обеспечивать относительную независимость конкретной организации от наличия в ней квалифицированных специалистов. Накопление знаний позволяет повышать квалификацию специалистов, работающих на предприятии, используя наилучшие, проверенные решения.

Практическое применение искусственного интеллекта на машиностроительных предприятиях и в экономике основано на ЭС, позволяющих повысить качество и сохранить время принятия решений, а также способствующих росту эффективности работы и повышению квалификации специалистов.

В любой момент времени в системе существуют три типа знаний:

- Структурированные знания- статические знания о предметной области. После того как эти знания выявлены, они уже не изменяются.

- Структурированные динамические знания- изменяемые знания о предметной области. Они обновляются по мере выявления новой информации.

- Рабочие знания- знания, применяемые для решения конкретной задачи или проведения консультации.

Все перечисленные выше знания хранятся в базе знаний. Для ее построения требуется провести опрос специалистов, являющихся экспертами в конкретной предметной области, а затем систематизировать, организовать и снабдить эти знания указателями, чтобы впоследствии их можно было легко извлечь из базы знаний.

ИСПОЛЬЗОВАНИЕ INTERNET ТЕХНОЛОГИЙ В ЭКСПЕРТНЫХ

СИСТЕМАХ Ю.И. Москальчук, С.А. Федотова (Воронежский институт высоких технологий) В современных условиях жесткой конкуренции и значительного ускорения темпов технического прогресса необходимо при минимальных сроках проектирования обеспечить высочайшее качество проектируемых изделий электронной вычислительной техники большой функциональной сложности. Решение сложных задач проектирования сегодня уже невозможно без применения помощи систем автоматизированного проектирования (САПР) (CAD/CAM/CAE систем). Постоянное усложнение и увеличение задач, решаемых проектировщиком, обуславливает потребность в постоянном развитии САПР, совершенствовании и внедрении накопленных, а также разработке новых методов и средств, способных существенно повысить качество проектирования. В основе современных САПР лежит опыт формализованных этапов проектирования, методов и моделей, описывающих проектные процедуры, подробно разработаны схемы их реализации на традиционных математических. Однако процесс проектирования сопровождается решением большого класса трудноформализуемых и неформализованных задач, которые с трудом поддаются описанию традиционными методами. Поэтому дальнейшее совершенствование качества принимаемого конструкторского решения лежит в использовании в технологии проектирования экспертных знаний и умении их применять, то есть, в интеллектуализации процесса проектирования. В решение задач принятия решений на трудноформализуемых этапах проектирования в условиях нечеткости, определяемой как нечеткой постановкой самой задачи, так и использованием интуитивных представлениях эксперта о путях ее решения и нечетком описании параметров. Сегодня накопление опыта и сложных форм знаний проектировщика становятся частью основы для подхода к созданию современных полнофункциональных САПР и отдельных модулей САПР, отвечающим всем жестким требованиям. В итоге в настоящее время компьютер в паре с пользователем должен лучше опытного эксперта, проектировщика выполнять всевозможные процедуры проектирования, традиционно относимые к области интеллектуальной деятельности человека.

Увеличение внимания к внедрению Internet технологий объясняется новыми возможностями, которые создают эти технологии для программных комплексов. Применительно к САПР использование Internet технологий позволяет повысить качество принимаемых конструкторских решений, уменьшить сроки проектирования за счет интеграции труда многих конструкторов в реальном времени практически без ограничений в количестве пользователей и пространстве их размещения. Использование интеграции Internet технологий с аппаратом знаний для применения в САПР открывает возможности для получения качественных знаний от большого числа проектировщиков, организации накопления положительного коллективного опыта проектирования. Такая интеграция требует разработки новых моделей организации системы с использованием перспективного направления, основанного на эволюционном подходе. Обобщая вышеизложенное, можно утверждать, что применение систем, основанных на знаниях, и внедрение использования Internet технологий в настоящее время являются перспективными направлениями в развитии САПР, интеграция которых позволит создавать качественно новые поколения САПР.

О РАЗВИТИИ ЭКСПЕРТНЫХ СИСТЕМ

А.Р. Муртузов, Р.А. Дмитриев (Воронежский институт высоких технологий) Экспертная система представляет собой интеллектуальную компьютерную программу, которая может давать советы, консультировать, проводить анализ и ставить диагноз на уровне специалиста в некоторой узкой предметной области. Поиск решения может осуществляться логическими, эвристическими (работающими, но не имеющими строгого обоснования), математическими (аналитическими и имитационными) и гибридными методами.

Возникшее в середине 60-х годов прошлого века новое направление в искусственном интеллекте с тех пор только ускоряет темпы своего развития. Сегодня любая экспертная система окупается моментально, принося огромную пользу в тех областях, где наблюдается недостаток специалистов или существует реальная опасность для их жизни (атомные электростанции). ЭС находят широкое применение в медицине, микроэлектронике, геологии, военном деле, навигации и т.д. Например, HASP/SIAP определяет местоположение и типы судов в тихом океане по данным акустических систем слежения.

Каждая экспертная система имеет интеллектуальный естественноязыковой или речевой интерфейс. Ведь круг ее общения - не программисты и хакеры, а обычные люди, владеющие компьютерной грамотой. Кроме того, ЭС включает подсистемы объяснения и обучения для интерпретации собственных рассуждений.

В 1965 году в Стэндфордском университете (Stanford University) Эдвард Фейгенбаум, Джошуа Ледерберг и примкнувший к ним Брюс Бученен (Bruce Buchanan) начали работы по созданию первой экспертной системы.

Одной из главных проблем, которую ученым надлежало решить, было построение гибкой программы, оперирующей с многочисленными знаниями и работающей по правилам логики («если – то»). Но, как оказалось, сложнее всего было создать базу данных, включающую знания многих специалистов в органической химии. Для этого разработчикам DE DRAL пришлось опросить как можно больше экспертов. Приобретение знаний - не такой легкий процесс, как это может показаться на первый взгляд. Одно дело собрать факты, другое - познания конкретного человека. Поэтому опрашиваемым специалистам была предоставлена специальная программа, которая производила некоторые «умозаключения», правдивость или ложность которых им нужно было установить и объяснить. Таким образом, отделив механизм логического вывода от базы знаний, Бученен предложил хороший инструмент для создания экспертных систем. Одной из самых первых подобных программ была META-DE DRAL. С ее помощью и с помощью аналогичных разработок были построены такие ЭС, как PROSPECTOR, M CI и C RUS.

С 70-х годов 20 в. ЭС стали ведущим направлением в области искусственного интеллекта. В этот период было создано множество разнообразных экспертных и диагностических систем, большая часть которых действует и сегодня. Самыми известными из них являются M CI, служащая для диагностики и лечения инфекционных заболеваний, и PROSPECTOR, предназначенная для геологической разведки месторождений полезных ископаемых.

Первая версия ЭС M CI была построена в Стэндфордском университете в середине 70-х годов 20 в. Ее создатель - врач и специалист в области вычислительной техники Эдвард Шортлайф (Edward Shortliffe. Исследования показывают, что диагностика многих заболеваний для успешного выздоровления пациента должна проводиться оперативно. Иногда максимально возможные сроки определения метода лечения составляют от одного до двух суток. Кроме того, каждый человек, идя на прием к врачу, хочет надеяться, что его примет профессионал, который внятно объяснит причину недомогания и предложит одну или несколько эффективных методик лечения. Любая медицинская экспертная система, содержащая знания и логику рассуждения лучших специалистов в мире, может это позволить.

Общение пациента и машины происходит на естественном человеческом языке, и это характерно, для всех ЭС. Сам больной или доктор вводит в M CI симптомы устанавливаемой болезни, а ЭС задает уточняющие вопросы и, в конце концов, ставит диагноз и предлагает методы лечения.

Кроме того, система на любом шаге может «объяснить» свои доводы. Механизм логического вывода в M CI включает первоначальный опрос пациента, прямой вывод с использованием некоторых правил продукции и правил нечеткой логики и обратный вывод.

Исследования работы ЭС M CI, проведенные в Стэндфордском университете, показали, что система для диагностики бактериальных инфекций все-таки уступает группе врачей, состоящей только из профессионалов, на 20%. База знаний M CI постоянно расширяется, и благодаря этому ЭС «осваивает» все новые области медицины. Теперь M CI используется преимущественно для обучения врачей, а ее механизм логического вывода E-M CI был успешно применен для создания многих других ЭС, таких, как EOM CI и PUFF для исследования легочных заболеваний.

Экспертная система PROSPECTOR разрабатывалась SRI International с 1974 по 1983 год. Она предназначена для геологических изысканий и относится к интерпретирующему типу ЭС, которые выводят некоторые заключения на основе наблюдений. Данная программа располагает динамическим количеством геологических моделей, каждая из которых содержит знания об определенных видах полезных ископаемых. Так же, как и M CI, PROSPECTOR вовлекает геолога в диалог, чтобы, опираясь на его наблюдения, точно выбрать модель и дать ответ на вопрос «Где бурить?».

В 1984 году система точно предсказала существование месторождения молибдена, оцененного в многомиллионную сумму.

При разработке последующих экспертных систем были учтены особенности и недостатки PROSPECTOR и M CI. Благодаря этому такие диагностические медицинские системы, как I TER IST и CAS ET, основанные на ассоциативном и казуальном подходах, приобрели более мощные механизмы вывода.

Сейчас количество экспертных систем исчисляется тысячами и десятками тысяч. В развитых зарубежных странах сотни фирм занимаются их разработкой и внедрением в различные сферы жизни. Имеются и удачные попытки построения ЭС в СНГ. В настоящее время ведутся разработки самостоятельно обучаемых экспертных систем. Кроме того, в искусственном интеллекте обозначилось такое направление, как инженерия знаний, отвечающая за поиски передовых методов в сборе, представлении, хранении и преумножении информации. Еще можно упомянуть то, что пятое поколение ЭВМ (наши ПК относятся к четвертому), возникшее в 90-х годах 20 в., базируется полностью на экспертных системах.

В качестве современных ЭС можно назвать быстродействующую систему OMEGAMO (фирма Candle, с 2004 г. IBM) для отслеживания состояния корпоративной информационной сети и G2 (фирма Gensym) коммерческую экспертную систему для работы с динамическими объектами. Они служат для принятия решения за считанные секунды с момента наступления внештатных или критических ситуаций. Для G2 также характерно распараллеливание процессов рассуждений. Для простого перечисления других современных экспертных систем, возможно, не хватит газетной полосы. Вот лишь некоторые из них: GUIDO, TATR, O COCI, MOLGEN, GENESIS.

Сравнивая положение вещей в создании ЭС в 70-х и 90-х годах 20 в., можно удивляться, насколько далеко наука шагнула вперед. Экспертные системы сейчас являются прогрессирующим направлением в искусственном интеллекте, которое вряд ли в ближайшее время уменьшит скорость своего развития.

ВОПРОСЫ ИСПОЛЬЗОВАНИЯ ЭКСПЕРТНЫХ СИСТЕМ

Д.Ю. Олейник, М.А. Любимова (Воронежский институт высоких технологий) В восьмидесятых годах 20 в. в исследованиях по искусственному интеллекту сформировалось самостоятельное направление, которое получило название «экспертные системы» (ЭС). Цель исследований по ЭС состоит в разработке программ, которые при решении задач, трудных для экспертачеловека, получают результаты, не уступающие по качеству и эффективности решениям, получаемым экспертом. Исследователи в области ЭС для названия своей дисциплины часто используют также термин «инженерия знаний».

Программные средства (ПС), базирующиеся на технологии экспертных систем, или инженерии знаний (в дальнейшем будем использовать их как синонимы), получили значительное распространение в мире.

Важность экспертных систем состоит в следующем:

технология экспертных систем существенно расширяет круг практически значимых задач, решаемых на компьютерах, решение которых приносит значительный экономический эффект;

технология ЭС является важнейшим средством в решении глобальных проблем традиционного программирования: длительность и, следовательно, высокая стоимость разработки сложных приложений;

высокая стоимость сопровождения сложных систем, которая часто в несколько раз превосходит стоимость их разработки;

низкий уровень повторной используемости программ и т.п.;

Неформализованные задачи обычно обладают следующими особенностями:

ошибочностью, неоднозначностью, неполнотой и противоречивостью исходных данных;

ошибочностью, неоднозначностью, неполнотой и противоречивостью знаний о проблемной области и решаемой задаче;

большой размерностью пространства решения, т.е. перебор при поиске решения весьма велик;

динамически изменяющимися данными и знаниями.

Следует подчеркнуть, что неформализованные задачи представляют большой и очень важный класс задач. Многие специалисты считают, что эти задачи являются наиболее массовым классом задач, решаемых ЭВМ.

Экспертные системы и системы искусственного интеллекта отличаются от систем обработки данных тем, что в них в основном используются символьный (а не числовой) способ представления, символьный вывод и эвристический поиск решения (а не исполнение известного алгоритма).

ВОПРОСЫ ПРИМЕНЕНИЯ ЭКСПЕРТНЫХ СИСТЕМ В КАДРОВОЙ

ДЕЯТЕЛЬНОСТИ

М.Ю. Павлова, Д.С. Тарасова, А.Г. Мещерякова (Воронежский институт высоких технологий) Экспертные системы - это программные комплексы, аккумулирующие знания специалистов в конкретных предметных областях и тиражирующие их для консультирования менее квалифицированных пользователей.

Основная разница между информационно-поисковыми и экспертными системами заключается в том, что первые осуществляют лишь поиск имеющейся в их базе заданной информации, а вторые - еще и логическую переработку ее с целью получения новой информации. Именно это обстоятельство делает экспертные системы по-настоящему интеллектуальными.

Ядро системы - база знаний. Это совокупность знаний в определенной области, в данном случае - в области управления персоналом, кадрового делопроизводства, записанная на машинном носителе.

Прежде чем наполнить это ядро знаниями, необходимо найти экспертов (отсюда название: экспертные системы), т.е. профессионаловпрактиков высокого уровня в данной предметной области. Современные базы знаний используют практический опыт десятков и даже нескольких сотен и тысяч экспертов, причем эти базы знаний можно постоянно развивать и дополнять, что и делают их разработчики.

В результате объединения в одной экспертной системе знаний нескольких экспертов можно получить систему, которая помогает решать такие задачи и на таком высоком уровне, который недоступен по отдельности даже самому хорошему специалисту.

Получить знания от эксперта (экспертов) не так просто, как кажется.

Это целое научное направление в области искусственного интеллекта инженерия знаний. Специалист, представляющий это направление, называется инженером по знаниям. Он выступает в роли промежуточного звена между экспертом и базой знаний. Основная его задача - получить знание от экспертов, затем выделить ключевые понятия, отношения и характеристики, необходимые для описания процесса решения задачи, структурировать эти знания и выбрать способ представления их (модель) для последующего наполнения ядра системы.

Сама предметная область это, по существу, более или менее четко очерченная проблема или область деятельности. Например, экспертные системы нашли применение в таких предметных областях, как метеорология, медицина, управление персоналом и т.д.

Если предметная область большая, то ее необходимо разделить на подпроблемы (соответственно цели - на подцели, задачи - на подзадачи), не нарушая при этом общую ее логическую структуру. В этом случае экспертная система будет состоять из нескольких модулей (блоков). Чаще всего именно так строятся кадровые экспертные системы, поскольку предметная область этой сферы деятельности и спектр решаемых задач очень большие.

Отметим, что одной из наиболее распространенных моделей представления знаний является так называемая продукционная модель. То есть знание представляется в виде правил (утверждений, высказываний), сформулированных на основе знаний экспертов, в форме: ЕСЛИ (условие), ТО (действие), ИНАЧЕ (действие).

Таким образом, база знаний экспертной системы представляет собой:

- свод эмпирических (опытных) правил истинности высказываний (заключений) экспертов по данной проблеме;

- свод эмпирических данных и описания проблем, вариантов их разрешения.

Приведем простейший пример правила базы знаний кадровой экспертной системы. Как известно, руководство многих предприятий и организаций при приеме на работу сотрудников назначает им испытательный срок. Однако на некоторых лиц, согласно действующему законодательству, эта норма не распространяется. Например, на лиц, не достигших 18 лет.

Вот как может выглядеть правило, описывающее эту ситуацию в базе знаний:

IF: выберите кадровую операцию прием на работу, A D: возраст работника до 18 лет, THE : испытательный срок не устанавливается.

То есть для пользователя (сотрудника кадровой службы) достаточно ввести в систему исходные данные - и ответ готов. Кроме базы знаний в экспертной системе имеется программа логического вывода - программа, моделирующая ход «рассуждений» системы, а также интерфейс пользователя и подсистема объяснений. Интерфейс пользователя -это программа, позволяющая вести диалог пользователя с экспертной системой как на стадии ввода информации, так и на стадии получения результатов. Подсистема объяснений - это программа, позволяющая пользователю получить ответ на вопрос: «Как и почему система пришла к такому решению?» Развитые подсистемы объяснений поддерживают и другие типы вопросов.

Экспертные системы для кадровой деятельности условно можно разделить на следующие группы в зависимости от решаемых задач:

- многофункциональные системы (решаемые задачи: профориентация, профотбор, аттестация работников, формирование резерва и т.д.);

- системы для группового анализа состояния персонала (задачи стратегические: анализ и оптимизация структуры организации, определение тенденций развития подразделений и т. д.);

- системы для специалистов-психологов (выявление негативных проявлений работников, в т.ч. криминальных наклонностей, скрытой конфликтности, негативных тенденций в подразделениях и организации в целом).

Экспертные системы последнего поколения (разработчики говорят уже о пятом поколении) для кадровой деятельности построены по принципу «прецедента», то есть, личные, профессиональные и психофизиологические качества кандидата сравниваются с аналогичными параметрами лучших специалистов. Таким образом, экспертная система позволяет формировать команду, которая максимально соответствовала бы запросам руководителя.

ЭКСПЕРТНЫЕ СИСТЕМЫ И ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ

К.Ю. Родионова, Н.П. Гончарова (Воронежский институт высоких технологий) Экспертные системы возникли как значительный практический результат в применении и развитии методов искусственного интеллекта - совокупности научных дисциплин, изучающих методы решения задач интеллектуального (творческого) характера с использованием ЭВМ.

Область искусственного интеллекта имеет более чем сорокалетнюю историю развития. С самого начала в ней рассматривался ряд весьма сложных задач, которые, наряду с другими, и до сих пор являются предметом исследований: автоматические доказательства теорем, машинный перевод, распознавание изображений и анализ сцен, планирование действий роботов, алгоритмы и стратегии игр.

Экспертная система - это набор программ, выполняющий функции эксперта при решении задач из некоторой предметной области. Экспертные системы выдают советы, проводят анализ, дают консультации, ставят диагноз. Практическое применение экспертных систем на предприятиях способствует эффективности работы и повышению квалификации специалистов.

Главным достоинством экспертных систем является возможность накопления знаний и сохранение их длительное время. В отличие от человека к любой информации экспертные системы подходят объективно, что улучшает качество проводимой экспертизы.

При создании экспертных систем возникает ряд затруднений. Это, прежде всего, связано с тем, что заказчик не всегда может точно сформулировать свои требования к разрабатываемой системе. Также возможно возникновение трудностей чисто психологического порядка: при создании базы знаний системы эксперт может препятствовать передаче своих знаний, опасаясь, что впоследствии его заменят «машиной». Но эти страхи не обоснованы, так как экспертные системы не способны обучаться, они не обладают здравым смыслом, интуицией. Но в настоящее время ведутся разработки экспертных систем, реализующих идею самообучения. Также экспертные системы неприменимы в больших предметных областях и в тех областях, где отсутствуют эксперты.

Причиной повышенного интереса, который экспертные системы вызывают к себе на протяжении всего своего существования, является возможность их применения к решению задач из самых различных областей человеческой деятельности.

Искусственный интеллект занимает исключительное положение.

Это связано со следующим:

- часть функций программирования в настоящее время оказалось возможным передать машине. При этом общение с машиной происходит на языке, близком к разговорному. Для этого в ЭВМ закладывают огромную базу знаний, способы решения, процедуры синтеза, программы, а также средства общения, позволяющие пользователю легко общаться с ЭВМ.

- в связи с внедрением ЭВМ во все сферы человеческой жизни становится возможным переход к безбумажной технологии обработки информации.

- если раньше производство ориентировалось на обязательное участие человека, то в настоящее время находят применение безлюдные технологии, основанные на роботизации и автоматизации системы управления.

- интеллектуальные системы в настоящее время начинают занимать ведущее положение в проектировании образцов изделий. Часть изделий невозможно спроектировать без их участия.

Системы, относящиеся к системам искусственного интеллекта в настоящее время:

экспертные системы. Первые системы, которые нашли широкое применение. Их элементы используются в системах проектирования, диагностики, управления и играх. Основаны на вводе знаний высококвалифицированных специалистов (экспертов) в ЭВМ и разработке специальной системы по их использованию.

системы естественно-языкового общения (подразумевается письменная речь). Данные системы позволяют производить обработку связанных текстов по какой-либо тематике на естественном языке.

системы речевого общения.

системы обработки визуальной информации. Находят применение в обработке аэрокосмических снимков, данных, поступающих с датчиков.

системы машинного перевода. Подразумеваются естественные языки человеческого общения.

ПРОБЛЕМЫ ЭФФЕКТИВНОГО ПОИСКА С ИСПОЛЬЗОВАНИЕМ

ОНТОЛОГИЙ В.И. Свиридов, Д.В. Комков (Воронежский институт высоких технологий) В настоящее время проблема поиска информации в больших массивах с одной стороны весьма востребована, но с другой стороны не получила полного решения. Эта проблема усложняется еще и тем, что существующие поисковые механизмы осуществляют поиск информации без учета семантики слов, входящих в запрос, а также контекста, в котором они используются.

Деятельность отдельных людей, коллективов и организаций сейчас все в большей степени зависит от имеющейся у них информации и способности ее эффективно использовать. Имея доступ к морю информации, представленной в Internet, пользователю хотелось бы получать только нужные ему документы, в то время как поисковые системы работают более чем неудовлетворительно. Проблема усложняется еще и тем, что различные группы людей, занимающиеся сбором и поиском информации, используют для общения с поисковыми системами, как свои специальные термины, так и термины, широко используемые другими сообществами в ином контексте. Из-за этого может возникнуть проблема несовместимости используемых терминов, поскольку современные машины поиска используют в основном механизмы поиска по ключевым словам, не учитывающие контекст, в котором существует информация. В итоге результатом работы таких машин поиска являются сотни тысяч ссылок, большинство из которых указывают на документы, не относящиеся к делу, что затрудняет восприятие и выбор полезной информации.

Понятие онтологии, заимствованное из философии, сейчас активно применяется в искусственном интеллекте и информатике. В философии онтология изучает категории бытия, которые существуют или могут существовать. В искусственном интеллекте онтологии упоминаются в контексте с такими понятиями как концептуализация, знание, представление знаний, системы, основанные на знаниях. Одни пытаются дать неформальные определения, другие описывают онтологии на основе понятий и конструкций логики и математики. Но, несмотря на то, что построено множество различных онтологий и увеличивается область их применения, до сих пор нет точного определения этого понятия применительно к области искусственного интеллекта.

Неформально, онтология представляет собой некоторое описание взгляда на мир применительно к конкретной области интересов. Это описание состоит из терминов и правил использования этих терминов, ограничивающих их значения в рамках конкретной области. На формальном же уровне, онтология это система, состоящая из набора понятий и набора утверждений об этих понятиях, на основе которых можно строить классы, объекты, отношения, функции и теории.

Так как при обращении к поисковой системе пользователь должен иметь возможность получить в ответ ресурсы релевантные смыслу запроса, то их поиск должен быть семантически ориентированным. Для этого средства поиска соответствующей запросу информации предлагается организовать на основе онтологии, содержащей описания семантики ресурсов.

Известно, что семантика Internet-ресурсов очень разнообразна, следовательно, осуществлять поиск необходимой информации тем проще, чем уже и специфичнее предметная область. Вследствие этого на практике можно ограничиться построением онтологии одной конкретной области.

Для построения онтологии требуется формальное декларативное представление четко организованных конструкций, которые включают в себя словарь терминов тематической области, описание определений этих терминов, существующие взаимосвязи между ними, их теоретически возможные и невозможные взаимосвязи. Описанные таким образом онтологии можно применить в качестве посредника между пользователем и поисковой системой.

МОДЕЛИ, МЕТОДЫ И ПРОГРАММНЫЕ СРЕДСТВА ДЛЯ

ПОСТРОЕНИЯ ИНТЕГРИРОВАННЫХ ЭКСПЕРТНЫХ СИСТЕМ

И.В. Соловьев, О.В. Стрельцов, М.-К. Тумаини (Воронежский институт высоких технологий) Определенный успех экспертных систем (ЭС) - одного из бурно развивающихся направлений искусственного интеллекта (ИИ), обусловил возрастающую потребность в промышленной разработке прикладных ЭС для широкого класса неформализованных задач, не имеющих эффективных алгоритмических решений. Как показал опыт создания и эксплуатации ЭС в течение нескольких десятилетий в различных сферах научнотехнической деятельности и производства, особенно в так называемых «описательных» проблемных областях (медицина, экология, проектирование уникального оборудования, бизнес, геология и др.), если применение методов и средств ЭС оказывалось возможным и оправданным, то это приводило к значительному экономическому эффекту, что, в свою очередь, обеспечивало тенденции постоянного расширения областей использования технологии ЭС. Это свидетельствовало о том, что в реальной практике существует достаточно большой класс задач, которые не удается решать методами традиционного программирования (например, сформулировать постановки задачи в математических терминах, в частности, в виде систем уравнений) и этот класс задач достаточно значим, поскольку большинство из них имеет важное практическое значение.

Существенное изменение архитектур ЭС вследствие доминирующих процессов интеграции и гибридизации (появление интегрированных, гибридных, веб-ориентированных ЭС) выявило как серьёзные проблемы в методологии и технологии создания программного обеспечения ЭС, так и практическое отсутствие парадигмы программирования, ориентированной на разработку новых архитектур программных систем - интегрированных ЭС (ИЭС), объединяющих такие разнородные компоненты.

Концепция разработки традиционных (простых продукционных) ЭС конца 80-х - начала 90-х годов 20 в. ориентировалась на изолированное автономное функционирование ЭС, построенной только на основе эксклюзивных знаний эксперта, описывающих узкую, сильно упрощенную проблемную область, модель которой создавалась в результате искусной работы инженера по знаниям с экспертом. В реальности оказалось, что объемы информации в БЗ могут быть весьма значительными, и без использования специальных средств автоматизации процессов приобретения и верификации знаний, обработки недостоверных знаний (т.е. знаний, содержащих неопределенность, неточность, нечеткость, неполноту. С другой стороны, предлагавшиеся ИС для построения традиционных ЭС (в основном, в виде различных «оболочек») не поддерживали какой-либо четкой определенной методологии и технологии анализа, проектирования и разработки прикладных ЭС (по типу современных CASE-систем), что делало практически невозможным их непосредственное использование для построения систем с более сложной архитектурой типа ИЭС. Особенно ярко «технологическое» отставание ЭС стало заметно в начале нового столетия на фоне индустрии информационных систем, бурный процесс которой был связан, в частности, с появлением вебтехнологий и технологий реализации статических и динамических распределенных приложений (DCOM, COM, Java RMI, CORBA и др.).

К перечисленным базовым проблемам, характерным для ЭС в целом, следует добавить целый ряд специфических проблем, связанных с ИЭС, для которых отсутствовали: целостная концепция ИЭС как научного объекта инженерии знаний; единое представление различных классов моделей (информационных, функциональных, моделей ИИ) и методы организации процессов решения задач на этих моделях; исследования проблемы интеграции в рамках ИЭС; модели, методы и средства создания прикладных ИЭС для различных классов задач в статических и динамических ПрО, наиболее типичных для использования концепции ИЭС; методы и процедуры компьютерного приобретения знаний с учетом особенностей ИЭС;

ИС, поддерживающие некоторую стандартную, четко определенную методологию разработки прикладных ИЭС и др.

СЕКЦИЯ 2

ОНТОЛОГИЧЕСКИЙ И СЕМАНТИЧЕСКИЙ ВЕБ-АНАЛИЗ

ОСОБЕННОСТИ УПРАВЛЕНИЯ ОРГАНИЗАЦИОННЫМИ

СИСТЕМАМИ С ПОЗИЦИЙ РЕАЛИЗАЦИИ СРЕДСТВ

ИНТЕЛЛЕКТУАЛЬНОЙ ПОДДЕРЖКИ ПРИНЯТИЯ

УПРАВЛЕНЧЕСКИХ РЕШЕНИЙ

И.Я. Львович, Р.Н. Феоктистов, А.А. Воронов (Воронежский институт высоких технологий) Для решения проблем экономических, социальных, политических, научных, технических, стоящих перед обществом, требуется организованная деятельность многих людей. Такая деятельность осуществляется в рамках искусственных созданных человеком формирований, называемых организационными системами (ОС) – промышленные предприятия, компании, холдинги, банки, кооперативы.

Количество таких объектов в стране измеряется сотнями тысяч, и продолжает расти. Несмотря на это, ОС как специфический класс систем постоянно ускользали из поля зрения исследователей. Имеется множество институтов и проектных организаций, занимающихся вопросами создания различных технических систем, которые по своей сложности значительно уступают ОС. Тогда как исследования в области их создания практически отсутствуют.



Pages:   || 2 | 3 | 4 | 5 |
Похожие работы:

«Белоус Александра Сергеевна Президент Межотраслевой ассоциации СРО "Синергия"Цели контроля: выявление и предупреждение нарушений требований; содействие постоянному повышению надлежащего качес...»

«Контрольно–кассовая машина "АМС – 500К".Инструкция по эксплуатации. Контрольно-кассовая техника Контрольно-кассовая машина "АМС500К" Инструкция по эксплуатации ШВКС. 695234. 012 ИЭ Контрольно–кассовая машина "АМС – 500К".Инструкция по эксплуатации. СОДЕР...»

«А.В. Туев, В.Г. Желобов, А.В. Агафонов, Л.А. Некрутенко ГЕМОСТАЗИОЛОГИЧЕСКИЕ РАССТРОЙСТВА ПРИ ЖЕЛЕЗОДЕФИЦИТНЫХ АНЕМИЯХ ГБОУ ВПО "ПГМА имени акад. Е.А. Вагнера Минздрава Ро...»

«Техническая карта материала Издание: 05/08/2010; UA_10/2011_ AS Идентификационный № Sika® MonoTop® -910 N Sika® MonoTop® -910 N (старое название Sika® MonoTop®-610) Антикоррозионная защита арматуры и клеящ...»

«МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ федеральное государственное автономное образовательное учреждение высшего образования "НАЦИОНАЛЬНЫЙ ИССЛЕДОВАТЕЛЬСКИЙ ТОМСКИЙ ПОЛИТЕХНИЧЕСКИЙ УНИВЕРСИТЕТ" Институт Электронного обучения. Специальность промышленная теплоэнерг...»

«ДБР Газарматурен ГмбХ Инжиниринг, проектирование, техническая поддержка, изготовление технологического газового оборудования и поставка, сервисное обслуживание.Краткая справка о компании: • Компания ДБР Газарматурен Гмб...»

«216 НЕФТЕГАЗОВОЕ И ГОРНОЕ ДЕЛО, ГЕОЛОГИЯ УДК 622.550.4:552.57/.58:550.4.07 А.В. Жуков, А.В. Михалков ЖУКОВ Анатолий Васильевич – доктор технических наук, профессор кафедры экономики и организации п...»

«УДК 621.331.621.611 ВОСПРОИЗВЕДЕНИЕ ДВИЖЕНИЯ ЭЛЕКТРОПОЕЗДОВ В ПРОЦЕССЕ НЕПРЕРЫВНОГО МОДЕЛИРОВАНИЯ РАБОТЫ СИСТЕМ ЭЛЕКТРОСНАБЖЕНИЯ ПЕРЕМЕННОГО ТОКА 2Х25 КВ В MATLAB/SIMULINK В.В. Андреев, кандидат технических наук, доцент Московский государственный университет пу...»

«ООО "Упаковочные технологии" Украина, 03062, г. Киев, просп. Победы, 67 тел. +38 (044) 205-38-67, e-mail: 2053867@gmail.com ОБОРУДОВАНИЕ ДЛЯ ФАСОВКИ И УПАКОВКИ СЫПУЧЕЙ ПРОДУКЦИИ РУКОВОДСТВО ПО ЭКСП...»

«КАК ВЫИГРАТЬ ЗЕМЕЛЬНЫЙ СПОР? СОДЕРЖАНИЕ Предупреждение 1 I. С чего начать? 2 1. Земельный участок 3 2. Документы на земельный участок 3 2.1. Свидетельство на право собственности и выписка из ЕГРП 4 2.2. Кадастровый паспорт и кадастровая выписка 5 2.3. Межевой план 5 2.4. Зе...»

«ТЕХНИЧЕСКИЙ РАЙДЕР 2016 К Договору № от _ 2016г г.Москва 2016г Общество с ограниченной ответственностью "МАЙДАН", в лице Генерального директора Майдановой Натальи Николаевны, действующей на основании Устава, именуемая в дальнейшем "Исполнитель", с одной стороны,...»

«Министерство образования и науки РФ ФГБОУ ВПО Уральский государственный лесотехнический университет Институт экономики и управления Кафедра менеджмента и внешнеэкономической деятельности предприятия Одобрена: Утверждаю: кафедрой менеджмента и ВЭД предп...»

«Министерство образования и науки Российской Федерации Федеральное государственное автономное образовательное учреждение высшего образования "НАЦИОНАЛЬНЫЙ ИССЛЕДОВАТЕЛЬСКИЙ ТОМСКИЙ ПОЛИТЕХНИЧЕСКИЙ УНИВЕРСИТЕТ" _ Институт социально-гуманитарных технологий Направление подготовки 080100 Экономика, профиль "Экономик...»

«УДК 338.24 АНАЛИЗ ПОДХОДОВ К УПРАВЛЕНИЮ КОНКУРЕНТНОЙ ДИНАМИКОЙ ПРЕДПРИЯТИЙ В УСЛОВИЯХ СЛОЖНОЙ ЭКОНОМИКИ Л.А. Головань Донецкий национальный технический университет В статье анализируется понятие конкурентоспособности, основополагающие требования, предъявляемые к данной категории, а также рассматривается необходимост...»

«Технологическая карта КОП технической направленности " Космический корабль" Старшая группа Воспитатель: Комогорцева Л.А. Название КОПа Космический корабль Тип Практико-ориентированная...»

«170 ПРИКЛАДНАЯ МЕХАНИКА И ТЕХНИЧЕСКАЯ ФИЗИКА. 2002. Т. 43, N2 УДК 539.3 ВЛИЯНИЕ СТРУКТУРНЫХ И МЕХАНИЧЕСКИХ ХАРАКТЕРИСТИК КОМПОЗИЦИОННОГО МАТЕРИАЛА НА ДЕФОРМИРОВАНИЕ ЗЕРКАЛЬНОЙ АНТЕННЫ С. К. Голушко, А. В. Юрченко Институт вычислительных технологий СО РАН, 630090 Новосибирск Исследо...»

«ТКП 064-2012 (07040) ТЕХНИЧЕСКИЙ КОДЕКС УСТАНОВИВШЕЙСЯ ПРАКТИКИ Банковская деятельность. Информационные технологии ПРОЦЕССЫ ФОРМИРОВАНИЯ ИНТЕРФЕЙСА ПОЛЬЗОВАТЕЛЯ И ВЫХОДНЫХ ДОКУМЕНТОВ ПЕРИФЕРИЙНЫМ ОБОРУДОВАНИЕМ ДЛЯ СОВЕРШЕНИЯ ОПЕРАЦИЙ С ИСПОЛЬЗОВАНИЕМ БАНКОВСКИХ ПЛАСТИКОВЫХ КАРТОЧЕК...»

«№ 1 (33), 2015 Технические науки. Машиностроение и машиноведение УДК 681.5 О. С. Шумарова, С. А. Игнатьев, Е. М. Самойлова АВТОМАТИЗАЦИЯ РАСПОЗНАВАНИЯ ДЕФЕКТОВ ШЛИФОВАЛЬНЫХ ПОВЕРХНОСТЕЙ ДЕТАЛЕЙ ПОДШИПНИКОВ ПРИ ВИХРЕТОКОВОМ КОНТРОЛЕ С ОБОСНОВАНИЕМ ВЫБОРА ВИДА ВЕЙВЛ...»

«AMNESTY INTERNATIONAL Октябрь 2007 года Универсальный периодический обзор Совета по правам человека в вопросах и ответах Что такое универсальный периодический обзор? Зачем Совету такой механизм? Является ли УПО единственным механизмом Совета по рассмотрению положения в странах? Каковы цели УПО? Какова норма...»

«Ultima ratio Вестник Академии ДНК-генеалогии Proceedings of the Academy of DNA Genealogy Moscow-Boston Volume 9, No. 1 April 2016 Академия ДНК-генеалогии Boston-Moscow-Tsukuba ISSN 1942-7484 Вестник Академии ДН...»

«Основные положения Мастер-плана по выводу из эксплуатации, замене на альтернативные источники питания и утилизации РИТЭГ, разработанного при финансовой поддержке Канады Григорьев А.С., Сажнев М.А., Худыкин А.М., РНЦ "Курчатовский институт" Щербин...»

«Юбилейная научно-техническая конференция ФГУП "НПП "Исток" парения 10-7 кг/(м2·с) при температуре работающего катода. Использование этого припоя позволяет повысить эмиссионную надежность катодных узлов и прибора в целом. Разработана технология пайки эмиттеров с подогревательными узлами, обеспечивающая снижение температуры пайки пр...»

«ПЕТЕРБУРГСКИЙ МЕЖДУНАРОДНЫЙ ЭКОНОМИЧЕСКИЙ ФОРУМ 16—18 июня 2016 ЭРА БЕСПИЛОТНИКОВ НА ТРАНСПОРТЕ. ЧТО ДАЛЬШЕ? 16 июня 2016 г., 14:15—15:30 Павильон G, Конференц-зал G2 Санкт-Петербург, Россия Модератор: Эрик Очард, Главный технический корреспондент по региону Европ...»










 
2017 www.lib.knigi-x.ru - «Бесплатная электронная библиотека - электронные материалы»

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.