Интеллектуальные информационные системы когнитивной графики

Содержание:

ВВЕДЕНИЕ

С развитием нашего общества лавинообразно растет поток информации нуждающейся в обработке. И соответственно растет сложность ее анализа. Объем этих задач превышает возможности человеческого разума. Даже определенная машинная обработка не всегда позволяет извлечь новые или желаемые знания из потока информации. Поэтому возникает необходимость в качественно ином уровне ее обработки, предусматривающем использование методов и средств когнитивной компьютерной графики или моделирования.

Основной задачей когнитивных методов является автоматизация части функций познавательных процессов. Поэтому эти технологии можно применять во всех областях, в которых востребовано самопознание.

Общая цель компьютерных когнитивных наук - создание качественно нового знания, путем преодоления барьеров восприятия, познания и понимания, связанных с представлением информации в привычной буквенно-цифровой форме. Например, рождение принципиально новых научных идей часто не может быть сведено к процессу дедукции, формально - логическому выводу гипотез и теорий.

Если главной дисциплиной здесь считать «распознавание образов» то две другие (обработка сигналов, машинная графика) являются обслуживающими. Однако это обслуживание, направленное на подготовку данных, по объему вычислений существенно превосходит основное направление.

Многие алгоритмы машинной графики и обработки сигналов, необходимые для решения задач распознавания образов, были разработаны в 1981-1984 годах в Институте проблем управления РАН в лаб. №18. Сюда можно отнести алгоритмы отсечения, определения ориентации плоских и пространственных графических образов, спектрального анализа типовых кривых на основе ДПФ и другие.  В это время было актуальным погружение алгоритмов машинной графики в специализированные вычислительные структуры. Весь наработанный арсенал алгоритмов оказался полезным впоследствии при решении задач интеллектуализации наземной станции командно-измерительной системы (НСКИС) с целью повышения ее автономности и функциональности. Причем основной упор делался на использование возможностей искусственных нейронных сетей (ИНС) в качестве эффективных распознавателей.

Актуальность темы основывается на построении когнитивных (способствующих пониманию) графических образов, как для космических, так и медицинских приложений.

Цель курсовой работы рассмотреть графические объекты и взаимосвязь между ними.

Задачи курсовой работы:

• Рассмотреть построение модели объекта и генерация изображения,
• Рассмотреть преобразование модели и изображения,
• Изучить повышение качества изображения.

Объекты для рассмотрения в курсовой работе: дискретное, числовое представление фотографий.

Предмет: исследование абстрактных моделей графических объектов и взаимосвязей между ними. Объекты могут быть как синтезированными, так и выделенными на фотоснимках.

Глава 1. Интеллектуальная информационная система

1.1 Определение интеллектуальной информационной системы

Существует большое множество интеллектуальных информационных систем (ИИС). Однако единого определения интеллектуальной информационной системы нет.

Интеллектуальной информационной системой называют автоматизированную информационную систему, основанную на знаниях, или комплекс программных, лингвистических и логико-математических средств для реализации основной задачи – осуществления поддержки деятельности человека и поиска информации в режиме продвинутого диалога на естественном языке.

Кроме того, информационно-вычислительными системами с интеллектуальной поддержкой для решения сложных задач называют те системы, в которых логическая обработка информации доминирует над вычислительной.

Таким образом, любая информационная система, решающая интеллектуальную задачу или использующая методы искусственного интеллекта, относится к интеллектуальным.

Для интеллектуальных информационных систем свойственны следующие признаки:

• развитые коммуникативные способности;
• умение решать сложные плохо формализуемые задачи;
• способность к самообучению;
• адаптивность.

Коммуникативные способности ИИС характеризуют способ взаимодействия (интерфейса) конечного пользователя с системой, в частности возможность формулирования произвольного запроса в диалоге с ИИС на языке, максимально приближенном к естественному.

Сложные неудовлетворительно формализуемые задачи – это задачи, которые требуют построения оригинального алгоритма решения в зависимости от конкретной ситуации, для которой могут быть характерны неопределенность и динамичность исходных данных и знаний.

Способность к самообучению – это вероятность автоматического извлечения знаний для решения задач из накопленного опыта конкретных ситуаций.

Адаптивность – способность к развитию системы в соответствии с объективными изменениями модели проблемной области.

Классификация интеллектуальных систем

В соответствии с перечисленными признаками ИИС делятся на (данная классификация – одна из возможных) (рисунок 1):

• системы с коммутативными способностями (с интеллектуальным интерфейсом);
• экспертные системы (системы для решения сложных задач);
• самообучающиеся системы (системы, способные к самообучению);
• адаптивные системы (адаптивные информационные системы).

Рисунок 1. Классификация систем

Интеллектуальные базы данных имеют ряд особенностей от обычных баз данных возможностью выбора по запросу нужной информации, которая может явно не храниться, а выводиться результатом из имеющейся в базе данных.

Естественно-языковой интерфейс предполагает передачу естественно-языковых конструкций на внутримашинный уровень представления знаний. Для этого необходимо решать задачи морфологического, синтаксического и семантического анализа и синтеза высказываний на естественном языке. Так, морфологический анализ предполагает распознавание и проверку правильности написания слов по словарям, синтаксический контроль – разложение входных сообщений на отдельные компоненты (определение структуры) с проверкой соответствия грамматическим правилам внутреннего представления знаний и выявления недостающих частей и, наконец, семантический анализ – определение смысловой правильности синтаксических конструкций. Синтез высказываний решает обратную задачу преобразования внутреннего представления информации в естественно-языковое.

Естественно-языковой интерфейс используется для:

• доступа к интеллектуальным базам данных;
• контекстного поиска документальной текстовой информации;
• голосового ввода команд в системах управления;
• машинного перевода с иностранных языков.

Гипертекстовые системы предназначены для реализации поиска по ключевым словам в базах текстовой информации. Интеллектуальные гипертекстовые системы отличаются возможностью более сложной семантической организации ключевых слов, которая отражает различные смысловые отношения терминов. Таким образом, механизм поиска работает прежде всего с базой знаний ключевых слов, а уже затем непосредственно с текстом. В более широком плане сказанное распространяется и на поиск мультимедийной информации, включающей, помимо текстовой, и цифровую информацию.

Системы контекстной помощи можно рассматривать как частный случай интеллектуальных гипертекстовых и естественно-языковых систем. В отличие от обычных систем помощи, навязывающих пользователю схему поиска требуемой информации, в системах контекстной помощи пользователь описывает проблему (ситуацию), а система с помощью дополнительного диалога ее конкретизирует и сама выполняет поиск относящихся к ситуации рекомендаций. Такие системы относятся к классу систем распространения знаний (Knowledge Publishing) и создаются как приложение к системам документации (например, технической документации по эксплуатации товаров).

Системы когнитивной графики позволяют осуществлять интерфейс пользователя с ИИС с помощью графических образов, которые генерируются в соответствии с происходящими событиями. Такие системы используются в мониторинге и управлении оперативными процессами. Графические образы в наглядном и интегрированном виде описывают множество параметров изучаемой ситуации. Например, состояние сложного управляемого объекта отображается в виде человеческого лица, на котором каждая черта отвечает за какой-либо параметр, а общее выражение лица дает интегрированную характеристику ситуации. Системы когнитивной графики широко используются также в обучающих и тренажерных системах на основе использования принципов виртуальной реальности, когда графические образы моделируют ситуации, в которых обучаемому необходимо принимать решения и выполнять определенные действия.

Экспертные системы предназначены для решения задач на основе накапливаемой базы знаний, отражающей опыт работы экспертов в рассматриваемой проблемной области.

Многоагентные системы. Для таких динамических систем характерна интеграция в базе знаний нескольких разнородных источников знаний, обменивающихся между собой получаемыми результатами на динамической основе.

Для многоагентных систем характерны следующие особенности:

1. проведение альтернативных рассуждений на основе использования различных источников знаний с механизмом устранения противоречий;
2. распределенное решение проблем, которые разбиваются на параллельно решаемые подпроблемы, соответствующие самостоятельным источникам знаний;
3. применение множества стратегий работы механизма вывода заключений в зависимости от типа решаемой проблемы;
4. обработка больших массивов данных, содержащихся в базе данных;
5. использование различных математических моделей и внешних процедур, хранимых в базе моделей;
6. способность прерывания решения задач в связи с необходимостью получения дополнительных данных и знаний от пользователей, моделей, параллельно решаемых подпроблем.

В основе самообучающихся систем лежат методы автоматической классификации примеров ситуаций реальной практики.

Характерными признаками самообучающихся систем являются:

• самообучающиеся системы «с учителем», когда для каждого примера задается в явном виде значение признака его принадлежности некоторому классу ситуаций (классообразующего признака);
• самообучающиеся системы «без учителя», когда по степени близости значений признаков классификации система сама выделяет классы ситуаций.

Индуктивные системы используют обобщение примеров по принципу от частного к общему. Процесс классификации примеров осуществляется следующим образом:

• 1. Выбирается признак классификации из множества заданных (либо последовательно, либо по какому-либо правилу, например в соответствии с максимальным числом получаемых подмножеств примеров).
  2. По значению выбранного признака множество примеров разбивается
  3. на подмножества.
  4. Выполняется проверка, принадлежит ли каждое образовавшееся подмножество примеров одному подклассу.
  5. Если какое-то подмножество примеров принадлежит одному подклассу, то есть у всех примеров подмножества совпадает значение классообразующего признака, то процесс классификации заканчивается (при этом остальные признаки классификации не рассматриваются).
  6. Для подмножеств примеров с несовпадающим значением классообразующего признака процесс классификации продолжается начиная с пункта 1 (каждое подмножество примеров становится классифицируемым множеством).

Нейронные сети представляют собой устройства параллельных вычислений, состоящие из множества взаимодействующих простых процессоров. Каждый процессор такой сети имеет дело только с сигналами, которые он периодически получает, и сигналами, которые он периодически посылает другим процессорам.

В экспертных системах, основанных на прецедентах (аналогиях), база знаний содержит описания не обобщенных ситуаций, а собственно сами ситуации или прецеденты.

Поиск решения проблемы в экспертных системах, основанных на прецедентах, сводится к поиску по аналогии (то есть абдуктивный вывод от частного к частному).

В отличие от интеллектуальной базы данных, информационное хранилище представляет собой хранилище извлеченной значимой информации из оперативной базы данных, которое предназначено для оперативного ситуационного анализа данных (реализации OLAP-технологии).

Типичными задачами оперативного ситуационного анализа являются:

• определение профиля потребителей конкретных объектов хранения;
• предсказание изменений объектов хранения во времени;
• анализ зависимостей признаков ситуаций (корреляционный анализ).

Адаптивная информационная система – это информационная система, которая изменяет свою структуру в соответствии с изменением модели проблемной области.

При этом:

1. адаптивная информационная система должна в каждый момент времени адекватно поддерживать организацию бизнес-процессов;
2. адаптивная информационная система должна проводить адаптацию всякий раз, как возникает потребность в реорганизации бизнес-процессов;
3. реконструкция информационной системы должна проводиться быстро и с минимальными затратами.

Ядром адаптивной информационной системы является постоянно развиваемая модель проблемной области (предприятия), поддерживаемая в специальной базе знаний – репозитории. На основе ядра осуществляется генерация или конфигурация программного обеспечения. Таким образом, проектирование и адаптация ИС сводится, прежде всего, к построению модели проблемной области и ее своевременной корректировке.

Так как нет общепринятого определения, четкую единую классификацию интеллектуальных информационных систем дать затруднительно.

Если рассматривать интеллектуальные информационные системы с точки зрения решаемой задачи, то можно выделить системы управления и справочные системы, системы компьютерной лингвистики, системы распознавания, игровые системы и системы создания интеллектуальных информационных систем (рисунок 2).

При этом системы могут решать не одну, а несколько задач или в процессе решения одной задачи решать и ряд других. Например, при обучении иностранному языку система может решать задачи распознавания речи обучаемого, тестировать, отвечать на вопросы, переводить тексты с одного языка на другой и поддерживать естественно-языковой интерфейс работы. Классификация интеллектуальных информационных систем по решаемым задачам рисунок 2 ( приложение А).

Если классифицировать интеллектуальные информационные системы по критерию «используемые методы», то они делятся на жесткие, мягкие и гибридные. (рисунок 3).

Мягкие вычисления – это сложная компьютерная методология, основанная на нечеткой логике, генетических вычислениях, нейрокомпьютинге и вероятностных вычислениях. Жесткие вычисления – традиционные компьютерные вычисления (не мягкие). Гибридные системы – системы, использующие более чем одну компьютерную технологию (в случае интеллектуальных систем – технологии искусственного интеллекта). Рисунок 3. Классификация интеллектуальных информационных систем по методам (приложение Б).

Возможны и другие классификации, например выделяют системы общего назначения и специализированные системы (рисунок 4).

Специализированные системы

Системы общего назначения

Системы, основанные на знаниях

Самоорганизующиеся системы

Системы
эвристического поиска

Экспертные системы

Интеллектуальные пакеты прикладных программ

Нейросистемы

Робототехнические системы

Системы распознавания

Игровые системы

Системы общения

Системы обработки текстов

Системы речевого общения

Системы машинного перевода

Системы генерации музыки

Рисунок 4. Классификация интеллектуальных систем по назначению

Кроме того, эта схема отражает еще один вариант классификации по методам: системы, использующие методы представления знаний, самоорганизующиеся системы и системы, созданные с помощью эвристического программирования. Также в этой классификации системы генерации музыки отнесены к системам общения.

К интеллектуальным системам общего назначения относятся системы, которые не только исполняют заданные процедуры, но на основе метапроцедур поиска генерируют и исполняют процедуры решения новых конкретных задач.

Специализированные интеллектуальные системы выполняют решение фиксированного набора задач, предопределенного при проектировании системы.

Отсутствие четкой классификации также объясняется многообразием интеллектуальных задач и интеллектуальных методов, кроме того, искусственный интеллект – активно развивающаяся наука, в которой новые прикладные области осваиваются ежедневно.

Глава 2. Графические образы и когнитивной графики

2.1 Распознавание графических и когнитивной графики образов

Объектом приложения методов распознавания графических образов и когнитивной графики явилась перспективная НС КИС, ориентированная на обработку информации со спутников. Перечислим некоторые задачи обработки космической информации:

1) обнаружение локальных объектов на аэрокосмических снимках,

2) кластеризация и распознавание целевых объектов,

3) определение местоположения объекта в заданной системе координат,

4) сжатие и восстановление графической информации,

5) фильтрация,

6) прогнозирование данных телеметрии (временных рядов),

7) обнаружение неисправностей и НШС.

Технологию первичной обработки информации составляют волновые алгоритмы выделения объектов на снимках, методы удаления заведомо ложных объектов и нормализации претендентов на распознавание. Большое значение для качества работы ИНС имеет приведение графических объектов к стандартному виду в смысле ориентации и масштаба.

Рисунок 4 - Взаимосвязь направлений

Рисунок 5- Технология обнаружения нормализации ЛА

ИНС используются в самом конце технологической цепочки, причем от качества предобработки и типа нейронной сети в значительной мере зависит результат распознавания. Это связано с большой чувствительностью ИНС к наличию шумов, положению и масштабу образов и т.д.

Рисунок 6 – Структуры использования ИНС

Кроме типовых сетей можно формировать и специальные сети. Результаты

работы нейронных сетей (в основном использовались сети прямого распространения, Хемминга и Кохонена): примерно 60%-80% правильного распознавания. Результат удается несколько улучшить за счет, применения комитетов ИНС.

Рисунок 6 – Результаты распознавания с использование ИНС Хемминга

Для улучшения результатов отделения целевых объектов от ложных использован комплекс методов специальной обработки, в том числе методы выделения контуров, сжатия пространства признаков, выделения «скелетного изображения» и др.

Рисунок 7 – Структурный метод построения скелетного изображения.

Так, например, задача определения воздушной цели потребовала использования технологии выделения контуров, вычисления инвариантных моментов и применения обобщенной метрики Евклида-Махаланобиса.

 

Рисунок 8 – Структурный метод построения контуров

        

Рисунок 9 – Выделение регионов

Важная по значимости прикладная задача – выделение регионов. Регион – это область на космическом снимке, которая представляет по ряду причин интерес для пользователя. Предложенная технология формирования эталонных текстур и обобщенная метрика решают достаточно уверенно поставленную задачу даже без знания спектральных характеристик точек поверхности, получаемых со спутников в результате дистанционного зондирования Земли.

 

Рисунок 10- фильтрация Хопфилда

         

Рисунок 11- Фильтрация Хопфилда

Обобщенная метрика является универсальной. Она в отличие от метрики Махаланобиса применима в случаях, когда выделяемая область содержит совершенно одинаковые или очень близкие по яркости пиксели, т.е. когда нет разброса яркостных параметров.

Другая не менее важная задача – сжатие и фильтрация графической информации. Фильтрация осуществляется сетью Хопфилда, а сжатие сетью Кохонена. Сеть Кохонена проигрывает при прочих равных условиях алгоритмуJPEG-2000, однако здесь имеет место элемент защиты информации, т.к. без знания настроек сети расшифровать целевую информацию невозможно.

Отдельное направление исследований связано с анализом изображений для медицинских приложений. Исходные данные в виде наборов признаков и соответствующих им классов получают на основе наблюдения под микроскопом графических изображений образцов биологической жидкости пациентов (фаций). Для распознавания используют знания экспертов – высококвалифицированных врачей, предоставляемые в виде прецедентов.

Диагноз степени заболевания мочекаменной болезнью (норма, низкая, умеренная, высокая) пациента получают на основе автоматического измерения цвето-яркостных характеристик полутонового снимка. Признаки отражают соотношения черного и белого цветов соответственно в белковой и кристаллической зоне фации, корреляцию яркостей изображений белковой и кристаллической зон и другие соотношения, на основе которых удается построить диагноз с использованием деревьев решения и нейронных сетей.

2.2 Когнитивная графика

В настоящее время нет единых принципов когнитивного отображения информации, но есть понимание того факта, что графические образы способны нести в себе в сжатой и одновременно с этим доступной для пользователя форме информацию достаточную для принятия адекватного решения. Каждый образ создается индивидуально с учетом конкретной прикладной области, изучается в процессе жизненного цикла объекта и интерпретируется экспертом с использованием накопленных знаний. Многомерные данные с помощью ЭВМ могут быть соотнесены в когнитивный графический образ в виде интегральных функциональных профилей или сцен, отражающих особенности состояния объекта. Единый математический аппарат анализа и общие методы визуализации многомерных данных в настоящее время отсутствуют. Очевидно, речь может идти об интеграции и оптимизации таких представлений применительно к конкретным прикладным областям.

Для построения схемы решения задачи распознавания образов удобно

пользоваться средствами графического интерфейса, которые позволяют не только формировать алгоритм обработки данных подключением соответствующих исполнительных модулей, но и отслеживать порядок решения в динамике путем цветовой подсветки соответствующих связей.

 

Рисунок 12 - Средствами графического интерфейса

 

Рисунок 13- Виртуальный контроль

Для контроля настройки ИНС с небольшим числом нейронов применяется специальный графический динамический образ. Такое представление позволяет видеть состояние сети, знаки коэффициентов (синий и красный цвета) и величины весовых коэффициентов, путем их отображения оттенками синего и красного цветов. 

Рисунок 14 – Визуальный процесс пуска РКН

  

Рисунок 15 – Визуальный процесс НКС КНС

Выполнялись работы по визуализации космической информации для повышения оперативности работы операторов. Пуск ракеты космического назначения охватывает порядка 20 процессов и визуализируется в виде когнитивной круговой диаграммы. Активные процессы отображаются темно-зелеными секторами, неактивные – светло-зелеными. Красным цветом выделяется состояние подсистемы, где имеет место сбой.  Возможная поломка подсистемы представляется графическим образом второго уровня. Если наблюдаемая подсистема характеризуется совокупностью измеряемых параметров, то возникает кольцевое изображение третьего типа, контролирующее выход за допустимые пределы отдельных параметров.       

За общим состоянием НС КИС следит специальный интерфейс, который снабжен когнитивным графическим дополнением. Если какой-либо из параметров вышел из нормы, то отличительный цвет сектора обобщенного образа дает знать о том, где произошли сбои в работе системы или возникли неблагоприятные условия. Когнитивное дополнение к интерфейсу НС КИС имеет двухуровневую систему вложения.

Контроль исправности датчиков положения космического аппарата реализуется путем визуализации его трехмерной модели, подключенной к потоку телеметрии. По поведению модели легко обнаруживаются сбои конкретных датчиков.

  

Рисунок 16,17 – Виртуализация текущего состояния при КА

Совместно с Центром подготовки космонавтов разработано когнитивное отображение процессов сближения и стыковки КА, которое служит как для обучения космонавтов, так и для использования в режиме реального времени непосредственно на борту.

Для отработки алгоритмов автоматического определения параметров мишени стыковочного узла космического аппарата с использованием телевизионной камеры был разработан трехмерный графический образ мишени, функционирующий в условиях моделируемых помех и шумов.

 

Рисунок 18- Трехмерный графический образ

 

Рисунок 19-Когнитивная графика в медицине

Отдельное направление образует когнитивная графика в медицине.    Многомерные медицинские данные с помощью ЭВМ могут быть соотнесены в когнитивный графический образ в виде интегральных функциональных профилей или сцен, отражающих особенности состояния объекта. Когнитивная графика может обеспечить, например, непрерывный контроль состояния пациентов, визуализируя текущие состояние и характерные особенности заболевания.

Основные результаты были получены в результате проведения совместных исследований с медицинским факультетом РУДН. Ниже показаны примеры когнитивной визуализации обострения бронхиальной астмы. Образ больного можно также представлять в виде областей (кругов), каждый из которых визуализирует свой параметр состояния больного и окрашивается в соответствии со значением этого параметра. Цвет параметров меняется от зеленого к красному через желтый. Зеленый цвет – значение в пределах нормы, красный – далеко от нормы, желтый и желто-оранжевый – промежуточные значения. Все величины нормируются так, чтобы значение параметра в пределах нормы было близко к нулю, а значения, далеко отстоящие от нормы ближе к единице.

Весьма информативны проекции трехмерных образов («звезд») состояний человека с легким и тяжелым обострением бронхиальной астмы, которые можно наблюдать в разных плоскостях. При отклонении параметров от нормы (в любую сторону) звезда увеличивается, причем в зависимости от упорядочения параметров по-разному. При увеличении первых параметров наблюдается сглаживание и объединение отдельных выпуклостей, а при увеличении последних параметров обнаруживается тенденция к разделению и увеличению числа концов «звезды». Звезда» пациента при обострении тяжелой степени намного превосходит в размерах звезду легкого обострения и выглядит более гладкой. По когнитивным образам врач способен моментально оценить общее состояние больного и принять адекватное

решение.

Рисунок 20 – Виртуализация обострения бронхиальной астмы

ЗАКЛЮЧЕНИЕ

В ходе данной курсовой работе были изучены цели и задачи когнитивной компьютерной графики и моделирования. Рассмотрена их классификация.

Были изучены пакеты и инструментальные средства, реализующие идеи когнитивных наук.

Установлено, что когнитивное моделирование и графика являются на сегодняшний день перспективными, быстро развивающимися направлениями компьютерных наук, охватывающими достаточно широкий класс прикладных задач.

Наиболее перспективным на сегодняшний день направлением когнитивного компьютерного моделирования на нашем рынке является создание ситуационных центров и экспертных систем, позволяющих принимать решение в трудно формализуемых задачах и обладающих доступным для обычного пользователя интерфейсом. Так как такие системы все больше начинают пользоваться спросом в бизнес среде.

Существующие западные версии таких систем стоят достаточно дорого, реализуются на дорогостоящем оборудовании и трудно доступны для понимания обычного пользователя.

Это с одной стороны открывает еще одну незаполненную нишу на рынке труда, так как наблюдается дефицит специалистов в области обслуживания и настройки таких систем. А с другой стороны дает возможность конкурировать отечественным разработчикам, за счет более низкой себестоимости.

Рассмотренные методы распознавания могут быть рекомендованы для практического применения в НС КИС в том числе: обнаружения и сопровождения целей, обработки снимков ДЗЗ, прогнозирования метеоданных, контроля телеметрии и диагностики.

Введение средств когнитивной графики в космических системах позволит: контролировать и обнаруживать неисправности; ускорять процессы понимания ситуации. Во всех рассмотренных приложениях для визуализации данных, представляющих наблюдаемый динамический объект, использовалась когнитивная машинная графика.

Когнитивная графика позволяет преобразовать числовую информацию об объектах с большим количеством параметров (признаков) в наглядные графические динамические образы. Образы формируются средствами 2-х и 3-х мерной машинной графики с применением цветовых яркостных представлений и специальных интегральных разверток. После короткого обучения образы становятся понятными пользователю – врачу или оператору космической системы и способствуют принятию оперативных решений.

Разрабатываемые интеллектуальные средства легли в основу программных средств интеллектуальной информационной поддержки операторов НС КИС и врачей. Они обладают повышенной оперативностью представления информации в доступной форме, возможностью прогнозирования и предупреждения нештатных ситуаций.

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

1. Антамошин, А.Н. Интеллектуальные системы управления организационно-техническими системами / А.Н. Антамошин, О.В. Близнова, А.В. Бобов, Большак . - М.: РиС, 2016. - 160 c.

2. Ботуз, С. Интеллектуальные интерактивные системы и технологии управления удаленным доступом: Учебное пособие / С. Ботуз. - М.: Солон-пресс, 2014. - 340 c.

3. Буреш, О.В. Интеллектуальные информационные системы управления социально-экономическими объектами / О.В. Буреш, М.А. Жук. - М.: Красанд, 2012. - 192 c.

4. Васильев, В.И. Интеллектуальные системы защиты информации: Учебное пособие / В.И. Васильев; Рецензент Р.М. Асадуллин [и др.]. - М.: Машиностроение, 2012. - 171 c.

5. Евгенев, Г.Б. Интеллектуальные системы проектирования: Учебное пособие / Г.Б. Евгенев. - М.: МГТУ им. Баумана, 2012. - 410 c.

6. Евгеньев, Г.Б. Интеллектуальные системы проектирования / Г.Б. Евгеньев. - М.: МГТУ , 2012. - 334 c.

7. Евменов, В.П. Интеллектуальные системы управления: превосходство искусственного интеллекта над естественным интеллектом? / В.П. Евменов. - М.: КД Либроком, 2016. - 304 c.

8. Емельянов, С.В. Искусственный интеллект и принятие решений: Методы рассуждений и представления знаний. Когнитивные исследования. Интеллектуальные системы. Вып.3 / С.В. Емельянов. - М.: Ленанд, 2014. - 120 c.

9. Марков, Н.Г. Интеллектуальные навигационно-телекоммуникационные системы управления подвижными объектами с применением технологии облачных вычислений / Н.Г. Марков, Д.М. Сонькин, А.С. Фадеев и др. - М.: РиС, 2014. - 158 c.

10. Советов, Б.Я. Интеллектуальные системы и технологии: Учебник для студентов учреждений высшего профессионального образования / Б.Я. Советов, В.В. Цехановский, В.Д. Чертовской.. - М.: ИЦ Академия, 2013. - 320 c.

11. Тейлор, Д. Почти интеллектуальные системы Как получить конкурентные преимущества путем автоматизации принятия с / Д. Тейлор. - М.: Символ-Плюс, 2009. - 448 c.

12. Хачумов В.М. Проект создания программной системы для распознавания графических образов на основе нейронных сетей. – Нейрокомпьютеры: разработка, применение N9, 2008. с.52-54.

ПРИЛОЖЕНИЕ А

Рисунок 2.- Классификация интеллектуальных информационных систем по решаемым задачам

ПРИЛОЖЕНИЕ Б

Рисунок 3. Классификация интеллектуальных информационных систем по методам