Повышение интеллектуального потенциала адаптивных информационно-распознающих систем

Рассматриваются направления повышения интеллектуального потенциала адаптивных информационно-распознающих систем, реализующих методологию структурно-стохастического принципа обработки информации реализаций пространственно-временных полей. Определены принципы адаптации параметров обрабатывающих алгор...

Ausführliche Beschreibung

Gespeichert in:

Bibliographische Detailangaben
Datum:	2010
1. Verfasser:	Анцыферов, С.С.
Format:	Artikel
Sprache:	Russian
Veröffentlicht:	Інститут проблем штучного інтелекту МОН України та НАН України 2010
Schriftenreihe:	Штучний інтелект
Schlagworte:	Интеллектуальные системы планирования, управления, моделирования и принятия решений
Online Zugang:	http://dspace.nbuv.gov.ua/handle/123456789/58425
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!
Назва журналу:	Digital Library of Periodicals of National Academy of Sciences of Ukraine
Zitieren:	Повышение интеллектуального потенциала адаптивных информационно-распознающих систем / С.С. Анцыферов // Штучний інтелект. — 2010. — № 4. — С. 330-336. — Бібліогр.: 14 назв. — рос.

Institution

Digital Library of Periodicals of National Academy of Sciences of Ukraine

id	irk-123456789-58425
record_format	dspace
spelling	irk-123456789-584252014-03-24T03:01:46Z Повышение интеллектуального потенциала адаптивных информационно-распознающих систем Анцыферов, С.С. Интеллектуальные системы планирования, управления, моделирования и принятия решений Рассматриваются направления повышения интеллектуального потенциала адаптивных информационно-распознающих систем, реализующих методологию структурно-стохастического принципа обработки информации реализаций пространственно-временных полей. Определены принципы адаптации параметров обрабатывающих алгоритмов и преодоления существенной априорной неопределенности. Предлагаемый эволюционный процесс поиска оптимальной модели адаптивной обработки предъявляет большие требования к производительности обрабатывающих средств на уровне суперкомпьютера. Directions of increase of a mental potential of the adaptive information-distinguishing systems realising methodology of a structurally-stochastic principle of processing of the information of realisations of existential fields are considered. Principles of adaptation of parametres of processing algorithms and overcoming of essential aprioristic uncertainty are defined. The offered evolutionary process of search of optimum model of adaptive processing places heavy demands to productivity of processing means at the supercomputer level. 2010 Article Повышение интеллектуального потенциала адаптивных информационно-распознающих систем / С.С. Анцыферов // Штучний інтелект. — 2010. — № 4. — С. 330-336. — Бібліогр.: 14 назв. — рос. 1561-5359 http://dspace.nbuv.gov.ua/handle/123456789/58425 681.518.9 621.384.3 ru Штучний інтелект Інститут проблем штучного інтелекту МОН України та НАН України
institution	Digital Library of Periodicals of National Academy of Sciences of Ukraine
collection	DSpace DC
language	Russian
topic	Интеллектуальные системы планирования, управления, моделирования и принятия решений Интеллектуальные системы планирования, управления, моделирования и принятия решений
spellingShingle	Интеллектуальные системы планирования, управления, моделирования и принятия решений Интеллектуальные системы планирования, управления, моделирования и принятия решений Анцыферов, С.С. Повышение интеллектуального потенциала адаптивных информационно-распознающих систем Штучний інтелект
description	Рассматриваются направления повышения интеллектуального потенциала адаптивных информационно-распознающих систем, реализующих методологию структурно-стохастического принципа обработки информации реализаций пространственно-временных полей. Определены принципы адаптации параметров обрабатывающих алгоритмов и преодоления существенной априорной неопределенности. Предлагаемый эволюционный процесс поиска оптимальной модели адаптивной обработки предъявляет большие требования к производительности обрабатывающих средств на уровне суперкомпьютера.
format	Article
author	Анцыферов, С.С.
author_facet	Анцыферов, С.С.
author_sort	Анцыферов, С.С.
title	Повышение интеллектуального потенциала адаптивных информационно-распознающих систем
title_short	Повышение интеллектуального потенциала адаптивных информационно-распознающих систем
title_full	Повышение интеллектуального потенциала адаптивных информационно-распознающих систем
title_fullStr	Повышение интеллектуального потенциала адаптивных информационно-распознающих систем
title_full_unstemmed	Повышение интеллектуального потенциала адаптивных информационно-распознающих систем
title_sort	повышение интеллектуального потенциала адаптивных информационно-распознающих систем
publisher	Інститут проблем штучного інтелекту МОН України та НАН України
publishDate	2010
topic_facet	Интеллектуальные системы планирования, управления, моделирования и принятия решений
url	http://dspace.nbuv.gov.ua/handle/123456789/58425
citation_txt	Повышение интеллектуального потенциала адаптивных информационно-распознающих систем / С.С. Анцыферов // Штучний інтелект. — 2010. — № 4. — С. 330-336. — Бібліогр.: 14 назв. — рос.
series	Штучний інтелект
work_keys_str_mv	AT ancyferovss povyšenieintellektualʹnogopotencialaadaptivnyhinformacionnoraspoznaûŝihsistem
first_indexed	2025-07-05T09:39:47Z
last_indexed	2025-07-05T09:39:47Z
_version_	1836799380457259008
fulltext	«Искусственный интеллект» 4’2010 330 5А УДК 681.518.9; 621.384.3 С.С. Анцыферов Московский государственный институт радиотехники, электроники и автоматики (технический университет), г. Москва, Россия antsyfer@yandex.ru Повышение интеллектуального потенциала адаптивных информационно-распознающих систем Рассматриваются направления повышения интеллектуального потенциала адаптивных информационно- распознающих систем, реализующих методологию структурно-стохастического принципа обработки информации реализаций пространственно-временных полей. Определены принципы адаптации параметров обрабатывающих алгоритмов и преодоления существенной априорной неопределенности. Предлагаемый эволюционный процесс поиска оптимальной модели адаптивной обработки предъявляет большие требования к производительности обрабатывающих средств на уровне суперкомпьютера. Введение Рост требований к качеству идентификации множественных состояний исследуе- мых объектов по их физическим полям приводит к необходимости расширения спект- рального диапазона используемых полей и проведения динамических наблюдений с последующей высокоточной обработкой получаемых последовательностей изображе- ний (реализаций полей). Высокоточная обработка предполагает решение таких задач, как моделирование и экстраполяция изменчивости выделенных структурных компо- нентов (признаков) изображений, определение способов нахождения и описания тонкой скрытой структуры, настройка параметров обрабатывающих алгоритмов под конкрет- ную структуру реализаций, распознавание образов изображений. Классическими ме- тодами решения указанных задач являются регрессионный, дискриминантный, фактор- ный, многомерный дисперсионный и ковариационный анализ. Методология структурно- стохастической обработки информации пространственно-временных полей [1-7] обес- печивает возможность распознавания с высоким уровнем достоверности некоторого конечного числа состояний исследуемых объектов. Это нашло свое отражение, в част- ности, при решении некоторых задач медицинской диагностики с помощью адаптивных информационно-распознающих систем (АИРС) [8-14], практически реализующих дан- ную методологию и обладающих элементами искусственного интеллекта. Высокая до- стоверность результатов достигается путем формирования в вероятностном пространст- ве адаптации четко разделимых трубок траекторий мер принадлежности реализаций полей к структурно-стохастическим образам, порождаемым выделенными состояния- ми исследуемых объектов. Вместе с тем в последнее время все более актуальной ста- новится задача дифференциации каждого из выделенных состояний на множестве раз- нообразий структур реализаций. Использование существующих алгоритмов обработки сложных по своей структуре реализаций полей со строго детерминированными значе- ниями алгоритмических констант не обеспечивает четкой и однозначной различимос- ти трубок траекторий дифференцированных состояний, ограничивая тем самым сферу применимости используемого метода диагностики. Повышение интеллектуального потенциала... «Штучний інтелект» 4’2010 331 5А Кроме того, необходимо отметить, что информационный поток, поступающий на обработку, характеризуется нестационарностью, как правило, отсутствием априорной информации о характере вероятностных распределений измеряемых параметров струк- турных компонентов и неоднородностью получаемых выборок. Применение класси- ческих статистических методов принятия решений в этих условиях вызывает большие затруднения, поскольку они требуют значительного количества априорных сведений о реализациях и помехах, сопровождающих их получение, о потерях из-за принятия ошибочных решений или использования неточных оценок измеряемых параметров. Как показали проведенные исследования, потенциальные возможности методологии структурно-стохастической обработки далеко не исчерпаны и возможно существенное их усиление. Целью данной работы является определение направлений усиления интеллек- туального потенциала методологии структурно-стохастической обработки информации реализаций пространственно-временных полей. Постановка задачи Усиление методологии структурно-стохастической обработки – это, по-существу, задача повышения интеллектуального потенциала АИРС, осуществляющих восприятие информации извне, структурирование и хранение ее в виде знаний в кратковременной и долговременной памяти, преобразование (обработку) информации на уровне ее пони- мания, т.е. на ментальном уровне. Одно из возможных направлений усиления – сим- волистское. Оно основано на логике предикатов и логическом программировании, алго- ритмических моделях рассуждений Тьюринга, логике продукций Поста, функциональ- ном программировании на основе λ-исчислений Черча. Первые практические шаги по созданию символистических интеллектуальных сис- тем (ИС) были сделаны американскими учеными. Так, в 1962 г. ученый из Массачусетс- кого технологического института Дж. Маккарти создал язык функционального програм- мирования LISP, удобный для решения многих сложных задач. В 1965 г. группа ученых университета Карнеги – Меллон разработала первую ИС типа GPS (General Problem Solver) на эвристических правилах, использующую принципы логического вывода. Сис- тема предназначена для решения ряда задач по доказательству теорем. В 70-е гг. официальное развитие получила концепция знаний. И в 1971 г. в Стэн- фордском университете была создана первая экспертная система DENDRAL. В ней ис- пользовались знания в форме продукций Поста, а программирование велось на LISP. После этого был разработан ряд коммерческих экспертных систем (ЭС) медицинско- го и географического назначений. В 1972 г. А. Кармелроер и Руссель, основываясь на работах Д. Робинсона, Л. Ко- вальски и др., разработали язык логического программирования PROLOG. Его успех и эффективное применение для разработок ИС обусловлены применением мощного ин- терпретатора логических программ, основанного на методе резолюции Робинсона, прос- тотой программирования и возможностью быстро создавать действующие прототипы ИС. В 70-е гг. стало успешно использоваться представление знаний в виде семантичес- ких сетей и фреймов. Это явилось основой для создания ИС, работающих с естествен- ными языками, понятиями и смысловой информацией, сложными сценами, структури- рованными знаниями. Особое значение в дальнейшем приобрело представление знаний в виде фреймов, предложенных М. Минским в 1975 г. Это была уже сетевая объектная форма знаний. Анцыферов С.С. «Искусственный интеллект» 4’2010 332 5А В 80-е годы получило развитие объектно-ориентированное программирование. Это позволило создавать ИС со сложными базами знаний, имеющими сетевую струк- туру. В этой структуре носителем и интерпретатором знаний является объект, объе- диняющий данные, правила их связывания и процедуры их обработки. Такой подход является универсальным и позволяет преодолевать ограниченные возможности фрей- мовых систем. Создание объектно-ориентированных языков, специально ориентированных на ра- боту со знаниями (CLOS – Common Lisp Object System; LOOPS – Lisp Oriented Object Programming System и др.), позволяет разрабатывать объектные ИС с очень сложной структурой знаний. Еще большее обобщение при работе со знаниями может дать концеп- туальное программирование, основы которого заложены также в 80-е гг. Значительный толчок в разработке символистских интеллектуальных систем да- ла японская научно-техническая программа ICOT, направленная на создание ЭВМ 5-го поколения. В рамках данной программы японские ученые с 1981 г. начали разработку усовершенствованных версий языка PROLOG и спецпроцессоров для работы с ними. В результате, данные работы привели к разработке и внедрению чрезвычайно мощных аппаратно-программных средств логического программирования. Следует отметить разработку обучающихся ИС (EURISCO, 1985, АИРС, 1999) на метазнаниях, позволяющих в процессе работы формировать новые знания в опреде- ленной предметной области. Эта работа тесно связана с ключевой проблемой обуче- ния машин, т.е. с созданием логических ИС с самообучением. Необходимо отметить, что разработка подобных систем в рамках символистского направления наталкивается на серьезные трудности и до настоящего времени разработчики не вышли за пределы эксперимента. Результаты многолетних исследований показывают, что практически значимые ИС символистского плана могут быть реализованы только в супер-ЭВМ или специализи- рованных ЭВМ, включающих PROLOG или LISP машины. В настоящее время для реализации объектного подхода в искусственном интел- лекте разрабатываются специальные объектные ЭВМ с огромным числом процессо- ров и сетевой организацией. Одна из таких ЭВМ с массивно-параллельной структурой, разработанная в 1987 г. Дж. Хиллисом и названная «Сonnection Machine» (машина связ- ности), может аппаратно реализовать объектные ИС на семантических сетях. Серия та- ких машин исследуется в военных ведомствах США. Второе направление усиления – коннективистское. В основе – идея связывания большого количества ассоциативных сетей, позволяющих эффективно накапливать и использовать знания для решения задач классификации, аппроксимации и др. В настоя- щее время это направление имеет мощную теоретическую базу, построенную на биоло- гических моделях функционирования нервной системы, в частности, нейронных структур мозга, теории формальных нейронов, динамических моделях нейросетей, описываемых разнообразными системами нейро- и мнемоуравнений, методах структурированного представления знаний в ассоциативных сетях с иерархической структурой, методах обучения ассоциативных сетей и др. Достижению значительных практических результатов в плане создания нейросе- тевых аппаратно-программных средств и решения с их помощью ряда важных задач способствовало скачкообразное развитие в последние годы технологии СБИС и успе- хи аналоговой нейромикроэлектроники. Повышение интеллектуального потенциала... «Штучний інтелект» 4’2010 333 5А Нейросетевые аппаратно-программные средства в виде нейро- СБИС цифрового и аналогового типов, нейроплат-соцпроцессоров в составе обычных ЭВМ, специали- зированных и универсальных нейрокомпьютеров, программного обеспечения для мо- делирования нейросетей и операционных систем нейрокомпьютеров начали создава- ться с середины 80-х гг. Первые нейрокомпьютеры и нейроплаты к ПК были созданы в 1986 – 89 гг.: MARK-III и MARK IV, MAN-40, PC-9801, ANZA, PD-7281 и др. Все это были первые шаги к разработке ЭВМ 6-го поколения, программа созда- ния которых была объявлена в 1987 г. (BRAIN, HFSP). В 90-е годы нейропроцессоры и комплектные нейрокомпьютеры стали разрабатывать и продавать практически все веду- щие компьютерные фирмы. Так, IBM выпустила в продажу цифровую СБИС ZISCO-36, на которой были разработаны несколько вариантов нейроплат, SIEMENS- нейро-СБИС МА-16, нейроплату SYNAPSEC 2*PS и нейрокомпьютер «Synapse-1», HNC-нейроком- пьютер «SHAP», INTEL – аналоговую нейро-СБИС ETANN. В 1987 г. К. Мид объявил программу «Аналоговые микро-ЭВМ», в рамках кото- рой предполагалось создать «Искусственный геном» на кремниевой вафле, емкостью 108 транзисторов и быстродействием 1013 опер./с. Далее предполагается перейти к со- зданию «кремниевых нервных систем» и нейропротезированию с использованием так называемых «мокрых» нейронов, что свидетельствует об огромных возможностях ней- ронного подхода. Наиболее интересны разработки в области нейрологических систем с самоорганизацией и ассоциативной памятью на основе комбинирования нечетких и нейронных систем. В настоящее время нейрологические системы находятся в стадии исследований. Результаты таких исследований показывают, что на этом пути в ближайшее время мо- гут быть созданы системы со сложностью поведения, приближающиеся к человеческой. Уже сейчас речь идет о создании искусственной нервной системы роботов-гуманоидов, первые образцы которых созданы японскими корпорациями Сони и Хонда (роботы SDR-3, Honda-P3). Можно предположить, что дальнейшее развитие ИС будет происходить в рамках совершенствования ЭВМ 6-го поколения, основными чертами которых являются: – возможность решения задач без программирования за счет способности к обу- чению по примерам и даже к самообучению по определенным критериям; – объектно-сетевая архитектура, допускающая самоорганизацию; – возможность моделирования механизмов мозга на макро- и микроуровнях. Моделирование процессов рассуждения, эмоции, интуиции и др. проявлений выс- шей нервной деятельности может оказаться более доступным с использованием уни- версального объектно-сетевого подхода с применением обучаемых семантических и фреймовых сетевых моделей знаний. Однако и в этом случае принятие решений может быть организовано на нейромодулях с ассоциативным выводом, что может разрешить трудности, связанные со сложностью программирования при моделировании высших уровней мышления. Перспективно направление, связанное с объединением символистского и коннек- тивистского направлений, т.е. объединением логической и нейронной парадигм. Такое объединение означает возможность перехода к аппаратной реализации обучаемых АИРС нейрологического типа и, ранее этого, может обеспечить решение задач как адаптации параметров обрабатывающих алгоритмов, так и преодоления су- щественной априорной неопределенности в рамках методологии структурно-стохас- тической обработки. Анцыферов С.С. «Искусственный интеллект» 4’2010 334 5А Адаптация параметров обрабатывающих алгоритмов Результатом адаптации является совокупность необходимых сочетаний варьируе- мых параметров обрабатывающих алгоритмов, т.е. образов этих алгоритмов. В принципе сочетаний параметров образов обрабатывающих алгоритмов может быть практически бесконечное множество. Задача режима адаптации – выбор наиболее эффективных сочетаний, обеспечивающих наилучшее разделение трубок траекторий дифференциро- ванных состояний. В рамках данной задачи происходит формирование новых взаимо- связей между алгоритмическими параметрами, а также между исполнительными элемен- тами АИРС, обеспечивающих в результате высокоуровневую коллективную обработку информации полей. Основу формирования составляют эмерджентные модели адапта- ции, позволяющие реализовать глобальные обрабатывающие процедуры в распреде- ленных системах, состоящих из взаимодействующих друг с другом исполнительных элементов или процессоров. При этом обрабатывающие процедуры реализуются с помощью эволюционных или так называемых генетических алгоритмов, важнейшим преимуществом которых является параллельный характер обработки информации. Кроме того, они реализуют одну из эффективных форм поиска экстремума, поддержи- вающую сразу несколько возможных образов обрабатывающих алгоритмов. В частности, математическое моделирование показало, что выделенные экспертами равновероят- ные в пространстве поиска образы в процессе адаптации после нескольких итераций группируются в областях, соответствующих наилучшему разделению трубок траекто- рий, т.е. наилучшему качеству распознавания. При использовании генетических алго- ритмов адаптации происходит перемещение по некоторой виртуальной гиперповерх- ности параметров алгоритмов, определяемой критерием качества – метрологической мерой различимости трубок. Эта поверхность имеет сложный рельеф и может характе- ризоваться такими понятиями, как вершина, впадина, низменность, локальные мак- симумы и минимумы и т.д. Чтобы сохранить непрерывность пространства поиска экстремума, для кодирования информации использовались коды Грея, обеспечиваю- щие «гладкость» перехода от одного образа к другому при использовании генетических операторов. Такие переходы позволяют не сразу отбрасывать неперспективные образы, оставляя для них возможность оказывать некоторое положительное влияние на про- цесс адаптации. Программные компоненты генетических алгоритмов представлены в виде символьных выражений на языке LISP или S-выражений. Благодаря этому гене- тические операторы оперируют S-выражениями, отображая древовидные структуры – фрагменты программ в новые деревья, т.е. в другие программы LISP. Преодоление априорной неопределенности Эффективным способом преодоления существенной априорной неопределеннос- ти следует признать эволюционное моделирование, позволяющее в рамках структурно- стохастической методологии обработки информации полей устанавливать взаимосвя- зи между базой знаний и образами обрабатывающих алгоритмов. База знаний или, другими словами, знание о проблемной области, должна быть некоторым способом закодирована внутри самой системы обработки, т.е. в образах обрабатывающих алго- ритмов. В рассматриваемой задаче идентификации множественных состояний база зна- ний оказывается очень сложной, например, это может быть взаимосвязанный перечень всех возможных типов исходных структур изображений и их последовательных ва- риаций с наиболее вероятными формами патологий в диагностике и лечении сложных заболеваний. Повышение интеллектуального потенциала... «Штучний інтелект» 4’2010 335 5А Практически для решения указанной задачи приходится использовать большое число операций по обработке изображений. Так, для выявления плохо различимых деталей и подчеркивания интересующих характеристик на исходном изображении не- обходимо проводить операцию улучшения его качества, например, путем контрастиро- вания. Для устранения различного рода искажений, обусловленных дефокусировкой или шумами регистрации, применяется операция восстановления изображения. В от- личие от операции улучшения, основанной на субъективных предпочтениях человечес- кого восприятия, восстановление является объективным, опирающемся на математические, чаще вероятностные, модели искажений изображений. Для построения пирамидаль- ного представления, при котором изображение поэтапно разбивается на все более мел- кие фрагменты, используется операция вейвлет-анализа, а для выделения некоторых заданных фрагментов на сложных по структуре изображениях применяется операция фрактальной обработки. Для извлечения компонентов изображения, необходимых для описания и представления формы выделенных фрагментов, используется операция мор- фологической обработки. Для разделения изображения на составные части использу- ется операция сегментации, причем автоматическая сегментация принадлежит к числу самых трудных задач цифровой обработки изображений, успех решения которой во многом определяет успех решения задачи распознавания образов изображений. Из- лишне подробная сегментация значительно усложняет задачу распознавания, а недо- статочно подробная – увеличивает вероятность ошибки распознавания. Комплексное решение задач обработки в условиях априорной неопределенности может быть достигнуто путем применения эмерджентных моделей адаптации, позво- ляющих реализовать глобальные обрабатывающие процедуры в системах, состоящих из взаимодействующих друг с другом процессоров, реализующих перечисленные опе- рации. Обрабатывающая процедура реализуется с помощью эволюционных (генети- ческих) алгоритмов, требующих минимума априорной информации в виде указания принципиального класса образов обрабатывающих алгоритмов и соответствующего ему списка алгоритмических констант. Модель обрабатывающей процедуры может быть представлена в виде двоичного дерева последовательных решений, с каждым узлом которого связан один из признаков изображения, а следовательно, и некоторая совокупность алгоритмических констант. Согласно такому представлению процеду- ра «проводит» изображение некоторым маршрутом от нижнего до верхнего уровня, попадая в узел, указывающий класс, к которому относится данное изображение. Функ- ционирование дерева однозначно определяется правилом оценки каждого признака, т.е. одной или несколькими из указанных операций, а эффективность распознавания зависит от выбранной структуры дерева и подобранных в процессе адаптации значе- ний алгоритмических констант. Оптимальная структура дерева может быть найдена с помощью некоторого оценочного функционала. Найти экстремум на множестве де- ревьев можно только перебором либо путем многократного случайного изменения (мутации) их структуры, либо за счет добавления, устранения, замены или перемены местами узлов дерева. Подбор эффективного функционирования выбранной структу- ры состоит в подборе значений алгоритмических констант. Процесс трансформации моделей связан с продвижением по ветвям дерева, что не исключает возможности тупикового пути продвижения. Для уменьшения вероят- ности такого исхода необходимо для отбора хранить в памяти ЭВМ некоторое мно- жество моделей. Это множество в процессе адаптации непрерывно видоизменяется путем включения в него лучших среди рассмотренных по своим функционалам моделей, т.е. процесс приобретает итеративный характер. Анцыферов С.С. «Искусственный интеллект» 4’2010 336 5А Выводы 1. Описанный эволюционный процесс поиска в некотором смысле оптимальной мо- дели адаптированной обработки изображений предъявляет большие требования к про- изводительности ЭВМ (≈ 20 ÷ 30 Tflops), т.е. на уровне суперкомпьютера типа «СКИФ». 2. В процессе эмерджентного моделирования процесса адаптации сформирова- ны: совокупности исходных образов обрабатывающих алгоритмов, которые в после- дующем подвергаются трансформации с помощью генетических операторов; множества типовых структурных компонентов реализаций полей, в частности, с явно выраженной изотропностью; метрологические меры степени различимости трубок траекторий (об- разов полей) в вероятностном пространстве; наборы генетических операторов для транс- формации образов обрабатывающих алгоритмов. 3. Предварительные испытания предлагаемой технологии на изотропных теп- ловых полях реальных медико-биологических объектов указывают на возможность усиления интеллектуального потенциала структурно-стохастического принципа обра- ботки информации сложных по структуре пространственно-временных полей. Литература 1. Анцыферов С.С. Формирование спектра тепловых изображений объектов и распознавание их об- разов / С.С. Анцыферов // Оптический журнал. – 1999. – Т. 66, № 2. – С. 44-48. 2. Анцыферов С.С. Технология адаптивной обработки информации тепловых широкоспектральных полей / С.С. Анцыферов, Н.Н. Евтихиев, Б.И. Голубь // Наукоемкие технологии. – 2002. – Т. 3, № 4. – С. 5-50. 3. Анцыферов С.С. Метрология виртуальных систем / С.С. Анцыферов // Измерительная техника. – 2003. – № 5. – С. 17-21. 4. Анцыферов С.С. Адаптивне системы распознавания образов пространственно-временных полей / С.С. Анцыферов, Н.Н. Евтихиев // Искусственный интеллект. – 2004. – № 3. – С. 405-416. 5. Анцыферов С.С. Адаптивные информационно-распознающие системы / С.С. Анцыферов, Н.Н. Ев- тихиев // Известия ТРТУ. – 2004. – № 9 (14). – С. 183-189. 6. Анцыферов С.С. Адаптивная обработка информации пространственно-временных изотропных полей / С.С. Анцыферов, Н.Н. Евтихиев // Оптический журнал. – 2006. – Т. 3., № 10. – С. 52-57. 7. Анцыферов С.С. Метрология интеллектуальных систем / С.С. Анцыферов // Искусственный ин- теллект. – 2008. – № 3. – С. 18-27. 8. Анцыферов С.С. Адаптация информационно-распознающих биомедицинских систем / Анцыфе- ров С.С., Н.Н. Евтихиев // Биомедицинская радиоэлектроника. – 2001. – № 1. – С. 5-9. 9. Построение медицинских систем распознавания тепловизионноых образов / С.С. Анцыферов, С.Н. Ко- лесов, Б.И. Голубь, С.В. Ширяев // Биомедицинская радиоэлектроника. – 2001. – № 1. – С. 25-28. 10. Анцыферов С.С. Управление обработкой информации пространственно-временных полей в сис- темах ранней диагностики и экологии / С.С. Анцыферов, Н.Н. Евтихиев // Сб. «Физика и радио- электроника в медицине – ФРЭМЭ 2002». – Владимир : ВГУ, 2002. – С. 174-176. 11. Анцыферов С.С. Использование адаптивных информационно-распознающих систем в ранней ди- агностике опухолевых заболеваний / С.С. Анцыферов, С.В. Ширяев, О.П. Ленская // Сб. «Тепло- видение». – М. : МИРЭА, 2002. – № 14. – С. 160. 12. Анцыферов С.С. Методология оценки состояний организма по физическим полям / С.С. Анцыфе- ров, Н.Н. Евтихиев // Радиоэлектроника в медицине. – М. : ИРЭ РАН, 2003. – С. 3-5. 13. Анцыферов С.С. Методология стохастической диагностики заболеваний по физическим полям / С.С. Ан- цыферов, Н.Н. Евтихиев // Сб. «Физика и радиоэлектроника в медицине и экологии – ФРЭМЭ 2004». – Владимир : ВГУ, 2004. – С. 163-166. 14. Анцыферов С.С. Математическая модель и алгоритм стохастического управления процессами ле- чения сложных заболеваний / С.С. Анцыферов, Б.И. Голубь, С.В. Ширяев // Сб. «Физика и радио- электроника в медицине и экологии – ФРЭМЭ 2008». – Владимир : ВГУ, 2008. – Кн. 1. – С. 129-133. S.S. Antsyferov Increase of the Mental Potential of Adaptive Information-distinguishing Systems Directions of increase of a mental potential of the adaptive information-distinguishing systems realising methodology of a structurally-stochastic principle of processing of the information of realisations of existential fields are considered. Principles of adaptation of parametres of processing algorithms and overcoming of essential aprioristic uncertainty are defined. The offered evolutionary process of search of optimum model of adaptive processing places heavy demands to productivity of processing means at the supercomputer level. Статья поступила в редакцию 21.06.2010.

Повышение интеллектуального потенциала адаптивных информационно-распознающих систем

Institution

Ähnliche Einträge