Неитеративный синтез нейро-нечетких диагностических экспертных систем

Предложен метод синтеза диагностических экспертных систем на основе нейро-нечетких моделей, позволяющий использовать априорные экспертные знания, автоматически формировать разбиение признакового пространства и выделять нечеткие термы на основе эмпирических наблюдений, а в неитеративном режиме – о...

Ausführliche Beschreibung

Gespeichert in:

Bibliographische Detailangaben
Datum:	2009
1. Verfasser:	Субботин, С.А.
Format:	Artikel
Sprache:	Russisch
Veröffentlicht:	Інститут проблем штучного інтелекту МОН України та НАН України 2009
Schlagworte:	Обучающие и экспертные системы
Online Zugang:	https://nasplib.isofts.kiev.ua/handle/123456789/8202
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:	Неитеративный синтез нейро-нечетких диагностических экспертных систем / С.А. Субботин // Штучний інтелект. — 2009. — № 4. — С. 380-386. — Бібліогр.: 7 назв. — рос.

Institution

Digital Library of Periodicals of National Academy of Sciences of Ukraine

_version_	1859620432798285824
author	Субботин, С.А.
author_facet	Субботин, С.А.
citation_txt	Неитеративный синтез нейро-нечетких диагностических экспертных систем / С.А. Субботин // Штучний інтелект. — 2009. — № 4. — С. 380-386. — Бібліогр.: 7 назв. — рос.
collection	DSpace DC
description	Предложен метод синтеза диагностических экспертных систем на основе нейро-нечетких моделей, позволяющий использовать априорные экспертные знания, автоматически формировать разбиение признакового пространства и выделять нечеткие термы на основе эмпирических наблюдений, а в неитеративном режиме – определять значения весовых коэффициентов, функции постсинаптического потенциала и активационные функции нейро-нечеткой сети. Запропоновано метод синтезу діагностичних експертних систем на основі нейро-нечітких моделей, що дозволяє використовувати апріорні експертні знання, автоматично формувати розбиття простору ознак і виділяти нечіткі терми на основі емпіричних спостережень, а в неітеративному режимі – визначати значення вагових коефіцієнтів, функції постсинаптичного потенціалу й активаційні функції нейро-нечіткої мережі. The method of diagnostic expert system synthesis based on neuro-fuzzy model is offered. It allows to use an a priori expert knowledge, to form automatically a partition of feature space and to select fuzzy terms on the basis of empirical observations, and also to determine weight values, weight and activation functions of neuro-fuzzy network in a uniterated mode.
first_indexed	2025-11-29T03:09:58Z
format	Article
fulltext	«Искусственный интеллект» 4’2009 380 7С УДК 004.93 С.А. Субботин Запорожский национальный технический университет, Украина subbotin@zntu.edu.ua Неитеративный синтез нейро-нечетких диагностических экспертных систем Предложен метод синтеза диагностических экспертных систем на основе нейро-нечетких моделей, позволяющий использовать априорные экспертные знания, автоматически формировать разбиение признакового пространства и выделять нечеткие термы на основе эмпирических наблюдений, а в неитеративном режиме – определять значения весовых коэффициентов, функции постсинаптического потенциала и активационные функции нейро-нечеткой сети. Введение Уровень развития промышленности передовых стран мира наряду с объемом производства и ассортиментом выпускаемой продукции характеризуется также показа- телями ее качества, надежности и эксплуатационной безопасности. Поэтому для отечест- венной промышленности, интенсивно интегрирующейся в мировую экономику, особую актуальность приобретает управление качеством изделий, среди наиболее важных инст- рументов которого, прежде всего, следует выделить неразрушающую диагностику [1]. Одним из наиболее распространенных подходов при построении диагностичес- ких систем является применение методов распознавания образов и искусственных нейронных сетей [1], [2]. Недостатками таких сенсорных систем является невозмож- ность или крайне высокая сложность ввода экспертных знаний в систему, высокая итеративность процесса построения диагностической модели, зависимость от поль- зователя при определении начальных параметров модели. Другим традиционным подходом для автоматизации диагностики являются экспертные системы, основанные на знаниях [3], которые позволяют легко вводить и использовать знания, формализованные экспертами, однако не обладают возмож- ностями обучаться в процессе построения и эксплуатации по наблюдениям. Поэтому актуальной является разработка и исследование методов, обеспечивающих объединение экспертных знаний и эмпирических наблюдений для принятия решений. Весьма перспективным классом средств, объединяющих достоинства сенсорных и знаниеориентированных систем являются нейро-нечеткие сети [4-7], обладающие способностями к обучению и позволяющие вводить в структуру сети априорные экспертные знания. Тем не менее, для большинства известных методов построения нейро-нечетких диагностических моделей характерны проблемы задания числа нечет- ких термов для диагностических признаков, а также итеративность оптимизационного подбора параметров нечетких термов и неопределенность выбора их начальных знаний. Целью данной работы являлось создание метода построения нейро-нечетких диагностических экспертных систем, позволяющего устранить проблемы настройки параметров нечетких термов, а также автоматически формировать нечеткие термы по эмпирическим данным. Неитеративный синтез нейро-нечетких диагностических экспертных систем «Штучний інтелект» 4’2009 381 7С Постановка задачи. Пусть задана обучающая выборка <x, y>, где x = {xs}, y = {ys}, xs = {xs j}, xs j – значение j-го признака s-го экземпляра выборки, ys – значение выходного признака, сопоставленное s-му экземпляру обучающей выборки, ys  {k}, S = 1, 2, …, S; j = 1, 2, …, N; k =1, 2, …, K; S – количество экземпляров, N – количество признаков, K – число классов. Для построения диагностической нечеткой экспертной системы необходимо сформировать разбиение признакового пространства на кластеры, для каждого клас- тера выделить нечеткие термы по признакам, определить схему нечеткого вывода номера класса из значений функций принадлежности к нечетким термам, предс- тавить нечеткую систему в нейробазисе. Учет экспертных знаний Экспертные знания удобно представить набором правил вида: Если  ] ,[ ,, 1 qjqj g j N j rlx   , то yg = k с коэффициентом доверия g , где g – номер экспертного правила, g = 1, 2, …, G; lj,q и rj,q – левая и правая границы q-го интервала значений j-го признака соответственно; ]1 ,0[ g . После этого целесообразно проверить дублирование и противоречивость эксперт- ных правил. Из нескольких одинаковых правил следует оставить только одно правило. Если одинаковые правила имеют разные коэффициенты доверия, то следует оставлять правило с наименьшим коэффициентом доверия. Из нескольких правил с одина- ковыми антецедентами, но разными консеквентами, следует оставить то правило, которое имеет наибольший коэффициент доверия. Для результирующего набора экспертных правил скорректировать значение G, определить количество интервалов значений по каждому признаку gj, занести в Bg,j номер интервала (терма) j-го признака, входящий в антецедент g-го правила (g = 1, 2, …,G; j = 1, 2, …, N), а также установить номер класса: Kg = yg, g = 1, 2, …, G. Формирование разбиения пространства признаков Разбиение признакового пространства для выборки эмпирических наблюдений необходимо для определения нечетких термов признаков как проекций соответствую- щих блоков на координатные оси. Формирование разбиения предлагается осуществлять путем выполнения после- довательности шагов 1 – 12. Шаг 1. Инициализация. Задать обучающую выборку <x, y>. Шаг 2. По оси каждого признака j = 1, 2, …, N определить одномерные расс- тояния между экземплярами: p j s jj xxpsR ),( . Среди полученных расстояний найти минимальное расстояние, большее нуля: }0),(\|),({min ,...,1 ;,...,2,1    psRpsRR jj Ssp Ssj , j = 1, 2, …, N. Шаг 3. Для каждого признака определить количество интервалов разбиения диапазона его значений: j jj j R xx n )min()max(   , j = 1, 2, …, N, Субботин С.А. «Искусственный интеллект» 4’2009 382 7С а также определить длину интервала наблюдаемых значений каждого признака: rj = max(xj) – min(xj), j = 1, 2, …, N. Шаг 4. Разбить ось j-го признака на nj интервалов. Определить координаты левых и правых границ для каждого p-го интервала j-го признака по формулам: ,)1()min(, j j jpj n r pxl  ,)min(, j j jpj n r pxr  j = 1, 2, …, N; p = 1, 2, …, nj. Шаг 5. Сформировать блоки-кластеры и задать номера их классов путем выполнения шагов 5.1 – 5.8. Шаг 5.1. Сформировать прямоугольные блоки {Bq}, q = G+1, G+2, …, G+Q,    N j jnQ 1 , в N-мерном пространстве признаков на пересечении соответствующих интервалов значений признаков. Занести в Bq,j номер интервала j-го признака, который соответствует q-му блоку. Шаг 5.2. Определить номера классов для прямоугольных блоков в N-мерном пространстве признаков: , , , , , , , , , , , , 1, в противном случае. { \| , , , 1, 2,..., , 1,..., ; 1, 2, ..., ; 1, 2, ..., }; 0, 1, 2,..., : , 1, 2, ..., ; q j q j q j q j q j q j s t s t j B j j B j B j j B q s j B j j B k y y k l x r l x r s S t s S j N k K K s S l x r j N                        Установить коэффициент уверенности классификации для блоков:       .0 если ,0 ;0 если ,1 q q q K K Шаг 5.3. Для тех блоков, у которых Kq = –1, q = G+1, G+2, …, G+Q, установить: k qKkq SK ,...,2,1 maxarg   , где Sk q – количество экземпляров k-го класса, попавших в q-й блок-кластер. Шаг 5.4. Для тех блоков, у которых номер класса Kq = 0, q = G+1, G+2, …, G+Q, определить расчетный номер класса, для чего предлагается использовать моди- фицированный нерекуррентный метод потенциальных функций [1]. Шаг 5.5. Вычислить расстояние между q-м и p-м блоками, q = G+1, G+2, …, G+Q, p = q+1, …, G+Q, как:      N j jpjqjpq CCrBBR 1 2 ,, 1),( или     N j jpjqjpq CCrBBR 1 ,, 1),( , где . 2 ,, ,, , jqjq BjBj jq rl C   Заметим, что R(Bq, Bp) = R(Bp, Bq). Шаг 5.6. Определить потенциал, наводимый совокупностью блоков, принадле- жащих к k-му классу, на p-й блок с неизвестной классификацией:  , ,0,e1 1 ),(2     Q q pq BBR q k k p pqKkKS L pq q = G+1, G+2, …, G+Q, p = q+1, …, G+Q, где Lk – количество блоков, принадлежащих к k-му классу, Sq – количество экземп- ляров обучающей выборки, попавших в q-й блок. Неитеративный синтез нейро-нечетких диагностических экспертных систем «Штучний інтелект» 4’2009 383 7С Шаг 5.7. Установить номер класса для p-го блока с неизвестной классифи- кацией (Kp = 0) по формуле: ,maxarg ..., ,2 ,1 k pKkpK   p = G+1, G+2, …, G+Q. Шаг 5.8. Модифицировать значения коэффициентов уверенности для блоков: },0\|{  q K qq q q = G+1, G+2, …, G+Q. Шаг 6. Выполнить объединение смежных блоков-кластеров. Выполнить объединение смежных блоков, принадлежащих к одному и тому же классу: для , pq = G+1, G+2, …, G+Q; :pq  если Kq > 0, Kq = Kp и ;,...,2,1,,...,2,1,: ,1: ,,,, NjNiBBjiBBj ipiqjpjq  тогда объединить бло- ки q и p по j-му признаку: – установить:               N j BjBj N j BjBj N j BjBjp N j BjBjq q jpjpjqjq jpjpjqjq lrlr lrlr 1 ,, 1 ,, 1 ,, 1 ,, ,,,, ,,,, , nj = nj + 1, ,),min(,, ,, jpjqj BBjnj ll  ,),max(,, ,, jpjqj BBjnj rr  Bq,j = nj; – удалить p-й блок: Kp = 0, ,0 p Bp,i = 0, i = 1,2, …, N. Шаг 7. Из обучающего множества выделить подмножество экземпляров, отно- сящихся к блокам-кластерам, номера классов которых не совпадают с номерами классов экземпляров. Применить для полученного разбиения и выделенного подмно- жества процедуру уточнения разбиения и дообучения модели. Шаг 8. Останов. Уточнение разбиения и дообучение модели Если имеется разбиение признакового пространства, которое нужно уточнить (дообучить) на основе новых наблюдений <x, y>, x={xs}, xs={xs j}, y={ys}, j = 1, 2, …, N; s* = 1, 2, …, S; то необходимо из набора новых наблюдений исключить те наблюдения, которые попадают в блоки имеющегося разбиения и соответствуют им по номеру класса, скорректировав соответствующим образом S. Для тех наблюде- ний, которые не совпадают с классами блоков, целесообразно сформировать отдель- ные точечные кластеры. Для каждого нового наблюдения сформировать интервалы по признакам и занести в jszG B , номера интервалов для каждого j-го признака, соответствующие новому кластеру, а также определить: , , ,* j s jBj Rxl jszG   ,* , ,* j s jBj Rxr jszG   ,* * s szG yK   ,1*   szG s* = 1, 2, …, S; j = 1, 2, …, N; где  – некоторая константа,  1 ,0 . Субботин С.А. «Искусственный интеллект» 4’2009 384 7С Синтез нейро-нечеткой экспертной системы На основе полученных разбиений может быть синтезирована диагностическая экспертная система в виде нейро-нечеткой сети, схема которой изображена на рис. 1. Важной особенностью сети является то, что она одновременно объединяет в себе три разбиения признакового пространства: на кластеры, сформированные на основе экспертных знаний (на рис. 1 выделены точками), на кластеры, сформированные на основе прямоугольного разбиения с использованием модификации нерекуррентного метода потенциальных функций по обучающей выборке (на рис. 1 выделены пунктиром), а также на кластеры, соответствующие точечным наблюдениям, номера классов кото- рых не совпадают с номерами классов, к которым относятся блоки прямоугольного разбиения (на рис. 1 выделены штрих-пунктиром). Рисунок 1 – Схема нейро-нечеткой сети На входы сети подаются значения признаков распознаваемого экземпляра. Нейроны первого слоя вычисляют принадлежности распознаваемого экземпляра к термам признаков , ( )s j p x (фаззификация). При этом по каждому признаку сначала определяются принадлежности к термам кластеров, сформированных на основе экспертных знаний, затем к термам кластеров, сформированных на основе прямо- угольного разбиения, после чего к термам точечных наблюдений. Нейроны второго слоя определяют принадлежности к блокам-кластерам ( )s q x , которые также как и термы сгруппированы по разбиениям. Нейроны третьего слоя объединяют принадлежности к блокам в принадлежности к классам ( )s k x . После чего первый нейрон четвертого слоя осуществляет дефаззификацию результата, а второй нейрон четвертого слоя определяет достоверность классификации yR . Неитеративный синтез нейро-нечетких диагностических экспертных систем «Штучний інтелект» 4’2009 385 7С Для расчета принадлежностей распознаваемого экземпляра xs к нечетким термам признаков целесообразно использовать трапециевидные функции принадлежности: , , , , , , , , , , , , , , , 0, ; , (2 ); (2 ) ( ) 1, (2 ) ; , ; 0, , s j p s j p s j p j p j p j p s s j p j p j p s j p s j p j p j p j p s j p x l x l l x l l l x l x r r x r x r r r r x                             где  – некоторая константа, 0 <   1, либо треугольные функции принадлежности: , , , , , , , , , , , , , , , 0, ; , 0, 5( ); 0, 5( ) ( ) , 0, 5( ) ; 0, 5( ) 0, . s j p s j p s j p j p j p j p j ps j p s j p s j p j p j p j p j p s j p x l x l l x r l r l x r x r l x r r l r x                   Весовые функции нейронов сети будут задаваться формулами:           },,max{, ,2,2,2,2,2 i j i j i j i j i j xwxw  i = 1, 2, …, Q; j = 1, 2, …, V+z+NS;           },,min{, ,3,3,3,3,3 i j i j i j i j i j xwxw  i = 1, 2, …, K; j = 1, 2, …, G +Q+S;           },,min{, ,4,4,4,4,4 i j i j i j i j i j xwxw  i = 1, 2; j = 1, 2, …, K; где    N j jgV 1 ,    N j jnz 1 ,  i jx , – значение сигнала на j-м входе i-го нейрона η-го слоя сети,  i jw , – вес j-го входа i-го нейрона η-го слоя сети;  i j , – весовая функция j-го входа i-го нейрона η-го слоя сети; gj – количество интервалов значений (термов) j-го признака для набора экспертных правил. Функции активации нейронов будут определяться по формулам:               )},,({min),( ,2,2,2,2,2,2,2 i j i j i j i j i j i j i xwxw  i = 1, 2, …, Q; j = 1, 2, …, V+z+NS;               )},,({max),( ,3,3,3,3,3,3,3 i j i j i j i j i j i j i xwxw  i = 1, 2, …, K; j = 1, 2, …, G +Q+S;               )};,({maxarg),( ,3,3,31,41,41,41,4 i j i j i jjjjj xwxw                )},,({max),( 2,42,42,42,42,42,42,4 jjjjjjj xwxw  где  i, – функция активации i-го нейрона η-го слоя сети. Весовые коэффициенты нейронов сети предлагается задавать по формуле:                . ..., 2, ,1 ,2 ,1,4,1 ;..., ,2 ,1 , ..., ,2 ,1 ,,3,0 ;..., ,2 ,1 , ..., ,2 ,1 ,,3, ;..., ,2 ,1,1,2,...,, ..., ,2 ,1 ,,2,0 ;..., ,2 ,1,1,2,..., , ..., ,2 ,1 ,,2,1 * , , , Kji SQGjKiKi SQGjKiKi NSzVjNpSQGijB NSzVjNpSQGijB w j jj pi pi i j Субботин С.А. «Искусственный интеллект» 4’2009 386 7С Как видно из приведенных формул, синтез и настройка параметров нейро-нечет- кой сети осуществляются в неитеративном режиме, что позволяет избежать необхо- димости расчета производных целевой функции по весам сети, а также итеративного характера коррекции весов, присущего традиционно применяемым градиентным мето- дам обучения на основе техники обратного распространения ошибки. Заключение В работе решена актуальная задача разработки диагностических экспертных систем для решения задач неразрушающего контроля качества, интегрирующих экспертные знания и эмпирические наблюдения. Впервые предложен метод синтеза диагностических экспертных систем на основе нейро-нечетких моделей, позволяющий автоматически формировать разбие- ние признакового пространства, выделять нечеткие термы, в неитеративном режиме определить значения весовых коэффициентов, функции постсинаптического потенци- ала и активационные функции нейро-нечеткой сети, исключить необходимость вычис- ления производных целевой функции по весам сети и избежать проблемы выбора начальной точки поиска, что, в свою очередь, позволяет ускорить процесс получения диагностической нейро-нечеткой модели. Разработанный метод может быть рекомендован для использования на практи- ке в задачах неразрушающей диагностики и управления качеством. Литература 1. Интеллектуальные средства диагностики и прогнозирования надежности авиадвигателей : Монография / [В.И. Дубровин, С.А. Субботин, А.В. Богуслаев, В.К. Яценко]. – Запорожье : ОАО «Мотор – Сич», 2003. – 279 с. 2. Дубровiн В.I. Методи оптимiзацiї та їх застосування в задачах навчання нейронних мереж : навчальний посiбник / В.І. Дубровін, С.О. Субботiн. – Запорiжжя : ЗНТУ, 2003. – 136 с. 3. Субботін С.О. Подання й обробка знань у системах штучного інтелекту та підтримки прийняття рішень : навчальний посібник / С.О. Субботін. – Запоріжжя : ЗНТУ, 2008. – 341 с. 4. Abraham A. Neuro-Fuzzy Systems: State-of-the-Art Modeling Techniques / A. Abraham // Connectionist Models of Neurons, Learning Processes, and Artificial Intelligence / Eds. : J. Mira and A. Prieto. – Granada : Springer-Verlag, 2001. – P. 269-276. 5. Борисов В.В. Нечеткие модели и сети / Борисов В.В., Круглов В.В., Федулов А.С. – М. : Горячая линия-Телеком, 2007. – 284 с. 6. Митюшкин Ю.И. Soft Computing: идентификация закономерностей нечеткими базами знаний / Митюшкин Ю.И., Мокин Б.И., Ротштейн А.П. – Винница : Универсум-Винница, 2002. – 145 с. 7. Ротштейн А.П. Интеллектуальные технологии идентификации: нечеткая логика, генетические алгоритмы, нейронные сети / А.П. Ротштейн. – Винница : УНИВЕРСУМ-Винница, 1999. – 320 с. С.О. Субботін Неітеративний синтез нейро-нечітких діагностичних експертних систем Запропоновано метод синтезу діагностичних експертних систем на основі нейро-нечітких моделей, що дозволяє використовувати апріорні експертні знання, автоматично формувати розбиття простору ознак і виділяти нечіткі терми на основі емпіричних спостережень, а в неітеративному режимі – визначати значення вагових коефіцієнтів, функції постсинаптичного потенціалу й активаційні функції нейро-нечіткої мережі. S.A. Subbotin The Neuro-fuzzy Diagnostic Expert System Uniterated Synthesis The method of diagnostic expert system synthesis based on neuro-fuzzy model is offered. It allows to use an a priori expert knowledge, to form automatically a partition of feature space and to select fuzzy terms on the basis of empirical observations, and also to determine weight values, weight and activation functions of neuro-fuzzy network in a uniterated mode. Статья поступила в редакцию 03.04.2009.
id	nasplib_isofts_kiev_ua-123456789-8202
institution	Digital Library of Periodicals of National Academy of Sciences of Ukraine
issn	1561-5359
language	Russian
last_indexed	2025-11-29T03:09:58Z
publishDate	2009
publisher	Інститут проблем штучного інтелекту МОН України та НАН України
record_format	dspace
spelling	Субботин, С.А. 2010-05-14T10:04:31Z 2010-05-14T10:04:31Z 2009 Неитеративный синтез нейро-нечетких диагностических экспертных систем / С.А. Субботин // Штучний інтелект. — 2009. — № 4. — С. 380-386. — Бібліогр.: 7 назв. — рос. 1561-5359 https://nasplib.isofts.kiev.ua/handle/123456789/8202 004.93 Предложен метод синтеза диагностических экспертных систем на основе нейро-нечетких моделей, позволяющий использовать априорные экспертные знания, автоматически формировать разбиение признакового пространства и выделять нечеткие термы на основе эмпирических наблюдений, а в неитеративном режиме – определять значения весовых коэффициентов, функции постсинаптического потенциала и активационные функции нейро-нечеткой сети. Запропоновано метод синтезу діагностичних експертних систем на основі нейро-нечітких моделей, що дозволяє використовувати апріорні експертні знання, автоматично формувати розбиття простору ознак і виділяти нечіткі терми на основі емпіричних спостережень, а в неітеративному режимі – визначати значення вагових коефіцієнтів, функції постсинаптичного потенціалу й активаційні функції нейро-нечіткої мережі. The method of diagnostic expert system synthesis based on neuro-fuzzy model is offered. It allows to use an a priori expert knowledge, to form automatically a partition of feature space and to select fuzzy terms on the basis of empirical observations, and also to determine weight values, weight and activation functions of neuro-fuzzy network in a uniterated mode. ru Інститут проблем штучного інтелекту МОН України та НАН України Обучающие и экспертные системы Неитеративный синтез нейро-нечетких диагностических экспертных систем Неітеративний синтез нейро-нечітких діагностичних експертних систем The Neuro-fuzzy Diagnostic Expert System Uniterated Synthesis Article published earlier
spellingShingle	Неитеративный синтез нейро-нечетких диагностических экспертных систем Субботин, С.А. Обучающие и экспертные системы
title	Неитеративный синтез нейро-нечетких диагностических экспертных систем
title_alt	Неітеративний синтез нейро-нечітких діагностичних експертних систем The Neuro-fuzzy Diagnostic Expert System Uniterated Synthesis
title_full	Неитеративный синтез нейро-нечетких диагностических экспертных систем
title_fullStr	Неитеративный синтез нейро-нечетких диагностических экспертных систем
title_full_unstemmed	Неитеративный синтез нейро-нечетких диагностических экспертных систем
title_short	Неитеративный синтез нейро-нечетких диагностических экспертных систем
title_sort	неитеративный синтез нейро-нечетких диагностических экспертных систем
topic	Обучающие и экспертные системы
topic_facet	Обучающие и экспертные системы
url	https://nasplib.isofts.kiev.ua/handle/123456789/8202
work_keys_str_mv	AT subbotinsa neiterativnyisintezneironečetkihdiagnostičeskihékspertnyhsistem AT subbotinsa neíterativniisintezneironečítkihdíagnostičnihekspertnihsistem AT subbotinsa theneurofuzzydiagnosticexpertsystemuniteratedsynthesis

Неитеративный синтез нейро-нечетких диагностических экспертных систем

Institution

Ähnliche Einträge