Помощь в написании студенческих работ
Антистрессовый сервис

Алгебраические байесовские сети: логико-вероятностная графическая модель баз фрагментов знаний с неопределенностью

Диссертация: Алгебраические байесовские сети: логико-вероятностная графическая модель баз фрагментов знаний с неопределенностью
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Дополнительным свидетельством реализации результатов диссертационного исследования, а также аргументом в пользу его научной значимости и актуальности служит поддержка, полученная соискателем в форме стипендий и грантов. Исследования по теме диссертации были дважды поддержаны Государственной стипендией для талантливых молодых ученых (1998;2000, 2000;2002), четырежды — грантом Фонда содействия… Читать ещё >

Алгебраические байесовские сети: логико-вероятностная графическая модель баз фрагментов знаний с неопределенностью (реферат, курсовая, диплом, контрольная)

Содержание

  • Список сокращений и обозначений
  • Глава 1. Системы и модели знаний с неопределенностью в ИИ
    • 1. 1. Введение
    • 1. 2. Классические экспертные системы с неопределенностью
    • 1. 3. Меры неопределенности истинности в ИИ
    • 1. 4. Вероятность как мера истинности
    • 1. 5. Интервальные оценки вероятностей
    • 1. 6. Базы фрагментов знаний
    • 1. 7. Вероятностные графические модели в ИИ.'
    • 1. 8. Выводы по главе
  • Глава 2. Байесовские сети доверия
    • 2. 1. Введение
    • 2. 2. Структура БСД и задача обработки свидетельств
    • 2. 3. Типы связей между узлами сети и d-разделимость
    • 2. 4. Вероятности и определение БСД
    • 2. 5. Правило декомпозиции
    • 2. 6. Преобразование многосвязной БСД
    • 2. 7. Алгоритмы логико-вероятностного вывода
    • 2. 8. Выводы по главе
  • Глава 3. АБС — логико-вероятностная графическая модель
    • 3. 1. Введение
    • 3. 2. Бинарные последовательности и вероятность истинности
    • 3. 3. Фрагменты знаний
    • 3. 4. Виды свидетельств
    • 3. 5. Графы смежности
    • 3. 6. Алгебраические байесовские сети
    • 3. 7. Альтернативные модели ФЗ
    • 3. 8. Выводы по главе
  • Глава 4. — Локальный логико-вероятностный вывод
    • 4. 1. Введение
    • 4. 2. Непротиворечивость
    • 4. 3. Априорный вывод
    • 4. 4. Апостериорный вывод при различных видах исходных объектов
    • 4. 5. Экстремальные задачи в апостериорном выводе
    • 4. 6. Матрично-векторные уравнения апостериорного вывода
    • 4. 7. Непротиворечивость альтернативных моделей ФЗ
    • 4. 8. Выводы по главе
  • Глава 5. Логико-вероятностный вывод в ациклической АБС
    • 5. 1. Введение
    • 5. 2. Степени непротиворечивости
    • 5. 3. Свойства непротиворечивых ABC
    • 5. 4. Общая схема апостериорного вывода
    • 5. 5. Постановка задачи в случае цепи ФЗ
    • 5. 6. Распространение влияния стохастического свидетельства
    • 5. 7. Преобразование ациклической БСД в АБС
    • 5. 8. Выводы по главе
  • Глава 6. Циклы в байесовских сетях
    • 6. 1. Введение
    • 6. 2. Цикл ФЗ АБС
    • 6. 3. Направленный БСД-цикл
    • 6. 4. Преобразование БСД-цикла в цикл ФЗ АБС
    • 6. 5. Непротиворечивость БСД-цикла
    • 6. 6. Особые случаи и обобщения
    • 6. 7. Цикл стохастических предпочтений
    • 6. 8. Выводы по главе
  • Глава 7. Комплекс программ
    • 7. 1. Введение
    • 7. 2. Среда разработки и компоненты комплекса
    • 7. 3. Представление ФЗ и АБС
    • 7. 4. Синтез непротиворечивых оценок в ФЗ и АБС
    • 7. 5. Апостериорный вывод в ФЗ и АБС
    • 7. 6. Обработка направленного БСД-цикла
    • 7. 7. Примеры использования
    • 7. 8. Выводы по главе

Актуальность темы

Подводя итоги одного из этапов многолетнего изучения моделей знаний с неопределенностью, В. И. Городецкий в 1993 году ввел алгебраические байесовские сети (АБС) в область исследований искусственного интеллекта (ИИ) как новую парадигму экспертных систем [40].

Источником особого научного интереса к указанным моделям послужил анализ проблем, существенно замедляющих прогресс в области масштабных промышленных внедрений экспертных систем. Были выявлены, в частности, два вида дефицита: дефицит математических моделей для представления знаний с неопределенностью (uncertain knowledge representation bottleneck) и просто дефицит знаний (knowledge bottleneck) [159,162,165,187,332]. Интенсивно развивающиеся в рамках ИИ теории вероятностных графических моделей1 (ВГМ) вносят существенный вклад в поиск и разработку путей преодоления дефицита двух указанных видов, а также ряда смежных проблем.

Теории ВГМ [40,250,308,320,329,332,343,365,381,390] предлагают как новые модели для представления систем знаний с неопределенностью, т. е. позволяют смягчить влияние дефицита первого вида, так и новые подходы к алгоритмизации машинного обучения (machine learning, синоним — автоматическое обучение) таких моделей на основе накопления и обработки разнородных исходных данных, сведений или знаний с неопределенностью (в частности, отличающихся неполнотой, неточностью и имеющих нечисловой характер). Машинное обучение позволяет обойти ряд препятствий, создаваемых дефицитом второго вида. Помимо этого, в теориях ВГМ с помощью методов математики и информатики исследуются предложенные модели данных и знаний с неопределенностью, принципы создания и.

1 Термин вероятностные графические модели является переводом англоязычного probabilistic graphical models. Нельзя не признать, что в русскоы языке термин графическая модель воспринимается, скорее, как визуальная модель, например как чертеж, схема или эскиз. В силу этого подчеркнем, что в настоящем диссертационном исследовании термин графические людели обозначает математические модели, основу которых составляют графы. функционирования программных средств, позволяющих представить эти модели в памяти компьютера, а также автоматизировать процессы их формирования, хранения, обработки и обучения.

К ВГМ, нацеленным в первую очередь на решение очерченных и ряда смежных проблем, в рамках искусственного интеллекта можно причислить байесовские сети доверия (введены J. РеагГом) [156,178,187,250,320,332,365,390], в некоторой степени — марковские сети (были «импортированы» из статистической физики, где классическим примером их применения является модель Изинга в изучении магнетизма) [156,329], а также алгебраические байесовские сети (введены В. И. Городецким) [40]). Следует отметить, что в теории байесовских сетей доверия (БСД) остаются открытыми вопросы, связанные с обработкой направленных циклов и интервальных оценок вероятностейкроме того, вероятностный вывод не может осуществляться непосредственно в БСД с многосвязной структурой — такую сеть требуется предварительно преобразовать в дерево сочленений.

Теория алгебраических байесовских сетей занимает свое место среди теорий ВГМ и решает общие с ними задачи, а сами алгебраические байесовские сети имеют ряд отличительных особенностей и в первую очередь могут быть охарактеризованы как логико-вероятностные графические модели (ЛВГМ) баз фрагментов знаний (БФЗ) с неопределенностью [141−143,148−150,162,178,182,184,187].

Основной принцип, лежащий в основе ВГМ, хорошо известен — это принцип декомпозиции. Он применяется к совокупности знаний о предметной области. Считается, что эксперт может достаточно детально охарактеризовать связи между двумя-тремя-четырьмя утверждениями о предметной области [390] — в каком-то смысле получается «фрагмент знаний» (ФЗ). Таких фрагментов знаний много, они образуют БФЗ. Однако фрагменты знаний и их базы нельзя напрямую заложить в интеллектуальную информационную систему или комплекс программ. Сначала требуется рассмотреть математические модели ФЗ и БФЗ, разработать соответствующие структуры данных и снабдить их алгоритмами обработки. Получающиеся модели должны обладать некоторой «регулярностью» структуры, общностью принципов построения своих элементов, чтобы можно было использовать одни и те же алгоритмы вывода как на локальном уровне (т.е. на уровне фрагментов знаний), так и на глобальном (т.е. на уровне всей базы).

С математической точки зрения возникающие объекты могут быть рассмотрены как система случайных элементов, которая, как правило, организована в виде графа со специфическими свойствами или решетки (отсюда — графическая модель). Случайные элементы в системе могут быть связаны друг с другом, оказывать влияние на означивания других случайных элементоводнако связи между ее компонентами предполагаются достаточно редкими, немногочисленными, разреженными (sparse) [250,320,390].

Декомпозиция системы знаний дает преимущества и на психологическом (экспертном или пользовательском) уровне, поскольку получающаяся математическая модель структурирована и обозрима, и на технологическом, поскольку уменьшаются необходимые для хранения модели объемы памяти и вычислительная сложность алгоритмов ее обработки как на локальном, так и на глобальном уровне. Структурированность и обозримость ВГМ также видятся ее преимуществом при представлении сложных связей, выявленных классическим статистическим анализом или интеллектуальным анализом данных (data mining) [58,171,187,332,365].

Особый интерес с точки зрения моделирования процесса размышлений (reasoning) [308,343,381] специалиста-эксперта представляет логико-вероятностный подход, в котором моделью утверждения являются пропозициональные формулы (заданные над определенным алфавитом), что традиционно для формальной логики, а степень уверенности в истинности (или стохастическая неопределенность истинности) этих пропозициональных формул и сила связей между ними характеризуется с помощью оценок вероятностей: как скалярных (точечных), так и интервальных.

В своем современном виде логико-вероятностный подход был достаточно последовательным образом внесен в область исследований искусственного интеллекта Н. Нильссоном [371] и развит Фейгиным, Хальперном и Меггидо [274,276]. Приоритет Н. Нильссона, как он сам отмечает [373], был неоднократно оспорен. Анализируя позиции сторон спора о приоритетах, нельзя упускать из виду того, что еще в 1854 г. Дж. Буль [231] пытался применить вероятность как меру истинности (или как степень доверия к истинности) пропозициональных формул. Он сформулировал ряд проблем, которыми занимаются исследователи в области вероятностной логики и неопределенности в искусственном интеллекте по сей день.

Хотя логико-вероятностный подход имеет длительную историю, остается актуальным решение комплекса проблем, наделенных на его применение в интеллектуальных информационных системах: сначала требуется разработать в рамках указанного подхода математические модели (допускающие интервальные оценки вероятности истинности) БФЗ с неопределенностью с тем, чтобы по ним в свою очередь можно было бы построить структуры данных для представления накопленных знанийзатем автоматизировать ряд операций логико-вероятностного вывода: проверка и поддержание непротиворечивости ФЗ и БФЗ, априорный вывод во фрагменте знаний, апостериорный вывод (распространение влияние свидетельства) в ФЗ и БФЗнаконец, исследовать сформированные модели и структуры данных, а также обосновать корректность и изучить некоторые свойства как разработанных методов формирования непротиворечивых ФЗ и БФЗ, вывода априорных и апостериорных оценок в них, так и получаемых с помощью указанных методов результатов.

Объект исследования — алгебраические байесовские сети, представляющие собой, с одной стороны, набор идеалов конъюнктов со скалярными или интервальными оценками вероятности истинности, причем указанный набор идеалов структурирован как граф смежности, а с другой стороны, логико-вероятностную графическую модель баз фрагментов знаний со стохастической (вероятностной) неопределенностью.

Цель исследования — на основе логико-вероятностного подхода к представлению неопределенности в интеллектуальных системах, предложенного Н. Нильс-соном, развить теорию алгебраических байесовских сетей как математических моделей знаний с вероятностной неопределенностью, допускающих декомпозицию на фрагменты ограниченного размера, для формирования научных основ современных информационных технологий, позволяющих решить проблему автоматизации логико-вероятностного вывода в указанных сетях. Для достижения указанной цели необходимо решить следующие основные задачи:

1) формализовать с использованием логико-вероятностного подхода в рамках теории АБС математические модели фрагмента знаний, базы фрагментов знаний и свидетельства, а также выявить вероятностную семантику этих объектов посредством анализа взаимосвязи входящих в них оценок вероятностей конъюнктов и дискретной плотности вероятности на соответствующем конечном вероятностном пространстве;

2) сформировать систему понятий, характеризующих состояние непротиворечивости фрагмента знаний и АБСраскрыть отношения этих состоянийразработать методы их проверки и поддержания как в локальном, так и в глобальном случае (для интернальной и глобальной степеней непротиворечивости АБС), а также проанализировать влияние операций построения линейной комбинации и линейной оболочки на указанные состояния непротиворечивости;

3) формализовать локальный априорный вывод, проанализировать его взаимосвязь с поддержанием непротиворечивости, разработать метод локального априорного вывода в случае формулы, представленной в виде совершенной дизъюнктивной нормальной формы (СДНФ), и метод анализа чувствительности его результата к допустимым вариациям исходных данных в случае скалярных оценок;

4) формализовать апостериорный выводразработать метод реализации его локального варианта в случае детерминированного свидетельства и обобщить полученный результат для двух: других видов свидетельствисследовать чувствительность ненормированного результата локального апостериорного вывода по детерминированному свидетельству в случае скалярных оценокисследовать результаты локального апостериорного вывода с точки зрения их непротиворечивости при непротиворечивых исходных объектахразработать метод распространения влияния стохастического свидетельства в ациклической АБС со скалярными оценками на основе «передачи» виртуальных свидетельстввыявить предположения о вероятностной семантике такой АБС, на которые опирается указанный метод, оценить сложность алгоритмов, его реализующих;

5) разработать метод преобразования ациклической байесовской сети доверия со случайными бинарными элементами в узлах в ациклическую алгебраическую байесовскую сетьвыявить отношение их вероятностных семантик;

6) проанализировать вероятностную семантику цикла смежности фрагментов знаний в АБС, разработать методы его преобразования в цепь смежности и проверки его непротиворечивостис помощью полученных результатов выявить вероятностную семантику направленного цикла в теории БСД (БСД-цикла) и разработать для такого цикла метод проверки его непротиворечивости;

7) формализовать две альтернативные математические модели фрагментов знаний (на основе идеала дизъюнктов и набора квантов), разработать метод проверки и поддержания их непротиворечивости;

8) спроектировать и реализовать комплекс программ для проведения вычислительных экспериментов с исследованными в диссертации операциями логико-вероятностного вывода в АБС и их фрагментах, а также разработать структуру реляционной базы данных, ориентированную на хранение АБС, фрагментов знаний, свидетельств и результатов логико-вероятностного вывода.

Выбор вероятностной семантики исследуемых в диссертационной работе объектов теории АБС, определений и методов выполнения операций логико-вероятностного вывода, получения оценок чувствительности ограничивается дополнительным 1 требованием, выражающемся в том, чтобы все возникающие в процессе логико-вероятностного вывода экстремальные задачи допускали сведение к решению задачи (или серии задач) линейного программирования.

Методы исследования. В обзорно-аналитической и теоретической части исследования используются объекты и методы алгебры (линейной алгебры, теории частично упорядоченных множеств, булевой алгебры), теории вероятностей и вероятностной логики, теории графов, экстремальных задач (задачи линейного и гиперболического программирования), комбинаторики, мягких вычислений (преимущественно различные «меры» истинности), а также элементы теории потенциалов, теории марковских цепей, метода Монте-Карло. В программно-технологической части исследования используются теория реляционных баз данных, принципы структурного и объектно-ориентированного программирования (как в разработке структур данных, так и в реализации кода), а также ряд технологий, связанных с языком реализации (Java), средой разработки (NetBeans), СУБД (JavaDB). Само диссертационное исследование по своему объекту и методам, использованным для решения ряда задач по построению моделей и обработке знаний с вероятностной неопределенностью, относится к разделу искусственного интеллекта, изучающему и развивающему средства представления знаний.

Научная новизна. В диссертации формализована и исследована новая логико-вероятностная графическая модель баз фрагментов знаний с неопределенностью — алгебраические байесовские сети, чья глобальная структура задается в виде графа смежности (или его подвидов: дерева смежности, цепи смежности, цикла смежности), в узлах которого расположены идеалы конъюнктов со скалярными или интервальными оценками вероятности истинности, что отличает указанную модель от других вероятностных графических моделей (в частности, от байесовских сетей доверия и марковских сетей) и позволяет с ее помощью представлять, агрегировать и обрабатывать знания с неопределенностью посредством ряда операций логико-вероятностного вывода: поддержания и проверки непротиворечивости, априорного вывода, апостериорного вывода, причем в последнем допускается использование как детерминированных свидетельств, так и стохастических и неточных свидетельств, компоненты которых могут быть зависимыми.

Осуществлен вывод матрично-векторных уравнений, связывающих оценки вероятностей элементов идеала конъюнктов с дискретной плотностью вероятности соответствующего конечного вероятностного пространства, что позволило в свою очередь разработать и описать на матрично-векторном языке методы проверки и поддержания непротиворечивости фрагмента знаний АБС, априорного и апостериорного вывода в нем и исследовать чувствительность результатов двух последних, а также обобщить указанный метод проверки и поддержания непротиворечивости на фрагменты знаний с альтернативной структурой.

Разработаны методы глобального логико-вероятностного вывода в АБС, позволяющие проверять и поддерживать интернальную и глобальную степени непротиворечивости АБС (причем указаны условия, при которых интернальная степень непротиворечивости обеспечивает глобальную степень непротиворечивости), а также позволяющие распространить влияние стохастического свидетельства, поступившего во фрагмент знаний ациклической алгебраической байесовской сети со скалярными оценками, на другие входящие в нее ФЗполучены оценки вычислительной сложности соответствующих алгоритмов.

Обнаружено и формально обосновано свойство сохранения состояния непротиворечивости фрагментов знаний и степеней непротиворечивости алгебраических байесовских сетей по отношению к операциям линейной комбинации и линейной оболочки. Кроме того, доказано, что линейная оболочка будет единственным минимальным (по вхождению оценок-интервалов) результатом операции «накрывающей» непротиворечивости, примененной к совокупности непротиворечивых фрагментов знаний (или отвечающих требованиям заданной степени непротиворечивости алгебраических байесовских сетей) одинаковой структуры.

Выявлена вероятностная семантика и предложен метод преобразования направленного цикла байесовской сети доверия в цикл смежности и цепь смежности фрагI ментов знаний АБС, что в свою очередь позволило разработать метод проверки непротиворечивости исходного циклаполучены оценки вычислительной сложности соответствующих алгоритмов. Разработан метод преобразования ациклической байесовской сети доверия с бинарными случайными элементами в узлах в ациклическую алгебраическую байесовскую сеть.

На языке Java и с использованием java-технологий спроектирован и реализован комплекс программ, позволяющий выполнять исследованные в диссертации операции логико-вероятностного вывода с АБС, их фрагментами и свидетельствами с целью проведения вычислительных экспериментовкроме того, на основе реляционной СУБД JavaDB реализована база данных, ориентированная на хранение указанных объектов и результатов логико-вероятностного вывода.

Все основные научные результаты, полученные в процессе диссертационного исследования и выносимые на защиту, являются новыми.

Диссертационное исследование выполнялось согласно плешам СПИИРАН по научному направлению «Теоретические основы построения информационных технологий для интеллектуальных систем автоматизации научных исследований, управления, производства и других сфер деятельности».

Апробация.Результаты диссертационного исследования докладывались и обсуждались на следующих научных мероприятиях: 1) Международная конференция «Знания-Диалог-Решение-95», Ялта, 1995; 2) IV Санкт-Петербургская международная конференция «Региональная информатика-95», Санкт-Петербург, 1995; 3) Всероссийская научно-техническая конференция «Электроника и информатика», Москва, 1995;. 4) Международная конференция «Эволюция инфосферы-95», Москва, 1995; 5) Шестая национальная конференция по искусственному интеллекту с международным участием КИИ'98, Пущино, 1998; 6) VII Санкт-Петербургская международная конференция «Региональная информатика-2000 (РИ-2000)», Санкт-Петербург, 2000; 7) Международный научно-практический семинар «Интегрированные модели и мягкие вычисления в искусственном интеллекте», Коломна,.

2001; 8) Всероссийская научно-практическая конференция «Информатика и информационные технологии в образовании», Санкт-Петербург, 2001; 9) XI Межгосударственная школа-семинар «Синтез и сложность управляющих систем», Москва, 2001; 10) Международный банковский конгресс и Международная научно-практическая конференция, Санкт-Петербург, 2001; 11) Международная научная школа «Моделирование и анализ безопасности и риска в сложных системах», Санкт-Петербург, 2002. 12) Всероссийская научно-практическая конференция «Информатика и информационные технологии в образовании», Санкт-Петербург, 2002; 13) Научная сессия МИФИ-2002, Москва, 2002; 14) VIII Санкт-Петербургская международная конференция «Региональная информатика-2002», Санкт-Петербург, 2002; 15) IX Санкт-Петербургская международная конференция «Региональная информатика-2004», Санкт-Петербург, 2004; 16) Научная сессия МИФИ-2005, Москва, 2005; 17) III международный научно-практический семинар «Интегрированные модели и мягкие вычисления в искусственном интеллекте», Пущино, 2005 18) Mexican International Conference on Artificial Intelligence, Mexico, 2005; 19) Конференция «Мягкие вычисления и измерения», Санкт-Петербург, 2005; 20) Всероссийская научная конференция по нечетким системам и мягким вычислениям, Тверь, 2006; 21) Научная сессия МИФИ-2006, Москва, 2006; 22) X Санкт-Петербургская международная конференция «Региональная информатика — 2006», Санкт-Петербург, 2006; 23) Научная конференция МИФИ-2007, Москва, 2007; 24) Международная конференция по мягким вычислениям и измерениям — 2007; Санкт-Петербург, 2007; 25) IV международная научно-практическая конференция «Интегрированные модели и мягкие вычисления в искусственном интеллекте», Коломна, 2007; 26) V Санкт-Петербургская межрегиональная конференция «Информационная безопасность регионов России», Санкт-Петербург, 2007; 27) Научная сессия МИФИ-2008, Москва, 2008; 28) Научная конференция «Информационные технологии и системы-2008», Геленджик, 29 сентября — 03 октября, 2008 г.- 29) Вторая Всероссийская научная конференция с международным участием «Нечеткие системы и мягкие вычисления» (НСМВ-2008), г. Ульяновск, 27−29 октября 2008 г.- 30) XI Санкт-Петербургская международная конференция «Региональная информатика — 2008», Санкт-Петербург, 2008; 31) Научная сессия МИФИ-2009, Москва, 2009; 32) Научно-практическая конференция студентов, аспирантов, молодых ученых и специалистов «Интегрированные модели, мягкие вычисления, вероятностные системы и комплексы программ в искусственном интеллекте» (ИММВИИ-2009), Коломна, 26−27 мая 2009 г.- 33) V-я Международная научно-практическая конференция «Интегрированные модели и мягкие вычисления в искусственном интеллекте», Коломна, 28−30 мая 2009 г.- 34) Международная конференция по мягким вычислениям и измерениям SCM-2009, Санкт-Петербург, 25−27 июня 2009 г.- 35) Санкт-Петербургский городской научный семинар «Информатика и компьютерные технологии» (многократно в 1996;2001 и 2004;2009 гг.).

Достоверность полученных в диссертационном исследовании результатов обоснована корректностью применения методов соответствующих математических дисциплин. Дополнительным аргументом в пользу достоверности результатов диссертационного исследования является работоспособность комплекса программ, реализующего операции логико-вероятностного вывода в алгебраических байесовских сетях и их фрагментах.

Теоретическая и практическая значимость исследования. Реализация результатов работы. Диссертация носит преимущественно теоретический характер. Модели и методы, разработанные в ней, позволят спроектировать и реализовать средства представления знаний со стохастической (вероятностной) неопределенностью в интеллектуальных системах и комплексах программ. При этом реализация таких комплексов облегчается тем, что они могут использовать уже существующие программные технологии и библиотеки программ (в частности, библиотеки для решения задач линейного программирования). В процессе исследования для проведения численных экспериментов был разработан комплекс программ, позволяющий представить и обработать объекты, а также выполнить операции логико-вероятностного вывода, описанные в диссертации. (Компоненты комплекса зарегистрированы [125−131,169,172]- копии регистрационных документов помещены в приложение к диссертации.).

Второй составляющей теоретической и практической значимости является возможность исследовать на непротиворечивость и обработать структуры, недопустимые в рамках теории байесовских сетей доверия, но возникающие на практике (направленные циклы). С теоретической точки зрения важен результат о невозможности построения исчисления байесовских сетей доверия, одновременно допускающего обработку направленных циклов и сохраняющего традиционную вероятностную семантику байесовских сетей доверия (единственность глобального распределения и согласованность с ним тензоров условных вероятностей в узлах сети).

Третьей составляющей практической значимости полученных теоретических результатов является возможность их применения в альтернативном способе расчетов надежности фрагментов структурно-сложных систем или для оценки надежности таких фрагментов в случае интервальных исходных данных и в случае недоопре-деленных, но реально существующих или потенциально возможных зависимостей между выходами из строя элементов, ранее полагавшихся независимыми. (Имеется акт о внедрении от ОАО СПИК СЗМАкопия гнета помещена в приложение к диссертации.).

Четвертой составляющей практической значимости является возможность применения теории алгебраических байесовских сетей и разработанного комплекса программ в решении задач поддержки принятия решений, в частности для представления и обработки неточной, неполной, нечисловой информации о соотношении вероятностей истинности утверждений, на основе которых принимаются решения, и для комбинирования или агрегирования такой информации из источников, степени доверия к которым могут различаться или быть неизвестными.

Наконец, важной составляющей практической значимости является использование теории алгебраических байесовских сетей в преподавании дисциплин, посвященных научным основам современных информационных технологий и подходам к разработке интеллектуальных систем, в вузах, где осуществляется подготовка студентов и аспирантов соответствующих специальностей. (Имеются акты об использовании в учебном процессе от СПбГУ и от СПбГУ ИТМОкопии актов помещены в приложение к диссертации.).

Дополнительным свидетельством реализации результатов диссертационного исследования, а также аргументом в пользу его научной значимости и актуальности служит поддержка, полученная соискателем в форме стипендий и грантов. Исследования по теме диссертации были дважды поддержаны Государственной стипендией для талантливых молодых ученых (1998;2000, 2000;2002), четырежды — грантом Фонда содействия отечественной науке по программе «Молодые кандидаты и доктора наук. Выдающиеся учёные РАН» (2004, 2005, 2006, 2007), грантом РФФИ (09−01−861-а — «Методология построения интеллектуальных систем поддержки принятия решений на основе баз фрагментов знаний с вероятностной неопределенностью»), и, наконец, госконтрактом 02.442.11.7289 от 28.02.2006 на выполнение НИР «Направленные циклы в байесовских сетях доверия: вероятностная семантика и алгоритмы логико-вероятностного вывода для программных комплексов с байесовской интеллектуальной компонентой» в рамках ФЦНТП «Исследования и разработки по приоритетным направлениям развития науки и техники на 2002;2006 годы».

Издание монографии [178] соискателя «Байесовские сети: логико-вероятностный подход», СПб.: Наука, 2006, (в соавторстве, с С. И. Николенко и А. В. Сироткиным) было поддержано грантом РФФИ № 06−01−14 108-д, а в 2007 г. ее авторский коллектив стал лауреатом конкурса на лучшую научную книгу 2006 года (Фонд развития отечественного образования, г. Сочи).

Публикации. По теме диссертации опубликовано 87 научных работ, из них 5 монографий (3 единоличные и 2 в соавторстве), прошедших научное рецензирование, 9 статей в изданиях из «Перечня ведущих рецензируемых научных журналов и изданий», 64 научные статьи и доклада на конференциях, 9 зарегистрированных программ для ЭВМ. Сверх указанного по теме диссертации было опубликовано 2 учебных пособия, также прошедших научное рецензирование, и ряд тезисов научных докладов.

Личный вклад А. Л. Тулупьева в публикациях с соавторами характеризуется следующим образом. В монографиях [178,187] А. Л. Тулупьеву принадлежат все результаты, характеризующие вероятностную семантику алгебраических байесовских сетей и их фрагментов, уравнения и методы локального и глобального логико-вероятностного вывода в алгебраических байесовских сетях, результаты о линейной комбинации и линейной оболочке алгебраических байесовских сетей и их фрагментов знаний, формализация операции «накрывающей» непротиворечивости, результаты о «накрывающей» непротиворечивости в части, относящейся к совокупности непротиворечивых объектов, анализ вероятностной семантики циклов в алгебраических байесовских сетях и байесовских сетях доверия, методы преобразований и обработки этих циклов, определения и анализ свойств степеней непротиворечивости АБС, алгоритмы проверки и поддержания интернальной и глобальной степени непротиворечивости этих сетей, результат о невозможности обработать направленный цикл в байесовской сети с «традиционной» вероятностной семантикой, обобщения алгебраических байесовских сетей на другие формализмы, позволяющие приписывать пропозициональным формулам оценки истинности, подход к анализу чувствительности локальных априорного и апостериорного вывода (в том числе посредством исследования соответствующих матрично-векторных уравнений), формализация задач, проектирование программ и реализация структур данных в них, определение различных видов свидетельств, анализ их вероятностной семантики, алгоритмы их обработки и распространения в АБС, анализ и алгоритм преобразования ациклической байесовской сети доверия в алгебраическую байесовскую сеть, исследование взаимосвязи априорного вывода и поддержания непротиворечивости, определение, анализ вероятностной семантики расширенного фрагмента знаний и фрагментов знаний с альтернативной структурой, матрично-векторные уравнения и алгоритмы проверки и поддержания их непротиворечивости и априорного вывода в таких фрагментах знаний, а также диссертантом предложены уравнения и алгоритмы для локального машинного обучения алгебраических байесовских сетей, алгоритм восстановления вторичной структуры алгебраической байесовской сети по ее первичной структуре. На основе полученных А. Л. Тулупьевым результатов А. В. Сироткин выявил структуру матрицы, участвующей в матрично-векторном уравнении локального апостериорного вывода, привел теоретические оценки устойчивости поддержания непротиворечивости, реализовал часть программного кода, привел дискриминант-пример, разделяющий интернальную и экстернальную степень непротиворечивости алгебраических байесовских сетей, разработал алгоритм построения алгебраической байесовской сети, являющейся семантически эквивалентным образом байесовской сети доверия с допустимыми (ненаправленными) циклами, разработал алгоритм поддержания экстернальной непротиворечивости ациклической алгебраической байесовской сети, уточнил формализацию объемлющей непротиворечивости и исследовал ее в случае противоречивых исходных данных. С. И. Николенко сосредоточился на работе с байесовскими сетями доверия в аспектах, не входящих в объект диссертационных исследований А. Л. Тулупьева и А. В. Сироткина. Такое же соотношение тематики результатов и вкладов (в их релевантной каждой конкретной работе части) сохранялось во всех совместных публикациях с А. В. Сироткиным и С. И. Николенко, в частности, в [177,179,180,182].

В совместных публикациях с В. И. Городецким, в том числе, в [46], Тулупье-ву А.Л. принадлежит анализ свойств обсуждаемых в статьях объектов (преимущественно алгебраических байесовских сетей, их фрагментов, а также непротиворечивости этих объектов), а В. И. Городецкому — содержательная формальная постановка задач и указание возможных приложений обсуждаемых формализмов и объектов для решения задач искусственного интеллекта в области инженерии знаний.

В работах, совместных с Д. А. Никитиным, Тулупьеву А. Л. принадлежат результаты, относящиеся к алгебраическим байесовским сетям, а Д. А. Никитину — классификация и результаты исследования возникающих в процессе логико-вероятностного вывода экстремальных задач. В работах, совместных с М. Н. Ромашовой Тулупьеву А. Л. принадлежат результаты, относящиеся к алгебраическим байесовским сетям и их компаративному анализу с сетями, где в качестве меры истинности использовались нечеткие мерыМ.Н. Ромашова сосредоточилась на исследовании устойчивости нечеткого вывода в соответствующих сетях фрагментов нечетких знаний. В работах, совместных с А. В. Тишковым, Д. П. Лакомовым, Тулупьеву А. Л. принадлежат результаты, относящиеся к алгебраическим байесовским сетям, а соавторам — обобщение АБС на случай дискретных оценок истинности и анализ геометрических особенностей множества допустимых планов, задаваемых ограничениями в ФЗ и в АБС. В работах с А. К. Абрамян Тулупьеву А. Л. принадлежат теоретические результаты, относящиеся к АБС и направленным циклам в байесовских сетях доверия, формализация задач для разработки программ, а А. К. Абрамян — реализация разработанных А. Л. Тулупьевым алгоритмов и подбор иллюстративных примеров. Работа [124] выполнена А. Л. Тулупьевым, соавторам принадлежат результаты тестирования и реинжиниринга программного обеспечения, разработка диаграмм и схем по готовому коду и спецификациям, формирование иллюстративных примеров.

В статье [68] Тулупьеву А. Л. принадлежит характеристика АБС как моделей знаний с неопределенностью, допускающих систематическую обработку интервальных оценок истинностиостальные результаты принадлежат соавторам. В статьях [58,171] Тулупьеву А. А. принадлежит формализация отношений в системе «Личность-Деятельность-Эффективность» с помощью алгебраических байесовских сетей и байесовских сетей доверия, а остальные результаты принадлежат соавторам.

В статье [188] Тулупьеву А. Л. принадлежат теоретические результаты, формализация построения вторичной структуры АБС, проект комплекса программ, позволяющих представить фрагменты знаний алгебраических байесовских сетей в программном коде, остальные результаты принадлежат соавторам. В работе [73] Тулу-пьев А.Л. предложил алгоритм формирования оценок вероятностей в алгебраической байесовской сети на основе статистических данных, поступающих при анализе текстовА.В. Лобацевичу принадлежат остальные результаты.

В совместных программных разработках [169,172] А. Л. Тулупьеву принадлежит формализация задач, проект программной системы, реализация структур данных в виде объектов, спецификация методов. Реализация кода большей части методов принадлежит соавторам А. Л. Тулупьева.

Структура и объем работы. Диссертация состоит из введения, 7 глав, заключения, перечня сокращений, библиографии, списка таблиц, иллюстраций и примеров, а также предметного указателя и приложений. Общий объем работы составляет 670 страниц. Библиография содержит более 450 наименований. В приложения вынесены часть примеров, копии регистрационных документов и актов о внедрении (использовании), а также иной материал, являющийся справочным, иллюстративным или дополняющим основной.

Заключение

.

Приведем основные научные результаты диссертационного исследования, выносимые на защиту:

1) развита теория алгебраических байесовских сетей как логико-вероятностной графической модели баз фрагментов знаний с неопределенностью, позволяющая использовать указанные сети как средство представления и обработки таких знаний;

2) выведены матрично-векторные уравнения, устанавливающие связь между вероятностями элементов фрагмента знаний алгебраической байесовской сети и дискретной плотностью вероятности в соответствующем конечном вероятностном пространстверазработан основанный на указанных уравнениях метод проверки и поддержания непротиворечивости ФЗ АБС, а также метод априорного вывода в таком фрагменте знаний;

3) построена и проанализирована иерархия степеней непротиворечивости алгебраической байесовской сети (локальная, экстернальная, интернальная, глобальная степени непротиворечивости), выявлена система связей между указанными степенями непротиворечивости, разработаны методы проверки и поддержания соответствия АБС требованиям интернальной и глобальной степеней непротиворечивости, оценена сложность алгоритмов, реализующих эти методы;

4) доказано, что непротиворечивость ФЗ и степень непротиворечивости АБС сохраняется относительно операций построения линейной комбинации и линейной оболочкиформально установлены существование и единственность минимального (по включению интервальных оценок вероятностей) результата операции «накрывающей» непротиворечивости в случае непротиворечивых исходных данных;

5) разработаны метод локального апостериорного вывода для детерминированного свидетельства в случае скалярных оценок вероятности истинности и метод оценкичувствительности ненормированных результатов этого вида вывода к допустимой вариации оценок истинности на основе использования соответствующих матрично-векторных уравнений и неравенствобобщен метод локального апостериорного вывода на случаи других сочетаний видов свидетельства и оценокдоказана непротиворечивость результатов локального апостериорного вывода в случае непротиворечивых исходных данных;

6) разработан основанный на использовании виртуальных свидетельств метод распространения влияния стохастического свидетельства, поступившего во фрагмент знаний ациклической алгебраической байесовской сети со скалярными оценками истинности, на другие фрагменты знанийдана оценка сложности алгоритмов, участвующих в реализации метода, и выявлена лежащая в основе указанного метода особенность вероятностной семантики АБС (справедливость гипотезы условной независимости) — разработан метод преобразования ациклической байесовской сети доверия (со случайными бинарными элементами в узлах) в ациклическую байесовскую сеть с сохранением вероятностной семантики;

7) разработаны методы проверки и поддержания непротиворечивости фрагментов знаний с альтернативной структурой (ФЗ на основе идеала дизъюнктов, набора пропозиций-квантов, расширенный ФЗ);

8) разработан метод преобразования цикла фрагментов знаний АБС в цепь смежности фрагментов знаний и проверки непротиворечивости указанных объектовоценена вычислительная сложность преобразования и проверки непротиворечивости для циклов с фрагментами знаний, пересекающимися только попарноразработаны методы преобразования (с сохранением вероятностной семантики) направленного цикла байесовской сети доверия во фрагмент знаний АБС, в цикл смежности фрагментов знаний АБС и цепь смежностиразработан основывающийся на указанных преобразованиях метод проверки непротиворечивости направленного цикла байесовской сети доверияпостроены контр-примеры, служащие доказательством того, что не существует БСД-исчисления, которое бы позволило, с одной стороны, сохранить традиционную вероятностную семантику байесовской сети доверия, а с другой, допустить наличие направленного цикла в такой сети;

9) спроектирован и реализован с использованием среды NetBeans комплекс java-программ, поддерживающий представление алгебраических байесовских сетей и их фрагментов, а также выполнение описанных в диссертации операций логико-вероятностного вывода для проведения вычислительных экспериментовкроме того, разработана структура реляционной базы данных, позволяющая хранить указанные объекты и результаты логико-вероятностного выводаразработанная структура базы данных реализована в JavaDB.

Показать весь текст

Список литературы

  1. А. Ш., Сушков Ю. А. Принятие решений. Метод анализа иерархий. М.: Радио и связь, 1993. 316 с.
  2. А. Н. Модели приближенных рассуждений: обзор зарубежных исследований // Новости искусственного интеллекта. 1991. Т. 3. С. 85−92.
  3. А. Н. Экспертные системы, использующие нечеткие и неопределенные знания // Нетрадиционные модели и системы с нечеткими знаниями / Под ред. А. Ф. Блишуна. М.: Энергоатомиздат, 1991. С. 12−20.
  4. А. Н. Извлечение нечетких логик в нечетких экспертных системах // Искусственный интеллект-94. Сборник научных трудов. Рыбинск, 1994. С. 207−211.
  5. А. Н., Костерев В. В. Триангулярные нормы в системах искусственного интеллекта // Изв. РАН. Сер. Теория и системы управления. 2000. № 5. С. 107−119.
  6. А. Н., Нгуен М. X. Использование нечетких отношений в моделях представления знаний Ц Изв. АН СССР. Сер. Техническая кибернетика. 1990. Т. 5. С. 20−33.
  7. А. Н. и др. Нечеткие множества в моделях управления и искусственном интеллекте. М.: Наука, 1986. 312 с.
  8. Н. А. О некоторых системах вероятностной логики // Искусственный интеллект и проблемы организации знаний. 1991. Т. 8. С. 78−85.
  9. Р. А. Интеллектуальные роботы с нечеткими базами знаний. М.: Радио и связь, 1995. 178 с.
  10. . Д. Разработка экспертных систем искусственного интеллекта в США. М., 1985. 78 с.
  11. И. 3. О некоторых свойствах мер невероятностной энтропии размытых множеств // Прикладной многомерный статистический анализ. М.:Наука, 1978. С. 345348.
  12. И. 3. О транзитивности размытых упорядочений // Исследование опер-ций и аналитическое проектирование в технике. Казань, 1979. С. 67−73.
  13. И. 3. Нечеткие отношения в семиотических системах. М., 1991. 15 с.
  14. И. 3. Лексикографические оценки правдоподобности с универсальными границами. I // Изв. РАН. Сер. Техническая кибернетика. 1994. № 5. С. 28−45.
  15. И. 3. Лексикографические оценки правдоподобности с универсальными границами. II. Операции отрицания // Изв. РАН. Сер. Теория и системы управления. 1995. № 5. С. 133-151.
  16. И. 3., Хабибуллин Р. Ф. Атрибуция псевдонимных произведений на основе инвариантных реляционных алгоритмов кластеризации // Труды Международного семинара по компьютерной лингвистике и ее приложениям. Казань, 1995. С. 43-51.
  17. Ю. А. Проблема создания и внедрения экспертных систем искусственного интеллекта. Киев, 1990. 20 с.
  18. А. С., Коровин С. Я., Мелихов А. Н., Сергеев Н. Е. Функционально-структурное исследование ситуационно-фреймовой сети экспертной системы с нечеткой логикой // Теоретическая кибернетика. 1994. Т. 2. С. 71−83.
  19. Г. Теория решеток. М.: Наука, 1984. 566 с.
  20. А. Ф. Нечеткие индуктивные модели обучения в экспертных системах // Изв. АН СССР. Сер. Техническая кибернетика. 1990. Т. 5. С. 90−104.
  21. А. Ф., Знатков С. Ю. Обоснование операций теории нечетких множеств // Нетрадиционные модели и системы с нечеткими знаниями / Под ред. А. Ф. Влишуна. М.: Энергоатомиздат, 1991. С. 21−33.
  22. А. Н., Глушков В. И. Использование нечеткой информации в экспертных системах // Новости искусственного интеллекта. 1991. Т. 3. С. 13—41.
  23. А. А. Теория вероятностей. М.: Наука, 1986. 432 с.
  24. Д. А. Булевы алгебры. СПб.: Изд-во СПбГУ, 2000.
  25. М. К., Малоземов В. Н. Экстремальные задачи с линейными ограничениями: учебное пособие. Л.: ЛГУ, 1984. 175 с.
  26. В. А., Огиренко А. Г., Смирнов М. И. Искусственный интеллект в САПР. М., 1994. 184 с.
  27. В. И. Прикладная алгебра и дискретная математика. Ч. 1. Алгебраические системы. Л.: МО СССР, 1984. 174 с.
  28. В. И. Прикладная алгебра и дискретная математика. Ч. 2. Формальные системы нелогического типа. Л.: МО СССР, 1986. 200 с.
  29. Городецкий В, И. Прикладная алгебра и дискретная математика. Ч. 3. Формальные системы логического типа. Л.: МО СССР, 1987. 178 с.
  30. В. И. Алгоритмизация приближенных рассуждений на основе байесовского вывода // Труды 2-й Всесоюзной конференции «Искусственный интеллект-90». Т. 1. Минск, 1990. С. 86−92.
  31. В. И. Байесовский вывод. Препринт № 149. Л.: ЛИИАН, 1991. 38 с.
  32. В. И. Адаптация в экспертных системах // Изв. РАН. Сер. Техническая кибернетика. 1993. Т. 5. С. 101−110.
  33. В. И. Алгебраические байесовские сети — новая парадигма экспертных систем // Юбилейный сборник трудов институтов Отделения информатики, вычислительной техники и автоматизации РАН. Т. 2. М.: РАН, 1993. С. 120−141.
  34. В. И. Интервальные вероятностные меры неопределенности в инженерии знаний // Теоретические основы и прикладные задачи интеллектуальных информационных технологий. СПб.: СПИИРАН, 1998. С. 44−58.
  35. В. И. Моделирование недоопределенных знаний // SCM'98. Сборник докладов. Т. 1. СПб., 1998. С. 98−102.
  36. В. И., Тулупъев А. Л. Алгебраические байесовские сети для представления и обработки знаний с неопределенностью // 4-я Санкт-Петербургская конференция «Региональная информатика-95»: Тезисы докладов, ч. 1. СПб., 1995. С. 51−52.
  37. В. И., Тулупъев А, Л. Непротиворечивость баз знаний с интервальной мерой вероятности //IV Санкт-Петербургская международная конференция «Региональная информатика-95 (РИ-95)» (Санкт-Петербург, 15−18 мая 1995 г.): Труды. СПб., 1995. С. 85−91.
  38. В. И., Тулупъев А. Л. Формирование непротиворечивых баз знаний с неопределенностью // Известия РАН. Сер. Теория и системы управления. 1997. N- 5. С. 33−42.
  39. В. И., Тулупъев А. Л. Непротиворечивость баз знаний с количественными мерами неопределенности // Шестая национальная конференция по искусственному интеллекту с международным участием КИИ'98: Труды. Т. 1. Пущино, 1998. С. 100−107.
  40. Д. П., Ивин А. А., Никифоров А. Л. Краткий словарь по логике. Л.: Просвещение, 1991.
  41. Н. А., Кузнецов М. А. Состояние средств искусственного интеллекта за рубежом. Л., 1988. 57 с.
  42. Д., Прад А. Теория возможностей. М.: Радио и связь, 1990. 290 с.
  43. А. П. О корректности модели представления знаний для экспертной системы поддержки принятия решений // Изв. РАН. Сер. Техническая кибернетика. 1993. Т. 5. С. 45−53.
  44. Ю. А., Палютин Е. А. Математическая логика. М.: Наука, 1977. 336 с.
  45. Н. Г. Прикладные методы анализа данных и знаний. Новосибирск: Из-во Ин-та математики, 1999. 270 с.
  46. А. Понятие лингвистической переменной и его применение к принятию приближенных решений. М.: Мир, 1976. 165 р.
  47. Л. Размытые множества и их применение в распознавании образов и кластерноманализе // Классификация и кластер. М.: Мир, 1980. С. 208−247.i
  48. В. Н., Ульянов С. В. Нечеткие модели интеллектуальных промышленных регуляторов и систем управления-4 // Изв. РАН. Сер. Техническая кибернетика. 1994. Т. 5. С. 168−210.
  49. В. В., Перов В. Л., Мешалкин В. П. Принципы математического моделирования химико-технологических систем. Сер. «Химическая кибернетика. Введение в системотехнику химических производств». М.: Химия, 1974. 344 с.
  50. И. П. Представление неточности в задаче образной интерпретации объектов. Минск, 1991. 16 с.
  51. Н. И., Зражевская Г. М., Кочаровский В. Г., Михайловский В. И. Дифференциальная геометрия, топология, тензорный анализ: Сб. задач. Киев, 1989. 398 с.
  52. Ю. Психологическая теория решений. М.: Прогресс, 1970. 504 с.
  53. Н. К., Тишков А. В. Градуируемые логические значения для представления знаний // Записки научных семинаров ПОМИ. Исследования по конструктивной математике и математической логике. Вып. X. 1998. Т. 241. С. 135−149.
  54. Н. К., Тишков А. В. Секвенциальное исчисление для сравнений противоречивых условий различной степени достоверности // Математические вопросы кибернетики. 1998. Т. 7. С. 213−226.
  55. Н. К., Тишков А. В. Логики конечнозначных предикатов на основе неравенств. СПб.: СПбГУ, 2000. 286 с.
  56. И. В. Методы вывода в экспертных системах по неполной и противоречивой информации. СПб., 1992. 78 с.
  57. А. Введение в теорию нечетких множеств. М.: Радио и связь, 1982. 432 с.
  58. В. Я., Нгуен X. Т., Городецкий В. И., Нестеров В. М., Тулупьев А. Л. Применение интервальных степеней доверия: аналитический обзор // Информационные технологии и интеллектуальные методы. СПб.: СПИИРАН, 1999. Т. 3. С. 6−61.
  59. О. И. и др. Новые возможности компьютерного обучения // Вестник РАН. 1989. Т. 69, № 2. С. 106−109.
  60. Р., Дранг Д., Эделъсон Б. Практическое введение в технологию искусственного интеллекта и экспертных систем с иллюстрациями на Бейсике. М.: Финансы и статистика, 1990. 240 с.
  61. А. В., Тулупъев А. Л. Использование методологии машинного обучения для создания интеллектуальных посредников // Международная конференция «Эволюция инфосферы-95»: Тезисы. М., 1995.
  62. А. В., Тулупъев А. Л. Классификация текстовой информации с использованием индуктивного обучения и аппарата алгебраических байесовских сетей // Информационные технологии и интеллектуальные методы. СПб.: СПИИРАН, 1996. С. 120−124.
  63. Логика и компьютер. М.: Наука, 1990. 240 с.
  64. Д. Программирование экспертных систем на Турбо Прологе. М.: Финансы и статистика, 1994. 256 с.
  65. Э. Введение в математическую логику. М.: Наука, 1971. 320 с.
  66. С. В. Теория и практика рационального выбора. М.: Маршрут, 2004. 463 с.
  67. А. С. Недоопределенные модели и операции с недоопределенными значениями. Новосибирск, 1982. 34 с.
  68. А. С. Неопределенность в системе представления и обработки знаний // Изв. АН СССР. Сер. Техническая кибернетика. 1986. Т. 5. С. 3−28.
  69. А. С. He-факторы и инженерия знаний: от наивной формализации к естественной прагматике // Искусственный интеллект-94. Сборник научных трудов. Рыбинск, 1994. С. 9−18.
  70. Г. В., Подиновский В. В., Подиновский В. В. Субъективная вероятность: способы представления и методы получения // Изв. АН СССР. Сер. Техническая кибернетика. 1991. Т. 5. С. 94−109.
  71. М. X. Моделирование приближенных рассуждений с помощью нечеткозначной вероятностной логики // Изв. РАН. Сер. Техническая кибернетика. 1993. Т. 5. С. 94 100.
  72. К. Как построить свою экспертную систему. М.: Энергоатомиздат, 1991. 288 с.
  73. Д. А., Тулупъев А. Л., Ромашова М. Н. Вычисление согласованных оценок истинности в вероятностных и нечетких фрагментах знаний // Труды СПИИРАН. Вып. 1. 2002. Т. 1. С. 241−246.
  74. С. И., Тулупъев А. Л. Простейшие циклы в байесовских сетях доверия: распределение вероятностей и возможность его непротиворечивого задания // Труды СПИИРАН. 2005. Вып. 2. СПб.: Наука, 2004. Т. 1. С. 119−126.
  75. С. И., Тулупъев А. А. Вероятностная семантика байесовских сетей в случае линейной цепочки фрагментов знаний // Труды СПИИРАН. Вып. 2. СПб.: Наука, 2005. Т. 2. С. 53−75.
  76. С. И., Тулупъев А. А. Самообучающиеся системы. М.: МЦНМО, 2009. 288 с.
  77. С. А. Проблемы принятия решений, при нечеткой исходной информации. М.: Наука, 1981. 208 с.
  78. Г. С. Приобретение знаний интеллектуальными системами: Основы теории и технологии. М .: Физматлит, 1997. 112 с.
  79. А. М. Экспертные системы в робототехнике. М.: ВИНИТИ, 1992. 183 с.
  80. Э. В. Экспертные системы. М.: Наука, 1987. 284 с.
  81. Д. А. Моделирование рассуждений. М.: Радио и связь, 1989. 184 с.
  82. А. А., Шемякин Ю. И. Индуктивно-дедуктивный логический вывод в нечетких условиях // Изв. РАН. Сер. Техническая кибернетика. 1992. Т. 5. С. 63−68.
  83. И. А. Надежность и безопасность структурно-сложных систем. СПб.: Политехника, 2000. 248 с.
  84. Т. Принятие решений. Метод анализа иерархий. М.: Радио и связь, 1993. 316 с.
  85. А. А. Теория меры. Л.: ЛГУ, 1990. 340 с.
  86. А. В. Байесовские сети доверия: дерево сочленений и его вероятностная семантика // Труды СПИИРАН. Вып. 3. Т. 1. СПб., 2006. С. 228−239.
  87. А. В., Тулупъев А. Л. Локальный априорный вывод в алгебраических байесовских сетях: комплекс основных алгоритмов // Труды СПИИРАН. Вып. 5. СПб.: Наука, 2007. С. 100−111.
  88. А. В., Тулупьев А. Л. Матричные уравнения локального логико-вероятностного вывода в алгебраических байесовских сетях // Труды СПИИРАН. 2008. Вып. 6. СПб.: Наука, 2008. С. 131−149.
  89. А. В., Тулупьев А. Л., Николенко С. И. Устойчивость и множественная устойчивость глобальной непротиворечивости алгебраических байесовских сетей // Труды СПИИРАН. Вып. 2. СПб.: Наука, 2005. Т. 2. С. 86−93.
  90. А. В., Тулупьев А. Л., Николенко С. И. Устойчивость непротиворечивости алгебраических байесовских сетей // Конференция f «Мягкие вычисления и измерения», г. Санкт-Петербург: Труды. СПб., 2005. С. 101−110.
  91. Р. Перечислительная комбинаторика. М.: Мир, 1990. 440 с.
  92. А. А. Алгебраические байесовские сети: теоретические основы и непротиворечивость. СПб.: СПИИРАН, 1995. 76 с.
  93. А. А. Непротиворечивость знаний с неопределенностью и вывод на них // Всероссийская научно-техническая конференция «Электроника и информатика»: Тезисы. М., 1995. С. 309−310.
  94. А. Л. Эволюция моделей неопределенности // Международная конференция «Эволюция инфосферы-95»: Тезисы. М., 1995.
  95. А. Л. Алгебраические байесовские сети для представления и обработки знаний с неопределенностью. Диссертация на соискание ученой степени кандидата физико-математических наук. СПб., 1996. 260 с.
  96. А. Л. Композиция распределений случайных бинарных последовательностей // Информационные технологии и интеллектуальные методы. СПб.: СПИИРАН, 1996. С. 105−112.
  97. А. Л. Структуры вероятностей на пропозициональных формулах // Информационные технологии и интеллектуальные методы: Сб. трудов СПИИРАН. 1997. Вып. 1. СПб.: СПИИРАН, 1996. С. 61−71.
  98. А. Л. Байесовские сети доверия и алгебраические байесовские сети: сравнительный анализ выразительной мощности // Информационные технологии и интеллектуальные методы: Сб. трудов СПИИРАН. 1997. Вып. 2. СПб.: СПИИРАН, 1997. С. 121−147.
  99. А. Л. Поддержание непротиворечивости фрагментов знаний с интервальной нечеткой мерой неопределенности // Теоретические основы и прикладные задачи интеллектуальных информационных технологий. СПб.: СПИИРАН, 1998. С. 82−92.
  100. А. Л. Поддержание непротиворечивости фрагментов знаний с оценками доверия и правдоподобия // Информационные технологии и интеллектуальные методы: Сб. трудов СПИИРАН. 1999. Вып. 3. СПб.: СПИИРАН, 1999. С. 72−97.
  101. А. Л. Алгебраические байесовские сети: логико-вероятностный подход к моделированию баз знаний с неопределенностью. СПб.: СПИИРАН, 2000. 282 с.
  102. А. Л. Метод построения и исследования баз фрагментов знаний с неопределенностью // Труды СПИИРАН. Вып. 1. 2002. Т. 1. С. 258−271.
  103. А. Л. Семантика моделей баз фрагментов знаний с неопределенностью // Телекоммуникации, математика и информатика — исследования и инновации. Вып. 6. Межвузовский сборник научных трудов. СПб.: ЛГОУ им. А. С. Пушкина, 2002. С. 178— 180.
  104. А. Л. Генерация множества ограничений на распределение оценок вероятности над идеалом цепочек конъюнкций // Вестник молодых ученых. 2004. К2 4. Сер. Прикладная математика и механика. 2004. № 1. С. 35−43.
  105. А. Л. Ациклические алгебраические байесовские сети: логико-вероятностный вывод // Нечеткие системы и мягкие вычисления: Научный журнал Российской ассоциации нечетких систем и мягких вычислений. 2006. Т. 1, К5 1. С. 57−93.
  106. А. А. Дерево смежности с идеалами конъюнктов как ациклическая алгебраическая байесовская сеть // Труды СПИИРАН. Вып. 3. Т. 1. СПб., 2006. С. 198−227.
  107. А. Л. Алгебраические байесовские сети: глобальный логико-вероятностный вывод в деревьях смежности: Учеб. пособие. Элементы мягких вычислений. СПб.: СПб-ГУ- ООО Издательство «Анатолия», 2007. 40 с.
  108. А. Л. Алгебраические байесовские сети: локальный логико-вероятностный вывод: Учеб. пособие. Элементы мягких вычислений. СПб.: СПбГУ- ООО Издательство «Анатолия», 2007. 80 с.
  109. А. Л. Байесовские сети доверия: непротиворечивость направленного циклического паттерна // Международная конференция по мягким вычислениям и измерениям. Сборник докладов. 2007. Т. 1. СПб.: Изд-во СПбГЭТУ «ЛЭТИ», 2007. С. 212−215.
  110. А. Л. Непротиворечивость семантического образа направленного цикла в байесовской сети доверия // X Санкт-Петербургская международная конференция «Региональная информатика-2006 (РИ-2006)»: Труды. СПб., 2007. С. 125−131.
  111. А.Л. Байесовские сети: логико-вероятностный вывод в циклах. СПб.: Изд-во С.-Петербургского ун-та, 2008. 140 с.
  112. А. Л. Задача локального автоматического обучения в алгебраических байесовских сетях: логико-вероятностный подход j j Труды СПИИРАН. 2008. Т. 7. С. 11−25.
  113. А. Л. Алгебраические байесовские сети: реализация логико-вероятностного вывода в комплексе java-nporpaMM // Труды СПИИРАН. 2009. Вып. 8. 2009. С. 191−232.
  114. А. Л. Алгебраические байесовские сети: система операций локального логико-вероятностного вывода // Информационно-измерительные и управляющие системы. 2009. № 4. С. 41−44.
  115. А. Л. Непротиворечивость оценок вероятностей в алгебраических байесовских сетях // Вестник СПбГУ. Сер. 10. 2009. № 3. С. 144−151.
  116. А. Л. Непротиворечивость оценок вероятностей в идеалах конъюнктов и дизъюнктов // Вестник СПбГУ. Сер. 10. 2009. № 2. С. 121−131.
  117. А. Л. Преобразование ациклических байесовских сетей доверия в алгебраические байесовские сети // Известия высших учебных заведений: Приборостроение. 2009. № 3. С. 21−23.
  118. А. Л. Согласованность данных и оценка вероятности альтернатив в цикле стохастических предпочтений // Известия высших учебных заведений: Приборостроение. 2009. Ш 7. С. 3−7.
  119. А. Л., Абрамян А. К. Логико-вероятностный вывод в направленном БСД-цикле // Труды СПИИРАН. Т. 4. СПб.: Наука, 2007. С. 87−118.
  120. А. Л., Городецкий В. И. Алгебраические байесовские сети: поддержание непротиворечивости баз знаний // Международная конференция «Знания — Диалог — Решение» (KDS-95): Доклады. Ялта, 1995. С. 151−159.
  121. А. Л., Никитин Д. А. Экстремальные задачи в апостериорном выводе над идеалами цепочек конъюнкций // Труды СПИИРАН. 2005. Вып. 2. СПб.: Наука, 2005. Т. 2. С. 12−52.
  122. А. Л., Николенко С. И. Циклы обратной связи узлов с одним предшественником в байесовских сетях доверия. Труды IX конференции «Региональная информатика», Санкт-Петербург, 2004. 65−66 с.
  123. А. Л., Николенко С. И., Никитин Д. А., Сироткин А. В. Синтез апостериорных оценок истинности суждений в интегрированных базах знаний: детерминированный вариант // Известия высших учебных заведений: Приборостроение. 2006. № 11. С. 35−39.
  124. А. Л., Николенко С. И., Сироткин А. В. Байесовские сети: логико-вероятностный подход. СПб.: Наука, 2006. 608 с.
  125. А. Л., Николенко С. И., Сироткин А. В. Синтез апостериорных оценок истинности суждений в интегрированных базах знаний: стохастический вариант // Известия высших учебных заведений: Приборостроение. 2006. № 11. С. 39−44.
  126. А. Л., Николенко С. И., Сироткин А. В. Синтез согласованных оценок истинности утверждений в интеллектуальных информационных системах / / Известия высших учебных заведений: Приборостроение. 2006. № 7. С. 20−26.
  127. А. Л., Николенко С. И., Сироткин А. В. Циклы в байесовских сетях: вероятностная семантика и отношения с соседними узлами // Труды СПИИРАН. Вып. 3. Т. 1. СПб., 2006. С. 240−263.
  128. А. Л., Сироткин А. В. Алгебраические байесовские сети: принцип декомпозиции и логико-вероятностный вывод в условиях неопределенности // Информационно-измерительные и управляющие системы. 2008. Т. 6, № 10. С. 85−87.
  129. А. Л., Сиротпкин А. В., Николенко С. И. Байесовские сети доверия: логико-вероятностный вывод в ациклических направленных графах. СПб.: Изд-во С.-Петербургского ун-та, 2009. 400 с.
  130. А. Л., Столяров Д. М., Ментюков М. В. Представление локальной и глобальной структуры алгебраической байесовской сети в Java-приложениях / / Труды СПИИРАН. Вып. 5. СПб.: Наука, 2007. С. 71−99.
  131. Д. Руководство по экспертным системам. М.: Мир, 1989. 390 с.
  132. Л. В. Анализ риска и принятие решений при неполной информации. СПб.: Наука, 2007. 404 с.
  133. X., Исидэука М. Представление и использование знаний. М.: Мир, 1989. 222 с.
  134. В. Введение в теорию вероятностей и ее приложения. М.: Мир, 1984.
  135. В. К. Правдоподобные рассуждения в экспертных системах с неполной информацией: Автореферат диссертации на соискание ученой степени доктора технических наук. М., 1990. 62 с.
  136. А. Р. Анализ классических методов объединения свидетельств в экспертных системах // Изв. АН СССР. Сер. Техническая кибернетика. 1988. Т. 2. С. 135−144.
  137. А. Р. Неточный вывод на знаниях // Искусственный интеллект. Справочник. Т. 2. / Под ред. Д. Поспелова. М.: Радио и связь, 1990. С. 105−109.
  138. Л. Г. Полиномиальный алгоритм в линейном программировании // Доклады АН СССР. 1979. Т. 244. С. 1093−1096.
  139. Н. В. Анализ и синтез показателей при информационном дефиците. СПб.: Издательство С.-Петербургского университета, 1996. 196 с.
  140. М. К. Экспертные системы. М.: МГОУ, 1994. 78 с.
  141. А. Н. Вероятность. М.: Наука, 1989. 640 с.
  142. Экспертные системы. Принципы работы и примеры / Под ред. Р. Форсайта. М.: Радио и связь, 1987. 224 с.
  143. Д., Кумбс М. Экспертные системы: концепции и примеры. М.: Финансы и статистика, 1987. 192 с.
  144. Е. А. Одобрена концепция «Руководства по выражению неопределенности измерения» и принят план мероприятий по его внедрению в отечественную метрологическую практику // Законодательная и прикладная метрология. 2000. № 3. С. 54−57.
  145. Abadi М., Halpern J. Y. Decidability and Expressiveness for First-Order Logics of Probability // Artificial Intelligence. 1990. Vol. 46. P. 311−350.
  146. Aji S., Horn G., McEliece R. The convergence of iterative decoding on graphs with a single cycle // Proc. CISS 1998. Princeton, 1998. P. 423−434. *
  147. Allison P. D. Missing Data / Sage University Paper Series on Quantitative Applications in the Social Sciences, 07−136 / Ed. by M. S. Lewis-Beck. Thousand Oaks, London, New Delhi: Sage Publications, 2001. 93 p.
  148. Anderson J. R. Cognitive Psychology and Its Implications. N.Y.: W. H. Freeman, 1980.
  149. Artificial Intelligence and Expert Systems / Ed. by S. E. Savory. N.Y.: J. Wiley & Sons Ltd, 1988. 278 p.
  150. Artificial Intelligence in Design'94 / Ed. by J. S. Gero, F. Sudweeks. London: Kluwer Acad. Publ., 1994. 766 p.
  151. Atanassov К. T. Intuitionistic fuzzy sets // Fuzzy Sets and Systems. 1986. Vol. 20, N. 1. P. 87−96.
  152. Atanassov К. T. Review and new results on intuitionistic fuzzy sets // Preprint IM-MFAIS-1−88. 1988.
  153. Atanassov К. T. More on intuitionistic fuzzy sets // Fuzzy Sets and Systems. 1989. Vol. 33, N. 1. P. 37−45.
  154. К. Т. Operations over interval valued intuitionistic fuzzy sets // Fuzzy Sets and Systems. 1994. Vol. 64. P. 159−174.
  155. К. Т., Gargov G. Interval valued intuitionistic fuzzy sets // Fuzzy Sets and Systems. 1989. Vol. 31, N. 3. P. 343−349.
  156. К. Т., Nikolov N., Kirova Z., Nikolova N. On the modelling of industrial chemical processes by intuitionistic fuzzy generalized nets // Notes on Intuitionistic Fuzzy Sets. 1996. Vol. 2, N. 2. P. 16−20.
  157. Bacchus F. A Logic for Statistical Information // Machine Intelligence & Pattern Recognition (Uncertainty in Artificial Intelligence, 5). 1990. Vol. 19. P. 3−14.
  158. Bacchus F. Lp, a logic for representing and reasoning with statistical knowledge // Computational Intelligence. 1990. Vol. 6. P. 209−231.
  159. Bacchus F. On Probability Distributions Over Possible Worlds // Machine Intelligence & Pattern Recognition (Uncertainty in Artificial Intelligence, 4). 1990. Vol. 9. P. 217−226.
  160. Bacchus F., Dalmao S., Pitassi T. Algorithms and Complexity Results for #SAT and Bayesian Inference 11 FOCS 2003. 2002. P. 340−351.
  161. Baldwin J. F. et al. Fril — Fuzzy and Evidential Reasoning in Artificial Intelligence. N.Y.: Research Studies Press, Wiley, 1995. 141 p.
  162. Berry A., Bordat J., Heggernes P., Simonet G., Villanger Y. A wide-range algorithm for minimal triangulation from an arbitrary ordering: Tech. Rep. 243: University of Bergen, Norway, Department of Informatics, 2003.
  163. Bhatnagar R. K., Kanal L. N. Handling Uncertain Information: A Review of Numeric & Non-Numeric Methods // Machine Intelligence & Pattern Recognition (Uncertainty in Artificial Intelligence). 1986. Vol. 4. P. 3−26.
  164. Biazzo V., Gilio A., Lukasiewicz Т., Sanfilippo G. Probabilistic Logic under Coherence: Complexity and Algorithms // ISIPTA. 2001. P. 51−61.
  165. Biazzo V., Gilio A., Lukasiewicz Т., Sanfilippo G. Probabilistic Logic under Coherence, Model-Theoretic Probabilistic Logic, and Default Reasoning // ECSQARU. 2001. P. 290 302.
  166. Bondy J. A., Murty J. S. R. Graph Theory with Applications. New York: Elsevier Science Publishing Co., 1976. 264 p.
  167. Bonisson P. P., Decker K. S. Selecting Uncertainty Calculi and Granularity // Machine Intelligence 8z Pattern Recognition (Uncertainty in Artificial Intelligence). 1986. Vol. 4. P. 217−247.
  168. Bonissone P. P., Tong R. M. Reasoning with Uncertainty in Expert Systems // International Journal of Man-Machine Studies. 1985. Vol. 22. P. 241−250.
  169. Boole G. An Investigation of the Laws of Thought, on Which Are Founded the Mathematical Theories of Logic and Probabilities. Cambridge: Macmillan/London: Walton & Maberly, 1854.
  170. Bouchon В., Despres S. Propagation of Uncertanities and Inaccuracies in Knowledge-Based Systems // Uncertainty in Knowledge-Based Systems / Ed. by B. Bouchon, R. R. Yager. Berlin: Springer-Verlag, 1987. P. 58−65.
  171. Buehrer D. J. From interval probability theory to computable fuzzy first-order logic and beyond // Proceedings of the Third IEEE Conference on Fuzzy Systems (Orlando, FL, June 26−29, 1994). Vol. II. 1994. P. 1428−1433.
  172. Bundy A. Incidence Calculus: A Mechanism for Probabilistic Reasoning // Proceedings of the International Conference on Fifth Generation Computer Systems 1984, Tokyo, Japan. 1984. P. 166−174.
  173. Bundy A. Incidence Calculus: A Mechanism for Probabilistic Reasoning // Journal of Automated Reasoning. 1985. Vol. 1, N. 3. P. 263−283.
  174. Bundy A. Correctness Criteria of Some Algorithms for Uncertain Reasoning Using Incidence Calculus // Journal of Automated Reasoning. 1986. Vol. 2, N. 2. P. 109−126.
  175. Carnap R. The two concepts of probability // Logical Foundations of Probability. University of Chicago Press, Chicago, 1950. P. 19−51.
  176. Carnap R. Decision Making // Studies in Inductive Logic and Probability / Ed. by R. Car-nap, R. Jeffrey. University of California Press, Berkeley, 1971. Vol. 1. P. 7−9.
  177. Castillo E., Gutierrez J. M., Hadi A. S. Modeling Probabilistic Networks of Discrete and Continuous Variables // Journal of Multivariate Analysis. 1998. Vol. 64. P. 48−65.
  178. Chandru V., Hooker J. Optimization Methods for Logical Inference. N.Y.: Wiley, 1999.
  179. Charnes A., Cooper W. W. Programming with Linear Fractional Functionals // Naval Research Logistics Quarterly. 1962. Vol. 9. P. 181−186.
  180. Chau С. W. R., Lingras P., Wong S. К. M. Upper and Lower Entropies of Belief Functions Using Compatible Probability Function '// Methodologies for Intelligent Systems / Ed. by J. Komorowski, Z. W. Ras. Berlin: Springer-Verlag, 1993. P. 306−315.
  181. Chee L. Computing the Value of a Boolean expression with intervals is NP-hard. Master’s thesis, Computer Science Dept., Univ. of Texas at El Paso, 1996.
  182. Chee L. Computing the Value of a Boolean expression with intervals is NP-hard // Reliable Computing. 1997. Vol. 3, N. 2. P. 155−172.
  183. Cheesman P. Probabilistic vs. Fuzzy Reasoning // Machine Intelligence & Pattern Recognition (Uncertainty in Artificial Intelligence). 1986. Vol. 4. P.' 85−102.
  184. Cooper G. F. The Computational Complexity of Probabilistic Inference using Bayesian Belief Networks // Artificial Intelligence. 1990. Vol. 42. P. 393−405.
  185. Corlett A. G., Todd S. J. A Monte-Carlo Approach to Uncertain Inference // Artificial Intelligence and ita Applications. / Ed. by R. A. Cohn, J. R. Thomas. N.Y.: J. Wiley & Sons Ltd, 1986. P. 127−137.
  186. Cortes-Rello E., Golsham F. Management of Uncertainty for Intelligent Financial Systems // Proc. of 1st-International Conference on AI Applications oni Wall Street. N.Y., 1991. P. 238−243.
  187. Cowell R. G., Dawid A. P., Lauritzen S. L., Spiegelhalter D. J. Probabilistic Networks and Expert Systems. Springer-Verlag, 1999.
  188. Cravo M. R., Martins J. R. A Unified Approach to Default Reasoning and Belief Revision // Lectures Notes in Computer Science. 1993. Vol. 727. P. 226−241.
  189. Сиг W., Blockley D. I. Interval probability theory of evidential support // International Journal of Intelligent Systems. 1990. Vol. 5. P. 183−192.253. da Silva F. S. C. On the Relations Between Incidence Calculus and Fagin-Halpern Structures.
  190. Dagum P., Luby M. Approximating probabilistic inference in Bayesian belief netowrks is NP-hard 11 Artificial Intelligence. 1993. Vol. 60. P. 141−153.
  191. Dan Q., Dudeck J. Some Problems Related with Probabilistic Interpetations for Certainity Factors // Proc. of 5th Annual IEEE Symposium on Computer-Based Medical Systems. Washington, 1992. P. 538−545.
  192. Dantzig G. B. Maximization of a linear function of variables subject to linear inequalities // Activity Analysis of Production and Allocation. N.Y.: Wiley, 1951. P. 339−347.
  193. Darwiche A. A Differential Approach to Inference in Bayesian Networks // Journal of the ACM. 2003. Vol. 50, N. 3. P. 280−305.
  194. Darzentas I. Knowledge-Modelling in Fuzzy Expert Systems // Uncertainty in Knowledge-Based Systems / Ed. by B. Bouchon, R. R. Yager. Berlin: Springer-Verlag, 1987. P. 159−172.
  195. De Finetti B. Sul significato soggettivo della probability. // Pundamenta Mathematicae. 1931. Vol. 17. P. 298−329.
  196. De Finetti B. Theory of Probability. N.Y.: J. Wiley & Sons, 1974.
  197. Dechter Ft., Rish I. Mini-Buckets: A General Scheme for Bounded Inference // Journal of the ACM. 2003. Vol. 50, N. 2. P. 107−153.
  198. Driankov D. A Calculus for Belief Intervals Representation of Uncertainty // Uncertainty in Knowledge-Based Systems / Ed. by B. Bouchon, R. R. Yager. Berlin: Springer-Verlag, 1987. P. 205−216.
  199. Dubois D., Fargier H., Prade H., PerN.Y. P. Quantitative Decision Theory: From Savage’s Axioms to Nonmonotonic Reasoning // Journal of the ACM. 2002. Vol. 49, N. 4. P. 445−495.
  200. Dubois D., Prade H. Fuzzy Sets and Systems: Theory and Applications. N.Y., London: Academic Press, 1980.
  201. Dubois D., Prade H. The principle of Minimum Specifity as a Basis for Evidentional Reasoning // Uncertainty in Knowledge-Based Systems / Ed. by B. Bouchon, R. R. Yager. Berlin: Springer-Verlag, 1987. P. 75−84.
  202. Dubois D., Prade H. Conditioning in Possibility and Evidence Theory // Uncertainty and Intelligent Systems / Ed. by B. Bouchon, L. Saitfa, R. R. Yager. Berlin: Springer-Verlag, 1988. P. 401−408.
  203. Dubois D., Prade H. Modeling Uncertain and Vague Knowledge in Possibility and Evidence Theories // Machine Intelligence & Pattern Recognition (Uncertainty in Artificial Intelligence, 4). 1990. Vol. 9. P. 303−318.
  204. Dubois D., Prade H. Epistemic Entrenchment and Possibilistic Logic // Artificial Intelligence. 1991. Vol. 50. P. 223−239.
  205. Dubois D., Sandri S. A., Kalfsbeek H.~ W. Corrections to «Eliciation, Assessment, and Pooling of Expert Judgements Using Possibility Theory» // IEEE Transactions on Fuzzy Systems. 1995. Vol. 3, N. 4. P. 479.
  206. Dubois D., Sandri S. A., Kalfsbeek H. W. Eliciation, Assessment, and Pooling of Expert Judgements Using Possibility Theory // IEEE Transactions on Fuzzy Systems. 1995. Vol. 3, N. 3. P. 313−335.
  207. Edwards W. Comparing Approaches to Uncertain Reasoning // Machine Intelligence & Pattern Recognition (Uncertainty in Artificial Intelligence, 5). 1990. Vol. 10. P. 128−137.
  208. Enderton H. B. A Mathematical Introduction to Logic. N.Y.: Academic Press, 1972.
  209. Fagin R., Halpern J. Y. Uncertainty, Belief, and Probability // Computational Intelligence. 1991. Vol. 6. P. 160−173.
  210. Fagin R., Halpern J. Y. Uncertainty, Belief, and Probability-2 // Proc. of the IEEE Symposium on Logic and Computer Science. 1991. Vol. 7. P. 160−173.
  211. Fagin R., Halpern J. Y. Reasoning about Knowledge and Probability // Journal of the Association for Computing Machinery. 1994. Vol. 41, N. 2. P. 340−367.
  212. Fagin R., Halpern J. Y., Megiddo N. A Logic for Reasoning about Probabilities // Report RJ 6190(60 900) 4/12/88. 1988. P. 1−41.
  213. Fagin R., Halpern J. Y., Megiddo N. A Logic for Reasoning about Probabilities // Information and Computation. 1990. Vol. 87, N. ½. P. 78−128.
  214. Farkas G. A Fourier-fele mechanikai elv alkalmazasai // Mathematikai es TermeszettudomaN.Y.i Ertesito. 1894. Vol. 12. P. 457−472.
  215. Flores M. J., Gamez J. A. Triangulation of Bayesian networks by retriangulation j j International Journal of Intelligent Systems. 2003. Vol. 18, N. 2. P. 153−164.
  216. Fourier J. B. J. Analyse des travaux de l’Academie Royale des Sciences, pendant l’annee 1823, Partie mathematique // Histoire de l’Academie Royale de Sciences de l’lnstitut de France. 1826. Vol. 6.
  217. Fox J. Three Arguments for Extending the Framework of Probability // Machine Intelligence & Pattern Recognition (Uncertainty in Artificial Intelligence). 1986. Vol. 4. P. 447−458.
  218. Friedman N., Halpern J. Y. Plausibility Measures and Default Reasoning // Journal of the ACM. 2001. Vol. 48, N. 4. P. 648−685.
  219. Frisch A. M., Haddawy P. Anytime Deduction for Probabilistic Logic // Artificial Intelligence. 1994. Vol. 69. P. 93−112.
  220. Fua P. V. Using Probability Density Functions in the Framework of Evidentional Reasoning // Uncertainty in Knowledge-Based Systems / Ed. by B. Bouchon, R. R. Yager. Berlin: Springer-Verlag, 1987. P. 101−110.
  221. Fuzzy Logic in Artificial Intelligence / Ed. by E. P. Klement, W. SlaN.Y. Berlin: Springer-Verlag, 1993. 192 p.
  222. Fuzzy Logic: State of the Art / Ed. by R. Lowen, M. Roubens. London: Kluwer Acad. Publ., 1993. 588 p.
  223. Fuzzy Reasoning in Information, Decision and Control Systems / Ed. by S. G. Tzafestas, A. Venetsanopoulos. London: Kluwer Acad. Publ., 1993. 568 p.
  224. Gader P., Keller J. M., Cai J. A Fuzzy Logic System for the Detection and Recognition of Hand-Written Street Numbers // IEEE Transactions on Fuzzy Systems. 1995. Vol. 3, N. 1. P. 83−95.
  225. Gaines В. R. Structure, Development, and Applications of Expert Systems in Integrated Manufacturing // Artificial Intelligence Implications for CIM / Ed. by A. Kusiak. Berlin: Springer-Verlag, 1988. P. 117−161.
  226. Gargov G. K., Atanassov К. T. Two results in intuitionistic fuzzy logic // C. R. Acad. Bulgare Sci. 1992. Vol. 45, N. 12. P. 29−31.
  227. Gartbba S. F. Evidence Aggregation in Expert Judgements // Uncertainty and Intelligent Systems / Ed. by B. Bouchon, L. Saitfa, R. R. Yager. Berlin: Springer-Verlag, 1988. P. 385 400.
  228. Gau W.-L., Buehrer D. J. Vague sets // IEEE Transactions on Systems, Man, and Cybernetics. 1993. Vol. 23, N. 2. P. 610−614.
  229. Gerla G. Inference in Probability Logic // Artificial Intelligence. 1994. Vol. 70. P. 33−52.
  230. Good I. J. Subjective probability as the measure of a non-measurable set // Logic, Methodology and Philosophy of Science / Ed. by E. Nagel, P. Suppes, A. Tarski. Stanford University Press, Stanford, 1962. P. 319−329.
  231. Gorodetsky V. I. Bayes Inference and Decision Making in Artificial Intelligence Systems // Industrial Applications of Artificial Intelligence. Amsterdam: Elsevier Science Publishers B. V., 1991. P. 276−281.
  232. Gorodetsky V. I. Adaptation Problems in Expert Systems // International Journal of Adaptive Controle and Signal Processing. 1992. Vol. 6. P. 201−209.
  233. Gorodetsky V. I. New Architecture of Expert System Tool and Its Agriculture Implementation Possibility // Proc. of IFAC Workshop on Expert Systems in Agriculture. Huangsham, China, August 12−14, 1992. International Academia Publ., 1992. P. 41−47.
  234. Groothuizen R. J. Inexact Reasoning in Expert Systems: an Integrating Overview // National Aerospace Laboratory, NLR Report No NLR TR 86 009 U, January 1986. 391−406. P. 1986.
  235. Grosof В. N. Evidential Confirmation as Transformed Probability // Machine Intelligence & Pattern Recognition (Uncertainty in Artificial Intelligence). 1986. Vol. 4. P. 153−166.
  236. Grosof B. N. An Inequality Paradigm for Probabilistic Knowledge. (The Logic of Conditional Probability Intervals) // Machine Intelligence & Pattern Recognition (Uncertainty in Artificial Intelligence). 1986. Vol. 4. P. 259−275.
  237. Guan J. W., Bell D. A. Improving Shafer-Logan's Algorithm for Handling Hierarchical Evidence // Database and Expert Systems Applications / Ed. by V. Marfk, J. Lazansky, R. R. Wagner. Berlin: Springer-Verlag, 1993. R 413−423.
  238. Gupta A., E. P. D. Principles of Expert Systems. N.Y.: IEEE, 1988. 450 p.
  239. Hagen B. W. Bi-Directional Probabilistic Assessment // Industrial and Engineering Applications of Artificial Intelligence and Expert-Systems / Ed. by P. Belli, P. I. Radermacher. Berlin: Springer-Verlag, 1992. P. 566−571.
  240. Halfin S. The sphere method and the robustness of the ellipsoid algorithm // Mathematical Programming. 1983. Vol. 26. P. 109−116.
  241. Halpern J. Y. Using reasoning about knowledge to analyze distributed systems // Annual Review of Computer Science / Ed. by J. F. Traub, B. J. Grosz, B. W. Lampson, N. J. Nilsson. Annual Reviews Inc., Palo Alto, Calif., 1987. Vol. 2. P. 37−68.
  242. Halpern J. Y. An Analysis of First-Order Logics of Probability // Artificial Intelligence. 1990. Vol. 46. P. 311−350.
  243. Halpern J. Y. Reasoning about uncertainty. Cambridge, MA: MIT Press, 2003.
  244. Halpern J. Y., van der Meyden R., Vardi M. Y. Complete Axiomatizations for Reasoning about Knowledge and Time // SIAM Journal of Computing. 2003. Vol. 33, N. 3. P. 674−703.
  245. Hanks S., McDermott D. Modelling a Dynamic and Uncertain World-1 // Artificial Intelligence. 1994. Vol. 66. P. 1−55.
  246. Heckerman D. Probabilistic Interpretations for MYCIN’S Certainty Factors // Machine Intelligence & Pattern Recognition (Uncertainty in Artificial Intelligence). 1986. Vol. 4. P. 167−196.
  247. Heckerman D., Chickering D., Meek C., Rounthwaite R., Kadie C. Dependency Networks for Density Estimation, Collaborative Filtering, and Data Visualization // Journal of Machine Learning Research. 2000. Vol. I. P. 49−75.
  248. Horvitz E., Heckerman D. The Inconsistent Use of Measures of Certainty in Artificial Intelligence Research // Machine Intelligence & Pattern Recognition (Uncertainty in Artificial Intelligence). 1986. Vol. 4. P. 137−152.
  249. Hsia Y.-T. Characterizing Belief witn Minimum Commitment // Proc. of 12th International Joint Conference on Artificial Intelligence. Sydney: Morgan Kaufmann Publ., 1991. P. 11 841 189.
  250. Hulten G.,, Chickering D., Heckerman D. Learning Bayesian Networks from Dependency Networks: A Preliminary Study // Proceedings of the Ninth International Workshop on Artificial Intelligence and Statistics. 2003.
  251. Ip Н. Н. S., Wong Н.-М. Evidentional Reasoning in Foreign Exchange Rates Forecasting // Proc. of 1st International Conferenceon AI Applications on Wall Street. N.Y., 1991. P. 152 158.
  252. Jaffray J.-Y. Application of Linear Utility Theory to Belief Functions // Uncertainty and Intelligent Systems / Ed. by B. Bouchon, L. Saitfa, R. R. Yager. Berlin: Springer-Verlag, 1988. P. 1−8.
  253. Jen J. A Framework of Fuzzy Evidentional. Reasoning // Machine Intelligence & Pattern Recognition (Uncertainty in Artificial Intelligence, 4). 1990. Vol. 9. P. 227−239.
  254. Jensen C. S., Kong A., KjcBrulff U. Blocking-Gibbs sampling in very large probabilistic expert systems // International Journal of Human-Computer Studies. 1995. Vol. 42. P. 647 666.
  255. Jensen F. V. Bayesian Networks and Decision Graphs. Springer-Verlag, 2002.
  256. Johnson J. A., Smartt H. B. Advantages, of an Alternative Form of Fuzzy Logic // IEEE Transactions on Fuzzy Systems. 1995. Vol. 3, N. 2. P. 149−157.
  257. Kane Т. B. Maximum Entropy in Nilsson’s Probabilistic Logic // Proc. of 11th International Joint Conference on Artificial Intelligence. Detroit: Morgan Kaufmann Publ., 1989. P. 452−457.
  258. Kasprzyk J., Fednzzi M. Inference via Belief Qualified IF-THEN Rules Based on Cam-patibility Relations and Possibility Theory // Uncertainty and Intelligent Systems / Ed. by B. Bouchon, L. Saitfa, R. R. Yager. Berlin: Springer-Verlag, 1988. P. 25−32.
  259. Kaufman C., Perlman R., Speciner M. Network Security: Private Communication in a Public, World. N.Y.: Prentice Hall PTR, 2002. 670 p.
  260. Keynes J. M. A Treatise on Probability. Macmillan, London, 1921.
  261. Kim S. Checking a Rule Base with Certainty Factor for Incompleteness and Inconsistency // Uncertainty and Intelligent Systems / Ed. by B. Bouchon, L. Saitfa, R. R. Yager. Berlin: Springer-Verlag, 1988. P. 201−208.
  262. Kindermann R., Snell J. L. Markov Random Fields and Their Applications. American Mathematical Society, 1980. 142 p.
  263. Kleindorfer P. R., Kunreuther H. C., Schoemaker P. J. H. Decision sciences. An integrative perspective. Cambridge: Cambridge University Press, 1993.
  264. Knowledge, Skill, and Artificial Intelligence / Ed. by B. Goranzon, I. Josefson. Berlin: Springer-Verlag, 1988. 193 p.
  265. К. В., Nicholson A. E. Bayesian Artificial Intelligence. Boca Raton, FL: Chapman and Hall/CRC, 2004. 364 p.
  266. Krause P., Clark D. Representing Unsertain Knowledge. London: Kluwer Acad. Publ., 1993. 278 p.
  267. Kreinovich V. A review of «Uncertain reasoning» by G. Shafer and J. Pearl (eds.) // SIGART Bulletin. 1992. Vol. 3, N. 4. P. 23−27.
  268. Kreinovich V., Ferson S. A new Cauchy-based black-box technique for uncertainty in risk analysis // Reliable Engineering and System Safety. 2004. Vol. 85, N. 1−3. P. 267−279.
  269. Kreinovich V., Joslyn C. Convergence properties of an interval probabilistic approach to system reliability estimation // International Journal of General Systems. 2005. Vol. 34, N. 4. P. 465−482.
  270. Kreinovich V., Longpre L., Patangay P., Ferson S., Ginzburg L. Outlier detection under interval uncertainty: algorithmic solvability and computational complexity // Reliable Computing. 2005. Vol. 11, N. 1. P. 59−76.
  271. V., Nguen H. Т., Mukaidono N. Probability of Implication, Logical Version of Bayes Theorem, and Fuzzy Logic Operations // Proceedings of the 2002 IEEE International Conference on Fuzzy Systems. Hawaii, 2002. P. 530−535.
  272. Kruse R., Schwecke E., Klawonn F. On a Tool for Reasoning with Mass Distributions // Proc. of 12th International Joint Conference on Artificial Intelligence. Sydney: Morgan Kauf-mann Publ., 1991. P. 1190−1195.
  273. Kyburg H. E. Bayesian and Non-Bayesian Evidentional Updating // Artificial Intelligence. 1987. Vol. 31. P. 271−293.
  274. Kyburg H. E. Representing Knowledge and Evidence for Decision // Uncertainty in Knowledge-Based Systems / Ed. by B. Bouchon, R. R. Yager. Berlin: Springer-Verlag, 1987. P. 30−40.
  275. Kyburg H. E., Teng С. M. Uncertain inference. Cambridge: Cambridge University Press, 2001. 298 p.
  276. Kyburg H. E. J. Epistimological Relevance and Statistical Knowledge // Machine Intelligence & Pattern Recognition (Uncertainty in Artificial Intelligence, 4). 1990. Vol. 9. P. 159 168.
  277. Lam F. С., Yeap W. К. Bayesian Updating: on the Interpretation of the Exhaustive and Mutually Exclusive Assumptions // Artificial Intelligence. 1992. Vol. 53. P. 245−254.
  278. Larranaga P., Kuijpers G., Poza M., Murga R. Decomposing Bayesian networks: tri-angulation of the moral graph with genetic algorithms // Statistics and Computing. 1997. Vol. 7, N. 1. P. 19−34.
  279. Lemmer I. F. Confidence Factors, Imprecision and the Dempster-Shafer's Theory of Evidence // Machine Intelligence & Pattern Recognition (Uncertainty in Artificial Intelligence). 1986. Vol. 4. P. 117−127.
  280. Little R. J. A., Rubin D. B. Statistical Analysis with Missing Data. 2nd ed. N.Y.: Wiley, 2002. 408 p.
  281. Liu W. The Incidence Propagation Method // Proceedings of 26th IEEE International Symposium on Multiple-Valued Logic (ISMVL 1996), Santiago de Compostela, Spain. 1996. P. 124−129.
  282. Liu W., Bundy A. Constructing probabilistic ATMS Using Extended Incidence Calculus // International Journal of Approximate Reasoning. 1996. Vol. 15. P. 145−182.
  283. Liu W., McBryan D., Bundy A. A Comprehensive Comparison between Generalized Incidence Calculus and Dempster Shafer Theory of Evidence / / International Journal of Man-Machine Studies. 1994. Vol. 42. P. 462−491.
  284. Liu W., McBryan D., Bundy A. The Method of Assigning Incidences // Applied Intelligence. 1998. Vol. 9, N. 2. P. 139−161.
  285. Loui R. P. Interval-Based Decisions for Reasoning Systems // Machine Intelligence & Pattern Recognition (Uncertainty in Artificial Intelligence). 1986. Vol. 4. P. 459−472.
  286. Lui X.-H. Linear Л-paramodulation in Operator Fuzzy Logic // Proc. of 11th International Joint Conference on Artificial Intelligence. Detroit: Morgan Kaufmann Publ., 1989. P. 435 440.
  287. Lukasiewicz J. Die logische Grundlagen der Wahrscheinlichkeitsrechnung. Cracow, 1913.
  288. Lukassen A., Vossen G. A Formal Framework for Independence with Respect to Transactions in the Universal Relation Model // Theoretical Computer Science. 1991. Vol. 82, N. 2. P. 303−327.
  289. Mah R. S., Stanley G. M., Downing D. M. Reconciliation and Rectification of Process Flow and Inventory Data // Ind. Eng. Chem., Process Des. Dev. 1976. Vol. 15, N. 1. P. 175 183.
  290. Martin-Clouaire R. Efficient Deduction in Fuzzy Logic // Uncertainty in Knowledge-Based Systems / Ed. by B. Bouchon, R. R. Yager. Berlin: Springer-Verlag, 1987. P. 123−136.
  291. McLean R. G., Bundy A., Liu W. Assignment methods for incidence calculus // International Journal of Approximate Reasoning. 1995. Vol. 12, N. 1. P. 21−41.
  292. Megiddo N. Towards a genuinely polynomial algorithm for linear programming // SIAM Journal of Computing. 1983. Vol. 12. P. 347−353.
  293. Minkowski H. Geometrie der Zahlen (Erste Lieferung). Teubner, Leipzig, 1896.
  294. Narin’yam A. S. Subdefinite Models: A Big Jump in Knowledge Processing Technology // Proc. of East-West Conference on Artificial Intelligence-93. Moscow, 1993. P. 227−231.
  295. Neapolitan R. E. Learning Bayesian Networks. Pearson Prentice Hall, 2004.
  296. Nemhauser G. L., Wolsey L. A. Integer and Combinatorial Optimization. N.Y.: Wiley, 1999.
  297. Neufeld E., Horton J. D. Conditioning on Disjunctive Knowledge // Machine Intelligence & Pattern Recognition (Uncertainty in Artificial Intelligence, 5). 1990. Vol. 10. P. 117−127.
  298. H. Т., Walker E. W. A First Course in Fuzzy Logic. N.Y., London, Washington: Chapman & Hall/CRC, 2000. 373 p.
  299. Nilsson N. J. Probabilistic Logic // Artificial Intelligence. 1986. Vol. 28. P. 71−87.
  300. Nilsson N. J. Logic and Artificial Intelligence // Artificial Intelligence. 1991. Vol. 47. P. 3156.
  301. Nilsson N. J. Probabilistic Logic Revisited // Artificial Intelligence. 1993. Vol. 59. P. 39−42.
  302. А. М., Тйгк§ еп I. В. A model for the measurement of membership and the consequences of its empirical implementation // Fuzzy Sets and Systems. 1984. Vol. 12, N. 1. P. 1−25.i
  303. Oblow E. M, O-Theory: a Probabilistic Alternative to Fuzzy Set Theory // Uncertainty in Knowledge-Based Systems / Ed. by B. Bouchon, R. R. Yager. Berlin: Springer-Verlag, 1987. P. 111−119.
  304. Oblow E. M. Probabilistic Reasoning Using Graphs // Uncertainty in Knowledge-Based Systems / Ed. by B. Bouchon, R. R. Yager. Berlin: Springer-Verlag, 1987. P. 201−202.
  305. Orponen P., Floreen P., Myllymaki P., Tirri H. A Neural Implementation of Bayesian Reasoning // STeP-90 / Ed. by M. Djupsund, P. Salonen, M. Syrjanen. Uupsalu, 1990. P. 277−282.
  306. Orshansky M., Wang W.-S., Ceberio M., Xiang G. Interval-based robust statistical techniques for non-negative convex functions, with application to timing analysis of computer chips // Proceedings of the ACM Symposium on Applied Computing SAC'06. 2006.
  307. Ovsyannikov D. A. Control Problem under Uncertain Condition // International Conference on Interval and Computer-Algebraic Methods in Science and Engineering. Abstracts. S.-Petersburg, 1994. P. 192.
  308. Parsons S. Current Approaches to Handling Imperfect Information in Data and Knowledge Bases // IEEE Transactions on Knowledge and Data Engeneering. 1996. Vol. 8, N. 3. P. 353 372.
  309. Parsons S. Qualitative methods for reasoning under uncertainty. Cambridge, MS: The MIT Press, 2001. 506 p.
  310. Patterson D. W. Introduction to Artificial Intelligence and Expert Systems. N.Y.: Prentice-Hall International, 1990. 450 p.
  311. Pearl J. How to Do with Probabilities what People Say You Can’t // Artificial Intelligence Applications. / Ed. by C. R. Weisbin. Amstredam: IEEE, 1985. P. 6−12.
  312. Pearl J. A Constraint-Propagation Approach to Probabilistic Reasoning // Machine Intelligence & Pattern Recognition (Uncertainty in Artificial Intelligence). 1986. Vol. 4. P. 357−369.
  313. Pearl J. Fusion, Propagation, and Structuring in Belief Networks // Artificial Intelligence. 1986. Vol. 29. P. 241−288.
  314. Pearl J. On Evidentional Reasoning in Hierarchy of Hypotheses // Artificial Intelligence. 1986. Vol. 28. P. 9−15.
  315. Pearl J. Distributed Revision of Composite Beliefs // Artificial Intelligence. 1987. Vol. 33. P. 173−215.
  316. Pearl J. Distributed Revision of Composite Beliefs // Artificial Intelligence. 1987. Vol. 35. R 259−271.
  317. Pearl J. Probabilistic reasoning using graphs // Uncertainty in Knowledge-Based Systems / Ed. by B. Bouchon, R. R. Yager. Springer-Verlag, 1987. P. 201−202.
  318. Pearl J. Probabilistic Reasoning in Intelligent Systems: Networks of Plausible Inference. N.Y.: Morgan Kaufman Publ., 1991. 552 p.
  319. Pearl J. How to do with probabilities what’people say you can’t // Artificial Intelligence in Medicine / Ed. by S. Quaglini, P. Barahona, S. Andreassen. LNAI2101, 2001. P. 283−292.
  320. Pearl J., Dechter R. Directed Constraint Network: a Relational Network for Causal Modelling // Proc. of 12th International Joint Conference on Artificial Intelligence. Sydney: Morgan Kaufmann Publ., 1991. P. 1164^1170.
  321. Pearl J., Geiger D. On the Logic of Causal Models // Machine Intelligence & Pattern Recognition (Uncertainty in Artificial Intelligence, 4). 1990. Vol. 9. P. 3−14.
  322. Pearl J., Goldszmidt M. Deciding Consistency of Databases Containing Defeasible and Strict Information // Machine Intelligence & Pattern Recognition (Uncertainty in Artificial Intelligence, 5). 1990. Vol. 10. P. 87−98.
  323. Pearl J., Verma T. Causal Networks: Semantics and Expressiveness // Machine Intelligence & Pattern Recognition (Uncertainty in Artificial Intelligence, 4). 1990. Vol. 9. P. 69−77.
  324. Peot M. A., Shachter R. D. Fusion and Propagation with Multiple Observations in Belief Networks // Artificial Intelligence. 1991. Vol. 48. P. 299−318.
  325. Picques J.-D. A Framework for Managing Uncertainty in Embedded Expert Systems // Proc. of the IEEE/ACM International Conference on Developing and Manging System Programs. Sep., 30 Oct., 2. Washington, 1991. P. 59−67.
  326. Prade H. A Computational Approach to Approximate and Plausible Reasoning with Applications to Expert Systems // IEEE Transactions on Pattern Analysis and Machine Intelligence. 1985. Vol. PAMI-7, N. 3. P. 260−283.
  327. Prade H., Testemale C. Application of Possibility and Necessity Measures to Documentary Information Retrieval // Uncertainty in Knowledge-Based Systems / Ed. by B. Bouchon, R. R. Yager. Berlin: Springer-Verlag, 1987. P. 265−274.
  328. Quinlan J. R. Inferno: a cautious approach to uncertain inference // Computer J. 1983. Vol. 26, N. 3. P. 255−268.
  329. Ramsey F. P. Truth and Probability // The Foundations of Mathematics and other Logical Essays. London: Routledge and Kegan Paul, 1931. P. 156−198.
  330. Romer С., Kandel A. Applicability Analysis of Fuzzy Inference by means of Generalized Dempster-Shafer Theory // IEEE Transactions on Fuzzy Systems. 1995. Vol. 3, N. 4. P. 448 453.
  331. Ruspim E. H. Approximate Inference and Interval Probabilities // Uncertainty in Knowledge-Based Systems / Ed. by B. Bouchon, R. R. Yager. Berlin: Springer-Verlag, 1987. P. 85−94.
  332. Sage A, P. On the Management of Information Imprecision in Knowledge-Based Systems // Uncertainty in Knowledge-Based Systems / Ed. by B. Bouchon, R. R. Yager. Berlin: Springer-Verlag, 1987. P. 3−29.
  333. Schrijver A. Theory of Linear and Integer Programming. N.Y.: Wiley, 1999.
  334. Schum D. A., Matrin A. W. Formal and empirical research on cascaded inference in jurisprudence // Law and Society Rev. 1982. P. 105−157.
  335. Shafer G. A mathematical theory of evidence. Princeton: Princeton University Press, 1976. 78 p.
  336. Shafer G. Hierarchical Evidence // Artificial Intelligence Applications / Ed. by C. R. Weis-bin. Amsterdam: IEEE, 1985. P. 16−21.
  337. Shafer G. Probability Judgement in Artificial Intelligence // Machine Intelligence & Pattern Recognition (Uncertainty in Artificial Intelligence). 1986. Vol. 4. P. 128−135.
  338. Shamir R. Advanced topics in graph algorithms: Tech. rep.: Tel-Aviv University, 1994'.
  339. Shoenfield J. R. Mathematical Logic. Addison-Wesley, Reading, Mass., 1967.
  340. Shoham Y., Moses J. Belief as Defeasible Knowledge // Proc. of 11th International Joint Conference on Artificial Intelligence. Detroit: Morgan Kaufmann Publ., 1989. P. 1168−1173.
  341. Sittig D. G., Cheung K.-H., Berman L. Fuzzy Classification of Heart Rate Trends and Artifacts // Proc. of 5th Annual IEEE Symposium on Computer-Based Medical Systems. Washington, 1992. P. 510−517.
  342. Smets P. Belief Functions versus Probability Functions // Uncertainty and Intelligent Systems / Ed. by B. Bouchon, L. Saitfa, R. R. Yager. Berlin: Springer-Verlag, 1988. P. 17−24.
  343. Smets P., Kennes R. The Transferable Belief Model // Artificial Intelligence. 1994. Vol. 66. P. 191−234.
  344. Smith С. A. B. Consistency in statistical inference and decision // Journal of the Royal Statistical Society, Series B. 1961. Vol. 23. P. 1−37.
  345. Smith С. A. B. Personal probability and statistical analysis // Journal of the Royal Statistical Society, Series A. 1965. Vol. 128. P. 469−499.
  346. Sombe L. Raisonnements sur des informations incompletes en Intelligence Artificielle. Toulouse, 1989. 221 p.
  347. Spiegelhalter D. J. Probabilistic Reasoning in Predictive Expert Systems // Machine Intelligence & Pattern Recognition (Uncertainty in Artificial Intelligence). 1986. Vol. 4. P. 47−67.
  348. Stepanou H. E., Sage A. P. Perspectives on Imperfect Information Processing // IEEE Transactions on Systems, Man, and Cybernetics. 1987. Vol. SMC-17, N. 5. P. 780−798.
  349. Steve G. Probabilistic Inferential Engines in Expert Systems: How Should the Strength of Rules be Expressed? // Uncertainty in Knowledge-Based Systems / Ed. by B. Bouchon, R. R. Yager. Berlin: Springer-Verlag, 1987. P. 180−188.
  350. Studeny M., Bouckaert R. On chain graph models for description of conditional independence structures // The Annals of Statistics. 1998. Vol. 26, N. 4. P. 1434−1495.
  351. Suermondt H. I., Cooper G. F. Initialisation for the Method of Conditioning in Bayesian Belief Networks // Artificial Intelligence. 1991. Vol. 50. P. 83−94.
  352. Tanaka K., Kobayashi S., Sakanoue T. Uncertainty Management in Object-Oriented Database Systems // Database and Expert Systems Applications / Ed. by D. Karagiannis. Berlin: Springer-Verlag, 1993. P. 251−256.
  353. Tarjan R., Yannakakis M. Simple linear-time algorithms to test chordality of graphs, test acyclicity of hypergraphs, and selectively reduct acyclic hypergraphs // SIAM Journal on Computing. 1984. Vol. 13. P. 566—579.
  354. Tarski A. A Decision Method for Elementary Algebra and Geometry. Univ. of California Press, 2nd edition, 1951.
  355. Tarushkm V. T. Fuzzy Logic and Medical Diagnostic // International Conference on Interval and Computer-Algebraic Methods in Science and Engineering. Abstracts. S.-Petersburg, 1994. P. 235.
  356. Tessem B. Extending the A/R algorithm for interval probability propagation: Tech. Rep. 42: University of Bergen, Norway, Department of Informatics, 1992.
  357. Tessem B. Interval probability propagation: Tech. Rep. 39: University of Bergen, Norway, Department of Informatics, 1992.
  358. Tessem B. Interval probability propagation // International Journal of Approximate Reasoning. 1992. Vol. 7, N. ¾. P. 95−120.
  359. Turkmen I. B. Measurement of membership functions and their acquisition // Fuzzy Sets and Systems. 1991. Vol. 50, N. 1. P. 5−38.
  360. Voorbraak F. On the Justification of Dempster’s Rule of Combination // Artificial Intelligence. 1991. Vol. 48. P. 171−179.
  361. Walley P. Statistical Reasoning with Imprecise Probabilities. Chapman and Hall, London, 1991.
  362. Walley P. Inferences from multinomial data: learning about a bag of marbles // Journal of the Royal Statistical Society, Series B. 1996. Vol. 58. P. 3−57.
  363. Wang P. A Defect in Dempster-Shafer Theory // Proceedings of the Tenth Conference of Uncertainty in Artificial Intelligence / Ed. by R. L. d. Mantaras, D. Poole. Seattle, 1994.
  364. Wang Z. Some Recent Advances on the Possibility Measure Theory // Uncertainty in Knowledge-Based Systems / Ed. by B. Bouchon, R. R. Yager. Berlin: Springer-Verlag, 1987. P. 172−175.
  365. Weiss Y. Correctness of local probability propagation in graphical models with loops // Neural Computation. 2000. Vol. 12. P. 1−41.
  366. Wellman M. P. Fundamental Concepts of Qualitative Probabilistic Networks // Artificial Intelligence. 1990. Vol. 44. P. 257−303.
  367. Whalen T. Interval probabilities induced by decision problems // Advances in the Dempster-Shafer Theory of Evidence / Ed. by R. R. Yager, J. Kacprzyk, M. Pedrizzi. 1994. P. 353−374.
  368. Whalen Т., Bronn C. Hurwicz and regret criteria extended to decisions with ordinal probabilities // Proc. of 1990 North Amer. Fuzzy Inform. Proc. Soc. Conference. 1990. P. 219−222.
  369. Wilkins D. C., Ma Y. The Refinement of Probabilistic Rule Sets // Artificial Intelligence. 1994. Vol. 70. P. 1−32.
  370. Winkler R. L. The assessment of prior distributions in Bayesian analysis // J. Amer. Statist. Assoc. 1967. Vol. 62. P. 776−800.
  371. Wise В. P., Henrion M. A Framework for Comparing Uncertain Inference Systems to Probability // Machine Intelligence & Pattern Recognition (Uncertainty in Artificial Intelligence). 1986. Vol. 4. P. 69−83.
  372. Xiang Y., Beddoes M. P., Poole D. Can Uncertainty Management be Realized in a Finite Totally Ordered Probability Algebra // Machine Intelligence & Pattern Recognition (Uncertainty in Artificial Intelligence, 5). 1990. Vol. 10. P. 41−57.
  373. Yager R. R. Possibilistic Qualification and Default Rules // Uncertainty in Knowledge-Based Systems / Ed. by B. Bouchon, R. R. Yager. Berlin: Springer-Verlag, 1987. P. 41−57.
  374. Yannakakis M. Computing the minimum fill-in is NP-complete // SIAM Journal of Algorithms and Discrete Mathematics. 1981. Vol. 2. P. 77−79.
  375. Yen J. Generalizing Term Subsumption Languages to Fuzzy Logic // Proc. of 12th International Joint Conference on Artificial Intelligence. Sydney: Morgan Kaufmann Publ., 1991. P. 472−477.
  376. Young R. E., Ress D. A. FuzCon: A Fuzzy Constraint Application Development Environment // SCM'98. Сборник докладов. T.l. СПб., 1998. P. 12−25.
  377. Zadeh L. A. Probabilistic Reasoning in Predictive Expert Systems // Machine Intelligence & Pattern Recognition (Uncertainty in Artificial Intelligence). 1986. Vol. 4. P. 103−116.
  378. Zellner A. An Introduction to Bayesian Inference in Econometrics. Wiley, N. Y., 1971.
  379. Zimmermann H. H., Zysno P. Latent connectives in human decision making // Fuzzy Sets and Systems. 1980. Vol. 4. P. 37−51.
  380. Нередуцируемая DS-структура. 41
  381. Эквивалентная вероятностная структура. 4413. .х — означивание и оценка истинности. 50
  382. Обоснование исчисления инциденций. 57
  383. Инциденции с неопределенностью. 59
  384. Аргументное место как связанная переменная. 62
  385. Набор противоречивых высказываний. 72
  386. Пропущенные наблюдения. 78
  387. Оценка истинности импликации. 80 110. БСД с двумя узлами. 104
  388. АБС над двумя атомами. 105 112. БСД с тремя узлами. 106
  389. Циклические паттерны в байесовских сетях. 106
  390. Вычисление совместных вероятностей в БСД. 123
  391. Взаимодействие свидетельства и исходов. 126
  392. Элиминация переменной в БСД. 130
  393. Пропагация в БСД при наличии свидетельств. 153
  394. Назначение скалярных оценок вероятностей. 213
  395. Назначение интервальных оценок вероятностей. 21 443. Матрица 14. 227
  396. Множество ограничений IR (2). 234
  397. Множество ограничений ?(3). 235
  398. Modus ponens и априорный вывод. 245
  399. Вероятности конъюнктов и логических связок. 245
  400. Оценки вероятности в РФЗ. 24 949. Противоречивость. 249 410. Уточнение оценок. 250
  401. Качественные оценки.'. 251
  402. Количественные оценки. 251
  403. Количественные и качественные оценки. 251
  404. Скалярная оценка вероятности. 252
  405. Последовательное переозначивание. 255
  406. Переозначивание трех атомов. 256
  407. Состав множеств ограничений U{z) eW'(?). 264
  408. Чувствительность 6'(е) оценки p (xi VX2VX3). 266 419. -Пример обучающей выборки. 277
  409. Апостериорный вывод на ФЗ второго порядка. 297
  410. Апостериорный вывод на ФЗ третьего порядка. 298
  411. Апостериорный вывод: кортеж свидетельств. 300
  412. Апостериорный вывод в ФЗ со скалярными оценками. 302
  413. Распространение свидетельства. 309
  414. Ограничения непротиворечивостей. 342
  415. Ограничения непротиворечивостей 2. 345
  416. Экстернальная и интернальная непротиворечивости. 352
  417. Различие глобальной и интернальной степеней непротиворечивости353
  418. АБС, непротиворечивая лишь экстернально. 35 356. Вторичная ЗЛП. 356
  419. Различная точность оценок. 359
  420. Оценка посредством продолжения. 359
  421. Оценка через подформулы. 360 510. Тривиальная оценка. 361
  422. Оценки через погружение в ФЗ. 361
  423. Композиция распределений СБП. 365
  424. Независимость при пустом пересечении СБП. 365
  425. Структуры двух АБС из БСД с рис. 2.1.416
  426. БСД-цикл из трех вершин.455
  427. Противоречивый БСД-цикл с бинарными оценками.462
  428. Противоречивый БСД-цикл с небинарными оценками. 463
  429. А.1. Байесовский вывод. 589
  430. А.2. Свертка байесовского вывода. 590
  431. А.З. Проявление условной независимости. 591
  432. А.4. Зависимость гипотез. 591
  433. А.5. Зависимость свидетельств. 594
  434. А.6. Пример произведения Кронекера. 599
  435. Функции доверия и весовые функции. 40
  436. Фокальные элементы ТВН. 4513. t-нормы. 5614. t-конормы. 57
  437. Исчисление инциденций с неопределенностью. 60
  438. Вероятности п-го типа. 8417. Примеры ССФЗ. 95
  439. Простейшие байесовские сети. 105
  440. Байесовские сети доверия с тремя узлами. 105
  441. Циклические паттерны в байесовских сетях. 105
  442. Примеры марковских сетей на решетках и графе. 108
  443. Пример базового графа байесовской сети доверия. 115
  444. Виды связей, используемых для d-разделимости. 117
  445. Пример байесовской сети доверия. 121
  446. Моральный граф примера из рис. 2.1. 129
  447. Моральный граф после элиминирования переменной и. 131
  448. Идеальная элиминирующая последовательность. 133
  449. Несоседние симплициальные вершины. 135
  450. Граф, не являющийся триангулярным. 135
  451. Дерево смежности для морального графа из рис. 2.4. 137
  452. Дерево сочленений для морального графа из рис. 2.4. 138
  453. Идеальная нумерация вершин морального графа. 139
  454. Построение дерева сочленений. 141
  455. Поиск идеальной нумерации в триангулярном графе. 142
  456. Построение дерева смежности. 142
  457. Простейший алгоритм триангуляции. 143
  458. Неидеальная работа алгоритма триангуляции. 143
  459. Первые два шага алгоритма первичной пропагации. 148 218. Схема пропагации. 153
  460. Схема вычислений при пропагации. 154
  461. Примеры к понятию графа и дерева смежности. 18 341. Матрица Ii. 22 742. Матрица 12. 22 843. Матрица 13. 22 944. Матрица 14. 22 945. Матрица 15. 23 046. Матрица 16. 23 047. Матрица 17. 23 148. Произведение идеалов. 232
  462. Алгоритм поддержания непротиворечивости ФЗ. 240
  463. Алгоритм переозначивания атомов. Скалярный случай. 258
  464. Переозначивания атомов. Интервальный случай. 259
  465. График б'(£) к примеру 4.18. 267
  466. Апостериорный вывод. Скалярный случай. 297
  467. Обработка детерминированных и стохастических свидетельств.303
  468. Пропагация стохастического свидетельства. 304
  469. Алгоритм пропагации свидетельства ФЗ АБС. 316
  470. Пропагация недетерминированного свидетельства 1'. 318
  471. Пропагация недетерминированного свидетельства 2. 319
  472. Экстернальная и интернальная непротиворечивости. 342
  473. Непротиворечивость двух ФЗ с «точечным» пересечением. 343
  474. Непротиворечивость ФЗ с меньшим под-ФЗ в пересечении. 343
  475. Оценки с различными требованиями к согласованности.349
  476. Интернальная и глобальная непротиворечивости не совпадают.353
  477. Алгоритм. Интернальная непротиворечивость. 355
  478. Диаграмма Хассе АБС N3(2)3. 357
  479. Диаграмма Хассе АБС N222. 357
  480. Схема вывода со вторичной ЗЛП. 357
  481. Два порядка продолжения вероятности. 368 511. Поиск распределения. 369
  482. Распространение свидетельства: общий случай. 391 513. Цепь из четырех ФЗ. 393
  483. Разделенная цепь из четырех ФЗ. 394
  484. Дерево апостериорных вероятностей. 396
  485. Линейное дерево апостериорных’вероятностей. 399
  486. Распространение апостериорных вероятностей.400
  487. Апостериорный вывод в АБС из ФЗ порядка 2. 401
  488. Апостериорный вывод в АБС из ФЗ порядка 3.402
  489. Распространение влияния свидетельства в случае скалярных оценок вероятностей. 405
  490. Распространение свидетельства в двух ФЗ, погруженных в третий. 407
  491. АБС (из БСД с рис. 2.1) без циклов. 416
  492. АБС (из БСД с рис. 2.1) с циклами.41 761. Циклы в АБС. 423
  493. Выделение цепи смежности из цикла в АБС.432
  494. Примеры направленных циклов в БСД. 436
  495. Фазы алгоритма первичной пропагации в БСД-цикле.441
  496. Цепь, возникающая при размыкании БСД-цикла. 453
  497. БСД-цикл из трех узлов. 456
  498. Преобразование БСД-цикла в цепь ФЗ АБС. 459
  499. Примеры преобразования БСД-цикла в цепь ФЗ АБС. 459
  500. БСД с направленным циклом.472
  501. Потомки БСД-цикла со скалярной оценкой вероятности означиваний СБЭ.474
  502. Потомки БСД-цикла с интервальной оценкой вероятности означиваний СБЭ. 474
  503. Структура пакетов системы.486
  504. Представление АБС в базе данных.491
  505. Представление графа смежности и его подвидов в БД.493
  506. Представление свидетельств в базе данных. 494
  507. Представление сессии и ее результатов в случае проверки и поддержания непротиворечивости. 496
  508. Представление сессии и ее результатов в случае апостериорного вывода. 498
  509. Представление алфавитов в базе данных. 498
  510. Интерфейсы чтения и записи оценок вероятностей в ФЗ. 500
  511. Иерархия интерфейсов пакета algbn.data.local. 502
  512. Различные компоновки для визуализации графа смежности.509
  513. Иерархия интерфейсов проверки локальной непротиворечивости. 509
  514. Иерархия классов локального апостериорного вывода. 516
  515. Иерархия классов глобального апостериорного вывода. 518
  516. А.1. Пример к понятию графа. 596
  517. А.2. Основные понятия теории графов. 598
  518. А.З. Примеры подграфов и не подграфов. 599
  519. A.4. Внутренняя и внешняя меры, пример А.7. 605
  520. Б.1. Два пересекающихся ФЗ второго порядка. 610
  521. Б.2. Пересечение ФЗ размерностей 2иЗ. 610
  522. Б.З. Пересечение ФЗ размерностей ЗиЗ. 610
  523. Б.4. БСД из двух узлов.*. 618
  524. Б.5. БСД из двух узлов с предками. 620
  525. Б.б. АБС и БСД из двух ФЗ на трех переменных. 622
  526. Б.7. Линейные цепи ФЗ в АБС и БСД. 624
  527. B.1. Копия акта о применении результатов диссертационного исследованияв учебном процессе от СПбГУ ИТМО. 633
  528. В.2. Копия акта об использовании материалов и результатов исследованийот СПбГУ. 634
  529. В.З. Копия акта о внедрении результатов научных исследований от ОАО1. СПИК СЗМА. 635
  530. В.4. Копия свидетельства № 2 009 613 802. 637
  531. В.5. Копия уведомления № 2 009 613 802. 638
  532. В.6. Копия свидетельства № 2 009 613 803. 639
  533. В.7. Копия уведомления № 2 009 613 803. 640
  534. В.8., Копия свидетельства № 2 009 613 804. 641
  535. В.9. Копия уведомления № 2 009 613 804. 642
  536. В.10. Копия свидетельства № 11 607. 644
  537. В.11. Копия извещения № 11 607. 645
  538. В Л 2. Копия лицевой стороны ИКАП № 11 607. 646
  539. В.13. Копия оборотной стороны ИКАП № 11 607. 647
  540. В. 14. Копия свидетельства № 12 235. 648
  541. В. 15. Копия извещения № 12 235. 649
  542. В.16. Копия лицевой стороны ИКАП № 12 235. 650
  543. В.17. Копия оборотной стороны ИКАП № 12 235. 651
  544. В.18. Копия свидетельства № 12 001. 652
  545. В.19. Копия извещения № 12 001. 653
  546. В.20. Копия лицевой стороны ИКАП № 12 001. 654
  547. В.21. Копия оборотной стороны ИКАП № 12 001. 655
  548. В.22. Копия свидетельства № 12 174. 656
  549. В.23. Копия извещения № 12 174. 657
  550. В.24. Копия лицевой стороны ИКАП № 12 174. 658
  551. В.25. Копия оборотной стороны ИКАП № 12 174. 659
  552. В.26. Копия свидетельства № 12 175. 660
  553. В.27. Копия извещения № 12 175. 661
  554. В.28. Копия лицевой стороны ИКАП № 12 175. 662
  555. В.29. Копия оборотной стороны ИКАП № 12 175. 663
  556. В.30. Копия свидетельства № 12 234. 664
  557. В.31. Копия извещения № 12 234. 665
  558. В.32. Копия лицевой стороны ИКАП № 12 234. 666
  559. В.ЗЗ. Копия оборотной стороны ИКАП № 12 234. 667
  560. Г. 1. Общая схема базы данных. 669
  561. Г. 2. Фрагмент схемы БД без унификации видов АБС и свидетельств.670
Заполнить форму текущей работой

Сессия? Спокойно!