Помощь в написании студенческих работ
Антистрессовый сервис

Конструктивизация моделей классификации конечных объектов: концепция, методы и компьютерная реализация

Диссертация: Конструктивизация моделей классификации конечных объектов: концепция, методы и компьютерная реализация
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Методы исследования. В работе использовались методы теории множеств, математической логики и теории алгоритмовтеории моделей и теории нумерацийспектральной теории сигналов, теории распознавания образовматематического моделирования, численных методов, теории вероятностей и математической статистикитеории графов, теории принятия решенийметоды конструктивной и дискретной математикиметоды… Читать ещё >

Конструктивизация моделей классификации конечных объектов: концепция, методы и компьютерная реализация (реферат, курсовая, диплом, контрольная)

Содержание

  • Обозначения
  • Глава 1. Разрешимость конструктивных моделей классификации
    • 1. Предпосылки к конструктивизации
      • 1. 1. Предварительные сведения
      • 1. 2. Экзистенциальность в классификации образов
    • 2. Алгоритмический подход к проблемам классификации
      • 2. 1. Конструктивизация
      • 2. 2. Нумерованные совокупности конечных объектов
    • 3. Разрешимость моделей решающих правил
      • 3. 1. Модели решающих правил
      • 3. 2. Теоремы существования и единственности в системах принятия решений
    • 4. Полученные результаты и
  • выводы
  • Глава 2. Вычислимость конструктивных моделей классификации
    • 5. Кодирование классифицируемых множеств
    • 6. Два подхода к классификации конечных множеств
      • 6. 1. Классификация с использованием информативных элементов
      • 6. 2. Классификация с использованием инвариантных зон
    • 7. Решающие правила для классификации отношений
      • 7. 1. Модели решающих правил для отношений
      • 7. 2. Симультанный метод распознавания отношений
      • 7. 3. О нумерации в спектрах отношений
    • 8. Оптимизация решающих правил
      • 8. 1. Обоснование оптимизации
      • 8. 2. Постановка задачи
      • 8. 3. Учет альтернативных частных решений
    • 9. Симультанность в принятии решений при обучении
      • 9. 1. Симультанность при идентификации
      • 9. 2. Обобщенная симультанная модель распознавания
      • 9. 3. Нейронные сети симультанной схемы принятия решений
    • 10. Вычислимость в задачах распознавания булевых функций
      • 10. 1. Существование эффективного алгоритма
      • 10. 2. Спектр структурных связей
      • 10. 3. Изоморфизм спектров структурных связей
      • 10. 4. Построение фильтров при вычислении булевых функций
      • 10. 5. Оценки сложности вычислений булевых функций
    • 11. Полученные результаты и
  • выводы
  • Глава 3. Реализуемость конструктивных моделей классификации
    • 12. Пролонгация языков
    • 13. Дискретные функции Уолша
      • 13. 1. Дискретные функции Уолша при произвольном конечном числе точек определения
      • 13. 2. Связь адамаровского упорядочивания функций Уолша с секвентным и диадным
      • 13. 3. Алгоритм быстрого двумерного преобразования Адамара
  • Уолша
    • 14. Представимость объектов в конечных моделях
      • 14. 1. Построение классификаторов отношений
      • 14. 2. Минимизация предикатных форм в конечных моделях
    • 15. Представление изображений для моделирования
      • 15. 1. Основные операции над изображениями
      • 15. 2. Представление точечных изображений предикатами Радемахера
      • 15. 3. О минимальном разбиении растрового изображения
      • 15. 4. Описание текстур предикатами Радемахера
      • 15. 5. Кластеризация с порождением отношений-образов
      • 15. 6. Нелинейные персептроны
      • 15. 7. Анализ и синтез спектров в представлении булевых функ
      • 15. 8. Конструктивизация в логико-алгебраических моделях
    • 16. Полученные результаты и
  • выводы
  • Глава 4. Прикладные результаты
    • 17. Классификация текстурных изображений (примеры)
      • 17. 1. Математическое обеспечение анализа двумерных полей
      • 17. 2. Обнаружение классификационных закономерностей методом альтернативных решающих правил
      • 17. 3. Экспресс-метод распознавания текстур
      • 17. 4. Теоретико-игровой подход в классификации текстур
    • 18. Представление текстур для компьютерного анализа
      • 18. 1. Параметризация текстурных изображений
      • 18. 2. Сегментация текстурных изображений
      • 18. 3. Дешифрирование космических фотоснимков
    • 19. Компьютеризация медицинских технологий
      • 19. 1. Построение медицинских экспертных систем
      • 19. 2. Денсометрия сердечно-сосудистой системы человека
      • 19. 3. Диагностика эпилепсии
      • 19. 4. Эндоскопия. Микроархитектоника костной ткани
      • 19. 5. Статистический анализ медицинской информации и прогноз по онкологическим заболеваниям
      • 19. 6. Компьютеризированная технология медицинского мониторинга
      • 19. 7. Примеры из компьютеризации медицинских технологий
    • 20. Полученные результаты и
  • выводы

Диссертационная работа посвящена задачам разрешимости и вычислимости на конструктивных моделях классификации конечных объектов. Представлены прикладные результаты компьютерной реализации разработанных методов в рамках концепции конструктивизации в распознавании образов1.

Актуальность темы

С развитием вычислительной техники, робототехники и автоматизированных систем управления потребность в создании распознающих систем неуклонно возрастает, при этом разработка математической теории классификации или распознавания образов остается одной из центральных областей прикладной математики и кибернетики2.

В основе современных наиболее развитых подходов в распознавании образов, таких как статистические методы [20, 252], комитетные конструкции [130, 237], распознавание по прецедентам [41, 42], нейронные сети [46] лежит предположение о выполнении гипотезы компактности [5]: «.образам соответствуют компактные множества в пространстве выбранных свойств».

Прямым следствием выполнения гипотезы компактности являются полученные в рамках любого из традиционных методов алгоритмы распознавания, как правило, невысокой сложности, и, как следствие, не требующие больших вычислительных ресурсов (по памяти и времени счета) [31].

Расширение границ применимости различных подходов в распознавании образов требует пересмотра базовых понятий и, в первую очередь, связанных с разрешимостью и вычислимостью на моделях классификации.

Проблемами разрешимости и вычислимости различных конкретных теорий фундаментальных наук занимались многие зарубежные и отечественные математики: Barwise D., Bernaus Р., Blum M., Cohen P.L., Chang С.С.,.

1Конструктивизация образов, моделей объектов и т. п. вводится согласно сложившимся основным понятиям конструктивной математики, в частности, конечный (конструктивный) объект есть образ, описываемый конечным объемом информации [121, 173, 190].

2 В дальнейшем для простоты изложения будет использоваться один из устоявшихся терминов — классификация или распознавание, если это не вызывает разночтений.

Church A., Cutland N., Enderton H., Feferman S., Godel K., Goodstein R.L., Hilbert D., Jensen R., Keisler H.J., Kleene S.C., Lachlan A.H., Macintyre A., Post E., Robinson D., Rogers H., Sacks G., Scott D.S., Shelah S., Shoenfield J.R., Sikorski A., Tarski A., Turing A., Penrose R., Van der Waerden B.L. и другие;

Адян С.И., Барздинь Я. М., Бельтюков А. П., Гончаров С. С., Ершов Ю. Л., Журавлев Ю. И., Заславский И. Д., Колмогоров А. Н., Кушнер Б. А., Мазуров Вл.Д., Мальцев А. И., Марков A.A., Маслов С. Ю., Матиясевич Ю. В., Минц Г. Е., Нагорный Н. М., Новиков П. С., Оревков В. П., Палютин Е. А., Пе-ретятькин М.Г., Тайманов А. Д., Трахтенброт Б. А., Успенский В. А., Цейтлин Г. С., Шанин H.A., Шрейдер Ю. А., Яблонский С. В., Якубович С. М. и многие другие.

Фундаментальные результаты о разрешимости и вычислимости в конструктивных моделях для теорий получены академиком РАН Ю. Л. Ершовым [40], но в распознавании образов подобных работ достаточно мало.

Выделим две отечественные научные школы, где традиционными математическими методами впервые ставились и исследовались вопросы разрешимости и вычислимости в распознавании образов.

1. Предложенная в начале 70-х гг. прошлого века Вл.Д. Мазуровым теория комитетных решений оказалась весьма продуктивной для построения безошибочных (корректных) алгоритмов распознавания, что нашло отражение в последующих многоплановых исследованиях как теоретического, так и прикладного характера [38, 131, 132, 236−239].

Вл.Д. Мазуровым и его учениками М. Ю. Хачаем, А. И. Рыбиным, А. И. Кривоноговым, Ю. А. Зуевым, Н. Г. Белецким сформулированы и доказаны теоремы существования комитетных решений для различных систем ограничений [131]. М. Ю. Хачай всесторонне исследовал вопросы вычислительной сложности задач о минимальном комитете [181−183, 226, 227].

2. Академиком РАН Ю. И. Журавлевым введены [41−44, 202, 215, 255, 262] основополагающие понятия (разрешимость, регулярность, полнота) в некорректных (эвристических) информационных моделях, позволяющие синтезировать «прямыми методами» корректные, т. е. точные на прецедентах, алгоритмы классификации.

Задача — разрешима, если существует ее решениезадача называется регулярной, если она разрешима и разрешимы также все задачи, отличающиеся от нее лишь набором значений решений на объектах обучения. Под полнотой семейства алгоритмов понимается существование в нём решений для всех регулярных задач.

Представителями научной школы Ю. И. Журавлева в дальнейшем более детально исследованы введенные им понятия. Выполненный К. В. Рудаковым углубленный анализ ограничений для задач классификации расширил область их применений за счет привлечения морфизмов категорий [156−159].

A.A. Черепнин рассмотрел класс задач с различными оценками радиусов разрешимости и регулярности [186, 187].

Ю.В. Чехович получил критерии локальной разрешимости и локальной регулярности в задачах выделения трендов [189].

A.C. Вальков предложил критерии разрешимости и регулярности в задачах распознавания с отношением соседства на объектах [19].

Однако, как показал Ю. И. Горелов [25, 26], в общем случае для регулярных задач управления, решаемых в рамках теории распознавания образов, использование эвристических информационных моделей может привести не только к нерегулярности, но и к неразрешимости некоторых алгоритмов распознавания.

Последнее вызывает необходимость проведения дополнительных исследований одной из перспективных версий прецедентного подхода [42] — использование логических закономерностей-предикатов над числовыми и/или символьными данными в концепции поэтапной конструктивизации в классификации образов: разрешимость, вычислимость и реализуемость на моделях классификации конечных объектов.

Возникающие при проектировании распознающих систем особенности представимости и вычислимости описания образов потребовали развития и модификации традиционных схем разрешимости и вычислимости конструктивных моделей, в частности:

— проблема разрешимости моделей классификации конечных объектов (в дальнейшем — проблема разрешимости [40, 71, 112]) состоит в следующем: существует ли алгоритм, который по описанию на языке расширенного исчисления предикатов [145, 164] устанавливает принадлежность исследуемого объекта к рассматриваемому множеству М или к одному из классов разбик ения 5 ^ {Мъ М2,. •, Мк}, м=им, — г=1.

— проблема вычислимости моделей классификации конечных объектов (или просто — проблема вычислимости [72, 112, 154]) заключается в установлении эффективной процедуры, гарантирующей получение результатов вычислений соответствующих предикатов классификации объектов.

Цель работы состоит в получении новых условий разрешимости и вычислимости моделей классификации конечных объектов, обеспечивающих оптимизацию вычислительных затрат при аппаратно-программной реализации алгоритмов классификации.

Методы исследования. В работе использовались методы теории множеств, математической логики и теории алгоритмовтеории моделей и теории нумерацийспектральной теории сигналов, теории распознавания образовматематического моделирования, численных методов, теории вероятностей и математической статистикитеории графов, теории принятия решенийметоды конструктивной и дискретной математикиметоды вычислительного эксперимента.

Достоверность и обоснованность полученных результатов подтверждается сопоставительным анализом существующих и разработанных подходов, математическими моделями и методами, статистическим моделированием и натурными испытаниями на разработанных и внедренных аппаратно-программных комплексах.

Научная новизна. Отметим элементы новизны результатов диссертации.

1. Разработан на единой методологической основе теоретико-модельный подход к проблеме классификации, позволивший получить новые критерии (не)разрешимости моделей классификации конечных объектов.

2. Исследованы вопросы представимости и вычислимости описания конечных объектов с целью оптимизации вычислительных затрат при компьютерной реализации алгоритмов классификации:

— получены новые методы сокращения длины описания конечных объектов, что равносильно уменьшению требуемого объема памяти классификатора;

— найдены впервые необходимые и достаточные условия существования предельно быстрой (симультанной) модели классификации;

— получены новые методы сокращения времени принятия решения в моделях классификации, допускающих распараллеливание;

— рассмотрены быстрые спектральные преобразования Адамара-Уолша.

3. Построен новый метод нумерационной оптимизации, использующий введенное впервые спектральное отображение упорядоченности логических операторов в формульном представлении булевых функций.

4. Разработан конструктивный метод анализа и синтеза фрактальных спектров структурных связей между булевыми операторами.

5. Предложены конструктивные представления конечных объектов для синтеза классификаторов отношений последовательно-параллельного действия с минимально полной сигнатурой.

Теоретическая значимость. Основные идеи, методы и утверждения, предлагаемые в диссертации, развивают конструктивное направление в математическом моделировании и теории проектирования классификаторов (распознающих систем).

Практическая ценность работы.

I. В области обработки текстурных изображений.

Разработанный под научным руководством автора диссертации аппаратно-программный комплекс АРМ-Д для дешифрирования аэрокосмических снимков нашел практическое применение в технологиях двойного назначения, где носителями информации являются текстурные изображения: в авиации (аэроснимки тестовых трасс полета), медицине (рентгеновские снимки, материалы цито-, гистологических и эндоскопических исследований), технике (металловедение — шлифы металлов, сварных швов), экологии (аэроснимки зон экологического загрязнения).

Опытные образцы комплекса АРМ-Д и комплекса АМК (автоматизированное изготовление издательских оригиналов тематических карт) внедрены в ПГО «Гидроспецгеология» Мингео СССР (г. Москва, 1988 г.), Госцентре «Природа» (г. Москва, 1990 г.).

Методика обработки текстурных изображений на комплексе АРМ-Д использована при интерпретации результатов машинного анализа аэроснимков (ОКБ «Интеграл» при ЛГУ, г. Ленинград, 1988 г.), для компьютерной диагностики заболеваний костей (остеопороз) человека (Курганское НИИ экспериментальной и клинической ортопедии (г. Курган, 1988 г.), Маммологический центр Удмуртии (г. Ижевск, 1995 г.)) — компьютерной диагностики онкопа-тологий человека (Республиканский онкологический диспансер (г. Ижевск, 1994;1999 гг.).

II. В компьютеризации медицинских технологий.

Разработан и внедрен комплекс алгоритмов и программ по компьютерному анализу и прогнозированию (1940;2020 гг.) заболеваний населения Удмуртии (онкологических, психических, инфекционных).

Разработаны, испытаны и внедрены первые в России отечественные мони-торно-компьютерные системы для медицинских учреждений г. Ижевска (медсанчасть № 7, 1992 г.- Iя Республиканская клиническая больница, 1994 г.- Республиканский клинический кардиологический диспансер, 1999 г.).

В работе представлены акты внедрения от Уральского регионального отделения Академии медико-технических наук Российской Федерации, ОАО «Ижевский Мотозавод «Аксион-Холдинг», ФГУП «Ижевский механический завод», ОАО «Ижевский электромеханический завод «Купол».

Апробация работы. Основные научные положения и практические результаты докладывались на следующих конференциях, симпозиумах и семинарах:

Научно-технические конференции Ижевского механического института (Ижевск, 1975;1991) — Всесоюзный симпозиум «Машинные методы обнаружения закономерностей» (Новосибирск, 1976) — IV Всесоюзная конференция «Автоматизация ввода письменных знаков в ЦВМ» (Каунас, 1977) — VII Всесоюзная конференция «Теория кодирования и передачи информации» (Москва, 1978) — І, IV Всесоюзная конференция «Методы и средства обработки сложноструктурированной семантически насыщенной графической информации» (Горький, 1983; Нижний Новгород, 1998) — Всесоюзная конференция «Обработка изображений и дистанционные исследования» (Новосибирск, 1984) — VIII Всесоюзная конференция «Автоматизация в тематической картографии» (Москва, 1984) — VI Всесоюзное совещание «Проблемы автоматизации анализа изображений микроструктур» (Пущино, 1984) — 2е Всесоюзное совещание «Космическая антропология: техника и методы исследования» (Ленинград, 1984) — II, III Всесоюзная конференция «Математические методы распознавания образов» (Рига, 1987, 1989) — IX научные чтения по космонавтике (Москва, 1988) — Международная конференция ОИДИ-90 (Новосибирск, 1990) — Iя Всесоюзная конференция РОАИ-1−91 «Распознавание образов и анализ изображений» (Минск, 1991) — II Международная конференция «Математические алгоритмы» (Нижний Новгород, 1995) — Международная конференция «Математическое моделирование в науке и технике» (Ижевск, ИПМ УрО РАН, 1995 г.) — III Всероссийская конференция РОАИ «Распознавание образов и анализ изображений: новые информационные технологии» (Нижний Новгород, 1997) — научно-технические конференции ИжГТУ (Ижевск, 1991;2004) — VI Всероссийская с участием стран СНГ конференция «Методы и средства обработки сложной графической информации» (Нижний Новгород, 2001) — научная конференция-семинар «Теория управления и математическое моделирование» (Ижевск, 2006) — Международная конференция «Теория управления и математическое моделирование», посвященная памяти д. ф.-м. н., проф. Азбелева Н. В., организатора Ижевского математического семинара (Ижевск, 8.05.2008) — научный семинар ИММ УрО РАН (г. Екатеринбург, 16.10.2009).

Работа поддержана грантами РФФИ (03−01−255, 04−01−96 016, 06−01−0074).

Прикладные результаты отражены в отчетах о НИОКР, выполненных под руководством автора в рамках государственных, отраслевых и целевых научно-технических программ.

Публикации и личный вклад автора. Основные результаты диссертации опубликованы в 44 работах. Автор имеет 28 научных трудов в изданиях, выпускаемых в РФ и рекомендованных ВАК для публикации основных результатов диссертации на соискание ученой степени доктора наук.

Из совместных работ в диссертацию вошли результаты, полученные лично автором.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения и приложения, изложенных на 339 с. машинописного текста. В работу включены 47 рис., 7 табл., список литературы из 263 наименований и приложение, в котором представлены акты о внедрении результатов работы.

11. Результаты работы внедрены более чем в 10 организациях и предприятиях, используются в выполнении НИОКР и в учебном процессе при чтении курса «Дискретная математика» в Ижевском государственном техническом университете.

Заключение

.

В работе впервые сформулирована и разработана концепция поэтапной конструктивизации: разрешимость, вычислимость и реализуемость моделей классификации конечных объектов, обеспечивающая оптимизацию вычислительных затрат при аппаратно-программной реализации алгоритмов классификации, что способствует совершенствованию вычислительных технологий классификации конечных объектов и расширению практики проектирования аппаратно-программных классификаторов.

1. Разработан на единой методологической основе теоретико-модельный подход к проблеме классификации, позволивший получить новые критерии (не)разрешимости моделей классификации конечных объектов.

2. Исследованы вопросы однозначной разрешимости и эффективной вычислимости в конструктивных моделях классификации с использованием принципов распараллеливания, гарантирующих наибольшую вычислительную эффективность от схем принятия решений.

3. Впервые найдена и исследована модель предельно быстрой (симультанной) классификации конечных объектов, обеспечивающая аппаратно-программную реализацию быстродействующих классификаторов.

4. Предложены новые методы минимизации предикатных форм описаний конечных объектов, гарантирующие эффективность процедур вычислимости предикатов классификации при их компьютерной реализации.

5. Построен новый метод нумерационной оптимизации, использующий введенное впервые спектральное отображение упорядоченности логических операторов в формульном представлении булевых функций.

6. Разработан конструктивный метод анализа и синтеза фрактальных спектров структурных связей между булевыми операторами.

7. Обоснован и разработан метод представления предикатами Радемахе-ра всевозможных реальных изображений (точечных, текстурных), обеспечивающий синтез классификаторов отношений последовательно-параллельного действия с минимальными вычислительными ресурсами.

8. Разработаны и реализованы алгоритмы классификации для ряда прикладных задач:

— распознавание текстур (дешифрирование КФС, диагностика остеопоро-за, онкопатологий);

— функциональных состояний человека (при медицинском мониторинге).

9. Разработана и практически апробирована в клинических условиях в 1991;2006 гг. новая компьютеризированная наукоемкая технология медицинского мониторинга, позволяющая создать на единой информационной, инструментальной и технологической базе унифицированный ряд отечественных конкурентоспособных компьютерных мониторных средств для медицинских учреждений различного профиля.

10. Разработан и внедрен комплекс алгоритмов и программ по компьютерному анализу и прогнозированию (1940;2020 гг.) заболеваний населения Удмуртии (онкологических, психических, инфекционных).

Показать весь текст

Список литературы

  1. М.А., Браверман Э. М., Розоноэр Л. И. Метод потенциальных функций в теории обучения машин. — М.: Наука, 1970. — 384 с.
  2. O.E. Дискретная математика: логика, группы, графы, фракталы.- М.: Издатель АКИМОВА, 2005. 656 с.
  3. В.А. Методы нумерационного кодирования. — Новосибирск: Наука, 1986. 160 с.
  4. Г. А., Базарский О. В., Глауберман A.C., Колесников А. И., Коржик Ю. В., Хлявич Я. А. Анализ и синтез случайных пространственных текстур // Зарубежная радиоэлектроника. — № 2. — М.: Физматлит, 1984.- С. 3−33.
  5. JI.A. Современный взгляд на гипотезу компактности // Искусственный интеллект. — Донецк, 2005. № 3. — С. 6−12.
  6. А.И., Ткачев С. Б. Дискретная математика: Учеб. для вузов. — М.: Изд-во МГТУ им. Баумана, 2004. 744 с.
  7. В.А., Калядин Н. И. Дискретные функции Уолша при произвольном конечном числе точек определения // Автоматические устройства учета и контроля. — Вып. 10. — Ижевск: Изд-во ИМИ, 1975. — С. 59−67.
  8. В.А., Калядин Н. И. К вопросу о разрешимости некоторых задач распознавания // Автоматические устройства учета и контроля. — Вып. 11. Ижевск: Изд-во ИМИ, 1976. — С. 94−99.
  9. В.А., Калядин Н. И. Алгоритмический подход к проблемам распознавания и классификации // Дискретные системы обработки информации. Вып. 4. — Ижевск: Изд-во ИМИ, 1982. — С. 86−93.
  10. В.А., Калядин Н. И. Конечные модели и их применение к построению классификатора отношений последовательно-параллельного действия // Дискретные системы обработки информации. — Вып. 5. — Ижевск: Изд-во ИМИ, 1983. С. 83−88.
  11. В.А., Калядин H.И. Таксономия по связным областям как задача построения признаков для текстурных изображений // Дискретные системы обработки информации. — Вып. 6. — Устинов: Изд-во УМИ, 1986. С. 4−10.
  12. В.А., Калядин Н. И. О нумерации клеток карт Вейча // Дискретные системы обработки информации. — Вып. 7. — Ижевск: Изд-во ИМИ, 1987. С. 51−56.
  13. В.А., Калядин Н. И. Формализованное определение основных операций над изображениями // Системы технического зрения: Межвуз. сб. Ижевск: Изд-во ИМИ, 1991. — С. 28−31.
  14. В.А., Калядин Н. И. Оптимизация игровых решающих правил на базе теории моделей / Ижевский государственный технический университет, НПФ «НИОТК». Ижевск, 1995. — 18 с. — Деп. в ВИНИТИ 15.01.95, № 1440-В95.
  15. И.А., Дюбанов В. В., Загоруйко Н. Г., Кутненко O.A. Сходство и компактность // Доклады XIV Всероссийской конференции «Математические методы распознавания образов». — М.: МАКС Пресс, 2009. — С. 89−92.
  16. Р. Быстрые алгоритмы цифровой обработки сигналов (пер. с англ.). М.: Мир, 1989. — 448 с.
  17. C.B., Паршин Д. А. Фракталы и мультифракталы. — Ижевск: НИЦ «Регулярная и хаотическая динамика», 2001. — 128 с.
  18. М.М. Проблема узнавания. — М.: Наука, 1976. — 320 с.
  19. A.C. Задачи распознавания с отношением соседства на объектах. Критерии разрешимости и регулярности // Доклады X Всероссийской конференции «Математические методы распознавания образов». — М.: АЛЕВ-В, 2001. С. 17−20.
  20. В.Н., Червоненкис А. Я. Теория распознавания образов. — М.: Наука, 1974. 400 с.
  21. Е.С. Теория вероятностей. — М.: Физматгиз, 1962. — 237 с.
  22. H.H. Теория игр. JL: Изд-во ЛГУ, 1974. — 160 с.
  23. Е.М., Ипатова Э. Н., Калядин H.H., Певчих В. В. Диагностическое значение пальцевой денсографии // Казанский медицинский журнал. Казань: Изд-во ТАТОб, 1974. — № 6. — С. 24−25.
  24. А.Л. Общая постановка задачи распознавания объектов и явлений // Кибернетика. № 16. — М.:Наука, 1980. — С. 72−75.
  25. Ю.И. О разрешимости и регулярности задач управления, решаемых в рамках теории распознавания образов // Доклады X Всероссийской конференции «Математические методы распознавания образов». — М.: АЛЕВ-В, 2001. С. 33−34.
  26. Ю.И. О регулярности и разрешимости задач распознавания с равномощными классами // Доклады XI Всероссийской конференции «Математические методы распознавания образов». — М.: Регион-Холдинг, 2003. С. 55−56.
  27. М.В., Гуров С. И. Определение областей компетентности алгоритмов синтеза управляющих систем // Доклады XII Всероссийской конференции «Математические методы распознавания образов». — М.: МАКС Пресс, 2005. С. 75−78.
  28. У. Лекции по теории образов: В 3 т. — М.: Мир, 1979−1983. — Т. 1. 1979. — 383 е.- - Т. 2. — 1981. — 446 е.- - Т. 3. — 1983. — 430 с.
  29. И.А. Об одном подходе к синтезу алгоритмов коррекции локального возмущения в конечной полуметрике // Доклады XIV Всероссийской конференции «Математические методы распознавания образов». — М.: МАКС Пресс, 2009. С. 108−111.
  30. С.И. Оценки надёжности классифицирующих алгоритмов. Учебное пособие. М.: Изд-во МГУ, 2002. — 194 с.
  31. С.И., Потепалов Д. Н., Фатхутдинов И. Н. Решение задач распознавания с невыполненной гипотезой компактности // Доклады XIII Всероссийской конференции «Математические методы распознавания образов».- М.: МАКС Пресс, 2007. С. 27−29.
  32. Д., Мерсеро Р. Цифровая обработка многомерных сигналов. — М.: Мир, 2006. 488 с.
  33. А.Н., Журавлев Ю. И., Кренделев Ф. П. О математических принципах классификации предметов и явлений // Дискретный анализ.- Вып. 7. Новосибирск: Изд-во ИМ СО АН СССР, 1966. — С. 3−15.
  34. A.A. О сложности поиска оптимального в некотором смысле ABO // Доклады XII Всероссийской конференции «Математические методы распознавания образов». — М.: МАКС Пресс, 2005. — С. 299−302.
  35. Е.В. О сложности реализации дискретных (логических) процедур распознавания // ЖВМ и МФ. Т. 44, № 3. — 2004. — С. 550−572.
  36. Е.В., Журавлев Ю. И. Дискретный анализ признаковых описаний в задачах распознавания большой размерности // ЖВМ и МФ. — Т. 40.- № 8. 2004. — С. 1264−1278.
  37. И.И., Мазуров В. Д., Астафьев H.H. Несобственные задачи линейного и нелинейного программирования. — М.: Наука, 1983. — 336 с.
  38. Ю.Л. Теория нумераций. — М.: Наука, 1977. — 416 с.
  39. Ю.Л. Проблемы разрешимости и конструктивные модели. — М.: Наука, 1980. 416 с.
  40. Ю.И. Корректные алгебры над множеством некорректных (эвристических) алгоритмов // Кибернетика. — Ч. 1, — 1977. — № 4. — С. 517- Ч. 2, 1977. — № 6. — С. 17−24- - Ч. 3, 1978. — № 2. — С. 35−43.
  41. Ю.И. Об алгебраическом подходе к решению задач распознавания или классификации // Проблемы кибернетики. — М.: Наука, 1978. Вып. 33. — С. 5−68.
  42. Ю.И., Гуревич И. Б. Распознавание образов и распознавание изображений // Распознавание, классификация, прогноз. Математические методы и их применение. — Вып. 2. — М.: Наука, 1989. — С. 5−72.
  43. Ю.П., Разин В. М. Функциональный преобразователь Уолша // Известия ТПИ. Томск, 1973. — Т. 202. — С. 17−27.
  44. Н.Г. Методы распознавания и их применение. — М.: Сов. радио, 1972. 208 с.
  45. Н.Г., Борисова И. А., Дюбанов В. В. Методы быстрого поиска ближайшего аналога в большой базе изображений // Доклады XIII Всероссийской конференции «Математические методы распознавания образов». М.: МАКС Пресс, 2007. — С. 131−134.
  46. JI.A. Преобразования Фурье, Уолша, Хаара и их применение в управлении, связи и других областях. — М.: Наука, 1989. — 496 с.
  47. Заболотских В. И, Калядин Н. И., Кацман В. Е. Использование ЭВМ «Мир-2"для визуального вывода полутоновых изображений // Приборы и техника эксперимента. М.: АН СССР, 1979. — № 2. — С. 90−92.
  48. В.М., Калядин Н. И., Леменков В. А., Лосев И. Р., Тихонов Г. А. Об общности языка теории конечных автоматов и теории опознавания образов // Автоматика и опознание образов. — Вып. 4. — Ижевск: Изд-во ИМИ, 1969. С. 89−97.
  49. Г. В., Кропотов Д. А. Поиск оптимальной метрики в задачах классификации с порядковыми признаками // Доклады XIII Всероссийской конференции «Математические методы распознавания образов». — М.: МАКС Пресс, 2007. С. 137−140.
  50. А.Г., Калядин Н. И. О продолжении некоторых сюръективных отображений // Топология и теория множеств: Сб. науч. тр. — Ижевск: Изд-во УдГУ, 1982. С. 100−103.
  51. А.Г., Калядин Н. И. О полноте алгебраического замыкания пространства распознающих операторов с тестовыми опорными множествами // Журн. вычислит, математики и мат. физики. — М.: Изд-во АН СССР, 1984. Т. 24, — № 4. — С. 579−586.
  52. А.Г., Калядин Н. И., Ходырева М. Д., Шумилов К. Е. Статистический анализ медицинской информации по онкологическим заболеваниям // Медицинская техника. — М.: Медицина, 1996. — № 2. — С. 38−40.
  53. Н.И. Организация памяти перцептрона при распознавании абстрактных отношений типа ФАЛ из класса Р2 // Автоматические устройства учета и контроля. — Вып. 3. — Ижевск: Изд-во ИМИ, 1968. — С. 61−71.
  54. Н.И. Некоторые вычислительные аспекты в задачах распознавания булевых функций // Машинные методы обнаружения закономерностей: Материалы Всесоюз. симпозиума — Новосибирск: Изд-во ИМ СО АН СССР, 1976. С. 128−138.
  55. Н.И. Алгоритмические и технические аспекты при автоматическом анализе текстурных изображений // Возможности исследования природных ресурсов дистанционными методами: Межвуз. сб. — Л.: Изд-во ЛГУ, 1986. С. 55−61.
  56. Н.И., Александров Ф. М., Липовецкнй Ю. Л. и др. Автоматизированное изготовление издательских оригиналов карт // Геодезия и картография. — М.: Геоиздат, 1990. — Ml. — С. 36−38.
  57. Н.И. Автоматизация анализа малоразмерных малоконтрастных текстурных фотоизображений // Труды IX науч. чтений по космонавтике. М.: Изд-во ИИЭТ АН СССР, 1998. — С. 138−142.
  58. Н.И. Временная оптимизация решающих правил классификации // Вестник Московской академии рынка труда и информационных технологий. № 3(11). — М.: МАРТИТ, 2004. — С. 70−76.
  59. Н.И. Классификация сильно слипающихся множеств // Вестник Московской академии рынка труда и информационных технологий. — М.: МАРТИТ, 2004. № 4(12). — С. 41−46.
  60. Н.И. Нумерация конечных множеств для компьютерной классификации // Вестник Московской академии рынка труда и информационных технологий. № 3(11). — М.:МАРТИТ, 2004. — С. 64−69.
  61. Н.И. Преобразование Адамара-Уолша для эффективных вычислений спектров // Вестник Московской академии рынка труда и информационных технологий. № 4(12). — М.: МАРТИТ, 2004. — С. 27−33.
  62. Н.И. Симультанная классификация множеств конечных объектов // Вестник Московской академии рынка труда и информационных технологий. № 4(12). — М.: МАРТИТ, 2004. — С. 34−40.
  63. Н.И. Конструктивизация классифицируемых множеств // Вестн. ПГТУ. Прикладная математика и механика. — Пермь: Изд-во ПГ-ТУ, 2006. № 1. — С. 8−15.
  64. Н.И. Основы теории алгоритмов и нумераций: Учеб. пособие. — Ижевск: Изд-во ИжГТУ, 2006. 68 с.
  65. Н.И. Нумерации в проблеме классификации // Вестн. ПГТУ. Математика и прикладная математика. — Пермь: Изд-во ПГТУ, 2007. — С. 51−55.
  66. Каля дин Н. И. Конструктивизация моделей классификации конечных объектов // Известия института математики и информатики УдГУ. — Ижевск: Изд-во УдГУ, 2007. Вып. 1(38). — С. 3−231.
  67. Н.И. Конструктивизация в классификации образов // Вестник УдГУ. Математика. Механика. Компьютерные науки. — Вып. 2. — Ижевск: Изд-во УдГУ, 2008. С. 188−193.
  68. Н.И. Разрешимость в классификации образов // Вестник ИжГ-ТУ. Вып. 4. — Ижевск: Изд-во ИжГТУ, 2008. — С. 169−172.
  69. Н.И. Вычислимость в классификации образов // Вестник ИжГТУ. Вып. 3. — Ижевск: Изд-во ИжГТУ, 2008. — С. 127−129.
  70. Н.И. Конструктивизация в логико-алгебраических моделях // Вестник ИжГТУ, — Вып. 2. Ижевск: Изд-во ИжГТУ, 2009. — С. 144−147.
  71. Н.И. Распознавание отношений методом коллективного голосования // Вестник Удмуртского университета. Математика. Механика. Компьютер, науки. — Вып.З. — Ижевск: Изд-во УдГУ, 2011. — С. 154−162.
  72. Н.И. Моделирование экспертных систем для распознавания отношений // Вестник ИжГТУ. — Вып. 4(52). — Ижевск: Изд-во ИжГТУ, 2011. С. 170−174.
  73. Н.И. Симультанность в задачах классификации конечных объектов // Вестник Удмуртского университета. Математика. Механика. Компьютерные науки. — Вып. 1. — Ижевск: Изд-во УдГУ, 2012. — С. 133— 143.
  74. Н.И. Минимизация представления предикатных форм в конечных моделях // Вестник ИжГТУ имени М. Т. Калашникова. — Вып. 1(53). Ижевск: Изд-во ИжГТУ, 2012. — С. 137−142.
  75. Н.И., Белоусов В. А. Представление точечных изображений предикатами Радемахера // Дискретные системы обработки информации. — Вып. 9. Ижевск: Изд-во ИМИ, 1989. — С. 3−12.
  76. Н.И., Белоусов В. А. Условия существования обобщенной симультанной модели распознавания изображений // Дискретные системыобработки информации. — Вып. 11. — Ижевск: Изд-во ИжГТУ, 1996. — С. 20−25.
  77. Н.И., Белоусов В. А. Алгебро-логические алгоритмы в распознавании, идентификации и классификации медицинских объектов // Вестн. ПГТУ. Математика и прикладная математика. — Пермь: Изд-во ПГТУ, 2005. С. 61−66.
  78. Н.И., Белоусов В. А. К вопросу построения медицинских экспертных систем // Вестн. ПГТУ. Прикладная математика и механика. — Пермь: Изд-во ПГТУ, 2005. № 1. — С. 113−119.
  79. Н.И., Белоусов В. А. К вопросу существования симультанной модели классификации объектов // Вестн. УдГУ. Математика. — Ижевск: Изд-во УдГУ, 2006. № 1. — С. 151−160.
  80. Н.И., Белоусов В. А. Об одном существенном условии в распознавании конечных множеств // Изв. ин-та математики и информатики УдГУ. Ижевск, 2006. — Вып. 2(36). — С. 113−116.
  81. Н.И., Белоусов В. А. Симультанность в классификации бинарной информации // Вестн. ИжГТУ. — Вып. 4. — Ижевск: Изд-во ИжГТУ, 2008. С. 172−174.
  82. Н.И., Белоусов В. А., Бурков С. А. Нелинейный персептрон для распознавания цифровой информации // Дискретные системы обработки информации. — Вып. 11. — Ижевск: Изд-во ИжГТУ, 1996. — С. 5−12.
  83. Н.И., Белоусов В. А., Филатова C.B. Единый методологический подход при алгоритмизации и построении экспертных систем типа «норма-патология» в медицине // Медицинская техника. — М.: Медицина, 1996. № 3. — С. 6−7.
  84. Н.И., Боталев А. П., Леменков В. А. и др. Автоматизированное рабочее место врача-эндоскописта как основа компьютеризации эндоскопических исследований // Медицинская техника. — М.: Медицина, 1996. № 2. — С. 34−36.
  85. H.И., Кацман В. Е. О минимальном разбиении растрового изображения на прямоугольные элементы // Автоматические устройства учета и контроля. — Вып. 12. — Ижевск: Изд-во ИМИ, 1977. — С. 23−28.
  86. Н.И., Колосова T.JL, Ходырева М. Д. и др. Состояние и перспективы маммологической службы в Удмуртии // Маммология. — № 4. — М.: Изд-во «КАБУР», 1997. С. 15−24.
  87. И.И., Кузнецов П. Г., Леменков В. А. Компьютерные медицинские мониторы: состояние и перспективы // Медицинская техника. — М.: Медицина, 2002. № 3. — С. 22−25.
  88. Н.И., Кузнецов П. Г., Леменков В. А. Научные проблемы и задачи медицинского мониторирования // Медицинская техника. — М.: Медицина, 2002. т.- С. 14−18.
  89. Н.И., Лекомцев В. Т., Сунцов A.A. и др. Диагностика эпилепсии в интерактивном режиме с использованием компьютерной технологии // Медицинская техника. — М.: Медицина, 1996. — № 3. — С. 40−42.
  90. Н.И., Леменков В. А., Коробейников A.B. Неинвазивный измеритель артериального давления // Медицинская техника. — М.: Медицина, 2002. т. — С. 30−32.
  91. Н.И., Леменков В. А., Коробейников A.B. и др. Разработка и опыт клинической эксплуатации мониторно-компьютерной системы отделения неотложной кардиологии // Медицинская техника. — М.: Медицина, 2002. т. — С. 36−40.
  92. Н.И., Леменков В. А., Кучуганов В. Н., Моченов C.B. О структурной связности признаков // Автоматика и опознание образов. — Вып. 4. Ижевск: Изд-во ИМИ, 1969. — С. 11−23.
  93. Н.И., Леменков В. А., Липовецкий Ю. Л. и др. Комплекс автоматизированного дешифрования крупномасштабных космических фотоснимков // Геодезия и картография. — М.: Геоиздат, 1991. — № 8. — С. 18−23.
  94. Н.И., Леменков В. А., Лосев И. Р. Компьютерный монитор неона-тальный // Медицинская техника. — М.: Медицина, 1996. — № 3. — С. 3−6.
  95. Н.И., Леменков В. А., Лосев И. Р. Проблемы врачебного мониторинга больных и требования к разработке компьютерных мониторных систем // Медицинская техника. — М.: Медицина, 1996. — № 2. — С. 25−28.
  96. Н.И., Леменков В. А., Лосев И. Р., Пилина М. В., Чалый П. И. Компьютеризация медицинских технологий // Медицинская техника. — М.: Медицина, 1996. № 2. — С. 21−24.
  97. Н.И., Леменков В. А., Рассказов Ю. П., Тихонов Г. А. Построение полного спектра структурных связей между признаками // Автоматика и опознание образов. — Вып. 4. — Ижевск: Изд-во ИМИ, 1969. — С. 61−75.
  98. Н.И., Липовецкий Ю. М. Теоретико-игровой подход к классификации текстурных изображений // Тр. IX науч. чтений по космонавтике. М.: Изд-во ИИЭТ АН СССР, 1998. — С. 143−150.
  99. Н.И., Мурынов А. И. Спектрально-логический подход в задачах распознавания образов // Автоматические устройства учета и контроля. Вып. 9. — Ижевск: Изд-во ИМИ, 1974. — С. 146−150.
  100. Н.И., Мурынов А. И. Об одном методе распознавания текстурных изображений // Дискретные системы обработки информации. — Вып. 2. Ижевск: Изд-во ИМИ, 1979. — С. 3−6.
  101. Н.И., Мурынов А. И. Обнаружение классификационных закономерностей методом альтернативных решающих правил // Машинные методы обнаружения закономерностей: Межвуз. сб. научных трудов. — Рига: Изд-во РПИ, 1981. С. 125−131.
  102. Н.И., Наймушина А. Г. Алгоритм быстрого двумерного преобразования Уолша-Адамара // Автоматические устройства учета и контроля. — Вып. 10. — Ижевск: Изд-во ИМИ, 1975. — С. 74−77.
  103. Н.И., Сандалов Д. Н. Компьютерное моделирование спектров структурных связей // Вестник ИжГТУ. — Вып. 2. — Ижевск: Изд-во ИжГТУ, 2009. С. 141−144.
  104. Н.И., Сандалов Д. Н. Установление фрактальности в синтезированных спектрах // Вестник ИжГТУ. — Вып. 3. — Ижевск: Изд-во ИжГТУ, 2009. С. 127−129.
  105. М.М., Фазылов Ш. Х., Мирзаев Н. М. Алгоритмы распознавания, основанные на оценке взаимосвязанности признаков // Доклады XIII Всероссийской конференции «Математические методы распознавания образов». М.: МАКС Пресс, 2007. — С. 140−143.
  106. М.Г., Москалев Э. С. Спектральные методы анализа и синтеза дискретных устройств. — JI.: Энергия, 1973. — 144 с.
  107. Н. Вычислимость. Введение в теорию рекурсивных функций / Пер. с англ. М.: Мир, 1983. — 256 с.
  108. Дж. Общая топология. — М.: Наука, 1968. — 178 с.
  109. A.B. Несколько актуальных проблем анализа данных // Доклады XIV Всероссийской конференции «Математические методы распознавания образов». М.: МАКС Пресс, 2009. — С. 248−251.
  110. В.А. Методы оптимальных решений в распознавании изображений. — М.: Наука, 1976. — 328 с.
  111. В.Т., Кули Дж.В. Что такое быстрое преобразование Фурье? // ТИИЭР. 1967. Т. 55, № 10. — С. 7−17.
  112. А.Н., Фомин С. В. Элементы теории функции и функционального анализа. — М.: Наука, 1968. — 496 с.
  113. Кормен, Томас X., Лейзерсон, Чарльз И., Ривест, Рональд Л., Штайн, Клиффорд. Алгоритмы: построение и анализ. 2-е изд.: пер. с англ. — М.: Издательский дом «Вильяме», 2005. — 1296 с.
  114. .А. Лекции по конструктивному математическому анализу. — М.: Наука, 1973. 448 с.
  115. В.Г. Единый подход к алгоритмам быстрых преобразований // Применение ортогональных методов при обработке сигналов и анализе систем. — Свердловск: УПИ, 1980. — С. 4−14.
  116. В.Г. Алгебраическая теория сигналов и систем: цифровая обработка сигналов. — Красноярск: Изд-во Красноярского университета, 1984. 244 с.
  117. М.М., Ганебных С. Н. Многоуровневая структура данных и быстрый поиск на основе последовательных приближений // Доклады XII Всероссийской конференции «Математические методы распознавания образов». М.: МАКС Пресс, 2005. — С. 153−156.
  118. В.А. Непараметрические коллективы решающих правил. — Новосибирск: Наука, 2002. — 185 с.
  119. Г. С. Методы обработки разнотипных эксперементальных данных.- Новосибирск: Наука, 1981. — 160 с.
  120. Г. С., Бериков В. Б. Устойчивость решающих функций в задачах распознавания образов и анализа разнотипной информации. Новосибирск: ИМ СО РАН, 2005. — 220 с.
  121. A.A. Синтаксис и семантика формальных языков // Кибернетика. Киев, 1968. — № 4. — С. 17−25.
  122. В.П. Функции Уолша и области их применения (обзор) // Зарубежная электроника. № 4. — М.: Физматлит, 1973. — С. 73−95.
  123. В.Д. Комитеты систем неравенств и задача распознавания // Кибернетика. 1971. — № 3. — С. 140−146.
  124. В.Д. Метод комитетов в задачах оптимизации и классификации. М.: Наука, 1990. — 248 с.
  125. В.Д. О диагностике и вычислении ценностей информации // Доклады IX Всероссийской конференции «Математические методы распознавания образов». — М.: АЛЕВ-В, 1999. — С. 69−71.
  126. И.М., Виноградская Т. М., Рубчинская A.A., Соколов В. Б. Теория выбора и принятия решений. — М.: Наука, 1982. — 327 с.
  127. Дж. Основы современных алгоритмов. 2-е доп. изд. — М.: Техносфера, 2004. 368 с.
  128. А.И. Алгоритмы и рекурсивные функции. — М.: Наука, 1965.- 391 с.
  129. А.И. Алгебраические системы. — М.: Наука, 1970. — 392 с.
  130. А.Г. Принятие решений и информация. — М.: Наука, 1983.- 182 с.
  131. . Фрактальная геометрия природы. — М.: Институт компьютерных исследований, 2002. — 656 с.
  132. JI.А. Упорядочение спектральных признаков по эмпирическим оценкам межгруппового расстояния в задачах классификации биосигналов // Изв. вузов России. Радиотехника. — 2006. — Вып. 3. — С. 20−29.
  133. A.B., Шередко Ю. Л. Задачи различения // Доклады XI Всероссийской конференции «Математические методы распознавания образов». М.: Регион-Холдинг, 2003. — С. 133−136.
  134. С.Л. Цифровой спектральный анализ и его приложения. — М.: Мир, 1990. 584 с.
  135. A.B. Классификация сигналов в условиях неопределенности.- М.: Сов. радио, 1975. 328 с.
  136. М., Пейперт С. Персептроны. — М.: Мир, 1971. — 261 с.
  137. И.В., Паморозский Е. И., Эльман Р. И. Автоматизированная обработка полутоновых изображений (обзор состояния проблемы) // Автоматика и телемеханика. — К2 2. — М.: Наука, 1980. — С. 47−61.
  138. П.С. Элементы математической логики. — М.: Наука, 1973. — 400 с.
  139. Оре О. Теория графов. М.: Наука, 1980. — 336 с
  140. Параллельная обработка информации: В 2 т. / Под ред. А. Н. Свенсона.
  141. Киев: Наук, думка, 1985. — Т. 2. — 279 с.
  142. .Т., Шрейдер Ю. А. Применение полиномов Уолша в приближенных вычислениях // Вопросы теории математических машин. — М.: Физматгиз, 1962. — С. 174−191.
  143. Д.А. Логические методы анализа и синтеза схем. — М.: Энергия, 1964. 320 с.
  144. Построение экспертных систем / Под ред. Ф. Хейса-Рота, Д. Уотермена, Д. Лената. М.: Мир, 1987. — 441 с.
  145. У., Кейн Д., Эндрюс X. Кодирование изображений посредством преобразования Адамара // ТИИЭР. 1969. Т. 57, — № 1. — С. 66−83.
  146. Ю.П., Чуличков А. И. Морфологический анализ изображений: итоги и перспективы // Доклады XII Всероссийской конференции «Математические методы распознавания образов». — М.: МАКС Пресс, 2005. С. 416−418.
  147. Распознавание образов и медицинская диагностика / Под ред. Ю.И. Ней-марка. — М.: Наука, 1972. 382 с.
  148. X. Теория рекурсивных функций и эффективная вычислимость / Пер. с англ. М.: Мир, 1972. — 624 с.
  149. Ф. Принципы нейродинамики (перцептроны и теория механизмов мозга) / Пер. с англ. — М.: Мир, 1965. — 517 с.
  150. К.В. Об алгоритмической теории универсальных и локальных ограничений для задач классификации // Распознавание, классификация, прогноз. М.: Наука, 1989. Вып. 1. — С. 176−201.
  151. К.В. Построение проблемно-ориентированных теорий на основе алгебраического подхода к задачам распознавания образов // Доклады X Всероссийской конференции «Математические методы распознавания образов». М.: АЛЕВ-В, 2001. — С. 113−115.
  152. К.В., Торшин И. Ю. О разрешимости формальной задачи распознавания структуры белка // Доклады XIV Всероссийской конференции «Математические методы распознавания образов». — М.: МАКС Пресс, 2009. С. 596−597.
  153. К.В., Чехович Ю. В. Алгебраический подход к проблеме синтеза обучаемых алгоритмов выделения трендов. // Доклады РАН. — 2003. — Т. 388, № 1. С. 33−36.
  154. .П. Структурно-лингвистические методы распознавания изображений в реальном времени. — Киев: Наук, думка, 1986. — 128 с.
  155. В.В., Арсеев A.C., Коточигов К. Л. Универсальные критерии кластеризации и вопросы устойчивости // Доклады XIII Всероссийской конференции «Математические методы распознавания образов». — М.: МАКС Пресс, 2007. С. 63−64.
  156. О.П. Представление сигналов разложениями в неаналитических базисах и анализаторы обобщенных спектров // Теория автоматического управления. — Вып. 3. — Киев, 1969. — С. 17−38.
  157. Е., Борковский JI. Элементы математической логики и теория множеств / Пер. с польск. — М.: Прогресс, 1965. — 368 с.
  158. И.М. Многомерные квадратурные формулы и функции Хаара.- М.: Наука, 1969. 288 с.
  159. А.И., Улахович Д. А. и др. Основы цифровой обработки сигналов. СПб.: БХВ-Петербург, 2003. — 608 с.
  160. JI.M., Стриж Т. А. Спектральные преобразования на цифровых вычислительных машинах // Сообщение ОИЯИ. Р. 10−6702. — Дубна, 1972. С. 20−26.
  161. Н.Р. Синтез оптимальных алгоритмов распознавания булевых функций // Проблемы синтеза цифровых автоматов. — М.: Наука, 1967.- С. 119−127.
  162. .А. Сложность алгоритмов и вычислений. — Новосибирск: Изд-во НГУ, 1967. 167 с.
  163. A.M., Трахтман В. А. Основы теории дискретных сигналов на конечных интервалах. — М.: Сов. радио, 1975. — 276 с.
  164. O.E. К определению сильного перемешивания разбиений пространства // Доклады XIII Всероссийской конференции «Математические методы распознавания образов». — М.: МАКС Пресс, 2007. — С. 64−66.
  165. И.Т., Гитис В. Г., Маслов В. К. Опознание образов (детерминированно-статистический подход) — М.: Наука, 1971. — 246 с.
  166. В.А. Лекции о вычислимых функциях. — М.: Физматгиз, 1960. 492 с.
  167. B.C. Опознавание изображений (непрерывно-групповая теория).- М.: Наука, 1967. 296 с.
  168. Н.Г. Методы стохастической геометрии в распознавании образов. — М.: Радио и связь, 1990. — 144 с.
  169. Фон Нейман Дж., Моргенштерн О. Теория игр и экономическое поведение. М.: Наука, 1970. — 708 с.
  170. Фу К. Структурные методы в распознавании образов. — М.: Наука, 1977.- 319 с.
  171. Ф., Рончетти Э., Рауссеу П., Штаэль В. Робастность в статике. Подход на основе функций влияния. — М.: Мир, 1989. — 512 с.
  172. Р. М. Статистический и структурный подходы к описанию текстур // ТИИЭР. 1979. Т. 67, № 5. — С. 98−118.
  173. А. А. Спектры и анализ. — М.: ТТЛ, 1957. — 194 с.
  174. М.Ю. О вычислительной сложности задачи о минимальном комитете и смежных задач // Доклады РАН. — Т. 406, № 6. — М., 2006. — С. 742−745.
  175. М.Ю. Об одной игре с природой, связанной с принятием решений большинством голосов // Доклады XI Всероссийской конференции «Математические методы распознавания образов». — М.: Регион-Холдинг, 2003. С. 149−153.
  176. М.Ю. Вопросы аппроксимируемости задачи обучения в классе комитетных решающих правил // Доклады XIV Всероссийской конференции «Математические методы распознавания образов». — М.: МАКС Пресс, 2009. С. 280−283.
  177. М. Д., Ицков А. Г., Шумилов К. Е. Программная система «Статистика» // Дискретные системы обработки информации. — Вып. 11.- Ижевск: Изд-во ИжГТУ, 1996. С. 68−70.
  178. A.A. Метрический подход к проблеме оценивания ошибок алгоритмов классификации // Доклады XIII Всероссийской конференции «Математические методы распознавания образов». — М.: МАКС Пресс, 2007. С. 69−71.
  179. A.A. О радиусах разрешимости и регулярности задач распознавания // Доклады XI Всероссийской конференции «Математические методы распознавания образов». — М.: Регион-Холдинг, 2003. — С. 210— 211.
  180. A.A. Об оценках регулярности задач распознавания и классификации // ЖВМ и МФ, 1993. № 1. — С. 155−159.
  181. В.М. О некорректности некорректных (эвристических) алгоритмов распознавания // Доклады X Всероссийской конференции «Математические методы распознавания образов». — М.: AJIEB-B, 2001. — С. 153−155.
  182. Ю.В. Мощности окрестностей в задачах выделения трендов // Доклады XI Всероссийской конференции «Математические методы распознавания образов». — М.: Регион-Холдинг, 2003. — С. 215−216.
  183. Дж. Степени неразрешимости. — М.: Наука, 1977. — 192 с.
  184. З.М. Конструктивный метод обучения с учителем рекуррентного £П— нейрона // Доклады XI Всероссийской конференции «Математические методы распознавания образов». — М.: Регион-Холдинг, 2003. — С. 216−219.
  185. З.М. Последовательности расширений конечных множеств некорректных распознающих алгоритмов // Доклады XII Всероссийской конференции «Математические методы распознавания образов». — М.: МАКС Пресс, 2005. С. 239−241.
  186. Ю.А. Математическая модель классификации // НТИ. 1968. Сер. 2, № 10. — С. 7−14.
  187. Ю.А. Равенство, сходство, порядок. — М.: Наука, 1971. — 255 с.
  188. Экспертные системы в медицине // HARD и SOFT. — М., 1995. — № 7.- С. 63−67.
  189. Экспертные системы: Принципы работы и примеры / Под ред. Р.Форсайта. — М.: Радио и связь, 1987. — 224 с.
  190. В.Н. Мера близости в системе вывода на основе прецедентов // Доклады XII Всероссийской конференции «Математические методы распознавания образов». — М.: МАКС Пресс, 2005. — С. 241−244.
  191. С.В. Введение в дискретную математику. — М.: Наука, 1979.- 272 с.
  192. С.А. О формировании эталонов в базах данных // Доклады XI Всероссийской конференции «Математические методы распознавания образов». М.: Регион-Холдинг, 2003. — С. 222−224.
  193. А.с. № 739 595, СССР, М. Кл.2 G06K15/20. Устройство для отображения графической информации на экране электронно-лучевой трубки / Заболотских В. И., Калядин Н. И., Кацман В. Е. — Заявл. 09.01.78, № 2 568 812/18−24- опубл. Бюл. 1980, № 21.
  194. А.с. № 25 265 от 27.09.1999 г. Медицинский монитор / Калядин Н. И., Леменков В. А., Коробейников А. В. и др. — Заявл. 16.12.99 № 99 125 594- опубл. Бюл. 2002, № 27.
  195. Aslanyan L., Zhuravlev Yu. Logic Separation Principle, Computer Science and Information Technologies Conference // Yerevan, September 17−20, 2001.- Pp. 151−156.
  196. Belousov V.A., Kalyadin N.I. A Simultaneous Approach to Decision Making // Pattern Recognition and Image Analysis. 1998. — Vol. 8, no. 2. — Pp. 106 107.
  197. Belousov V.A., Kalyadin N.I. On the Problems of Classification of Sets of Natural Numbers // Pattern Recognition and Image Analysis. 1998. — Vol. 8, no. 2. Pp. 157−159.
  198. Belousov V.A., Kalyadin N.I. Problems of Recognition and Classification for Families od Subsets of Natural Numbers // Pattern Recognition and Image Analysis. 1998. Vol. 8, no. 2. — Pp. 108−109.
  199. Berikov V.B., Litvinenko A.G. The influence of prior knowledge on the expected performance of a classifier // Pattern Recognition Letters, 2003, vol. 24, no. 15. Pp. 2537−2548.
  200. Cheng Y. Mean shift, mode seeking, and clustering // IEEE Tans. Pattern Anal. Machine Intell. 1995. Vol. 17. — Pp. 790−799.
  201. Chernov V.M. The «modular perceptron»: A linear classes separability in the non-Archimedean features spaces // Proc. of the 10th Scandinavian Conference on Image Analysis (SCIA'97). Lappeenranta, Finland. 1997. V.2. — Pp. 803−808.
  202. Chernov V.M., Shabashev A.V. Non-Archimedian normalized fields in texture analysis tasks //Proc. of the 7th Intern. Conf. on Comp. Analysis of Images and Pattern (CAIP'97).- Springer. LNCS 1296. Pp. 154−161.
  203. Clockin W.F., Mellish C.S. Programming in Prolog. Berlin-Hidelberg-New York: Springer Verlag, 1981. — 327 p.
  204. Djukova E.V., Inyakin A.S., Peskov N.V., Sakharov A.A. Combinatorial (Logical) Data Analysis in Pattern Recognition Problems // Pattern Recognition and Image Analysis. 2005. — Vol. 15, no. 1. — Pp. 46−49.
  205. Djukova E.V., Zhuravlev Yu.I. Discrete Methods of Information Analisis in Recognition and Algorithm Synthesis // Pattern Recognition and Image Analisis. MAIC Nauka / Interperiodika Publishing, Moscow, 1997. — Vol. 7, no 2. Pp. 192−207.
  206. Dokukin A.A. One approach for the optimization of Estimates calculating algorithms //International Journal on Information Theories and Applications. Sofia. Bulgaria. 2003, no. 10. Pp. 463−467.
  207. Feferman S. Systems of predicative analysis //J. Symbolic Log. 29, № 1, 1964. Pp. 1−30.
  208. Gusev V., Ghuzhanova N. The Algorithms of Recognition of the Functional Sites in Genetic Texts // Proc. of the Workshop on Algoritmic Learning Theory, Japan, Tokio, 1990. Pp. 109−119.
  209. Haralick R.M., Shanmugam K., Dinstein I. Textural Features for Image Classification // IEEE Trans. Syst. Man. Cybern. 1973. V. SMS-3. Pp. 610 621.
  210. Hart P.E., Nillson N.J., Raphael B.A. A Formal Basis for the Heuristic Determination of Minimum Cost Paths. IEEE Transactions on System Cybernetics, 1968. Vol. SSC-4, July.
  211. Hartmanis J., Hopcroft J.E. An Overview of the Theory of Computational Complexity //J. Assoc. Computing Machinery 18, 1971. — Pp. 444−475.
  212. Jetsu T., Herzog P., Jaaskelainen T., Parkkinen J. Standardization of Spectral Image Formats // Pattern Recognition and Image Analysis. 2005.- Vol. 15, no. 3. Pp. 618−620.
  213. Kalyadin N.I., Khodyreva M.D., Sadykov T.T., Shumilov K.E. Computer Prediction of Infections Diseases // Pattern Recognition and Image Analysis. 1998. Vol. 8, no. 2. — Pp. 414−415.
  214. Katerinochkina N.N., Ryazanov V.V. On Knowledge Generalization in Logical Recognition Models // Pattern Recognition and Image Analysis. 2003.- Vol. 13, no. 1. Pp. 40−42.
  215. Kel’manov A.V., Jeon B. A Posteriori Joint Detection and Discrimination of Pulses in a Quasiperiodic Pulse Train // IEEE Transactions on Signal Processing, 2004. Vol. 52, no.3. — Pp. 1−12.
  216. Knight K. Unification: A Multidiscriplinary Survey // ACM Computer Survey, 1989. Vol. 21, № 1. — Pp. 93−124.
  217. Kovshov N.K., Moiseev V.A., Ryazanov V.V. Algorithms for Detecting Logical Dependences in Recognition by Precedents // Pattern Recognition and Image Analysis. 2005. Vol. 15, no. 1. — Pp. 65−68.
  218. Khachay M.Yu. On Computational Complexity of the Minimal Committee of Finite Sets Problem // In: Proc. of the 2nd International Workshop 'Discrete Optimization Methods in Production and Logistics'. Omsk-Irkutsk. 2004. — Pp. 176−179.
  219. Khachay M.Yu. On the Computational Complexity of the Minimum Committee Problem // Journal of Mathematical Modeling and Algorithms. 2007. Vol. 6, no.4. — Pp. 547−561.
  220. Krasnoproshin V.V., Obraztsov V.A. Problems of Solvability and Choice of Algorithms for Decision Making by Precedence // Pattern Recognition and Image Analysis. 2006. Vol. 16, no. 2. — Pp. 155−170.
  221. Lange M.M., Ganebnykh S.N. Moment-Based Pattern Representation Using Shape and Grayscale Features // Proc. of the Iberian Conf. on Patt. Recogn. and Image Analysis, IbPRIA-2007, Spain. Springer, 2007. Pp. 523−530.
  222. Larin S.B., Ryazanov V.V. The Search of Precedent-Based Logical Regularities for Recognition and Data Analysis Problems // Pattern Recognition and Image Analysis. 1997. — Vol. 7, no. 3. — Pp. 322−333.
  223. Lbov G.S., Gerasimov M.K. A Method of Extreme Situations Forecasting Based on Multiple Time Series Analysis // Proc. of VII International Conference «Computer Data Analysis And Modeling». Minsk, 2004. — Pp. 231−234.
  224. Loog M., Duin R., Haeb-Umbach R. Multiclass Linear Dimension Reduction by Weighted Pairwise Fisher Criteria // IEEE Trans, on Pattern Analysis and Machine Intelligence. 2001. Vol. 23, no. 7. — Pp. 762−766.
  225. Manilo L.A., Nemirko A.P. Forming the Spectral Signs When Classifying the Electrocardiosignals within the Frequency Range // Pattern Recognition and Image Analysis. 2005. Vol. 15, no. 4. — Pp. 668−671.
  226. Martelli A., Mantanary V. An Efficient Unification Algorithm // ACM Trans. Program. Lang. Syst. 1982. Vol. 4. — Pp. 258−282.
  227. Matrosov V.L., Ivanova E.A. Classes of Correct Algorithms with Limited Capacity // Pattern Recognition and Image Analysis, Interperiodica, 1993. — Vol. 3, no. 4. Pp. 393−404.
  228. Mazurov VI.D. Efficient Choice and Diagnostics in the Neural Network Modeling of Constraints and Goals // Pattern Recognition and Image Analysis. 2000. Vol. 10, no. 1. — Pp. 153−155.
  229. Mazurov VI.D., Khachay M.Yu., Rubin A.I. Committee Constructions for Solving Problems of Selection, Diagnostics and Predication. // Proceedings of the Steklov Institute of mathematics. Suppl. l, 2002. — Pp. 67−101.
  230. Mazurov VI.D., Popov A.L. The Improvement of Recognition Algorithms as an 111-Formalized Optimization Problem // Pattern Recognition and Image Analysis. 1997. Vol. 7, no. 3. — Pp. 334−337.
  231. Mazurov VI.D., Sokolinskaya I.M. Discriminant Analysis and Randomization in Linear Optimization Problems with Unformalized Constraints // Pattern Recognition and Image Analysis. 2006. — Vol. 16, no. 2. — Pp. 170−179.
  232. Michael L. Fredman, Dan E. Willard. Trans-dichotomous Algorithms for Minimum Spanning Trees and Shortest Paths // Journal of Computer and System Sciences. Vol. 48(3), 1994. — Pp. 533−551.
  233. Moller J., Waagepetersen R. Markov connected component fields // Adv. App. Prob., 1998. Vol. 30. — Pp. 1−36.
  234. Pau L.F. Game Teoretical Pattern Recognition. Application to Imperfect Noncooperativ Learning and to Multiclass Classification. IEEE Transactions on Pattern Analysis and Machine Intelligence. — Vol. PAMI-6, № 1, 1984.
  235. Paul W. Purdom Jr., Cynthia A. Brown. The Analysis of Algorithms. Holt, Rinehart and Wiston, 1985. 213 p.
  236. Quintiliano P., Santa-Rosa A., Guadagnin R. Hyperspectral Images Classification Based on KLT // Pattern Recognition and Image Analysis. 2006. Vol. 16, no. 1. — Pp. 39−43.
  237. Rubin F. The Lee Path Connection Algorithm. IEEE Transactions on Computers. 1974. — Vol. 23, № 9. — Pp. 35−59.
  238. Ryazanov V.V. Recognition Algorithms Based on Local Optimality Criteria // Pattern Recognition and Image Analysis. 1994. vol.4, no.2. — Pp. 98−109.
  239. Samochwalov K. The Impossibility Theorem for Universal Theory of Prediction // Reports of Formal Methodology of Empirical Sciences, PAN, Wroclaw, 1974. 19 p.
  240. Shibzoukhov Z.M. Contructive Training of Boolean-Valued Neural Networks of the Polynomial Type // Pattern Recognition and Image Analysis. 2001. vol. 11, no. 1. Pp. 95−96.
  241. Sidorova V.S. Modeling Age Dynamics of the Forest Texture in Aeroimage // Proc. IASTED Int. Conf. ACIT. Novosibirsk, 2002. Pp. 441−446.
  242. Trofimov O.E. Chaos and Recursive Denumerrability // Int. conf. on modelling and simulation (ICMS'04-Spain), Valladolid. 2004. Pp. 193−194.
  243. Vikent’ev A.A., Koreneva L.N. Setting the Metric and Measures of Informativity in Predicate Formulas Corresponding to the Statements of Experts about Hierarchical Objects // Pattern Recognition and Image Analysis. 2000. Vol. 10, no. 3. — Pp. 303−308.
  244. Vapnik V.N. Statistical Learning Theory. — John-Wiley&Sons, Inc., 1998. 736 p.
  245. Vasilyev V.I. The Reductional Principle in Pattern Recognition Learning (PRL) Problem // Pattern Recognition and Image Analysis, Interperiodica, 1991. Vol. 1, № 1. — Pp. 23−32.
  246. Vasilyev V.I., Gorelov Yu.I. The Synthesis of Forecasting Filters by Pattern Recognition Learning Methods // Pattern Recognition and Image Analysis, Interperiodica, 1997. Vol. 7, no. 3. — Pp. 353−368.
  247. Voronova L.M., Zhuravlev Yu.I. An Approach to the Automated Design of Agricultural Systems // Pattern Recognition and Image Analysis. 2003. — Vol. 13, no. 2. Pp. 384−386.
  248. Walther C.A. A Classification of Many-Sorted Unification Problems // LNCS. 1986. — № 230. — Pp. 525−537.
  249. Webb G.I. MultiBoosting: A technique for combining boosting and wagging // Machine Learning. 2000. Vol. 40, no. 2. — Pp. 159−196.
  250. Yankovskaya A.Ye., Gedike A.I. Theoretical Base, Realization and Application of the Intelligent System EXAPRAS // Proceeding East-West Conference On Artificial Intelligence «EWAIC'93 From Theory to Practice». Moscow, 1993. — Pp. 248−252.
  251. Yudin V.N. Applying Cluster Analysis for Searching for Analogs in Diagnostics and Choice of Treatment // Pattern Recognition and Image Analysis. Vol. 13, no. 4, 2003. — Pp. 706−713.
  252. Yudin V.N., Bespaev A.T. Application of Cluster Analysis for Searching for Analogies in Diagnostics and Choice of Treatment in the «Doctor's Partner «System // Pattern Recognition and Image Analysis. 2003. — Vol. 13, no. 2. Pp. 387−390.
  253. Zagoruiko N.G., Borisova I.A. Principles of Natural Classification // Pattern Recognition and Image Analysis. 2005. — Vol. 15, no. 1. — Pp. 27−30.
  254. Zhuravlev Yu.I., Kuznetsova A.V., Ryazanov V.V., Senko O.V., Botvin M.A. The Use of Pattern Recognition Methods in Tasks of Biomedical Diagnostics and Forecasting // Pattern Recognition and Image Analysis. 2008. — Vol. 18, no. 2. Pp. 195−201.
  255. Cancer in Finland in 1954−2008. Helsinki, 1989. 91 p.1. УТВЕРЖДАЮ»
  256. Вице-президент Удмуртскогоюнального отделения Академии)-технических наук Российской ' щи (УРОАМТНРФ), инструктор РФ1. ТВ Л. Гоголев /?0031 Л 2008 г. о внедрении результатов докторской диссертационной работы
  257. Конструктивизация моделей классификации конечных объектов: концепция, методы и компьютерная реализация» автора Калядина Николая Ивановича.
  258. Мы, представители УРО АМТН РФ, настоящим актом подтверждаем следующее.
  259. Материалы докторской диссертации Калядина Н. И. неоднократно использовались (1994−2007 гг.) в работе УРО АМТН РФ в области компьютеризации информационных и медицинских технологий.
  260. Наиболее существенные научные результаты диссертационной работы заключаются в следующем.
  261. На основе предложенной концепции конструктивизации автором проведены объемные системные исследования широкого класса прикладных задач в трех направлениях: диагностика, мониторинг, прогноз.
  262. A. Диагностика. Разработаны методы и алгоритмы классификации (распознавания) текстурных изображений как наиболее распространенных и сложных по своей природе объектов.
  263. B. Прогноз. Разработан комплекс алгоритмов и программ, базы данных по компьютерному анализу и прогнозу (1946−2015 гг.) онкологических, психических и инфекционных заболеваний населения Удмуртской Республики.
  264. Значение полученных в диссертации научных результатов для практики.
  265. Разработанный первый отечественный монитор пеонатальный МНК-01-НИОТК-Иж внесен в Государственный реестр изделий, разрешенных к медицинскому применению и серийному производству (1998 г.).
  266. Результаты диссертации могут быть рекомендованы для дальнейших как теоретических, так и прикладных исследований в области компьютеризации информационных и медицинских технологий.1. Главный специалист Н1
  267. Проректор по научной. Ижевской Государстве? академик АМТН РФ, д.
  268. ОАО «Ижевский Мотозавод «Аксион-хо! член-корреспондент АМТН, к.ф. м.н.1. ВЕРЖДАЮ"шженер О Ар «ИЭМЗ «Купол»
  269. В.В. Виснер / С&иУЛ ^ Я 2008 г. 1. АКТо внедрении результатов докторской диссертационной работы
  270. Конструктивизация моделей классификации конечных объектов: концепция, методы и компьютерная реализация» автора Калядина Николая Ивановича.
  271. Мы, представители ОАО «ИЭМЗ «Купол», настоящим актом подтверждаем следующее.
  272. Заместитель директора проекта АПК Начальник лаборатории сертификации1. УТВЕРЖДАЮ"нженер ОАО «Ижевскийон-холдинг» 7 / A.C. Пышков /2008 г. 1. АКТо внедрении результатов докторской диссертационной работы
  273. Конструктивизация моделей классификации конечных объектов: концепция, методы и компьютерная реализация» автора Калядина Николая Ивановича.
  274. Мы, представители корпорации «Аксион», настоящим актом подтверждаем следующее.
  275. Наиболее существенные научно-технические результаты диссертационной работы в области компьютерных медицинских технологий.
  276. Новизна, оригинальность и приоритетность технических решений подтверждены авторским свидетельством № 25 265 от 27.09.1999 г. (Медицинский монитор) — патентом № 2 161 905 от 21.01.2001 г. (Электродное устройство).
  277. Практическая ценность диссертационной работы состоит в следующем.
  278. Приемочные технические испытания монитора КМ-Н проведены в испытательном центре АО «ВНИИМП-ВИТА» РАМН (г. Москва, 1996 г.).
  279. Клинические испытания проведены (1996 г.) в трех клиниках: Московском областном научно-исследовательском институте акушерства и гинекологии
  280. МОНИИАГ г. Москва) — Научном центре акушерства, гинекологии и перинаталогии (НЦАГП РАМН г. Москва), роддоме № 4 (г. Ижевск).
  281. Главный конструктор медицинской техники концерна «Аксион», '? / Р. Г. Мубаракшин /
  282. Заместитель начальника ОКБ ОАО «Ижевский Мотозавод «Аксион-холдинг» ^^ ^ЛЬ*^ /В.П. Карасев/1. УТВЕРЖДАЮ»
  283. Первый заместитель генерального директора по стратегическому развитию ФГУП «Ижевский механический завод», член-корр^А^ТД^Щ^^н1. ЛпГ| А
  284. ЖГ:-. «ШЩПарфенов / «/?- «I Д1ШШМЩЩ і 1 2008г.1. АКТо внедрении результатов докторской диссертационной работы
  285. Конструктивизация моделей классификации конечных объектов: концепция, методы и компьютерная реализация» автора Калядина Николая Ивановича.
  286. Мы, представители ФГУП «Ижевский механический завод», настоящим актом подтверждаем следующее.
  287. При разработке и реализации перспективного плана развития специальной и медицинской техники, информационных технологий ФГУП «Ижевский механический завод» были использованы материалы докторской диссертационной работы Калядина Николая Ивановича.
  288. Полученные автором результаты могут быть применены при проектировании систем технического зрения (СТЗ) симультанного типа (с теоретически предельным быстродействием) как в промышленности, так и для компьютеризации медицинских технологий.
  289. Главный конструктор гражданской продукции и спецтехники
  290. Главный конструктор информационных технологий1. Е. К. Маслова /
Заполнить форму текущей работой

Сессия? Спокойно!