Помощь в написании студенческих работ
Антистрессовый сервис

Методы и алгоритмы интеллектуального анализа данных для систем диагностирования устройств железнодорожной автоматики

Диссертация: Методы и алгоритмы интеллектуального анализа данных для систем диагностирования устройств железнодорожной автоматики
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Предмет исследования — принципы построения, методы и алгоритмы синтеза моделей зависимостей между диагностическими состояниями устройств ЖАТ. Исследования выполнялись в рамках следующих пунктов паспорта специальности 05.13.06 — «Автоматизация и управление технологическими процессами и производствами (на транспорте)»: п. 9 — «Методы эффективной организации и ведения специализированного… Читать ещё >

Методы и алгоритмы интеллектуального анализа данных для систем диагностирования устройств железнодорожной автоматики (реферат, курсовая, диплом, контрольная)

Содержание

  • ГЛАВА 1. ТЕХНИЧЕСКОЕ ДИАГНОСТИРОВАНИЕ И ИНТЕЛЛЕКТУАЛЬНЫЙ АНАЛИЗ ДАННЫХ
    • 1. 1. Состояние и актуальные проблемы технического диагностирования устройств железнодорожной автоматики и телемеханики
    • 1. 2. Современные системы диагностирования технических устройств
    • 1. 3. Системы хранения и интеллектуального анализа данных
    • 1. 4. Выводы по главе 1
  • ГЛАВА 2. ТЕОРИЯ И МЕТОДОЛОГИЯ ПОСТРОЕНИЯ ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМ АНАЛИЗА ДАННЫХ
    • 2. 1. Представление знаний в интеллектуальных системах
    • 2. 2. Методы интеллектуального анализа данных
    • 2. 3. Методы формирования рассуждений по неполным данным
    • 2. 4. Выводы по главе 2
  • ГЛАВА 3. РАЗРАБОТКА МОДЕЛЕЙ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ, МЕТОДОВ И АЛГОРИТМОВ АНАЛИЗА ДИАГНОСТИЧЕСКИХ ДАННЫХ
    • 3. 1. Сетевая модель представления зависимостей
    • 3. 2. Метод и алгоритмы синтеза сетевых моделей зависимостей
      • 3. 2. 1. Синтез модели зависимостей на основе критерия минимальной длины описания
      • 3. 2. 2. Синтез модели зависимостей на основе логарифмической метрики
      • 3. 2. 3. Анализ качества работы алгоритмов по обучающей выборке
    • 3. 3. Метод формирования нечетко-темпоральных описаний зависимостей
    • 3. 4. Метод нечетко-темпорального описания изменений параметров контролируемых устройств
    • 3. 5. Выводы по главе 3
  • ГЛАВА 4. ПРАКТИЧЕСКАЯ РЕАЛИЗАЦИЯ СИСТЕМЫ ИНТЕЛЛЕКТУАЛЬНОГО АНАЛИЗА ДИАГНОСТИЧЕСКИХ ДАННЫХ
    • 4. 1. Структура базы данных и базы знаний
    • 4. 2. Подсистема анализа данных и формирования моделей зависимостей
    • 4. 3. Подсистема формирования нечетко-темпоральных описаний зависимостей и классификации сбоев устройств ЖАТ
    • 4. 4. Подсистема выявления фактов проведения работ по ТОиР
    • 4. 5. Программные средства автоматизации адаптации серверного ПО
    • 4. 6. Программные средства контроля рабочих параметров и формирования резервных копий баз данных
    • 4. 7. Программные средства автоматизации проектирования диагностических комплексов
    • 4. 8. Выводы по главе 4

Актуальность работы. Стратегия развития железнодорожного транспорта, принятая ОАО «РЖД» [106], предусматривает первоочередное решение ключевых задач, в числе которых обеспечение роста эффективности, устойчивости и безопасности перевозок, развитие новейших систем управления технологическими процессами на основе инновационных технологий, снижение негативного влияния «человеческого фактора» за счет внедрения современных информационных и компьютерных технологий. В этой связи приоритетным направлением работ является разработка и внедрение систем технического диагностирования и мониторинга (ТДМ) устройств железнодорожной автоматики и телемеханики (ЖАТ), которые позволят минимизировать время поступления информации об изменениях состояния устройств и возникших сбоях, повысить эффективность действий обслуживающего персонала, оптимизировать процесс выполнения работ по техническому обслуживанию и ремонту устройств ЖАТ и перейти к стратегии технического обслуживания «по фактическому состоянию».

В настоящее время широкое распространение получили такие системы ТДМ устройств ЖАТ, как АПК-ДК, АСДК и АДК-СЦБ. На основе этих систем на уровне железных дорог организуются Центры технического диагностирования и мониторинга (ЦТДМ), в которых аккумулируется и обрабатывается информация о текущем состоянии устройств ЖАТ. Значительный объем поступающей и накопленной информации, в сочетании с вышеперечисленными задачами, делает актуальной разработку интеллектуальных систем, включающих базу знаний, подсистемы анализа данных, поддержки принятия решений и взаимодействия с персоналом ЦТДМ. Подобные интеллектуальные системы позволят оптимизировать процесс технического обслуживания, повысить эффективность работы персонала ЦТДМ, и за счет этого снизить число возникающих сбоев устройств ЖАТ.

Степень разработанности проблемы. Постановке перечисленных в диссертации задач предшествовали многочисленные теоретические исследования, труды и практические разработки ученых и специалистов в России и за рубежом.

В области теории и практики разработки моделей, методов и алгоритмов, лежащих в основе диагностирования большой вклад внесли своими работами В. М. Глушков, И. Е. Дмитренко, В. Н. Иванченко, В. М. Лисенков, В. В. Сапожников, Вл.В. Сапожников. В области теории и практики создания современных технологий управления на железнодорожном транспорте, а также в области создания аппаратно-программных средств автоматизации процессов технического диагностирования большой вклад внесли своими работами В. М. Алексеев, A.B. Горелик, В. Б. Гуменников, И. Д. Долгий, JI.T. Кузин, И. К. Лакин, Э. К. Лецкий, E.H. Розенберг, Е. М. Тарасов, А. Н. Шабельников, Д. В. Швалов и другие ученые.

Фундаментальный вклад в теорию и практику управления сложными динамическими объектами с использованием искусственного интеллекта, а также в разработку программных систем обработки информации на основе использования математических, информационных и имитационных моделей внесли А. Н. Аверкин, С. Е. Ададуров, В. И. Апатцев, А. П. Батурин, Л. С. Берштейн, М. А. Бутакова, А. Н. Гуда, А. П. Еремеев, Л. Заде, В. П. Карелин, H.H. Лябах, В. И. Колесников, В. М. Курейчик, С. М. Ковалев, Э. А. Мамаев, Е. Мамдани, Г. С. Осипов, В. Е. Павлов, Д. А. Поспелов, С. И. Родзин, Л. П. Тулупов, В. Ф. Хорошевский, A.B. Чернов и другие ученые.

Объектом исследования является система интеллектуального анализа данных для технического диагностирования и мониторинга устройств железнодорожной автоматики и телемеханики.

Предмет исследования — принципы построения, методы и алгоритмы синтеза моделей зависимостей между диагностическими состояниями устройств ЖАТ. Исследования выполнялись в рамках следующих пунктов паспорта специальности 05.13.06 — «Автоматизация и управление технологическими процессами и производствами (на транспорте)»: п. 9 — «Методы эффективной организации и ведения специализированного информационного и программного обеспечения АСУТП, АСУП, АСТПП и др., включая базы и банки данных и методы их оптимизации" — п. 15 — «Теоретические основы, методы и алгоритмы интеллектуализации решения прикладных задач при построении АСУ широкого назначения (АСУТП, АСУП, АСТПП и др.).

Цель работы. Целью диссертации является исследование и разработка новых методов синтеза моделей зависимостей, как основы построения систем поддержки принятия решений для технического диагностирования и мониторинга устройств ЖАТ.

Основные задачи, определяемые целью исследования:

— разработка принципов построения моделей зависимостей между диагностическими состояниями устройств ЖАТ;

— разработка базовых интеллектуальных методов синтеза моделей на основе анализа данных диагностирования устройств ЖАТ;

— разработка интеллектуальных методов формирования нечетко-темпоральных описаний зависимостей, а также описаний изменения параметров устройств при смене диагностического состояния;

— разработка структуры программной реализации подсистем обработки данных и структуры базы знаний;

— разработка методики автоматизации адаптации программного обеспечения системы интеллектуального анализа данных.

Решение поставленных задач позволит повысить эффективность применения программных средств СТДМ, засчет автоматизации и интеллектуализации процессов взаимодействия системы и персонала Центров технического диагностирования и мониторинга.

Методы исследования. Исследования проводились с использованием методов теории информации, теории кодирования, теории графов, теории вероятности, теории нечетких множеств и элементов темпоральной логики.

Научная новизна диссертационной работы заключается в следующем:

— предложен новый подход к представлению зависимостей между диагностическими состояниями устройств ЖАТ на основе сетевой модели с вероятностными и нечетко-темпоральными атрибутами для повышения эффективности организации и ведения базы знаний интеллектуальной системы;

— разработан комплексный метод ассоциативного анализа данных и построения сетевой модели зависимостей между событиями, разработаны алгоритмы построения модели на основе принципа минимальной длины описания и модифицированной логарифмической метрики модели;

— разработан метод нечетко-темпорального описания зависимостей между диагностическими состояниями устройств ЖАТ и алгоритм формирования НТО зависимости по диагностическим данным;

— разработан метод и алгоритмы формирования нечетко-темпорального описания изменения параметров контролируемого объекта на основе анализа протоколов измерений.

Практическая ценность работы заключается в применении результатов исследования для разработки системы интеллектуального анализа данных (ИАД) на базе системы технического диагностирования и мониторинга (ТДМ), для Центра технического диагностирования и мониторинга устройств ЖАТ на Северо-Кавказской железной дороге, а также для разработки систем автоматизации адаптации программного обеспечения и автоматизации проектирования диагностических комплексов. В частности, в работе достигнуты следующие практические результаты:

— разработано серверное программное обеспечение, реализующее методы и алгоритмы выявления зависимостей между диагностическими состояниями устройств ЖАТ, функциональность выявления фактов проведения работ по техническому обслуживанию и ремонту устройств и передачи информации в систему АСУ-Ш-2- разработана клиентская часть программного обеспечения, реализующая взаимодействие системы ИАД с АРМ ШДМ (АРМ технолога ЦТДМ) — разработана структура базы диагностических данных и базы знаний, содержащей модели выявленных зависимостей, на основе средств СУБД MS SQL Serverразработаны программные средства автоматизации адаптации (в части конфигураций и состава дистрибутива) программного обеспечения системы ИАД и сервера унифицированного информационного взаимодействия (СУИВ), автоматизации процесса проектирования диагностических комплексов (информационное обеспечение, проектная документация, схемы линий связи).

Практическое использование результатов исследования для построения системы интеллектуального анализа данных технического диагностирования устройств ЖАТ позволило автоматизировать: выявление зависимостей между сменами диагностических состоянийконтроль эффективности и своевременности выполнения работ по техническому обслуживанию и ремонту (ТОиР) устройств ЖАТпроцесс формирования информационного и адаптации программного обеспечения системы ИАД и СУИВ.

Достоверность и обоснованность. Достоверность и обоснованность научных положений, выводов и результатов, сформулированных в диссертации, подтверждается результатами вычислительных экспериментов на практических и модельных задачах, публикациями и докладами на научно-практических конференциях, а также актами внедрения результатов работы.

Реализация результатов работы. Предложенные принципы и методы синтеза экспертных моделей, алгоритмы анализа диагностических данных и принципы представления знаний в системах технического диагностирования реализованы в программном комплексе интеллектуального анализа данных ИАД-ЦТДМ, разработанного для расширения функциональности системы ТДМ на уровне Центра технического диагностирования и мониторинга.

Апробация основных теоретических и практических результатов работы проводилась на Всероссийской научно-практической конференции «Транспорт-2005», г. Ростов-на-Дону, 2005 г.- Международной школе-конференции по приоритетным направлениям развития науки и техники, г. Москва, 2006 г.- Всероссийской научно-практической конференции «Транспорт-2006», г. Ростов-на-Дону, 2006 г.- VI Международной научно-практической конференции «Телекомтранс-2008», г. Сочи, 2008 г.- Всероссийской научно-практической конференции «Транспорт-2008», г. Ростов-на-Дону, 2008 г.- Международной научно-практической конференции «Проблемы и перспективы развития транспортного комплекса: образование, наука», посвященной 80-летию РГУПС, г. Ростов-на-Дону, 2009 г.- Всероссийской научно-практической конференции «Транспорт-2009», г. Ростов-на-Дону, 2009 г.- XI Международной научно-технической конференции «Кибернетика и высокие технологии 21 века», г. Воронеж, 2010 г.- Всероссийской научно-практической конференции «Транспорт-2010», г. Ростов-на-Дону, 2010 г.- VII Международной научно-практической конференции «Телекомтранс-2010», г. Сочи, 2010 г.- Всеросс. научно-практ. конф. «Математические методы и интеллектуальные системы в экономике и образовании» г. Ижевск, 2010 г.- XI Всеросс. научно-техн. конф. «Научные исследования и разработки в области авиационных,' космических и транспортных систем» г. Воронеж, 2010 г.- XIV Международной научно-практ. конф. «Актуальные проблемы информатики и информационных технологий» г. Тамбов, 2010 г.

Публикации. По теме диссертационной работы опубликовано 17 печатных работ, в том числе 4 работы опубликованы в изданиях, входящих в список ведущих рецензируемых научных журналов и изданий ВАК.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка литературы и приложений. Общий объем работы составляет 171 страницу машинописного текста, 53 рисунка, 8 таблиц.

Список литературы

включает 131 наименование работ отечественных и зарубежных авторов.

4.8 Выводы по главе 4.

1. Разработана структура системы интеллектуального анализа данных, включающая подсистемы анализа диагностических данных и формирования моделей зависимостей между ДС, формирования нечетко-темпоральных описаний зависимостей и изменений параметров устройств, подсистему пользовательского интерфейса и базу знаний.

2. Выполнена разработка структуры и реализация на основе СУБД MS SQL Server базы данных системы диагностирования (включая данные о диагностических и динамических состояниях контролируемых устройств, протоколы измерений параметров, нормативно-справочную информацию, проектные и конфигурационные данные) и базы знаний системы интеллектуального анализа данных (включая данные о параметрах моделей зависимостей, нечетко-темпоральные описания зависимостей и изменений параметров, сопровождающих смену диагностического состояния).

3. Разработаны подсистемы анализа диагностических данных (в составе модулей взаимодействия с базой данных, трансформации протокола данных в матричную форму, анализа данных, взаимодействия с подсистемами формирования нечетко-темпоральных описаний, взаимодействия с базой знаний) и формирования нечетко-темпоральных описаний смен состояния и изменений измеряемых параметров (в составе служб оперативного анализа данных и анализа диагностических протоколов), выявления фактов выполнения работ по ТОиР.

4. Разработаны программные средства автоматизации адаптации серверного программного обеспечения системы унифицированного информационного взаимодействия и системы интеллектуального анализа данных, что позволило повысить эффективность разработки и обеспечить контроль корректности исходных данных и информационного обеспечения.

5. Разработаны программные средства контроля рабочих параметров и формирования резервных копий баз данных центра диагностирования и мониторинга в результате чего автоматизирован ряд операций по обслуживанию и поддержке баз данных и обеспечена функциональность оптимизации производительности.

6. Разработаны программные средства автоматизации проектирования диагностических комплексов, что позволило сократить сроки разработки проектов и информационного обеспечения, исключить ошибки и несоответствия проектных данных.

ЗАКЛЮЧЕНИЕ

.

В результате выполненных теоретических и практических исследований по теме диссертационной работы достигнуты следующие результаты:

1. Проведенный анализ состояния и актуальных проблем технического диагностирования устройств железнодорожной автоматики и телемеханики позволил выявить потребность в применении моделей и методов, обладающих низкой степенью ложных срабатываний и допускающих некритичное отклонение измеряемого параметра от заданных норм, а также важность для системы диагностирования таких параметров, как наличие распределенной структуры, свойство расширяемости и функций информационного взаимодействия со смежными системами.

2. Рассмотрение современных систем диагностирования технических устройств, применяемых на транспорте и в других областях, позволило выявить отставание систем диагностирования устройств ЖАТ от систем схожего назначения других отраслей по уровню интеллектуализации и реализации экспертных функций, а именно, выявить отсутствие функциональности формирования экспертных оценок состояния технических устройств, выявления скрытых закономерностей и тенденций с помощью методов интеллектуального анализа данных, прогнозирования состояния контролируемых устройств.

3. Выполненный анализ состояния, проблем и принципов реализации современных систем хранения и анализа данных позволил сделать вывод об актуальности разработки новых моделей представления и методов анализа данных.

4. Доказана необходимость применения интеллектуальных методов анализа данных и экспертных систем в железнодорожной отрасли, что позволит устранить отставание в уровне автоматизации и повысит эффективность работы персонала центров диагностирования и мониторинга, а также обеспечит поддержку принятия решений при обработке внештатных диагностических состояний контролируемых объектов.

5. На основе выполненного анализа существующих подходов к представлению знаний в интеллектуальных системах, и с учетом требований, предъявляемых к модели знаний о зависимостях между диагностическими состояниями, сделан вывод о целесообразности применения сетевого подхода к представлению знаний.

6. Рассмотрение методов интеллектуального анализа данных с учетом основных задач диагностики технических устройств позволило определить группу методов для решения задачи выявления зависимостей, предложить способ улучшения характеристик данной группы и сформулировать общую идею комплексного метода ассоциативного анализа данных.

7. Проведенный анализ методов формирования рассуждений на основе неполных данных с учетом специфики трудноформализуемых процессов функционирования устройств ЖАТ показал необходимость применения средств вероятностного и нечетко-логического подходов на этапе использования выявленных зависимостей для поддержки принятия решений персонала центра диагностирования и мониторинга, и как следствие — необходимость дополнения модели зависимостей диагностических состояний соответствующими атрибутами.

8. На основе обоснованного в Главе 2 подходаразработана сетевая модель представления зависимостей между диагностическими состояниями, дополненная такими атрибутами, как таблицы условных вероятностей и нечетко-темпоральные описания смен диагностических состояний и изменений измеряемых параметров контролируемых устройств, что позволяет расширить спектр применяемых подходов при использовании базы знаний выявленных зависимостей. Приведен пример сетевой модели зависимостей между диагностическими состояниями стрелочного привода.

9. Разработан комплексный метод ассоциативного анализа данных и построения сетевой модели зависимостей между событиями, алгоритмы построения модели зависимостей на основе принципа минимальной длины описания и модифицированной логарифмической метрики, приведены примеры использования алгоритмов для обработки выборок диагностических данных, выполнен сравнительный анализ эффективности работы алгоритмов.

10. Разработан метод нечетко-темпорального описания зависимостей между диагностическими состояниями устройств ЖАТ, алгоритм формирования НТО зависимости по диагностическим данным, определен вид функций принадлежности нечетких лингвистических переменных, приведен пример НТО зависимости между парой диагностических состояний РЦ.

11. Разработан метод нечетко-темпорального описания изменения параметров контролируемого объекта, разработаны алгоритмы формирования нечетко-темпорального описания зависимости между изменениями параметров на основе анализа протоколов измерений.

12. Разработана структура системы интеллектуального анализа данных, включающая подсистемы анализа диагностических данных и формирования моделей зависимостей между ДС, формирования нечетко-темпоральных описаний зависимостей и изменений параметров устройств, подсистему пользовательского интерфейса и базу знаний.

13. Выполнена разработка структуры и реализация на основе СУБД MS SQL Server базы данных системы диагностирования (включая данные о диагностических и динамических состояниях контролируемых устройств, протоколы измерений параметров, нормативно-справочную информацию, проектные и конфигурационные данные) и базы знаний системы интеллектуального анализа данных (включая данные о параметрах моделей зависимостей, нечетко-темпоральные описания зависимостей и изменений параметров, сопровождающих смену диагностического состояния).

14. Разработаны подсистемы анализа диагностических данных (в составе модулей взаимодействия с базой данных, трансформации протокола данных в матричную форму, анализа данных, взаимодействия с подсистемами формирования нечетко-темпоральных описаний, взаимодействия с базой знаний) и формирования нечетко-темпоральных описаний смен состояния и изменений измеряемых параметров (в составе служб оперативного анализа данных и анализа диагностических протоколов), выявления фактов выполнения работ по ТОиР.

15. Разработаны программные средства автоматизации адаптации серверного программного обеспечения системы унифицированного информационного взаимодействия и системы интеллектуального анализа данных, что позволило повысить эффективность разработки и обеспечить контроль корректности исходных данных и информационного обеспечения.

16. Разработаны программные средства контроля рабочих параметров и формирования резервных копий баз данных центра диагностирования и мониторинга в результате чего автоматизирован ряд операций по обслуживанию и поддержке баз данных и обеспечена функциональность оптимизации производительности.

17. Разработаны программные средства автоматизации проектирования диагностических комплексов, что позволило сократить сроки разработки проектов и информационного обеспечения, исключить ошибки и несоответствия проектных данных.

Показать весь текст

Список литературы

  1. С.А., Пущин A.C. О подходе к увязке микропроцессорных систем ЖАТ // АСИ. -2006. -№ 9. -С. 15−16.
  2. А.Е., Семухин М. В. Модели и алгоритмы принятия решений в нечетких условиях: Монография. Тюмень: Издательство Тюменского государственного университета, 2000. 352 с.
  3. С.Б., Бритков В. Б., Маленкова H.A. Использование технологии анализа данных в интеллектуальных информационных системах / Управление информационными потоками: Сборник трудов Института системного анализа РАН. М.: Эдиториал УРСС, 2002. -С. 47−68.
  4. АстанинС.В., ЗахаревичВ.Г. Обработка и представление знаний в информационно-советующих комплексах гибридного интеллекта. — Таганрог: ЕЗТУ, 1997. -136 с.
  5. A.A. Методы и модели анализа данных: OLAP и Data Mining // С-Пб.: «БХВ-Петербург», 2004.
  6. БартосФ.Дж. Искусственный интеллект: принятие решений в сложных системах управления// Мир компьютерной автоматизации. -1997. № 4 (12). -С. 22−27.
  7. A.A., Жаров И. В. и др. «СПРИНТ-РВ» интеллектуальная S С AD А-система // «ПРИБОРЫ + Автоматизация» № 12 2006г.
  8. Р.Я., Вишнепольский Р. Л., Кабаев C.B., Тимофеев B.C. Современные цеховые системы автоматизации газокомпрессорных станций // Мир компьютерной автоматизации, 3. 1997 г.
  9. М.А. Модели потоков данных и информационных систем на транспорте: Автореф. дис. д-ра техн. наук. Ростов-на-Дону: РГУПС, 2006. -35с.
  10. A.A. Система АПК-ДК: новые возможности АРМ диспетчера дистанции //АСИ. 2006. — № 8. -С. 16−19.
  11. Т.А., Хорошевский В. Ф. Базы знаний интеллектуальных систем. -СПб.: Питер, 2000. -384 с.
  12. Д.В. Автоматизация проектирования линий связи железнодорожных диагностических комплексов // Тезисы докладов международной школы-конференции по приоритетным направлениям развития науки и техники. Москва: РГУИТП, 2006. — С. 21−22.
  13. Д.В., Рухленко С. А. Автоматизация учета выполнения работ по техническому обслуживанию устройств СЦБ // Труды Всеросс. научно-практ. конф. «Транспорт-2006». Ростов-н/Д: РГУПС, 2006. — С. 249−250.
  14. Д.В. Разработка подсистемы управления структурой и синхронизации баз данных // Труды Всеросс. научно-практ. конф. «Транспорт-2009». Ростов-н/Д: РГУПС, 2009. — С. 229−230.
  15. Д.В. Методы интеллектуального анализа данных для систем технического диагностирования и мониторинга // Труды РГУПС. — 2009. — № 1.-С. 140−150.
  16. Д.В. Синтез модели зависимостей между событиями на основе критерия описания минимальной длины // Сборник докладов XI Международной научно-технической конференции «Кибернетика и высокие технологии XXI века». Воронеж, 2010. — Т.2 — С. 898−908.
  17. Д.В. Экономика и технология систем технического диагностирования устройств железнодорожной автоматики и телемеханики // Труды Всеросс. научно-практ. конф. «Транспорт-2009». — Ростов-н/Д: РГУПС, 2010. С. 229−230.
  18. Д.В., Мамаев Э. А. Разработка подсистемы выявления зависимостей между сбоями устройств ЖАТ // Сборник докладов 7-й Международной научно-практической конференции «ТелекомТранс-2010». Ростов-н/Д: РГУПС, 2010. — С. 65−72.
  19. Д.В. Методы синтеза вероятностной модели зависимостей // Труды XTV Международной научно-практ. конф. «Актуальные проблемы информатики и информационных технологий». Тамбов, 2010. — С. 345 347.
  20. Д.В. Система интеллектуального анализа данных технического диагностирования устройств железнодорожной автоматики и телемеханики // Вестник РГУПС, 2010 № 2. — С. 73−79.
  21. Д.В., Мамаев Э. А. Алгоритм выявления зависимостей между сбоями устройств железнодорожной автоматики и телемеханики // Наука и техника транспорта. Москва: РГОТУПС, 2010. — С. 60−72.
  22. Д.В. Эвристический алгоритм синтеза модели зависимостей между событиями // Вестник ДГТУ, 2010 № 5. — С. 683−691.
  23. Д.В. Моделирование структуры зависимостей между сбоями устройств железнодорожной автоматики и телемеханики // Известия ВУЗов. Северо-Кавказский регион. Технические науки. Новочеркасск: ЮРГТУ (НПИ), 2010. — № 5. (в печати).
  24. Дж. Экспертные системы. Принципы разработки и программирование / Джарратано Дж., Райли Г. М.: Вильяме, 2007. — 1152с.
  25. П. Введение в экспертные системы: Пер. с англ. М.: Изд. Дом «Вильяме», 2001. -624 с.
  26. И.Д., Хатламаджиян А. Е. Гибридные интеллектуальные технологии в системах железнодорожной автоматики и телемеханики // Перспективные информационные технологии и интеллектуальные системы, № 3 (19), 2004, http://pitis.tsure.ru/
  27. А.П. Проектирование интеллектуальных систем принятия/поддержки принятия решений в инструментальной среде G2// Перспективные информационные технологии и интеллектуальные системы, № 2, 2000.
  28. Ю.И. Повышение технического совершенства и надежности функционирования систем автоматического управления устройствами тягового электроснабжения: Автореферат диссертации на соискание ученой степени д.т.н. М.: ВНИИЖТ, 1992. — 48с.
  29. JI. Понятие лингвистической переменной и его применение к принятию приближенных решений. -М.: Мир, 1976. -165 с.
  30. Искусственный интеллект. В 3-х кн. Кн. 2. Модели и методы/ Под ред. Д. А. Поспелова. -М.: Радио и связь, 1990. —304 с.
  31. С.М., Долгий А. И. Модель представления и обработки нечетко-временной информации о последовательных событиях в слабо формализованных динамических процессах. // Перспективные информационные технологии и интеллектуальные системы, № 3 (19), 2004.
  32. A.B. Гибридные интеллектуальные системы. Теория и технология разработки/ Под ред. A.M. Яшина.-СПб.: СПбГТУ, 2001.— 711 с.
  33. В.В., Греев А. Ф., Васютин C.B., Райх В. В. Базы данных. Интеллектуальная обработка информации. -М.: Нолидж, 2000. —352с.
  34. Кузнецов «Базы данных. Языки и модели», М: Бином-пресс, 2008.
  35. В.М., Родзин С. И. Эволюционные вычисления: генетическое и эволюционное программирование //Новости искусственного интеллекта № 5,2003.
  36. О.И. «Новые возможности компьютерного обучения» // Вестник РАН, 1989. Т.69, № 2. С.106−109.
  37. Лим Т. Сравнение деревьев решений и других методов классификации данных//М.: Wiley, 1993.
  38. В.М. Безопасность технических средств в системах управления движением поездов. -М.: Транспорт, 1992.
  39. H.H. Математические основы разработки и использования машинного интеллекта. -Ростов н/Д: Изд. Ростовского ун-та, 1989. -112 с.
  40. H.H., Шабельников А. Н. Техническая кибернетика на железнодорожном транспорте. — Ростов н/Д, 2002. -283с.
  41. Э.А. Моделирование региональных транспортных систем в условиях конкуренции: Автореф. дис. д-ра техн. наук. Москва: МГУПС, 2006. -48с.
  42. Э.А. Управление региональными транспортными системами в условиях изменений: проблемы и модели. /Э.А. Мамаев- Рост. гос. ун-т путей сообщения. Ростов н/Д, 2005. -195 с.
  43. В.В. Мониторинг эксплуатационных показателей на основе систем АПК-ДК и АСУ-Ш-2 // АСИ. 2006. — № 11. -С. 36−37
  44. Нечеткие множества в моделях управления и искусственного интеллекта// Аверкин А. П., Батыршин И. З., Блишун А.Ф./ Под ред. Д. А. Поспелова. -М.: Наука, 1986.-312 с.
  45. А.Б., Бушуев C.B., Валиев Р. Ш., Воронин С. Ю., Идуков А. Ю. Структура и технические средства ЭЦ-МПК // АСИ. 2006. — № 8. -С. 2−5
  46. А.Б., Бушуев C.B., Валиев Р. Ш., Воронин С. Ю., Идуков А. Ю. Проектирование пользовательского интерфейса для ЭЦ-МПК // АСИ. -2006.-№ 10. -С. 10−11.
  47. И.П. Основы автоматизированного проектирования. М.: Изд-во ¦ МГТУ им. Н. Э. Баумана, 2002.
  48. E.H. Разработка моделей и методов исследования технологических процессов в электроэнергетике с применением нечетких оценок параметров: Автореф. дис. канд. тех. наук. -Таганрог: ТРТУ, 2004. -21с.
  49. Э.В., Фоминых И. Б., Кисель Е. Б., ШапотМ.Д. Статистические и динамические экспертные системы.-М.: Финансы и статистика, 1996.— 320 с.
  50. Построение экспертных систем// Пер. с англ./Под ред. Ф. Хейса-Рота, Д. Уотермана, Д. Лената. -М.: Мир, 1987. 441 с.
  51. М.В. Проблемы диагностики устройств железнодорожной автоматики и телемеханики // Труды Всероссийской научно-практической конференции «Транспорт-2005», май 2005 г. в 2-х частях. Часть 1. Рост.гос.ун-т. путей сообщения. Ростов н/Д, 2005. -С.33−34
  52. М.В. Построение системы диагностирования и мониторинга устройств железнодорожной автоматики и телемеханики // Вестник РГУПС, № 2(26), 2007. -С.62−69
  53. О.Н., Клевцов С. И. Информационно-советующая система управления сложными объектами // Перспективные информационные технологии и интеллектуальные системы, № 2 (6), 2001, http://pitis.tsure.ru/
  54. Разработка Web-сервисов XML и серверных компонентов на Microsoft Visual Basic .NET и Microsoft Visual C# .NET. Курс MCAD/MCSD/ Пер. сангл. — М.: Издательско-торговый дом «Русская редакция», 2004. — 576 стр.
  55. С. Искусственный интеллект: современный подход / Рассел С., Норвиг П. -М.: Вильяме, 2006. 1408с.
  56. . Распознавание образов и нейросети // Cambridge University Press, 1996.
  57. С.И. Гибридные интеллектуальные системы на основе алгоритмов эволюционного программирования // Новости искусственного интеллекта. 2000. № 3. С. 159−170
  58. С.И., Родзина О. Н. Гибридные интеллектуальные классификаторы // Перспективные информационные технологии и интеллектуальные системы, № 4 (8), 2001, http://pitis.tsure.ru/
  59. Е.Н. Многоуровневая система управления и обспечения безопасности движения поездов: Автореф. дис.. д-ра техн. наук. -М.: ВНИИАС МПС России, 2004. -49с.
  60. РТМ 32 ЦШ 1 115 842.01−94. Безопасность железнодорожной автоматики и телемеханики. Методы и принципы обеспечения безопасности микроэлектронных СЖАТ.
  61. РТМ 32 ЦШ 1 115 842.02−94. Руководящий технический материал. Безопасность железнодорожной автоматики и телемеханики. Методы расчета показателей безотказности и безопасности СЖАТ.
  62. Руководящий документ РД 1 115 842.07−2004 «Системы технического диагностирования и мониторинга. Эксплуатационно-технические требования», утвержденные ЦШ ОАО «РЖД» от 10.08.2004 г.
  63. Г. В. Модели, методы и программные средства для построения интегрированных экспертных систем : Автореф. дис.. д-ра техн. наук: 05.13.11: Москва, 2004. -32 с.
  64. А. А., Михайлов А. П. Математическое моделирование: Идеи. Методы. Примеры. -2-е изд., испр. -М.: Физматлит, 2001. -320 с.
  65. В.В., Сапожников Вл. В., Христов Х. А., Гавзов Д. В. Методы построения безопасных микроэлектронных систем железнодорожной автоматики. М.: Транспорт, 1995.
  66. В.В., Сапожников Вл.В., Талалаев В. И. и др.- Под редакцией Вл.В. Сапожникова. Сертификация и доказательство безопасности систем железнодорожной автоматики. М.: Транспорт, 1997.
  67. В.В., Сапожников Вл.В., Шаманов В. И. Надежность систем железнодорожной автоматики, телемеханики и связи. / Под ред. Вл.В. Сапожникова. М.: Маршрут, 2003. — 26с.
  68. , А.А. Развитие средств автоматизации в системе АДК-СЦБ // АСИ. 2006. — № 11. — С. 32−35: ил.
  69. B.C. Устойчивые методы обработки результатов измерений. — СПб.: «СпецЛит», 1999. -240с.
  70. Д.В. Методы и средства построения распределенных интеллектуальных систем на основе продукционно-фреймового представления знаний: Автореф. канд. физмат, наук. -М.: МАИ, 2002. -19с.
  71. М. Прикладные нечеткие системы: Перевод с япон./ К. Асаи, Д. Ватада, С. Иваи и др.- под ред. Т. Тэрано, К. Асаи. М.: Мир, 1993.
  72. В.Г. Разработка адаптивных статистических моделей классификации и прогнозирования: Автореф. канд. физмат, наук. —Пермь: ИжГТУ, 2004. -17с.
  73. Э., М. ван Стеен. Распределенные системы. Принципы и парадигмы. СПб.: Питер, 2003. 877с.
  74. Е.М. Математическое моделирование рельсовых цепей с распределенными параметрами рельсовых линий. Самара: СамГАПС, 2003.- 118с.
  75. Е.М. Принципы распознавания в классификаторах состояний рельсовых линий: Монография. -М.: Маршрут, 2004. -200 с.
  76. А .Я. Силовое размещение планарного графа // Изв. АН СССР, Техн. киберн., 1988, № 3.
  77. B.JI. Интегрированная система поддержки принятия решений по управлению, прогнозированию и диагностике //Автоматизация и современные технологии 2000. — № 4. — С. 21−28
  78. Э.А. Компьютерная поддержка принятия решений: Научно-практическое издание. Серия «Информатизация России на пороге XXI века». -М.: СИНТЕГ, 1998. -376 с.
  79. Е.М., Филоненков А. И., Ломаш Д. А. Информационные системы взаимодействия видов транспорта. М.: Маршрут, 2005.
  80. УотерменД. Руководство по экспертным системам. М.: Мир, 1989.— 184 с.
  81. C.B. Система поддержки принятия решений диагностической ЭС PB в условиях неопределенности // Сб. докладов международной конференции по мягким вычислениям и измерениям SCM-98. Т. 1. -СПб., 1998. С. 199−202.
  82. Федорчук А. Е, Гоман Е. А. Система диагностики, структура построения и технология использования в эксплуатации на примере АДК-СЦБ // Автоматика и телемеханика на железнодорожном транспорте — сборник докладов «ТрансЖАТ-2005». -Ростов-на-Дону, С. 118−119.
  83. А.Е., Сепетый А. А., Снитко Ю. В., Шутов М. А., Степанова А. А. Функциональное развитие системы АДК-СЦБ // АСИ. 2005. — № 12. — С. 42−45.
  84. Р.И. Модели и алгоритмы обработки данных и знаний для повышения эффективности прогнозирования показателей сложных объектов: Автореф. дис. канд. тех. наук. -Уфа: 2002, 16с.
  85. А.В. Модели и методы дискретного анализа и синтеза в задачах технической диагностики информационных систем // Научное издание — Ростов н/Д: Изд-во ЮФУ, 2009. 169с.
  86. JI.B. Способы аналитической обработки данных для поддержки принятия решений // Системы управления базами данных, #04−05, 1998.
  87. Экспертные системы. Инструментальные средства разработки/ Под ред. Ю. В. Юдина. -СПб.: Политехника, 1996. -220 с.
  88. В.И. Итоги года фундамент дальнейшего развития компании ОАО «РЖД» / В. И. Якунин // Евразия. Вести. — 2006. — № 12.
  89. Allen J. Maintaining knowledge about temporal intervals // Communications of the ACM, 26(11), 1983, p. 331—337.
  90. Carreau D. MONITECQ III leads the way in HV circuit breaker monitoring // HydroTech vol.13, No.2 Spring-Summer 2000
  91. Carreau D., Menard S., Landry M., Eksioglu K.M. Condition Monitoring Diagnostics Expert System: A Project Roadmap // EPRI SEDC VIII New Orleans, February 22nd, 2000 1.
  92. Cheeseman P., Kanefsky В., and Taylor W. Where the really hard problems are. In Proceedings of the Twelfth International Joint Conference on Artificial Intelligence (IJCAI-91), p. 331—337, Sydney. Morgan-Kaufmann, 1991.
  93. Cobham A. The intrinsic computational difficulty of functions. In Bar-Hillel Y. (Ed.), Proceedings of the 1964 International Congress for Logic, Methodology, and Philosophy of Science, p. 24−30, Jerusalem. Elsevier/North-Holland.
  94. E. «А Relational Model of Data for Large Shared Data Banks» Communications of the ACM, 13:6, June. 1970.
  95. E. «Does Your DBMS Run by the Rules?» Computer World, October 21, 1985.
  96. Codd E. F, Codd S. В., Salley С. T. Providing OLAP (On-Line Analytical Processing) to User-Analysts: An IT Mandate. E. F. Codd & Associates, 1993.
  97. Cook S. A. The complexity of theorem-proving procedures. In Proceedings of the 3rd Annual ACM Symposium on Theory of Computing, p. 151−158, New York. ACM Press, 1971.
  98. Cooper G., Herskovits E. A Bayesian method for the induction of probabilistic networks from data. Machine Learning 9 (1992). Boston. P. 309−347.
  99. DurkinJ. Expert Systems: Catalogue of Applications. — Acron: Intelligent Computer Systems Inc., 1987.
  100. Fruchterman T.J., Reingold E.T. Graph drawing by force-directed placement // Software Practice and Experience, v.21, 1991, № 11.
  101. Fuzzy Logic Toolbox/ For Use with MATLAB. User’s Guide. Version 2. The MathWorks Inc., 1998.
  102. Jensen F.V. Bayesian networks and desicion graphs. Springer-Verlag, 2002.
  103. Karp R. M. Reducibility among combinatorial problems. In Miller R. E. and Thatcher J. W.(Eds.) Complexity of Computer Computations, p. 85—103. Plenum, New York, 1972.
  104. Lenat D. Knowledge-based systems in artificial intelligence, McGraw-Hill, 1976.
  105. Medsker L.R. Hybrid Intelligent Systems// International Journal of Computational Intelligence and Organizations. 1996. V. 1. P. 10−20.
  106. Pearl J. Probabilistic Reasoning in Intelligent Systems. Morgan Kaufmann, 1991.
  107. Quillian R., Minsky M. Semantic Memory. Semantic Information Processing, p, 235. Ibid, p.235, 1969.
  108. Ramsey F. P. Truth and probability. In Braithwaite R. B. (Ed.), The Foundations of Mathematics and Other Logical Essays. New York, 1931.
  109. Reifman J., Thomas Y., Wei C. PRODIAG: A Process-Independent Transient Diagnostic System I: Theoretical Concepts // Nuclear Science & Engineering Volume 131 • Number 3 • March 1999 • Pages 329−347
  110. Suzuki J. Learning Bayesian Belief Networks based on the Minimum Description length Principle: Basic Properties // IEICE Trans, on Fundamentals. 1999. — Vol. E82-A № 9.-9 p.
  111. Thomsen E. OLAP Solutions: Building Multidimensional Information Systems, Wiley, 2002.
  112. Witsenhausen H.S. A Class of Hybrid-State Continuous Time Dynamic Systems// IEEE Trans, on Automatic Control. 1966. 2. VI1. P. 161−167.
  113. Zheng Y., Kwoh C.K. Improved MDL Score for Learning of Bayesian Networks. // Proceedings of the International Conference on Artificial Intelligence in Science and Technology. 2004. — AISAT. — P. 98−103.
Заполнить форму текущей работой

Сессия? Спокойно!