Помощь в написании студенческих работ
Антистрессовый сервис

Математическое и программное обеспечение имитационных моделей процессов управления в биологических системах

Диссертация: Математическое и программное обеспечение имитационных моделей процессов управления в биологических системах
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Однако интеллектуальная сфера есть только малая надводная часть айсберга мыслительной деятельности, и для управления движениями человека требуется переработка огромных объемов поступающей в мозг первичной информации и синтез сигналов управления для систем с большим числом степеней свободы. Это часто находится на пределе возможностей современных компьютеров. Поэтому в середине 90-х в Японии… Читать ещё >

Математическое и программное обеспечение имитационных моделей процессов управления в биологических системах (реферат, курсовая, диплом, контрольная)

Содержание

  • ГЛАВА 1. Выбор и анализ методов решения задачи
    • 1. 1. Нечеткие системы
    • 1. 2. Искусственные нейронные сети
    • 1. 3. Гибридные интеллектуальные системы
  • Выводы по главе 1
  • ГЛАВА 2. Построение имитационной модели биомеханического многозвенника
    • 2. 1. Особенности биомеханических систем
      • 2. 1. 1. Описание системы построения движений
      • 2. 1. 2. Иерархия в биомеханических системах
      • 2. 1. 3. Обоснование выбранных методов
    • 2. 2. Описание нижнего уровня иерархии
      • 2. 2. 1. Теория равновесной точки
      • 2. 2. 2. Имитация функций сенсорной системы различной модальности
      • 2. 2. 3. Описание верхнего уровня управления, имитируемого нейросетью
    • 2. 3. Описание имитационной семиотической модели
    • 2. 4. Общее описание имитационной модели системы управления движением биомеханического многозвенника
  • Выводы по главе 2
  • ГЛАВА 3. Программные системы для создания имитационных моделей управления биомеханическим равновесием
    • 3. 1. Общее описание программного комплекса
    • 3. 2. Описание основной программы
    • 3. 3. Описание программы настройки параметров нечеткого регулятора
    • 3. 4. Описание нечетких регуляторов для имитации нижнего уровня
      • 3. 4. 1. Описание нечеткого регулятора для имитации тяги
      • 3. 4. 2. Описание процесса настройки регулятора
      • 3. 4. 3. Регуляторы, имитирующие взаимосвязь между звеньями
    • 3. 5. Программное обеспечение имитационной модели гомеостата
  • Выводы по главе 3
  • ГЛАВА 4. Программные эксперименты по обучению имитационной модели системы под держания равновесия
    • 4. 1. Исследование зависимости скорости обучения системы от используемых Т-норм
    • 4. 2. Исследование зависимости скорости обучения системы от начальных условий
    • 4. 3. Результаты исследования модели с точки зрения адекватности реальным процессам в биомеханической системе
    • 4. 4. Возможности применения модели
  • Выводы по главе 4
  • ГЛАВА 5. Результаты исследования имитационных моделей гомеостатов, применяемых в задачах моделирования процессов в биологических объектах
    • 5. 1. Имитационная модель гомеостата поддержания постоянства параметров
    • 5. 2. Описание имитационной модели гомеостата ритмов
    • 5. 3. Описание имитационной модели иерархического гомеостата
  • Выводы по главе 5

Диссертационная работа посвящена методам разработки математического и программного обеспечения имитационных моделей процессов управления в биологических системах.

Актуальность работы. Искусственный интеллект — область исследований, ориентированная на разработку компьютерных программ, способных выполнять функции, обычно ассоциируемые с интеллектуальными действиями человека: анализ, обучение, планирование, принятие решений, творческая деятельность. Методы искусственного интеллекта широко применяются в самых разных областях: в медицине, в образовании, в экономике, на транспорте, на производстве, в области обороны и безопасности.

Однако интеллектуальная сфера есть только малая надводная часть айсберга мыслительной деятельности, и для управления движениями человека требуется переработка огромных объемов поступающей в мозг первичной информации и синтез сигналов управления для систем с большим числом степеней свободы. Это часто находится на пределе возможностей современных компьютеров. Поэтому в середине 90-х в Японии на смену программы «ЭВМ пятого поколения» пришла программа «Вычисления в реальном мире», где речь идет, прежде всего, о том, чтобы дать вычислительным системам возможность самостоятельно воспринимать воздействия внешнего мира и действовать в нем. Авторы программы огромную роль — до 40% ее содержания — отводят исследованию естественных моделей поведения и созданию искусственных нечетких и нейросетевых систем для их моделирования. Эти обстоятельства и определяют актуальность тематики настоящей работы — разработки и исследования гибридного интеллектуального подхода к построению и программной реализации имитационных моделей поведения биологических систем. В русле этой тематики на основе нейронечеткого подхода была разработана и программно реализована имитационная модель движения человека, учитывающая основные особенности поведения биологических объектов, которыми являются принципиальная неопределенность ряда параметров, необходимость решать одновременно ряд различных задач и возможность самостоятельного целеполагания.

Задачей настоящего исследования явилось повышение интеллектуальных возможностей нейронечетких систем за счет разработки предметно-ориентированных нечетких баз знаний продукционного типа.

Методы искусственного интеллекта, применимые к моделированию процессов управления в биомеханических системах, были развиты в работах А. Н. Аверкина, И. З. Батыршина, А. Г. Беленького, JI.C. Бернштейна, В. И. Городецкого, В. Н. Вагина, В. В. Емельянова, А. П. Еремеева, А. А. Зенкина, О. П. Кузнецова, О. И. Ларичева, А. Н. Мелихова, А. С. Нариньяни, Г. С. Осипова, Э. В. Попова, Г. С. Поспелова, Д. А. Поспелова, В. Г. Редько, ВЛ. Стефанюка, В. Б. Тарасова, Э. А. Трахтенгерца, В. К. Финна, И. Б. Фоминых, Г. С. Цейтлина, В. Ф. Хорошевского, М. П. Шестакова, А. И. Эрлиха.

Гомеостатика изучает ряд систем управления в биологических объектах, которые характеризуются наличием двух совместно работающих, но различных между собой по структуре и целям подсистем и управляющей ими структуры верхнего уровня. Для таких систем характерна высокая устойчивость и быстрая адаптируемость. Основы гомеостатики были изложены в работах Ю. М. Горского, С. В. Покровского, А. В. Теслинова, А. А. Степанова.

Цель работы. Целью работы является исследование различных подходов к построению имитационных моделей биологических систем на основе нейробионических методов искусственного интеллекта с помощью компьютерного моделирования и разработка необходимого математического и программного обеспечения.

Основные направления работы сводятся к решению следующих задач:

— Разработка алгоритмов обучения имитационных моделей систем управления, включающих усложнение работы, целей и изменение структуры систем в процессе обучения.

— Исследование влияния выбора Т-норм на скорость обучения системы и адекватность функционирования имитационной модели.

— Разработка программного комплекса для построения и исследования гибридных многоуровневых нейронечетких систем, основанных на иерархических принципах.

— Создание программного комплекса для имитационных моделей гомеостатов, исследование с помощью этих моделей работы гомеостатов в нормальном режиме и при возникновении нарушений в системе управления.

Методы исследования.

Поставленные задачи решаются с помощью методов нейронных сетей, нечетких систем и гомеостатов.

Достоверность научных результатов.

Достоверность научных результатов подтверждается:

— соответствием основных теоретических результатов экспериментальным;

— апробацией основных результатов на конференциях;

— внедрением гибридной иерархической нейронечеткой системы в РГАФК с целью моделирования и исследования процессов управления в биомеханических системах.

Научная новизна Новыми являются:

1. 3-х-слойная иерархическая архитектура гибридных интеллектуальных нейронечетких систем.

2. Алгоритмы построения самообучающихся систем с изменяемой структурой и с возможностью самостоятельного целеполагания.

3. Алгоритмы обучения гибридных интеллектуальных систем на основе изменения используемых в нечетких регуляторах триангулярных норм.

4. Компьютерные модели для исследования адаптивности, надежности и помехоустойчивости систем, созданных на основе гомеостатического подхода.

Реализация результатов. Иерархическая нейронечеткая система внедрена в Российской государственной академии физической культуры для использования в образовательном процессе с целью исследования процессов управления и обучения в биомеханических системах в курс «Основы теоретической и практической подготовки спортсменов» и в Московском энергетическом институте для использования в учебном процессе по теме «Искусственный интеллект» с целью изучения принципов работы нечетких регуляторов. Получены акты о внедрении программного комплекса для решения задач изучения процессов формирования двигательных программ от РГАФК и о внедрении программного комплекса в образовательный процесс от кафедры прикладной математики МЭИ.

Апробация работы. Основные результаты работы докладывались и обсуждались на 6-ой и 7-ой научных конференциях аспирантов и студентов «Радиотехника, электроника, энергетика» в Московском Энергетическом институте, (Москва, 2000, 2001), на конференциях «Информационные технологии в науке, образовании, телекоммуникации, бизнесе ITSE'2000, ITSE'2001», (Гурзуф, 2000, 2001), на 16-м Международном семинаре «Гомеостатика живых, природных, технических и социальных систем», (Москва, 2000), на конференции «Нейрокомпьютеры и их применения» в Институте проблем управления (Москва, 2000), на конференциях.

Электроника-2010. Перспективные виды электротехнического оборудования для передачи и распределения электроэнергии ТРАВЭК'2001, ТРАВЭК'2003″ (Марфино, 2001, Солнечногорск, 2003), на конференциях «Физиология мышечной деятельности» в Российской Государственной Академии физкультуры и спорта (Москва, 2001, 2002), на 8-й национальной конференции по искусственному интеллекту с международным участием КИИ'2002 (Коломна, 2002), на общемосковском семинаре по искусственному интеллекту (Москва, 2002), на 7-м конгрессе европейского колледжа спортивных наук, (Греция, Афины, 2002), на сателлитном симпозиуме «Интеллектуальные системы управления движениями человека» в рамках 7-го международного конгресса «Современный олимпийский спорт и спорт для всех», (Москва, 2003), на специальной секции международного симпозиума EUNITE-2003 «Гибридный и адаптивный вычислительный интеллект в медицине и биоинформатике» (Оулу, Финляндия, 2003).

Публикации. Основные результаты, полученные при выполнении диссертации, опубликованы в 14 печатных работах.

Структура и объём работы. Диссертация состоит из введения, пяти глав, заключения и списка использованной литературы, содержит 66 рисунков, 1 диаграмму, список литературы включает 101 наименование. Общий объём диссертации составляет 134 страницы.

Выводы по главе 5.

1. Доказано, что применение гомеостатического подхода позволяет создавать системы управления с высокой степенью адаптивности, устойчивости и способностью противодействовать проникающей помехе.

2. В результате экспериментов над имитационной моделью гомеостата установлено, что гомеостат поддержания постоянства параметров может компенсировать значительные релеобразные возмущения и сохранять работоспособность при различных нарушениях в системе.

3. В результате экспериментов над имитационной моделью гомеостата установлено, что гомеостат поддержания постоянства ритмов может поддерживать независимо фазу, амплитуду и частоту, причем частоту ритмов этот гомеостат может менять в пределах от 0.1 до 100 секунд, показывая высокую степень адаптивности.

В результате экспериментов над имитационной моделью гомеостата установлено, что иерархический гомеостат способен поддерживать постоянство соотношений при значительных изменениях входного значения.

ЗАКЛЮЧЕНИЕ

.

В ходе работы получены следующие результаты:

1. На основе методов искусственного интеллекта разработана архитектура нового класса гибридных нейронечетких имитационных систем моделирования управления движениями и обладающих семиотическими свойствами, такими, как возможность самостоятельного целеполагания и изменения структуры модели.

2. Разработаны алгоритмы, позволяющие менять иерархическую структуру гибридной нейронечеткой имитационной системы за счет создания верхних уровней управления, что позволяет системе повысить эффективность обучения функционированию в новых условиях.

3. Разработан программный комплекс для создания имитационных моделей управления, с помощью которого создана система управления биомеханическим многозвенником и доказана адекватность основных характеристик этой модели характеристикам реальных биомеханических процессов управления и обучения.

4. В результате ряда программных экспериментов установлено, что применение вероятностной Т-нормы уменьшает на 40% значение ошибки процесса обучения управлению движениями верхнего уровня системы управления движениями по сравнению с Т-нормой Лукасевича.

5. Для исследования процессов равновесия в биологических системах разработан программный комплекс для имитационного моделирования гомеостатовв ходе программных экспериментов, проведенных на его основе, установлено, что системы управления, созданные на основе гомеостатического подхода, обладают высокой степенью адаптивности и устойчивости.

Программный комплекс для решения задач изучения процессов формирования двигательных программ используется в образовательном процессе в Российской Государственной Академии физкультуры (РГАФК) и на кафедре прикладной математики при Московском энергетическом институте (Техническом Университете), что подтверждается соответствующими актами.

Показать весь текст

Список литературы

  1. Zadeh L.A. Fuzzy sets.// 1. formation and Control.— 1965.--№ 8.— P. 338−353.
  2. Zadeh L.A. Quantitative fuzzy semantics// Information Sciences. 1971.—№ 3, 159−176.
  3. Jonh R. Representing Knowledge using type-2 Fuzzy sets// Knowledge Transfer, 1996, July.-P. 168−185.
  4. Прикладные нечеткие системы/ под редакцией Т. Тэрано, К. Асаи, М. Сугено, М.: Мир, 1993.-с.249.
  5. М. Самонастраивающийся нечеткий контроллер// Кэйсоку дзидо сэйге гаккай ромбунсю. Т.24,1998.—С. 161−168.
  6. М. Управление скоростью автомобиля с помощью нечеткого логического контроллера// Кэйсоку дзидо сэйге гаккай ромбунсю. Т.22., 9,1985.—С. 984−989.
  7. К., Вадата Д., Ваи С. «Прикладные нечеткие системы». М.: Мир, 1993.—368 с.
  8. Pagni A., Poluzzi R., Rizzotto G. WARP: Weight associative rule processor, an innovative fuzzy logic vontroller// IIZUKA'92−2ND: Proceedings of International conference on Fuzzy Logic and Neural Networks, 1992.- P.12−18.
  9. A.H., Головина Е. Ю. Программное окружение разработки нечетких регуляторов.- М.: МЭИ, 1999.-147 с.
  10. Averkin A.N. Decision Making Based on Multivalued Logic and Fuzzy Logic. Architectures for Semiotic Modeling and Situation Analysis in Large Complex Systems// ISIC Workshop: Proceedings, Monterey, California, 1995.- P. 185−189.
  11. П.Захаров В. Н., Ульянов С. В. Нечеткие модели интеллектуальных промышленных регуляторов и систем управления. 1. Научно-организационные, технико-экономические и прикладные аспекты.- Известия АН РАН. Сер. Техн. кибернетика, N 5, 1992. -С. 171−196.
  12. В.Н., Ульянов С. В. Нечеткие модели интеллектуальных промышленных регуляторов и систем управления. 2. Эволюция и принципы построения. /Известия АН РАН. Сер. Техн. кибернетика, N 4, 1993.-С. 189−205.
  13. Zadeh, L. A. Fuzzy logic and the calculi of fuzzy rules and fuzzy graphs: a precision// Multiple Valued Logic.—1996.—№ 1. P.38.
  14. Sugeno M., Park G.-K. An approach to linguistic instruction based learning.-International Journal of Uncertainty, Fuzziness and Knowledge-Based Systems.— 1993 —№ 3.—P. 19−56.
  15. Valverde L., Trillas E. On modus ponens in fuzzy logic // The International Sysmposium on Multiple-Valued Logic: Proceedings—Kingston, Ontario, Canada.— 1985.
  16. M.B., Попов O.C. Элементы искусственного интеллекта в проблеме управления сложным динамическим объектом // Автоматика и телемеханика.—1997. -№ 8-С. 118−124.
  17. Т.А. Нечеткий нейросетевой контроллер для управления динамической системой // «Нейрокомпьютеры и их применение»: Тезисы IV-й Всероссийской конференции.— М.: МГАПИ, 2002. С.15−18.
  18. Введение в нечеткие методы/ Нечеткие вычисления/ Сайт Тора-Центр http://www.tora-centre.ru/library/fuzzy/fuzzy.htm, Oct, 2000.
  19. Mamdani Е.М. Applications of Fuzzy Algorithms for a Simple Dynamic Plant, Proc. IEE, vol.121 (1974).
  20. Watanabe H., Dettloff W. and Yount K. VLSI Fuzzy Logic controller with Reconfigurable Cascadble Architecture// IEEE Journal of solid-state circuits.— 1990. -№ 2.—Vol.5—P.56−58.
  21. Kraft D.N. Fuzzy information Systems: managing uncertainty in databases and information retrieval systems// Fuzzy Sets And Systems.—1997.—№ 5.—Vol.4.— P.348−352.
  22. Zadeh L.A. Fuzzy sets and their application to pattern clasification and cluster analysis/ Classification and Clustering (Ed. by J. Van Ryzin).— Academic Press.— 1977.
  23. Nauck D., Kruse R.A. Fuzzy Neural Network Learning Fuzzy Control Rules and Membership Functions by Fuzzy Error Backpropagation// ICNN'93: Proceeding of IEEE International Conference on neural networks.—San Francisco.— 1993.
  24. Kosko B. Fuzzy Engineering.— Prentice-Hall, New Jersey.—1997. P.549.
  25. В.В. Методы искусственного интеллекта и экспертные системы, раздел «Естественный интеллект и его моделирование»,— М.: МИСИС, 1992.-С.220.
  26. Gupta М.М., Qi J. Design of fuzzy logic controllers based on generalized T-operators. // Fuzzy Sets and Systems, 1991—№ 40—P. 473 489.
  27. Chaiyaratana N, Zalzala A M S Friction compensation using neural networks and genetic algorithm// CLAWAR 99: Proceedings of 2nd International Conference on Climbing and Walking Robots — 1999.—pp.279−291.
  28. Методы обучения нейронных сетей/ Искусственный интеллект, сайт Харьковского Государственного Университета http://ai.kharkov.eom/~off/u/mmbi/rp.htm, Oct, 1998.
  29. Искусственные нейронные сети адаптивного резонанса/ Искусственные нейронные сети, www. radann/al ware/neural .html, Nov, 1998
  30. Ahmad R. M. An intelligent environment for identification and classification of industrial processes// Proceedings of the Conference on Artificial Neural Networks, Teheran, 1998. P.28−32.
  31. Young D., Teplic J., Weed H., Tracht N., Alvarez A. Application of Statistical Design and Response Surface Methods to Computer-Aided VLSI Device Design II: Desirability Functions and Taguchi Methods .//IEEE Transactions on CAD. 1991.- P.431−434.
  32. Основные области применения искусственных нейронных сетей/ Искусственные нейронные сети/ Сайт фирмы Bizcom, www.bizcorn.ru/neura1. Sept, 2001.
  33. Narendra K.S., Parthasarathi К. Using of artificial neural networks. New York, 1992.-239 pp.
  34. Steck Dj, Rokhaz K. Use of neural networks in control of high alpha maneuvers. New York, 1993.-248 pp.
  35. Randall M J, Pipe A G, Winfield AFT «Adaptive neural control of walking robots with guaranteed stability», 2nd International Conference on Climbing and Walking Robots (CLAWAR 99), September 13, 1999, pp. 111−122
  36. Batyrshin I., Kaynak O., Khabibulin R. Test generation for clustering algorithms, in: New Trends in Artificial Intelligence and Neural Networks (Ed. by T. Ciftcibasi, M. Karaman, V. Atalay), EMO Scientific Books, Ankara, 1997, 195 -199.
  37. Искусственный интеллект.- В 3-х кн. Кн.2. Модели и методы: справочник/Под ред. Д. А. Поспелова.-М.: Радио и связь, 1990.- 304 с.
  38. А.Н. Нейросети шагают по планете/ Open System. 1998. N6.-C.25−31.
  39. Описание машины Больцмана фирмы Attrasoft/ Сайт фирмы Attrasoft, http://www.attrasoft.com/Products/Bolsman.html, Apr, 2001.
  40. Milliken P. How many kinds of Kohonen networks exist/ Computing on methods of artificial Intelligence, www.comp.ai.neural-net/Partl/html, June, 1999.
  41. М.П. Использование теории нейронных сетей в спорте. М.: ФОН, 1997.- 128 с.
  42. М.П. Искусственный интеллект в спортивной науке XXI века// Теория и практика физической культуры. № 7, 2000.- С. 85.
  43. Selujanov V.N., Shestakov М.Р. Biomechanism and neuron network as the base of the theory of technical training in sports// Abet, of Inter. Symp. «Brain and movement». St. Petersburg-Moscow, 1997.-P.168.
  44. Mizumoto M., Shi Yan, A new approach of neurofuzzy learning algorithm, Intelligent hybrid systems: fuzzy logic, neural networks and genetic algorithms, Kluwer Academic Publishers, pp. 109−129, 1997.
  45. Bersini H., Bontempi G. Now comes the time to defuzzify neuro-fuzzy models.-Fuzzy Sets and Systems. № 90, -1991 — pp.161 169.
  46. Eklund P., Klawon F. Distributing Errors in Neural Fuzzy Control// Proc.2nd Int.Conf. on Fuzzy Logic and Neural Networks IIZUCA'92.— Iizuka— 1992.
  47. К.В. Оптимизация алгоритма работы нечеткого регулятора скорости электромотора.// «Новые информационные технологии»: Тезисы докладов научно-технической конференции.— М.: МГАПИ, 2000 г., С. 100−104.
  48. Jang R., Neuro-Fuzzy modeling: architectures, analyses and applications, PhD Thesis, University of California, Berkeley, July 1992.
  49. Mamdani E.H., Assilian S., An experiment in linguistic Synthesis with Fuzzy logic controller/ International journal of man-machine studios, Vol. 7, pp.1−13.—1975.
  50. Kasabov N. Evolving connectionist and Fuzzy connectionist systems—theory and applications for adaptive on-line intelligent systims / Neuro-fuzzy techniques for intelligent information processing, Physica Verlag, 1999.
  51. Juang Chia Feng, Lin Chin Teng. An online self-constructing neural fuzzy inference network and its applications/ IEEE transactions on Fuzzy systems, Vol.6, No. l, pp. l2−32, 1998.
  52. Tano S., Oyama Т., Arnould T. Deep combination of fuzzy inference and neural networks in fuzzy inference, Fuzzy sets and systems, № 82 (2) — pp. 151−160.— 1996.
  53. Mackey M.C., Glass L. Oscillation and chaos in physiology control systems/ Science Vol.197, -pp.287−289, -- 1997.
  54. Chew C.M., Pratt G.A., A general control architecture for dynamic bipedal walking// Proceeding IEEE International Conference on robotics and automation.—2000.—pp. 3989−3995.
  55. Kun A.L., Miller T.W., Conttrol of variable speed gaits for a biped robot/ IEEE Robotics automation magazin, № 63, pp. 19−29.— 1996.
  56. Prabhu S.M., Garg D.P., Fuzzy-logic-based reinfircement learning of admittance control of automatic robotic manufacturing/ Applications of Artificial intelligence. № 11— pp. 7−23.
  57. Salatan A.V. Yi K.Y., Zheug Y.F., Reinfocement learning for biped robot to climb sloping surfaces/ Journal of robotic systems. № 14.— pp. 283−296.
  58. Vucobracovich M. Biped Locomotion, Springer-Verlag New-York, 1990, 294 pp.
  59. Hailu G., Sommer G., Integrating symbolic knowledge in reinforcement learning// Proceedings IEEE international conference on Systems, man and cybernethics, 1998.—pp. 1491−1496.
  60. Gait S, Luk В L, Chen S, Istepanian R «Intelligent walking gait generation for legged robots», 2nd International Conference on Climbing and Walking Robots (CLAWAR 99), September 13, 1999, pp. 605−614.
  61. Watanabe K., Sangho J., Fuzzy control for robor manipulators with artificial rubber muscles/ Fuzzy Sets and Systems, 40, 2001, 373 394.
  62. НА. Назревшие проблемы регуляции двигательных актов. -М.-.Наука, 1976. -249 с.
  63. Шик M.JI. Регуляция позы человека. М.: Наука, 1965.-448 с.
  64. Massion J. Postural synergies in axial movements: short and long-term adaptation // Exp. Brain Res., 1989—pp. 74:77.
  65. Matthews P.B., Stein R.B. The sensitivity of muscle spindle afferents to small sinusoidal changes of length.// Journal of Physiology (London) 2000.-P. 723−743.
  66. Nashner L. Fixed patterns of rapid postural responses among leg mucles during stance//Exp. Brain Res, 1976. 30:13−24
  67. Crago J., Houk C., Hasan Z. Regulatory Actions of Human Stretch Reflex., Journal of Neurophysiology. 1996.- 39:925−935.
  68. П.К. Избранные труды: Кибернетика функциональных систем/ Под ред. К. В. Судакова. Сост. В. А. Макаров. -М.: Медицина, 1998.- 400 с.
  69. А.С., Таиров О. П. Мозг и организация движений. JL: Наука, 1978. -140 с.
  70. М.Б., Гельфанд И. М., Фельдман А. Г. Модель управления движениями многосуставной конечности / Биофизика, 1986, т. XXXI, вып. 1, с. 128−137.
  71. Н.А. Очерки по физиологии движений и физиологической активности. -М.: Медицина, 1966. 349 с.
  72. Н.А. Построение движений, М.: Наука, 1990.—450 с.
  73. А.Г. Центральные и рефлекторные механизмы управления движениями. -М.: Наука, 1979. 183 с.
  74. Д.А. Логико-лингвистические модели в системах управления.- М.: Энергоиздат, 1981.- 232 с.
  75. А.Г., Федосеева И. Н. Прагматические шкалы в семиотических интеллектуальных системах.//Сборник трудов 7-й всероссийской конференции «Нейрокомпьютеры и их применение», Москва, ИПУ, 2001, с .663−669.
  76. А.Г., Федосеева И. Н. Прагматический аспект семиотических интеллектуальных систем.// Сборник трудов международного научно-практического семинара «Интегрированные модели и мягкие вычисления в искусственном интеллекте, Коломна, 2001, с.138−143.
  77. А.Н., Федосеева И. Н. Параметрические логики в интеллектуальных системах управления. М: ВЦ РАН, 2000, 60 с.
  78. П. А. Управление односуставными движениями у человека.- М.: «Физкультура и спорт», 1995.-275 с.
  79. Bellman R.E., Zadeh L.A. Decision-making in a fuzzy environment.-Management Sci.,-1970.- V.17,4, 141−164.
  80. В.Б. Моделирование предпочтений в задачах принятия решений параметризованными нечеткими отношениями// Нечеткие системы: моделирование структуры и оптимизация.- Калинин: Изд-во КГУ, 1987.-С. 17−30.
  81. И. М. Гурфинкель В. С., Цетлин М. Л. О тактиках управления сложными системами в связи с физиологией. / Биологические аспекты кибернетики. М.: Наука. 1962.-С.128−133.
  82. Н.А. Физиология движений и активность. М.: Наука, 1990. -494 с.
  83. Marsden C.D., Merton Р.А., Morton Н.В. Anticipatory postural responses in the human subject proceedings.// Journal of Physiology (London). 1978.-P.47−48.
  84. Heckman С .J., Sandercock T.G. From Motor Unit to Whole Muscle Properties During Locomotor Movements// Exercise and Sport Sciences Reviews. Vol.24, 1996.-P. 109−133.
  85. B.C., Сталоватов E.B. Механический анализ методики стабилографии. / Бюллетень экспериментальной биологии, т.1. 5.-М.: ФОН, 1972.-С.9.
  86. Н. Кибернетика или управление и связь в животном и машине. М: Советское радио, 1968.- 359 с.
  87. Р.С. Теория и практика физической культуры.-М. Физкультура и спорт, 1969.-С.28−45.
  88. Ю.М. Основы гомеостатики. Гармония и дисгармония в живых, природных, социальных и искусственных системах. Иркутск: издательство Иркутской государственной экономической академии, 1998.-336 стр.
  89. Ю.М., Попова О. М. Имитационная модель гомеостатической сети и исследование её свойств. //Proceedings of 2-й Symposium on Simulation Systems—Ostrava. 1989.—С. 197−201.
  90. Е.В. Программное обеспечение ритмического и иерархического гомеостатов. // Труды международной конференции IT+SE'2001 (Информационные технологии в науке, образовании, телекоммуникации, бизнесе)—Ялта, Гурзуф, 2001.—С. 136.
  91. В.М. Гомеостатические аспекты компьютерной имитации автотранспортных систем /Труды 14-го Международного семинара «Гомеостатика живых, природных, технических и социальных систем».- М.: Изд. Столичного гуманитарного университета, 1988.-С.75.
  92. Е.В. Некоторые результаты аналитических исследований логических структур и их функционирования //Труды VI Международного Симпозиума «Экоэтика», 26 декабря 2002 года, М.:МГТУ им. Баумана, 2002—С.131−135.
  93. Ректор Ро^Ж^й^Ш (ственногоуниверситета физичестс&и^^шгтуры и спорта2003 г. 1. АКТо внедрении результатов кандидатской диссертационной работы Деныциковой Екатерины Владимировны
  94. Использование результатов диссертационной работы Деныциковой Е. В. позволило повысить эффективность труда преподавателя за счёт автоматизации текущего контроля знаний студентов.1. Свищев И.Д.
  95. Профессор, доктор педагогических наук Зам. директора института повышения квалификации и переподготовки кадров1. Шестаков М. П. jJLl'
  96. Профессор, доктор педагогических наук1. АКТо внедрении результатов кандидатской диссертационной работы Деныдиковой Екатерины Владимировны
  97. Разработанное в диссертационной работе программное обеспечение используется в учебном процессе студентов 4-го и 5-го курсов по дисциплине «Нетрадиционные модели вычислений» (лектор к. физ.-мат. наук, доц. Аверкин А.Н.).
  98. Внедрение результатов диссертационной работы Деньщиковой Е. В. позволило повысить эффективность учебного процесса за счёт создания адаптивных и наглядных систем, моделирующих нечеткий регулятор.
  99. Зам. зав. кафедрой по учебной работе д.т.н., проф.
  100. Зав. кафедрой прикладной математики д.т.н., проф.1. Еремеев А.П.1. Федин В.А.
Заполнить форму текущей работой

Сессия? Спокойно!