Принципы конструирования интеллектуальных систем

Процесс ДСМ-рассуждения может быть представлен посредством следующей схемы обобщенного немонотонного вывода:

_{0, m}: [АКП⁽⁾]=t,(_2n1=_2n+1),

где {+, }, _2n1, _2n, а _{0, m} - база фактов при m -том пополнении таком, что _m, {+, }.

Заметим, что возможно определить более информативную оценку АКП⁽⁾, если положить, что [АКП⁽⁾]=t,, 2n или [АКП⁽⁾]=f,, 2n, где 2n - номер последнего шага применения п.п.в.-2.

Следует обратить внимание на динамический и конструктивный способ порождения истинностных значений гипотез Jh на каждом из этапов ДСМ-рассуждения. На Этапе I =, n, где n0, порождаются посредством п.п.в.-1 и п.п.в.-2, а параметр n выражает число применений этих правил (степень правдоподобия гипотез). На Этапе II и в процессе ДСМ-рассуждений порождаются истинностные значения t, и f,, где параметр выражает степень каузальной полноты, соответствующий АКП⁽⁾ и также определяется конструктивно. Конструктивность порождения истинностных значений в ДСМ-методе АПГ отличает ДСМ-рассуждения от рассуждений в нечетких логиках, в которых истинностные значения зависят от априорно заданных -функций принадлежности.

Охарактеризуем теперь ИС типа ДСМ следующим образом: Рассуждатель, реализующий ДСМ-рассуждения, применяется к БФ₀:

Рассуждатель (БФ₀)= _2n12n, где _2n1=_2n+1, а - множество аксиом базы знаний (аксиомы предметной области, аксиомы структуры данных и АКП⁽⁾, {+, }), а также декларативное представление п.п.в.-1 и п.п.в.-2, используемое для дедуктивной имитации ДСМ-рассуждений [20, 16]).

Обозначим посредством _2n гипотезы, представляющие предикат X₁Y, которые получены на последнем шаге применения п.п.в.-2: _2n=⁺_2n2n ⁰_{2n 2n}, т.е. _2n=_2n\ ₀ (описания без начального ₀ - описания начального состояния БФ).

БЗ ИС типа ДСМ есть следующее упорядоченное множество:

БЗ= , _2n12n, Г, С, где _2n1=_2n+1, Г - множество правил, содержащих п.п.в.-1 (индукцию), п.п.в.-2 (аналогию), схемы абдуктивного объяснения БФ₀ (абдукцию), а С -множество имеющихся вычислительных процедур, реализуемых Вычислителем, который является подсистемой Решателя задач ИС типа ДСМ.

Важным обстоятельством является возможность модификации и усиления правил правдоподобного вывода КПЭ-рассуждений ДСМ-метода АПГ, использование которых осуществляется в различных стратегиях ДСМ-метода (некоторые из них охарактеризованы в Приложении II). Выбор стратегий, адекватных исследуемой предметной области, осуществляется посредством препроцессинга в экспериментальном режиме ИС, являющейся человеко-машинной системой.

ИС типа ДСМ, реализующие ДСМ-метод АПГ, автоматизируют ДСМ-эвристику - «индукция + аналогия + абдукция». Эта эвристика является примером класса эвристик - «сходство - предсказание - объяснение БФ».

ДСМ-эвристика, осуществляемая посредством ДСМ-метода АПГ, автоматизируется посредством интеллектуальных систем типа ДСМ. ДСМ-системы имеют архитектуру, рассмотренную выше:

ИС=Решатель задач + информационная среда + комфортный интерфейс, где информационная среда есть база знаний (БЗ) и база фактов (БФ), охарактеризованные выше, а Решатель задач содержит Рассуждатель, реализующий такты ДСМ-рассуждений и процесс ДСМ-рассуждений, что предполагает интерактивный режим работы человеко-машинной ДСМ-системы. Результатом работы ДСМ-системы, как было рассмотрено выше, является интеллектуальный анализ данных (порождение гипотез о причинно-следственных зависимостях и автоматическое расширение БЗ) и предсказание наличия (отсутствия) эффектов у объектов (субъектов в ИС для социологии и криминалистики), имеющих в БФ оценки «неопределенно».

Так как ДСМ-системы реализуют посредством индукции (п.п.в.-1) принцип «сходство фактов влечет наличие (отсутствие) изучаемых эффектов и их повторяемость», то ДСМ-метод является логико-комбинаторным средством машинного обучения.

Так как ДСМ-системы реализуют КПЭ-рассуждения, характеризуемые Утверждениями А1 - А9, и Принципы интеллектуального анализа данных I - XI, то ДСМ-системы являются интеллектуальными системами, имитирующими и усиливающими некоторые из способностей (1) - (13), представляющие феноменологию естественного интеллекта. В силу сказанного ДСМ-системы являются инструментальным средством поддержки научных исследований, анализа медицинских данных, а также средством интеллектуализации роботов.

Так как ДСМ-системы удовлетворяют Принципу VIII (инвариантности структуры Рассуждателя относительно варьируемости предметных областей и структур данных), то они применимы для различных предметных областей таких, что выполняются условия применимости ДСМ-метода АПГ. ДСМ-системы имеют «ядро», реализуемое Рассуждателем, и «настройку» на предметную область (структура данных, аксиомы предметной области, вычислительные процедуры).

Разнообразие предметных областей, к которым применимы ДСМ-системы, является экспериментальным оправданием ДСМ-метода АПГ. Предметными областями, для которых были созданы интеллектуальные системы типа ДСМ, являются фармакология, медицинская диагностика, социология, криминалистика и роботы с адаптивным поведением.

Первыми интеллектуальными системами, которые содержали Решатели задач, осуществляющие ДСМ-метод АПГ, были ДСМ-системы для прогнозирования биологически активных химических соединений [29]. Эти системы в качестве БФ имеют представление предиката X₁Y, где значением Х является описание структуры химических соединений, а значениями Y является информация о биологической активности соединения Х. На Этапе I посредством п.п.в.-1 (индукции) порождаются гипотезы типа «подструктура химического соединения является причиной наличия (отсутствия) биологической активности W». Таким образом порождается предикат V₂W, образующий фрагмент БЗ. Эти фрагменты базы знаний имеют вид БЗ_n={V,W| J_(,2n1) (V₂W)}, где {1,1, 0}, а n1. Элемент V пары V,W называется фармакофором биологической активности W, если =1; V называется антифармакофором, если = 1.

Посредством п.п.в.-2 (аналогии) на Этапе I порождаются расширения начального состояния БФ₀ БФ_n={V,W| J_(,2n) (V₁W)}, где {1,1, 0}, а n1. БФ_n также являются порождаемыми фрагментами базы знаний, состояшей из множества фармакофоров и антифармакофоров и предсказаний о наличии (отсутствии) соответствующих биологических активностей у химических соединений из БФ₀ (отметим, что в БФ₀ имеются примеры фактов с оценкой «неопределенно»).

Таким образом, в результате работы ДСМ-системы порождаются гипотезы - фармакофоры (фрагменты химической структуры, ответственные за проявление биологической активности) и гипотезы - антифармакофоры, представляющие фрагменты химической структуры, наличие которых приводит к отсутствию биологической активности у данного химического соединения. Посредством гипотез фармакофоров и гипотез антифармакофоров предсказывается биологическая активность химических соединений, предложенных на прогноз. Таким образом, ДСМ-рассуждения являются КПЭ-рассуждениями, порождающими новое знание с использованием БФ₀ и процедур машинного обучения.

Экспериментальная проверка эффективности предсказаний биологических активностей химических соединений посредством ДСМ-метода АПГ проводилась на массивах химических соединений одного ряда, либо соединений, принадлежащих к разным химическим классам. Было исследовано около 5000 химичесих соединений, обладающих противоопухолевой, психотропной, антибактериальной, антилепрозной, канцерогенной, мутагенной и токсичной активностью. Результаты полученных прогнозов посредством ДСМ-систем подтверждены биологическими испытаниями на животных. На основании выделенных фармакофоров и антифармакофоров, порожденных ДСМ-системой, синтезированы и испытаны: 3 соединения с высокой антилепрозной активностью, 3 соединения - ингибиторы холинэстеразы, 2 соединения с антибактериальной активностью.

В 2001 году в рамках Общеевропейской конференции по машинному обучению и открытию закономерностей во Фрайбурге (Германия) на Симпозиуме по предсказательной токсикологии ДСМ-система была признана оптимальной в ходе соревнований по предсказанию токсичности предложенного массива химических соединений (по результатам соревнований компьютерных программ ДСМ-система заняла первое место с учетом верно и неверно предсказанных токсичных соединений) [13].

Экспериментально установлено, что для различных предметных областей ДСМ-метод АПГ имеет высокую точность предсказаний в силу наличия средств фальсификации порождаемых гипотез посредством М⁺ и М предикатов, гипотез вида J_{0, n}(C₂Q), а также посредством Этапа 2 ДСМ-рассуждения - абдуктивного принятия гипотез.

Для анализа данных о непрямых канцерогенах и хронической токсичности химических соединений и порождения соответствующих прогнозов потребовалось развитие ДСМ-метода АПГ - настройка ДСМ-систем на предметную область (представление знаний, добавление вычислительных процедур в Решателе задач, введение числовых параметров). Настройка ДСМ-системы на предметную область состояла в учете метаболизма веществ в организме, вида животных (для прогноза канцерогенности), вводимой дозы вещества и количественной оценки биологической активности. Для решения задач прогнозирования токсичности и канцерогенности были созданы специальные варианты ДСМ-системы [29, 42 - 45].

В [46] была создана экспериментальная версия ДСМ-системы, имитирующая биотрансформации (для некоторых типов реакций) с использованием базы знаний для необходимых условий биотрансформации. ДСМ-система посредством п.п.в.-1 (индукции) способна порождать достаточные условия биотрансформации, а посредством п.п.в.-2 (аналогии) способна порождать гипотезы о метаболизируемости химических соединений, из которых специальная программа, использующая достаточные условия биотрансформации, порождает метаболиты [29, часть 2], являющиеся гипотезами ДСМ-системы.

В ВИНИТИ РАН была создана гибридная интегрированная интеллектуальная система с Решателем задач, содержащим ДСМ-Рассуждатель и Вычислитель, реализующий процедуры регрессиального анализа и квантово-химические расчеты [44, 45]. Созданная ДСМ-система предназначена для прогнозирования биологической активности химических соединений (в том числе, токсичности и канцерогенности). Гибридность системы обусловлена тем, что в БФ содержатся представления химических соединений, имеющие как структурные характеристики, так и числовые параметры. Числовые параметры используются в Вычислителе для установления одной из компонент сходства химических соединений, вторая компонента определяется Рассуждателем для структурных характеристик химического соединения. Комбинирование работы Рассуждателя и Вычислителя характеризует эту ДСМ-систему как интеллектуальную интегрированную систему.

Таким образом, для анализа наличия и степени канцерогенности, а также для установления класса опасности по хронической токсичности была создана версия интеллектуальной ДСМ-системы, в которой в БФ содержатся гибридные объекты, состоящие из структур химических соединений и числовых параметров, характеризующих физико-химические свойства изучаемых веществ. Существует ряд задач, в которых структурная формула химического соединения не определяет однозначно проявления исследуемых свойств. Таковыми, например, являются задачи прогнозирования непрямых канцерогенов и хронической токсичности веществ, где их действие определяется способностью к биоактивации в организме и реакционной способностью образующихся метаболитов в реакциях взаимодействия с ДНК. В ДСМ-системе Вычислитель осуществляет квантово-химический расчет электронных параметров, характеризующих скорость метаболизма данных веществ под действием цитохрома Р-450. Вычислитель определяет устойчивые метаболиты, а затем рассчитывает их электронные параметры, которые характеризуют их реакционную способность в реакциях с биомолекулами (т.е. осуществляется расчет минимальных значений энтальпии активации реакции образования радикалов). Созданная версия гибридной интегрированной интеллектуальной ДСМ-системы была проверена на массиве галоидозамещенных алифатических алканов и алкенов.

Другим важным классом задач, решаемых ДСМ-системами, являются задачи медицинской диагностики по клиническим данным [29, часть 3]. В ВИНИТИ РАН были созданы три версии ДСМ-систем для задач медицинской диагностики. Была создана ДСМ-система для прогнозирования высокопатогенных типов вируса папилломы человека по цитологическим результатам исследования мазков (ДСМ-система была разработана и применена совместно с Кафедрой клинической и лабораторной диагностики Российской Медицинской Академии последипломного образования). В содружестве с Лабораторией клинической физиологии зрения МНИИ глазных болезней им. Гельмгольца была разработана ДСМ-система диагностики двух заболеваний глаз: дегенеративного ретиношизеса и наследственных витреоретинальных дистрофий. Совместно с Отделением нефрологии Городской клинической больницы им. Боткина была создана ДСМ-система для диагностики системной красной волчанки.

Интеллектуальные системы типа ДСМ являются эффективным средством поддержки научных исследований, что подтверждается успешной защитой ряда кандидатских диссертаций, в которых в качестве средства интеллектуального анализа данных использовались ДСМ-системы, реализующие ДСМ-метод АПГ.

ДСМ-система была использована в кандидатской диссертации И.Г. Цидаевой «Критерии цитологической диагностики онкогенных типов вируса папилломы человека» [47]. ДСМ-система была использована также в кандидатской диссертации Е.В. Захаровой «Прогнозирование исходов системной красной волчанки и системных васкулитов с экстраренальными и почечными проявлениями» [48]. В кандидатской диссертации В.В. Решетниковой «Информационная система по противоопухолевым препаратам ГУ РОНЦ им. Н.Н. Блохина РАМН» ДСМ-система была использована для прогнозирования противоопухолевой активности химических соединений [49]. И, наконец, в кандидатской диссертации А.С. Шундеева «Логико-языковые средства автоматизации производственных процессов»  [50] автор создал программную реализацию ДСМ-метода АПГ и использовал ее для автоматической классификации структур двухфазных сплавов.

Выше было упомянуто применение ДСМ-систем в социологии [33, 41]. ДСМ-метод АПГ позволяет решать следующие задачи интеллектуального анализа социологических данных: порождение детерминант социального поведения (действий, установок, мнений), использование порожденных детерминант для создания типологии индивидуального поведения; формальное определение мнений и их прогнозирование, распознавание степени рациональности мнений.

Решение указанных задач означает, что ДСМ-метод АПГ является средством формализованного качественного анализа социологических данных [51-53], востребованного современным состоянием социологических исследований [54]. Так как ДСМ-системы, применяемые для интеллектуального анализа социологических данных, способны порождать зависимости причинно-следственного типа, то ДСМ-метод открывает возможности развития когнитивной социологии - применению интеллектуального анализа данных (knowledge discovery) к проблемам социологии.

Интересным применением ДСМ-систем для интеллектуального анализа криминалистических данных является решение задач судебно - почерковедческой экспертизы [55]. Посредством модифицированного ДСМ-метода АПГ, соответствующего изучаемой предметной области, решаются две задачи почерковедческой экспертизы - идентификационная и атрибутивно-диагностическая. Идентификационная задача состоит в определении исполнителя рукописи или в установлении того, действительно ли рукопись исполнена тем лицом, чьим именем она подписана. Атрибутивно-диагностическая задача состоит в установлении по почерку определенных свойств личности таких как - пол, возраст, психофизических свойств.

Указанные задачи обычно решаются статистическими методами. Однако, рассматриваемая сложная предметная область, которой является «человек - почерк - рукопись», оказалась адекватной для применимости ДСМ-метода АПГ, который порождает детерминанты, содержащие факторы для установления изучаемых эффектов.

Важным приложением ДСМ-метода АПГ является его использование для создания интеллектуальных роботов [31]. В рамках проекта «Адаптант - 2005» был создан мобильный миниробот, реализующий динамическую версию ДСМ-метода в целях адаптации поведения (движения) для выбора соответствующей траектории посредством индуктивного поведения.

Применение методов искусственного интеллекта является необходимым условием создания интеллектуальных роботов, имитирующих способности естественного интеллекта (1) - (13) для принятия решений с использованием КПЭ-рассуждений, которые содержат индуктивные выводы и осуществляют синтез познавательных процедур (Принцип V ИАД в расширяемой БФ). В силу сказанного ДСМ-метод АПГ является когнитивным инструментом для создания интеллектуальных роботов, осуществляющих процесс ДСМ-рассуждений, определенный как продолжение этапов ДСМ-рассуждений, включающих абдуктивную сходимость относительно изменений БФ, образуемой сенсорными устройствами робота.

Об интеллектуализации информационных систем

В настоящее время активно развиваются большие информационно-вычислительные системы поддержки научных исследований, использующие GRID-технологии и WEB-технологии. В рамках Программы фундаментальных исследований Президиума РАН «Разработка фундаментальных основ создания научной распределенной информационно-вычислительной среды на основе технологий GRID» по направлению «Электронная Земля: научные информационные ресурсы, информационно-коммуникационные технологии, информационное обслуживание, взаимодействие с национальными и международными системами» [56 - 58]. 

Основной целью проекта «Электронная Земля» является создание современных информационных технологий для решения комплексных информационно-аналитических задач в области наук о Земле с использованием сетевых распределенных вычислительных систем. Среди задач, решаемых в этом проекте, имеются задачи прогнозирования чрезвычайных ситуаций в сейсмоопасных зонах, а также задачи прогнозирования залежей полезных ископаемых. Для решения этих задач требуется объединение разнородных данных (например, плотность населения, геофизические данные региона, геологические данные, географическое положение региона и т.д.). Это означает, что прогнозирование изучаемых эффектов осуществляется с использованием множества разнородных факторов (геолого-геохимических, тектонических и т.д.).

В проекте «Электронная Земля» создается целостное интегральное информационное поле пользователя, которое состоит из совокупности инструментальных средств, аналитических методов и геоданных, необходимых для проведения прикладных и фундаментальных исследований в науках о Земле [58]. В настоящее время создана многопользовательская распределенная геоинформационная информационно-аналитическая среда. Эта среда содержит аналитические методы, геоинформационные системы, средства информационного поиска и представления знаний, распределенную систему баз геоданных, используемую для аналитической обработки и базы документальной информации [57].

Важной особенностью создаваемой информационно-вычислительной системы является интеграция информационных, аналитических и системных ресурсов в сочетании с возможностью создания для каждого пользователя его персонифицированного интегрального информационного поля, которая обеспечивает качественно новый уровень исследований в науках о Земле [58].

Инструментальные средства проекта «Электронная Земля» содержат, в частности: средства перехода от информационных данных к геоданным и аналитическим методам, средства персонификации результатов информационного поиска, средства преобразования геоданных, средства запуска и контроля выполнения расчетной задачи в GRID-системе.

При решении задач прогнозирования в компьютерных системах естественно использовать процедуры индукции. В [56] приводится пример решения задачи нахождения многомерной связи между наличием золоторудных месторождений Курило-Камчатского вулканического пояса и свойствами геологической среды с последующим использованием найденной эмпирической зависимости для прогноза новых золоторудных месторождений. Заметим, что строение рассуждений для решения этой задачи подобно Этапу I ДСМ-рассуждений, образованного последовательным применением индукции (п.п.в.-1) и аналогии (п.п.в.-2), используемой для предсказания наличия (отсутствия) эффектов, представленных в БФ.

Отметим, что в проекте «Электронная Земля» требуется информативное представление знаний (т.е. БЗ) и представление фактов (т.е. БФ), к которым применяются вычислительные процедуры и логические процедуры (например, индукция и другие средства порождения и оправдания гипотез). В [56] отмечена необходимость дальнейшего развития аналитических технологий и инфраструктуры проекта. Можно предположить, что одним из аспектов такого развития является использование идей искусственного интеллекта и технологий интеллектуальных систем (например, ДСМ-систем).

Заметим, что история развития искусственного интеллекта знает целый ряд компьютерных систем, применяемых в геологии. Среди них наиболее известна экспертная система PROSPECTOR [59, стр. 113] (эта система предсказала обширные залежи молибдена в штате Вашингтон).

В связи со сказанным выше охарактеризуем идею интеллектуализации информационно-вычислительных систем. Под интеллектуализацией информационно-вычислительных систем будем понимать применение средств искусственного интеллекта (представление знаний и данных с целью извлечения нового знания и применение автоматизированных рассуждений для порождения гипотез), а также включение интеллектуальных систем в архитектуру информационно-вычислительных систем в качестве их подсистем.

В случае выполнимости условий применимости ДСМ-метода АПГ имеет место следующий

Тезис о наименьшем «шуме» при порождении гипотез о зависимостях причинно-следственного типа: при применении к БФ ДСМ-метод АПГ имеет наименьшее количество ошибок по сравнению с известными методами порождения гипотез.

Этот тезис подтверждается многими экспериментами с ДСМ-системами (для различных предметных областей), а также содержащейся в ДСМ-методе формализации фальсификации порождаемых кандидатов в гипотезы: наличие М⁺ - и М - предикатов, порождение фактических противоречий как фальсификаторов, принятие гипотез посредством абдуктивного объяснения БФ.

В силу гибридности данных в проекте «Электронная Земля» и необходимости комбинирования вычислительных и логических процедур естественно предположить, что в этом проекте возможно применение гибридных интегрированных интеллектуальных ДСМ-систем с Решателем задач, содержащим Рассуждатель и Вычислитель (аналогично ДСМ-системе в [40], [42]).

С развитием архитектуры компьютеров и средств программирования естественно возрастает потребность расширения сферы их применения [59], но это означает, что кроме вычислительных средств необходимо совершенствовать логические средства имитации рассуждений. Проекты развития когнитивных средств извлечения нового знания (подобные японскому проекту компьютеров 5-го поколения [59]) не теряют своей актуальности. Идеи ИИ и их воплощение в интеллектуальных системах являются необходимым средством интеллектуализации компьютерных систем и увеличения их практической эффективности.

Литература

1. Мендельсон Э. Введение в математическую логику. Наука, М., 1978.

2. Колмогоров А.Н., Драгалин А.Г. Введение в математическую логику. Издательство Московского Университета, 1982.

3. Чень Ч., Ли Р. Математическая логика и автоматическое доказательство теорем. М., Наука, 1983.

4. Метакидис Г., Нероуд А. Принципы логики и логического программирования. М., Факториал, 1998.

5. Пойа Д. Математика и правдоподобные рассуждения. М., Наука, 1975.

6. Люгер Д.Ф. Искусственный интеллект. М. - Спб. - Киев, Вильямс, 2003; 8.1 Абдуктивный вывод, основанный на логике, стр. 325-340.

7. Финн В.К. Синтез познавательных процедур и проблема индукции. НТИ, сер. 2, №102, 1999, стр. 8-45.

8. Zadeh L.A. Fuzzy Sets. Information and control, Vol. 8, 1965, pp. 338-353.

9. Бочвар Д.А. Об одном трехзначном исчислении и его применении к анализу парадоксов классического расширенного функционального исчисления. Математический сборник. Т.4 (46): 2, 1938, стр. 287-308.

10. Поппер К.Р. Эволюционная эпистемология. В кн.: Эволюционная эпистемология и логика социальных наук. М., Эдиториал УРСС, 2000, стр. 57-74.

11. Fayyd I.M., Piatetsky-Shapiro G., Smyth P., Uthurusamy R. Advances in Knowledge Discovery and Data Mining. The AAAI Press, 1996.

12. Искусственный интеллект: применение в химии. М., Мир, 1988.

13. Blinova V.G., Dobrynin D.A., FinnV.K., Kuznetsov S.O., Pankratova E.S. Toxicology analysis by means of the JSM-method. Bioinformatics, Vol.19, №10, 2003, pp. 1201-1207.

14. Добрынин Д.А., Зуева М.А., Панкратова Е.С., Цапенко И.В. Интеллектуальная ДСМ-система для диагностики заболеваний зрения. Труды II международной конференции «Системный анализ и информационные технологии (САИТ-2007)». Т.1, М., URSS, стр. 156-159.

15. Автоматическое порождение гипотез в интеллектуальных системах. М., ЛКИ, 2008 (в печати).

16. ДСМ-метод порождения гипотез: логические и эпистемологические основания. М., ЛКИ, 2008 (в печати).

17. Тарский А. Понятие истины в языках дедуктивных наук. В кн: Философия и логика Львовско-Варшавской школы. М., РОССПЭН, 1999, стр. 19-177.

18. Поппер К.Р. Объективное знание. М., УРСС, 2002, глава 9. Философские комментарии к теории истины Тарского, стр. 301-319.

19. Вагин В.Н., Головина Е.Ю., Загорянская А.А., Фомина М.В. Достоверный и правдоподобный вывод в интеллектуальных системах. М., Физматлит, 2004.

20. Аншаков О.М., Финн В.К., Скворцов Д.П. Логические средства экспертных систем типа ДСМ. Семиотика и информатика. Вып. 28, 1986, стр. 65-101.

21. Забежайло М.И., Ивашко В.Г., Кузнецов С.О., Михеенкова М.А., Хазановский К.П., Аншаков О.М. Алгоритмические и программные средства ДСМ-метода автоматического порождения гипотез. НТИ, сер.2, №10, 1987, стр. 1-14.

22. Гемпель К.Г. Логика объяснения. Дом интеллектуальной книги. М., 1998.

23. Abductive Inference: Computation, Philosophy, Technology. Ed. de J.R. Josephson, S.G. Josephson. Cambridge Univ. Press, 1994.

24. Jain S., Osherson D., Royer J.S., Sharma A. Systems That Learn/ The MIT Press, Cambridge, Mass., London, England, 1999.

25. Рейнгольд Ю., Нивергельт Н., Део Н. Комбинаторные алгоритмы. М., Мир, 1980.

26.  Макаров И.М., Лохин В.М., Манько С.В., Романов М.П. Искусственный интеллект и интеллектуальные системы управления. М., Наука, 2006.

27. Джексон П. Введение в экспертные системы. Вильямс, М. - Спб - Киев, 2001.

28. Ивашко В.Г., Финн В.К. Экспертные системы и некоторые проблемы их интеллектуализации. Семиотика и информатика, Вып.27, 1986, стр. 25-61.

29. Финн В.К., Блинова В.Г., Панкратова Е.С., Фабрикантова Е.Ф. Интеллектуальные системы для анализа медицинских данных. Врач и информационные технологии. Часть1. №, 2006, стр. 62-70; Часть 2. №, 2006, стр. 50-60; Часть 3. №, 2007, стр. 51-57.

30. Абдукция. Новая философская энциклопедия. Т.1, М., Мысль, 2000, стр. 9-10.

31. Добрынин Д.А., Карпов В.Э. Моделирование некоторых форм адаптивного поведения интеллектуальных роботов. Информационные технологии и вычислительные системы, №2, 2006, стр. 45-56.

32. Финн В.К. Правдоподобные рассуждения в интеллектуальных системах типа ДСМ. М., Итоги науки и техники, сер. Информатика, Т.15, 1991, стр. 54-101.

33. Гусакова С.М., Михеенкова М.А., Финн В.К. О логических средствах автоматизированного анализа мнений. НТИ, сер.2, №5, 2001, стр. 4-24.

34. Бернайс П. О рациональности. В кн.: Эволюционная эпистемология и логика социальных наук. М., Эдиториал УРСС, 2000, стр. 147-162.

35. Скворцов Д.П. О некоторых способах построения логических языков с кванторами по кортежам. Семиотика и информатика, Вып.20, 1983, стр. 102-126.

36. Виноградов Д.В. Формализация правдоподобных рассуждений в логике предикатов 1-го порядка. НТИ, сер.2, №11, 2000, стр 17-20.

37. Милль Д.С. Система логики силлогической и индуктивной. М.: Книжное Дело, 1900.

38. Handbook of defeasible reasoning and uncertainty management systems. Ed. by Dov M. Gabbay, P. Smets. Vol.4. Kluwer Acad. Publishers, Dordrecht Harbound, 2000.

39. Antoniou G. Nonmonotonic reasoning/ The MIT Press, 1997.

40. Максин М.В. Архитектура интегрированной ДСМ-системы интеллектуального анализа гибридных данных. НТИ, сер.2, №9, 2006, стр. 10-17.

41. Михеенкова М.А., Финн В.К. Правдоподобные рассуждения и булева алгебра для анализа социологических данных (проблемы когнитивной социологии). Труды II международной конференции «Системный анализ и информационные технологии (САИТ-2007)» Т.1, М., URSS, 2007, стр. 153-155.

42. Харчевникова Н.В., Максин М.В., Добрынин Д.А., Жолдакова З.И. Прогноз канцерогенности полициклических углеводородов с использованием автоматизированной системы, основанной на совмещении квантово-химических расчетов и логико-комбинаторного ДСМ-метода. Итоги и перспективы научных исследований по проблеме экологии человека и гигиены окружающей среды. Под ред. Ю.А. Рахманина, М., 2002.

43. Блинова В.Г., Добрынин Д.А., Жолдакова З.И., Харчевникова Н.В. Прогноз показателей хронической токсичности замещенных бензолов с помощью ДСМ-метода автоматического порождения гипотез. НТИ, сер.2, №1, 2003, стр.1-4.

44. Максин М.В. Интеллектуальный анализ данных в науках о жизни. НТИ, сер.2, №9, 2003, стр.16-27.

45. Максин М.В. Об одном подходе к проблеме комбинирования использования логических и численных методов в интеллектуальном анализе данных. НТИ, сер.2, №10, 2004, стр. 14-19.

46. Фабрикантова Е.Ф. Применение ДСМ-рассуждений для интеллектуального анализа данных и автоматического порождения гипотез о путях биотрансформации. НТИ, сер.2, №2, 2002, стр. 8-44.

47. Цидаева И.Г. Критерии цитологической диагностики онкогенных типов вируса папилломы человека. Автореферат диссертации на соискание ученой степени кандидата медицинских наук (14.00.46 - клиническая лабораторная диагностика), М., 2003.

48. Захарова Е.В. Прогнозирование исходов системной красной волчанки и системных васкулитов с экстраренальными и почечными проявлениями. Автореферат диссертации на соискание ученой степени кандидата медицинских наук (14.00.05 - внутренние болезни, 14.00.48 - нефрология), М., 2005.

49. Решетникова В.В. Информационная система по противоопухолевым препаратам ГУ РОНЦ им. Н.Н. Блохина РАМН. Автореферат диссертации на соискание ученой степени кандидата технических наук (05.25.05 - информационные системы и процессы, правовые основы информатики), М., 2007.

50. Шундеев А.С. Логико-языковые средства автоматизации производственных процессов. Автореферат диссертации на соискание ученой степени кандидата физико-математических наук (05.13.11 - математическое и программное обеспечение вычислительных машин, комплексов и компьютерных сетей), М., 2005.

51. Данилова Е.Н., Климова С.Г., Михеенкова М.А. Возможности применения логико-комбинаторных методов для анализа социальной информации. Социология - 4М, №11, 1999, стр 141-160.

52. Климова С.Г., Михеенкова М.А., Панкратов Д.В. ДСМ-метод как метод выявления детерминант социального поведения. НТИ, сер.2, №12, 1999, стр 3-14.

53. ФиннВ.К., Михеенкова М.А.Логические средства анализа рациональности мнений. Математическое моделирование социальных процессов. Вып.8, 2006 стр. 37-40.

54. Ragin C.C. The Comparative Method: moving beyond qualitive and quantitive strategies. University of California Press, Berkeley, Los Angeles, London, 1987.

55. Гусакова С.М. Анализ криминалистических данных посредством ДСМ-метода автоматического порождения гипотез. Труды II международной конференции «Системный анализ и информационные технологии (САИТ-2007)» Т.1, М., URSS, 2007, стр. 123-125.

56. Арский Ю.М., Гитис В.Г., Шогин А.Н. Электронная Земля - сетевая среда поиска, интеграции и анализа геоданных. «Смирновский сборник - 2007», МГУ, геологический факультет. М., 2007, стр. 117-126.

57. Gitis V., Arsky Y., Shogin A., Weinstock A. Network geoinformation environment for the analysis of spatial and spatio-temporal data. “International Union for Geophysics and Geodesy (IUGG) XXIV General Assembly”, July 2-13, 2007, Perugia, Italy.

58. Лаверов Н.П., Арский Ю.М., Савин Г.И., Жижченко А.Б. Интегральное информационное поле в науках о Земле. Вестник Российской Академии Наук. 2008 (в печати).

59. Симонс Дж. ЭВМ пятого поколения: компьютеры 90-х годов. М., Финансы и статистика, 1985.

Размещено на Allbest.ru