Пермское отделение Научного Совета РАН по методологии искусственного интеллекта

Размещено на Allbest.ru

Описана история искусственного интеллекта и проанализированы исследования в этой области, выполненные пермскими учеными под эгидой Пермского отделения Научного Совета РАН по методологии искусственного интеллекта. Дано описание используемых методов, их возможностей и результатов применения в механике, авиационной промышленности, криминалистике, политологии, медицине, спорте, педагогике, психологии, социологии, роботостроении.

Ключевые слова: моделирование; прогнозирование; диагностика; распознавание; нейронная сеть.

искусственный интеллект

© Ясницкий Л. Н., Байдин Д. Ю., Богданов К. В., Гладкий С. Л., Гусев А. Л. и др., 2014Своим появлением в Перми искусственный интеллект обязан организатору и научному руководителю первого в Перми вычислительного центра Пермского государственного университета (ПГУ, позднее переименованный в ПГНИУ), основателю кафедры прикладной математики Юрию Владимировичу Девингталю. В вычислительном центре им была сформирована исследовательская группа, занимавшаяся распознаванием образов. Его работы [18, 19] положили начало пермским исследованиям в области искусственного интеллекта. На протяжении длительного времени, читая блестящие лекции, Юрий Владимирович зародил интерес к искусственному интеллекту не у одного поколения студентов. В 2001 г. издательским отделом Пермского госуниверситета выпускается книга Л. Н. Ясниц-кого «Введение в искусственный интеллект» [43], посвященная памяти Юрия Владимировича. Книга является учебно-методическим пособием и охватывает широкий круг вопросов - от проблем творчества, сочинения стихов и музыкальных произведений до решения краевых задач математической физики. В ней находят отражение научные интересы автора, предлагающего применение методов искусственного интеллекта в прочностных расчетах. Этой же теме посвящены его работы [17, 38, 40-42, 45, 47, 52, 53, 59, 69, 70, 75-77], а также газетная статья [64]. В этой статье поставлены под сомнение многочисленные заключения о виновности летчиков в начавшейся серии авиакатастроф, подвергнуты критике широко применяемые в инженерной практике программные пакеты прочностных расчетов, реализующие численные методы, не позволяющие выполнять надежные оценки погрешностей получаемых решений. В качестве альтернативы в работах [45, 64, 70] предлагается сочетание методов искусственного интеллекта и метода фиктивных канонических областей (ФКО) [59], приводящее к точным аналитическим решениям краевых задач.

К сожалению, статья [64] и публикации [45, 64, 70] опередили свое время. Волна техногенных аварий и катастроф еще только начиналась и проблема выяснения и ликвидации их причин еще не стала достаточно актуальной. Тем не менее многие сайты перекопировали эту статью на свои страницы, вызвав сотни просмотров и обсуждений, а ученые Санкт-Петербургского университета перепечатали ее как вводную статью к трудам своего семинара [70].

В 2006 г. в диссертационном совете ПГУ защищает кандидатскую диссертацию С. Л. Гладкий [7]. Его диссертация посвящена дальнейшему развитию и применению метода ФКО. Разработанный им пакет прикладных программ REGIONS (http: //inec. pspu. ru/regions/) [14] является уникальным, не имеющим аналогов, наукоемким программным продуктом, позволяющим выполнять прочностные расчеты и проектирование инженерных конструкций ответственного назначения с надежно оцениваемой точностью. Метод ФКО, предложенный Л. Н. Яс-ницким [58, 60] и развитый С. Л. Гладким [7, 9, 12, 13, 14], применен для проектирования и расчета многих инженерных конструкций и процессов ответственного назначения [1-4, 7-13, 15, 20-22, 31, 40-43, 56-60, 69, 77].

Новое перспективное научное направление развития и применения методов искусственного интеллекта в Перми связано с нейросетевыми технологиями. В 2001 г. начинается проект создания нейросетевой системы диагностики авиационных двигателей. Работа выполняется в сотрудничестве с ОАО «Авиадвигатель». В ПГУ поставляются сведения о дефектах, обнаруженных при исследовании двигателей, прибывших в ремонт, а также комплекс полетных параметров, характеризующих работу двигателя за время эксплуатации на самолёте. Таким образом, формируются обучающие и тестирующие множества примеров, создается нейронная сеть, на вход которой подаются параметры двигателя в полете , а с выхода снимаются сведения о его дефектах (рис. 3).

Нейронная сеть обучается и проходит тестовые испытания на примерах, которых не было в обучающем множестве. Устраиваются дополнительные проверки. Ученым предоставляется комплекс параметров авиадвигателя без указания сведений о его техническом состоянии. Параметры подаются на вход нейронной сети, и она ставит диагнозы, которые сравниваются с результатами исследования, полученными при разборке [23].

По одному из двигателей нейросеть ставит диагноз «Появление стружки в масле», совпадающий с результатами заводских исследований. Между тем экспертный анализ специалистами «Авиадвигателя» показал отсутствие изменения параметров двигателя (температура, давление и др.), которые могли бы быть вызваны появлением указанного дефекта. Следовательно, нейросеть, на вход которой подаются именно эти параметры двигателя, принципиально не должна ставить диагноз «стружка в масле». Но она его ставит, и оказывается права!

Складывается впечатление, что нейронная сеть принимает правильные решения, используя информацию, недостаточную с точки зрения традиционной логики. В жизни это свойство мозга принято называть «интуицией» или «шестым чувством». В связи с этим в работе [42] высказывается мнение, что нейронная сеть, выполненная «по образу и подобию» мозга, унаследовала от него и это замечательное свойство.

Но специалисты «Авиадвигателя» предлагают более приземленные объяснения парадокса. По их мнению, нейросеть могла среагировать на изменения конфигурации деталей, вызванные загрязнением лопаток проточной части, приработкой деталей или на совокупность изменений параметров внешних условий и соответствующих изменений параметров, характеризующих техническое состояние двигателя.

Окончательно был сделан вывод о том, что нейросеть способна в неявном виде более точно определять индивидуальные характеристики двигателей, чем традиционные методы анализа параметров. Другой предполагаемой способностью нейросети является возможность выявления таких изменений параметров, которые не были предусмотрены специалистами при разработке традиционных алгоритмов диагностирования авиационных двигателей.

Впоследствии мы не раз наблюдали, как нейросети ставили правильные диагнозы и выполняли подтвердившиеся впоследствии прогнозы, объяснить которые в рамках традиционной логики было затруднительно, а термины «интуиция» и «шестое чувство нейронных сетей», впервые введенные в книге [42], стали употребляться многими авторами, о чем свидетельствует ее высокий индекс цитируемости - более ста ссылок (http: //elibrary. ru/author_items. asp? authorid=3277).

В 2003 г. появляется идея создания нейросетевого детектора лжи. Главный полиграфолог Пермского края полковник МВД Аскольд Маркович Петров любезно согласился провести экскурсию для пермских ученых. Его полиграфный аппарат системы «Эпос-7» безошибочно уличает всех желающих его обмануть. Ученые выражают свое восхищение, но Аскольд Маркович возражает. Оказывается, три года назад с помощью детектора лжи им было раскрыто преступление, и за него был посажен человек. А совсем недавно с повинной явился настоящий преступник. Оказывается, штатный детектор лжи, применяемый в МВД, может ошибаться. Причем, довольно часто. Погрешность заключений полиграфного аппарата Эпос-7 составляет 30%.

Причина низкой точности штатного детектора лжи обусловлена тем, что к разным людям, по-разному реагирующим на стрессовые ситуации, применяется одна и та же система решающих правил. Между тем известно, что у одних людей при ложном ответе дыхание учащается, а у других - наоборот замедляется. Аналогично ведут себя артериальное давление, частота сердечных сокращений и т. д.

Нейросетевые технологии позволяют по-новому подойти к проблеме построения детектора лжи. Они позволяют создать компьютерную программу, которая может настраиваться на каждого конкретного человека и учитывать индивидуальные особенности его организма. Одна из первых успешных попыток создания нейросетевого детектора лжи, обладающего указанными свойствами, была предпринята в работах [28, 62, 63, 66, 67]. Наиболее результативной оказалась схема нейронной сети с комбинированным вводом параметров респондента, представленная на рис. 4. Здесь данные об индивидуальных особенностях организма респондента подаются в нейронную сеть с заранее составленной анкеты. Погрешность нейросетевого полиграфного аппарата в разных вариантах исполнения составила от 3, 5 до 19, 8% [67], что значительно ниже погрешности штатных полиграфных аппаратов, применяемых в МВД и других госструктурах.

Постепенно клеймо «буржуазной лженауки» с искусственного интеллекта снимается не только на официальном уровне, а нейронные сети перестают называть «тупиковым направлением искусственного интеллекта». Их включают в государственные образовательные стандарты вузов. В 2005 г. в Пермском государственном гуманитарно-педаго-гическом университете создается кафедра прикладной информатики, на базе которой открывается Пермское отделение Научного Совета РАН по методологии искусственного интеллекта (рис. 5). Информация об этом событии размещена на сайте Российской Академии Наук:

В план работ Пермского отделения вошли темы, уже ставшие традиционными. Это разработка систем искусственного интеллекта для решения задач диагностики сложных технических устройств, систем медицинской диагностики человека, систем распознавания признаков стресса у человека (разработка детектора лжи), систем прогнозирования фондовых рынков с учетом множества параметров, систем прогнозирования расхода электрической и тепловой энергии предприятиями бюджетной сферы и др., моделирование творческого процесса математика-профессионала, выполняющего решение краевых задач.

Уже с первых дней существования нового научного подразделения пермяки удивили научное сообщество обилием, разнообразием и качеством докладов на ежегодно проводимой в Москве Всероссийской конференции «Искусственный интеллект: философия, методология, инновации». Тринадцать дипломов «За лучшие доклады» на этой престижной конференции выставлены на сайте Пермского отделения Научного Совета РАН http: //www. permai. ru/. Всего на этом сайте можно насчитать 30 дипломов, грамот, медалей и прочих наград - результат деятельности Пермского отделения Научного Совета РАН за семилетний срок.

Со временем проект создания научной школы искусственного интеллекта в Перми стал по-настоящему междисциплинарным. В его выполнение вовлечены шесть пермских вузов и две научно-производственные фирмы, логотипы которых помещены на рис. 8. Отсюда и разнообразие практических применений нейросетевых технологий. Вот список книг и статей, посвященных применению методов искусственного интеллекта:

- в промышленности: [5, 6, 9, 38, 42, 68],

- в экономике и бизнесе: [30, 38, 42, 52, 65],

- в политологии и социологии [42, 52, 61, 72, 73],

- в криминалистике [62, 66, 67],

- в экологии [46, 47, 51],

- в педагогике [29, 32, 54, 55, 71],

- в исторической науке [24],

- в медицине [42, 48, 49],

- в туризме [39],

- в спорте [44],

Предложенные в 1950-х гг. американскими исследователями У. Мак-Каллоком, В. Питтсем и Ф. Розенблатом и существенно развитые в начале 1970-х гг. советскими учеными В. И. Галушкиным, А. С. Заком, Б. П. Тю-ховым, нейронные сети реализуются по принципам построения и функционирования человеческого мозга. От него как от своего прототипа они наследуют полезные свойства: способность обучаться; способность извлекать знания из статистических данных; способность обобщать их в виде законов и закономерностей; свойство интуиции как способность принимать правильные решения, выполнять верные прогнозы в тех случаях, когда обычная логика оказывается бессильной. Как убедительно показывает наш собственный опыт, хорошо спроектированные и правильно обученные нейронные сети способны строить адекватные математические модели и с помощью них выполнять высокоточные прогнозы во многих областях.

Так, в работе [52] (см. рис. 10) была спрогнозирована победа Д. Медведева за полтора года до президентских выборов 2008 г., когда его личность как политика еще была мало известна. В работах [61, 72], опубликованных в 2008 и 2010 гг., когда президент Д. Медведев был на вершине своей популярности, ему прогнозировалось снижение рей-тинга (см. рис. 11, а), тогда как другому политику - В. Жириновскому - прогнозные кривые предсказали постепенный рост популярности (см. рис. 11, б), что и наблюдалось в последующие годы.

С удовлетворением отметим, что в 2012 г. факультет государственного управления МГУ им. М. В. Ломоносова перепечатал методику и результаты сбывшихся политических прогнозов пермских ученых (рис. 10, 11) в качестве вводной статьи в своем сборнике научных трудов [73].

Особое место среди проектов Пермского отделения Научного Совета РАН занимает экономическое направление. Вот названия выпускных студенческих работ, посвященные экономической тематике:

Оценка банковских рисков: разработка интеллектуальных систем определения платежеспособности физических и юридических лиц.

Разработка интеллектуальных систем оценки стоимости городской и загородной недвижимости, стоимости подержанных автомобилей.

Прогнозирование банкротств предприятий и моделирование их предотвращения.

Прогнозирование рецессий.

Прогнозирование курсов валют, котировок акций и экономических индексов.

Моделирование и исследование рынков сбыта предприятий.

Моделирование и оптимизация бизнес-процессов.

Прогнозирование вероятности отзыва лицензии банков.

Ряду проектов, выполняемых на эти темы, присуща солидная научная новизна. Например, рынок банковских услуг, стоимость недвижимости, прогнозирование экономической стабильности предприятий, моделирование бизнес-процессов выполняется с учетом общеэкономической обстановки в стране и в мире, цен на нефть, возможности наступления экономических кризисов и форс-мажорных ситуаций.

Пермскими учеными реализованы десятки проектов в самых различных областях. Результаты некоторых проектов, хотя и были в свое время опубликованы в научных журналах, выглядели весьма необычными и даже вызывали сомнения ученых. Теперь же их можно считать признанными научной общественностью, а прогнозы, выполненные с помощью интеллектуальных систем, подтвердились произошедшими событиями либо выполненными экспериментами. Результаты некоторых проектов получили внедрение. Однако большинство из них являются инициативными, доведены только до демонстрационных прототипов и ждут своих потребителей. Это проекты создания интеллектуальных систем, позволяющих выявлять способности людей, например способности к руководящей деятельности, к занятиям наукой и бизнесом. Такие программы способны также выявлять склонность человека к воровству, алкоголизму, наркомании, гомосексуализму, серийным убийствам и т. п. В отличие от широко применяемых психологических тестов эти программы, в силу своей интеллектуальной базы, обучены на реальном жизненном опыте и используют выявленные из этого опыта закономерности, а потому объективны по своей природе и имеют более высокую точность.

Недавно в средствах массовой информации были опубликованы результаты наших прогнозов относительно Олимпиады-2014 (www. perm. aif. ru/society/people/1034930). Были также опубликованы [44] полученные в результате исследования математических моделей рекомендации по корректировке системы подготовки спортсменов, которые были доведены до сведения и учтены некоторыми российскими тренерами, например А. Н. Мишиным: http: //www. poisknews. ru/theme/infosphere/8916/.

По этому поводу следует заметить, что спортивная тема у нас является новой и выполняется пока как инициативная, без финансовой поддержки, причем главным образом силами студентов пермских вузов. И то, что опубликовано в СМИ, - это лишь небольшая часть всего, что можно сделать в области спортивной науки с помощью имеющихся у нас интеллектуальных инструментов.

Наиболее адекватные математические модели нам удалось получить для одиночных видов спорта, например - для фигурного катания [44]. Такие модели можно использовать не только для прогнозов результатов будущих состязаний, но и для оптимизации планов подготовки спортсменов, обеспечивающих их наилучшие результаты.

Отметим, что нейросетевыми и нейрокомпьютерными технологиями в настоящее время активно овладевают многие научные коллективы, как в России, так и за рубежом. Однако теоретическая база этих технологий пока что развита очень слабо, поэтому успех создания качественных нейросетевых математических моделей во многом зависит от опыта и интуиции их создателей. Каждая научная школа имеет свою историю, традиции, свои собственные наработки, методы, опыт, ноу-хау. И Пермское отделение Научного Совета РАН не является исключением. Его опыт, наработки и инструменты могут быть применены для создания интеллектуальных систем, предназначенных для оптимизации подготовки спортсменов, для разработки рекомендаций, учитывающих их индивидуальные параметры и особенности, которые человеческому глазу не заметны.

В 2013 г. закончился финансированный Правительством Пермского края и Группой компаний ИВС проект создания медицинской диагностической системы, выполняемый совместно с Пермской государственной медицинской академией им. академика Е. А. Ваг-нера. Обученная на 800 примерах данных о реальных кардиологических больных, нейронная сеть с достаточно высокой точностью ставит диагнозы наиболее распространенных заболеваний сердечнососудистой системы. Применение компьютерной диагностической системы на сегодняшний день наиболее актуально в отдаленных селах, где отсутствуют высококвалифицированные специалисты и медицинское оборудование. Кроме того, по мнению авторитетных врачей-кардиологов, выявленные в результате исследования нейросетевой системы новые медицинские знания имеют как научное, так и практическое значение [48, 74].

К этому следует добавить, что в мире сейчас существуют сотни нейросетевых систем медицинской диагностики, однако только система, разработанная пермскими учеными, помимо диагностики, умеет выполнять долгосрочное прогнозирование развития заболеваний на 5, 10 и 15 лет вперед (см. рис. 12), а также подбирать оптимальный образ жизни и лечения больных, желающих улучшить свои прогнозные показатели здоровья.

Мы уже давно привыкли к тому, что интеллектуальные компьютерные программы выявляют и используют новые, неизвестные ранее научные знания, проявляют такие человеческие качества, как «интуиция» и «шестое чувство». На эту тему нами опубликованы десятки научных статей, в том числе - в авторитетных рецензируемых журналах, выпущены десятки монографий и учебных пособий.

Необходимо отметить, что в Перми выполняются и теоретические исследования, направленные на познание самой природы человеческого мышления с целью развития методологической и инструментальной баз. Делаются попытки решения проблемы невербальности нейронных сетей [36], исследования границ их применимости [35], обсуждений будущих перспективных направлений развития искусственного интеллекта [27, 68].

Немалый прогресс достигнут в разработке методики преподавания искусственного интеллекта в системе высшего образования. До 2000 г. из всех пермских вузов искусственный интеллект преподавался только в одном - на механико-математическом факультете Пермского государственного университета. Теперь методы построения интеллектуальных информационных систем изучаются во многих пермских вузах, таких как ПГГПУ, ВШЭ, ПНИПУ, РГУТИС. Разработан лабораторный практикум (www. PermAi. ru), выпущены учебные пособия, которыми пользуются студенты и преподаватели во многих городах России. Книга Л. Н. Ясницкого «Введение в искусственный интеллект», первоначально выпущенная в 2001 г. [43], трижды переизданная московским издательским центром «Академия» [40-42], пользуется популярностью среди студентов и преподавателей вузов. По данным eLIBRARY на четыре издания этой книги зафиксировано более 100 ссылок российских авторов, за что Фонд развития отечественного образования удостоил ее дипломом «Лучшей научной книги 2008 года».

Благодаря методическим разработкам Пермского отделения Научного Совета РАН студенты перестали называть предмет «Искусственный интеллект» трудным. За дисциплиной закрепилась характеристика «любимого» и «очень нужного» для будущей жизни предмета.

Цель нашего нового проекта - сделать изучение искусственного интеллекта доступным не только для студентов, но и для школьников. С этой целью совместно с Издательством «БИНОМ. Лаборатория знаний» (Москва) создан элективный учебно-методический комплекс (http: //gazeta. lbz. ru/2012/1/1nomer. pdf), предназначенный для преподавания искусственного интеллекта в старших классах общеобразовательных школ [55, 71].

Искусственный интеллект стал по-настоящему востребован в Перми, впрочем, как и во всем мире.

Список литературы

Акмалов М. Р., Симакина Н. И., Ясницкий Л. Н. Компьютерное моделирование напряженного состояния и оптимизация формы керамических запорных элементов трубопроводной арматуры // Динамика и прочность машин. Вестник Пермско-

го государственного технического университета. 2000. № 1. С. 123-129.

Акмалов Р. З., Ясницкий Л. Н. Задвижки с керамическими запорно-регулирующими элементами и особенности их проектирования // Известия вузов. Машиностроение. 2001. № 5. С. 27-34.

Ашманов В. Д., Ощепков В. А., Петенко В. И., Ясницкий Л. Н. Моделирование напряженно-деформированного состояния полотна пильной шины // Динамика и прочность машин. Вестник Пермского государственного технического университета. 2003. №4. С. 70-78.

Ашманов В. Д., Ощепков В. А., Ясницкий Л. Н. Новая конструкция многослойного полотна шины цепной пилы // Известия вузов. Машиностроение. 2004. № 6. С. 28-36.

Бондарь В. В., Малинин Н. А., Ясницкий Л. Н. Нейросетевой прогноз потребления электроэнергии, анализ значащих факторов и разработка полезных рекомендаций // Вестник Пермского университета. Сер. Математика. Механика. Информатика. 2006. № 4. С. 10-17.

Бондарь В. В., Малинин Н. А., Ясницкий Л. Н. Нейросетевой прогноз потребления электроэнергии предприятиями бюджетной сферы. Вестник Пермского университета. Сер. Математика. Механика. Информатика. 2005. № 2. С. 23-27.

Гладкий С. Л. Развитие и применение метода фиктивных канонических областей // Дисс… канд. физ. -мат. наук. Пермь, 2007.

Гладкий С. Л., Семенова А. В., Степанов Н. А., Ясницкий Л. Н. Компьютерное моделирование и оптимизация процесса получения искусственно-керамических покрытий // Вестник Пермского государственного технического университета. Динамика и прочность машин. 2005. № 5. С. 142-149.

Гладкий С. Л., Степанов Н. А., Ясницкий Л. Н. Интеллектуальное моделирование физических проблем. М. -Ижевск: НИЦ Регулярная и хаотическая динамика, 2006. 200 с.

Гладкий С. Л., Таланцев Н. Ф., Ясницкий Л. Н. Верификация численных расчетов методом фиктивных канонических областей // Вестник Пермского университета. Сер. Математика. Механика. Информатика. 2006. № 4. С. 18-27.

Гладкий С. Л., Тарунин Е. Л., Ясницкий Л. Н. Применение метода фиктивных канонических областей в задачах электростатики // Вестник Пермского университета. Сер. Физика. 2011. № 3. С. 96-102.

Гладкий С. Л., Ясницкий Л. Н. Об оценке погрешности метода фиктивных канонических областей // Известия Российской академии наук. Механика твердого тела. 2002. № 6. С. 69-75.

Гладкий С. Л., Ясницкий Л. Н. Решение трехмерных задач теплопроводности методом фиктивных канонических областей // Вестник Пермского университета. Сер. Математика. Механика. Информатика. 2011. № 5. С. 41-45.

Гладкий С. Л., Ясницкий Л. Н. REGIONS. Свидетельство об официальной регистрации программы для ЭВМ № 2006611607. Заявка Роспатент № 2006610920. Зарегистрировано в Реестре программ для ЭВМ 12 мая 2006 г.

Горчаков А. И., Семенова А. В., Сыроватская Ю. В., Щербаков Ю. В., Ясницкий Л. Н. Влияние геометрических параметров микродугового оксидирования на равномерность покрытий, формируемых на алюминиевых сплавах // Физика и химия обработки материалов. 2004. № 1. С. 43-47.

Гусев А. Л., Черепанов Ф. М., Ясницкий Л. Н. Функциональная предобработка входных сигналов нейронной сети // Нейрокомпьютеры: разработка, применение. 2013. № 5. С. 19-21.

Гусман С. Я., Ясницкий Л. Н. Обоснование выбора фиктивных канонических областей. // Вестник Пермского университета. Сер. Математика. Механика. Информатика. 1994. № 1. С. 55-65.

Девингталь Ю. В. Об оптимальном кодировании объектов при классификации их методами распознавания образов // Известия Российской академии наук. Техническая кибернетика. 1968. №1. С. 162-168.

Девингталь Ю. В. Кодирование объектов при использовании разделяющей гиперплоскости для их классификации // Известия Российской академии наук. Техническая кибернетика. 1976. Вып. 1. С. 68-72.

Добрынин Г. Ф., Ясницкий Л. Н. Прочностные расчеты изоляторов // Стекло и керамика. 1994. № 7. С. 40-43.

Кирко И. М., Терровере В. Р., Ясницкий Л. Н. Новая оптимальная форма маховичного накопителя // Докл. Акад. наук. Техническая физика. 1989. Т. 307, № 6. С. 1373-1375.

Клименко И. П., Ясницкий Л. Н. К расчету деформированного состояния втулки плунжерной пары методом фиктивных канонических областей // Изв. вузов. Машиностроение. 1991. № 4-6. С. 32-34.

Конев С. В., Сичинава З. И., Ясницкий Л. Н. Применение нейросетевых технологий для диагностики неисправностей авиационных двигателей. Вестник Пермского университета. Сер. Математика. Механика. Информатика. 2005. № 2. С. 43-47.

Корниенко С. И., Айдаров Ю. Р., Гагарина Д. А., Черепанов Ф. М., Ясницкий Л. Н. Программный комплекс для распознавания рукописных и старопечатных текстов // Информационные ресурсы России. 2011. № 1. С. 35-37.

Мурашов Д. И., Ясницкий Л. Н. Социальный генетический алгоритм // Вестник Пермского университета. Сер. Математика. Механика. Информатика. 2006. № 4. С. 53-60.

Пенский О. Г., Зонова П. О., Муравьев А. Н. и др. Гипотезы и алгоритмы математической теории исчисления эмоций: монография. Пермь: Перм. гос. ун-т, 2009. 152 с.

Пенский О. Г. Математические модели эмоциональных роботов: монография. Пермь: Перм. гос. ун-т, 2010. 192 с.

Петров А. М., Ясницкий Л. Н. Возможности создания нейросетевого полиграфа. Вестник Пермского университета. Сер. Математика. Механика. Информатика. 2005. № 2. С. 43-47.

Семакин И. Г., Ясницкий Л. Н. Искусственный интеллект и школьный курс информатики // Информатика и образование. 2010. № 9. С. 48-54.

Тимошенков А. С., Ясницкий Л. Н. Препроцессинг, построение и выбор оптимальных нейросетевых моделей в прогнозировании временных рядов // Автома-тизация и современные технологии. 2010. № 6. С. 16-22.

Томилов В. А., Клименко И. П., Ясницкий Л. Н. Стабилизация величины зазора плунжерной пары за счет упругих деформаций плунжера // Проблемы машиностроения и надежности машин. 1994. № 4. С. 109-113.

Черепанов Ф. М., Ясницкий Л. Н. Лабораторный практикум по нейросетевым технологиям. Свидетельство о государственной регистрации программы для ЭВМ № 2009611544. Заявка № 2009610226. Зарегистрировано в Реестре программ для ЭВМ 12 марта 2009 г. М. : Федеральная служба по интеллектуальной собственности, патентам и товарным знакам (РОСПАТЕНТ), 2009.

Черепанов Ф. М., Ясницкий Л. Н. Нейросетевой фильтр для исключения выбросов в статистической информации // Вестник Пермского университета. Сер. Математика. Механика. Информатика. 2008. № 4. С. 151-155.

Черепанов Ф. М., Ясницкий Л. Н. Симулятор нейронных сетей «Нейросимулятор 1. 0» // Свидетельство об отраслевой регистрации разработки №8756. Зарегистрировано в Отраслевом фонде алгоритмов и программ 12. 07. 2007.

Чечулин В. Л., Ясницкий Л. Н. Некоторые ограничения алгоритмически реализуемых нейронных сетей // Нейрокомпьютеры: разработка, применение. 2010. № 12. С. 3-6.

Чуприна С. И., Гадиатулин Р. Rule-Mining: подход к автоматизированному извлечению онтологий // Proc. of the XIII-th International Conference «Knowledge-Dialogue-Solution» (KDS 2007), June 17-25, 2007, Varna (Bulgaria). Sofia, С. 445-451.

Ясницкий Л. Н., Богданов К. В., Черепанов Ф. М. Технология нейросетевого моделирования и обзор работ Пермской научной школы искусственного интеллекта // Фундаментальные исследования. 2013. № 1-3. С. 736-740.

Ясницкий Л. Н., Бондарь В. В., Полещук А. Н., Федорищев И. Ф., Черепанов Ф. М. и др. Пермская научная школа искусственного интеллекта и ее инновационные проекты. 2-е изд. М. -Ижевск: НИЦ «Регулярная и хаотическая динамика», 2008. 75 с.

Ясницкий Л. Н., Бржевская А. С., Черепанов Ф. М. О возможностях применения методов искусственного интеллекта в сфере туризма // Сервис plus. 2010. № 4. С. 111-115.

Ясницкий Л. Н. Введение в искусственный интеллект. 2-е изд. М. : Изд. центр «Академия», 2008. 176 с.

Ясницкий Л. Н. Введение в искусственный интеллект. 3-е изд. М. : Изд. центр «Академия», 2010. 176 с.

Ясницкий Л. Н. Введение в искусственный интеллект. М. : Изд. центр «Академия», 2005. 176 с.

Ясницкий Л. Н. Введение в искусственный интеллект. Пермь: Изд-во Перм. ун-та, 2001. 143 с.

Ясницкий Л. Н., Внукова О. В., Черепанов Ф. М. Прогноз результатов олимпиады-2014 в мужском одиночном фигурном катании методами искусственного интеллекта // Современные проблемы науки и образования. 2014. № 1; URL: http: //www. science-education. ru/115-11339 (дата обращения: 25. 12. 2013).

Ясницкий Л. Н. Гильберт, Колмогоров, Арнольд, искусственный интеллект и современный кризис прикладной математики (К 70-летию со дня рождения В. И. Ар-нольда) // Вопросы искусственного интеллекта. 2008. № 1. С. 77-80.

Ясницкий Л. Н., Гусев А. Л., Шур П. З. О возможностях применения нейросетевого математического моделирования для выявления целесообразных действий Роспотребнадзора // Вестник Пермского университета. Сер. Биология. 2010. № 3. С. 49-53.

Ясницкий Л. Н., Данилевич Т. В. Современные проблемы науки. М. : БИНОМ. Лаборатория знаний, 2008. 294 c.

Ясницкий Л. Н., Думлер А. А., Богданов К. В., Полещук А. Н., Черепанов Ф. М., Макурина Т. В., Чугайнов С. В. Диагностика и прогнозирование течения заболеваний сердечно-сосудистой системы на основе нейронных сетей // Медицинская техника. 2013. № 3. С. 42-44.

Ясницкий Л. Н., Думлер А. А., Полещук А. Н., Богданов К. В., Черепанов Ф. М. Нейросетевая система экспресс-диагностики сердечно-сосудистых заболеваний // Перм. медицинский журнал. 2011. № 4. С. 77-86.

Ясницкий Л. Н. Задвижки с керамическими запорно-регулирующими элементами - новое направление в арматуростроении // Трубопроводная арматура и оборудование. 2003. № 2 (5). С. 7-8.

Ясницкий Л. Н., Зайцева Н. В., Гусев А. Л., Шур П. З. Нейросетевая модель региона для выбора управляющих воздействий в области обеспечения гигиенической безопасности // Информатика и системы управления. 2011. № 3. С. 51-59.

Ясницкий Л. Н. Интеллектуальные информационные технологии и системы / Перм. ун-т. Пермь, 2007. 271 с.

Ясницкий Л. Н. Искусственный интеллект и новые возможности компьютерного моделирования // Вестник Пермского университета. Сер. Информационные системы и технологии. 2005. № 4. С. 81-86.

Ясницкий Л. Н. Искусственный интеллект: Популярное введение для учителей и школьников // Информатика: Методическая газета для учителей информатики. 2009. № 16. С. 2-8.

Ясницкий Л. Н. Искусственный интеллект. Элективный курс: учеб. пособие. М. : БИНОМ. Лаборатория знаний, 2011. 240 c.

Ясницкий Л. Н. К расчету напряженного состояния эллипсоидальной оболочки постоянной и переменной толщины на основе решений теории упругости для сферических областей // Прикладная механика. 1989. Т. 25. № 6. С. 111-114.

Ясницкий Л. Н. Композиция расчетной области в методе фиктивных канонических областей // Известия Российской академии наук. Механика твердого тела. 1990. № 6. С. 168-172.

Ясницкий Л. Н. Метод фиктивных канонических областей в механике сплошных сред. М. : Наука, ФИЗМАТЛИТ, 1992. 128 с.

Ясницкий Л. Н. Обзор работ по развитию и применению метода фиктивных канонических областей в научных и инженерных проблемах // Современные проблемы науки и образования. 2012. № 4; URL: http: //www. science-education. ru/104-6786 (дата обращения: 27. 07. 2012).

Ясницкий Л. Н. Об одном способе решения задач теории гармонических функций и линейной теории упругости // Прочностные и гидравлические характеристики машин и конструкций. 1973. С. 78-83.

Ясницкий Л. Н. О возможностях применения методов искусственного интеллекта в политологии // Вестник Пермского университета. Сер. Политология. 2008. № 2. С. 147-155.

Ясницкий Л. Н., Петров А. М., Сичинава З. И. Сравнительный анализ алгоритмов нейросетевого детектирования лжи // Известия высших учебных заведений. Поволжский регион. Технические науки. 2010. № 1. С. 64-72.

Ясницкий Л. Н., Петров А. М., Сичинава З. И. Технологии построения детектора лжи на основе аппарата искусственных нейронных сетей // Информационные технологии. 2010. № 11. С. 66-70.

Ясницкий Л. Н. По ком звонит ANSYS или Почему так часто стали падать самолеты, взрываться ракеты, рушиться здания. Новый компаньон. 2005. №1 (342). Вт. 18 января. (Пермская деловая и политическая газета). С. 1-5.

Ясницкий Л. Н., Порошина А. М., Тавафиев А. Ф. Нейросетевые технологии как инструмент для прогнозирования успешности предпринимательской деятельности // Российское предпринимательство. 2010. № 4 (2). С. 8-13.

Ясницкий Л. Н., Сичинава З. И. Нейросетевые алгоритмы анализа поведения респондентов // Нейрокомпьютеры: разработка и применение. 2011. № 10. С. 59-64.

Ясницкий Л. Н., Сичинава З. И., Черепанов Ф. М. Нейросетевой детектор лжи: принципы построения и опыт разработки. Saarbrucken (Germany) : LAP LAMBERT Academic Publishing GmbH & Co. KG., 2012. 115 p.

Ясницкий Л. Н. Современный кризис прикладной математики и перспективы его преодоления // Вестник Пермского университета. Сер. Математика. Механика. Информатика. 2007. № 7. С. 192-197.

Ясницкий Л. Н. Суперпозиция базисных решений в методах типа Треффтца // Известия Российской академии наук. Механика твердого тела. 1989. № 2. С. 95-101.

Ясницкий Л. Н. Удержаться «на плечах гигантов» (вводная статья) // Тр. семинара «Компьютерные методы в механике сплошной среды». 2006-2007 гг. / под ред. А. Л. Смирнова, Е. Ф. Жигалко. СПб. : Изд-во С. -Петерб. ун-та, 2008. С. 3-15.

Ясницкий Л. Н., Черепанов Ф. М. Искусст-

венный интеллект. Элективный курс: Методическое пособие по преподаванию. М. : БИНОМ. Лаборатория знаний, 2012. 216 с.

Ясницкий Л. Н., Черепанов Ф. М. О возможностях применения нейросетевых технологий в политологии // Нейрокомпьютеры: разработка и применение. 2010. № 8. Вып. 4. С. 47-53.

Ясницкий Л. Н., Черепанов Ф. М. Применение нейросетевых технологий в политологии (Вводная статья) // Нейрокомпьютерная парадигма и общество / под ред. Ю. Ю. Петрунина. М. : Изд-во Моск. ун-та, 2012. С. 13-25.

Yasnitsky L. N., Bogdanov K. V., Cherepanov F. M., Makurina T. V., Dumler A. A., Chugaynov S. V., Poleschuk A. N. Diagnosis and Prognosis of Cardiovascular Diseases on the Basis of Neural Networks // Biomedical Engineering. 2013. T. 47. № 3. C. 160-163.

Yasnitsky L. N. The possibilities of error estimation in the boundary element type methods // Boundary Elements Communi-cations. 1994. V. 5. № 4. P. 181-182.

Yasnitsky L. N. Fictitious canonic regions method and boundary elements method // Boundary Elements Communications. 1995. V. 6. № 2. P. 62-63.

Yasnitsky L. N. Fictitious canonic regions method. Southampton-Boston: Computational Mechanics Publications, 1994. 120 p.

Размещено на Allbest.ru