Выполнена формализация нечетких классов, их степеней разделимости и процесса кодирования признаков. Выставление порогов осуществляется по следующему алгоритму. В случае, если унарные ортогональные проекции нечетких классов на ось Xj находятся в отношении нечеткого порядка, то пороги выставляются в точках значений признаков, соответствующих максимальному показателю пересечения проекций размытых множеств (пары классов). В случае четкого отношения порядка пороги выставляются посередине между носителями пары проекций размытых классов; если несколько пар классов могут быть разделены одним порогом, то он выставляется посередине между носителями, ближайшими друг к другу, обеспечивая тем самым минимальное число порогов кодирования признака Xj. Несмотря на недостаток исходных данных, при обучении приходится решать задачу минимизации числа признаков (3.3) для определения тех параметров, без которых информативность оставшейся подгруппы сохраняет значение, близкое к исходному - при ограничениях

,

где cj - затраты на вычисление признака Xj; степень разделимости Dij(m1, m2) определяется, например, через максимальный показатель пересечения размытых множеств:

Dij(m1, m2) = 1 - ,

функция jm(xj ) определяет унарную ортогональную тень на ось Xj :

jm(xj ) = , i = , j = .

Эта задача решается с помощью аддитивного алгоритма ветвей и границ как бинарная линейная задача о покрытии множества.

В четвертой главе осуществлена разработка методологии обработки баз данных при построении модели знаний на основе решающих правил. Модель знаний о ТП представляется как совокупность статической и динамической составляющих. Статическая модель отражает понятийную, концептуальную структуру предметной области. Иерархичность понятийной структуры может трактоваться как предметная онтологическая модель, узлами которой являются концепты, а отношениями - переходы между узлами. Динамическая модель описывает функциональные связи между понятиями, на основе которых принимаются решения.

Ключевым процессом при построении обучающей информационной системы является получение исходных материалов и знаний от специалистов. Понятийная структура обучающей системы: сведения о классах , их интервальные описания и макроструктура специальных текстов воссоздается коммуникативными методами.

Модели, построенные методами обучения распознаванию образов, при заданной онтологии знаний обучающей системы позволяют находить систему решающих правил, описывающих порядок изготовления продукции заданных классов, и формировать динамическую модель. В конечном итоге выявляются имплицитные структуры знаний, не поддающиеся определению текстологическими и психосемантическими методами.

Поскольку обучающая система по промышленным технологиям должна охватывать широкий спектр объектов: сырья, оборудования, производств и наполняться по принципу “от ингредиентов до изделия”, основными задачами автора-предметника являются: эксплицирование иерархии понятий с использованием отношений типа “часть - целое” для уровней сырья, материалов, деталей и продукта; описание значений и ограничений на свойства понятий для различных экземпляров классов; построение структуры технологического процесса или сценария из фрагментов, представляющих оборудование и связанных пространственными и функциональными отношениями.

Формально онтология определяется как упорядоченная тройка вида <P, R, F>, где P - конечное множество понятий предметной области; R - конечное множество отношений между понятиями; F - конечное множество функций интерпретации. Множества понятий и отношений образуют концептуальный граф, фрагмент которого представлен на рис. 2.



Понятие (сырье, материалы, детали, изделия) раскрывается через соответствующие атрибуты Xx, представляющие набор признаков, определяемый булевым вектором x, Xx X Y. Отношения между понятиями устанавливаются через функцию преобразования W(Ux ), выполняемую на определенном этапе ТП, Ux U. Одно и то же понятие может быть воспроизведено разными ТП, а одна технология при разных режимах может дать различные понятия. Готовые изделия образуют понятия-классы m, которые в свою очередь могут образовывать семантические подмножества . Объект i отображается на графе в одну непрерывную цепь.

Наличие описаний объектов-прецедентов, известных принадлежностью одному из описываемых классов, в единой базе данных позволяет сформулировать следующие основные этапы построения базы знаний о ТП.

1. Объединение всего набора входных параметров ТП в единое глобальное пространство

XA = X U

- априорный словарь признаков.

2. Конструирование запроса для извлечения из реляционной базы данных записей типа “объект - описание - решение (заключение эксперта) о принадлежности объекта”.

3. Анализ достаточности данных для формирования базы знаний.

4. Обучение распознаванию образов на основе комплексного применения дискриминантных алгоритмов, построение динамической модели как системы решающих правил.

5. Представление решающих правил в базе знаний.

Совокупность задач, которые необходимо решить в процессе формирования базы знаний, зависит от метода формирования набора решающих правил (метода обучения), объема исходной априорной информации и критерия оптимизации сформированного поля знаний.

Выбор метода формирования набора решающих правил на начальном этапе создания базы знаний предложено осуществлять на основе анализа источников априорной неопределенности (рис. 3). Определяющими ограничениями при формировании базы знаний могут быть ограниченный объем обучающей выборки и / или недостаточный априорный словарь признаков XA (мала размерность NA пространства признаков).

Достаточность ОВ определяется условием n(2)/h 10…30, где

n(2)=n(i1, i2), n(i1, i2)

 число объектов ОВ, принадлежащих паре классов i1 и i2,

h = h(K, NР) емкость класса РП.

В этом случае используются алгоритмы обучения детерминированного типа, минимизирующие величину эмпирического риска. Выбор РП минимальной емкости, производимый за счет снижения размерности рабочего словаря признаков Xр и использования простого класса K, осуществляется в данном случае в целях упрощения интерпретируемости сформированного правила k. При формировании знаний, основанных на легко интерпретируемых логических РП, основная задача заключается в поиске оптимального рабочего словаря признаков.

Для случая большого числа классов и ситуации недостоверности предложен новый алгоритм обучения, формирующий бинарную решающую матрицу (БРМ). Логическое решающее правило отличается высокой экстраполирующей силой. Заполнение БРМ происходит по следующему правилу:

xi j(m) =

где xi j(m) - значение элемента БРМ, характеризующего принадлежность значений признака X j класса объектов ?m i-му интервалу кодирования xi j . Исследуемый объект распознается в пространстве “своих” градаций. Распознавание осуществляется посредством поэлементной конъюнкции ячеек матрицы, на которые указывают значения признаков распознаваемого объекта, и выделения единичной ячейки, соответствующей коду класса.

При выявлении внутри m-го класса регрессионных зависимостей

= f(xj_1 , xj_2 , …),

качестве порогов используются доверительные границы для прогнозов значений признака xj по входным переменным xj-1 , xj-2 последних звеньев технологической цепочки:

(xj_1 , xj_2 , …) - t1-Sxj (xj_1 , xj_2 , …) d(i-1) j ,

(xj_1 , xj_2 , …) + t1-Sxj (xj_1 , xj_2 , …) d(i-1) j ,

где t1- - квантиль распределения Стьюдента с числом степеней свободы

nm _1, nm = ;

1 - - доверительная вероятность;

Sxj (xj_1 , xj_2 , …)

- оценка стандартного отклонения признака xj.

Простота процедуры обучения (установка интервальных порогов) и распознавания (логические операции и операции сравнения) позволяет легко реализовать семантическую интерпретацию БРМ.

Использование алгоритмов распознавания нечетких (размытых) образов позволяет учесть сложность структуры классов объектов для полиробастных технологических процессов, а также нестатистическую неопределенность принадлежности объектов к некоторым классам, связанную с недостаточностью описаний объектов и малым размером обучающей выборки.

Предложен новый алгоритм обучения, формирующий многоградационную матрицу степеней принадлежности

, i j m = , m = , i = .

Решение о классе объекта выносится в четкой или размытой форме. Лингвистическое значение нечеткого класса имеет вид, где

Четкое наименование класса обеспечивается выбором терма с индексом

m = , m = .

m* = , m* .

Нечеткое РП помимо учета опыта эксперта позволяет эффективно организовать процесс распознавания с использованием простых логических операций и операций умножения.

В ситуациях статистической неопределенности, для задач выявления новых свойств на фоне большого числа случайных, неучтенных факторов, воздействующих на условия протекания технологического процесса, предлагается упрощенный последовательный критерий отношения вероятностей (ПКОВ), который на n-м шаге измерения признака X имеет вид

= ,

где - граница критической области теста для заданного уровня значимости , 2 - ширина области безразличия, 0 выбирается исходя из заданной точности измерения признака X. Последовательное РП позволяет накапливать информацию о значениях признака X объекта на этапе логического вывода.

В случае неравноценности ошибок первого и второго родов определены параметры усеченного ПКОВ, позволяющие повысить эффективность последовательного метода при выявлении интересующего свойства.

При большом числе классов объектов, подлежащих распознаванию, усеченный ПКОВ удобно применять совместно с простейшими логическими РП для разделения пар пересекающихся классов. Если логическое РП разделяет классы, интервалы значений признаков которых не пересекаются, с помощью установленных при обучении порогов, то в случае трудноразделимых классов используются пороги, зависящие от состава и объема выборки измеренных значений признака.

Разработано и реализовано алгоритмическое обеспечение инструментального комплекс для автоматизации проектирования динамической модели знаний интеллектуальных обучающих систем технологической направленности. Динамическая модель строится как система решающих правил, оперирующих признаками рабочего словаря XР XA , на основе знаний как эксплицированных специалистом, так и полученных методами обучения распознаванию образов.

Исходными данными являются описания XA производимых объектов с указанием их принадлежности соответствующему классу. Список признаков, входящих в априорный словарь, специалист формирует исходя из заданного алфавита классов объектов, в частном случае - при составлении онтологии знаний об описываемых ТП. Основное внимание при наполнении комплекса уделяется алгоритмам ОРО, обеспечивающим высокую экстраполирующую силу найденных правил при ограниченном обучающем материале, - алгоритмам, основанным на логических и линейно-логических решающих правилах.

Решающие правила, построенные как простой набор дискриминантных функций линейного и более сложного вида, даже в случае полного разделения классов не содержат знаний о диапазонах изменения значений параметров ТП и их взаимодействий для получения готового изделия заданного класса. Их анализ позволяет указать лишь состав наиболее важных технологических параметров и их весовые коэффициенты для попарной различимости технологических процессов.

Логические правила в форме бинарной решающей матрицы и нечеткой решающей матрицы легко поддаются семантической интерпретации и соответствующей реализации в базе знаний. В общем виде семантика логического правила выглядит следующим образом: “продукция класса m может производиться последовательно на оборудовании … при значениях параметров … , равных …, из деталей … со свойствами …, лежащими в диапазонах …., которые изготовлены из материалов с параметрами, лежащими в диапазонах …, которые изготовлены из сырья …, имеющего свойства … “.

Выбор среди множества альтернативных логических РП в условиях недостаточной ОВ осуществляется на основе рассмотрения сформированных систем описания, так как в этом классе алгоритм распознавания синтезируется непосредственно в процессе кодирования и поиска рабочего словаря признаков, а лучшее качество имеет алгоритм, для которого минимальной является величина объема пространств признаков V.

Комплекс использовался при создании базы знаний для распознавания деталей сложной формы на ряде многономенклатурных конвейерных производств. Экспериментальные исследования показали, что программа распознавания, реализующая БРМ, помимо экономии объема требуемой памяти обеспечивает более высокое быстродействие по сравнению с остальными реализованными алгоритмами логического распознавания.

Показано, что способ кодирования признаков должен соответствовать введенному критерию информативности группы признаков, который, в свою очередь, должен быть согласован со сложностью решающего правила. Для дискретных линейных решающих функций предложен интервальный критерий информативности группы признаков, позволяющий увеличить их экстраполирующую силу.

Учет взаимосвязи основных этапов обучения на основе комплексного применения дискриминантных алгоритмов в условиях ограниченной априорной информации позволяет создавать динамическую модель знаний с обеспечением высокой точности при принятии решения по новым данным.

В пятой главе рассмотрена методика использования разработанных методов и алгоритмов интеллектуального анализа данных при создании обучающих систем в области технологии и дизайна.

Проблема выделения информационных блоков и установления логических связей между сотнями, а иногда тысячами учебных элементов решается на примере формирования логической схемы обучающей системы при ее реализации в гипермедиа технологии, когда учебный материал кроме гипертекста включает графическую информацию, анимационные, аудио- и видео фрагменты, а также интерактивные виртуальные сцены.

Интервальные описания позволяют построить соответствующую бинарную решающую матрицу и сформировать систему решающих правил в терминах рассматриваемой предметной области. Описан процесс разбиения учебного материала с выделением на основе решающей матрицы декларативных, отличительных, повторяющихся и дополнительных информационных фрагментов. Он позволяет сократить объем мультимедийных и текстовых данных за счет устранения дублирующих сведений, встречающихся при описании порядка создания продукции различного типа. Этот эффект также будет наблюдаться для текстового и графического материала при полиграфическом представлении обучающего средства, если его разделы сформированы на основе множества выделенных классов .

Размещение информационных блоков для некоторых гипертекстовых учебников осуществлено в разработанной с участием автора информационно-образовательной среде Санкт-Петербургского университета технологии и дизайна, функционирующей в глобальной сети Интернет.

Формирование проектно-художественной концепции сложного системного объекта - ассортимента производственной одежды - выполняется с помощью разработанной системы дизайн-программирования (рис. 4).



Размещено на http: //www. allbest. ru/

Формирование ассортимента производственной одежды

В основу поля знаний системы положена функциональная структура ассортимента ПО, раскрываемая в признаковом пространстве объективных функционально-эргономических характеристик изделий. Отработка концепции корпоративного дизайна в соответствии с выявленной видовой номенклатурой выполняется с помощью графической подсистемы. База данных для ассортиментных групп структурирована в соответствии с онтологической схемой по группам, видам, подвидам и типам изделий производственной одежды. Каждая признаковая категория представлена в базе графическим изображением соответствующего уровня детализации: от базовых силуэтных форм до функциональных и функционально-декоративных элементов. База знаний реализует решающие правила, сформулированные специалистом-дизайнером, и подпрограммы для управления сценарием, заложенным в процесс проектирования. Пользователю предлагаются такие решения, которые отвечают эстетическим и эргономическим требованиям, обеспечивают безопасность проектируемой одежды в зависимости от сферы ее будущего использования.

Конструктивность принципов комплексного применения множества дискриминантных алгоритмов проверена при построении поля знаний ряда обучающих систем.

Обучающая система "Текстильные технологии" предназначена для формирования знаний по широкому спектру текстильных объектов: сырья, оборудования, производств текстильной промышленности. Изучение технологических процессов и оборудования, структуры и свойств продуктов и полупродуктов текстильных производств осуществляется по принципу “от волокна до изделия”. Для построения разделов выделены следующие классы знаний: "Волокна", "Пряжа", "Трикотаж", "Ткань", "Нетканые материалы", "Одежда", "Отделка", "Контроль качества". Фрагмент онтологии и динамической структуры обучающей системы приведен на рис. 5. Процедурные информационные блоки в основном представляют аудиовизуальную информацию (рис. 6): обычную и анимированную графику, демонстрирующую особенно важные технологические операции и труднодоступные для фотосъемки узлы; звуковые сообщения и видеофрагменты для пояснений при освоении учебного материала.



Обучающая система "Текстильные технологии"



Размещено на http: //www. allbest. ru/

Приведены примеры использования решающих правил при выделении различных классов для построения моделей процесса обучения, описывающих этапность решения учебных задач и освоения учебных элементов.

В обучающей системе “Анализ данных” множество представляет собой классы задач, для решения которых требуется поиск статистических зависимостей различного вида. Сквозные типовые задачи, относящиеся к различным классам, основаны на этапности выполнения процедур анализа данных с применением информационных технологий. При построении модели мультимедийного учебника была сформирована бинарная матрица использования процедур анализа данных для различных классов технологических задач. На ее основе составлена схема логических связей учебных элементов.

Весь учебный материал по уровням освоения учебного материала и способу представления разделов курса разбит на три категории:

иерархическая схема этапов анализа ( =0);

теоретические сведения ( =1);

примеры решения задач в соответствующем специализированном пакете ( =2…3).

Информационные блоки каждого класса делятся на три типа: декларативный блок с теоретическими сведениями - описаниями базовых понятий, методов и моделей и процедурные блоки с алгоритмом анализа или пошаговым выполнением метода в специализированном пакете. Система использует анимацию графики, демонстрирующей ход решения примеров и задач; звуковые сообщения для пояснений по использованию курса, перевода английских терминов и предложений в области статистики.

В основу методического построения комплекса учебно-методических материалов (КУММ) “Разработка экспертных систем” положена информационная модель обучения. В ходе работы по отбору и структурированию учебных элементов была составлена модель содержания учебного материала и бинарная матрица освоения учебных элементов для различных целевых групп. В результате преобразования набора БРМ сформирована как логическая структура поля знаний, так и процедурный компонент в виде набора правил.

КУММ предусматривает возможность реализации различных траекторий обучения, выбор которых зависит как от целей, поставленных перед обучаемым, так и от начального состояния обучаемого. Реализация этих возможностей обусловлена составом КУММ (учебное пособие, мультимедийный курс, содержащий справочник, систему тестирования, тренажер) и применяемыми методическими приемами. В состав тренажера включена инструментальная среда для разработки прикладных экспертных систем. Она способствует развитию и закреплению навыков создания практических приложений. Среда дополнена средствами для получения консультаций и контроля знаний, введения лексики по выбранной предметной области.

Методика построения обучающих систем технологической направленности на основе методов обучения распознаванию образов применима при реализации моделей процесса обучения, в которые заложены различные уровни усвоения учебного материала (рис. 7).

Логическое РП в форме БРМ позволяет разбить учебно-методический материал на декларативные и процедурные информационные блоки и установить связи между ними, обеспечивая первый уровень освоения учебного материала. Использование заданных моделью обучения тестов на основе процедурных блоков и наложение обратных связей на гипертекстовое представление позволяет перейти на уровень автоматизированной обучающей системы ( = 2). Внедрение интеллектуальной составляющей - базы знаний о ТП и механизма объяснений позволяет подключить уровень причинно-следственных связей, описывающих переходы типа “процедурный блок-информационный фрагмент” ( = 3...4). Записанная в виде продукций базы знаний система РП составляет основу экспертной обучающей системы, функционирующей в режиме тренажера или консультанта. Подключение инструмента разработчика или исследовательского пакета прикладных программ дает обучаемому возможность выйти на уровень манипулирования профессиональными знаниями. Реализация переходов между уровнями освоения учебного материала при смене целей обучения и адаптации процесса обучения к текущему профилю пользователя возможна в рамках многоагентного подхода как управление разнотипными знаниями.

Новизна разработанных обучающих программ подтверждена выдачей свидетельств об официальной регистрации программы для ЭВМ.



Уровни усвоения учебного материала

В приложении дан вывод гарантированных оценок риска для простейших классов решающих правил и основных соотношений последовательного метода выделения класса с новыми потребительскими свойствами, приведено краткое описание способов снижения вычислительных затрат при минимизации набора признаков, представлены фрагменты экранных изображений разработанных обучающих программ и акты внедрения результатов диссертационной работы.

Выводы

В диссертационной работе решена актуальная крупная научная проблема разработки методологии синтеза модели знаний обучающих систем технологической направленности путем автоматического построения обобщающих правил методами обучения распознаванию образов, решение которой ранее не представлялось возможным ввиду построения в процессе технологического и автоматизированного проектирования схем описания технологических процессов кибернетического типа. Полученные результаты позволили с единых системных позиций найти научно-обоснованное решение целому ряду задач по разработке новых методов и алгоритмов обработки информации, что дало возможность представить описание трудноформализуемых технологических процессов, не ограничивать разнообразие производственных технологий, чрезвычайно широкий спектр объектов, понятий и их характеристик, повысить эффективность разработки логических схем систем рассматриваемого класса.

Получены следующие результаты.

1. Анализ современного состояния проблемы показал, что единым методологическим подходом, ранее не применявшимся к исследованиям предметной области создания обучающих систем, может служить теория распознавания образов. Представление знаний, эксплицированных специалистами, и извлечение знаний из массива данных для ряда слабоформализованных конструкторских и технологических задач в текстильной и легкой промышленности могут выполняться на основе методологии ОРО с целью автоматического построения обобщающих правил, описывающих принадлежность ситуаций к классам.

2. Разработан единый методологический подход, ранее не применявшейся к исследованиям предметной области создания обучающих систем, в основу которого положены принципы рационального выбора и построения решающих правил при различных видах априорной неопределенности и комплексное применение дискриминантных алгоритмов. Формирование модели знаний в условиях ограниченной ОВ представляется как комбинаторная задача оптимизации критерия гарантированной оценки риска в пространстве параметров, характеризующих класс РП и сложность системы описания объектов. Обучение базы знаний трактуется в широком смысле: вводится дополнительный этап - выбор класса РП и учитываются взаимосвязи основных этапов, что позволяет добиться более глубокого минимума эмпирического риска по сравнению с известными методами обучения.

3. Исследованы решающие правила различной емкости: логические, линейно-логические, линейные и кусочно-линейные. Результатами являются теоретические оценки их экстраполирующих свойств и практические рекомендации по использованию основных алгоритмов распознавания для повышения эффективности базы знаний проектируемой интеллектуальной обучающей системы.

4. На основе разработанной методологии создана методика применения результатов интеллектуального анализа данных для описания трудноформализуемых технологических процессов и разработано алгоритмическое обеспечение инструментального комплекса, которые позволяют автоматизировать процесс построения модели знаний интеллектуальных обучающих систем.

5. В условиях ограниченной априорной информации результаты комплексного применения дискриминантных алгоритмов позволяют формировать модель знаний с обеспечением высокой точности при принятии решения по новым данным. Для повышения точности дискретных линейных решающих функций предложен интервальный критерий информативности. Для случая большого числа классов предложен новый метод обучения, формирующий бинарную решающую матрицу, которая отличается высокой экстраполирующей силой. Простота процедуры обучения (установка интервальных порогов) и распознавания (логические операции и операции сравнения) позволяет легко реализовать семантическую интерпретацию БРМ.

6. Для случая большого числа классов и нестатистической неопределенности предложен новый метод обучения, формирующий многоградационную матрицу степеней принадлежности. Нечеткое РП помимо учета опыта эксперта позволяет эффективно организовать процесс распознавания с использованием простых операций. Решение о классе объекта выносится в четкой или размытой форме.

7. В ситуациях статистической неопределенности, для задач выявления новых свойств на фоне большого числа случайных, неучтенных факторов, воздействующих на условия протекания технологического процесса, предлагается упрощенный последовательный критерий отношения вероятностей. В случае неравноценности ошибок первого и второго родов определены параметры усеченного ПКОВ, позволяющие повысить эффективность последовательного метода при выявлении интересующего свойства.

8. Поиск систем описания звеньев технологической цепочки выполняется для обобщения информации, содержащейся в классах объектов, и выявления отличительных для каждого класса настроек параметров технологического процесса. Оставшееся подмножество признаков используется при формировании концептуальной составляющей поля знаний, позволяя дать полное заключение о характеристиках исходных компонентов и диапазонах параметров ТП в заданном классе производимой продукции. Разработаны новые критерии, методы и алгоритмы обработки информации для формирования описаний классов объектов: интервальный критерий информативности признаков, позволяющий увеличить экстраполирующую силу дискретных линейных решающих функций; метод кодирования признаков по методу минимального числа порогов, позволяющий повысить степень сжатия информации при построении логических РП; аддитивный алгоритм выбора рабочего словаря, не требующий больших вычислительных затрат.

9. Разработана методика создания информационной модели обучающих систем технологической направленности с использованием найденной системы решающих правил, которая позволяет строить поле знаний, структурировать информационные блоки различного типа - базовые понятия, декларативные фрагменты, процедурные блоки, выявлять дублирующие данные, повторяющиеся для различных технологических процессов, а также устанавливать связи-гиперссылки.

10. Конструктивность принципов комплексного применения множества дискриминантных алгоритмов и эффективность предложенных в работе методов позволили успешно применить созданную методику при разработке логических схем ряда обучающих систем в области технологии и дизайна, основанных на выделении классов, обеспечивая логическое упорядочивание информации и исключение дублирования учебных элементов.

11. Разработана модель многофункциональной обучающей системы, основанная на системе решающих правил, управляющих процессом обучения, которая позволяет реализовать разные уровни усвоения учебного материала.

Разработанная методология применения методов и алгоритмов интеллектуального анализа данных на основе выделения классов и этапности выполнения процедур может использоваться при создании обучающих систем в различных предметных областях и при реализации различных моделей процесса обучения.

Список публикаций, отражающих содержание работы

1. Пименов, В. И. Обучение в распознающих системах / В. И. Пименов // Интеллектуальные системы: тез. докл. всесоюз. науч.-техн. конф. / МАИ. - М., 1991. - С. 45.

2. Пименов, В. И. Выбор алгоритмов распознавания / В. И. Пименов // Системы управления и обработки информации: матер. юбил. науч.-техн. конф. / БГТУ. - СПб., 1992. - С. 87-93.

3. Козлов, Ю. М. Анализатор речевого сигнала для оценки эмоционального состояния человека-оператора / Ю. М. Козлов, В. И. Пименов, И. Л Горьков, О. Г. Малеев // Региональная информатика: тез. докл. III междунар. конф. - СПб, 1994. - Ч. III. - С. 53-54.

4. Козлов, Ю. М. Компьютерное обучение разговорному иностранному языку / Ю. М. Козлов, Г. Д. Невзорова, В. И. Пименов // Региональная информатика: тез. докл. III междунар. конф. - СПб., 1994. - Ч. III. - С. 66-67.

5. Козлов, Ю. М. Аппаратно-программные средства речевого общения / Ю. М. Козлов, В. И. Пименов // Вопросы повышения качества управления движущимися объектами: тр. БГТУ. - СПб., 1995. - С. 54-60.

6. Kozlov, J. M. Acoustic-Phonetic Analysis Methods of Speech Signal / J. M. Kozlov, V. I. Pimenov, I. L. Gorkov // Regional Informatics-95: Proceed. of the IV St.-Petersb. International Conf. - St.-Petersb., 1995. - P. 71-74.

7. Kozlov, Ju. Distance Learning Approach in the Frame of Man-Computer and Man-to-Man Interaction / Ju. Kozlov, G. Nevzorova, V. Pimenov, S. Lisovskaya // Distance Learning as a Development Strategy: International Conf. on Distanse Education in Russia. - Moscow, 1996. - P. 333-334.

8. Пименов, В. И. Использование компьютерных технологий для совершенствования языковой подготовки преподавателей математики и информатики / В. И. Пименов // Математика в вузе - стандарты образования - базовая подготовка: тр. междунар. науч.-метод. конф. - СПб., 1996. - С. 134-135.

9. Пименов, В. И. Использование методов статистики для построения алгоритмов распознавания / В. И. Пименов // Математика в вузе: тр. междунар. науч.-метод. конф. - СПб., 1997. - С. 158-159.

10. Пименов, В. И. Перспективы применения мультимедийных компьютерных средств и сетевых технологий в системах дистанционного образования / В. И. Пименов // Телематика-97: тр. всерос. науч.-метод. конф. - СПб., 1997. - С. 143.

11. Пименов, В. И. Обучение дизайнеров в среде Intranet / В. И. Пименов // Новые информационные технологии в вузах и на предприятиях легкой промышленности: тез. докл. всерос. науч.-метод. конф. / СПГУТД. - СПб., 1998. - С. 92-93.

12. Пименов, В. И. Анализ данных при обучении распознающих систем / В.И. Пименов // Вопросы повышения эффективности управления техническими системами с различными информационными каналами: тр. БГТУ. - СПб., 1998. - С. 15-20.

13. Воронов, М. В. Комплексный подход к подготовке специалистов по художественному проектированию / М. В. Воронов, А. И. Птушкин, В. И. Пименов // Современные технологии обучения: матер. междунар. конф. - СПб., 1998. - Т. 1. -С. 51-52.

14. Воронов, М. В. Мультимедийные образовательные системы для инженеров-технологов / М. В. Воронов, В. И. Пименов // Современные технологии обучения: матер. VI междунар. конф. - СПб., 2000. - Ч. 2. - С. 180-181.

15. Воронов, М. В. Проблемы создания изделий компьютерного дизайна / М. В. Воронов, В. И. Пименов // Дизайн - 2000: матер. междунар. конф. - Херсон, 2000. - С. 65-66.

16. Воронов, М. В. Использование тренажеров в дистанционном обучении / М. В. Воронов, В. И. Пименов, А. Н. Блинов // Информатизация образования - 2000: матер. всерос. науч.-практ. конф. - Хабаровск, 2000. - С. 23-24.

17. Воронов, М. В. Мультимедийные технологии и дистанционное обучение / М. В. Воронов, В. И. Пименов // Университетское управление: практика и анализ / Уральский ГУ. - 2000. - № 1(12). - С. 67-69.

18. Пименов, В. И. Решение проблем применения компьютерных технологий при обучении дизайнеров / В. И. Пименов, М. В. Воронов // V Царскосельские чтения: матер. науч.-теор. межвуз. конф. с международ. участ. - СПб., 2001. - Т. 1. - С. 205-208.

19. Пименов, В. И. Моделирование текстурных изображений с объемной архитектурой / В. И. Пименов, М. В. Воронов // Новые информационные технологии в университетском образовании: матер. IX междунар. науч.-метод. конф. - Кемерово, 2002. - С. 161-164.

20. Воронов, М. В. Информационная поддержка системы управления качеством в вузе (Information support of a control system by quality in high school) / М. В. Воронов, В. И. Пименов // Управление качеством в современном вузе: труды междунар. науч.-метод. конф. - СПб.; Калуга, 2003. - Вып. 1. - С. 17-20 (P. 20-23).

21. Воронов, М. В. Прикладная математика: учеб. пособие / М. В. Воронов, В. И. Пименов, Е. Г. Суздалов / Рекомендовано учебно-методическим объединением по образованию в области технологии, конструирования изделий легкой промышленности. - СПб.: СПГУТД, 2003. - 384 с.

22. Дянкова, Т. Ю. Конструктивно-технологические аспекты преподавания дисциплин на стыке науки и искусства / Т. Ю. Дянкова, В. И. Пименов // Высокие интеллектуальные технологии и качество образования и науки: матер. XI-й междунар. науч.-метод. конф. - СПб., 2004. - С. 291-292.

23. Дянкова, Т. Ю. Методы систематизированного проектирования текстильной колористической отделки / Т. Ю. Дянкова, В. И. Пименов // Современные технологии обучения (СТО-2004): матер. X междунар. конф. - СПб., 2004. - Т. 1. - С. 103-104.

24. Пименов, В. И. Проектирование мультимедийных учебников / В. И. Пименов // Информационные технологии в образовательной, научной и управленческой деятельности (ИНФОТЕКСТИЛЬ--2004): матер. всерос. науч. конф. - М., 2004. - c. 66-67.

25. Пименов, В. И. Мультимедийная обучающая система “текстильные технологии” / В. И. Пименов, Н. Н. Труевцев, Ю. Н. Ветрова // Современные технологии обучения (СТО-2004): матер. X междунар. конф. - СПб., 2004. - Т. 2. - С. 91-92.

26. Пименов, В. И. Извлечение знаний при построении решающих правил / В. И. Пименов // Актуальные проблемы экономики и новые технологии преподавания (Смирновские чтения): матер. 3-й междунар. науч.-практ. конф. - СПб., 2004, - C. 281-282.

27. Суздалов, Е. Г. Анализ системы дистанционного обучения / Е. Г. Суздалов, В. И. Пименов, Н. Р. Туркина // Телематика-2004: тр. XI всерос. науч.-метод. конф. - СПб., 2004. - Т. 2. - С. 511-512.

28. Суздалов, Е. Г. Системный анализ дистанционного обучения: учеб. пособие / Е. Г. Суздалов, В. И. Пименов, Т. А. Кравец / Рекомендовано учебно-методическим объединением по направлениям педагогического образования. - СПб.: СПГУТД, 2005. -55 с.

29. Пименов, В. И. Статистические методы и средства исследований: учеб. пособие / В. И. Пименов / Рекомендовано учебно-методическим объединением по образованию в области технологии, конструирования изделий легкой промышленности. - СПб.: СПГУТД, 2005. - 102 с.

30. Суздалов, Е. Г. Система дистанционного обучения / Е. Г. Суздалов, Н. Р. Туркина, В. И. Пименов // IT-инновации в образовании: матер. всерос. науч.-практ. конф. - Петрозаводск, 2005. - С. 203-206.

31. Суздалов, Е. Г. Система дистанционного обучения в техническом вузе / Е. Г. Суздалов, Н. Р. Туркина, В. И. Пименов // Формирование профессиональных качеств современного специалиста в техническом университете: матер. IV междунар. науч.-метод. конф. - Кострома, 2005. - С. 69-70.

32. Пименов, В. И. Методические основы создания образовательных ресурсов для дистанционного обучения / В. И. Пименов, Е. Н. Якуничева // Непрерывное образование в свете модернизации высшей школы: матер. междунар. науч.-практ. конф. - СПб., 2005. - С. 118-123.

33. Пименов, В. И. Формирование поля знаний интеллектуальных обучающих систем для дисциплин технологического цикла / В. И. Пименов // Телематика'2005: тр. XII всерос. науч.-метод. конф. - СПб., 2005. - Т. 2. - С. 518-520.

34. Свидетельство об официальной регистрации программы для ЭВМ № 2005611643. Коруна-дизайн / Е. Я. Сурженко, В. И. Пименов, Е. И. Петрова, Е. Л. Хлебникова, Л. П. Васеха. - Зарегистрировано в Реестре программ для ЭВМ, Москва, 01 июля 2005 г.

35. Пименов, В. И. Свидетельство об официальной регистрации программы для ЭВМ № 2006612731. Мультимедийный комплекс по прикладной статистике / В. И. Пименов. - Зарегистрировано в Реестре программ для ЭВМ, Москва, 03 августа 2006 г.

36. Пименов, В. И. Свидетельство об официальной регистрации программы для ЭВМ № 2006612223. Обучающая программа по разработке экспертных систем / В. И. Пименов, М. В. Воронов. - Зарегистрировано в Реестре программ для ЭВМ, Москва, 15 августа 2006 г.

37. Труевцев, Н. Н. Свидетельство об официальной регистрации программы для ЭВМ № 2006614157. Обучающая программа по текстильным технологиям / Н. Н Труевцев, В. И. Пименов, Ю. Н. Ветрова. - Зарегистрировано в Реестре программ для ЭВМ, Москва, 4 декабря 2006 г.

38. Пименов, В. И. Компьютерная графика. Работа в СorelDRAW: учеб. пособие / В. И. Пименов / Рекомендовано учебно-методическим объединением по направлениям педагогического образования. - СПб.: СПГУТД, 2006. - 130 с.

39. Пименов, В. И. Проектирование обучающих систем в области технологии и дизайна: монография / В. И. Пименов. - СПб.: ИПЦ СПГУТД, 2006. - 229 с.

40. Пименов, В. И. Применение методов обучения распознаванию образов для проектирования динамической модели знаний о технологических процессах / В. И. Пименов // Системы управления и информационные технологии. - 2006. - № 2 (24). - С. 98-103.

41. Сурженко, Е. Я. Дизайн-программирование ассортимента производственной одежды / Е. Я. Сурженко, Е. И. Петрова, В. И. Пименов // Дизайн. Материалы. Технология. - 2006. - № 1. - С. 3-6.

42. Пименов, В. И. Построение обучающей системы на базе модели онтологии / В. И. Пименов // Качество. Инновации. Образование. - 2006. - № 4. - С.42-48.

43. Пименов, В. И. Проектирование баз знаний о технологических процессах / В.И. Пименов // Автоматизация и современные технологии. - 2006. - № 6. - с. 27-37.

44. Пименов, В. И. Проектирование и управление содержанием обучающих систем технологической направленности / В. И. Пименов // Дизайн. Материалы. Технология. - 2007. - № 1(2). - С. 3-7.

45. Пименов, В. И. Формализация технологических процессов при построении обучающих систем / В. И. Пименов // Дизайн. Материалы. Технология. - 2007. - № 1(2). - С. 95-99.

46. Пименов, В. И. Проектирование модели знаний обучающих систем технологической направленности / В. И. Пименов // Информационные технологии. - 2007. - № 6. - С. 66-71.

47. Пименов, В. И. Свидетельство об официальной регистрации программы для ЭВМ № 2007610484. Информационная система дистанционного обучения / В. И. Пименов, Е. Г. Суздалов, В. О. Купинский. - Зарегистрировано в Реестре программ для ЭВМ, Москва, 26 января 2007 г.

48. Якуничева, Е. Н. Свидетельство об официальной регистрации программы для ЭВМ № 2007612178. Информационная система верификации знаний / Е. Н. Якуничева, В. И. Пименов. - Зарегистрировано в Реестре программ для ЭВМ, Москва, 25 мая 2007 г.

49. Пименов, В. И. Использование информационных технологий для тестирования студентов экономических специальностей / В. И. Пименов // Экономический рост: финансовый, управленческий и социальный аспекты: сб. науч. тр. по матер. всерос. науч.-практ. конф. - Спб.: Изд-во Политехн. ун-та, 2007. С. 362-368.

50. Пименов, В. И. Построение модели дистанционного курса по технологическим дисциплинам / В. И. Пименов // Математическое моделирование в образовании, науке и производстве: тезисы 5-й междунар. конф. - Тирасполь, 2007. - C. 193-194.

51. Якуничева, Е. Н. Вопросы построения информационной обучающей среды / Е. Н. Якуничева, В. И. Пименов // Язык и культура - основа общественной связности. Научная сессия “IX Невские чтения”: матер. междунар. науч.-практ. конф. - СПб., 2007. - С. 173-175.

52. Пименов, В. И. Применение информационных технологий в обучении студентов-технологов / В. И. Пименов, Е. Н. Якуничева // Известия вузов. Технология текстильной промышленности. - 2008. - № 3. - С. 138-141.

53. Пименов, В. И. Построение электроного курса на основе выделения классов / В. И. Пименов // Новые информационные технологии в образовании: материалы междунар. науч.-практ. конф. - Екатеринбург, 2008. - Ч. 2. - C. 24-26.

54. Пименов, В. И. Модель электронного курса при выделении знаний о последовательности действий / В. И. Пименов // Информатика: проблемы, методология, технологии: материалы Восьмой междунар. науч.-метод. конф. - Воронеж, 2008. - Т. 2. - С. 170-174.

55. Пименов, В. И. Алгоритмическое обеспечение инструментального комплекса для формирования знаний о технологических процессах / В. И. Пименов // Известия вузов. Приборостроение. - 2009. - № 1. - С. 3-9.

Размещено на Allbest.ru