ІНФОРМАЦІЙНА ТЕХНОЛОГІЯ АНАЛІЗУ процесу і синтезу адаптивних систем контролю знань : ИНФОРМАЦИОННАЯ ТЕХНОЛОГИЯ АНАЛИЗА процесса и синтеза адаптивных систем контроля знаний



  • Название:
  • ІНФОРМАЦІЙНА ТЕХНОЛОГІЯ АНАЛІЗУ процесу і синтезу адаптивних систем контролю знань
  • Альтернативное название:
  • ИНФОРМАЦИОННАЯ ТЕХНОЛОГИЯ АНАЛИЗА процесса и синтеза адаптивных систем контроля знаний
  • Кол-во страниц:
  • 192
  • ВУЗ:
  • СУМСЬКИЙ ДЕРЖАВНИЙ УНІВЕРСИТЕТ
  • Год защиты:
  • 2012
  • Краткое описание:
  • МІНІСТЕРСТВО ОСВІТИ І НАУКИ МОЛОДІ ТА СПОРТУ УКРАЇНИ
    СУМСЬКИЙ ДЕРЖАВНИЙ УНІВЕРСИТЕТ
     
     
     
    На правах рукопису
     
    ПЕТРОВ Сергій Олександрович
     
    УДК  681.518
     
    ІНФОРМАЦІЙНА ТЕХНОЛОГІЯ АНАЛІЗУ процесу і синтезу адаптивних систем контролю знань
     
     
    05.13.06 – інформаційні технології
     
     
    Дисертація
    на здобуття наукового ступеня
    кандидата технічних наук
     
     
    Науковий керівник
                                                             ДОВБИШ  Анатолій  Степанович,
                                                                                  доктор технічних наук, професор
     
     
     
    Суми - 2012 

     
    ПЕРЕЛІК УМОВНИХ СКОРОЧЕНЬ І ПОЗНАЧЕНЬ................................... 4
    ВСТУП............................................................................................................. 5
    РОЗДІЛ 1  Аналіз проблеми та обгрунтування задач дослідження   14
    1.1  Аналіз освітніх інформаційних технологій та систем .......................... 14
    1.2  Аналіз загальної структури СКЗ........................................................... 24
    1.3 Аналітичний огляд методів аналізу та синтезу СКЗ.............................. 33
    1.4 Детерміновано-статистичний підхід аналізу та синтезу СКЗ................ 47
    1.5 Висновки. Обґрунтування задач дослідження....................................... 49
     
    РОЗДІЛ 2 МОДЕЛЬ адаптивной СКЗ ЯК ОБ’ЄКТА аналізу процесу і синтезу...................................................................................................... 51
     
    2.1 Аналіз об’єкту досліджень і постановка задачі інформаційного
    синтезу адаптивної СКЗ ............................................................................... 51
    2.2 Структурна та функціональна організація адаптивної СКЗ ................ 55
    2.3 Оцінка функціональної ефективності інтелектуальної СКЗ .................  60
    2.4 Математичні моделі інформаційної технології синтезу СКЗ ............... 66
    2.4.1 Математична модель синтезу СКЗ з оптимізацією вагових коефіцієнтів тестів     74
    2.4.2 Метод визначення оптимальних оцінюючих функцій в рамках інформаційної технології синтезу адаптивних СКЗ ............................................................ 76
    2.4.3 Математична модель функціонування СКЗ з оцінкою інформативності тестів .............................................................................................................. 80
    2.4.4 Категоріальна модель навчання системи в режимі кластер-аналізу результатів тестування...................................................................................................... 85
    2.4.5 Математична модель та алгоритм оптимізації параметрів функціонування СКЗ для вкладених контейнерів класів розпізнавання .............................................. 88
    2.5. Висновки до другого розділу................................................................ 92
     
    РОЗДІЛ 3 АЛГОРИТМИ АНАЛІЗУ І СИНТЕЗУ АДАПТИВНИХ СКЗ .. 95
    3.1  Формування вхідного математичного опису інтелектуальної СППР в процесі синтезу СКЗ ................................................................................................................ 95
    3.2 Алгоритм навчання системи................................................................... 97
    3.3 Визначення потужності репрезентативного набору тестів в  СКЗ........................................................................................................... 101
    3.4 Оптимізація параметрів вкладених контейнерів класів розпізнавання.............................................................................................. 105
    3.5 Оптимізація параметрів функціонування СКЗ в режимі кластер-аналізу вхідних даних...................................................................................................................... 114
    3.6 Висновки до третього розділу.............................................................. 122
     
    РОЗДІЛ 4 ПРАКТИЧНА РЕАЛІЗАЦІЯ ІНФОРМАЦІЙНОЇ ТЕХНОЛОГІЇ АНАЛІЗУ ПРОЦЕСУ І СИНТЕЗУ АДАПТИВНОЇ СКЗ……………………124
    4.1 Архітектура програмного забезпечення та загальний підхід до аналізу адаптивних СКЗ .............................................................................................................. 124
    4.2. Реалізація основних процедур аналізу і синтезу................................ 133
    4.2.1 Порівняльний аналіз оціночних функцій.......................................... 133
    4.2.2 Оптимізація вагових коефіцієнтів тестів ........................................... 136
    4.2.3 Формування класів еквівалентних тестів........................................... 142
    4.3 Впровадження інформаційної технології аналізу і синтезу адаптивних  СКЗ.......................................................................................... 151
    4.3.1 Опис програмної реалізації алгоритму формування еквівалентних наборів тестів...................................................................................................................... 157
    4.4 Впровадження інформаційної технології аналізу і синтезу адаптивних  СКЗ.......................................................................................... 151
    4.5 Висновки до четвертого розділу.......................................................... 160
     
    ВИСНОВКИ................................................................................................ 162
    СПИСОК ВИКОРИСТАНИХ ДЖЕРЕЛ.................................................... 164
     
    ДОДАТОК А (інформаційний) Файлова структура ядра СППР
    для супроводження навчальної дисципліни............................................... 180
    ДОДАТОК Б (Інформаційний) Акти впровадження.................................. 184
     

    ПЕРЕЛІК УМОВНИХ СКОРОЧЕНЬ
     
    БД – база даних;
    БІМ – блок імітаційних моделей;
    БПОІ – блок первинної обробки інформації;
    БКОІ –блок кінцевої обробки інформації;
    БОЗ –  блок оцінки знань;
    БФВР –блок формування векторів розпізнавання;
    БВР – блок візуалізації та реєстрації;
    ДК – дистанційний курс;
    ІЕІ-технологія – інформаційно-екстремальна інтелектуальна технологія;
    ІОД – інтерфейс організації діалогу;
    КФЕ - критерій функціональної ефективності;
    ОПР - особа, що приймає рішення;
    СДН – система дистанційного навчання;
    СКД - система контрольних допусків;
    СКЗ – система контролю знань;
    СППР - система підтримки прийняття рішень;
    ТІОС –телекомунікаційне інформаційно-освітнє середовище;
    G - простір вхідних сигналів (факторів), які діють на СКЗ;
    T - множина моментів часу зняття інформації;
     - простір ознак розпізнавання;
     Z – простір можливих станів СКЗ;
    Y - множина сигналів, які знімаються з виходу блока первинної 
              обробки інформації СКЗ;
     – усереднене за алфавітом класів розпізнавання значення інформацій
             ного КФЕ.
     
     




    ВСТУП
     
    Актуальність теми
    Створення інформаційних технологій – це одна з ключових задач сьогодення, оскільки зазначені технології широко застосовуються в різних галузях науки та техніки: в обробці даних різної природи, в технічних,  технологічних та соціальних процесах і системах. Системи контролю знань не є виключенням оскільки є передовою галуззю розробки й впровадження прогресивних інформаційних і комп'ютерних технологій. За умов науково-технічного прогресу підвищуються вимоги до якості функціонування таких систем, безупинно збільшується обсяг наукової та технічної інформації, яку необхідно опрацьовувати та засвоювати в процесі роботи суб’єктів таких систем. Тим самим інформаційні і комп’ютерні  технології в соціальних процесах ведуть до корінної зміни технології одержання та контролю знань – ефективної організації пізнавальної діяльності суб’єктів інформаційних систем, на основі індивідуалізації, адаптації функціонування систем.
    Розглядаючи проблему підвищення ефективності систем подання та контролю знань, такі дослідники, як В.І. Гриценко, В.П. Беспалько, К.М. Денек, Мокін Б.І., Ч.Д. Куписевич, Е.Г. Петров, Н.В. Шаронова, В.М. Чаплига,   П.І. Федорук, C.B. Jones, P. Larson, J-T Yang, S. Sun серед основних його компонентів вказують на важливе значення підвищення достовірності машинного контролю рівня знань за результатами тестування.Тому одним із прогресивних напрямків підвищення функціональної ефективності контролю знань є аналіз і синтез адаптивних систем контролю знань (СКЗ), побудованих на основі сучасних інтелектуальних технологій прийняття рішень. При цьому науково-методологічні питання підвищення функціональної ефективності адаптивних СКЗ все ще залишаються недостатньо дослідженими. Так, основними недоліками відомих методів надання СКЗ властивості адаптивності, які роблять неефективним їх застосування на практиці, є ігнорування перетину класів утворених у просторі ознак розпізнавання, впливу неконтрольованих зовнішніх і внутрішніх факторів, відсутність методів аналізу і синтезу адаптивної та цілісної системи СКЗ та відсутність відповідних процедур оптимізації параметрів її функціонування Указані вище методологічні та теоретичні ускладнення вирішення проблеми побудови високоефективних адаптивних СКЗ обумовлюють актуальність розроблення математичних моделей класифікаційного керування, методів оцінки функціональної ефективності та оптимізації просторово-часових параметрів функціонування, а так само відповідних засобів інформаційної технології проектування адаптивних СКЗ та широке їх впровадження в телекомунікаційне  інформаційно освітнє середовище (ТІОС) України.
    Таким чином, розробка інформаційної технології аналізу процесу та синтезу адаптивних систем контролю знань є актуальною.
     
    Зв’язок роботи з науковими програмами, планами, темами
    Тематика дисертаційної роботи пов’язана з дослідженнями, проведеними у Сумському державному університеті на кафедрі комп’ютерних наук відповідно до плану науково-дослідних робіт за держбюджетними темами  «Математичні моделі, алгоритми та засоби інформаційної технології аналізу та синтезу інтелектуальних систем» (ДР № 0105U002825), «Математичне моделювання та оцінка функціональної ефективності адаптивної системи керування дистанційним навчанням» (ДР № 0106U001930), «Розроблення науково-методичних основ та інформаційних засобів проектування здатних самонавчатися адаптивних систем керування технологічними процесами» (ДР № 0109U001380).
    Роль автора в цих науково-дослідних роботах полягала в розробці математичних моделей та інформаційно-екстремальних алгоритмів оптимізації параметрів функціонування адаптивної СППР, що навчається, та відповідних засобів інформаційної інтелектуальної технології її аналізу та синтезу.
     
    Мета і завдання дослідження
    Метою роботи є підвищення функціональної ефективності та надання адаптивності СКЗ на основі нової інформаційної технології їх аналізу і синтезу.
    У відповідності до поставленої мети у дисертації сформульовано такі завдання:
    аналіз існуючих методів і технологій аналізу і синтезу адаптивних СКЗ;
    розроблення методу визначення обсягу та формування еквівалентних в інформаційному розумінні наборів тестів із заданої їх множини;
    розроблення методу оцінювання рівня знань на базі СППР в рамках інформаційно-екстремального методу;
    розроблення інформаційної технології аналізу процесу та синтезу здатної самонавчатися в режимі кластер-аналізу СППР для побудови СКЗ;
    розроблення методики визначення мінімального обсягу тестових запитань за узагальненим критерієм Кузьміна;
    розроблення алгоритму навчання СППР в режимі кластер-аналізу вхідних даних;
    розроблення засобів інформаційного і програмного забезпечення та використання розроблених моделей для розв’язання конкретних прикладних функціонування адаптивної СКЗ.
    Об’єктом дослідження є процеси контролю знань.
    Предметом досліджень є інформаційні технології, моделі і методи аналізу процесів і синтезу адаптивних систем контролю знань.
    Методи дослідження базуються на принципах та евристичних методах теорії проектування та функціонування інтелектуальних СППР, що навчаються для аналізу процесу і синтезу адаптивних СКЗ; методах та характеристиках теорії інформації для оцінки функціональної ефективності СППР, методах теорії розпізнавання образів та теорії статистичних рішень для побудови вирішальних правил та організації процесу підтримки прийняття рішень; методах ІЕІ-технології та методах оптимізації для розробки та реалізації процедур оптимізації параметрів функціонування СКЗ; методи об’єктно-орієнтованого проектування для створення інформаційного та програмного забезпечення СКЗ.
     
    Наукова новизна одержаних результатів
    Наукова новизна розробок полягає в тому, що поставлено та вирішено науково-технічну задачу підвищення функціональної ефективності та надання адаптивності СКЗ. Конкретні нові наукові результати, одержані особисто здобувачем, полягають у такому:
    ·        вперше розроблено нову інформаційну технологію аналізу процесу та синтезу здатної самонавчатися в режимі кластер-аналізу СППР для побудови СКЗ, яка включає процедуру оцінки її функціонально ефективності, комплекс категорійних моделей, критеріїв оцінки і алгоритмів оптимізації параметрів функціонування в рамках інформаційно-екстремального методу, що дозволяє надати системі властивість адаптивності при її функціонуванні за умов апріорної невизначеності, інформаційних та ресурсних обмежень, розглядати задачу аналізу і синтезу СКЗ;
    ·        вперше запропоновано метод визначення обсягу та формування еквівалентних в інформаційному розумінні наборів тестів із заданої їх множини який відрізняється теоретико-інформаційним критеріальним підходом, що дозволило підвищити оперативність машинного контролю знань при забезпеченні заданої достовірності результатів оцінювання за навчальною вибіркою;
    ·        вперше розроблено метод оцінки рівня знань на базі СППР, який відрізняється застосуванням інформаційно-екстремального методу з використанням інформації про структуру простору функціонування СКЗ, функціонує в режимі як вкладених, так і впорядкованих контейнерів класів розпізнавання, що дозволило побудувати безпомилкові за навчальною матрицею вирішальні правила.
     
    Практичне значення одержаних наукових результатів
    Практичне значення одержаних у роботі результатів полягає в тому, що на основі узагальнення відомих результатів і застосування нових наукових положень, запропонованих у дисертації, сформована сучасна інформаційна технологія аналізу і синтезу адаптивних СКЗ на базі здатної навчатися СППР, що функціонує за умов апріорної невизначеності, нечітких вхідних даних і ресурсних обмежень, та дозволила підвищити достовірність оцінки результатів машинного оцінювання рівня знань.
                  Запропоновано методику визначення мінімального обсягу тестових запитань за узагальненим критерієм Кузьміна. Розроблено та реалізовано алгоритм навчання СППР в режимі кластер-аналізу вхідних даних.
    Результати дисертації впроваджені у вигляді моделей, методів, алгоритмів і пакетів прикладних програм та системи каркасних класів (Framework) для проектування інтелектуальних СППР при розв’язанні прикладних задач функціонування СКЗ, що підтверджується актами впровадження в навчальний процес Сумського державного університету (м. Суми). Корпорація NetCracker (м. Київ,), Центр бойового застосування ракетних військ та артилерії (м. Суми), Інститутом осциляційних монокристалів (м. Харків).
     
    Особистий внесок здобувача.
    Усі основні наукові результати, які винесено на захист, одержано здобувачем особисто. Дослідження підтверджено 9 індивідуальними публікаціями та 12 у співавторстві. При цьому, в роботах у співавторстві здобувачем розроблено: [1] - математичну модель та алгоритм оптимізації параметрів генерування тестів у системі керування дистанційним навчанням; [2] - розроблено та програмно реалізовано алгоритм оцінки інформативності тестів при дистанційному навчанні;  [3] - розроблено і програмно реалізовано алгоритм навчання системи керування дистанційним навчанням за різними оціночними функціями; [4] - розроблено математичні моделі системи керування дистанційним навчанням у рамках кінцевих автоматів, марківських процесів та інформаціно-екстремальної інтелектуальної технології; [5] - розроблено категорійну модель, інформаційно-екстремальний алгоритм і його  програмну реалізацію; [10] - розроблено структуру мультіагентної інтелектуальної системи дистанційного навчання; [12] - розроблено математичну модель і алгоритм оцінки рівня знань студентів з використанням харківських процесів; [14] - розроблено математичні моделі адаптивної системи керування дистанційним навчанням; [18] - запропоновано алгоритм формування апріорної нечіткої навчальної матриці для задачі оцінки рівня знань студентів; [19] - розроблено засоби інформаційних технологій для реалізації програмного забезпечення адаптивної системи дистанційного навчання; [20] – розроблено та реалізовано алгоритм гібридного-кластер аналізу вхідних даних для навчання СППР; [21] – запропоновано вдосконалення понятійно-тезисної моделі та розроблено алгоритм формування вхідних даних системи;
     
    Апробація результатів дисертації.
    Основні наукові положення та результати дисертаційної роботи доповідалися на: Третїй Міжнароднійї конференції «Нові інформаційні технології в освіті для всіх: система електронної освіти (Київ, 2008, 2010, 2011), Шостій  і Сьомій Міжнародних конференціях «Інтернет-Освіта-Наука» (Вінніца, 2008, 2010), Третій Міжнародній конференції «Інформаційні технології та менеджмент» (Рига, Латвія, 2005), Третій Міжнародній конференції «Современные методы кодирования в электронных системах» (Суми, 2006), Всеукраїнській науково-практичній конференції «Проблеми освіти в галузі інформаційних технологій» (Київ, 2007), Міждержавній науково-методологічній  конференції «Проблеми математичного моделювання» (Дніпродзержинськ, 2007), Міжнародній науково-практичній конференції вчених Украіни, Беларусі, Росії, Азербайджану, Израїлю «Информационные технологии и информационная безопасность в науке, технике и образовании» – (Севастополь, 2007), Сьомій міжнародній конференції «Интелектуальный анализ информации «ИАИ 2007»( Київ, 2007), Восьмій Міжнародній міждисциплінарній науково-практичній школі-конференції «Сучасні проблеми науки та освіти» (Алушта, 2007), 9-й і 10-й міжнародних міждисциплінарних науково-практичних конференціях «Сучасні проблеми гуманізації та гармонізації управління» (Харків, 2009,2010),
     
    Публікації
    Основні результати дисертаційної роботи опубліковано в 21 працях   [1-21], із них дев’ять статей, сім з яких опубліковано у спеціалізованих наукових журналах і збірниках наукових праць, що входять до переліку ВАК України, і 14 матеріалів доповідей на міжнародних науково-практичних конференціях.
     
    Структура і обсяг дисертації
     
    Дисертаційна робота складається із вступу, чотирьох розділів, висновків, списку використаних джерел  і двох додатків. Повний обсяг дисертації складає 164 сторінок тексту, у тому числі: 57 рисунків, 5 таблиць, список використаних джерел, що включає 143 найменування, на 16 сторінках і додатки на 6 сторінках.
  • Список литературы:
  • ВИСНОВКИ
     
    У дисертаційній роботі розв’язано важливу науково-технічну прикладну задачу підвищення функціональної ефективності та надання властивості адаптивності СКЗ шляхом створення нової інформаційної технології, як інтелектуальної СППР для аналізу процесі і синтезу СКЗ, яка функціонує за умов апріорної невизначеності, інформаційних і ресурсних обмежень. Головні наукові та практичні результати роботи полягають у такому:
    За результатами аналітичного огляду джерел інформації проаналізовано сучасний стан та тенденцію розвитку СКЗ і показано, що їх основною функцією є транспортування до користувача навчального контенту при відсутності інтелектуальної складової, пов’язаної з оцінкою функціональної ефективності керованого процесу з метою надання системі властивості адаптивності. Це обумовлено тим, що теорія проектування адаптивних СКЗ знаходиться у стані становлення і все ще залишається нерозв’язаною центральна задача інформаційного синтезу цього класу систем, яка полягає в розробленні інтелектуальної інформаційної технології адаптації вхідного математичного опису з метою побудови високо достовірної системи контролю рівня знань слухачів, що на практиці функціонує за умов апріорної невизначеності.
    Запропоновано новий інформаційно-екстремальний метод аналізу і синтезу інтелектуальної СППР, що самонавчається в режимі кластер-аналізу, який дозволяє побудувати безпомилкові за навчальною та контрольною багатовимірними матрицями вирішальні правила шляхом оптимізації просторово-часових параметрів функціонування, в тому числі і словника ознак.
    Запропоновано комплекс логічно пов’язаних у рамках ІЕІ-технології категорійних моделей у вигляді діаграм відображень множин, що застосовуються при синтезі адаптивної СКЗ як СППР, які дозволяють спростити синтез алгоритмів функціонування інтелектуальних СППР та розширити їх функціональні можливості.
    Розроблено алгоритм навчання СППР, який дозволяє оптимізувати такі параметр генерування тестів, як валідність і значущість, визначити мінімальні за обсягом еквівалентні (в інформаційному розумінні) набори тестів.
    Розроблено модифікацію узагальненого критерію Кузьміна для оцінки ефективності системи контролю знань слухачів залежно від інформативності й обсягів наборів тестів, що дозволяє визначати мінімальний обсяг еквівалентних (в інформаційному розумінні) наборів тестів із заданої множини. При цьому для оцінки функціональної ефективності запропоновано використовувати частинні критерії у вигляді модифікованих ентропійного критерію та критерію Кульбака.
    Розроблено алгоритми відновлення в процесі навчання оптимальних вкладених контейнерів, які дозволили побудувати безпомилкові за навчальною матрицею вирішальні правила, які у режимі екзамену гарантують повну ймовірність правильного прийняття рішень, наближену до достовірності висококваліфікованого викладача.
    Вперше розроблено математичну модель і інформаційно-екстремальний алгоритм навчання СППР з кластеризацією вхідних даних за умови заданої потужності структурованого алфавіту класів розпізнавання, який дозволив побудувати безпомилкові за навчальною матрицею вирішальні правила, тобто сформоване в процесі кластеризації даних апріорно нечітке розбиття простору ознак перетворено в чітке розбиття еквівалентності.
    Розроблено інформаційне та програмне забезпечення інтелектуальної СППР з  побудовою уніфікованого програмного інтерфейсу для передачі даних між функціональними блоками системи та визначення контексту документа згідно з його змістом та призначенням блоку, який його обробляє. Перевагою розробленої адаптивної СКЗ перед відомими системами контролю знань слухачів є використання нелінійного методу оцінювання, основаного на дефазіфікації вхідних даних у процесі машинного навчання СППР, що дозволило для лінійно-нероздільних ознак розпізнавання побудувати безпомилкові за навчальною матрицею вирішальні правила.
    Розроблено гнучку компонентну архітектуру, що забезпечує роботу з даними у відповідності до контексту, в якому вони збираються, обробляються і зберігаються. Використання активної моделі в рамках MVC та розробленої системи каркасних класів дозволило об’єднати локальні або настільні доданки з сервіс-орієнтованими веб-системами, що забезпечило можливість створення додаткового програмного інтерфейсу API шляхом додавання нових модулів.
    Запропоновано метод проектування адаптивної СКЗ та показано, що основна її відмінність від традиційних методологій полягає в тому, що при моделюванні процесів прийняття рішень етапи аналізу і синтезу є взаємопов’язаними, а їх реалізація в процесі функціонування СППР здійснюється залежно від результатів попередніх задач.
    Обґрунтування висновків і рекомендацій, наведених у роботі, підтверджується практичним використанням результатів дисертаційних досліджень.







    СПИСОК ВИКОРИСТАНИХ ДЖЕРЕЛ
     
    1. Довбиш А.С. Машинна оцінка знань студентів у системах керування дистанційним навчанням / А.С. Довбиш, В.О. Любчак, С.О. Петров // Вісник Сумського державного університету. Серія «Технічні науки».– 2007.– №1.– С. 167-178.
    2. Петров С. О. Оцінка інформативності тестів в системах  керування дистанційним навчанням / С.О. Петров, І.В. Шелехов // Вісник Херсонського національного технічного університету.– 2007.–№4(27).–С. 586-591.
    3. Любчак В.О. Аналіз оціночних функцій в рамках інформаційно-екстремальної інтелектуальної технології / В.О. Любчак, С.О. Петров, Б.О. Кузіков // Вісник Сумського державного університету. Серія «Технічні науки». – 2007. – №2,– С. 146-153.
    4.       Довбиш А.С. Математичне моделювання при синтезі системи керування дистанційним навчанням / А.С. Довбиш, С.О. Петров // Математичне моделювання. Дніпродзержинський державний університет.– 2007.–№2(17).–С. 64-67.
    5.       Довбиш А.С. Застосування інформаційно-екстремальної інтелектуальної технології для реалізації адаптивної системи діагностування рівня знань / А.С. Довбиш, С.О. Петров // Академічний вісник Криворізького територіального відділення Міжнародної Академії комп’ютерних наук і систем.–2007.–№2.– С. 112-129.
    6.       Петров С.А. Категориально-информационная модель адаптивной системы непрерывного обучения / С.А. Петров // Управляющие системы  и машины.–2009.-№2.– С.48-51.
    7. Петров С.О. Оптимізація параметрів генерування тестів за інформаційно екстремальною технологією / С.О. Петров // Збірник праць Науково-методологічного семінару “Перспективні технології навчання та освітні простори” Міжнародний науково-навчальний центр інформаційних технологій та систем НАН та МОН України (МННЦ) м. Київ.– 2008.– Вип. 2.– С.71-78.
    8. Петров С.О. Алгоритм побудови класів еквівалентних наборів ознак розпізнавання в системах керування, що навчаються / С.О. Петров //Збірник праць Третьої Міжнародної конференції «Нові інформаційні технології в освіті для всіх: система електронної освіти, 1-3 жовтня 2008 р.: доповідь.–Київ.–2008.– С. 455-461.
    9. Petrov Sergey. Mathematical model of distance learning control system in framework of IEIT / Sergey Petrov // Internet Education Science: Proceedings of the Sixth International Conference, 7-11  October 2008. – Vinnytsia, Ukraine.–2008.– V. 1.– P. 167-169.
    10. Lubchak V.A. Estimation of functional efficiency of multyagent intellectual system of classification management of distance learning / V.A. Lubchak, S.A. Petrov // Informational Technologies and Management: Theses of  3rd International Conference, 14-15 April 2005.– Riga, Latvia: Information Systems Management Institute, 2005. – P. 73.
    11. Петров С. О. Кластерізація результатів тесування при дистанційному навчанні / С.О. Петров // Современные методы кодирования в электронных системах (СМКЭС – 2006): Третья Междунар. науч. конф.  26-27 окт. 2006 г.: Тезисы докл.– Сумы: СумДУ, 2006.– С. 24-25.
    12. Довбиш А.С Методи синтезу освітніх систем з використанням марківських процесів / А.С. Довбиш, С.О. Петров // Збірник праць Всеукраїнської науково-практичної конференції «Проблеми освіти в галузі інформаційних технологій» Київ 2007р. Національний авіаційний університет.
    13. Боровик В.О. Системологія синтезу інформаційних систем керування дистанційним навчанням / В.О. Боровик, С.О. Петров  // Сучасні проблеми науки та освіти: Восьма Міжнародна міждисциплінарна науково-практична школа-конференція, 28 квіт.-9 трав., 2007 р.: тези доп.– Алушта, 2007.– С. 296-297.
    14. Довбиш А.С. Методи математичного моделювання для аналізу та синтезу  систем керування дистанційним навчанням / А.С. Довбиш, С.О. Петров // Проблеми математичного моделювання: Міждержавна наук.-метод. конф.:23-25 трав. 2007 р.: тези доп.– Дніпродзержинськ: Дніпродзержинський державний технічний університет, 2007.– С. 75-76.
    15. Петров С.А. Идентификация параметров функционирования системы автоматизированного тестирования знаний / С.А. Петров // Информационные технологии и информационная безопасность в науке, технике и образовании "ИНФОТЕХ-2007": Междунар. науч.-практ. конф. ученых Украины, Беларуси, России, Азербайджана, Израиля, 10–16 сентября 2007 г.: Тезисы докл. – Севастополь: СевНТУ, 2007.– Часть 2.– С.131-133.
    16. Петров С.О. Фазифікація вхідних даних при машинній оцінці знань слухачів в системах керування дистанційним навчанням / С.О. Петров // Интелектуальный анализ информации «ИАИ 2007»: VII междунар. конф.:  15-18 мая 2007 г.: тезисы докл. – Киев: Просвіта, 2007.– С. 266-273.
    17. Петров С.О. Вплив структури простору ознак розпізнавання в системах підтримки прийняття рішень / С.О. Петров // «Інтернет-Освіта-Наука –2010»: Сьома міжнар. конф.  ІОН-2010: 28 вер.-3 жов. 2010 р.: тези доп.– Вінниця: Вінницький Національний технічний університет, 2010.– С.71-72.
    18 Петров С.О. Постановка задачі кластерного аналізу для формування вхідних даних в системі керування дистанційним навчанням / В.О. Боровик, С.О. Петров // Сучасні проблеми гуманізації та гармонізації управління: 9-а міжн. міждисципл. наук.-практ. школа-конф.:1-8 лист. 2009 р.: тези доп.– Харків: Харківський Національний університет ім. В.Н. Каразіна, 2009.– С. 312-313.
    19. Петров С.О. Побудова системи дистанційної освіти з використанням технології WEB 2.0 / В.О. Боровик, С.О. Петров // Сучасні проблеми гуманізації та гармонізації управління: 10-а міжн. міждисципл. наук.-практ. школа-конф.: 4-10 листоп. 2010 р.: тези доп..- Харків: Харківський Національний університет ім. В.Н. Каразіна, 2010.– С. 232-233.
    20. Гриценко В.И. Информационный синтез адаптивной мультиагентной системы управления дистанционным обучением / В.И. Гриценко, А.С. Довбыш А.С., В.А. Любчак // Управляющие системы и машины.–2006.–№6 – C. 4-6,25.
    21. Глибовец Н.Н. Реализация подсистемы тестирования в системах дистанционного обучения / Н.Н. Глибовец, А.А. Крусь //Управляющие системы и машины, 2001.–№3.– 70-77.
    22. Гриценко В.И. Дистанционное обучение: теория и практика / В.И. Гриценко, С.П. Кудрявцева, В.В. Колос, Е.В. Веренич. – К.: Наукова думка,–2004. – 375 с.
    23. Bordini R.H. AgentSpeak(XL): Efficient Intention Selection in BDI Agents via Decision-Theoretic Task Scheduling / R.H. Bordini, A.L.C. Bazzan, R. de O. Jannone, D.M. Basso, R.M. Vicari, V.R. Lesse // Proceedings of 1st International Joint Conference on Autonomous Agents and Multi-Agent Systems, ACM Press, Bologna, Italy, 2002. – V. 3– P. 1294-1302.
    24. Angelova G. Domain Ontology as a Resource Providing Adaptivity in eLearning / G. Angelova, O. Kalaydjiev, A. Strupchanska // In Proc. On the Move to Meaningful Internet Systems 2004: OTM 2004 Workshops, LNCS 3292, Cyprus, 2004.– P.700-712.
    25. Sevcenko M. Knowledge Support for Modeling and Simulation. Knowledge-Based Intelligent Information and Engineering Systems / M. Sevcenko: 7th International Conference, KES 2003 Oxford, UK, 2003/– P. 99 - 103.
    26. Андреев А.А. Дидактические основы дистанционного обучения. Методы и средства дистанционного обучения / А.А. Андреев.– http: www.iet.mesi.ru|br|22b.htm.
    27. Information and Cjmmunication Technologies in Education: A Curricululum for Schools and Programme of Teacher Development.– UNESCO, Division of Higher Education.– 2002.– 149.
    28. Богомолов В. А. Обзор бесплатных систем управления обучением [Електронний ресурс] / В. А. Богомолов // Образовательные технологии и общество. - 2007. - Т. 10, № 3. - С. 439-460. 
    29. Бублик В. В. Електронне навчання в Україні і світі. Ретроспектива і перспектива [Текст] / В. В. Бублик, О. К. Закусило, В. П. Шевченко // Теорія і методика навчання інформатики та математики: Збірник наукових праць. Вип. 3. / під ред. І. П. Аносова та ін. - Мелітополь: МДПУ, 2004. - С. 10-27.
    30. Глибовець М. М. Підтримка колаборативного навчання за допомогою порталу EMERECU- електронного медійного ресурсного центру України [Текст] /   М. М. Глибовець // Збірник праць Першої міжнародної конференції «Нові інформаційні технології в освіті для всіх». К. – 2006. – С. 22-36.
    31. Якушев П. С. Анализ технологий и систем управления электронным обучением: Отчет [Електронний ресурс] / П. С. Якушев // Реализация образовательных программ инновационного типа в области IT. - режим доступу: http://inno.cs.msu.su/implementation/it-university/07/report.doc (24.10.2009).
    32. Якушин А. В. Использование LMS в учебном процессе педагогического вуза  А. В. Якушин // Современные информационные технологии и ИТ-образование: Сборник докладов научно-практической конференции / под ред. В. А. Сухомлина, отв. Ред. Е. Н. Никелина. – М.: МАКС пресс, - 2006. - С. 189-193.
    33. Englemore R. Blackboard Systems / R.Englemore, T. Morgan.– Wokingham, England: Addison-Wesley, 1988. – 11 р.
    34. Зайцева Е. Строительство виртуальной образовательной сети: почему мы выбрали Open Source [Електронний ресурс] / Е. Зайцева, B.Francel // Образовательные технологии и общество. - 2005. – Т. 8.– № 4. – С. 270-279. 
    35. Носуленко А. В. Моделирование деятельности учебного учреждения как первый этап создания корпоративной информационной системы /    А. В. Носуленко // Открытое образование. – 2004. – № 1 (42). – С. 38-47.
    36. Theory and Practice of Online Learning  / Ed. by T. Anderson, F. Elloumi. – Canada: Athabasca University, – 2001. – 454 p.
    37. Cole J. Using Moodle: Teaching with the Popular Open Source Course Management System / J. Cole, H. Foster.– O’Reilly, 2010.– 266 р.
    38. Андреев А.В. Практика электронного обучения с использованием Moodle / А.В. Андреев, С.В Андреева, И.Б.Доценко –ТТИ ЮФУ–2008.–146 с.
    39. Мясникова Т.С., Мясников С.А. Система дистанционного обучения MOODLE / Т.С. Мясникова, С.А. Мясников.– Харьков.– 2006.– 232 с.
    40. Краснопоясовський А.С. Моделювання навчального процесу за методом функціонально-статистичних випробувань / А.С. Краснопоясовський // Інформатизація освіти та дистанційна форма навчання: Сучасний стан і перспективи розвитку: VI Міжнародна науково-методична конф., Суми, 2004 р.: доповідь. – Суми: Вид-во СумДУ, 2004.– С. 116-120.
    40. Краснопоясовський А.С. Інформаційний синтез інтелектуальних систем керування: Підхід, що ґрунтується на методі функціонально-статистичних випробувань / А.С. Краснопоясовський.- Суми: Видавництво СумДУ, 2004. - 261 c.
    42. Довбиш А.С. Основи проектування інтелектуальних систем: Навчальний посібник / А.С. Довбиш.– Суми: Видавництво СумДУ, 2009.– 171 с.
    43. Экспертные системы. Принципы работы и примеры: Пер. с англ. /   А. Брунинг, П. Джонс, Ф. Кокс и др. / Под ред. Р. Форсайта. - М.: Радио и связь, 1987. -224 с.        
    44. Хейес-Рот Ф., Уотермен Д., ЛенатД. Построение экспертных систем: Пер. с англ. / Ф. Хейес-Рот , Д. Уотермен, Д. Ленат. – М.: Мир, 1987.– 430 с. 
    45. Уотермен Д. Руководство по экспертным системам: Пер. с англ. / Д. Уотермен. - М.: Мир, 1989.-  388 с.
    46.
    47. Ямпольский Л.С. Штучний інтелект у плануванні та управлінні виробництвом: підруч./ Л.С. Ямпольский, О.А.  Лавров– К. : Вища шк., 1995. – 255 с.
    48. SCADA-системы для энергетиков. Москва: ЗАО «РТСофт», 2001. – URL:http://www.scada.ru/publication/.
    49. SCADA системы в АСУТП. – Компания «Объединение ЮГ», Киев. – URL:http://www.scada. com.ua/.
    50. Астанин С.В. Сопровождение процесса обучения на основе нечеткого моделирования / С.В. Астанин // Открытое образование.– 2000.–№5. –   С 12-18.
    51. Веренич Е.В. Оценивание мультимедиальных дистанционных курсов с использованием цепей Маркова / Е.В. Веренич// Управляющие системы и машины.–2002.–№3/4.– С.66-71.
    52. Веренич Е.В. Дистанционное обучение: возможности выбора эффективного набора мультимедиа для повышения качества обучения при дистанционной форме образования / Е.В. Веренич // Вісник Черкас. держ. технолог. ун-ту. – 2003.– №1.– С. 49-59.
    53. Колос В. В., Мониторинг телекоммуникационной информационно-образовательной среды вуза // В.В. Колос, В.А. Любчак, А.Г. Пивень // Вісник Сумського державного університету. Серія Технічні науки. – 2006. – №10(94). – С. 59-68.
    54. Строгалев В. П. Имитационное моделирование / В. П. Строгалев,  И. О. Толкачева. – М.: МГТУ им. Баумана, 2008. – 697 с.
    55.. Загоруйко Н. Г., Елкина В. Н., Лбов Г. С. Алгоритмы обнаружения эмпирических закономерностей / Н. Г. Загоруйко, В. Н. Елкина, Г. С. Лбов. - Новосибирск: Наука. -1985. -   110 с.
    56. Зайченко Ю.П. Основи проектування інтелектуальних систем: Навчальний посібник / Ю.П. Зайченко. – К.: Видавничий дім “Слово”, 2004.–   352 с.
    57. Dhillon I.S. Concept Decompositions for Large Sparse Text Data Using Clustering / I. S. Dhillon, D. S. Modha // Machine Learning.– 2001.–Vol. 42.– № 1.– P. 143-175.
    58. Ben-David S. (2006). A sober look on clustering stability / S. Ben-David, U. von Luxburg, D. P´al // Proceedings of the 19th Annual Conference on Learning Theory (COLT).– Springer. – Berlin.–2006.– P. 5-19.
    59. Краснопоясовський А.С. Факторний класифікаційний аналіз за методом функціонально-статистичних випробувань / А.С. Краснопоясовський, М.В. Козинець // Радіоелектронні та комп’ютерні системи.– 2004. - №4. –    С. 46-50.
    60. Довбиш А.С. Побудова адаптивної системи керування слабоформалізованим процесом за методом факторного кластер-аналізу / А.С. Довбиш, С.М. Котенко// Вісник Сумського державного уныверситету. Серія: Технічні науки.–2010.–№1.– С. 7-15.
    61. Ким Дж.-О. Факторный, дискриминантный и кластерный анализ / Дж.-О. Ким, Ч.У. Миллер, У.Р. Клекк и др. – М.: Финансы и статистика, 1989. – 215 с.
              62. Rui Xu D., Wunsch I. Survey of clustering algorithms / D. Rui Xu,         I. Wunsch // IEEE Transactions on Neural Networks.– 2005.–v.16, № 3.–р. 645.
    63. Методы анализа данных: Подход, основанный на методе динамических сгущений: Пер. с фр. / Кол. авт. под рук. Э. Дидэ / Под ред. и с предисл.  С. А. Айвазяна и В. М. Бухштабера.- М.: Финансы и статистика, 1985.-375 с.
    64. Прикладная статистика: Классификации и снижение размерности: Справ, изд. / С. А. Айвазян, В. М. Бухштабер, И. С. Енюков, Л. Д. Мешалкин: Под ред. С. А. Айвазяна.— М.: Финансы и статистика, 1989.— 607 с:
    65. Jain A. Data clustering: A review / A. Jain, M. Myrty M., P. Flynn // ACM Computing Surveys. – 1999. Vol. 31, no 3 – P 264-323
    66. Краснопоясовський А.С. Класифікаційний аналіз даних: Навчальний посібник / А.С. Краснопоясовський. - Суми: Видавництво СумДУ, 2002.- 159 с.
    1.                67. Гайдышев И. Анализ и обработка данных: Специальный справочник / И.Гайдышев.–  СПб.: Питер.– 2002.– 752 с.
    68. A.K. Jain, R.C. Dubes. Algorithm for Clustering Data / A.K. Jain, R.C. Dubes.– New Jersey: Engelwood Cliffs. Prentice Hall.– 1988.– 367 p.
    69. Jain A. K. Data Clustering: 50 Years Beyond K-Means"/ A. K. Jain // Pattern Recognition Letters.– 2010.– Vol. 31, №8.–P. 651-666.
    70. Уиллиамс У.Т. Методы иерархической классификации: Статистические методы для ЭВМ / У.Т. Уиллиамс, Д.Н. Ланс. Под ред. М.Б. Малютов. – М.: Наука.– 1986. – С. 269-301.
    71. Довбиш А.С. Визначення та корекція індивідуальних траєкторій навчання із застосуванням індивідуально орієнтованих електронних освітніх ресурсів / А.С. Довбиш, Р.Б. Барило, О.Б. Барило // Вісник Сумського державного університету. Серія: Технічні науки. – 2009.–№3.– С. 110-118.
    72. довбиш А.С. Інформаційно-екстремальна система підтримки прийняття рішень у режимі кластер-аналізу / А.С. Довбиш, В.О. Востоцький // Вісник Сумського державного університету. Серія: Технічні науки. – 2010.– №1. – С. 77-83.
    73. Турбович И.Т. Опознание образов: Детерминир.-статист. подход / И. Т. Турбович, В. Г. Гитис, В. К Маслов.-М.: Наука, 1971.- 246 с.
    74. Анисимов Б. В. Распознавание и цифровая обработка изображений / Б.В. Анисимов, В.Д. Курганов, В.К. Злобин. - М.: Высшая школа. – 1983.– 256 с.
    75. Дмитриев А. К., Мальцев П. А. Основы теории построения и контроля сложных систем / А. К. Дмитриев, П. А. Мальцев.- Л.: Энергоатомиздат; Ленингр. отд-ние, 1988. -192 с.
    76. Костюк В. И. Автоматизированные системы управления гибкими технологиями / В. И. Костюк, В. И. Скурихин, А. А. Павлов, Э. П. Путилов, С. Н. Гриша.– К.: Техника.– 1987. – 165 с.
    77. А.А.Павлов А.А. Основы системного анализа и проектирования АСУ / А.А.Павлов,. Л.А.Павлова, Е.Б.Мисюра и др.– К.: Техннка – 1993.– 126 с.
    78. Васильев В.И. Теория редукции в проблемах экстраполяции / В.И. Васильев // Проблемы управления и информатики. – 1996.– №1,2.–С 239-251.
    79. Васильев В. И. Единство задач обучения распознаванию образов, восстановления зависимостей и функций принадлежности / В. И. Васильев // Управляющие системы и машины. - №6. - 2002. - С. 3 - 9.
    80. Wilson D. Reduction techniques for instance-based learning algorithms / . Wilson, T. Martinez // Mach. Learn.- Vol.38. - 2000.- P. 257 - 286.
    81. Загоруйко Н. Г. Гипотеза компактности и l-компактности в методах анализа данных / Н.Г. Загоруйко // Сибирский журнал индустриальной математики. Изд. ИМ СО РАН.– 1998.– Том 1, №1.– С.– 114 – 136.
    82. Amary S. Theory of normalisation of pattern signals in feature spaces / S. Amary // Electronic and Communication in Japan.– 1966.– Vol. 49/ – №7.–     P.  104 – 113.
    83. Гиренко А.В. Методы корреляционного обнаружения объектов / А.В. Гиренко, В.В. Ляшенко, В.П. Машталир, Е.П. Путятин. – Харьков: АО “БизнесИнформ”, 1996. – 112 с.
    84. Путятин Е. П., Аверин С. И. Обработка изображений в робототехнике / Е. П. Путятин, С.И. Аверин. – М: Машиностроение, 1990. – 320 с.
    85. Zadeh L. A. Fuzzi sets / L. A. Zadeh // Information and Control. - 1965. -№8. - P. p. 338-353.
    86. Беллман Р. Принятие решений в расплывчатых условиях. В кн.: Вопросы анализа и процедуры принятия решений / Р. Беллман, Л. Заде. - М.: Мир, 1976.- С. 172 - 216.
    87. Нечёткие множества и теория возможностей. Последние достижения: Пер. с англ. / Под ред. Р. Р. Ягера.– М.: Радио и связь, 1986. – 408 с.
    88. Duda R. O. Pattern Classification / R.O. Duda, P.E. Hart, D.G. Stork.– Second ed. John Wiley & Sons, New York.– 2001.- 738 p.
    89. Васильев В. И. Распознающие системы: Справочник.– 2-е изд., перераб. и доп / В. И. Васильев. - Киев: Наукова думка, 1983.-422 с.
    90. Горелик А.Л., Скрипкин В.А. Методы распознавания / А.Л. Горелик, В.А. Скрипкин.– М.: Высшая школа, 1989.– 232 с.
    91. Фомин Я. А. Распознавание образов. Теория и применения /        Я.А. Фомин //. – М.: ФАЗИС. – 2010. – 368 с.
    92. Загоруйко Н. Г. Пакет прикладных программ ОТЭКС / Н. Г. Загоруйко, В. Н. Елкина, С. А. Емельянов, Г. С. Лбов.– М.: Финансы и статистика, 1986. – 126 с.
    93. Соколов А. Ю. Алгебраическое моделирование лингвистических динамических систем / А.Ю. Соколов // Проблемы управления и информатики.- 2000.- С. 141-147.
    94. Рутковская Д. Нейронные сети, генетические алгоритмы и нечеткие системы: Пер. с польск. И. Д. Рудинского / Д. Рутковская, М. Пилиньский, Л. Рутковский. – М.: Горячая линия –Телеком.– 2006. – 452 c.
    95. Sotirov S. Neural network for defining intuitionistic fuzzy sets in e-learning / S.Sotirov,  E. Sotirova,  D.Orozova // Thirteenth Int. Conf. on IFSs, Sofia, 9-10 May 2009, NIFS.– 2009.– Vol. 15.– P. 33-36.
    96. Melo-Pinto P. Generalized net model of e-learning evaluation with intuitionistic fuzzy estimations / P. Melo-Pinto, T. Kim, K. Atanassov, E. Sotirova, A. Shannon and M. Krawczak // Representation and Processing of Uncertain and Imprecise Information, Warszawa.– 2005.– P. 241-249.
    97. Сироджа И.Б. Метод равноуровневых алгоритмических квантов знаний для принятия производственных решений при недостатке или нечёткости данных / И.Б. Сироджа, Т.Ю. Петренко. - Киев: Наукова думка. 2000. - 247 с.
  • Стоимость доставки:
  • 200.00 грн


ПОИСК ДИССЕРТАЦИИ, АВТОРЕФЕРАТА ИЛИ СТАТЬИ


Доставка любой диссертации из России и Украины