Экспертные системы управления

Введение

  1. Назначение экспертных систем

  2. Архитектура экспертных систем

  3. Этапы разработки экспертных систем

Заключение

Список литературы

Введение

Под экспертной системой понимается система, объединяющая возможности компьютера со знаниями и опытом эксперта в такой форме, что система может предложить разумный совет или осуществить разумное решение поставленной задачи (1, стр. 90).

Экспертная система – это вычислительная система, в которую включены знания специалистов о некоторой конкретной проблемной области и которая в пределах этой области способна принимать экспертные решения.

Экспертные системы, пожалуй, наиболее значительное практическое достижение в области искусственного интеллекта, получили в настоящее время самую широкую известность. В отличие от других, ориентированных на практику программных комплексов искусственного интеллекта, они имеют массовое применение, так как каждая экспертная система позволяет решить неограниченное число сложных для человека задач из соответствующей предметной области. Экспертная система может быть, по-видимому, построена для любой предметной области, о чем говорит следующий перечень уже решаемых экспертными системами классов задач: диагностика, предсказание, проектирование, планирование, управление, наблюдение.

В основе экспертной системы лежит определенный запас знаний о конкретной предметной области. Эти знания организуются, как некоторая совокупность правил, которые позволяют делать заключения на основе исходных данных или предположений.

Экспертные системы решают реальные проблемы, которые обычно встают перед специалистом – экспертом. Поэтому для формирования экспертной системы нужно сначала извлечь подходящее знание из человека – эксперта. Такое знание по своей природе является скорее чисто эвристическим, а не абсолютным, содержанием которого являются несомненные факты.

1. Назначение экспертных систем

В начале восьмидесятых годов в исследованиях по искусственному интеллекту сформировалось самостоятельное направление, получившее название «экспертные системы» (ЭС). Цель исследований по ЭС состоит в разработке программ, которые при решении задач, трудных для эксперта-человека, получают результаты, не уступающие по качеству и эффективности решениям, получаемым экспертом. Исследователи в области ЭС для названия своей дисциплины часто используют также термин «инженерия знаний», введенный Е. Фейгенбаумом как «привнесение принципов и инструментария исследований из области искусственного интеллекта в решение трудных прикладных проблем, требующих знаний экспертов».

Программные средства (ПС), базирующиеся на технологии экспертных систем, или инженерии знаний (в дальнейшем будем использовать их как синонимы), получили значительное распространение в мире.

Важность экспертных систем состоит в следующем (8, стр. 76):

  • технология экспертных систем существенно расширяет круг практически значимых задач, решаемых на компьютерах, решение которых приносит значительный экономический эффект;

  • технология ЭС является важнейшим средством в решении глобальных проблем традиционного программирования: длительность и, следовательно, высокая стоимость разработки сложных приложений;

  • высокая стоимость сопровождения сложных систем, которая часто в несколько раз превосходит стоимость их разработки; низкий уровень повторной используемости программ и т.п.;

  • объединение технологии ЭС с технологией традиционного программирования добавляет новые качества к программным продуктам за счет: обеспечения динамичной модификации приложений пользователем, а не программистом; большей «прозрачности» приложения (например, знания хранятся на ограниченном ЕЯ, что не требует комментариев к знаниям, упрощает обучение и сопровождение); лучшей графики; интерфейса и взаимодействия.

По мнению ведущих специалистов, в недалекой перспективе ЭС найдут следующее применение (3, стр. 45):

  • ЭС будут играть ведущую роль во всех фазах проектирования, разработки, производства, распределения, продажи, поддержки и оказания услуг;

  • технология ЭС, получившая коммерческое распространение, обеспечит революционный прорыв в интеграции приложений из готовых интеллектуально-взаимодействующих модулей.

ЭС предназначены для так называемых неформализованных задач, т.е. ЭС не отвергают и не заменяют традиционного подхода к разработке программ, ориентированного на решение формализованных задач.

Неформализованные задачи обычно обладают следующими особенностями:

  • ошибочностью, неоднозначностью, неполнотой и противоречивостью исходных данных;

  • ошибочностью, неоднозначностью, неполнотой и противоречивостью знаний о проблемной области и решаемой задаче;

  • большой размерностью пространства решения, т.е. перебор при поиске решения весьма велик;

  • динамически изменяющимися данными и знаниями.

Следует подчеркнуть, что неформализованные задачи представляют большой и очень важный класс задач. Многие специалисты считают, что эти задачи являются наиболее массовым классом задач, решаемых ЭВМ.

Экспертные системы и системы искусственного интеллекта отличаются от систем обработки данных тем, что в них в основном используются символьный (а не числовой) способ представления, символьный вывод и эвристический поиск решения (а не исполнение известного алгоритма).

Экспертные системы применяются для решения только трудных практических (не игрушечных) задач. По качеству и эффективности решения экспертные системы не уступают решениям эксперта-человека. Решения экспертных систем обладают «прозрачностью», т.е. могут быть объяснены пользователю на качественном уровне. Это качество экспертных систем обеспечивается их способностью рассуждать о своих знаниях и умозаключениях. Экспертные системы способны пополнять свои знания в ходе взаимодействия с экспертом. Необходимо отметить, что в настоящее время технология экспертных систем используется для решения различных типов задач (интерпретация, предсказание, диагностика, планирование, конструирование, контроль, отладка, инструктаж, управление) в самых разнообразных проблемных областях, таких, как финансы, нефтяная и газовая промышленность, энергетика, транспорт, фармацевтическое производство, космос, металлургия, горное дело, химия, образование, целлюлозно-бумажная промышленность, телекоммуникации и связь и др.

2. Архитектура экспертных систем

Типичная статическая ЭС состоит из следующих основных компонентов (рис. 1.) (2, стр. 56):

  • решателя (интерпретатора);

  • рабочей памяти (РП), называемой также базой данных (БД);

  • базы знаний (БЗ);

  • компонентов приобретения знаний;

  • объяснительного компонента;

  • диалогового компонента.

База данных (рабочая память) предназначена для хранения исходных и промежуточных данных решаемой в текущий момент задачи. Этот термин совпадает по названию, но не по смыслу с термином, используемым в информационно-поисковых системах (ИПС) и системах управления базами данных (СУБД) для обозначения всех данных (в первую очередь долгосрочных), хранимых в системе.

База знаний (БЗ) в ЭС предназначена для хранения долгосрочных данных, описывающих рассматриваемую область (а не текущих данных), и правил, описывающих целесообразные преобразования данных этой области.

Решатель, используя исходные данные из рабочей памяти и знания из БЗ, формирует такую последовательность правил, которые, будучи примененными к исходным данным, приводят к решению задачи.

Компонент приобретения знаний автоматизирует процесс наполнения ЭС знаниями, осуществляемый пользователем-экспертом.

Объяснительный компонент объясняет, как система получила решение задачи (или почему она не получила решение) и какие знания она при этом использовала, что облегчает эксперту тестирование системы и повышает доверие пользователя к полученному результату.

Диалоговый компонент ориентирован на организацию дружественного общения с пользователем, как в ходе решения задач, так и в процессе приобретения знаний и объяснения результатов работы.

В разработке ЭС участвуют представители следующих специальностей:

  • эксперт в проблемной области, задачи которой будет решать ЭС;

  • инженер по знаниям – специалист по разработке ЭС (используемые им технологию, методы называют технологией (методами) инженерии знаний);

  • программист по разработке инструментальных средств (ИС), предназначенных для ускорения разработки ЭС.

Необходимо отметить, что отсутствие среди участников разработки инженеров по знаниям (т.е. их замена программистами) либо приводит к неудаче процесс создания ЭС, либо значительно удлиняет его.

Эксперт определяет знания (данные и правила), характеризующие проблемную область, обеспечивает полноту и правильность введенных в ЭС знаний.

Инженер по знаниям помогает эксперту выявить и структурировать знания, необходимые для работы ЭС; осуществляет выбор того ИС, которое наиболее подходит для данной проблемной области, и определяет способ представления знаний в этом ИС; выделяет и программирует (традиционными средствами) стандартные функции (типичные для данной проблемной области), которые будут использоваться в правилах, вводимых экспертом.

Программист разрабатывает ИС (если ИС разрабатывается заново), содержащее в пределе все основные компоненты ЭС, и осуществляет его сопряжение с той средой, в которой оно будет использовано.

Экспертная система работает в двух режимах: режиме приобретения знаний и в режиме решения задачи (называемом также режимом консультации или режимом использования ЭС).

В режиме приобретения знаний общение с ЭС осуществляет (через посредничество инженера по знаниям) эксперт. В этом режиме эксперт, используя компонент приобретения знаний, наполняет систему знаниями, которые позволяют ЭС в режиме решения самостоятельно (без эксперта) решать задачи из проблемной области. Эксперт описывает проблемную область в виде совокупности данных и правил. Данные определяют объекты, их характеристики и значения, существующие в области экспертизы. Правила определяют способы манипулирования с данными, характерные для рассматриваемой области.

Отметим, что режиму приобретения знаний в традиционном подходе к разработке программ соответствуют этапы алгоритмизации, программирования и отладки, выполняемые программистом. Таким образом, в отличие от традиционного подхода в случае ЭС разработку программ осуществляет не программист, а эксперт (с помощью ЭС), не владеющий программированием.

В режиме консультации общение с ЭС осуществляет конечный пользователь, которого интересует результат и (или) способ его получения. Необходимо отметить, что в зависимости от назначения ЭС пользователь может не быть специалистом в данной проблемной области (в этом случае он обращается к ЭС за результатом, не умея получить его сам), или быть специалистом (в этом случае пользователь может сам получить результат, но он обращается к ЭС с целью либо ускорить процесс получения результата, либо возложить на ЭС рутинную работу). В режиме консультации данные о задаче пользователя после обработки их диалоговым компонентом поступают в рабочую память. Решатель на основе входных данных из рабочей памяти, общих данных о проблемной области и правил из БЗ формирует решение задачи. ЭС при решении задачи не только исполняет предписанную последовательность операции, но и предварительно формирует ее. Если реакция системы не понятна пользователю, то он может потребовать объяснения:

«Почему система задает тот или иной вопрос?», «как ответ, собираемый системой, получен?».

Структуру, приведенную на рис. 1.1, называют структурой статической ЭС. ЭС данного типа используются в тех приложениях, где можно не учитывать изменения окружающего мира, происходящие за время решения задачи. Первые ЭС, получившие практическое использование, были статическими.

На рис. 1.2 показано, что в архитектуру динамической ЭС по сравнению со статической ЭС вводятся два компонента: подсистема моделирования внешнего мира и подсистема связи с внешним окружением. Последняя осуществляет связи с внешним миром через систему датчиков и контроллеров. Кроме того, традиционные компоненты статической ЭС (база знаний и машина вывода) претерпевают существенные изменения, чтобы отразить временную логику происходящих в реальном мире событий.

  • Авторы
  • Резюме
  • Файлы
  • Ключевые слова
  • Литература

Решетников Д.В. 1 Трудов А.В. 1 1 Федеральное государственное военное образовательное учреждение высшего профессионального образования «Военно-космическая академия имени А. Ф. Можайского» В статье предлагаются новые подходы к созданию системы оценивания и прогнозирования технического состояния стартовых комплексов космического назначения. Дана математическая формулировка общей задачи синтеза интеллектуальной модели такой системы и разработано методическое обеспечение ее решения. Разработана математическая модель и метод решения задачи определения оптимального набора информативных признаков, обеспечивающего требуемую достоверность оценивания и прогнозирования и минимальные затраты на их измерения. Предложен новый подход к приведению данных, измеренных в числовой шкале или шкале порядка, к бинарной шкале, что позволяет решить задачу извлечения знаний из набора разнотипных данных. Этот подход основан на построении разделяющих гиперплоскостей между кластерами обучающих данных и вычислении значений предиката, характеризующего принадлежность вектора признаков состояния одному из классов, для каждого информативного подпространства, найденного при решении задачи оптимального выбора информативных признаков. Полученные результаты могут быть положены в основу построения замкнутой интеллектуальной системы управления техническим состоянием сложных технических объектов. 172 KB знания интеллектуальная система прогнозирование оценивание техническое состояние 1. Беллман Р., Дрейфус С. Прикладные задачи динамического программирования. – М.: Наука, 1965. – 458 с. 2. Введение в статистическую теорию распознавания образов. – М.: Наука, 1979. – 368 с. 3. Горелик А. А., Скрипкин В. А. Методы распознавания. – М.: Высшая школа, 1989. – 232 с. 4. Ларичев О. И., Мошкович Е. М. Качественные методы принятия решений. Вербальный анализ решений. – М.: Физматлит, 1996. – 208 с. 5. Плюта В. Сравнительный многомерный анализ в экономических исследованиях. – М.: Статистика, 1980. – 151 с. 6. Пфанцагль И. Теория измерений. – М.: Мир, 1976. – 248 с. 7. Ту Дж., Гонсалес Р. Принципы распознавания образов. – М.: Мир, 1978. – 414 с. 8. Skormin V., Popyack L. Reliability of Avionics and «History of Abuse”. A Prognostic Technique. In Proceedings of ICI&C’97, St.Petersburg, Russia, pp. LXXVI-LXXXII.

Введение

Современное развитие ракетно-космической техники (РКТ) привело к необходимости поиска возможностей широкого применения ресурсосберегающих технологий на всех этапах ее жизненного цикла. На практике, в первую очередь, это проявляется в принятии новых ресурсосберегающих концепций эксплуатации РКТ, которые основаны на широком внедрении систем мониторинга ее технического состояния (ТС). Особое внимание при этом уделяется уникальным объектам РКТ длительного функционирования, к которым, например, относятся стартовые комплексы (СК) космического назначения.

В настоящее время существуют определенные трудности оценивания и прогнозирования ТС СК в процессе их эксплуатации. Причиной этого является отсутствие не только отработанного методического аппарата, но и отсутствие однородной статистической информации, необходимой для индивидуального прогноза изменения ТС как элементов СК (ЭСК), так и СК в целом. Поэтому традиционный статистический подход в прогнозировании ТС СК оказывается неприемлемым и возникает необходимость моделирования физических свойств таких систем и контроля физических параметров процессов их функционирования. Однако существующие СК не оборудованы средствами контроля, с помощью которых можно было бы отслеживать эволюцию деградационных свойств конструкционных материалов, накопление остаточных напряжений и деформаций элементов СК в процессе их эксплуатации. Это обусловлено, в частности, и тем, что ряд функционально важных элементов является практически недоступным для контроля. Например, на СК «Союз» к таким элементам относятся несущие стрелы, направляющие устройства, нижние кабель-мачты и их опорные узлы, гидродомкраты-тормоза и гидробуферы. Детальное обследование последних невозможно без их демонтажа и дальнейшей разборки.

В связи с этим возникает необходимость решения следующих актуальных задач:

— разработка моделей ТС ЭСК, учитывающих влияние деградационных процессов, и методов их использования при разработке системы оценивания и прогнозирования ТС ЭСК и методов извлечения знаний из разнородных данных, получаемых в процессе эксплуатации СК;

— разработка рекомендаций для создания средств контроля ТС СК при их функционировании.

Целью настоящей статьи является изложение результатов научных исследований, выполненных авторами и направленных на решение первой из перечисленных задач на основе использования методов искусственного интеллекта.

Постановка задачи синтеза модели оценивания и прогнозирования ТС СК

Будем предполагать, что исходная информация для построения дискриминантных моделей состояний имеет вид таблицы экспериментальных (эксплуатационных) данных, в которой признаки могут быть измерены в логической, номинальной или числовой шкале, а также в шкале линейного порядка .

Введем обозначения:

О – ЭСК, для которого строится дискриминантная модель ТС;

X= – вектор-столбец параметров ЭСК, информация о которых доступна;

I=– множество индексов номеров компонент вектора признаков, ;

– подвектор вектора признаков, состоящий из тех его компонент, номера, которых входят в индексное множество ;

C=<> – нормированный вектор-столбец стоимостей измерений компонент вектора X;

Q={} – множество классов ТС ЭСК , где k – общее число классов состояний;

N – суммарное число строк таблицы обучающих данных, – число строк таблицы, которые относятся к классам состояний , s=1,2,…,k;

M(О)={M( M,…,M()} дискриминантная модель ЭСК ,

M={M(О)} – множество возможных дискриминантных моделей состояний ЭСК с именем О,

DR={}, gÎ{1,2,…,G} – множество возможных методов принятия решений.

Содержательно задача синтеза дискриминантной модели ЭСК формулируется следующим образом.

Дано: множество классов состояний Q ЭСК; пространство признаков X и вектор стоимости измерений его параметров C; множество возможных дискриминантных моделей M; множество правил принятия решений DR; пороговое значение вероятности правильной классификации состояния ; ограничение снизу на вероятность правильного распознавания класса состояний ЭСК ,( j=1,2,…,k).

Найти: дискриминантную модель M(О)={M( M,…,M()}ÎM, для которой существует метод принятия решений Î DR, обеспечивающий возможность классификации состояний ЭСК с заданным уровнем вероятности правильной классификации, которая требует состава измерений минимальной стоимости

при ограничениях .

На практике множество возможных ТС ЭСК может включать в себя достаточно много классов. Если в этом случае пытаться строить схему принятия решений таким образом, чтобы сразу за один шаг по результатам измерений параметров объекта оценить класс состояний, то такая схема может оказаться очень сложной и неэффективной.

Чтобы ослабить сложность этих проблем, обычно используется подход, в котором на каждом шаге делается выбор только из двух альтернатив, и тогда процесс принятия решений сводится к последовательности из нескольких более простых шагов. Кроме того, объем знаний, который используется при этом на каждом шаге, тоже оказывается существенно меньшим, а потому процедуры вывода становятся тоже намного проще. Такой подход принято называть подходом на основе дерева решений. Дерево решений называют еще метасхемой принятия решений .

Продемонстрируем идею использования метасхемы на примере. Рассмотрим следующее множество классов ТС ЭСК:

— ЭСК исправен и работоспособен;

— ЭСК неисправен, но работоспособен;

— ЭСК неработоспособен, но его работоспособность может быть восстановлена при выполнении ремонтно-профилактических работ силами эксплуатационного персонала;

— ЭСК неработоспособен, его работоспособность может быть восстановлена только с большими финансовыми затратами;

— ЭСК работоспособен, но его дальнейшая эксплуатация нецелесообразна из-за больших эксплуатационных затрат;

— ЭСК работоспособен, но его дальнейшая эксплуатация нецелесообразна из-за низкой надежности (комплект достиг предельного состояния по критериям безопасности);

— работоспособный ЭСК находится в предотказном состоянии.

Обозначим классы ТС, введенные в этом примере, символами q1, q2, …,q7, присваивая им эти имена в порядке перечисления состояний. Поставим в соответствие этим классам состояний пропозициональные переменные с теми же именами, и будем полагать, что они принимают значение «истина», когда ТС отвечает соответствующему классу, и значение «ложь», когда это не так. Заметим, что в каждом конкретном случае истинной может быть только одна пропозициональная переменная из этого списка.

Введем следующие метаклассы состояний, каждый из которых определяется некоторой логической формулой над пропозициональными переменными q1, q2, …,q7:

mq0=q1Úq2Úq3Úq4Úq5Úq6Úq7, mq1=q1Úq2Úq3Úq4Úq5, mq2= q6Úq7,

mq3=q1Úq2, mq4=q3Úq4Úq5, mq5=q3Úq4.

Запишем определения введенных метаклассов, используя эти обозначения:

mq0=mq1Úmq2, mq1= mq3Ú mq4, mq2= q6Úq7, mq3=q1Úq2, mq4= mq5Úq5, mq5=q3Úq4.

Отношение порядка на множестве введенных метаклассов и исходных классов состояний представлено на рис.1.

Различение двух классов – задача значительно более простая, чем, например, различение семи классов.

Следующий шаг, который необходимо сделать на пути решения задачи синтеза модели оценивания и прогнозирования ТС ЭСК после построения метасхемы классов ТС, связан с отбором информативных признаков.

Алгоритм оптимального выбора информативных признаков

Рассмотрим формальную постановку задачи и алгоритм оптимального выбора наиболее информативных подпространств признаков, характеризующих ТС СК. Пусть, как и ранее, – вектор признаков ТС СК; Q={0,1} – пара альтернативных классов ТС СК, – подмножество множества компонент вектора признаков X, мера информативности набора признаков , в качестве которой выберем расстояние между классами ТС СК, обладающее свойством аддитивности .

Помимо меры информативности, которая характеризует свойства подпространства признаков по способности различения пары классов состояний, важным свойством набора признаков является стоимость получения информации об их значениях. Будем полагать, что эта стоимость вычисляется по формуле

где – стоимость набора признаков , – стоимость получения информации о признаке .

Необходимо при известных X и найти

при условии

С(Хl) £ СД,

Для ее решения воспользуемся методом динамического программирования .

Функциональные уравнения Беллмана для прямого хода алгоритма динамического программирования имеют вид:

для первого шага

для , для ;

для второго и последующих шагов

, , ,

где – возможное значение располагаемых ресурсов для каждого шага алгоритма;

– условно оптимальное значение i- го признака для данного значения .

Оптимальный набор признаков, характеризующий ТС СК с максимальной информативностью, и суммарная стоимость получения (измерения) которых не превышает допустимую, определяется в результате обратного хода с использованием формул:

, , ,

где – оптимальное значение i — го признака.

Как было отмечено выше, эти признаки являются результатами измерений, представленными в различных шкалах. Для обнаружения закономерностей, характеризующих деградационные процессы в ЭСК, необходимо их приведение к единой шкале. Существующие способы сведения числовой шкалы к логической основаны на замене данных числовой шкалы утверждениями об их принадлежности тому или иному интервалу этой шкалы. Такой подход в данном случае не применим, так как и без того огромное количество признаков, характеризующих состояние ЭСК, становится катастрофически большим, что сильно затрудняет решение задачи обучения интеллектуальной системы оценивания и прогнозирования.

Для решения этой проблемы предлагается новый подход к приведению данных, измеренных в числовой шкале или шкале порядка, к бинарной шкале. Он основан на построении разделяющих гиперплоскостей между кластерами обучающих данных и вычислении значений предиката, характеризующего принадлежность вектора признаков состояния одному из классов, для каждого информативного подпространства, найденного при решении задачи оптимального выбора информативных признаков. Рассмотрим сущность этого подхода.

Преобразование разнотипных данных к единой шкале

В соответствии с идеей, высказанной в работе , распространим возможности разделяющих правил на задачу преобразования данных, представленных в числовой шкале, к логической форме описания.

Пусть найдено подмножество информативных подпространств , где каждое подпространство характеризуется подмножеством признаков размерности 1, 2 или 3, и в множестве P они упорядочены по мере информативности. Рассмотрим произвольное подпространство , и в нем одним из известных способов , , построим линейную разделяющую границу между двумя кластерами обучающих данных, которая в одномерном подпространстве будет иметь вид просто числа, в двухмерном случае – вид прямой линии, а в трехмерном случае – вид плоскости. Будем полагать, что эта линейная разделяющая граница делит все множество представителей обучающих данных классов 0 и 1 таким образом, что «в основном» представители одного класса находятся по одну сторону линейной разделяющей границы, а представители другого класса – по другую ее сторону.

Уравнение этой линейной разделяющей границы имеет вид

LX+b= 0

где L – транспонированный вектор коэффициентов линейной формы, b– свободный член уравнения «разделяющей” гиперплоскости, X – вектор признаков подпространства П. При этом решающее правило в обычном для теории классификации смысле имеет вид:
если LX+b³ 0, то X ϵ классу 1, если LX+b< 0, то X ϵ классу 0.

Это правило может быть представлено в виде предиката если P(LX+b, который обозначим символом Pj. С учетом этого обозначения решающее правило примет вид

если Pj =”true”, то X ϵ классу1, если Pj =”false”, то X ϵ 0.

Таким образом, в таблице экспериментальных данных вместо подпространства непрерывных признаков, отвечающих подвектору X, появится новый признак Pj , который описывается уже в логической шкале.

Заметим, что точно таким же образом можно преобразовать к бинарной шкале и признаки, измеренные в шкале порядка.

Заключение

Разработка системы оценивания и прогнозирования ТС ЭСК включает в себя в качестве первой и важнейшей задачи разработку формальной модели, отражающей основные закономерности, свойственные каждому из состояний ЭСК. В результате проведенных исследований математически сформулирована общая задача синтеза интеллектуальной модели такой системы и разработаны предложения по ее решению. К их числу относятся математическая модель и метод решения задачи определения оптимального набора информативных признаков, необходимых для оценивания и прогнозирования ТС ЭСК, и новый подход к приведению данных, измеренных в числовой шкале или шкале порядка, к бинарной шкале, что позволяет решить задачу извлечения знаний из набора разнотипных данных. Полученные результаты могут быть положены в основу построения замкнутой интеллектуальной системы управления ТС СК и других объектов космического назначения.

Рецензенты:

Петров Геннадий Дмитриевич, доктор технических наук, профессор, начальник кафедры, ВКА имени А. Ф.Можайского, г. Санкт-Петербург.

Кулешов Юрий Владимирович, доктор технических наук, профессор, начальник кафедры, ВКА имени А. Ф.Можайского, г. Санкт-Петербург.

Библиографическая ссылка

Решетников Д.В., Трудов А.В. ИНТЕЛЛЕКТУАЛЬНАЯ МОДЕЛЬ ОЦЕНИВАНИЯ И ПРОГНОЗИРОВАНИЯ ТЕХНИЧЕСКОГО СОСТОЯНИЯ СТАРТОВЫХ КОМПЛЕКСОВ КОСМИЧЕСКОГО НАЗНАЧЕНИЯ // Современные проблемы науки и образования. – 2013. – № 1.;
URL: http://www.science-education.ru/ru/article/view?id=8367 (дата обращения: 26.09.2020). Предлагаем вашему вниманию журналы, издающиеся в издательстве «Академия Естествознания» (Высокий импакт-фактор РИНЦ, тематика журналов охватывает все научные направления) «Современные проблемы науки и образования» список ВАК ИФ РИНЦ = 0.791 «Фундаментальные исследования» список ВАК ИФ РИНЦ = 1.074 «Современные наукоемкие технологии» список ВАК ИФ РИНЦ = 0.909 «Успехи современного естествознания» список ВАК ИФ РИНЦ = 0.736 «Международный журнал прикладных и фундаментальных исследований» ИФ РИНЦ = 0.570 «Международный журнал экспериментального образования» ИФ РИНЦ = 0.431 «Научное Обозрение. Биологические Науки» ИФ РИНЦ = 0.303 «Научное Обозрение. Медицинские Науки» ИФ РИНЦ = 0.380 «Научное Обозрение. Экономические Науки» ИФ РИНЦ = 0.600 «Научное Обозрение. Педагогические Науки» ИФ РИНЦ = 0.308 «European journal of natural history» ИФ РИНЦ = 1.369 Издание научной и учебно-методической литературы ISBN РИНЦ DOI