Главная Контакты Добавить в избранное Авторы Вопросы и ответы
,

УДК  681.306

КЛАССИФИКАЦИЯ МАСС-СПЕКТРОВ С ПОМОЩЬЮ КООПЕРАТИВНОГО ИММУННОГО АЛГОРИТМА

Дидык А.А., Фефелов А.А, Литвиненко В.И., Шкурдода С.В., Синяков Ф. В.

Введение

Масс-спектрометрия метод исследования вещества путем определения спектра масс частиц, содержащихся в веществе, и их относительного содержания (интенсивности). Это универсальный аналитический метод, широко применяемый в физике, химии, биологии и др. [1].

Масс-спектрометрия является универсальным аналитическим измерительным методом прецизионного контроля состава вещества в любых агрегатных состояниях: газообразном, твердом или жидком. Масс-спектрометрические методы позволяют анализировать как состав образца, так и состав примесей в нем, причем чувствительность масс-спектрометрии к примесям превышает возможности любых других аналитических методов [2]. Задачи программных средств масс-спектрометров, предназначенных для обнаружения и оценки параметров полезных сигналов, выявленных из необработанных сигналов, содержащих  шумы и наводки, а также для фильтрации сигналов, состоят в обеспечении требуемой точности анализа и в снижении нагрузки на аналитическую часть масс-спектрометра, обеспечивающего решение прецизионных задач анализа [3].

Вопросам обработки сигналов различного типа посвящено множество теоретических исследований как в области математической статистики и ее прикладных направлений, так и в области интеллектуальной обработки данных (data mining). Для разработки оптимальных методов, позволяющих наиболее точно и быстро оценить параметры реальных масс-спектрометрических сигналов, необходимо изучение существующих и вновь появляющихся подходов к обработке сигналов и ранжирование их возможностей по отношению именно к задачам масс-спектрометрического эксперимента.

Это связано, прежде всего, с тем, что ряд параметров масс-спектрометрических сигналов отличаются от параметров сигналов, изучаемых в других проблемных областях их обработки. К таким параметрам относятся: аппаратные функции, которыми описываются формы пиков, возникающих в масс-спектрометрах, а также параметры  шумов, присутствующих в масс-спектрометрических сигналах, которые обусловлены не только шумами, возникающими в электронных трактах, но и шумами, связанными с физическими процессами, происходящими в масс-спектрометрах. Особо следует выделить такую характерную особенность масс-спектрометрических сигналов, как наложение друг на друга спектральных пиков близких масс, возникающее из-за недостаточной разрешающей способности аналитической части масс-спектрометра [4].

Вопросами обработки сигналов различного типа посвящено множество теоретических исследований в области теоретической статистики и ее прикладных направлений. Как правило, это общетеоретические исследования, они не привязаны к конкретным сигналам. Зачастую очень привлекательные в теоретическом плане подходы оказываются непригодными для решения определенных конкретных задач.

В связи с этим, разработка и совершенствование алгоритмов и методов, направленных на повышение разрешающей способности с одной стороны, а также на повышение точности оценок параметров масс-спектрометрических сигналов в условиях значительных специфических шумов и «выбросов» (повышение чувствительности), которые позволяют существенно улучшить важнейшие параметры масс-спектрометра без изменения его аналитической части, с другой стороны безусловно является весьма актуальной задачей.

 Новые и полезные практические результаты при обработке масс-спектрометрических сигналов могут быть получены с применением пока мало используемых в масс-спектрометрии перестраиваемых ортогональных и вейвлет преобразований, которые можно адаптировать к характеру анализируемых сигналов или к их информативным признакам.

Постановка задачи. Ранее в работе [1] была показана эффективность разработанного нами кооперативного алгоритма для решения эталонных задач классификации.  В данной работе ставится задача исследование разработанного модификации иммунного алгоритма, основанного на принципе кооперации антител для решения задач классификации масс-спектров, а также сравнительные исследования его работы на эталонных задачах классификации.

Методы и данные

Масс-спектрометрический  сигнал можно представить в виде формулы:

(1)

где  − амплитуда сигнала;

− параметры определяющие ник;

 − аппаратная функция прибора, зависящая от нескольких параметров;

 − медленно изменяющийся фактор, “ базовая” или “нулевая ” линия, которая может быть представлена полиномом невысокой степени;

− стационарный аппаратный шум измерительного тракта с нулевым смещением;

 − математическое ожидание,

− корреляционная функция

− ложные измерения (“выбросы” в системе питания прибора и т.д.) Это случайный процесс, который равен нулю почти всюду, кроме случайных точек времени , в которых он имеет произвольные значения. Во-первых, аппаратная функция на практике оказывается зависящей от монотонной переменной .Во-вторых,  может быть коррелированной с пиками. В-третьих, масштаб аппаратных шумов может изменяться в значительных пределах. Однако, для обработки сигналов необходимо считать их либо малыми, либо несущественными по сравнению с истинными сигналами. Общая схема предобработки данных масс-спектров представлена на Рис.1:

Для решения задачи нами использовалась база данных масс-спектров из лаборатории DSTL (Великобритания): http://www.dstl.gov.uk/. Для предобработки данных использовался пакет Matlab 7.0 Bioinformatics Toolbox и набор программ из пакета WEKA: http://www.cs.waikato.ac.nz/ ml/weka.  

Исходные данные характеризовались высокой размерностью. Задача заключалась в классификации масс-спектров: 1. Гель для душа, 2. Шампуни и  3.Гель для бритья.  Всего используемая база данных масс-спектров содержала 10000 спектров (Рис.2):

Метод классификации масс-спектров

Для решения задачи классификации в данном исследовании нами был использован кооперативный алгоритм искусственной иммунной сети, который подробно описан в работе  [5]. Основной особенностью большинства существующих на сегодняшний день популяционных алгоритмов является принцип конкуренции индивидуумов внутри популяции. Этот принцип реализуется за счет селекции лучших индивидуумов, предоставления им возможности репродуцироваться и, как следствие, перейти в новое поколение. Соревновательный процесс, однако, предполагает необходимость кодирования в рамках одного индивидуума всего решения задачи целиком. Таким образом, популяция состоит из множества альтернативных решений, которые в процессе работы алгоритма претерпевают изменения, направленные на улучшение их качества. Иммунные алгоритмы также являются популяционными алгоритмами. Они развивают популяцию антител, способных распознавать вторжение антигенов.

 

Рис.1. Общая схема обработки и классификации масс-спектров

 

Рис.2. Исследуемые масс-спектры

 

Одним из возможных приложений иммунных алгоритмов являются задачи распознавания, которые могут быть представлены как задачи аппроксимации.  В таких задачах каждое антитело популяции представляет собой полное математическое описание модели данных. В процессе конкуренции и изменения антител образуется одна или несколько лучших моделей, которые становятся окончательным решением задачи классификации.

Существенным недостатком популяционных алгоритмов, как и многих других итерационных методов, являются значительные временные затраты на обучение и адаптацию популяции, которые практически не позволяют использовать эти методы для работы в реальном режиме времени с быстро развивающимися и динамически меняющимися внешними условиями. В контексте решения задачи классификации, указанный недостаток приобретает особую значимость и побуждает к разработке всевозможных модификаций алгоритма, которые, при сохранении основной концепции, обеспечивали бы необходимую скорость обучения и, следовательно, возможность работы алгоритма в динамической среде.

Основная идея предложенного подхода заключается в том, что каждое антитело популяции является только частью решения или частью модели. В пределах популяции антитела соединяются друг с другом определенным образом, кооперируются и формируют структуру, способную решать задачи на системном уровне, т.е. на уровне всей популяции, а не на уровне отдельного индивидуума. Такой подход позволяет в значительной степени уменьшить затраты времени на тренировку при сохранении приемлемого качества аппроксимации.

Многие задачи прогнозирования и распознавания сводятся к задачам аппроксимации функций многих переменных [5]. Следовательно, в общем виде рассматривается задача построения модели нелинейной структуры:

,

(2)

для которой зависимость между входами  и выходом  представлена в виде таблицы данных экспериментов T:

,

(3)

где k – количество строк таблицы.

Зависимость (1) в общем случае представляет собой математическое выражение, которое может быть записано в виде формулы. Например, допустим, что модель имеет три входа  и один выход. Допустим также, что зависимость между входами модели и ее выходом может быть описана при помощи формулы:

,

(4)

где  - некоторые константы, выполняющие функцию коэффициентов.

 

В случае представления данной программы в виде графа [5], этот граф есть не что иное, как генетическая программа, с той лишь разницей, что в данном случае все дуги графа имеют веса. Этот граф содержит вершины двух типов:

- терминальная вершина – вершина, которая не имеет входящих в нее дуг; такие вершины представляют собой переменные задачи;

- функциональная вершина – вершина, которая имеет как входящие, так и исходящие дуги; функциональные вершины содержат знаки математических операций и функции.

Каждая вершина может иметь множество исходящих дуг. Входящие дуги могут иметь только функциональные вершины. Количество входящих в вершину дуг зависит от количества аргументов функции, которую представляет вершина. Так как большинство математических операций и функций являются унарными или бинарными, то большая часть вершин будет иметь одну или две входящих дуги.

Одним из основных свойств графа является то, что он не содержит циклов и всегда может быть представлен в виде дерева. Рассмотрим еще один пример математического выражения:

.

(5)

В отличие от классического представления эта программа выглядит как сеть, напоминающая по структуре многосвязные программные сети (MIP-сети), описанные в работе [3] или нейронные сети прямого распространения. Однако функциональное назначение узлов данной сети отличается от тех и других, и как было сказано выше, сеть всегда может быть представлена как классическая генетическая программа, т.е. в виде дерева выражения.

Проектирование искусственных иммунных систем начинают с определения пространства поиска или пространства форм. Каждая форма отождествляется с антителом иммунной системы и представляет собой строку, кодирующую одно возможное решение задачи. В качестве пространства форм могут использоваться бинарное, целочисленное, вещественное, символьное пространство или их комбинации. Предлагаемый в данной работе метод, в отличие от классических подходов, использует не индивидуальное, а популяционное кодирование генетических программ. Индивидуальное кодирование предполагает представление всей генетической программы в виде строки в пределах одного антитела популяции. В популяционном кодировании каждое антитело является лишь частью генетической программы, т.е. кодирует одну вершину графа или один узел дерева математического выражения.

Множество терминальных вершин графа не подвергается никаким изменениям в процессе решения задачи, следовательно, популяцию иммунного алгоритма должны составлять только антитела, кодирующие функциональные вершины. В рамках данной работы ограничимся рассмотрением унарных и бинарных математических операций и функций.

 

 

Рис. 3. Предлагаемая структура индивидуума популяции иммунного алгоритма

 

Как видно из рисунка, антитело имеет смешанное (целочисленное и вещественное) кодирование. Код функции и коды узлов представляются целыми числами, а веса – вещественными. Под кодом функции понимается ее номер или индекс в массиве функций (функциональное множество). Функциональное множество (F) может содержать любое количество математических операций, функций и полиномов, т.е. . Здесь под  понимается возможность использования полиномов Колмогорова-Габора, например, таких как: ,  и т.д [4, 5, 6, 7]. Все вершины графа генетической программы пронумерованы. Номера вершин, от которых дуги направлены к данной вершине, хранятся в разделе кодов узлов потомков данной вершины. Благодаря тому, что все вершины могут содержать любое количество исходящих дуг, то при любом присоединении данной вершины к графу не получится синтаксически неверного математического выражения, даже в случае, когда коды обоих узлов потомков окажутся равными. Это важное свойство позволяет давать максимальную свободу эволюции структуры графа во время обучения.

Общая схема алгоритма представлена на Рис.4.

В общем случае в начале обучения предполагается наличие только одного антитела в популяции антител. В процессе обучения популяция антител будет структурироваться в виде графа. В контексте иммунных алгоритмов назовем данную структуру функциональной сетью антител (ФСА). В качестве основных свойств данной сети можно выделить следующие:

- рост сети, базирующийся на принципе клонального отбора;

- сжатие сети, основанное на гибели нестимулируемых клеток (апоптоз);

- эволюция настроек и структуры сети, основанная на механизмах оценивания и соматической гипермутации.

 

Рис.4. Блок-схема кооперативного алгоритма для решения задач классификации

 

Шаг 1. Ввод параметров настройки алгоритма.

Шаг 2. Для каждого класса  в отдельности начиная с Шага 3 выполнить:

Шаг 3. Инициализация. Создание начальной популяции антител AB. В данной работе начальная популяция состоит из одного антитела, но возможна инициализация популяции любого предопределенного размера.

Шаг 4. Экспрессия сети. Преобразование функциональной сети антител в аналитическое выражение поверхности, отделяющей класс  от других классов выборки.

Шаг 5. Инфицирование (присутствие антигенов). Для каждого антитела  на основании выражения (6) вычислить концентрацию антигена . Тем самым осуществляется оценка функциональной сети.

,

(6)

где  - значение функции связывания антитела  с антигеном ; - размер популяции антигенов (обучающей выборки).

Для задач классификации функция ввязывания антитела с антигеном представляет собой следующее выражение:

 

,

(7)

 

где - выход модели; - идентификатор класса на выборке данных; - порог классификации.

Шаг 6. Останов алгоритма (переход к шагу 12), если достигнуто необходимое количество итераций.

Шаг 7. Селекция. Выбрать антитело с наибольшим значением концентрации (наиболее стимулируемая клетка).

Шаг 8. Клонирование. Клонировать выбранное антитело. Возможно образование как одного, так и нескольких клонов.

Шаг 9. Созревание аффинности. Подвергнуть мутации все клоны выбранной клетки с интенсивностью, обратно-пропорциональной их значениям концентрации . Во время мутации возможно изменение кода функции и кодов первого и второго потомков (эволюция структуры сети), а, также, изменение весов первого и второго потомков (эволюция настроек сети).

Шаг 10. Повторно провести экспрессию сети и вычислить концентрации антител, подобно шагу 4, 5.

Шаг 11. Сжатие (редукция) сети. Удалить все клетки сети, значения концентраций которых () меньше либо равно некоторому заданному порогу  (удаление нестимулируемых клеток).

Переход к шагу 6.

Шаг 12. Экспрессия лучшей функциональной сети и тестирование модели класса .

; переход к шагу 2.

Шаг 13. Идентификация класса по правилу: , .

Шаг 14. Вывод отчета.

 

Рост сети представляет собой выбор и репродуцирование наиболее стимулируемой клетки популяции согласно принципу клональной селекции. Выбор клетки для клонирования происходит согласно значениям концентрации антигена, вычисленным для всех клеток сети. Клетка с наибольшей концентрацией выбирается для клонирования.

Благодаря механизму мутации происходит адаптация структуры антител и, как следствие, увеличение аффинности популяции. В данной работе интенсивность мутации зависит от значений концентрации  антител сети. Чем больше значение , тем меньше интенсивность мутации. Мутации может быть подвергнута любая часть строки антитела. Под интенсивностью  понимается количество элементарных воздействий оператора мутации на антитело Ab. Элементарное воздействие производится по схеме одноточечной мутации.

Результаты экспериментальных исследований

Для данного теста были выбраны следующие настройки алгоритма (табл. 1). График процесса сходимости алгоритма во время обучения представлен на рисунке 4.

 

Таблица 1

Настройки алгоритма дл решения задачи классификация масс-спектров

Наименование параметра

Значение параметра

Количество поколений

10000

Период сжатия (поколений)

40

Порог округления (R)

0.7

Использование весов дуг

Да

Точность представления весов

0,01

Уровень мутации клетки

7

Интервал представления весов

Функциональный алфавит

Определение класса масс-спектра происходит при помощи следующего выражения:

 

(8)

 

Были проведения сравнительные исследования качества классификации с другими известными иммунными системами и алгоритмами в программной среде WEKA: Immunos-1, Immunos-2, Immunos-99[6 ], AIRS1, AIRS2[7-11], CLONALG[12-13], CSCA[14].

Таблица 2

Результаты сравнительного тестирования современных иммунных алгоритмов  на точность классификации

n/n

 

Алгоритмы

% правильного распознавания

1.

Кооперативный алгоритм искусственной иммунной сети

98,2%

2.

Immunos-1

84,5%

3.

Immunos-2

87,1%

4.

Immunos-99

81,3%

5.

AIRS1

85,3%

6.

AIRS2

88,6%

7.

CLONALG

87,0%

8.

CSCA

97,9%

 

Рис. 4. График сходимости алгоритма на обучающей выборке для эксперимента по классификации масс-спектров

 

Выводы

В работе показаны результаты применения разработанного авторами кооперативного алгоритма  иммунной  сети для решения задачи классификации масс-спектров. Рассмотренный вариант решения задачи демонстрирует высокую эффективность применения искусственных иммунных сетей как аппроксимирующих моделей масс-спектров, использующих параллельно-распределенную организацию вычислений. Целесообразность их использования объясняется их высокой гибкостью, способностью осуществлять параллельный поиск, устойчивость к шуму, ассоциативной памятью, самоорганизуемостью, структурной пластичностью и высокими адаптационными способностями.

Литература

1.                  V.L. Talrose, A.K. Ljubimova Secondary Processes in the Ion Source of a Mass Spectrometer (Reprint from 1952). J. Mass Spectrom. 1998, 33, 502—504.

2.                  Varmuza, W. Werther, J. Chem. Inf. Comput. Sci. 36 (1996) 323-333. Mass spectral classifiers for supporting systematic structure elucidation.

3.                  Манойлов В.В.,   .Сирвидас С.И,  Заруцкий И.В., .Ларионов А.М. Обнаружение, разделение и оценка параметров масс-спектрметричесиких пиков методом свертки экспериментальных данных с производными гауссовых функций  //Научное  приборостроение»  1999,том 9, № 2, 71-76.

4.                  W. McLafferty, S. Y. Loh, D. B. Stauffer, in: H. L. C. Meuzelaar (Eds.), Computer-enhanced analytical spectroscopy, Plenum Press, New York, 1990, p. 163-181. Computer identification of mass spectra.

5.                  В.И.Литвиненко, А.А. Фефелов, А.А.Дидык Кооперативный алгоритм для решения задач классификации // Вестник Херсонского национального университета № 3(32), 2008 г. с. 92-101.

6.                  Brownlee, J. Immunos-81. The misunderstood artificial immune system; Technical Report No. 3-01; Centre for Intelligent Systems and Complex Processes (CISCP), Faculty of Information and Communication Technologies (ICT), Swinburne University of Technology (SUT), Victoria, Australia: 2005.

7.                  Watkins, A.; Timmis, J.; Boggess, L. Artificial immune recognition system (AIRS): An immune-inspired supervised learning algorithm. Genet. Programm. Evolv. Mach. 2004, 5, 291-317.

8.                  Meng, L.; van der Putten, P.; Wang, H. A comprehensive benchmark of the artificial immune recognition system (AIRS). In Advanced Data Mining and Applications, Proceedings, 2005; Vol. 3584, pp 575-582.

9.                  Watkins, A. B. AIRS: A resource limited artificial immune classifier. Mississippi State University, 2001.

10.              Watkins, A. B. Exploiting immunological metaphors in the development of serial, parallel and distributed learning algorithms.University of Kent, Canterbury, UK, 2005.

11.              de Castro, L. N.; Von Zuben, F. J. The clonal selection algorithm with engineering applications. In GECCO-2000: Proceedings ofthe Genetic and Evolutionary Computation Conference, July 10-12,2000, Las Vegas, Nevada.

12.              Whitley, D.; Goldberg, D.; Cantu-Paz, E.; Spector, L.; Parmee, I.; Beyer, H.-G., Eds. Morgan Kaufmann: San Francisco, CA, 2000; pp 36-37.

13.              de Castro, L. N.; Von Zuben, F. J. Learning and optimization using the clonal selection principle. IEEE Trans. Evol. Comput. 2002, 6, 239-251.

14.              Brownlee, J. Clonal selection theory & CLONAG. The clonal selection classification algorithm (CSCA); Technical Report No. 2-02; Centre for Intelligent Systems and Complex Processes (CISCP), Faculty of nformation and Communication Technologies (ICT), Swinburne University of Technology (SUT), Victoria, Australia: 2005.

15.              Дидык А.А., Литвиненко В.И. Шкурдода  С.В., Фефелов А.А. Применение иммунных алгоритмов для решения задач классификации масс-спектров// Збірник наукових праць у двох томах міжнародної наукової конференції Інтелектуальні системи прийняття рішень та проблеми обчислювального інтелекту / Євпаторія 2009, Том 2 , с.304-309.

 





Ответы на вопросы [_Задать вопроос_]

Читайте также

 
Литвиненко В.И., Дидык А.А., Захарченко Ю.А. Компьютерная система для решения задач классификации на основе модифицированных иммунных алгоритмов

Литвиненко В.И., Четырин С.П. Компенсация ошибок оператора в контуре управления следящей системы на основе синтезируемых вейвелет-сетей

Литвиненко В.И. Синтез радиально-базисных сетей для решения задачи дистанционного определения концентрации хлорофилла.

Литвиненко В.И. Прогнозирования нестационарных временных рядов с помощью синтезируемых нечетких нейронных сетей

Бідюк П.І., Литвиненко В.І., Кроптя А.В. Аналіз ефективності функціонування мережі Байєса

Фефелов А. А. Использование байесовских сетей для решения задачи поиска места и типа отказа сложной технической системы

Бідюк П.І., Баклан І.В., Литвиненко В.І. Моделювання і прогнозування гетеро-скедастичних процесів.

Хомченко А.Н., Валько Н.В., Литвиненко Е.И. Сглаженное усреднение граничных потенциалов на сирендиповых элементах

Астионенко И.А., Гучек П.И., Литвиненко Е.И., Хомченко А.Н. Моделирование физических полей с распределенными параметрами в многоугольных областях

Бардачев Ю.Н., Дидык А.А. Использование положений теории опасности в искусственных иммунных системах

Хомченко А.Н., Литвиненко Е.И. Метод барицентрического усреднения граничных потенциалов электростатического поля

Шерстюк В.Г. Формальная модель гибридной сценарно-прецедентной СППР.

Бергер Е.Г., Дмитрієв Д.О., Бергер Є.Е., Діневич Г.Ю. Синтез строфоїдографів за методом параметричних сімей.

Хомченко А.Н. , Моисеенко С.В. , Цыбуленко О.В. Моделирование трансляционных функций формы на гексагоне

Информационно-измерительные системы

Ковальов О.І. Вимірювання у процесно-орієнтованих стандартах

Полякова М.В., Ищенко А.В., Худайбердин Э.И. Порогово-пространственная сегментация цветных текстурированных изображений на основе метода JSEG

Дзюбаненко А. В. Организация компьютерных систем для анализа изображений

Гордеев Б.Н., Зивенко А.В., Наконечный А.Г. Формирование зондирующих импульсов для полиметрических измерительных систем

Богданов А.В., Бень А.П., Хойна С.И. Релаксация обратного тока диодов Шоттки после их магнитно-импульсной обработки (МИО)

Тверезовский В.С., Бараненко Р.В. Проектирование измерителя добротности варикапов

Тверезовский В.С., Бараненко Р.В. Оптимизированная модель измерителя доб-ротности варикапов

Руднєва М.С., Кочеткова О.В., Задорожній Р.О. Принципи побудови оптимальної структури інформаційно-вимірювальної системи геометричних розмірів об’єктів в діапазоні від 1 нм до 1000 нм

Биленко М.С., Рожков С.А., Единович М.Б. Идентификация деформаций пе-риодических структур с использованием систем технического зрения

Рашкевич Ю.М., Ковальчук А.М., Пелешко Д.Д. Афінні перетворення в модифікаціях алгоритму RSA шифрування зображень

Клименко А.K. Обратная модель для решения задач в системах с многосвязными динамическими объектами

Завгородній А.Б. Порівняльне дослідження твердотільних і рідиннофазних об'єктів методом газорозрядної візуалізації

Голощапов С.С., Петровский А.В., Рожко Ж.А., Боярчук А.И. Измерение доб-ротности колебательного контура на основе метода биения частот

Кириллов О.Л., Якимчук Г.С. Диагностирование критерия безопасности при заполнении замкнутых объемов СПЖ косвенным методом

Долина В.Г. Проблеми підвищення точності рефрактометра на основі прозорих порожнистих циліндрів.

Самков О.В., Захарченко Ю.А. Застосування алгоритму клонального відбору для побудови планів модернізації авіаційної техніки

Попов Д.В. Метод формування регламентів технічного обслуговування повітряних суден

Казак В.М., Чорний Г.П., Чорний Т.Г. Оцінювання готовності технічних об’єктів з урахуванням достовірності їх контролю

Тверезовский В.С., Бараненко Р.В. Технические аспекты проектирования цифрового измерителя добротности варикапов

Тверезовский В.С., Бараненко Р.В. Технические аспекты проектирования устройства для разбраковки варикапов по емкостным параметрaм и добротности

Сосюк А.В. Інтелектуальний автоматизований контроль знань в системах дистанційного навчання

Соколов А.Є. Деякі аспекти систезу комп’ютеризованої адаптивної системи навчання

Полякова М.В., Волкова Н.П., Іванова О.В. Сегментація зображень стохастичних текстур амплітудно-детекторним методом у просторі вейвлет-перетворення

Луцкий М.Г., Пономаренко А.В., Филоненко С.Ф. Обработка сигналов акустической эмиссии при определении положения сквозных дефектов

Литвиненко В.И., Дидык А.А., Захарченко Ю.А. Компьютерная система для решения задач классификации на основе модифицированных иммунных алгоритмов

Лубяный В.З., Голощапов С.С. Прямоотсчетные измерители расхождений емкостей

Беляев А.В. Построение навигации для иерархических структур в WEB-системах и системах управления WEB-сайтом

Терновая Т.И., Сумская О.П., Слободянюк И.И., Булка Т.И. Контроль качества тканей специального назначения с помощью автоматических систем.

Шеховцов А.В. Інформаційний аспект: розпізнавання образів індивідуума.

Полякова М.В. Определение границ сегмента упорядоченной текстуры на изображении с однородным фоном с помощью многоканального обнаружения пачки импульсов.

Литвиненко В.И. Прогнозирования нестационарных временных рядов с помощью синтезируемых нечетких нейронных сетей

Ковриго Ю.М., Мисак В.Ф., Мовчан А.П., Любицький С.В. Автоматизована система діагностики генераторів електростанцій

Браїловський В.В., Іванчук М.М., Ватаманюк П.П., Танасюк В.С. Керований детектор імпульсного ЯКР спектрометра

Забытовская О.И. Построение функции полезности по экспериментальным данным.

Шиманські З. Апаратні засоби сегментації мовного сигналу

Хобин В.А., Титлова О.А. К вопросу измерения парожидкостного фронта в дефлегматоре абсорбционно-диффузионной холодильной машины (АДХМ)

Фефелов А. А. Использование байесовских сетей для решения задачи поиска места и типа отказа сложной технической системы

Слань Ю. М., Трегуб В. Г. Оперативна нейромережна ідентифікація складних об’єктів керування

Ролик А.И. Модель управления перераспределением ресурсов информационно-телекоммуникационной системы при изменении значимости бизнес-процессов

Кириллов О.Л., Якимчук Г.С., Якимчук С.Г. Изучение электрического поля с помощью датчика измерителя электростатического потенциала на модели замкнутого металлического объема

Грицик В.В. Застосування штучних нейронних мереж при проектуванні комп’ютерного зору.

Гасанов А.С. Информационные технологии построения систем прогнозирования отказов

Шеховцов А.В., Везумский А.К., Середа Е.С. Алгоритм сжатия информации без потерь: модифицированный алгоритм LZ77

Ходаков В.Е., Жарикова М.В., Ляшенко Е.Н. Методы и алгоритмы визуализации пространственных данных на примере моделирования распространения лесных пожаров.

Полякова М.В., Крылов В.Н. Обобщённые масштабные функции с компактным носителем в задаче сегментации изображений упорядоченных текстур. – C. 75 – 84.

Полторак В.П., Дорогой Я.Ю. Система распознавания образов на базе нечеткого нейронного классификатора.

Литвиненко В.И. Синтез радиально-базисных сетей для решения задачи дистанционного определения концентрации хлорофилла.

Бражник Д.А. Управление совмещением изображения объекта в сцене и эталонного изображения.

Бабак В.П., Пономаренко А.В. Локализация места положения сквозных дефектов по сигналам акустической эмиссии.

Мороз В. В. R-D проблема и эффективность систем сжатия изображений.

Крылов В.Н., Полякова М.В., Волкова Н.П. Контурная сегментация в пространстве гиперболического вейвлет-преобразования с использованием математической морфологии.

Квасников В.П., Баранов А.Г. Анализ влияния дестабилизирующих факторов на работу биканальной координатно-измерительной машины.

Казак В.М., Гальченко С.М., Завгородній С.О. Аналіз можливості застосування імовірнісних методів розпізнавання для виявлення пошкоджень зовнішнього обводу літака.

Тищенко И.А., Лубяный В.З. Управление коммутационными процессами в интегрированных сетях связи.

Корниенко-Мифтахова И.К.,Филоненко С.Ф. Информационно-измерительная система для анализа характеристик динамического поведения конструкций.

Тверезовский В.С., Бараненко Р.В. Модель измерителя емкости с линейной шкалой измерений.

Полякова М.В., Крылов В.Н. Мультифрактальный метод автоматизированного распознавания помех на изображении.

Рожков С.О., Федотова О.М. Алгоритм розпізнавання дефектів тканин для автоматичної системи контролю якості.

Бражник Д.А. Использование проективного преобразования для автоматизации обнаружения объектов.

Ходаков В.Є., Шеховцов А.В., Бараненко Р.В. Математичні аспекти створення автоматизованої системи „Реєстр виборців України”