автореферат и диссертация по педагогике 13.00.02 для написания научной статьи или работы на тему: Нейрокомпьютерные технологии в обучении информатике

Содержание диссертации автор научной статьи: доктора педагогических наук, Донской, Дмитрий Александрович, 2006 год

Введение.

Глава 1. Теоретико-методологические проблемы применения нейрокомпьютерных технологий в образовании.

1.1. Основные понятия теории искусственных нейронных сетей.,.

1.2. Характеристики, свойства и процессы в нейронных сетях.

1.2.1 Биологический нейрон и его кибернетическая модель.:

1.2.2 Свойства процессов обучения в нейронных сетях.

1.2.3 Нейронные сети ассоциативной памяти

1.3. Нейрокомпьютерные технологии в образовании ш 1.4. Выводы.

Глава 2. Программно-методические средства реализации нейрокомпьютерных технологии.

2.1 Пакет NeuroShell2(технология использования)

2.2 Пакет программ CLAB (технология применения в обучении).

2.3 Пакет GeneHunter (технология применения).

2.4 Пакет NeuroShell Trader (технология применения).

2.5 Применение пакета ST Neural Networks.

2.6. Основные характеристики пакета MATLAB.

2.7. Выводы.

Глава 3. Разработка технологии обучения нейроин-форматике и информатике в учреждениях среднего и высшего образования.

3.1.Особенности реализации технологии обучения нейроинформатике.

3.2. Средства информационного обеспечения дисциплины нейроинформатика (на примере пакета

MATLAB).

3.3. Лабораторный практикум как средство обеспечения дисциплины нейроинформатика.

3.3.1. Базовые модели.

3.3.2. Линейные сети.

3.3.3. Радиальные базисные сети.

3.4. Выводы.

Глава 4. Педагогический эксперимент по применению нейроинформационных средств в учреждениях общего и высшего образования.

4.1 Педагогическая диагностика и педагогический эксперимент.

4.2. Выводы.

Введение диссертации по педагогике, на тему "Нейрокомпьютерные технологии в обучении информатике"

Отличительной особенностью развития цивилизации конца XX века является эволюционное изменение социально-экономической и технологической ее основы через глобальную информатизацию всех сфер человеческой жизнедеятельности, конечной целью которой является построение постиндустриального общества. В этом обществе существенно повысится роль и значение интеллектуального труда, следствием которого будет смещение приоритетов в общественном разделении труда из сферы материального производства в область получения, переработки, хранения, представления и использования информации на основе новых информационных технологий и средств телекоммуникаций. Информационное общество - это общество с доминированием интеллектуально - информационных технологий.

В XXI веке концептуально оформилась основная тенденция социально-экономического развития высокоразвитых государств, сущность которой заключается в наиболее полном удовлетворении меняющихся потребностей (в том числе и образовательных) индивидуумов, их объединений и общества в целом.

Учитывая глобальную тенденцию информатизации общества можно ожидать, что в обозримом будущем постиндустриальное информационное общество и все его институты будут погружены в среду социально - экономических отношений рыночного типа.

Система образования, являясь составной частью социальной сферы общества, должна быть адаптивна к этим двум глобальным факторам развития цивилизации, то есть она должна: во-первых, отражать в своей сущности происходящий процесс информатизации и его воздействие на личность, которое идет от формирования информационной грамотности через информационную осведомленность и компетентность к информационной культуре, и, в конечном счете, к формированию информационного мировоззрения; во-вторых, строить все организационно-структурные преобразования, ориентируясь на технологии обучения и применения полученных знаний в социально-экономических отношениях.

Анализ исторического опыта перехода цивилизации из одного состояния в другое показывает, что такой переход в принципе невозможен без осознания обществом необходимости эволюционных изменений в системе образования, адекватных глобальным переменам, поскольку именно в образовании формируются социально-личностные предпосылки нового состояния общества.

На каждом этапе такого перехода цивилизации ведущие позиции занимала та или иная область человеческих знаний - философия, астрономия, механика, физика и т.д. В настоящее время ведущая роль принадлежит информатике как междисциплинарной научной дисциплине, представляющей, по определению Ильина В.П., «совокупность фундаментальных и прикладных научных направлений, изучающих технические, алгоритмические и программные аспекты процессов накопления, передачи и обработки информации, а также их использование в различных областях человеческой деятельности».

Началом широкомасштабной компьютеризации отечественной системы образования можно считать 1985 год, когда в соответствии с концепцией образовательной реформы в программы школ, вузов, институтов усовершенствования учителей и аспирантов был введен новый учебный предмет «Основы информатики и вычислительной техники», были выпущены в свет первые учебные пособия по информатике для школ и вузов. Огромная заслуга в разработке научно-теоретических аспектов и практической реализации концепции системы образования принадлежит Ершову А.П.

В период с 197 9 г. по настоящее время были выполнены и выполняются исследования по теоретическим и практическим аспектам информатизации высшего и среднего образования, среди которых можно выделить работы:

Гершунского Б.Г., Ломова В.Ф., Машбица Е.И., Тихомирова O.K. и др., в которых исследованы психолого-педагогические проблемы компьютеризации системы образования, заложившие основы информатизации образования в целом;

Бабанского Ю.К., Беспалько В.П., Бордовского Г.А., Велихова Е.П., Глушкова В.М., Ершова А.П,, Извозчикова В.А., Лаптева В.В., Разумовского В.Г., Роберт И.В., Талызиной Н.Ф., Уварова А.Ю. и др, заложившие теоретические и методологические основы использования новых информационных технологий в образовании;

Ершова А.П., Бешенкова С.А., Бороненко Т.А., Гейна А.Г., Григорьева С.Г., Жданова С.А., Извозчикова В.А., Кузнецова А.А., Кузнецова Э.И., Лапчика М.И., Лесневского А.С., Матюшкина-Герке А.А., Пугача В.И., Румянцева И. А. , Швецкрва М.В., Шолоховича В.Ф. и др., касающиеся разработки проблемы подготовки будущих учителей информатики и методики преподавания курса информатики в средней школе;

Афанасьева М.Ю., Замкова 0.0., Лаврикова Ю.А., Макаровой Н.В., Персианова В.В. и др., посвященные исследованию проблемы компьютеризации экономического образования ;

Брановского Ю.С., Ваграменко Я.А., Вострокнутова И.Е., Кузнецова Ю.К., Лебедевой М.Б., Роберт И.В., и др., касающиеся вопросов оценки качества и сертификации программных средств учебного назначения; Антипова И.Н., Бешенкова С.А., Бордовского Г. А., Брановского Ю.С., Григорьева С.Г., Долинер Л.И., Извозчи-кова В.А., Кузнецова Э.И., Лаптева В.В., Кручининой Г.А., Лапчика М.И. и др., в которых разрабатывались теоретические и практические аспекты подготовки будущих учителей-предметников как естественно-научных факультетов педагогических и технических вузов к применению новых информационных технологий в будущей профессиональной деятельности .

В последние годы в связи с появлением нейрокомпьютеров сделан большой шаг вперед по созданию и внедрению в учебный процесс нейрокомпьютерных технологий.

В период первого десятилетия информатизации системы образования концептуально содержание обучения информатике как в средней школе, так и в вузах было построено в основном на идеях алгоритмизации и программирования: около 75% учебного времени отводилось на изучение теории алгоритмов и программирования. Результатом алгоритмического подхода к обучению информатике и недооценки роли новых информационных технологий явилось отсутствие у большинства выпускников вузов практических умений и навыков обработки информации с помощью текстовых, графических и табличных процессоров, незнание основных приемов работы с системами управления базами данных и построенных на их основе информационно-поисковых и информационно-справочных систем. Практически все выпускники владели в той или иной степени одним из базовых языков программирования - BASIC или PASCAL, которые в современных условиях не обладают достаточными возможностями для эффективного освоения понятий, лежащих в основе изучения информатики и нейроин-форматики.

Используемые в тот период подходы к проектированию содержания обучения курсу «Информатика» были во многом идеализированы. В этих подходах

- не учитывались специфика информатики как определяющей на современном этапе развития цивилизации области научных знаний, а также быстроразвивающиеся процессы обновления научных знаний по прикладным аспектам информатики;

- не отслеживались потребности рынка труда, протекающие процессы информатизации производства и сферы малого бизнеса, уровень развития и внедрения новых информационных технологий во все сферы практической деятельности.

Подобный ограниченный подход к проблеме проектирования содержания обучения информатике привел к увеличению разрыва между состоянием науки, общемировыми тенденциями процесса информатизации, уровнем информатизации современного социума (промышленность, сфера услуг, и т.д.) и содержанием образования. Тем самым был нарушен такой ведущий принцип дидактики как принцип научности и соответствия образования современной системе научного знания.

В настоящее время в России сформировалась государственная политика в области образования, которая была озвучена на II Международном конгрессе ЮНЕСКО (Концепция информатизации высшего образования РФ. - М.:Пресс-сервис, 1994) . В докладе «Политика в области образования и новые информационные технологии» указывается на необходимость:

- при проектировании как образовательных систем в целом, так и методических систем обучения отдельным учебным дисциплинам, в том числе и информатике, учитывать особенности и специфику новых формирующихся в России рыночных отношений, рассматривать информатизацию системы образования как приоритетное направление информатизации общества в целом.

Разнообразие, большой объем и противоречивость различной обрабатываемой информации выводят на передний план проблему поиска физических систем, способных к ее переработке. Решение этой комплексной задачи тесно связано с новыми информационными технологиями, важное место среди которых занимают методы распознавания и категоризации образов. Нейронные сети - мощный и на сегодня, пожалуй, наилучший метод для решения задач распознавания образов в ситуациях, когда в экспериментальных данных отсутствуют значительные фрагменты информации, а имеющаяся информация предельно зашумлена. Высокая степень параллельности, допускаемая при реализации нейросистем, обеспечивает обработку недоступных оператору объемов информации за времена, меньшие или сравнимые с допустимыми временами измерений .

Современные цифровые вычислительные машины превосходят человека по способности производить числовые и символьные вычисления. Однако человек может без усилий решать сложные задачи восприятия внешних данных (например, узнать человека в толпе только по его промелькнувшему лицу) с такой скоростью и точностью, что мощнейший компьютер по сравнению с ним безнадежно проиграет. В чем причина столь значительного различия в их производительности? Архитектура биологической нейронной системы совершенно не похожа на архитектуру машины фон Неймана, что существенно влияет на типы функций, которые более эффективно исполняются каждой моделью.

Подобно биологической нейронной системе искусственная нейронная сеть (ИНС) является вычислительной системой с огромным числом параллельно функционирующих простых процессоров с множеством связей. Модели ИНС в некоторой степени воспроизводят "организационные" принципы, свойственные мозгу человека. Моделирование биологической нейронной системы с использованием ИНС может также способствовать лучшему пониманию биологических функций. Такие технологии производства, как VLSI (сверхвысокий уровень интеграции) и оптические аппаратные средства, делают возможным подобное моделирование. Глубокое изучение ИНС требует знания нейрофизиологии, науки о познании, психологии, физики (статической механики) , теории управления, теории вычислений, проблем искусственного интеллекта, статистики/математики, распознавания образов, компьютерного зрения, параллельных вычислений и аппаратных средств (цифровых/аналоговых/ VLSI/оптических). С другой стороны, ИНС также стимулируют эти дисциплины, обеспечивая их новыми инструментами и представлениями. Этот симбиоз жизненно необходим для исследований по нейронным сетям и их применению в образовании.

Произошло изменение содержания дисциплины «Информатика», введение в учебные планы ряда вузов дисциплины

Нейроинформатика», а также и создание новой специальности «Информационные технологии в образовании».

Все это определяет актуальность работы, посвященной исследованию научной проблемы, состоящей в разрешении противоречия между необходимостью подготовки по информатике будущих учителей-предметников, адаптированных как к условиям рыночной экономики, так и к современному быстроменяющемуся уровню информатизации общества и традиционно сложившейся инерционной системой обучения информатике в педагогических вузах, в которой разработанные методы к проектированию методической системы обучения информатике не отражают современных тенденций социально-экономического развития общества.

Указанные особенности, ' недостатки и противоречия определили постановку проблемы исследования - каким образом и при каких условиях модернизировать систему подготовки специалиста по информационным технологиям, обеспечивающую его соответствие меняющимся требованиям современного общества в условиях принципиального изменения технической базы информационных технологий, позволяющей устранить указанные недостатки и сгладить основные противоречия.

Цель исследования - повышение качества обучения специалистов по информационным технологиям путем научного обоснования и построении системы нейроинформационного обучения, которая опирается на учебную информационную среду, включающую информационно и информационно-логический компоненты, что позволяет обеспечить системность, осознанность, полноту и другие важнейшие характеристики знания, использует современные педагогические технологии и позволяет выполнить подготовку специалистов, научных и преподавательских кадров в соответствии с социальным заказом современного общества и направленную на перспективу его развития.

Объект исследования - педагогическая система многоуровневой подготовки специалистов по информационным технологиям с учетом специфики нейроинформационных технологий .

Предметом исследования являются информационные, информационно-логические, психологические аспекты нейроинформационных технологий обучения, служащие основой обеспечения полноценных знаний.

Гипотеза исследования заключается в том, что развитие нейросетевых подходов к созданию средств информатизации образования может осуществляться за счет единообразного применения базовых элементарных нейросетевых структур, реализованных как аппаратно, так и с применением эмуляторов, соблюдения единого комплекса требований к качеству, создания унифицирующих систем спецификаций, метаописания, апробации и экспертизы средств информатизации и будет способствовать:

- появлению новых технологий разработки образовательных электронных изданий, эффективных методов и компьютерных средств обучения;

- содержательной, методической, технологической и интерфейсной унификации средств информационных и телекоммуникационных технологий, используемых в образовании;

- сокращению сроков освоения и повышению эффективности использования унифицированных средств информатизации учащимися и педагогами;

- повышению готовности педагогов к использованию средств информатизации образования в профессиональной деятельности, созданию основы для универсальной подготовки педагогических кадров, способных комплексно использовать преимущества информационных технологий;

- более полному и качественному обеспечению различных видов образовательной деятельности современными средствами, технологиями и методами информатизации.

Задачи исследования определяются выдвинутыми целями и гипотезами и заключаются:

- в обосновании и построении модели обучения с применением нейроинформационных технологий;

- выделении основных компонентов и в формулировке принципов построения и функционирования учебной нейроин-формационной среды, позволяющей целенаправленно формировать структуры решения задач;

- исследовании влияния информационно-логического компонента учебной среды нейроинформационного обучения на формирование системности знаний обучаемых.

- в исследовании закономерностей процесса обучения всех субъектов педагогической системы с учетом специфики информационных технологий, разработке направлений совершенствования существующих и проектировании инновационных методов, способов и средств обучения информационным технологиям и их использовании в дидактическом процессе; в оптимизации педагогического процесса обучения специалистов всех уровней с целью минимизации временных и материальных ресурсов и повышения качества образования;

- в применении разработанных технологий для повышения квалификации преподавателей других дисциплин; в экспериментальном подтверждении эффективности разработанных принципов, методов, способов обучения информационным технологиям в различных образовательных учреждениях .

Методологической основой исследования являются фундаментальные психолого-педагогические исследования Ю.К.Бабанского, JI.С.Выготского,И. Я.Лернера,Н.А.Менчинской, Л.Я.Зориной, И.К.Журавлева, В.В.Краевского, М.В.Рыжакова,

B.С.Леднева, А.Н.Леонтьева, Ж.Пиаже, В.В.Рубцова, Н.Ф.Талызиной и др.; работы специалистов в области информатики и методики ее преподавания: А.П.Ершова,

C.А.Бешенкова, Я.А.Ваграменко, Б.И.Зобова, А.А.Кузнецова, В.А.Извозчикова, Е.А.Ракитиной, А.Л.Семенова, К.К.Колина, И.В.Роберт и др.; философские труды: Э.Ильенкова, Э.Гуссерля, М.Хайдеггера, Г.Р.Громова и др.; работы логиков, лингвистов и семиотиков: Ч.С.Пирса, Г.Фреге, Ф. де Соссюра, Л.Витгенштейна, Р.Карнапа, Ч.Морриса и др.

Исследование проводилось в три взаимосвязанных этапа.

На первом этапе (1985-1997) изучалось и анализировалось современное состояние исследуемой проблемы в теории и практике средств автоматизированного обучения для высшей школы. Были определены цель, объект и предмет исследования, сформулирована предварительная гипотеза, намечены задачи исследования и общие подходы решения проблемы, осуществлена реализация средств обучения первого этапа.

На втором этапе (1998-2003) проводились исследования, в ходе которых уточнялись гипотеза, цели и задачи исследования, разрабатывалась и апробировалась модель нейроин-формационного обучения с опорой на учебную информационную среду, исследовалась ее информационно-логическая компонента. Оптимизировалась структура учебной информационной среды.

Осуществлено практическое использование предложенных авторских методик для разных контингентов обучаемых -школьников, студентов, преподавателей информационных технологий высших и средних учебных заведений, преподавателей, не являющихся специалистами в области информатики.

На третьем этапе (2003-2005) осуществлен качественный и количественный анализ полученных данных, проводилось обобщение результатов исследования, сформулированы основные выводы и рекомендации по внедрению результатов исследования в педагогическую практику, завершено оформление работы.

Научная новизна и теоретическая значимость заключается в следующем: обоснованы модели нейроинформационного обучения, базирующейся на недетерминированности процессов обучения в нейронных сетях;

- определен информационно-логический компонент в качестве системообразующей компоненты учебной нейроин-формационной среды обучения;

- методологически обоснована необходимость использования традиционных форм обучения перед широким использованием компьютерных технологий и программных средств в рамках нейрокомпьютерного обучения;

- сформулированы основные принципы проектирования педагогической системы обучения информационным технологиям на различных уровнях, позволяющие в совокупности объединить отдельные подсистемы в единый комплекс обучения, гарантирующий формирование специалиста в соответствии с его концептуальной моделью, обладающего профессиональной готовностью к деятельности в различных производственных областях;

- предложены методы овладения системными знаниями и профессионализмом, ориентированные на усиление связи «наука - образование - производство», позволяющие приблизить дидактическую систему к производственному циклу и развить способности обучаемых к взаимодействию с профессиональным сообществом;

- предложено проектирование технологий развития интеллектуальных и творческих способностей как проектирование методов направленного обучения, позволяющих обучаемому выполнять переходы по уровням усвоения учебного материала от репродуктивного к продуктивному уровню.

Практическая значимость исследования состоит в определении структуры и способов функционирования учебной информационной среды; определении стратегии нейросетевых принципов обучения, опирающегося на эту среду; в формулировании требований к разработчикам компьютерных обучающих сред.

Достоверность и обоснованность результатов исследования и практических рекомендаций подтверждается методологической обоснованностью теоретических положений, разработкой диагностических методик, адекватно соответствующих целям, задачам, предмету и объекту исследования, репрезентативностью выборок, количественным и качественным анализом экспериментальных данных, использованием результатов исследования в педагогической практике.

Экспериментальная база:

Пензенский государственный университет,

Пензенский государственный педагогический университет ;

Пензенская государственная технологическая академия;

Приборостроительный и архитектурный колледжи г.Пензы;

Средние школы г.Пензы;

Средние школы Никольского района Пензенской области.

На защиту выносятся следующие положения:

1. Наиболее адекватной моделью нейроинформационного обучения является модель, рассматривающая обучение как недетерминированный информационный процесс, протекающий в открытой системе. Характерной особенностью этой модели является следующее:

- постулирование факта слабой детерминированности поступающей учебной информации в системе обучения, что обусловлено спецификой нейрокомпьютерных технологий;

- возможность целенаправленного формирования устойчивых структур, которые вносят элемент упорядоченности и которые могут послужить базисными центрами учебной информации.

2. Процесс нейроинформационного обучения должен быть направлен не только на сообщение информации, но и на создание условий для возникновения реализующих информацию структур.

3. Условием формирования обучающих структур, а, следовательно, и реализации знаний при нейросетевом обучении, является специально созданная учебная информационная среда, функционирующая относительно независимо от процесса нейросетевого обучения.

4. Системообразующими компонентами этой среды являются информационно-логический компоненты.

Информационно-логическая компонента ответственна за формирование комплекса логических отношений в процессе рационального познания, которые позволяют организовать и систематизировать учебную информацию.

5. Выделение в качестве основополагающих способностей специалиста по информационным технологиям его исследовательского и творческого мышления, специальное развитие которых позволяет еще более повысить эффективность процесса обучения, направленного на удовлетворение перспективных потребностей общества.

6. Методы проектирования технологий развития интеллектуальных и творческих способностей, основанные на методах направленного обучения и позволяющие учащемуся выполнять прямые переходы по уровням усвоении учебного материала от репродуктивного к продуктивному уровню, где под прямым переходом понимается развитие способностей субъекта обучения решать все более сложные задачи.

7. Методы овладения системными Знаниями и профессионализмом, ориентированные на усилении связи «наука - образование - производство», позволяющие приблизить дидактическую систему к производственному циклу и развить способности обучаемых к взаимодействию с профессиональным сообществом.

8. Педагогические технологии и механизмы их передачи, ориентированные на структуру интегрированного комплекса повышения квалификации и содержащие логико-методологические, информационные, процессуальные и диагностические блоки, опирающиеся на концепцию фундаментализации образования и формирования профессиональной готовности к развитию и адаптации образовательного пространства в соответствии с современными требованиями.

Заключение диссертации научная статья по теме "Теория и методика обучения и воспитания (по областям и уровням образования)"

4.2 Выводы

1. Приведено описание результатов педагогического эксперимента по исследованию особенностей применения ней-роинформационных средств.

2. Широкое применение новых информационных технологий во всех аспектах человеческой деятельности, целесообразность использования компьютеров в качестве средства обучения позволили предположить, что компьютер может выступать и средством, обеспечивающим коррекцию знаний по преподаваемым дисциплинам. Следует учесть, что исследоваt ния теоретических и психолого-педагогических проблем использования информационных технологий в обучении (проблема общения, необходимости сочетания индивидуальной и коллективной форм деятельности и др.), в том числе для контроля и коррекции, показали, что психологические последствия применения компьютеров противоречивы, но при правильном использовании новых информационных технологий они обеспечивают ряд преимуществ.

3. В ходе исследования были сформулированы требования как к системе автоматизации контроля и коррекции, так и к методике ее использования. К наиболее важным относятся следующие: работа по контролю и коррекции знаний должна проводиться систематически; содержание учебного материала и формы его предъявления должны соответствовать уровню подготовки; программное средство должно адаптироваться к индивидуальным возможностям обучаемого как по содержанию, так и по сложности предъявляемого материала; структура разрабатываемых тестов и базы знаний должна сочетать в заданиях функции проверки и тренажа, закрепления и развития знаний; система коррекции должна включать возможность управления познавательной активностью учащихся.

4. Формирование методики проведения педагогического эксперимента осуществлялось в соответствии с теоретической концепцией, основой которой является утверждение о том, что разработка и внедрение научно-обоснованной методической системы контроля и коррекции знаний учащихся с использованием 'новых нейроинформационных технологий позволит повысить качество обучения, уменьшить трудозатраты при подготовке к занятиям, реализовать индивидуальную систему коррекции знаний. Это утверждение предопределило многоплановость экспериментальной проверки разработанной технологии контроля и коррекции знаний.

5. Педагогический эксперимент первой стадии проводился в три этапа.

На первом этапе выполнялись наблюдения за деятельностью преподавателей и обучаемых в процессе контроля и коррекции знаний, на основе анализа реальной ситуации, сложившейся в практике работы учебных заведений, выявлялись возможности практического использования вычислительной техники и нейроинформационных технологий в учебном процессе.

Второй этап характеризовался изучением научно-исследовательской основы проблемы контроля и коррекции знаний учащихся, в процессе освоения дисциплин информатики и нейроинформатики. Он сопровождался изучением теоретических основ контроля знаний без использования и с использованием новых информационных технологий, психолого-педагогических проблем использования новых информационных технологий в процессе обучения, теоретических основ тестирования как метода контроля знаний, уточнением содержания учебного процесса, изучением стандартов образования, отбором учебников по геометрии, выявлением методических основ информатики и нейроинформатики, разработку учебных модулей и блоков, описанием совокупности всех заданий, представляющих учебную единицу. Итогом второго этапа явилось построение научной модели технологии контроля и коррекции знаний с использованием нейротехнологий.

Третий этап был направлен на разработку и практическое внедрение методики контроля и коррекции знаний, разработку и экспериментальную проверку тестовых заданий с целью выявления содержательной и функциональной валидно-сти тестов, проверку возможностей использования компьютерной технологии контроля и коррекции, анализ результатов внедрения технологии контроля и коррекции, выработку критериев эффективности предложенной технологии и, на этой основе, оценку результатов исследования, совместное обсуждение и анализ организации коррекции знаний с использованием компьютерных средств. б. В результате эксперимента было установлено, что организация контроля и коррекции знаний с использованием информационных технологий позволяет: повысить качество контроля (контроль - объективный, индивидуальный, позволяющий выявить пробелы в конкретных знаниях, умениях); сократить трудозатраты преподавателей примерно на 30-40%, что объясняется отсутствием необходимости систематизировать результаты работ учащихся, разрабатывать систему корректирующих задач для каждого ученика отдельно .

Результаты полученной диагностики позволили установить, что узконаправленная работа по коррекции знаний позволяет повысить уровень усвоения материала при повторном тестировании на 15-35%.

7. Педагогический эксперимент позволил установить, что: применение используемой технологии доказало свою эффективность в обучении нейроинформатике студентов технических и педагогических вузов; значительно повысился уровень учебно-познавательной мотивации студентов, их рефлексивность и ответственность ; выросли качество знаний и интеллектуальный уровень студентов.

8. Результатом педагогического эксперимента стало создание учебной программы по нейроинформатике для студентов ряда специальностей (информационные технологии в образовании, математическое обеспечение персональных ЭВМ) .

Заключение

В работе получены следующие основные результаты:

1.Теоретически обоснована возможность и целесообразность использования нейросетевых парадигм и нейро-сетевых технологий для реализации обучающей среды как базовой составляющей средств описания содержания обучения методами информационных технологий.

2. Разработаны и обоснованы теоретические основы нейроинформационного проектирования содержания обучения .

3. На основе теоретического аппарата разработана технология нейроинформационного проектирования содержания обучения средствам информационных технологий, обеспечивающая возможность гибкой адаптации процесса обучения в условиях интенсификации информационных процессов, диагностической постановки целей обучения с учетом личностных особенностей обучаемых, гарантированно достижимых при заданных условиях обучения. На базе разработанной в диссертации технологии построены нейроинформационные модели содержания обучения различным средствам информационных технологий.

4. На базе разработанной в диссертации технологии построены объектные модели многоуровневых систем заданий для курсов обучения средствам информационных технологий .

5.На основе построенных моделей разработаны и внедрены в процесс обучения соответствующие учебные курсы, разработаны учебные пособия.

6.Применение разработанной технологии в процессе внедрения и сопровождения автоматизированных систем обучения, как средств информационных технологий, показало ее эффективность

7. Разработан учебно-методический комплекс по дисциплине нейроинформатика с дифференциацией по уровням и профилям подготовки (среднее образование, среднее специальное, высшее, в т.ч. подготовка специалиста в области информационных технологий в соответствии с концептуальной моделью выпускника, подготовка специалиста-научного сотрудника, послевузовское образование).

Совокупность полученных в диссертационном исследовании результатов позволяет утверждать, что сформулированы и обоснованы научные положения, совокупность которых квалифицируется как новое научное направление в области обучения информатике, определяемое разработанным теоретическим аппаратом и его практической аппробацией в процессе обучения.

Список литературы диссертации автор научной работы: доктора педагогических наук, Донской, Дмитрий Александрович, Москва

1. Айвазян С.А., Бежаева З.И., Староверов О.В. Классификация многомерных наблюдений. М.: Статистика, 1974. - с.36-51.

2. Айзерман М.А., Браверман Э.М., Розоноэр Л.И. Метод потенциальных функций в теории обучения машин. М. : Наука, 1970.-с.78-112.

3. Алкшин М.В. Аппаратная реализация быстродействующих нейросетей на основе программируемой логики фирм AMD, ALTERA, XILINX// Нейроинформатика -99. М.: МИФИ. Часть 2. - С.18-24.

4. Анастази А. Психологическое тестирование. М. Педагогика, 1982. Книга 1. с.20-54; Книга 2. с.130-156.

5. Андерсон Т. Введение в многомерный статистический анализ.- М.: Физматгиз, 1963. — с.208-344.

6. Андерсон Т. Статистический анализ временных рядов. М. : Мир, 1976. с.323-390.

7. Ануфриев А.Ф. Психодиагностика как деятельность и научная дисциплина//Вопросы психологии, 1994, № 2. — с.123-130.

8. Аркадьев А.Г., Браверман Э.М. Обучение машины классификации объектов.- М.: Наука, 1971.- с.28-130.

9. Барцев С.И., Ланкин Ю.П. Моделирование аналоговых адаптивных сетей. Препринт Института биофизики СО РАН, Красноярск, 1993, №203Б, с.3-36.

10. Барцев С.И., Охонин В.А. Адаптивные сети, функционирующие в непрерывном времени//Эволюционное моделирование и кинетика, Новосибирск, Наука, 1992, с.24-30.

11. Беспалько В.П. Слагаемые педагогической технологии.- М.: Педагогика, 1989, с. 25-34.

12. Блинов С. Brain Maker прогнозирование на финансовых рынках. - Открытые системы. N 4 - с. 98

13. Боннер Р.Е. Некоторые методы классификации // Автоматический анализ изображений. М.: Мир, 1969.- С.205-234.

14. Браверман Э.М., Мучник И.Б. Структурные методы обработки эмпирирических данных. М.: Наука. Главная редакция физико-математической литературы. 1983. - 202 с.

15. Букатова И.Л. Эволюционное моделирование и его приложения.- М.: Наука, 1979. с. 31-77.

16. Бурлачук Л.Ф., Коржова Е.Ю. К построению теории "измеренной индивидуальности" в психодиагностике // Вопросы психологии 1994, N5. С. 5-11.

17. Головко В.А. «Нейроинтеллект: теория и применение». Кн. 1 и 2, Брест, БПИ.

18. Вавилов Е.И., Егоров Б.М., Ланцев B.C., Тоценко В.Г. Синтез схем на пороговых элементах.- М.:Сов.радио,1970.—С.77-114.

19. Ваграменко Я.А. Информационные технологии и модернизация образования, Педагогическая информатика, N2, 2000. — С.3-10.

20. Ваграменко Я.А., Зобов Б.И., Донской Д.А. и др. «Научно-методическое и практическое обеспечение информатизации профильного обучения в сельских школах». Отчет по НИР 1.1.29, ИНИНФО МГОПУ им. М.А.Шолохова,Москва. — 2004.

21. Вапник В.Н., Червоненкис А.Ф. Теория распознавания образов. -М.: Наука, 1974.- С.23-78.

22. Веденов А.А. Моделирование элементов мышления. М. :1. Наука, 1988.

23. Власов А.И. Нейросетевая реализация микропроцессорных систем активной акусто- и виброзащиты //Нейрокомпьютеры: разработка и применение, №1, 2000. — С.40-44.

24. Власов А.И. Аппаратная реализация нейровычислительных управляющих систем//Приборы и системы управления 1999, №2. — С.61-65.

25. Вороновский Г.К., Махотило К.В., Петрашев С.Н., Сергеев С.А. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности.— Харьков:Основа, 1997. — С.8-96.

26. Галушкин А.И. Нейрокомпьютеры. М. : ИПЕЖР, 2000. -С.205-431.

27. Галушкин А.И. Некоторые исторические аспекты развития элементной базы вычислительных систем с массовым параллелизмом (80 и 90 годы)// Нейрокомпьютер, №1. 2000. С.68-82.

28. Галушкин А.И. Теория нейронных сетей. 2-е изд. М. : Радиотехника, 2003. — С. 39-54.

29. Галушкин А.И., Фомин Ю.И. Нейронные сети как линейные последовательные машины. М.: Изд-во МАИ, 1991. — С.17-44.

30. Гельфанд И.М., Цетлин M.JI. О математическом моделировании механизмов центральной нервной системы // Модели структурно-функциональной организации некоторых биологических систем. М. : Наука, 1966.- С.9-26.

31. Гершунский Б.С. Компьютеризация в сфере образования. Проблемы и перспективы. М.; Педагогика, 1987. — С.45-49.

32. Гилев С.Е. Гибрид сети двойственности и линейной сети// Нейроинформатика и нейрокомпьютеры/ тезисы докладов рабочего семинара 8-11 октября 1993 г., Красноярск/ Институт биофизики СО РАН, 1993. С.25.

33. Головко В.А. Нейрокомпьютерные сети: обучение, организация и применение. Монография. М.: ИПРЖР, 2001. — С.66-175.

34. Горбань А.Н. Нейроинформатика и ее приложения. Открытые системы. N 4 С.98.

35. Горбань А.Н. Двойственность в сетях автоматов // Нейроинформатика и ее приложения: Материалы III Всероссийского семинара, 6-8 октября 1995 г. Ч. 1/Под ред. А.Н.Горбаня; Красноярск: Изд-во КГТУ, 1995. С. 32-66.

36. Горбань А.Н. и др. Нейроинформатика. Новосибирск. Наука., 1998. С. 3-27.

37. Горбань А.Н. Обучение нейронных сетей. — М.: Параграф, 1990.- С. 4-132.

38. Горбань А.Н. Проблема скрытых параметров и задачи транспонированной регрессии//Нейроинформатика и ее приложения. Тезисы докладов 5 Всероссийского семинара, 3-5 октября 1997 г. Красноярск: изд. КГТУ, 1997.- С. 57-58.

39. Горбань А.Н., Миркес Е.М., Свитин А.П. Полуэмпирический метод классификации атомов и интерполяции их свойств. // Математическое моделирование в химии и биологии. Новые подходы. Новосибирск: Наука, 1992. С. 204-220.

40. Горбань А.Н. Обобщенная аппроксимационная теорема и вычислительные возможности нейронных сетей // Сибирский журнал вычислительной математики / РАН. Сиб. Отд. Новосибирск, 1998. -т. 1, № 1, - С.11-24.

41. Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере. Новосибирск: Наука. Сибирскаяиздательская фирма РАН, 1996. 276 с.

42. Грановская P.M., Березная И.Я. Интуиция и искусственный интеллект. Л.: ЛГУ, 1991. - С. 45-94.

43. Гутчин И.Б., Кузичев А.С. Бионика и надежность. М. : Наука, 1967. -С.66-120.

44. Демиденко Е.З. Линейная и нелинейная регрессия.- М. : Финансы и статистика, 1981. С.255-301.

45. Деннис Дж.-мл., Шнабель Р. Численные методы безусловной оптимизации и решения нелинейных уравнений. —М. :Мир, 1988.—С.32-125.

46. Дертоузос М. Пороговая логика. М. : Мир, 1967. — С. 72-118.

47. Джонасен Д.Х. Компьютеры как инструмент познания. М. : ИНФО, N 4, 1994.

48. Джордж Ф. Мозг как вычислительная машина. — М.: Изд-во иностр. лит., 1963. — С.369-452.

49. Дискуссия о нейрокомпьютерах / Под ред. В.И.Крюкова. Пущино, 1988.

50. Донской Д.А. Автоматизированные обучающие системы в вузах ГА // Международный симпозиум «Использование ВТ в педагогическом процессе и НИР в вузах стран СЭВ», 12-16 апреля, Братислава, ЧССР, 1988. С.58-61.

51. Донской Д.А., Золотарев А.А. Совершенствование учебно-воспитательного процесса вузов ГА на основе интенсификации обучения. Отчет по НИР. Гос.per. № 01820033710, 1985.

52. Донской Д.А., Годунов А.И. и др. Разработка методов обучения на авиационных тренажеров с использованием искусственных сетей (ИНС) . Научно-технический отчет по НИР № 556 Н (ДСП), ПГУ-ПКБМ, Пенза, 2005.

53. Донской Д.А., Васильев В.И. «АОС-ВУЗ» (описание на ВДНХ СССР), МИИГА-ВДНХ, Москва, 1988.

54. Донской Д.А., Саулина Л.И. Опыт организации дистанционного обучения в сельской местности. Тезисы доклада Всероссийского симпозиума «Новые технологии в совершенствовании образовательной деятельности Российских вузов», Пенза, 1999.

55. Донской Д.А., Саулина Л.И., Слепцов Н.В. Опыт использования типового учебно-методического и программного обеспечения всельской школе, В сб. : Труды Всероссийского научно-методического симпозиума «Информатизация сельской школы». — М.,2003.-С.282-287.

56. Донской Д.А., Щербаков М.А. Нейроинформационные обучающие сети. Всероссийская конференция «Информатизация образования на рубеже веков», 2-3 ноября, ПГУ, Пенза. — 1999.

57. Донской Д.А., Слепцова М.Г. Метод оценки времени существования полезной информации при прогнозировании. В сб. : Материалы 5 конф. АИО «Информатизация образования на рубеже веков», Пенза, 2001. С. 65-67.

58. Донской Д.А., Слепцова М.Г. Методика применения искусственных нейронных сетей для решения задач классификации. Всероссийская научно-практическая конференция «Теория и практика имитационного моделирования и создания тренажеров», ПГУ, Пенза, 2001.

59. Донской Д.А., Слепцова М.Г. Решение задач классификации с применением аппарата нейронных сетей. Труды международного симпозиума, Пенза, 2001,ПГУ. С.128-131.

60. Донской Д.А., Слепцова М.Г., Слепцов Н.В. Групповое упорядочение при преобразовании структур. В сб. : Материалы 5 конф. АИО «Информатизация образования на рубеже веков», Пенза, 2001. С. 67-72.

61. Донской Д.А., Слепцова М.Г., Слепцов Н.В. Информационно-логические принципы управления в электронных средствах обучения. Педагогическая информатика,2001.— №4.

62. Донской Д.А., Белобородова M.JI. Новые технологии в подготовке военных специалистов. Сб.трудов Всероссийской научно-методической конференции «Информатизация образования 2004», г.Екатеринбург, 2004.

63. Донской Д.А., Конинин М.П., Слепцов Н.В. Математические модели прогноза при оперативном управлении краткосрочными инвестициями «Надежность и качество», 2002.

64. Донской Д.А., Слепцов Н.В. Нейрокомпьютерное моделирование в образовании. В сб.: Труды симпозиума «Компьютерное моделирование в обучении точным наукам». — М. 2003. — С.34-40.

65. Донской Д.А., Слепцов Н.В. Нейрокомпьютеры и искусственные нейронные сети в преподавании вузовской информатики. Педагогическая информатика.2004,№1. — С.30-35.

66. Донской Д.А., Слепцов Н.В. Нейросетевые средства реализации обрабатывающей части тренажерных комплексов Пенза, актуальные проблемы науки и образования, 2003, т.2, — С.197-201.

67. Донской Д.А., Слепцов Н.В. Некоторые направления развития преподавания нейроинформатики. В сб. трудов конференции «Надежность и качество 2004», Пенза, 2004. — С.96-101.

68. Донской Д.А., Слепцов Н.В. Особенности и проблемы преподавания нейроинформатики в вузе. В сб. трудов Всероссийского научно-методического симпозиума «Информатизация образования: региональный аспект (на примере Пензенской области)», Пенза, 2004. С.9-11.

69. Донской Д.А., Слепцов Н.В. Принципы обучения, основанные на деревьях решений. Всероссийская научно-практическая конференция «Теория и практика имитационного моделирования и создания тренажеров», 15-16 сентября 2001 г. ПТУ, Пенза. — 2001.

70. Донской Д.А., Слепцов Н.В. Проблемы изучения нейроинформатики в вузе. — М. В сб. : Труды Всероссийского научно-методического симпозиума, Волгоград, 2003. —С.115-119.

71. Донской Д.А., Слепцов Н.В. Проблемы опережающего обучения . В сб.трудов Всероссийской научно-методической конференции «Информатизация образования-2004», Екатеринбург, 2004. —С.68-70.

72. Донской Д.А., Слепцов Н.В., Павлушина Ю.А. Эволюционные методы проектирования в обучающих систем. В сб. : Материалы Всероссийской конференции «Теория и практика имитационного моделирования и создания тренажеров», Пенза, 2002. — С.48.

73. Донской Д.А., Трофимова С.Н. Интегрированные информационные системы как инструмент обеспечения качества управления. В сб. : «Надежность и качество 2004». Труды Международной конференции, Пенза, 2004. - С.96-101.

74. Донской Д.А. Автоматизированные обучающие системы в вузах ГА. Сб.научных трудов МИФИ, М.,1984.- С.21-27.

75. Донской Д.А. Информационные технологии как основа профессиональной подготовки. Всероссийская конференция «Информатизация образования на рубеже веков», 2-3 ноября, ПТУ, Пенза, 1999.

76. Донской Д.А. Компьютерная методика оценки качества подготовки абитуриента вуза. Тезисы доклада международной конференции «Надежность и качество 99», ПТУ, Пенза, 1999.

77. Донской Д.А.Моделирование искусственных нейронных сетей в системе MATLAB. Лабораторный практикум (части 1, 2, 3) . ПГУ, Пенза, 2005.

78. Донской Д.А. Нейрокомпьютерные технологии в обучении информатике. М., РИЦ МГОПУ им. М.А.Шолохова, 2004. - 188 с.

79. Донской Д.А. О преподавании информационных дисциплин и проблемах опережающего обучения. Международный научно-методический симпозиум «Инфосельмаш-2004», 15-20 сентября, Анапа. 2004.

80. Донской Д.А. О разработке макета прикладных программ АОС-ВУЗ для Дрезденского технического университета. Семинар СССР-ГДР «Вопросы создания в высших учебных заведениях автоматизированных обучающих систем», 28-30 июня, Киев, 1983.

81. Донской Д.А. Об особенностях и проблемах применения современных информационных технологий в учебном процессе. Педагогическая информатика, №2. — М. : МГО ПУ им. М.А.Шолохова, 2005.

82. Донской Д.А. Применение нейросетевого подхода к построению обучающих систем. В сб.: Материалы 5 конф. АИО «Информатизация образования на рубеже веков». — Пенза, 2001. — С. 60-65.

83. Донской Д.А. Программный комплекс автоматизированной системы обучения (комплекс программ и инструкций) , ГОС ФАП СССР № 0007570. Москва, 1984.

84. Донской Д.А. Эволюционно-генетический подход к созданию обучающих систем. Педагогическая информатика, 2002, №4. -С.45-49.

85. Дорофеюк А.А. Алгоритмы автоматической классификации (обзор). Автоматика и телемеханика, 1971, №12. — С.78-113.

86. Дуда Р., Харт П. Распознавание образов и анализ сцен. М.: Мир, 1976.- С. 400-478.

87. Дунин-Барковский B.JI. Нейронные схемы ассоциативной памяти/ /Моделирование возбудимых структур. Пущино: изд.ЦБИ, 1975. — С.90-141.

88. Дунин-Барковский B.JI. Нейрокибернетика, нейроинформатика, нейрокомпьютеры/Нейроинформатика — Новосибирск: Наука, Сибирская издательская фирма РАН, 1998. — С.56-79.

89. Дюк В.А. Компьютерная психодиагностика. Санкт-Петербург: Братство, 1994.- с.53-167.

90. Дюк В.А. Компьютерная психодиагностика. СПб, Братство, 1994. с. 56-73.

91. Ежов А., Чечеткин В. Нейронные сети в медицине. Открытые системы. № 4-97.

92. Загоруйко Н.Г. Методы распознавания и их применение. М.: Сов.радио, 1972. 204 с.

93. Загоруйко Н.Г., Елкина В.Н., Лбов Г.С. Алгоритмы обнаружения эмпирических закономерностей. Новосибирск: Наука, 1985.- с.3-105.

94. Заенцев И.В. Нейронные сети: Основные модели.- Воронеж, ВГУ, 1999. с.3-70.

95. Зобов Б.И. Высшее заочное профессиональное образование на основе дистанционных технологий обучения, Педагогическая информатика, N 2, 2000. с. 22-30.

96. Зозуля Ю.И. Интеллектуальные нейросистемы. Монография М.: Радиотехника, 2003. — с.20-63.

97. Меламед И.И. Нейронные сети и комбинаторная оптимизация.-Автоматика и телемеханика, 1994,11.— с.3-40.

98. Ивахненко А.Г. Персептроны. Киев: Наукова думка, 1974. - с.33-140.

99. Искусственный интеллект: В 3-х кн. Кн. 1. Системы общения и экспертные системы: Справочник /Под ред. Э.В.Попова.- М.: Радио и связь, 1990.- с.29-180.

100. Искусственный интеллект: В 3-х кн. Кн. 2. Модели и методы: Справочник /Под ред. Д.А.Поспелова.- М. : Радио и связь, 1990.- с. 260-290.

101. Итоги науки и техники. Сер. "Физ. и Матем. модели нейронных сетей" /Под ред. А.А.Веденова. М. : Изд-во ВИНИТИ, 199092 - Т.1-5.

102. Кендалл М., Стьюарт А. Статистические выводы и связи. -М.: Наука, 1973.- с. 606-724.

103. Кирдин А.Н., Новоходько А.Ю., Царегородцев В. Г. Скрытые параметры и транспонированная регрессия/ Нейроинформатика Новосибирск: — Наука, Сибирская издательская фирма РАН, 1998.

104. Кирсанов Э.Ю. Цифровые нейрокомпьютеры: Архитектура и схемотехника/Под ред. А.И.Галушкина. — Казань: Казанский гос. у-т. 1995. с.12-52.

105. Кохонен Т. Ассоциативная память.-М.: Мир, 1980.

106. Кохонен Т. Ассоциативные запоминающие устройства. -М.:Мир,1982.

107. Крайзмер Л.П., Матюхин С.А., Майоркин С.Г. Память кибернетических систем (Основы мнемологии). М.: Сов. радио, 1971.- с.90-143.

108. Кук С. Обзор вычислительной сложности. // Лекции лауреатов премии Тьюринга за первые двадцать лет 1966-1985. — Мир. М. : 1993. с.137-167.

109. Куссуль Э.М., Байдык Т.Н. Разработка архитектуры ней-роподобной сети для распознавания формы объектов на изображении // Автоматика. 1990.- № 5.- С.56-61.

110. Мазуров В.Д. Метод комитетов в задачах оптимизации и классификации.- М.: Наука, Гл.ред.физ.-мат.лит., 1990. — С.23-48.

111. МакКаллок У.С., Питтс В. Логическое исчисление идей, относящихся к нервной активности // Нейрокомпьютер, 1992. №3, 4. С. 40-53.

112. Методы нейроинформатики. Сборник научных трудов. — Красноярск. КГУ-1998. с. 5-163.

113. Минский М., Пайперт С. Персептроны. м.: Мир, 1971. — с.53-201.

114. Миркес Е.М., Свитин А.П. Применение метода ассоциативных сетей для прогнозирования переносов заряда при адсорбции молекул. // Эволюционное моделирование и кинетика. Новосибирск: Наука, 1992. С.30-35.

115. Миркин Б.Г. Анализ качественных признаков и структур. М.: Статистика, 1980.- 319 с.

116. Мучник И.Б. Анализ структуры экспериментальных графов.- Автоматика и телемеханика, 1974, №9. — С. 62-80.

117. Нейрокомпьютеры в системах обработки изображений. Коллективная монография/Общ. ред. А.И.Галушкина. М. : Радиотехника, 2003, - с.12-59.

118. Нейрокомпьютеры в системах обработки сигналов. //Под ред. Ю.В.Гуляева и А.И.Галушкина. М. : Радиотехника, 2003, - С. 12-36.

119. Нейрокомпьютеры и их применение. Кн. 6. Нейрома-тематика//Под ред. А.И.Галушкина, М.,ИПРЖР,2002.-С.40-63.

120. Нейроматематика.//Под ред. А.И. Галушкина.- М. : ИПРЖР, 2002, с.24-56.

121. Николаев П.П. Методы представления формы объектов в задаче константного зрительного восприятия // Интеллектуальные процессы и их моделирование. Пространственно-временная организация. М.:Наука,1991.- С.146-173.

122. Николаев П.П. Трихроматическая модель констант восприятия окраски объектов // Сенсорные системы. 1990. Т. 4 Вып.4. — С.421-442.

123. Нильсен Н. Обучающиеся машины.- М.:Мир,1967.— с.44-87.

124. Охонин В.А. Вариационный принцип в теории адаптивных сетей. Препринт ИФ СО АН СССР, Красноярск, 1987, №61Б. 18 с.

125. Шевченко П.А., Фомин Д.В., Черников В.М., Виксне П.Е. Применение микропроцессора NM6403 для эмуляции нейронных сетей // Нейрокомпьютеры и их применение 99. М.: ИПУ РАН, 1999. с.81-90.

126. Пак Н.И. Нелинейные технологии обучения в условиях информатизации, Красноярск, 2004. — С.128-171.

127. Панюкова С.В. Информационные и коммуникационные технологии в личностно оринтированном обучении. - М., Институт информатизации РАО, 1998.

128. Позин И.В. Моделирование нейронных структур. М. : Наука, 1970. - С. 32-75.

129. Проблемы построения и обучения нейронных сетей //Под ред. А.И.Галушкина и В.А.Шахнова. М. : Машиностроение. Библиотечка журнала Информационные технологии, №1, 1999. - 103 с.

130. Пшеничный Б.Н., Данилин Ю.М. Численные методы в экстремальных задачах. — М.: Наука, 1975.— С.159-234.

131. Рамбиди Н.Т., Гребенников Е.П., Девятков А.Г., Яковен-чук Д.В. Биомолекулярные нейросетевые устройства. -М. : Радиотехника, 2002. С. 22-154.

132. Распознавание образов и медицинская диагностика // Под ред. Ю.М. Неймарка.- М.: Наука, 1972.- С.8-60.

133. Розенблатт Ф. Принципы нейродинамики. Перцептрон и теория механизмов мозга.— М.:Мир, 1965. —С.44-353.

134. Сигеру Омату, Марзуки Халид, Рубия Юсоф. Нейроуправле-ние и его приложения. М.: ИПРЖР, 2000. -272 с.

135. Слепухин А.В. Новые информационные технологии в педагогической диагностике. -Екатеринбург, 2003.—С.50-64.

136. Сычев Н.А., Алсынбаева Л.Г. Структура учебно- профессионального проекта. Новосибирск, НГУ, 1996.

137. Терехов В.А., Ефимов Д.В., Тюкин И.Ю. Нейросетевые системы управления. — М., ИПРЖР,2002. — С.68-94.

138. Терехов В.А., Ефимов Д.В., Тюкин И.Ю. Нейросетевые системы управления. — М., ИПРЖР,2002. С.180-265.

139. Терехов В.А., Ефимов Д.В., Тюкин И.Ю. Нейросетевые системы управления. М.: ИПРЖР, 2002, - 480 с.

140. Терехов С.А. Нейросетевые информационные модели сложных инженерных систем / Нейроинформатика Новосибирск: Наука, Сибирская издательская фирма РАН, 1998. — с.13-27.

141. Теффин Д. Модель виртуального класса. М. ИНФО, 1999. - с.12-46.

142. Транспьютерные и нейронные ЭВМ. /Под ред. В.К.Левина и А.И.Галушкина М. : Российский Дом знаний, 1992.— с. 25-41.

143. Уидроу Б., Стирнз С. Адаптивная обработка сигналов. М.: Мир, 1989. с. 120-147.

144. Уоссермен Ф. Нейрокомпьютерная техника: теория и практика. М. Мир, 1992. — с.5-91.

145. Флейвелл Д. Генетическая психология Жана Пиаже. М., Просвещение, 1967. — с. 63-119.

146. Фор А. Восприятие и распознавание образов. М.: Машиностроение, 1989.- с.134 - 270.

147. Фролов А.А., Муравьев И.П. Информационные характеристики нейронных сетей. М.: Наука, 1988.

148. Фу К. Структурные методы в распознавании образов. -М.: Мир, 1977.- с.32.

149. Фукунга К. Введение в статистическую теорию распознавания образов. М.: Наука, 1979.- с.4-68.

150. Хартман Г. Современный факторный анализ. М. : Статистика, 1972. - с.31-86.

151. Хехт-Нильсен Р. Нейрокомпьютинг: история, состояние, перспективы // Открытые системы. N4. — 1998.

152. Химмельблау Д. Прикладное нелинейное программирование. М.: Мир, 1975. с. 345-487.

153. Хинтон Дж.Е. Обучение в параллельных сетях/ Реальность и прогнозы искусственного интеллекта. М.:Мир, 1987.- С.124-136.

154. Цыганков В.Д. Нейрокопьютер и его применение. М. : "Сол Систем", 1993.- с. 4-19.

155. Цыпкин Я.З. Основы теории обучающихся систем. — М. : Наука, 1970. -с.40-74.

156. Червяков Н.И., Сахнюк П.А., Шапошников А.В., Макоха А.Н. Нейрокомпьютеры в системе остаточных классов. — М. : Радиотехника, 2003. — с.31-39.

157. Чернухин Ю.В. Нейропроцессорные сети. Таганрог: Изд-во ТРТУ, 1999. - с.11-340.

158. Чернухин Ю.В., Топчий А.П., Грязин Е.А. Экспериментальное исследование скорости обучения нейросетей методом обратного распространения ошибки. Известия ТРТУ. — Таганрог: ТРТУ, № 3, 1997. с.112-116.

159. Шайдуров В.В. Многосеточные методы конечных элементов. М.: Наука, 1989.

160. Шапот М., Рощупкина В. Интеллектуальный анализ данных и управление процессами.- Открытые системы. N4-97.

161. Шварц Э., Трис Д. Программы, умеющие думать // Бизнес Уик.- 1992.- N. б.- С.15-18.

162. Aleksander I.,Morton H.The logic of neural cognition/ /Adv. Neural Comput.-Amsterdam etc.,1990.-PP.97-102.

163. Alexander S. Th. Adaptive Signal Processing. Theory and Applications. Springer. 1986. 179 p.

164. Allen J., Murray A. Development of a neural network screening aid for diagnosing lower limb peripheral vascular disease from photoelectric plethysmography pulse waveforms // Physiol. Meas.- 1993.- V.14, N.I.- P.13-22.

165. Amari Sh., Maginu K. Statistical Neurodynamics of Associative Memory // Neural Networks, 1988. V.l. N1. P. 63-74.

166. Arbib M.A. Brains, Machines, and Mathematics. Springer, 1987. 202 p.

167. Astion M.L., Wener M.H., Thomas R.G., Hunder G.G., Bloch D.A. Application of neural networks to the classification of giant cell arteritis // Arthritis Reum.- 1994.- V.37, N.5.-P.760-770.

168. Aynsley M., Hofland A., Morris A.J. et al. Artificial intelligence and the supervision of bioprocesses (real-time knowledge-based systems and neural networks) // Adv. Biochem. Eng. Biotechnol.- 1993,- N.48.- P.1-27.

169. Baba N. New Topics in Learning Automate Theory and Applications. Springer, 1985. 131 p. (Lec. Not. Control and Information, N71) .

170. Barschdorff D., Ester S., Dorsel T et al. Phonographic diagnostic aid in heart defects using neural networks // Biomed. Tech. Berlin.- 1990.- V.35, N.ll.- P.271-279.

171. Bruck J., Goodman J.W. On the power of neural networks for solving hard problems//J.Complex.- 1990.- 6, № 2.PP. 129-135.

172. Carpenter G.A., Grossberg S. A Massivly Parallel Architecture for a Self-Organizing Neural Pattern Recognition Machine. Computer Vision, Graphics, and Image Processing, 1987. Vol. 37. PP. 54-115.

173. Connectionism in Perspective/Ed. by R. Pfeifer, Z. Schreter, F.Fogelman-Soulie and L. Steels. North-Holland, 1989. 518 p.

174. Diday E., Simon J.C. Clustering analysis, (dans Digital Pattern Recognition), Redacteur: K.S.F.U., Springer Verlag, Berlin, 1980, P. 47-93.

175. Disordered Systems and biological Organization//Ed.by Bienenstock F.,Fogelman-Soulie G.Weisbuch. Springer,1986.— 405 p.

176. Draper N. R. Applied regression analysis bibliographi update 1988-89 // Coimiun. Statist. Theory and Meth.- 1990.1990.19, № 4.- PP. 1205-1229.

177. Ercal F., Chawla A., Stoeker W.V. et al. Neural network diagnosis of malignant melanoma from color images // IEEE Trans. Biomed. Eng.- 1994.- V.41, N.9.- P.837-845.

178. Ferretti C., Mauri G. NNET: some tools for neural Networks simulation // 9th Annu. Int. Phoenix Conf. Comput. and Com-mun., Scottsdate, Ariz., March 21-23, 1990.- Los Alamitos (Calif.) etc., 1990.- PP. 38-43.

179. Filho E.C.D.B.C., Fairhurst M.C., Bisset D.L. Adaptive pattern recognition using goal seeking neurons // Pattern Recogn. Lett.- 1991.- 12, № 3.- PP. 131-138.

180. Floyd C.E.Jr., Lo J.Y., Yun A.J. et al. Prediction of breast cancer malignancy using an artificial neural network // Cancer.- 1994.- V.74, N.ll.- P.2944-2948.

181. Forbes А.В., Mansfield A.J. Neural implementation of a method for solving systems of linear algebraic equations // Nat. Phys.Lab.Div.Inf.Technol. and Comput.Rept.- 989.№ 155.- PP. 1-14.

182. Fu H.C., Shann J.J. A fuzzy neural network for knowledge learning // Int. J. Neural Syst.- 1994.- V.5, N.I.- P.13-22.

183. Fukushima K. Neocognitron: A self-organizing Neural Network model for a Mechanism of Pattern Recognition uneffected by shift in position // Biological Cybernetics.1980. V. 36, № 4. PP. 193-202.

184. Fulcher J. Neural networks: promise for the future? // Future Generat. Comput. Syst.- 1990-1991.- 6, № 4.- PP. 351-354.

185. Gallant A.R., White H. There exist a neural network that does not make avoidable mistakes. IEEE Second International Coferense on Neural Networks, San Diego, CA, New York: IEEE Press, vol. 1, 1988. PP. 657 - 664.

186. Gecseg F. Products of Automata. Springer, 1986. 107 p.

187. Gemignani M. C. Liability for malfunction of an expert system // IEEE Conf. Manag. Expert Syst. Program and Pro j., Be-thesda, Md. Sept. 10-12, 1990: Proc.- Los Alamitos (Calif.) etc., 1990.- PP. 8-15.

188. Genis С. T. Relaxation and neural learning: points of convergence and divergence // J. Parallel and Distrib. Comput.-1989.- 6, № 2.- PP. 217-244.

189. George N., Wang hen-ge, Venable D.L. Pattern recognition using the ring-wedge detector and neural-network software: Pap. Opt. Pattern Recogn. II: Proc. Meet., Paris, 26-27 Apr., 1989 // Proc. Soc. Photo-Opt. Instrum. Eng.- 1989.- PP. 96-106.

190. Gindi G.R.,Darken C.J.,O'Brien K.M. et al. Neural network and conventional classifiers for fluorescence-guided laser angioplasty//IEEE Trans.Biomed.Eng.-1991.-V.38,N.3.-P.246-252.

191. Gluck M.A., Parker D.B., Reifsnider E.S. Some Biological Implications of a Differential-Hebbian Learning Rule. Psy-chobiology, 1988. Vol. 16. No. 3. PP. 298-302.

192. Gross G.W., Boone J.M., Greco-Hunt V. et al. Neural networks in radiologic diagnosis. II. Interpretation of neonatal chest radiographs // Invest. Radiol.- 1990.- V.25, N.9.- P.1017-1023.

193. Grossberg S. Nonlinear Neural Networks: Principles, Mechanism and Architectures//Neural Networks,1988.V.1.N1.P.17-62.

194. Guo Z., Durand L.G., Lee H.C. et al. Artificial neural networks in computer-assisted classification of heart sounds in patients with porcine bioprosthetic valves // Med. Biol. Eng. Comput.- 1994.- V.32, N.3.- P.311-316.

195. Hecht-Nielsen R. Neurocomputing. Addison-Wesley, 1990

196. Hecht-Nielsen R. Neurocomputing: Picking the Human Brain/IEEE Spectrum, 1988. March. P. 36-41.

197. Hecht-Nielsen R.Counterpropagation Networks, Applied Optics, 26, 4979-4985, 1987.

198. Heht-Nielsen R. Theory of the backpropagation neural network. Neural Networks for Human and Mashine Perception. H.Wechsler (Ed.).Vol.2. Boston, MA: Academic Press,1992.PP.65-93.

199. Hod H., Lew A.S., Keltai M. et al. Early atrial fi-brilla tion during evolving myocardial infarction: a consequence of impaired left atrial perfusion // Circulation, 1987. V.75, N. 1. PP. 146-150.

200. Hoher M., Kestler H.A., Palm G. et al. Neural network based QRS classification of the signal averaged electrocardiogram // Eur. Heart J.- 1994.- V.15.- Abstr. Supplement XH-th World Congress Cardiology (734).- P.114.

201. Hopfield J., Tank D. Computing with Neural Circuits: Amodel, Science, 233, 625-633, 1986.

202. Hopfield J.J. Neural Networks and physical systems with emergent collective computational abilities//Proc. Nat. Sci. USA. 1982. V.79. P. 2554-2558.

203. Jeffries C. Code recognition with neural network dynamical systems // SIAM Rev.- 1990,- 32, № 4.- PP. 636-651.

204. Kalman R.E. A theory for the identification of linear relations // Frontiers Pure and Appl. Math.: Collect. Pap. Dedi-cat. Jacques-Louis Lions Occas. His 60th Birthday: Sci. Meet., Paris, 6-10 June, 1988.- Amsterdam etc., 1991.- PP. 117-132.

205. Keller J.M., Yager R.R., Tahani H. Neural network implementation of fuzzy logic // Fuzzy Sets and Syst.1992.- 45, № 1. PP. 1-12.

206. Kock, G., Serbedzija, N.B. (1993). Object-Oriented and Functional Concepts in Artificial Neural Network Modeling, Proc. Int. Joint Conf. on Neural Networks, Nagoya (Japan), 1993, 68-71

207. Kock, G., Serbedzija, N.B. Artificial Neural Networks: From Compact Descriptions to С++, in ICANN'94: Proc. of the Int. Conf. on Artificial Neural Networks, 1994, pp. 123-129

208. Kohonen T. Self-Organization and Associative Memory, Springer-Verlag Press, Berlin,1984., pp.80 140

209. Kosko В. Bidirectional Associative Memories. IEEE Transactions on Systems, Man, and Cybernetics, Jan. 1988. Vol. SMC-18. PP.49-60.

210. Kosko B. Fuzzy cognitive maps. International Journal of Man-Machine Studies, 24, 65-75, 1986.

211. Le Cun Y., Denker J.S., Solla S.A. Optimal Brain Damage // Advances in Neural Information Processing Systems II (Denver 1989). San Mateo, Morgan Kaufman, pp. 598-605 (1990)

212. Lee H.-L., Suzuki S., Adachi Y. et al. Fuzzy Theory in Traditional Chinese Pulse Diagnosis // Proceedings of 1993 International Joint Conference on Neural Networks, Nagoya, Japan, October 25-29, 1993.- Nagoya, 1993.- V.I.- P.774-777.

213. Levine D.S., Parks R.W., Prueitt P.S. Methodological and theoretical issues in neural network models of frontal cognitive functions //Int.J.Neurosci.- 1993.- V.72, N.3-4.- P.209-233.

214. Maclin P.S., Dempsey J. Using an artificial neural network to diagnose hepatic masses // J. Med. Syst.- 1992.- V.16, N.5.- P.215-225.

215. Macukow B. Robot control with neural networks // Ar-tif. Intell. and Inf.-Contr. Syst. Rob.-89: Proc. 5th Int. Conf., Strbske Pleso, 6-10 Nov.,1989.- Amsterdam etc.,1989.-PP.373-376.

216. Modai I., Stoler M., Inbar-Saban N. et al. Clinical decisions for psychiatric inpatients and their evaluation by a trained neural network // Methods Inf. Med.- 1993.- V.32, N.5.-P.396-399.

217. Modha D.S., Heht-Nielsen R. Multilayer Functionals. Mathematical Approaches to Neural Networks. J.G.Taylor (Ed.). Elsevier, 1993. PP. 235-260.

218. Narendra K.S., Amnasway A.M. A stable Adaptive Systems. Prentice-Hall, 1988. 350 p.

219. Neural Computers/Ed. by R. Eckmiller, Ch. Malsburg. Springer, 1989. 556 p.

220. Okamoto Y., Nakano H., Yoshikawa M. et al. Study on decision support system for the interpretation of laboratory data by an artificial neural network // Rinsho. Byori.- 1994.- V.42, N.2.- P.195-199.

221. Pedrycz W. Neurocomputations in relational systems // IEEE Trans. Pattern Anal, and Mach. Intell.- 1991.- 13, № 3.- PP. 289-297.

222. Pham D.T., Liu X. Statespace identification of dynamic systems using neural networks // Eng. Appl. Artif. Intell.1990.-3, № 3.- PP. 198-203.

223. Pineda F.J. Recurrent bakpropagation and the dynamical approach to adaptive neural computation. Neural Comput., 1989. Vol. 1. PP.161 - 172.

224. Poli R., Cagnoni S., Livi R. et al. A Neural Network Expert System for Diagnosing and Treating Hypertension // Computer.- 1991.- N.3.- P.64-71.

225. Prechelt L. Comparing Adaptive and Non-Adaptive Connection Pruning With Pure Early Stopping // Progress in Neural Information Processing (Hong Kong, September 24-27, 1996), Springer, Vol. 1 pp. 46-52.

226. Real Brains, Artificial Minds/Ed. by J.L. Casti, A. Karlqvist. Norton-Holland, 1987. 226 p.

227. Rinast E., binder R., Weiss H.D. Neural network approach for computer-assisted interpretation of ultrasound images of the gallbladder //Eur.J.Radiol.- 1993.- V.17, N.3.- P.175-178.

228. Rozenbojm J., Palladino E., Azevedo A.C. An expert clinical diagnosis system for the support of the primary consultation // Salud. Publica Мех.- 1993.- V.35, N.3.- P.321-325.

229. Rummelhart D.E., Hinton G.E., Williams R.J. Learning representations by back-propagating errors // Nature, 1986. V. 323. P. 533-536.

230. Saaf L. A., Morris G. M. Filter synthesis using neural networks: Pap. Opt. Pattern Recogn. II: Proc. Meet., Paris, 2627 Apr., 1989 // Proc. Soc. Photo-Opt. Instrum. Eng.- 1989.1134.- PP. 12-16.

231. Sandberg I.W. Approximation for Nonlinear Functionals. IEEE Transactions on Circuits and Systems - 1: Fundamental Theory and Applications, Jan. 1992. Vol.39, No 1. PP.65 67.

232. Senna A.L., Junior W.M., Carvallo M.L.B., Siqueira A.M. Neural Networks in Biological Taxonomy // Proceedings of 1993 International Joint Conference on Neural Networks, Nagoya, Japan, October 25-29, 1993.- Nagoya, 1993.- V.I.- P.33-36.

233. Stefanuk V.L. Expert systems and its applications // The lectures of Union's workshop on the main problems of artificial intillegence and intellectual systems. Part 2, Minsk, 1990.-P.36-55.

234. Sussman H.J. Uniqueness of the weigts for minimal feedforward nets wits a given input output map. Neural Networks, 1992, No. 5. PP. 589 - 593.

235. Sweeney J.W.P., Musavi M.T., Guidi J.N. Probabilistic Neural Network as Chromosome Classifier // Proceedings of 1993 International Joint Conference on Neural Networks, Nagoya, Japan, October 25-29, 1993.- Nagoya, 1993.-V.I.- P.935-938.

236. Tabatabai A., Troudet T. P. A neural net based architecture for the segmentation of mixed gray-level and binary pictures // IEEE Trans. Circuits and Syst.- 1991. 31 38, № 1.- PtP. 66-77.

237. Tao K.M., Morf M. A lattice filter type of neuron model for faster nonlinear processing // 23th Asilomar Conf. Signals, Syst. and Comput., Pasific Grove, Calif. Oct. 30-Nov. 1, 1989: Conf. Rec. Vol. 1.- San Jose (Calif.), 1989.- PP. 123-127.

238. The Adaptive Brain/ S. Grossberg (Ed.). North-Holland, 1987. V. 1. Cognition, Learning, Reforcement, and Rhythm. 498 p. V.2. Vision, Speech, Language, and Motor Control. 514 p.

239. The Computer and the Brain. Perspectives of Human and Artificial Intelligence/Ed. by J.R. Brine, C.R. Haden, C. Burava. North-Holland, 1989. 300 p.

240. Van Leeuwen J.L. Neural network simulations of the nervous system//Eur.J.Morphol.-1990.-V.28,N.2-4.- P.139-147.

241. Varela F.J., Coutinho A., Dupire B. et al. Cognitive networks:immune, neural and otherwise//Teoretical immunology. Ed.by Perelson A.-Addison Wesley, 1988.- Part 2.- P.359-375.

242. Waxman C. Neurocomputers in the human sciences: program: predictions of US presidential elections// Modelling, MeasurementSControl,D,Vol.5,No.1,1992, pp.41-53.

243. Weckert J. How expert can expert systems really be?//Libr.and Expert Syst.: Proc.Conf. and Workshop Centre Inf. Stud., Riverina, July, 1990.- London, 1991.- PP. 99-114.

244. Wiedermann J. On the computation efficiency of symmetric neural networks//Theor.Comput. Sci.- 1991.- 80, № 2.- PP. 337-345.

245. Wong K.Y.M., Kahn P.E., Sherrington D. A neural network model of working memory exhibiting primacy and recency// J.Phys. A.- 1991.- 24, № 5.- PP. 1119-1133.