Методология структурно-параметрического синтеза адаптивных информационных систем на основе нейросетевых методов тема диссертации и автореферата по ВАК РФ 00.00.00, доктор наук Обухов Артём Дмитриевич

• Обухов Артём Дмитриевич
• доктор наук
• 2021

Оглавление диссертации доктор наук Обухов Артём Дмитриевич

ВВЕДЕНИЕ

ГЛАВА 1. СОСТОЯНИЕ ВОПРОСА РАЗРАБОТКИ АДАПТИВНЫХ ИНФОРМАЦИОННЫХ СИСТЕМ

1.1 Анализ существующих методологий разработки информационных систем

21

1.1.1 Классическая «водопадная» модель

1.1.2 Методологии на основе CASE-технологий

1.1.3 Гибкие методологии разработки

1.1.4 Методология рационального унифицированного процесса

1.1.5 Концепция быстрой разработки приложений

1.2 Обзор существующих архитектур информационных систем

1.2.1 Архитектурные шаблоны

1.2.2 Монолитная архитектура

1.2.3 Сервис-ориентированная архитектура

1.2.4 Событийно-ориентированная архитектура

1.2.5 Многослойная архитектура

1.3 Анализ подходов к реализации функций адаптивности в информационных системах

1.4 Анализ подходов к автоматизации разработки адаптивных информационных систем

1.5 Анализ подходов к применению машинного обучения в адаптивных информационных системах

1.5.1 Обзор технологий машинного обучения

1.5.2 Применение машинного обучения для анализа информации

1.5.3 Применение машинного обучения для обработки информации

1.5.4 Применение машинного обучения для генерации информации

1.5.5 Применение машинного обучения для управления и поддержки принятия решений

1.5.6 Подходы к оценке эффективности машинного обучения

1.6 Постановка задачи исследования

1.7 Выводы

ГЛАВА 2. СИСТЕМНЫЙ АНАЛИЗ ПРОЦЕССОВ ОБРАБОТКИ ИНФОРМАЦИИ, МАТЕМАТИЧЕСКОГО МОДЕЛИРОВАНИЯ И ОПТИМИЗАЦИИ В АДАПТИВНЫХ ИНФОРМАЦИОННЫХ СИСТЕМАХ

2.1 Анализ существующих подходов к организации и формализации процессов работы с информацией

2.1.1 Процесс анализа информации

2.1.2 Процесс обработки информации

2.1.3 Процесс передачи и распределения информации

2.2 Анализ подходов по формализации и моделированию информационных систем

2.2.1 Теоретико-множественные модели

2.2.2 Теоретико-графовые модели

2.2.3 Автоматные модели

2.2.4 Модели на основе интеллектуальных агентов

2.3 Анализ подходов к оптимизации и оценке адаптивных информационных систем

2.3.1 Оценка экономической эффективности адаптивных информационных систем

2.3.2 Оценка качества адаптивных информационных систем

2.3.3 Оценка сложности разработки адаптивных информационных систем

2.3.4 Оценка производительности адаптивных информационных систем

2.4 Разработка комплексного критерия оптимизации адаптивных информационных систем

2.4.1 Компоненты комплексного критерия оптимизации

2.4.2 Методы решения многокритериальной задачи оптимизации

2.5 Формализованная постановка задачи структурно-параметрического синтеза адаптивных информационных систем

2.6 Выводы

ГЛАВА 3. РАЗРАБОТКА МЕТОДОЛОГИИ СТРУКТУРНО-ПАРАМЕТРИЧЕСКОГО СИНТЕЗА АДАПТИВНЫХ ИНФОРМАЦИОННЫХ СИСТЕМ НА ОСНОВЕ НЕЙРОСЕТЕВЫХ МЕТОДОВ

3.1 Онтологический анализ предметной области

3.2 Основные принципы методологии

3.3 Нейросетевая архитектура адаптивных информационных систем

3.4 Структура методологии

3.5 Основные этапы методологии

3.6 Метод формализации информационных потоков на основе моделей многоуровневых графов

3.7 Выводы

ГЛАВА 4. РАЗРАБОТКА НЕЙРОСЕТЕВЫХ МЕТОДОВ УПРАВЛЕНИЯ, АНАЛИЗА, ОБРАБОТКИ, ГЕНЕРАЦИИ И ПЕРЕДАЧИ ИНФОРМАЦИИ

4.1 Нейросетевой метод обработки и передачи информации

4.2 Нейросетевой метод автоматической генерации данных

4.2.1 Метод оценки качества произвольных генеративно-состязательных сетей на основе модифицированных метрик начальной оценки и расстояния Фреше

4.3 Нейросетевой метод автоматической переадресации информации

4.4 Нейросетевой метод классификации и распределения данных

4.5 Нейросетевой метод адаптации информационной системы

4.6 Нейросетевой метод управления в адаптивных информационных системах

4.7 Выводы

282

ГЛАВА 5. АПРОБАЦИЯ И ОЦЕНКА ЭФФЕКТИВНОСТИ НЕЙРОСЕТЕВЫХ МЕТОДОВ ПРИ РЕШЕНИИ ЗАДАЧ УПРАВЛЕНИЯ, АНАЛИЗА, ОБРАБОТКИ, ГЕНЕРАЦИИ И ПЕРЕДАЧИ ДАННЫХ

5.1 Практическая реализация нейросетевых каналов данных

5.1.1 Апробация и оценка нейросетевого метода обработки и передачи данных

5.1.2 Апробация и оценка нейросетевого метода адаптации

5.2 Практическая реализация метода оценки произвольных генеративно-состязательных нейронных сетей

5.3 Практическая реализация нейросетевых генераторов информации

5.3.1 Исследование эффективности нейросетевого метода генерации информации

5.3.2 Апробация и сравнение нейросетевого метода генерации данных с существующими решениями

5.4 Апробация и оценка эффективности нейросетевых компонентов переадресации информации

5.5 Апробация и оценка эффективности нейросетевых компонентов классификации и распределения информации

5.6 Апробация и оценка эффективности нейросетевого метода управления

5.7 Выводы

ГЛАВА 6. АПРОБАЦИЯ МЕТОДОЛОГИИ СТРУКТУРНО-ПАРАМЕТРИЧЕСКОГО СИНТЕЗА ПРИ РАЗРАБОТКЕ АДАПТИВНЫХ СИСТЕМ ЭЛЕКТРОННОГО ДОКУМЕНТООБОРОТА

6.1 Анализ и формализация предметной области адаптивных систем электронного документооборота

6.1.1 Разработка модели описания электронного документооборота

6.1.2 Формализация процессов предметной области электронного документооборота

6.1.3 Разработка модели описания структуры адаптивной системы электронного документооборота на основе нейросетевой архитектуры

6.2 Реализация нейросетевых компонентов и апробация нейросетевых методов в адаптивной системе электронного документооборота

6.2.1 Классификация документов на основе нейросетевого метода классификации и распределения данных

6.2.2 Реализация нейросетевого метода адаптации для персонализации интерфейса в системе электронного документооборота

6.2.3 Автоматизация поддержки принятия решений в системе электронного документооборота с применением нейросетевых технологий

6.2.4 Применение нейросетевых методов при маршрутизации документов в системе электронного документооборота

6.3 Конструирование и оптимизация адаптивной системы электронного документооборота

6.4 Описание системы электронного документооборота, разработанных в соответствии с элементами методологии структурно-параметрического синтеза адаптивных информационных систем

6.4.1 Система управления электронным документооборотом научно-образовательного учреждения

6.4.2 Система электронного документооборота мониторинга и экспертизы научных проектов региональных конкурсов

6.5 Выводы

ГЛАВА 7. АПРОБАЦИЯ МЕТОДОЛОГИИ СТРУКТУРНО-ПАРАМЕТРИЧЕСКОГО СИНТЕЗА ПРИ РАЗРАБОТКЕ АДАПТИВНЫХ ТРЕНАЖЕРНЫХ КОМПЛЕКСОВ

7.1 Анализ и формализация предметной области адаптивных тренажерных комплексов

7.1.1 Разработка модели описания адаптивных тренажерных комплексов

7.1.2 Формализация процессов предметной области адаптивных тренажерных комплексов

7.1.3 Разработка модели описания структуры адаптивного тренажерного комплекса на основе нейросетевой архитектуры

7.2 Реализация нейросетевых компонентов и апробация нейросетевых методов

в адаптивных тренажерных комплексах

7.2.1 Реализация нейросетевого управления системой имитацией физических нагрузок в адаптивных тренажерных комплексах

7.2.2 Обработка и восстановление данных системы имитации изолирующих дыхательных аппаратов на основе нейросетевых методов

7.2.3 Обработка данных для моделирования физических и химических процессов на основе нейросетевых методов

7.3 Конструирование и оптимизация адаптивного тренажерного комплекса

7.4 Выводы

СПИСОК СОКРАЩЕНИЙ И УСЛОВНЫХ ОБОЗНАЧЕНИЙ

ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЕ А (справочное) Термины и определения, использованные при

онтологическом анализе

ПРИЛОЖЕНИЕ Б (справочное) Решение задачи структурно-параметрического

синтеза адаптивной системы электронным документооборотом

ПРИЛОЖЕНИЕ В (справочное) Копии свидетельств о государственной

регистрации программ для ЭВМ

ПРИЛОЖЕНИЕ Г (справочное) Справки об использовании результатов докторской диссертационной работы

Введение диссертации (часть автореферата) на тему «Методология структурно-параметрического синтеза адаптивных информационных систем на основе нейросетевых методов»

ВВЕДЕНИЕ

Современные интеллектуальные технологии позволили значительно расширить функциональные возможности информационных систем, адаптировать их к индивидуальным особенностям пользователей и различные факторы внешней среды (стабильность подключения, характеристики оборудования и др.). Однако разработка таких адаптивных информационных систем (АИС), автоматически изменяющих алгоритмы своего функционирования и структуру с целью сохранения или достижения оптимального состояния при изменении внешних условий, связана с решением ряда нетривиальных задач. К ним относятся: формализация объектов, субъектов и процессов предметной области; реализация архитектуры АИС; выбор методов анализа, обработки и передачи информации, реализация модулей управления и поддержки принятия решений; адаптация системы к индивидуальным особенностям пользователя или изменения во внешней среде; стабильная работа на различных платформах и оборудовании.

Решение этих задач приводит к росту экономических затрат из-за повышения сложности разработки АИС. Для небольших систем и коллективов разработчиков такие затраты могут быть нерациональными, что приводит к ограничению функциональности АИС и реализации более простых информационных систем с низкой степенью адаптивности.

Существующие методологии разработки информационных систем («водопадная», CASE, гибкие методологии, концепция быстрой разработки приложений и др.), а также архитектуры, шаблоны и парадигмы программирования не направлены на реализацию функций адаптивности или автоматизацию процессов обработки информации для снижения сложности реализации АИС.

Вопросы реализации функций адаптивности рассматриваются в работах следующих авторов: Bastien J. M. C., Scapin D. L., Мезенков А.А., Шибанов С.

В., Верлань А.Ф., Сопель М.Ф., Фуртат Ю.О., Яковлев Ю. С., Курзанцева Л. И. Однако анализ предложенных авторами подходов к построению адаптивных интерфейсов и оценки адаптивности информационных систем выявил отсутствие формализованного критерия адаптивности АИС, модели описания пользователя в виде совокупности ключевых характеристик.

Анализ проблемы автоматизации процесса разработки АИС, рассматриваемой в работах Ломазова В.А., Ильина В.Н., Лепехина А.В., Цыркова А.В., Прошина И. А., Ракова Д.Л., Синёва А.В., Vasundara M., Padmanaban K.P., показал достаточно слабую проработку данной проблемы, отсутствие универсального и полного решения. Однако анализ существующих подходов позволил выявить основные направления исследований в этой области: реализация инструмента формализации и хранения данных об информационных потоках организации на различных уровнях детализации; разработка новой оригинальной концепции архитектуры, позволяющей представить структуру информационной системы в виде изолированных объектов и осуществить их независимый синтез; разработка набора автоматизированных методов анализа, обработки и передачи информации, что позволит снизить общую нагрузку на разработчиков в ходе реализации АИС.

Возможность автоматизации процесса разработки АИС за счет перехода от существующих классических подходов к анализу, обработке, генерации информации, управлению и поддержке принятия решений к методам на основе машинного обучения подтверждается исследованиями следующих авторов: Цыбенко Г.В., Колмогоров А.Н., Батура Т. В., Маркова С. В., Жигалов К. Ю., Сташкова О. В., Дарьина, А. Н., Хайкина С., Hecht-Nielsen R., Gupta A., Jain N., Romli R. и др. Однако применение нейронных сетей не является универсальным решением для всех задач: выявлены некоторые ограничения существующих программных инструментов, отсутствие для ряда задач теоретического обоснования и алгоритмического решения.

Актуальной научной проблемой, имеющей важное хозяйственное значение, является разработка и развитие теоретических основ и инструментальных программных средств на основе технологий машинного обучения и нейронных сетей для повышения эффективности процесса разработки адаптивных информационных систем: сокращения экономических затрат, уменьшения сложности программной реализации, повышения адаптивности, качества и производительности работы системы.

Работа выполнялась в соответствии с программой стратегического развития ФГБОУ ВО «ТГТУ» на период 2014 - 2018 гг., планом работ по гос. заданию 2014/219 (2014-2016 гг.), гос. заданию 8.2906.2017/ПЧ (2017-2019 гг.), гранту РФФИ №19-07-00660 (2019-2021 гг.), грантам Президента Российской Федерации для государственной поддержки молодых российских ученых -кандидатов наук МК-1666.2018.9 (2018-2019 гг.) и МК-74.2020.9 (2020-2021 гг.).

Целью работы является повышение эффективности процесса разработки адаптивных информационных систем (сокращение экономических затрат, уменьшение сложности программной реализации, повышение адаптивности, качества и производительности работы системы) за счет разработки теоретических основ методологии структурно-параметрического синтеза и инструментальных программных средств на основе технологий машинного обучения и нейросетевых методов. Для достижения поставленной цели решены следующие задачи:

1. Разработка методологии структурно-параметрического синтеза АИС, реализованной на основе нейросетевых методов:

- обработки и передачи информации для автоматизированной организации связи между компонентами;

- автоматической генерации данных на основе применения нейронных сетей для формирования информационных объектов с заданными свойствами;

- автоматической переадресации информации между пользователями для оптимизации процесса маршрутизации информации;

- классификации и распределения данных для организации автоматизированного хранения, поиска и сравнения информационных объектов;

- адаптации интерфейса информационной системы к индивидуальным особенностям пользователей;

- управления для автоматизации процессов поддержки принятия решений в АИС.

2. Разработка моделей описания и оценки эффективности АИС в различных предметных областях, реализованных в соответствии с разработанной методологией.

3. Апробация методологии и нейросетевых методов в различных предметных областях при решении прикладных задач по управлению, анализу и обработке информации.

Объект исследования: адаптивные информационные системы.

Предмет исследования: теория структурно-параметрического синтеза адаптивных информационных систем; методы управления, анализа, обработки и генерации информации в адаптивных информационных системах; архитектуры и модели адаптивных информационных систем.

Научная новизна и положения, выносимые на защиту.

1. Разработана новая методология структурно-параметрического синтеза адаптивных информационных систем, отличающаяся от существующих использованием нейросетевой архитектуры и добавлением этапа реализации нейросетевых компонентов на основе новых нейросетевых методов (п. 1):

1.1. метода обработки и передачи информации, отличающегося переходом от аналитического решения задач классификации, обработки и передачи данных к автоматизированному подходу с применением технологий машинного обучения, теоретическим обоснованием и формализацией концепции нейросетевых каналов данных (п.4);

1.2. метода автоматической генерации данных, отличающегося автоматическим определением категории задач генерации данных, выбором

архитектуры и параметров слоев нейронных сетей, реализацией алгоритмов решения задач генерации данных на основе нейросетевых технологий, а также реализацией модифицированной начальной оценки для произвольных структур данных (п. 4);

1.3. метода автоматической переадресации, отличающегося применением нейронных сетей для определения оптимального исполнителя операции, времени и возможности ее успешного выполнения, формулированием понятий матрицы приоритетов операций и матрицы компетенций исполнителей для ранжирования операций и сопоставления их с уровнем подготовки исполнителей (п.4);

1.4. метода классификации и распределения данных, отличающегося формализацией набора правил распределения данных, автоматическим определением структуры и параметров нейронных сетей, их применением для классификации входящей информации и ее автоматизированного распределения по заданным категориям (п.4.);

1.5. метода адаптации параметров интерфейса АИС, отличающегося разработкой алгоритмического обеспечения для автоматизации сбора, анализа данных для адаптации интерфейса, структуры и параметров системы и ее модулей за счет использования и интеграции нейронных сетей (п.4);

1.6. метода управления, отличающегося формализацией процесса применения трех связанных моделей нейронных сетей (классификации, прогнозирования и управления) с целью компенсации эффекта запаздывания в системах управления, а также использованием механизма обучения с подкреплением и функции наград в условиях отсутствия формализованных законов функционирования информационных объектов (п.4).

2. Разработан метод формализации информационных потоков предметной области АИС, который отличается использованием многоуровневых графов для формирования моделей описания процессов движения и обработки информации на разных уровнях декомпозиции, начиная со структуры информационного

объекта и заканчивая информационным пространством всей предметной области

(п. 8).

3. На основе теоретических исследований системных связей, существующих методологий, архитектур и моделей информационных систем впервые поставлена и решена задача структурно-параметрического синтеза АИС с использованием комплексного критерия оптимизации АИС, включающего оценки экономических затрат, сложности программного обеспечения, качества, адаптивности и производительности (п.2 ).

4. Впервые разработана нейросетевая архитектура АИС, основанная на организации связей между модулями посредством нейросетевых компонентов, отличающаяся от существующих архитектур добавлением сущностей Окружение и Нейронные сети и следующими свойствами: изолированностью и независимостью ключевых сущностей; разграничением моделей информационных процессов, функциональных элементов и компонентов представления информации; возможностью адаптации алгоритмов функционирования модулей информационных систем к особенностям предметной области и действиям пользователя (п.3).

Теоретическая значимость исследования заключается в развитии теории системного анализа как междисциплинарной науки, применительно к проблеме построения научно-обоснованной методологии структурно-параметрического синтеза АИС, основанной на предложенных автором нейросетевых методах для решения задач обработки и передачи информации, генерации информации, переадресации, классификации и распределения данных, адаптации и управления.

Сформулирован метод формализации информационных потоков предметной области АИС на основе многоуровневых графов для формирования моделей описания процессов движения и обработки информации на разных уровнях декомпозиции.

Осуществлена формализованная постановка задачи структурно-параметрического синтеза АИС с использованием комплексного критерия оптимизации АИС, включающего оценки экономических затрат, сложности программного обеспечения, качества, адаптивности и производительности.

Разработана нейросетевая архитектура АИС, основанная на организации связей между модулями посредством нейросетевых компонентов, отличающаяся добавлением сущностей Окружение и Нейронные сети, изолированностью и независимостью ключевых сущностей, возможностью адаптации компонентов информационных систем к особенностям предметной области и действиям пользователя.

Практическая значимость исследования заключается в апробации методологии и разработанных нейросетевых методов в различных предметных областях при решении задач структурно-параметрического синтеза АИС, что позволило получить следующие результаты:

1. С использованием методологии и нейросетевых методов разработаны: адаптивная система электронного документооборота (СЭД) конструкторской документации; адаптивный тренажерный комплекс (АТК) для подготовки персонала горнодобывающей промышленности, включающий адаптивную систему управления беговой платформой, что позволило за счет апробации нейросетевой архитектуры и методов повысить адаптивность разработанных АИС, снизить программную сложность, экономические затраты на их реализацию.

2. Реализация нейросетевых методов позволила снизить сложность программной реализации при решении задач передачи и обработки информации между модулями АИС, переадресации операций, генерации данных, классификации, адаптации интерфейса, управления и поддержки принятия решений при обеспечении не меньшей точности, чем без использования нейронных сетей.

3. Применение методологии и нейросетевых методов в предметной области электронного документооборота при реализации адаптивной СЭД конструкторской документации позволило снизить экономические затраты на реализацию системы на 24.7 % и сложность программного обеспечения на 32.5 %, повысить адаптивность и качество на 13.6 %о и 7.8 %о соответственно. Успешно решена задача персонализации интерфейса адаптивной СЭД. Разработанная система успешно апробирована и внедрена в ФГБОУ ВО «ТГТУ», ООО «ПромИнновации», ООО «ТД «Агрокомплект».

4. Применение методологии и нейросетевых методов в предметной области тренажёрных комплексов при реализации АТК для подготовки персонала горнодобывающей промышленности позволило снизить экономические затраты на реализацию системы на 18.9 % и сложность программного обеспечения на 19.6 %, повысить адаптивность (на 20 %), качество (на 12 %) и производительность (на 5.5 %). Реализована адаптивная система управления беговой платформой, используемой для перемещения в виртуальной реальности. АТК апробирован и внедрен в АО «Корпорация «Росхимзащита», АО «СУЭК».

Методология и методы исследования. В диссертационной работе использовались методы системного анализа, моделирования, оптимизации, теории множеств и графов, машинного обучения.

Степень достоверности полученных результатов и апробация результатов. Результаты получены с применением верифицированного математического аппарата, использованием апробированных методов системного анализа, теории множеств, теории графов, машинного обучения, соответствием теоретических положений и практических результатов в виде программных продуктов, подтвержденных 30 свидетельствами о государственной регистрации программ для ЭВМ. Основные положения диссертации и отдельные ее результаты обсуждались и получили положительные отзывы на международных и Всероссийских научных

конференциях, в том числе: «Виртуальное моделирование, прототипирование и промышленный дизайн» (Тамбов, 2014, 2015, 2016, 2018, 2019); «Математические методы в технике и технологиях» (Тамбов, 2014, Саратов, 2015); International Multidisciplinary Scientific GeoConference (Болгария, 2015, 2017, 2018, 2019); «Современные направления и перспективы развития технологий обработки и оборудования в машиностроении» (Севастополь, 2018, 2019, 2020), «FarEastGon» (Владивосток, 2018, 2019, 2020, 2021).

Публикации. По материалам исследований опубликовано 106 печатных работ, в том числе 18 статей в журналах, рекомендованных ВАК, 40 статей в журналах, индексируемых в Web of Science и Scopus, из них - 8 в Scopus Q1/Q2, 2 монографии.

Структура и объем работы. Диссертация включает введение, семь глав, заключение, список литературы (360 наименований) и 4 приложения. Диссертационная работа изложена на 575 страницах.

Во введении обосновывается теоретическое и практическое значение темы исследования, ее актуальность, определяется объект, предмет исследования, сформулированы цель и задачи диссертационной работы, формулируется проблема исследования, показана научная новизна и практическая значимость результатов, указываются положения, выносимые на защиту.

В первой главе проведен анализ подходов к разработке адаптивных информационных систем. Рассмотрены существующие методологии, каждая из которых имеет свои ограничения и область применения, но ни одна из них не позволяет полноценно решить задачу автоматизации разработки АИС. Также проанализированы различные варианты архитектур информационных систем (шаблоны, монолит, сервис-ориентированная, событийно-ориентированная и многослойная), что позволило выявить ключевые моменты и подходы, использование которых направлено на снижение сложности реализации АИС. Однако существующие архитектуры не являются универсальными и

ориентированными на реализацию функций адаптивности, что приводит к выводу о необходимости разработки новой архитектуры АИС, учитывающей сильные стороны рассмотренных подходов и ориентированной на автоматизацию процессов анализа, обработки и передачи данных.

Анализ подходов к адаптивности в информационных системах позволил выявить достигнутые в этой области результаты и перспективные направления. Во-первых, необходимо осуществить формализацию модели пользователя в виде совокупности ключевых его характеристик. Во-вторых, требуется формализовать критерии адаптивности информационной системы, использовать их при оценке АИС. Наконец, необходимо более тесно интегрировать оценку адаптивности системы в информационную систему при помощи систем поддержки принятия решений или интеллектуальных технологий.

Автоматизация процесса разработки АИС также содержит множество нерешенных вопросов, вызванных большой сложностью данного процесса. Структурно-параметрический синтез АИС является №-сложной задачей, поэтому полностью автоматизировать ее решение с помощью существующих моделей и методологий в настоящий момент не представляется возможным.

В рамках исследования вопроса автоматизации процесса разработки АИС рассмотрены основные технологии машинного обучения, применяемые для автоматизации анализа, обработки, генерации информации, организации процессов управления в информационных системах. Анализ полученных результатов в этой области показал востребованность и эффективность данных технологий в различных прикладных задачах.

Однако применение нейронных сетей не является универсальным решением. Во-первых, в ходе анализа выявлены некоторые ограничения полученных программных решений. Существуют особые требования к исходным данным, без выполнения которых обеспечить сходимость нейронной сети невозможно. Нетривиальным вопросом является выбор архитектуры нейронной сети и автоматических, универсальных и эффективных во всех

случаях методов в настоящий момент не существует. Несмотря на существование ряда оценок качества алгоритмов машинного обучения, для некоторых задач достаточно сложно выбрать объективную метрику. Необходимо также четко понимать, когда применение технологий машинного обучения оправдано и эффективно с точки зрения временных и вычислительных затрат. В ходе проведенного анализа выявлена необходимость как применения технологий машинного обучения в АИС для автоматизации процессов управления, анализа, обработки и генерации информации, так и разработки новых методов, алгоритмов и подходов по эффективному использованию и интеграции данных технологий в АИС

На основании проведенного анализа сделан вывод, что для уменьшения стоимости, сложности, повышения качества, производительности и адаптивности АИС необходима разработка новой методологии структурно-параметрического синтеза АИС, включающей автоматизированные методы анализа, обработки и передачи информации, основанные на нейросетевых технологиях.

Во второй главе осуществлен системный анализ процессов обработки информации, математического моделирования и оптимизации в АИС. Рассмотрены существующие подходы к анализу, обработке и передачи информации. Выявлены основные методы представления информации, необходимые процедуры предварительной обработки информации, позволяющие в дальнейшем повысить эффективность процессов ее анализа и преобразования. Определены способы организации межмодульной связи, передачи и распределения данных.

Для решения задачи формализации структуры АИС и протекающих в ней процессов проанализированы основные типы моделей: теоретико-множественные, теоретико-графовые, автоматные, мультиагентные. Рассмотрены примеры представления структуры АИС в нотации данных моделей, а также опыт их применения в работах других исследователей.

Проведенный анализ позволил сделать вывод о их применимости для формализации структуры АИС. В качестве основного инструмента для формирования модели описания процессов, протекающих в предметной области, предлагается использование теоретико-графовых моделей, которые содержат как формализованное структурное представление системы и процессов в нотации теории множеств, так и графическое представление в виде графов.

Далее рассмотрены основные подходы к оценке АИС: экономическая эффективность, сложность разработки программного обеспечения, адаптивность, качество и производительность. Для каждого направления рассмотрены основные метрики и методики их расчета. Рассмотренные оценки предлагается использовать как составляющие комплексного критерия оптимизации АИС. Рассмотрены подходы к решению многокритериальной задачи оптимизации, позволяющие учесть все компоненты комплексного критерия.

На основе проведенного анализа предметной области, процессов разработки АИС, обработки информации и применения нейросетевых технологий сформулирована научная проблема и поставлена задача исследования. Формализована задача структурно-параметрического синтеза АИС.

В третьей главе для решения поставленной задачи предлагается разработка новой методологии структурно-параметрического синтеза, основанной на нейросетевых методах.

В четвертой главе изложена формализация нейросетевых методов, применяемых на этапе 3 методологии.

В пятой главе рассматривается апробация и оценка эффективности разработанных нейросетевых методов по сравнению с решениями, не включающими технологии машинного обучения.

В шестой главе описываются созданные с использованием разработанной методологии и нейросетевых методов модули адаптивной СЭД конструкторской

документации, а также представлены: модель описания процессов электронного документооборота, нейросетевая архитектура адаптивной СЭД, постановка и решение задачи структурно-параметрического синтеза адаптивной СЭД. Рассмотрено применение нейросетевых методов при решении следующих задач:

- классификация и маршрутизация документов;

- поиск дубликатов чертежей в базе данных конструкторской документации;

- автоматическая навигация пользователя по модулям системы;

- персонализация интерфейса в зависимости от характеристик программного и аппаратного обеспечения, роли пользователя.

В седьмой главе представлена апробация методологии и нейросетевых методов в предметной области АТК. Представлена нейросетевая архитектура АТК, постановка и решение задачи его структурно-параметрического синтеза. Нейросетевые методы успешно применены при решении следующих задач:

- обработка данных в системе имитации дыхательных аппаратов при замене отдельных компонентов (датчиков), что требует адаптации системы к изменению их характеристик;

- восстановление показаний датчиков в случае потери сигнала;

- реализация адаптивной системы управления беговой дорожкой для перемещения человека в виртуальной реальности на основе полного нейросетевого управления

- обработка данных для моделирования физических и химических процессов в виртуальной реальности.

В приложении приведены термины онтологического анализа, пример решения задачи структурно-параметрического синтеза АИС, свидетельства о государственной регистрации программ для ЭВМ, справки о внедрении результатов диссертационной работы.

ГЛАВА 1. СОСТОЯНИЕ ВОПРОСА РАЗРАБОТКИ АДАПТИВНЫХ

ИНФОРМАЦИОННЫХ СИСТЕМ

Адаптивными информационными системами (АИС) являются системы, в которых заложены возможности модификации алгоритмов их функционирования в ответ на действия пользователей или изменения характеристик внешней среды. В рамках данной главы рассматриваются основные подходы к разработке адаптивных информационных систем и организации их архитектуры, реализация функций адаптивности, возможность применения технологий машинного обучения при решении задач обработки информации для повышения эффективности разработки АИС.

1.1 Анализ существующих методологий разработки информационных систем

Разработка информационных систем в настоящее время подчиняется строгим правилам, условиям и принципам, собранным в рамках различных методологий реализации АИС. Это позволяет структурировать и упорядочить процесс разработки, избежать организационных ошибок, упростить планирование предстоящих работ, прогнозировать результат с некоторой вероятностью, что невозможно в условиях «свободной» разработки без какого-либо плана.

Рассмотрим некоторые категории методологий разработки информационных систем.

1.1.1 Классическая «водопадная» модель

Концепция «водопадной» модели (рисунок 1.1) заключается в последовательном выполнении этапов анализа предметной области, описания

Список литературы диссертационного исследования доктор наук Обухов Артём Дмитриевич, 2021 год

СПИСОК ЛИТЕРАТУРЫ

1. Макаренко, С. И. Интеллектуальные информационные системы / С. И. Макаренко. - Ставрополь: СФ МГГУ им. М. А. Шолохова, 2009. - 206 с.

2. Федорова, О. В. Применение методологий SADT и ARIS для моделирования и управления бизнес-процессами информационных систем / О. В. Федорова, А. А. Мамаева Е. А. Якунина // Вестник Воронежского государственного университета инженерных технологий. - 2018. - Т. 80. - №. 1 (75). - С. 105-109.

3. Сидихменова, Е. И. Применение CASE-технологий при проектировании информационных систем / Е. И. Сидихменова, С. А. Ланец //Научно-техническое и экономическое сотрудничество стран АТР в XXI веке. -2013. - Т. 1. - С. 288-294.

4. Чайников, С. И. Принципы организации вычислений на базе граф-модели предметной области / С. И. Чайников, А. С. Солодовников // Bionics of Intelligense: Sci. Mag. - 2012. - № 2 (79). - С. 72-75

5. Когаловский, М. Р. Системы доступа к данным, основанные на онтологиях / М. Р. Когаловский//Программирование. - 2012. - Т. 38. - №. 4. - С. 55-77.

6. Qureshi, M. R. J. Agile software development methodology for medium and large projects / M. R. J. Qureshi //IET software. - 2012. - Т. 6. - №. 4. - P. 358363.

7. Аристов, А. О. Гибкие методологии при разработке компьютерных систем поддержки принятия решений / А. О. Аристов //Горный информационно-аналитический бюллетень (научно-технический журнал). - 2011. - №. 6. - C. 658661.

8. Улыбин, В. В. Архитектура информационных систем: учебное пособие/сост. / В. В. Улыбин. - Ульяновск : УлГТУ, 2019. - 192 с.

9. Ларина, И. Б. Методология RAD-разработки информационных систем / И. Б. Ларина, Н. А. Курапина, Г. В. Хачатурянц //Научные исследования: теория, методика и практика: материалы IV Междунар. науч.-практ. конф. -Чебоксары, 2018. - С. 231-232.

10. Белоусова, С. А. Анализ подходов к созданию пользовательского интерфейса / С. А. Белоусова, Ю. И. Рогозов //Известия Южного федерального университета. Технические науки. - 2014. - №. 6 (155). - C. 142-148.

11. Верлань, А.Ф. Об организации адаптивного пользовательского интерфейса в автоматизированных системах / А.Ф. Верлань, М.Ф. Сопель, Ю.О. Фуртат // Известия ЮФУ. Технические науки. - 2014. - № 1 (150). - С. 100-110.

12. Bastien, J. M. C. Evaluating a user interface with ergonomic criteria / J. M. C. Bastien, D. L. Scapin// International Journal of Human-Computer Interaction. -1995. - Т. 7. - №. 2. - P. 105-121.

13. Мезенков А. А., Адаптация пользовательского интерфейса информационной системы к характеристикам пользователя / А. А. Мезенков, С.

B. Шибанов//Труды Международного симпозиума «Надежность и качество». -2012. - Т. 1. - C. 427-429.

14. Жернова, К. Н. Применение адаптивного сенсорного интерфейса в приложениях информационной безопасности / К. Н. Жернова и др. //Вопросы кибербезопасности. - 2020. - №. 1 (35). - C. 18-28.

15. Первунинский, С. М. Разработка системы автоматизированной адаптации интерфейсов под потребности пользователей / С. М. Первунинский, А. А. Букша //Молодий вчений. - 2018. - №. 11 (2). - С. 1053-1056.

16. Яковлев, Ю. С. О развитии адаптивного человеко-машинного интерфейса и критериях его оценки в учебных системах / Ю. С. Яковлев, Л. И. Курзанцева //Образовательные технологии и общество. - 2013. - Т. 16. - №. 1. -

C. 547-563.

17. Ghaibi, N. A tool support for the adaptation of user interfaces based on a business rules management system / N. Ghaibi , O. Daassi , L. J. B. Ayed //Proceedings

of the 29th Australian Conference on Computer-Human Interaction. - ACM, 2017. -P. 162-169.

18. Criado, J. Toward the adaptation of component-based architectures by model transformation: behind smart user interfaces / J. Criado et al. //Software: Practice and Experience. - 2015. - T. 45. - №. 12. - P. 1677-1718.

19. Fernández-García, A. J. A recommender system for component-based applications using machine learning techniques / A. J. Fernández-García et al. //Knowledge-Based Systems. - 2019. - T. 164. - P. 68-84.

20. Ham, N. Machine learning and dynamic user interfaces in a context aware nurse application environment / N. Ham, A. Dirin, T. H. Laine //Journal of Ambient Intelligence and Humanized Computing. - 2017. - T. 8. - №. 2. - P. 259-271.

21. Asgar, T. S. Formalizing requirements in ERP software implementations / T. S. Asgar, T. M. King //Lecture Notes on Software Engineering. - 2016. - T. 4. -№. 1. - P. 34-40.

22. Grif, M. G. Functional-structural theory based techniques for human-machine systems optimal design / M. G. Grif, S. A. Kochetov, N. D. Ganelina //2016 13th International Scientific-Technical Conference on Actual Problems of Electronics Instrument Engineering (APEIE). - IEEE, 2016. - T. 2. - P. 494-497.

23. Klasnja-Milicevic, A. Personalization and adaptation in e-learning systems / A. Klasnja-Milicevic et al. //E-Learning Systems. - Springer, Cham, 2017. - P. 21-25.

24. De Lemos, R. Software engineering for self-adaptive systems: A second research roadmap / R. De Lemos et al. //Software Engineering for Self-Adaptive Systems II. - Springer, Berlin, Heidelberg, 2013. - P. 1-32.

25. Highsmith, J. R. Adaptive software development: a collaborative approach to managing complex systems/ J. R. Highsmith. - Addison-Wesley, 2013. -358 p.

26. Vijayasarathy, L. R. Choice of software development methodologies: Do organizational, project, and team characteristics matter? / L. R. Vijayasarathy, C. W. Butler //IEEE software. - 2015. - Т. 33. - №. 5. - P. 86-94.

27. Mathieu, J. Team effectiveness 1997-2007: A review of recent advancements and a glimpse into the future / J. Mathieu et al. //Journal of management. - 2008. - Т. 34. - №. 3. - P. 410-476.

28. Edmondson, A. C. Product development and learning in project teams: The challenges are the benefits / A. C. Edmondson, I. M. Nembhard //Journal of product innovation management. - 2009. - Т. 26. - №. 2. - P. 123-138.

29. Herbsleb, J. D. Global software development / J. D. Herbsleb, D. Moitra //IEEE software. - 2001. - Т. 18. - №. 2. - P. 16-20.

30. Begel, A. Coordination in large-scale software teams / A. Begel et al. //Proceedings of the 2009 ICSE Workshop on Cooperative and Human Aspects on Software Engineering. - IEEE Computer Society, 2009. - P. 1-7.

31. Cliff, D. The global financial markets: An ultra-large-scale systems perspective / D. Cliff, L. Northrop //Monterey workshop. - Springer, Berlin, Heidelberg, 2012. - P. 29-70.

32. Мартынов, О. О. Автоматизация процессов сбора и обработки информации. Повышение эффективности принятия управленческих решений: монография / О. О. Мартынов. - М. : Янус-К, 2013. - 96 с.

33. Трусов, В. А. Исследование и разработка моделей и алгоритмов системы информационной поддержки инновационной деятельности наукоемких промышленных предприятий: дис. ... канд. тех. наук: 05.25.05 Трусов Владимир Александрович - Рос. гос. гуманитар. ун-т (РГГУ), 2012. - 181 c.

34. Аксенов, К. А. Разработка и применение объектно-ориентированной системы моделирования и принятия решений для мультиагентных процессов преобразования ресурсов / К. А. Аксенов, И. И. Шолина, Е. М. Сафрыгина //Научно-технические ведомости Санкт-Петербургского государственного

политехнического университета. Информатика. Телекоммуникации. Управление. - 2009. - №. 3 (80). - C. 87-97.

35. Коляда, А. С. Автоматизация извлечения информации из наукометрических баз данных / А. С. Коляда, В. Д. Гогунский //Управлшня розвитком складних систем. - 2013. - №. 16. - С. 96-99.

36. Browne, A. Vision and Information Processing for Automation/ A. Browne, L. NortonWayne. - Springer Science & Business Media, 2013. - 484 p.

37. Romero, D. The operator 4.0: human cyber-physical systems & adaptive automation towards human-automation symbiosis work systems/ D. Romero et al. //IFIP international conference on advances in production management systems. -Springer, Cham, 2016. - P. 677-686.

38. Jipp, M. The impact of higher levels of automation on performance and situation awareness: a function of information-processing ability and working-memory capacity / M. Jipp, P. L. Ackerman //Journal of Cognitive Engineering and Decision Making. - 2016. - Т. 10. - №. 2. - P. 138-166.

39. Terletskyi, D. O. Mathematical foundations for designing and development of intelligent systems of information analysis / D.O. Terletskyi, O. I. Provotar //Problems in Programing. - 2014. - № 2-3. - C. 233-240.

40. Проектирование информационных систем управления документооборотом научно-образовательных учреждений: монография / М. Н. Краснянский, С. В. Карпушкин, А. В. Остроух, А.Д. Обухов и др. - Тамбов : Изд-во ФГБОУ ВПО «ТГТУ», 2015. - 216 с.

41. Акимов, С. В. Анализ проблемы автоматизации структурно-параметрического синтеза / С. В. Акимов//Доклады Томского государственного университета систем управления и радиоэлектроники. - 2011. - №. 2-2 (24). - C. 204-211.

42. Ломазов, В. А. Эволюционная процедура структурного и параметрического синтеза имитационных моделей систем документооборота / В. А. Ломазов и др. //Научные ведомости Белгородского государственного

университета. Серия: Экономика. Информатика. - 2013. - Т. 28. - №. 22-1 (165).

- C. 204-209.

43. Vasundara, M. Recent developments on machining fixture layout design, analysis, and optimization using finite element method and evolutionary techniques / M.Vasundara, K. P. Padmanaban //The International Journal of Advanced Manufacturing Technology. - 2014. - Т. 70. - №. 1-4. - P. 79-96.

44. Ильин, В. Н. Технология автоматизации структурно-параметрического синтеза на основе метода морфологического ящика / В. Н. Ильин, А. В. Лепехин //Эл. Журнал «Труды МАИ». -2012г. - Режим доступа: http://www. mai. ru/upload/iblock/0a8/0a88fa19b392492a3f875e1ea1a7f1f4. pdf. -2011.

45. Rakov, D. L. The structural analysis of new technical systems based on a morphological approach under uncertainty conditions / D. L. Rakov, A.V. Sinyev //Journal of Machinery Manufacture and Reliability. - 2015. - Т. 44. - №. 7. - P. 650657.

46. Цырков, А. В. Структурно-параметрический моделлер-основа построения комплексных информационных моделей производственных систем / А. В. Цырков //Информационные технологии в проектировании и производстве.

- 2005. - №. 1. - С. 51-58.

47. Прошин, И. А. Структурно-параметрический синтез математических моделей объектов исследования по экспериментальным данным / И. А. Прошин, Д. И. Прошин, Р. Д. Прошина //Вестник Астраханского государственного технического университета. Серия: Морская техника и технология. - 2009. - №. 1. - C. 110-115.

48. Талалаев, А. А. Анализ эффективности применения искусственных нейронных сетей для решения задач распознавания, сжатия и прогнозирования / А. А. Талалаев и др. //Искусственный интеллект и принятие решений. - 2008. -Т. 2. - С. 24-33.

49. Гайнуллин, Р. Н. Прогнозирование бизнес-процессов на основе нейронных сетей / Р. Н. Гайнуллин и др. //Вестник Казанского технологического университета. - 2017. - Т. 20. - №. 3. - С. 121-124.

50. Тетерин, Д. А. Обзор применения искусственных нейронных сетей в управлении социальными и экономическими системами / Д. А. Тетерин, Р. Ш. Хабибулин, С. В. Гудин //Научные ведомости Белгородского государственного университета. Серия: Экономика. Информатика. - 2018. - Т. 45. - №. 3. С. 574583.

51. Dey, A. Machine learning algorithms: a review/ A. Dey // International Journal of Computer Science and Information Technologies. - 2016. - № 7(3). - P. 1174-1179.

52. Флах, П. Машинное обучение. Наука и искусство построения алгоритмов, которые извлекают знания из данных/ П. Флах. — М.: ДМК Пресс, 2015. — 400 с.

53. Гудфеллоу, Я. Глубокое обучение / Я. Гудфеллоу, И. Бенджио, А. Курвилль. - М. : ДМК Пресс, 2017. - 652 с.

54. Хайкин, С. Нейронные сети: полный курс / С. Хайкин. - М. : Вильямс, 2006. -1104 с.

55. Kowsari, K. Text classification algorithms: A survey / K. Kowsari, K. Jafari Meimandi, M. Heidarysafa, S. Mendu, L. Barnes, D. Brown //Information. -2019. - №10(4). - P. 150-218.

56. Umadevi, S. A survey on data mining classification algorithms / S. Umadevi, K. J. Marseline // In 2017 International Conference on Signal Processing and Communication (ICSPC). - IEEE, 2017. - P. 264-268.

57. Tang, B. A Bayesian classification approach using class-specific features for text categorization / B. Tang et al. //IEEE Transactions on Knowledge and Data Engineering. - 2016. - Т. 28. - №. 6. - P. 1602-1606.

58. Adeniyi, D. A. Automated web usage data mining and recommendation system using K-Nearest Neighbor (KNN) classification method/ D. A. Adeniyi, Z.

Wei, Y. Yongquan //Applied Computing and Informatics. - 2016. - Т. 12. - №. 1. - P. 90-108

59. Jun, S. Document clustering method using dimension reduction and support vector clustering to overcome sparseness / S. Jun, S. S. Park, D. S. Jang //Expert Systems with Applications. - 2014. - Т. 41. - №. 7. - P. 3204-3212.

60. Pliakos, K. Global multi-output decision trees for interaction prediction / K. Pliakos, P. Geurts, C. Vens //Machine Learning. - 2018. - P. 1-25.

61. Гладких, Т. В. Обнаружение аномалий-обучение без учителя / Т. В. Гладких, Т. Гнот, В. Сольский //Вимiрювальна та обчислювальна техшка в технолопчних процесах. - 2016. - №. 1. - С. 148-158.

62. Галимов, Р. Г. Основы алгоритмов машинного обучения-обучение без учителя/Р. Г. Галимов //Аллея науки. - 2017. - Т. 1. - №. 14. - С. 807-809.

63. Abadi, M. TensorFlow: A System for Large-Scale Machine Learning / M. Abadi et al. //OSDI. - 2016. - Т. 16. - P. 265-283.

64. Van Veen, F. The Neural Network Zoo / F. Van Veen, S. Leijnen. - 2019. Режим доступа: http://www.asimovinstitute.org/neural-network-zoo

65. Попова, Е. С. Использование искусственных нейронных сетей для решения задачи классификации текста / Е. С. Попова, В. Г. Спицын, Ю. А. Иванова//Труды Международной конференции по компьютерной графики и зрению" Графикон". 2019. - №. 29. - С. 270-273.

66. Vulinovic K., Neural Networks for File Fragment Classification / K. Vulinovic et al. //2019 42nd International Convention on Information and Communication Technology, Electronics and Microelectronics (MIPRO). - IEEE, 2019. - P. 1194-1198.

67. Krasnyanskiy, M. N. The Algorithm of Document Classification of Research and Education Institution Using Machine Learning Methods / M. N. Krasnyanskiy, A. D. Obukhov, E. M. Solomatina // In 2019 International Science and Technology Conference Eas^onf. IEEE, 2019. - P. 1-6.

68. Du, M. Deeplog: Anomaly detection and diagnosis from system logs through deep learning / M. Du, F. Li, G. Zheng, V. Srikumar // In Proceedings of the 2017 ACM SIGSAC Conference on Computer and Communications Security. - 2017, ACM. - P. 1285-1298.

69. Gupta, A. Literature survey on detection of web attacks using machine learning/ A. Gupta, A. Jain, S. Yadav, H. Taneja // International Journal of Scientific Research Engineering & Information Technology. - 2018. - №3. - P. 1845-1853.

70. Qian, L. A Duplication Reduction Approach for Unstructured Data Using Machine Learning Method / L. Qian et al. // 2019 International Conference on Intelligent Computing, Automation and Systems (ICICAS). - IEEE, 2019. - P. 515519.

71. Obukhov, A.D. The algorithm of document routing in the electronic document management system using machine learning methods / A.D. Obukhov et al. //Proceedings of the 18th International Multidisciplinary Scientific Geo Conference. -2018. - Т. 2.1. - P. 765-772.

72. Батура, Т. В. Методы автоматической классификации текстов / Т. В. Батура//Программные продукты и системы. - 2017. - Т. 30. - №. 1. - С. 85-99.

73. Смирнова, О. С. Выбор топологии нейронных сетей и их применение для классификации коротких текстов / О.С. Смирнова, В. В. Шишков //International Journal of Open Information Technologies. - 2016. - Т. 4. - №. 8. С. 50-54

74. Маркова, С. В. Применение нейронной сети для создания системы распознавания изображений / С. В. Маркова, К. Ю. Жигалов //Фундаментальные исследования. - 2017. - №. 8-1. - С. 60-64.

75. Сикорский, О. С. Обзор свёрточных нейронных сетей для задачи классификации изображений / О. С. Сикорский //Новые информационные технологии в автоматизированных системах. - 2017. - №. 20. - C. 37-42.

76. Xiao, M. Application of deep convolutional neural networks in classification of protein subcellular localization with microscopy images / M. Xiao, X. Shen, W. Pan //Genetic epidemiology. - 2019. - Т. 43. - №. 3. - P. 330-341.

77. Гусев, А. В. Перспективы нейронных сетей и глубокого машинного обучения в создании решений для здравоохранения / А. В. Гусев //Врач и информационные технологии. - 2017. - №. 3. - С. 92-105.

78. Шотыло, Д. М. Тенденции развития искусственных нейронных сетей в цифровой экономике / Д. М. Шотыло, В. Е. Крайнова, А. В. Скурыдин //ЭКОНОМИНФО. - 2018. - №. 4. - С. 65-69.

79. Колесников, А. А. Использование технологий машинного обучения при решении геоинформационных задач / А. А. Колесников и др. //ИнтерКарто/ИнтерГИС. - 2018. - Т. 24. - №. 2. - С. 371-384.

80. Калинин, М. О.Анализ информационной безопасности предприятия на основе мониторинга информационных ресурсов с использованием машинного обучения / М. О. Калинин, С. И. Штеренберг //Интеллектуальные технологии на транспорте. - 2018. - №. 3 (15). - C. 47-54.

81. Gibert, D. Using convolutional neural networks for classification of malware represented as images / D. Gibert et al. //Journal of Computer Virology and Hacking Techniques. - 2019. - Т. 15. - №. 1. - P. 15-28.

82. Wang, Y. File Fragment Type Identification with Convolutional Neural Networks / Y. Wang, Z. Su, D. Song //Proceedings of the 2018 International Conference on Machine Learning Technologies. - 2018. - P. 41-47.

83. Vladu|u, A. Internet traffic classification based on flows' statistical properties with machine learning / A. Vladu|u, D. Comaneci, C. Dobre //International Journal of Network Management. - 2017. - Т. 27. - №. 3. - P. e1929.

84. Cybenko, G. V. Approximation by Superpositions of a Sigmoidal function / G. V. Cybenko // Mathematics of Control Signals and Systems. - 1989. - Т. 2. - № 4. - P. 303 - 314.

85. Hecht-Nielsen, R. Replicator neural networks for universal optimal source coding / R. Hecht-Nielsen //Science. - 1995. - Т. 269. - №. 5232. - P. 1860-1863.

86. Kolmogorov, A. N. On the representation of continuous functions of many variables by superposition of continuous functions of one variable and addition / A. N. Kolmogorov //Doklady Akademii Nauk. - Russian Academy of Sciences, 1957. - Т. 114. - №. 5. - P. 953-956.

87. Краснянский, М.Н. Методика классификации и обработки документов в системе управления электронным документооборотом научно-образовательного учреждения / М.Н. Краснянский, А.Д. Обухов //Вопросы современной науки и практики. Ун-т им. В.И. Вернадского. - 2018. - №. 2(68). -С. 203-216.

88. Бринк, Х. Машинное обучение/ Х. Бринк, Д. Ричардс, М. Феверолф.

- СПб.: Питер, 2017. - 336 с.

89. Reimann, M. MaeSTrO: A mobile app for style transfer orchestration using neural networks / M. Reimann et al. //2018 International Conference on Cyberworlds (CW). - IEEE, 2018. - P. 9-16.

90. Акинин, М. В. Нейросетевые системы искусственного интеллекта в задачах обработки изображений / М. В. Акинин, М. Б. Никифоров, А. И. Таганов.

- М.: Горячая линия-Телеком, 2015. - 154 с.

91. Forsyth, P. A. I. Neural Networks for Audio: a Survey and Case Study/ P. A. I.Forsyth . - University of Waterloo Waterloo, 2018. - 67 p.

92. Моисеева, Е. Д. Проблемы обработки видеопотока нейросетями RESNET / Е. Д. Моисеева //Избранные вопросы науки XXI века. - 2019. - С. 136139.

93. Десятирикова, Е. Н. Информационные технологии обработки больших данных в цифровой экономике / Е. Н. Десятирикова, Х. Алмосана, А. Усама //Системный анализ в проектировании и управлении. - 2019. - Т. 23. - №. 1. - C. 295-301.

94. Тоница, О. В. Моделирование системы прогнозирования чрезвычайных ситуаций с помощью нейронных сетей /О. В. Тоница // Eurasian scientific congress. Abstracts of the 4th International scientific and practical conference. - Barca Academy Publishing. Barcelona, Spain, 2020. - С. 162-168.

95. Крюкова, Я. Э. Обзор способов применения методов машинного обучения для прогнозирования поведения пользователей /Я. Э. Крюкова, И. И. Кручинин //Международный студенческий научный вестник. - 2019. - №2. 2. - С. 25-35.

96. Truong, A. Towards automated machine learning: Evaluation and comparison of automl approaches and tools / A. Truonget al. // 2019 IEEE 31st International Conference on Tools with Artificial Intelligence (ICTAI). - IEEE, 2019. - P. 1471-1479.

97. Daggumati, S. Data mining ancient script image data using convolutional neural networks / S. Daggumati, P. Z. Revesz //Proceedings of the 22nd International Database Engineering & Applications Symposium. - 2018. - P. 267-272.

98. Федосеев, А. А. Распознавание математических символов с помощью искусственных нейронных сетей / А. А. Федосеев, Е. А. Фрышкина //Ученые заметки ТОГУ. - 2018. - Т. 9. - №. 2. - С. 974-982.

99. Чалая, Л. Э. Метод нейросетевой коррекции ошибок в редактируемых электронных текстах / Л. Э. Чалая, С. Г. Удовенко, С. А. Гринев // Бионика интеллекта. - 2017. - № 1 (88). - С. 15-21.

100. O'Quinn, W. Image Quality Enhancement Using Machine Learning / W. O'Quinn, R. J. Haddad //SoutheastCon 2018. - IEEE, 2018. - P. 1-5.

101. Zhang, G. Machine Learning and Computer Vision-Enabled Traffic Sensing Data Analysis and Quality Enhancement / G. Zhang, Y. Wang //Data-Driven Solutions to Transportation Problems. - Elsevier, 2019. - P. 51-79.

102. Li, J. Improved cepstra minimum-mean-square-error noise reduction algorithm for robust speech recognition / J. Li, Y. Huang, Y. Gong //2017 IEEE

International Conference on Acoustics, Speech and Signal Processing (ICASSP). -IEEE, 2017. - P. 4865-4869.

103. Watanabe, S.New Era for Robust Speech Recognition/ S. Watanabe et al. - Berlin, Germany: Springer-Verlag, 2017. - 433 p.

104. Yang, R. Multi-frame quality enhancement for compressed video / R. Yang et al. //Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. - 2018. - P. 6664-6673.

105. Kappeler, A. Video super-resolution with convolutional neural networks / A. Kappeler et al. //IEEE Transactions on Computational Imaging. - 2016. - T. 2. -№. 2. - P. 109-122.

106. Guo, Y. H. A Face Replacement Neural Network for Image and Video / Y. H. Guo, X. Ke, J. Ma //Proceedings of the 2019 11th International Conference on Machine Learning and Computing. - 2019. - P. 163-167.

107. Tolosana, R. Deepfakes and beyond: A survey of face manipulation and fake detection /R. Tolosana et al. //Information Fusion. - 2020. - T. 64. - P. 131-148.

108. Nagarajaiah, S. Modeling and harnessing sparse and low-rank data structure: a new paradigm for structural dynamics, identification, damage detection, and health monitoring / S. Nagarajaiah, Y. Yang //Structural Control and Health Monitoring. - 2017. - T. 24. - №. 1. - P. e1851.

109. Jain, N. Automated Test Data Generation Applying Heuristic Approaches—A Survey / N. Jain, R. Porwal //Software Engineering. - Springer, Singapore, 2019. - P. 699-708.

110. Park, N. Data synthesis based on generative adversarial networks / N. Park et al.//Proceedings of the VLDB Endowment. - 2018. - T. 11. - №. 10. - P. 10711083.

111. Chen, X. Infogan: Interpretable representation learning by information maximizing generative adversarial nets / X. Chen et al. //Advances in neural information processing systems. - 2016. - P. 2172-2180.

112. Beltramelli, T. Pix2code: Generating code from a graphical user interface screenshot / T. Beltramelli //Proceedings of the ACM SIGCHI Symposium on Engineering Interactive Computing Systems. - ACM, 2018. - P. 3.

113. Gheyas, I. A. A neural network-based framework for the reconstruction of incomplete data sets / I. A. Gheyas, L. S. Smith//Neurocomputing. - 2010. - Т. 73. -№. 16-18. - P. 3039-3065.

114. Сташкова, О. В. Использование искусственных нейронных сетей для восстановления пропусков в массиве исходных данных / О. В. Сташкова, О. В. Шестопал //Известия высших учебных заведений. Северо-Кавказский регион. Технические науки. - 2017. - №. 1 (193). - C. 37-42.

115. Tay, C. K. L. A Cloud-Based Data Gathering and Processing System for Intelligent Demand Forecasting / C. K. L. Tay, K. J. Shim //2018 IEEE International Conference on Big Data (Big Data). - IEEE, 2018. - P. 5451-5453.

116. Goswami, S. A review on application of data mining techniques to combat natural disasters / S. Goswami et al. //Ain Shams Engineering Journal. - 2018. - Т. 9.

- №. 3. - P. 365-378.

117. Romli, R. A Review on Meta-Heuristic Search Techniques for Automated Test Data Generation: Applicability Towards Improving Automatic Programming Assessment / R. Romli et al. //International Conference of Reliable Information and Communication Technology. - Springer, Cham, 2017. - P. 896-906.

118. Malhotra, R. Comparison of search based techniques for automated test data generation / R. Malhotra et al. //International Journal of Computer Applications.

- 2014. - Т. 95. - №. 23. - P. 4-8.

119. Liu, M. Y. Unsupervised image-to-image translation networks / M.Y. Liu, T. Breuel, J. Kautz //Advances in neural information processing systems. - 2017. - P. 700-708.

120. Алексеева, В. А. Восстановление пропущенных наблюдений при классификации объектов / В. А. Алексеева, Ю. С. Донцова, В. Н. Клячкин

//Известия Самарского научного центра Российской академии наук. - 2014. - Т. 16. - №. 6-2. - C. 357-359.

121. Ильина, Е. А. Алгоритмы восстановления пропущенных наблюдений / Е. А. Ильина, А. Г. Пимонов //Информационно-телекоммуникационные системы и технологии. - 2015. - С. 252-252.

122. Zloba, E. Statistical methods of reproducing of missing data / E. Zloba, I. Yatskiv //Computer Modelling & New Technologies. - 2002. - Т. 6. - №. 1. - P. 5161.

123. Koshechkin, A.A. A New Method to Missing Value Imputation for Immunosignature Data /A. A. Koshechkin, V. S. Andryushchenko, A. V. Zamyatin //Современные технологии в медицине. - 2019. - Т. 11. - №. 2 - C. 19-23.

124. Smieja, M. Processing of missing data by neural networks / M. Smieja et al. //Advances in Neural Information Processing Systems. - 2018. - P. 2719-2729.

125. Popova, O. Analysis of forecasting methods as a tool for information structuring in science research / O. Popova et al. //Current Journal of Applied Science and Technology. - 2016. - P. 1-10.

126. Sysoev, Y. S. Predicting the State of Engineering Objects Based on Current Monitoring of Their Parameters / Y. S. Sysoev et al. //Measurement Techniques. - 2016. - Т. 59. - №. 4. - P. 345-350.

127. Alon, I. Forecasting aggregate retail sales: a comparison of artificial neural networks and traditional methods / I. Alon, M. Qi, R. J. Sadowski //Journal of retailing and consumer services. - 2001. - Т. 8. - №. 3. - P. 147-156.

128. Arévalo, A. High-frequency trading strategy based on deep neural networks / A. Arévalo et al. //International conference on intelligent computing. -Springer, Cham, 2016. - P. 424-436.

129. Liu, H. Wind speed forecasting method based on deep learning strategy using empirical wavelet transform, long short term memory neural network and Elman neural network /H. Liu, X.Mi, Y. Li //Energy conversion and management. - 2018. -Т. 156. - P. 498-514.

130. Cai, H. Efficient architecture search by network transformation / H. Cai et al. //Thirty-Second AAAI Conference on Artificial Intelligence. - 2018. - Режим доступа: https://deepai.org/publication/efficient-architecture-search-by-network-transformation

131. Cai, H. Once for all: Train one network and specialize it for efficient deployment / H. Cai, C. Gan S. Han //arXiv preprint arXiv:1908.09791. - 2019. - P. 1-15.

132. Jin, H. Auto-keras: An efficient neural architecture search system / H.Jin, Q. Song, X. Hu //Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining. - 2019. - P. 1946-1956.

133. Real, E. Regularized evolution for image classifier architecture search / E. Real et al. //Proceedings of the aaai conference on artificial intelligence. - 2019. - Т. 33. - P. 4780-4789.

134. Budjac, R. Automated Machine Learning Overview / R. Budjac et al. //Research Papers Faculty of Materials Science and Technology Slovak University of Technology. - 2019. - Т. 27. - №. 45. - P. 107-112

135. Feurer, M. Efficient and robust automated machine learning / M. Feurer et al. //Advances in neural information processing systems. - 2015. - P. 2962-2970.

136. Le, Q. Using machine learning to explore neural network architecture / Q. Le, B. Zoph //Google Research Blog. - 2017. - Режим доступа: https://ai.googleblog.com/2017/05/using-machine-learning-to-explore.html

137. Gong, X. Autogan: Neural architecture search for generative adversarial networks / X. Gong et al. //Proceedings of the IEEE International Conference on Computer Vision. - 2019. - P. 3224-3234.

138. Ha, D. World models / D. Ha, J. Schmidhuber//arXiv preprint arXiv:1803.10122. - 2018. - P. 1-21.

139. Дерябин, В. В. Нейросетевая прогнозирующая модель для управления судном по траектории / В. В. Дерябин //Сборник научных статей национальной научно-практической конференции профессорско-

преподавательского состава ФГБОУ ВО" ГУМРФ имени адмирала СО Макарова". - 2018. - С. 157-162.

140. Моргунов, А. И. Нейросетевая модель как инструмент поддержки принятия решений в образовательной системе / А. И. Моргунов, Д. С. Зайченко, О. Н. Ромашкова //Естественные и технические науки. - 2019. - №. 2. - С. 197203.

141. Дарьина, А. Н. Метод нейросетевого управления в реальном времени на основе синтеза функции выбора / А. Н. Дарьина, И. В. Прокопьев // Надежность и качество сложных систем. - 2019. - № 4 (28). - С. 41-50.

142. Казарян, Д.Э. Нейросетевые подходы к управлению потоками транспорта / Д. Э. Казарян, В. А. Михалев, Е. A. Софронова // Вестник Российского университета дружбы народов. Серия: Инженерные исследования.

- 2017. - Т. 18. - № 1. - С. 97 -106.

143. Shi, G. Neural lander: Stable drone landing control using learned dynamics / G. Shi et al. //2019 International Conference on Robotics and Automation (ICRA). - IEEE, 2019. - P. 9784-9790.

144. Zhang, X. Model-free based neural network control with time-delay estimation for lower extremity exoskeleton / X. Zhang et al. //Neurocomputing. -2018. - Т. 272. - P. 178-188.

145. Бобиков, А. И. Нейросетевое управление угловым положением двигателя постоянного тока / А. И. Бобиков, А.О. Бозванов //Вестник Рязанского государственного радиотехнического университета. - 2016. - №. 57. - С. 139-144.

146. Gorunescu, F. Intelligent Decision Support Systems in Automated Medical Diagnosis / F. Gorunescu, S. Belciug //Advances in Biomedical Informatics.

- Springer, Cham, 2018. - P. 161-186.

147. Зозуля, Ю. И. Разработка программного комплекса нейросетевой системы поддержки принятия решений по безопасному оперативному управлению нефтехимическим производством / Ю. И. Зозуля, М. С. Слетнёв

//Автоматизация, телемеханизация и связь в нефтяной промышленности. - 2013. - №. 11. - С. 7-14.

148. Яльченко, О. Ю. Разработка нейросетевой интеллектуальной системы поддержки принятия решений в рамках личностно-ориентированного подхода к обучению / О. Ю. Яльченко и др. //Вестник Воронежского института ФСИН России. - 2019. - №. 2. - С. 102-112.

149. Obukhov, A. Implementation of Decision Support Subsystem in Electronic Document Systems Using Machine Learning Techniques / A. Obukhov, M. Krasnyanskiy, M. Nikolyukin //2019 International Multi-Conference on Industrial Engineering and Modern Technologies (FarEastCon). - IEEE, 2019. - P. 1-6.

150. Горкун, О. П. Оценка качества работы алгоритма машинного обучения / О. П. Горкун //Актуальные проблемы и пути развития энергетики, техники и технологий. - 2019. - С. 103-107.

151. Мухамедиев, Р. И. Таксономия методов машинного обучения и оценка качества классификации и обучаемости / Р.И. Мухамедиев, Е.Л. Мухамедиева, Я. И. Кучин //Cloud of science. - 2015. - Т. 2. - №. 3. C. 359-378.

152. Borji, A. Pros and cons of gan evaluation measures / A. Borji //Computer Vision and Image Understanding. - 2019. - Т. 179. - P. 41-65.

153. Salimans, T. Improved techniques for training gans / T. Salimans et al. //Advances in neural information processing systems. - 2016. - P. 2234-2242.

154. Szegedy, C. Rethinking the inception architecture for computer vision / C. Szegedy et al. //Proceedings of the IEEE conference on computer vision and pattern recognition. - 2016. - P. 2818-2826.

155. Kwitt, R. Image similarity measurement by Kullback-Leibler divergences between complex wavelet subband statistics for texture retrieval / R.Kwitt, A. Uhl //2008 15th IEEE International Conference on Image Processing. - IEEE, 2008. - P. 933-936.

156. Heusel, M. Gans trained by a two time-scale update rule converge to a local nash equilibrium / M. Heusel et al. //Advances in neural information processing systems. - 2017. - P. 6626-6637.

157. Barratt, S. A note on the inception score / S. Barratt, R. Sharma //arXiv preprint arXiv:1801.01973. - 2018.

158. Перегудов, Ф. И.Основы системного анализа / Ф. И. Перегудов, Ф. П. Тарасенко. - Томск: Изд-во НТЛ, 1997.- 396 с.

159. Ожерельева, Т. А. Структурный анализ систем управления / Т. А. Ожерельева //Государственный советник. - 2015. - №. 1 (9). - C. 40-44.

160. Салимханова, С. А. Функциональный анализ и проектирование корпоративных информационных систем / С. А. Салимханов, Б. Ш. Дадаева //Ответственный редактор. - 2019. - С. 22-26.

161. Клячкин, В. Н. Статистические методы анализа данных / В. Н. Клячкин, Ю. Е. Кувайскова, В. А. Алексеева. - Ульяновск : УлГТУ, 2016. - 123 с.

162. Жихарев, А. Г. Современные способы представления знаний: проблемы, перспективы развития / А. Г. Жихарев, Р. А. Маматов //Научные ведомости Белгородского государственного университета. Серия: Экономика. Информатика. - 2011. - Т. 19. - №. 13-1 (108). - С. 139-142.

163. Третьякова, Н. В. Особенности обработки информации о материальных потоках с помощью математического моделирования / Н. В. Третьякова //Информационные ресурсы России. - 2017. - №. 4. - С. 37-41.

164. Могилев, А. В. Технологии обработки текстовой информации Технологии обработки графической, аудио-, видеоинформации и мультимедиа. / А. В. Могилев. - Санкт-Петербург : БХВ-Петербург, 2010. - 293 с.

165. Обухов, А. Д. Алгоритм формирования электронных документов на основе HTML-шаблонов / Обухов А. Д., Краснянский М. Н. // Новые информационные технологии в научных исследованиях: материалы XX Юбилейной Всероссийской научно-технической конференции студентов,

молодых ученых и специалистов// Рязань: Изд-во «Рязанский государственный радиотехнический университет». 2015 - С. 194-196.

166. Постников, А. А. Формализация процессов обработки заявок в информационных системах / А.А. Постников, А. Ю. Крупский //Интернет-журнал Науковедение. - 2011. - №. 3 (8). - С. 1 - 11.

167. Kleinrock, L. Queueing systems. Volume I: theory. / L. Kleinrock // New York: Wiley Interscience, 1975. - 417 p.

168. Приходько, М. А. Оптимизация процесса обработки информации в узлах распределенной мультиагентной системе обработки разнородной информации / М. А. Приходько //Горный информационно-аналитический бюллетень (научно-технический журнал). - 2011. - №. S6. - С. 257-262.

169. Leite, J.B. Development of a self-healing strategy with multiagent systems for distribution networks / J.B. Leite, J.R.S. Mantovani //IEEE Transactions on Smart Grid. - 2016. - Т. 8. - №. 5. - P. 2198-2206.

170. Гузаиров, М. Б. Оценка живучести аппаратно-программных комплексов по среднему значению показателя целевой эффективности / М.Б. Гузаиров, В.Е. Гвоздев, А.С. Давлиева, В.В. Тесленко //Информационные и математические технологии в науке и управлении. - 2018. - №. 1 (9). - С. 106113.

171. Зяблов, Д. В. Применение микросервисной архитектуры при разработке корпоративных веб-приложений / Д. В. Зяблов, А. А. Кот //Электронный научный журнал. - 2017. - С. 1-17.

172. Губкина, В. Р. Теоретико-множественная модель для решения задачи системного анализа и синтеза в телекоммуникациях / В. Р. Губкина //Вестник СибГУТИ. - 2019. - №. 2. - С. 57-67.

173. Душкин, Р. В. Теоретико-множественная модель функционального подхода к интеллектуализации процессов управления зданиями и сооружениями / Р. В. Душкин //Программные продукты и системы. - 2019. - Т. 32. - №. 2. - С. 306 - 312.

174. Попов, А. А. Разработка модели информационного пространства при использовании устройств Интернета вещей для управления организацией в сфере жилищно-коммунального хозяйства / А. А. Попов //Инновации и инвестиции. - 2019. - №. 10. - С.135 - 140.

175. Тумбинская, М. В. Модель защищенной информационной системы интернет-банкинга / М. В. Тумбинская //Прикладная информатика. - 2015. - №. 5 (59). - С.62 - 72.

176. Петросов, Д. А. Применение генетических алгоритмов к решению задачи параметрического синтеза больших дискретных систем с заданным поведением / Д. А. Петросов и др. //Научные ведомости Белгородского государственного университета. Серия: Экономика. Информатика. - 2016. - Т. 40. - №. 23 (244). - С.93 - 99.

177. Швацкий, А.В. Методы построения системы электронного документооборота неучтенной конструкторской документации на предприятии радиоэлектронной промышленности / А. В. Швацкий и др. // Журнал Сибирского федерального университета. Техника и технологии. - 2014. - № 7(7). - С. 767 -778.

178. Мкртычев, С. В. Моделирование системы электронного документооборота урегулирования убытков в страховой компании /С. В. Мкртычев, А. В. Очеповский //Вектор науки Тольяттинского государственного университета. - 2014. - №. 1. - С. 53-57.

179. Коваленко, В. В. Модель системы информационной поддержки принятия решений в условиях ограниченности ресурсов на крупном промышленном предприятии / В. В. Коваленко, А. Н. Иванченко //Известия высших учебных заведений. Северо-Кавказский регион. Технические науки. -2018. - №. 2 (198). - С. 33-39.

180. Карканица, А. В. Оценка неопределенности в адаптивных системах принятия решений [Электронный ресурс] / А. В. Карканица // Вестник

Брестского государственного технического университета. Серия: Физика, математика, информатика. - 2017. - № 5. - С. 17-20.

181. Файзрахманов, Р.А. Модели и алгоритмы автоматизированного управления формированием профессиональных знаний оператора перегрузочной машины / Р.А. Файзрахманов, И.С. Полевщиков// Фундаментальные исследования. - 2015. - № 6-1. - С. 73-78.

182. Кривов, М. В. Динамический структурный синтез тренажерных моделей / М. В. Кривов и др.//Сборник научных трудов Ангарского государственного технического университета. - 2016. - Т. 1. - №2. 1. - С. 131-138.

183. Обухов, А. Д. Постановка задачи структурно-параметрического синтеза системы электронного документооборота научно-образовательного учреждения / А. Д. Обухов // Вестник ТГТУ. - 2016. - №2. - С.217-232.

184. Краснянский, М. Н. Системный анализ и формализация структуры адаптивных тренажерных комплексов эргатических систем / М. Н. Краснянский, Д. Л. Дедов, А. Д. Обухов, С. Ю. Алексеев // Вестник компьютерных и информационных технологий. - 2019. - №4. - С. 45-52.

185. Краснянский, М.Н. Математическая модель процесса обучения в адаптивных тренажерных комплексах для эргатических систем профессионального назначения / М. Н. Краснянский, Д. Л. Дедов, А. Д. Обухов, С. Ю. Алексеев // Информатизация образования и науки - 2018. - №4(40). - С. 81-93.

186. Волгина, М. А. Формализация информационных потоков графовых моделей динамических систем / М. А. Волгина //Альманах современной науки и образования. - 2015. - №. 3. - С. 23-26.

187. Лавлинская, О. Ю. Применение теории графов в структурно-топологическом анализе информационных систем / О. Ю. Лавлинская, Т. В. Курченкова //Научные ведомости Белгородского государственного университета. Серия: Экономика. Информатика. - 2017. - Т. 44. - №. 23 (272). -С. 1-8.

188. Громов, Ю. Ю. Анализ надежности в сетевых информационных системах / Ю. Ю. Громов и др. //Вестник Воронежского института ФСИН России. - 2018. - №. 1. - С. 33-41.

189. Круковский, М. Ю. Графовая модель композитного документооборота. / М. Ю. Круковский // Математичш машини i системи. -2005. - № 1. - С. 120 - 136.

190. Бочкарёв, П. В. Графовые модели данных / П. В. Бочкарёв, М. В. Кононова //Редакционная коллегия: Кулаков Петр Алексеевич-к. т. н. - 2016. -

C. 133-141.

191. Карпов, Ю. Л. Проектирование интерфейсов классов графовой модели нейронной сети / Ю. Л. Карпов и др. //Труды Института системного программирования РАН. - 2019. - Т. 31. - №. 4. - С. 97-111.

192. Wongsuphasawat, K. Visualizing dataflow graphs of deep learning models in tensorflow / K. Wongsuphasawat et al. //IEEE transactions on visualization and computer graphics. - 2017. - Т. 24. - №. 1. - P. 1-12.

193. Krasnyanskiy, M. Modeling of the learning process in adaptive training complexes / A. D. Obukhov, M. N. Krasnyansky, D. L. Dedov, A. A. Siukhin //Journal of Applied Engineering Science. - 2018. - Т. 16. - №. 4. - P. 487-493.

194. Obukhov, A.D. Mathematical Model of Information Processing in Electronic Document Management System / A.D. Obukhov, M.N. Krasnyansky,

D.L.Dedov, S.V. Karpushkin // International Review of Automatic Control. - 2018. -Vol 11, No 6. - P.336-345.

195. Круковский, М. Ю. Автоматно-графовая формальная модель композитного документооборота / М. Ю. Круковский // ММС. - 2006. - № 2. -С. 87 - 95.

196. Перепелкина, О. А. Использование теории автоматов в реализации модели электронного делопроизводства и документооборота в исполнительных органах государственной власти / О. А. Перепелкина //Компьютерные науки и информационные технологии. - 2016. - С. 311-315.

197. Меньших, В.В. Применение методов теории автоматов для моделирования информационных процессов / В.В. Меньших, Е. В. Петрова //Вестник Воронежского института МВД России. - 2009. - №. 1. - C. 121-130.

198. Петрова, Е. В. Автоматная модель фрагмента компьютерной сети в условиях воздействия угроз информационной безопасности / Е. В. Петрова//Общественная безопасность, законность и правопорядок в III тысячелетии. - 2016. - №. 1-2. - С. 350-355.

199. Королев, И. Д. Математическая модель подсистемы аналитической обработки распределенных во времени инцидентов информационной безопасности / И. Д. Королев и др. //Промышленные АСУ и контроллеры. - 2020. - №. 2. - С. 42-54.

200. Маслобоев, А. В. Формальные спецификации активных программных компонентов мультиагентной виртуальной бизнес-среды развития инноваций / А. В. Маслобоев //Научно-технический вестник информационных технологий, механики и оптики. - 2010. - №. 3 (67). - С. 93-102.

201. Агеева, А. Ф. Обзор современных систем поддержки принятия решений, созданных при помощи агентного подхода / А. Ф. Агеева //Электронные информационные системы. - 2018. - №. 4. - С. 29-46.

202. Лебедюк, Э. А. Агентное моделирование: состояние и перспективы / Э. А. Лебедюк //Вестник Российского экономического университета им. ГВ Плеханова. - 2017. - №. 6 (96).

203. Исмагилова, И. М. Разработка адаптивных интерфейсов с применением статистических критериев и агентного подхода / И. М. Исмагилова, C. C. Валеев //Информационные технологии интеллектуальной поддержки принятия решений (ITIDS'2017). - 2017. - С. 147-150.

204. Афанасьев, А. Н. Интеллектуальная агентная система анализа моделей потоков проектных работ / А. Н. Афанасьев, Н. Н. Войт //Автоматизация процессов управления. - 2015. - №. 4. - С. 52-61.

205. Нгуен, Д.Х. Моделирование процесса работы системы документооборота с участием мультиагентных технологий: дис. ... канд. тех. наук: 05.13.01, 05.13.10 / Нгуен Динь Хынг. - Волгоград, 2012. - 211 с.

206. Krasnyanskiy, M.N. Formulation of the Problem of Structural and Parametric Synthesis of Electronic Document Management System of Research and Education Institution/ M.N. Krasnyanskiy, A.V. Ostroukh, S.V. Karpushkin, A.D. Obukhov // Global Journal of Pure and Applied Mathematics. - 2016. - Volume 12. -Number 3. - P. 2395-2409.

207. Болотов, Д. Н. Методические подходы к определению величины экономического эффекта от применения оптимизационных моделей для сокращения затрат на выполнение международных банковских переводов / Д. Н. Болотов //Вопросы современной экономики. - 2013. - №. 3. - С. 58-72.

208. Этингоф, Е. В. Оценка затрат на информационные системы / Е. В. Этингоф //Управление экономическими системами: электронный научный журнал. - 2013. - №. 12 (60). - С. 1-15.

209. Бунова, Е. В. Оценка эффективности внедрения информационных систем / Е. В. Бунова, О. С. Буслаева //Вестник Астраханского государственного технического университета. Серия: Управление, вычислительная техника и информатика. - 2012. - №. 1. - С. 158. - 164.

210. Гудов, А. М. Выбор архитектуры системы распределенных информационных хранилищ на основе решения задачи оптимизации стоимости документопотоков / А. М. Гудов, В. В. Мешечкин, С. Ю. Завозкин //Вестник Кемеровского государственного университета. - 2011. - №. 3. - С. 13-19.

211. Дьячковская, А. Н. Оценка экономической эффективности информационных систем управления в вузе / А. Н. Дьячковская, М. А. Иванова //Научное сообщество студентов XXI столетия. Экономические науки. - 2018. -С. 76-80.

212. Ермаков, А.В. Оценка экономической эффективности использования мультисервисной информационной системы вуза / А.В. Ермаков // Сетевой

научно-практический журнал. Сер. Экономические исследования. - 2015. - № 3. - С. 86-94.

213. Середенко, Е. С. Модель оценки экономической эффективности аналитических информационных систем / Е. С. Середенко, Н. Н. Середенко //Вестник Московского университета. Серия 6. Экономика. - 2011. - №. 2. - С. 82-92.

214. Чуркин, Г. М. Использование процессорного подхода при формировании критериев оценки свойств автоматизированной системы управления технологическим процессом / Г. М. Чуркин, Н. О. Пинюгин //Вестник Саратовского государственного технического университета. - 2016. -Т. 1. - №. 1 (82). - С. 96-102.

215. Егоров, А. В. Количественные показатели оценки информационных систем / А. В. Егоров, А. С. Грищенко, В. Ф. Кузнецова//Наука и Мир. - 2016. -Т. 1. - №. 1. - С. 48-50.

216. Липаев, В. В. Качество крупномасштабных программных средств / В. В. Липаев. - Directmedia, 2015. - 231 с.

217. Липаев, В. В. Выбор и оценивание характеристик качества программных средств / В. В. Липаев. - Методы и стандарты. - М.: 2001. - 228 с.

218. Ажмухамедов, И. М. Комплексный критерий оценки качества информационных систем / И. М. Ажмухамедов, О. М. Князева //Актуальные проблемы гуманитарных и естественных наук. - 2017. - №. 4-6. - С. 14-17.

219. Бубарева, О. А. Оценка качества информационных систем с распределенной архитектурой / О. А. Бубарева //Южно-Сибирский научный вестник. - 2017. - №. 4. - С. 263-266.

220. Бочкарев, А. М. Критерии оценки системы информационного обеспечения производственной деятельности промышленных предприятий / А. М. Бочкарев //Вестник УГНТУ. Наука, образование, экономика. Серия: Экономика. - 2019. - №. 1 (27). - С. 74-79.

221. Рыков, А. А. Многокритериальная оценка качества информационных систем при неопределенности / А. А. Рыков, А. С. Рыков //Проблемы управления. - 2004. - №. 2. - C. 31- 39.

222. Алексеев, С. Ю. Влияние формы представления элементов технической системы в программном обеспечении на сложность его алгоритмического обеспечения / С. Ю. Алексеев //Прикаспийский журнал: управление и высокие технологии. - 2018. - №. 4. - С. 45-56.

223. Kuznetsov, M. A. Analysis of complexity metrics of a software code for obfuscating transformations of an executable code / M. A. Kuznetsov, V. O. Surkov //IOP Conference Series: Materials Science and Engineering. - 2016. - Т. 155. - №. 1. - P. 012008.

224. Романов, В. Ю. Анализ объектно-ориентированных метрик для проектирования архитектуры программного обеспечения / В. Ю. Романов //International Journal of Open Information Technologies. - 2014. - Т. 2. - №. 3. - C. 11-17.

225. Маевский, Д. А. Оценка количества дефектов программного обеспечения на основе метрик сложности / Д. А. Маевский //Electrotechnic and Computer Systems. - 2012. - №. 7 (83). - С. 113-120.

226. Найханова, Л. В. Расчет сложности программного продукта методом функциональных точек / Л. В. Найханова, С. В. Дамбаева, М. А. Пыкин //Научные исследования. - 2017. - Т. 1. - №. 6 (17). - С. 12-16.

227. Литвак, Е. Г. Оценка сложности разработки программного обеспечения в ИТ-проектах с ограниченными ресурсами / Е. Г. Литвак //Информационные технологии в экономике и управлении. - 2016. - С. 87-91.

228. Blagovisny, D. Y. Оценка сроков проекта с использованием модификации метода PERT // D. Y. Blagovisny et al //Theoretical & Applied Science. - 2019. - №. 12. - С. 331-335.

229. Тютюнников, Н. Н. Оценка трудозатрат на создание программных средств для стадии разработки по модели COCOMO II / Н. Н. Тютюнников

//Современные тенденции в экономике и управлении: новый взгляд. - 2014. - №2. 25. - С. 69-75.

230. Садовский, И. Д. Применение модели COCOMO II для оценки разработки программного обеспечения в Windows проектах / И. Д. Садовский //Экономика и бизнес: теория и практика. - 2016. - №. 10. - С. 102-106

231. COCOMO [Электронный ресурс]. - Режим доступа: https://ru.wikipedia.org /wiki/COCOMO

232. Stephens, R. Essential Algorithms: A Practical Approach to Computer Algorithms Using Python and C / R. Stephens. - Wiley, 2019. - 783 p.

233. Weyuker, E. J. Evaluating software complexity measures / E. J. Weyuker //IEEE transactions on Software Engineering. - 1988. - Т. 14. - №2. 9. - P. 1357-1365.

234. Savchenko, D. Code quality measurement: Case study / D. Savchenko, T. Hynninen, O. Taipale //2018 41st International Convention on Information and Communication Technology, Electronics and Microelectronics (MIPRO). - IEEE, 2018. - P. 1455-1459

235. Ланемец, В. В. Оценка результатов решения задач по программированию с использованием метрики программного кода / В.В. Ланемец, П. Н. Воробкалов //Известия Волгоградского государственного технического университета. - 2011. - №. 9. - С. 122-125.

236. Семахин, А. М. Методы верификации и оценки качества программного обеспечения: учебное пособие / А. М. Семахин. - Курган : Изд-во КГУ, 2018. - 150 с.

237. Звездин, С. В. Проблемы измерения качества программного кода / С.

B. Звездин //Вестник Южно-Уральского государственного университета. Серия: Компьютерные технологии, управление, радиоэлектроника. - 2010. - №2. 2 (178).

C. 62-66.

238. Евдокимов, И. В. К вопросу о метриках трудоёмкости разработки мобильных приложений / И. В. Евдокимов и др. //Фундаментальные исследования. - 2017. - №. 9-1. - С. 54-58.

239. Ракитский, А. А. Использование вычислительной способности как характеристики для оценки и сравнения суперкомпьютеров / А. А. Ракитский //Вестник СибГУТИ. - 2013. - №. 4. - С. 67-84.

240. Душкин, А. В. Глава II. Аппаратное обеспечение компьютерных систем / А. В. Душкин, А. С. Кравченко //Информатика и информационные технологии в профессиональной деятельности. - 2016. - С. 53-99.

241. Poetzsch-Heffter, A. Model-based compatibility checking of system modifications / A. Poetzsch-Heffter et al. //International Symposium On Leveraging Applications of Formal Methods, Verification and Validation. - Springer, Berlin, Heidelberg, 2012. - P. 97-111.

242. Kupriyashin, M. Using Statistical Analysis to Fine-Tune the Results of Knapsack-Based Computational Platform Benchmarking / M. Kupriyashin, G. Borzunov, N. Kupriyashina //2019 IEEE Conference of Russian Young Researchers in Electrical and Electronic Engineering (EIConRus). - IEEE, 2019. - P. 1816-1820.

243. Potdar, A. M. Performance Evaluation of Docker Container and Virtual Machine / A. M. Potdar et al.//Procedia Computer Science. - 2020. - Т. 171. - P. 14191428.

244. Futuremark [Электронный ресурс]. - Режим доступа: http: //www. futuremark. com/.

245. Jeon, H. A performance measurement framework of cloud storage services / H. Jeon, Y. G. Min, K. K. Seo //Indian Journal of Science and Technology. - 2015. - Vol. 8. - P. 105-111.

246. Маковий, К. А. Использование генетического алгоритма для выбора серверных ресурсов при внедрении инфраструктуры виртуальных рабочих столов в вузе / К. А. Маковий, Ю. В. Хицкова, А. И. Шашкин //Актуальные проблемы прикладной математики, информатики и механики. - 2017. - С. 257263.

247. Smith, H. Data center storage: cost-effective strategies, implementation, and management / H. Smith. - CRC press, 2016. - 368 p.

248. Al Rawajbeh, M. Performance evaluation of a computer network in a cloud computing environment / M. Al Rawajbeh//ICIC Express Letters. - 2019. - Т. 13. - №. 8. - P. 719-727.

249. Бабешко, В. Н. Оценка производительности многопроцессорных вычислительных систем / В. Н. Бабешко, С. В. Бабешко //Современные инструментальные системы, информационные технологии и инновации. - 2014. - С. 161-164.

250. Бражнев, С. М. Модель параметрической настройки индекса производительности информационных систем / С. М. Бражнев, И. П. Шепеть, И. С. Кареев //Инновационные направления развития в образовании, экономике, технике и технологиях. - 2019. - С. 130-134.

251. Буланов, В. А. Современные проблемы оценки производительности информационных систем / В. А. Буланов, О. Е. Фомичёва //Промышленные АСУ и контроллеры. - 2020. - №. 1. - С. 49-54.

252. Исаев, Г. Н. Разработка модели прогнозирования производительности информационных систем / Г. Н. Исаев //Статистика и экономика. - 2017. - №. 2. - С. 86-91

253. Бельченко, И. В. Методика повышения производительности информационной системы за счет оптимальной реструктуризации данных / И. В. Бельченко, Р. А. Дьяченко //Известия высших учебных заведений. Поволжский регион. Технические науки. - 2018. - №. 1 (45). - C. 26-38.

254. Забродин, Д. А. Проектирование высоконагруженных баз данных с использованием СУБД Oracle / Д. А. Забродин, Ю. Б. Зензинова //Современные задачи инженерных наук. - 2017. - С. 117-119.

255. Иванов, И. П. Повышение общей производительности информационной системы путем решения оптимизационной задачи подбора параметров технологии qos / И. П. Иванов и др. //Перспективы науки. - 2019. -№. 12. - С. 78-82.

256. Скшидлевский, А. А. Методика расчета вычислительной мощности программно-аппаратного комплекса для проведения ЕГЭ в компьютерной форме / А. А. Скшидлевский, А. В. Лямин //Научно-технический вестник Санкт-Петербургского государственного университета информационных технологий, механики и оптики. - 2008. - С. 103-111.

257. Беккалиева, Н. К. Оценка эффективности экономических затрат на развитие информационной системы в системе экономической безопасности компании (бизнеса) / Н. К. Беккалиева //Экономика и современный менеджмент: теория, методология, практика. - 2018. - С. 167-171.

258. Обухов, А. Д. Постановка задачи проектирования адаптивной системы электронного документооборота / А. Д. Обухов, И. Л. Коробова //Информационные технологии в моделировании и управлении: подходы, методы, решения. - 2019. - С. 517-522.

259. Скрипкин, К. Экономическая эффективность информационных систем в России / К. Скрипкин. - Litres, 2017. - 156 c.

260. Ханаева, Г. А. Экономическая эффективность информационной системы / Г. А. Ханаева //Инновации и инвестиции. - 2020. - №. 5. - С. 140-143.

261. Азаров, А. Е. Разработка проекта информационной системы для организации видеонаблюдения / А. Е. Азаров, Р. И. Баженов //Постулат. - 2018. - №. 12. - С. 1-11.

262. Сергеева, И. Г. Оценка применения информационных технологий и систем в инновационной деятельности организации / И. Г. Сергеева, А. В. Чеботарь, А. В. Харламов //Известия Санкт-Петербургского государственного экономического университета. - 2020. - №. 1 (121). - С. 62-66.

263. Советов Б. Я., Цехановский В. В., Чертовской В. Д. Интеллектуальные системы и технологии //М.: Академия. - 2013. - 320 с.

264. Поспелов, Д.А. Ситуационное управление: теория и практика / Д.А. Поспелов. - М. Наука. 1986. - 288 с.

265. Обухов, А.Д. Нейросетевая архитектура информационных систем / А.Д. Обухов, М.Н. Краснянский // Вестник Удмуртского университета. Математика. Механика. Компьютерные науки. - 2019. - Т. 29. - Вып. 3. - С. 438455.

266. Zhou, J. Object-oriented model for life cycle management of electrical instrumentation control projects / J. Zhou et al. //Automation in Construction. - 2015.

- Т. 49. - P. 142-151.

267. Murugesan, S. Hierarchical spatio-temporal visual analysis of cluster evolution in electrocorticography data / S. Murugesan et al. //Proceedings of the 7th ACM International Conference on Bioinformatics, Computational Biology, and Health Informatics. - ACM, 2016. - P. 630-639.

268. Kirikova, M. Viable systems model based information flows / M. Kirikova, M. Pudane //New Trends in Databases and Information Systems. - Springer, Cham, 2014. - P. 97-104.

269. Sinha, K. Pareto-optimization of complex system architecture for structural complexity and modularity / K. Sinha, E. S. Suh //Research in Engineering Design. - 2018. - Т. 29. - №. 1. - P. 123-141.

270. Mohsin, A. A review and future directions of SOA-based software architecture modeling approaches for System of Systems / A. Mohsin, N. K. Janjua //Service Oriented Computing and Applications. - 2018. - Т. 12. - №. 3-4. - P. 183200.

271. Maurya, S. Layered Software Defined Networking / S. Maurya, N. K. Tiwari, S. C. Gupta //Optical and Wireless Technologies. - Springer, Singapore, 2018.

- P. 351-362.

272. Gill, A. Q. Configuration information system architecture: Insights from applied action design research / A. Q. Gill, E. Chew //Information & Management. -2019. - Т. 56. - №. 4. - P. 507-525.

273. Ajami, S. Syntax, predicates, idioms—what really affects code complexity? / S. Ajami, Y. Woodbridge, D. G. Feitelson //Empirical Software Engineering. - 2019. - Т. 24. - №. 1. - P. 287-328.

274. Обухов, А.Д. Нейросетевой метод обработки и передачи данных в адаптивных информационных системах / А.Д. Обухов, М.Н. Краснянский // Вестник Удмуртского университета. Математика. Механика. Компьютерные науки. - 2021. - Т. 31. - №. 1. - С 149-164.

275. Valle, R. Hands-On Generative Adversarial Networks with Keras: Your guide to implementing next-generation generative adversarial networks / R. Valle. -Packt Publishing Ltd, 2019. - 272 p.

276. Deshpande, A. Remote working and collaboration in agile teams / A. Deshpande et al. //International Conference on Information Systems. - 2016. - P. 1.19.

277. Brandl, J. Flexible work practices: analysis from a pragmatist perspective / J. Brandl et al. //Historical Social Research/Historische Sozialforschung. - 2019. - Т. 44. - №. 1 (167). - P. 73-91.

278. Terzi, D. S. Big data analytics for network anomaly detection from netflow data / D. S. Terzi, R. Terzi, S. Sagiroglu //2017 International Conference on Computer Science and Engineering (UBMK). - IEEE, 2017. - P. 592-597.

279. Anandarajan, M. Text Preprocessing / M. Anandarajan, C. Hill, T. Nolan //Practical Text Analytics. - Springer, Cham, 2019. - P. 45-59.

280. Arcos-Garcia, A. Evaluation of deep neural networks for traffic sign detection systems / A. Arcos-Garcia, J. A. Alvarez-Garcia, L. M. Soria-Morillo //Neurocomputing. - 2018. - Т. 316. - P. 332-344.

281. Stroud, R. O. Application of Cyclomatic Complexity in Enterprise Architecture Frameworks / R. O. Stroud, A. Ertas, S. Mengel //IEEE Systems Journal. - 2019. - Т. 13. - №. 3. - P. 2166-2176.

282. Pan, W. Measuring software stability based on complex networks in software / W. Pan, C. Chai //Cluster Computing. - 2019. - Т. 22. - №. 2. - P. 25892598.

283. Stasiak, A. Software Metrics for Similarity Determination of Complex Software Systems / A. Stasiak, J. Chudzikiewicz, Z. Zielinski //KKIO Software Engineering Conference. - Springer, Cham, 2018. - P. 175-191.

284. Hovorushchenko, T. Ontology-Based Intelligent Agent for Determination of Sufficiency of Metric Information in the Software Requirements / T. Hovorushchenko, O. Pavlova, D. Medzatyi //International Scientific Conference "Intellectual Systems of Decision Making and Problem of Computational Intelligence". - Springer, Cham, 2019. - P. 447-460.

285. Manikavelan, D. Software quality analysis based on cost and error using fuzzy combined COCOMO model / D. Manikavelan, R. Ponnusamy //Journal of Ambient Intelligence and Humanized Computing. - 2020. - P. 1-11.

286. Fadhil, A. A. Software Cost Estimation Based on Dolphin Algorithm / A. A. Fadhil, R. G. H. Alsarraj, A. M. Altaie //IEEE Access. - 2020. - T. 8. - P. 7527975287.

287. Miller, J. Applicability of the software cost model COCOMO II to HPC projects / J. Miller et al. //International Journal of Computational Science and Engineering. - 2018. - T. 17. - №. 3. - P. 283-296.

288. Du, K. L. Elements of Computational Learning Theory / K. L. Du, M. N. S. Swamy //Neural Networks and Statistical Learning. - Springer, London, 2019. - P. 65-79.

289. Fronza, I. An Approach to Evaluate the Complexity of Block-Based Software Product / I. Fronza, L. Corral, C. Pahl //Informatics in Education. - 2020. -T. 19. - №. 1. - P. 15-32.

290. Alwosheel, A. Is your dataset big enough? Sample size requirements when using artificial neural networks for discrete choice analysis / A. Alwosheel, S. van Cranenburgh, C. G. Chorus //Journal of choice modelling. - 2018. - T. 28. - P. 167182.

291. Masum, A. K. M. Intelligent human resource information system (i-HRIS): a holistic decision support framework for HR excellence / A. K. M. Masum et

al. // International Arab Journal of Information Technology - 2018. - T. 15. - №. 1. -P. 121-130.

292. Koksal, O. Architecture design approach for IoT-based farm management information systems / O. Koksal, B. Tekinerdogan //Precision Agriculture. - 2019. -T. 20. - №. 5. - P. 926-958

293. Holzinger, A. Interactive machine learning: experimental evidence for the human in the algorithmic loop / A. Holzinger et al. //Applied Intelligence. - 2019. - T. 49. - №. 7. - P. 2401-2414.

294. Anguita, D. A public domain dataset for human activity recognition using smartphones / D. Anguita, A. Ghio, L. Oneto, X. Parra, J.L. Reyes-Ortiz //Esann. -2013. - P. 437-442

295. San-Segundo, R. Classification of epileptic EEG recordings using signal transforms and convolutional neural networks / R. San-Segundo et al. //Computers in biology and medicine. - 2019. - T. 109. - P. 148-158.

296. Chujai, P. Time series analysis of household electric consumption with ARIMA and ARMA models / P. Chujai, N. Kerdprasop, K. Kerdprasop //Proceedings of the International MultiConference of Engineers and Computer Scientists. - 2013. -T. 1. - P. 295-300.

297. Kohavi, R. Scaling up the accuracy of naive-bayes classifiers: A decision-tree hybrid / R. Kohavi //Kdd. - 1996. - T. 96. - P. 202-207.

298. Brock, A. Large scale gan training for high fidelity natural image synthesis / A. Brock, J. Donahue, K. Simonyan //arXiv preprint arXiv:1809.11096. - 2018. - P. 1-35.

299. Wang, C. Label-removed generative adversarial networks incorporating with K-Means / C. Wang et al. //Neurocomputing. - 2019. - T. 361. - P. 126-136.

300. Chong, M. J. Effectively Unbiased FID and Inception Score and where to find them / M. J. Chong, D. Forsyth //Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. - 2020. - P. 6070-6079.

301. Dobbin, K. K. How large a training set is needed to develop a classifier for microarray data? / K.K. Dobbin, Y. Zhao, R. M. Simon //Clinical Cancer Research. - 2008. - Т. 14. - №. 1. - P. 108-114.

302. Beleites, C. Sample size planning for classification models / C. Beleites, U. Neugebauer, T. Bocklitz, C. Krafft, J. Popp //Analytica chimica acta. - 2013. - Т. 760. - P. 25-33.

303. Богаченко, Н. Ф. Анализ проблем управления разграничением доступа в крупномасштабных информационных системах / Н. Ф. Богаченко //Математические структуры и моделирование. - 2018. - №. 2 (46). - C.135-152

304. Kalimoldayev, M. N. Analysis of the methods for attribute-based access control / M. N. Kalimoldayev, R. G. Biyashev, O. A. Rog //Prikladnaya Diskretnaya Matematika. - 2019. - №. 2. - P. 43-57.

305. Юнусова, Л. Р. Построение классификатора / Л. Р. Юнусова, А. Р. Магсумова //Научный журнал. - 2020. - №. 2 (47). - С.17-19.

306. Чувилин, К. В. Эффективный алгоритм сравнения документов в формате LATEX / К. В. Чувилин // Компьютерные исследования и моделирование. - 2015. - Т. 7. - №. 2. - С. 329-345.

307. Лиманова, Н. И. Метод, алгоритм и программное обеспечение для нечёткого поиска в базах данных / Н. И. Лиманова, М. Н. Седов //Информационные технологии и нанотехнологии. - 2018. - С. 2595-2603.

308. Расстояние Левенштейна [Электронный ресурс]. - Режим доступа: http://ru.wikipedia.org/wiki/Расстояние_Левенштейна.

309. Герасименко, Е. М. Интеллектуальный анализ данных. Алгоритмы data mining / Е. М. Герасименко. - Таганрог : Изд-во Южного федерального университета, 2017. - 82 с.

310. Курако, Е. А. Системы объектно-связанного документооборота и организация их взаимодействия с бизнес-процессами / Е. А. Курако, В. Л. Орлов //Проблемы управления. - 2017. - №. 2. - С. 42-49.

311. Churikov, N. Experience of using machine learning methods in document processing system / N. Churikov //Процессы управления и устойчивость. - 2017. -Т. 4. - №. 1. - С. 548-554.

312. Белых, E. А. Подход к проектированию языка подстановок для генерации электронных документов, содержащих сложные таблицы / E. А. Белых, Ю. В. Гольчевский //Вестник Удмуртского университета. Математика. Механика. Компьютерные науки. - 2019. - Т. 29. - №. 3. - С. 422-437.

313. Карышев, А. А. Разработка web-сервиса для автоматизированной генерации документов на основе docx-шаблонов / А. А. Карышев, В. Р. Афанасьев //Известия Тульского государственного университета. Технические науки. - 2017. - №. 5. - С. 290-297.

314. Миронов В. В. Создание персонализированных документов на основе ситуационно-ориентированной базы данных / В. В. Миронов и др. //Вестник УГАТУ. - 2014. - Т. 18. - №. 4 (65). - С. 191-197.

315. Обухов, А. Д. Разграничение доступа к информации в системе электронного документооборота / А. Д. Обухов, М. H. Краснянский // Виртуальное моделирование, прототипирование и промышленный дизайн : материалы II-ой международной научно-практической конференции / под общ. ред. д-ра техн. наук, проф. В. А. Hемтинова. Тамбов : Изд-во ФГБОУ ВПО «ТГТУ», 2015. - Т. 2 - С. 309-313.

316. Obukhov, A. Formulation of Two-Stage Problem of Structural-Parametric Synthesis of Adaptive Electronic Document Management System / A. Obukhov, M. Krasnyanskiy, D. Dedov //The International Arab Journal of Information Technology. - 2021. - Т. 5. - №. 9. - P. 48-55.

317. Краснянский, М. H. Сравнительный анализ методов машинного обучения для решения задачи классификации документов научно-образовательного учреждения / М. H. Краснянский, А. Д. Обухов, E. М. Соломатина, А. А. Воякина // Вестник ВГУ, Серия: Системный анализ и информационные технологии - 2018. - № 3. - С. 173-182.

318. Soudani, A. Flotation froth image recognition with convolutional neural networks / A. Soudani, W. Barhoumi //Minerals Engineering. - 2019. - T. 132. - P. 183-190.

319. Fu, Y. An image-based segmentation recommender using crowdsourcing and transfer learning for skin lesion extraction/ Y. Fu, C. Aldrich //Expert Systems with Applications. - 2019. - T. 118. - P. 400-410.

320. Wang, M. A generative image fusion approach based on supervised deep convolution network driven by weighted gradient flow / M. Wang, X. Liu, H. Jin //Image and Vision Computing. - 2019. - T. 86. - P. 1-16.

321. Liu, S. A novel scene classification model combining ResNet based transfer learning and data augmentation with a filter / S. Liu, G. Tian, Y. Xu //Neurocomputing. - 2019. - T. 338. - P. 191-206.

322. Wu, Z. Wider or Deeper: Revisiting the ResNet Model for Visual Recognition / Z. Wu, C. Shen, A. Hengel //Pattern Recognition. - 2019. - T. 90. - P. 119-133.

323. Krasnyanskiy, M.N. Algorithm for Structural and Parametric Synthesis of Electronic Document Management System of Research and Education Institution / M.N. Krasnyanskiy, A.V. Ostroukh, S.V. Karpushkin, A.D. Obukhov //Journal of Applied Sciences. - 2016. - T. 16. - №. 7. - P. 332-337.

324. Ostroukh, A. Development of automated information systems for monitoring of intellectual activity results / A. V. Ostroukh, M. N. Krasnyanskiy, A. D. Obukhov, S. V. Karpov, D. L. Dedov //International Multidisciplinary Scientific GeoConference Surveying Geology and Mining Ecology Management, SGEM. -2015. - P. 101-108.

325. de Armas, C. Use of virtual reality simulators for training programs in the areas of security and defense: a systematic review / C. de Armas, R. Tori, A. V. Netto //Multimedia Tools and Applications. - 2020. - T. 79. - №. 5. - P. 3495-3515.

326. Marcano, L. Review of simulator training practices for industrial operators: How can individual simulator training be enabled? / L. Marcano et al. //Safety science. - 2019. - Т. 115. - P. 414-424.

327. Gorecky, D. Introduction and establishment of virtual training in the factory of the future / D. Gorecky, M. Khamis, K. Mura //International Journal of Computer Integrated Manufacturing. - 2017. - Т. 30. - №. 1. - P. 182-190.

328. Dedov, D. L. Design and Development of Adaptive Simulators Using 3D Modeling / D. L. Dedov, M. N. Krasnyanskiy, A. D. Obukhov, A. E. Arkhipov // International Journal of Applied Engineering Research. - 2017. - Т. 12. - №. 20. - P. 10415-10422.

329. Рыжкова, М.Н. Математическая модель процесса управления обучением / М.Н. Рыжкова // Вестник Череповецкого государственного университета. - 2015. - №. 6 (67). - С. 41-47

330. Дьяконов, Г.С. Подготовка инженера в реально-виртуальной среде опережающего обучения / Г.С. Дьяконов и др. // Казань: КГТУ, 2009. - 395 с.

331. Плетенецкий, Р. С. Защита обслуживающего персонала от пожарных газов при эвакуации людей /Р. С. Плетенецкий //Вестник Донбасской национальной академии строительства и архитектуры. - 2017. - №. 4. - С. 81-84.

332. Murphy, R. R. Mobile robots in mine rescue and recovery / R. R. Murphyet al. //IEEE Robotics & Automation Magazine. - 2009. - Т. 16. - №. 2. - P. 91-103.

333. Немцев, А. В. Актуальные вопросы применения изолирующих промышленных самоспасателей. Часть 1. Самоспасатели на химически связанном кислороде / А. В. Немцев, Э. М. Вэстморлэнд //Безопасность труда в промышленности. - 2013. - №. 2. - С. 62-69.

334. Погонин, В. А. Системы имитации дыхания человека / В. А. Погонин, И. А. Канавалов //Развитие технических наук в современном мире. -2017. - С. 15-18.

335. Bataineh, M. Neural network for regression problems with reduced training sets / M. Bataineh, T. Marler //Neural networks. - 2017. - Т. 95. - P. 1-9.

336. Lahmiri, S. Cryptocurrency forecasting with deep learning chaotic neural networks / S. Lahmiri, S. Bekiros //Chaos, Solitons & Fractals. - 2019. - Т. 118. - P. 35-40.

337. Данилов, А. Д. Решение задачи оптимизации регрессионного тестирования с использованием нейросетевого подхода / А. Д. Данилов, В. М. Мугатина //Моделирование, оптимизация и информационные технологии. -2020. - Т. 8. - №. 1. - С. 35-36.

338. Обухов, А. Д. Нейросетевой метод восстановления данных в информационных системах / А. Д. Обухов, М. Н. Краснянский //Вестник Рязанского государственного радиотехнического университета. - 2020. - №. 74. - С. 65-72.

339. Обухов, А.Д. Нейросетевой метод прогнозирования состояния информационных объектов / А.Д. Обухов // Вестник компьютерных и информационных технологий. - 2020. - Т. 18. - № 1 (199). - С. 37-43.

340. Wehden, L. O. The slippery path to total presence: How omnidirectional virtual reality treadmills influence the gaming experience / L. O. Wehden et al. //Media and Communication. - 2021. - Т. 9. - №. 1. - P. 5-16.

341. Kim, J. Commercial motion sensor based low-cost and convenient interactive treadmill / J. Kim, A. Gravunder, H. S. Park //Sensors. - 2015. - Т. 15. -№. 9. - P. 23667-23683.

342. Sloot, L. H. Self-paced versus fixed speed treadmill walking / L. H. Sloot, M. M. Van der Krogt, J. Harlaar //Gait & posture. - 2014. - Т. 39. - №. 1. - P. 478484.

343. Frissen, I. Enabling unconstrained omnidirectional walking through virtual environments: an overview of the CyberWalk project / I. Frissen et al. //Human walking in virtual environments. - 2013. - P. 113-144.

344. Canessa, A. Comparing Real Walking in Immersive Virtual Reality and in Physical World using Gait Analysis / A. Canessa et al. //VISIGRAPP (2: HUCAPP).

- 2019. - P. 121-128.

345. Kunkler, K. The role of medical simulation: an overview / K. Kunkler // Int. J. Med. Robot. Comput. Assist. Surg. - 2006. - Vol. 2. - № 3. - P. 203-210.

346. Strayer, D.L. Simulator training improves driver efficiency: Transfer from the simulator to the real world / D.L. Strayer, F.A. Drews // Proceedings of the Second International Driving Symposium on Human Factors in Driver Assessment, Training, and Vehicle Design. - 2003. - P. 190-193.

347. Manca, D. Bridging between Virtual Reality and accident simulation for training of process-industry operators / D. Manca, S. Brambilla, S. Colombo // Adv. Eng. Softw. - Elsevier Ltd, 2013. - Vol. 55. - P. 1-9.

348. Cha, M. A virtual reality based fire training simulator integrated with fire dynamics data / M. Cha et al. // Fire Saf. J. - Elsevier, 2012. - Vol. 50. - P. 12-24.

349. Nguyen, D.Q. Physically based modeling and animation of fire / D.Q. Nguyen, R. Fedkiw, H.W. Jensen // ACM Trans. Graph. - 2002. - Vol. 21. - № 3. - P. 721-728.

350. Krasnyanskiy, M.N. Problem formulation for determining the effectiveness of development and application of adaptive training systems for ergatic systems / M.N. Krasnyanskiy, A.D. Obukhov, D.L. Dedov // International Review on Modelling and Simulations. - 2020. - Volume 13, Issue 3. - P. 159-169.

351. Обухов, А.Д. Нейросетевой метод управления адаптивной системой имитации физических нагрузок / А.Д. Обухов, А.А. Сиухин // Вестник Самарского государственного технического университета. Серия «Технические науки». 2020. - № 28(3). - C. 61-74.

352. Обухов, А. Д. Разработка системы визуализации виртуальной установки для подготовки специалистов нефтегазовой отрасли / А. Д. Обухов и др. //Вестник Тамбовского государственного технического университета. - 2020.

- Т. 26. - №. 4. - С. 571-580.

353. Тельнов, Ю. Ф. Интеллектуальные информационные системы. / Ю. Ф. Тельнов //Московский международный институт эконометрики, информатики, финансов и права. - М., 2004. - 82 с.

354. ГОСТ 34.003-90 Информационная технология. Автоматизированные системы. Термины и определения - М.: Стандартинформ, 2009. - 16 с.

355. Кадочников, А. А. Сервис-ориентированные веб-системы для обработки геопространственных данных / А. А. Кадочников, О. Э. Якубайлик //Вестник Новосибирского государственного университета. Серия: Информационные технологии. - 2015. - Т. 13. - №. 1. - С. 37-45.

356. ГОСТ 19781-90. Обеспечение систем обработки информации программное. Термины и определения - М.: Стандартинформ, 2010. - 16 с.

357. Мусаев, А.А. Интеллектуальный анализ данных: учебное пособие. / А.А.Мусаев - СПб.: СПбГТИ(ТУ), 2018. - 56 с.

358. ГОСТ Р. ИСО/МЭК 25021-2014 Информационные технологии. Системная и программная инженерия. Требования и оценка качества систем и программного обеспечения (SQuaRE). Элементы показателя качества. - М.: Стандартинформ, 2014. - 52 с.

359. ГОСТ Р МЭК 61069-4-2017 Измерение, управление и автоматизация промышленного процесса. Определение свойств системы с целью ее оценки. Часть 4. Оценка производительности системы - М.: Стандартинформ, 2017. - 32 с.

360. Новиков, Д. А. Теория управления организационными системами. 2-е изд. / Д. А. Новиков. — М.: Физматлит, 2007. — 584 с.

ПРИЛОЖЕНИЕ А (справочное) Термины и определения, использованные

при онтологическом анализе

Ядро онтологии структурно-параметрического синтеза АИС:

Адаптивная информационная система - система, автоматически изменяющая данные алгоритма своего функционирования и структуру с целью сохранения или достижения оптимального состояния при изменении внешних условий [353].

Адаптация информационной системы - процесс накопления и использования информации в системе, направленный на достижение оптимального состояния системы при изменяющихся внешних условиях [354].

Адаптивность - способность системы изменяться для сохранения своих эксплуатационных показателей в заданных пределах при изменениях внешней среды [354].

Модель (Model) - компонент архитектуры «Модель-Представление-Контроллер», основной задачей которого является реализация бизнес-логики приложения, а также работа с данными предметной области [355].

Представление (View) - компонент архитектуры «Модель-Представление-Контроллер», отвечающий за отображение данных предметной области (предоставляемые моделью) [355].