Методы, алгоритмы и программный комплекс редукции нечетких правил в моделях оценки дискретного состояния объектов тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Дагаева Мария Витальевна

• Дагаева Мария Витальевна
• кандидат наук
• 2024

Оглавление диссертации кандидат наук Дагаева Мария Витальевна

Введение

1 Анализ предметной области и постановка задачи редукции нечетких правил в моделях оценки дискретного состояния объектов

1.1 Понятие модели с дискретным выходом

1.2 Оценка состояния объектов на основе нечеткой модели с дискретным выходом

1.3 Использование нечетких моделей в составе систем поддержки принятия решений для оценки состояния объектов

1.4 Особенности использования нечетких правил в системах поддержки принятия решений

1.5 Формирование и использование нечетких баз знаний для оценки состояния объектов

1.5.1 Технология формирования нечетких баз знаний на примере модели коллектива нечетких нейронных сетей

1.5.2 Общий вид системы формируемых нечетких правил

1.5.3 Сэмплинг данных для построения и оценки нейронечеткой модели

1.5.4 Определение достоверности нечетких правил

1.5.5 Алгоритм вывода на системе правил для оценки состояния объектов

1.5.6 Схема использования нечеткой модели с дискретным выходом для оценки состояния объектов

1.6 Анализ особенностей формируемых нечетких баз знаний и их использования для оценки состояния объектов

1.7 Требования к результатам редукции нечетких правил в базах знаний моделей оценки дискретного состояния объектов

1.8 Анализ и сравнительная характеристика методов редукции нечетких правил в базах знаний интеллектуальных систем

1.9 Постановка задачи редукции нечетких правил в моделях оценки дискретного состояния объектов

1.10 Выводы

2 Разработка методов и алгоритмов редукции нечетких правил в моделях оценки дискретного состояния объектов

2.1 Метод редукции исходной базы знаний

2.2 Генетический алгоритм параметрической идентификации функций принадлежности при формировании типичных представителей лингвистически-идентичных правил

2.2.1 Постановка задачи разработки генетического алгоритма

2.2.2 Выбор и кодирование параметров задачи в генетическом алгоритме

2.2.3 Этапы генетического алгоритма

2.2.4 Блок-схема работы генетического алгоритма

2.3 Метод редукции промежуточной базы знаний

2.4 Генетический алгоритм минимизации состава нечетких правил промежуточной базы знаний

2.4.1 Постановка задачи разработки генетического алгоритма

2.4.2 Выбор и кодирование параметров задачи в генетическом алгоритме

2.4.3 Этапы генетического алгоритма

2.4.4 Блок-схема работы генетического алгоритма

2.5 Выводы

3 Разработка программного комплекса редукции нечетких правил

3.1 Общее описание программного комплекса

3.2 Структура и состав программного комплекса

3.3 Метрики качества классификации исходной, промежуточной и редуцированной баз знаний, реализованные в программном комплексе

3.4 Графический интерфейс программного комплекса

3.5 Алгоритм использования программного комплекса для редукции нечетких правил в моделях оценки дискретного состояния объектов

3.6 Алгоритм использования программного комплекса для оценки дискретного состояния объектов

3.7 Выводы

4 Численно-параметрические исследования и апробация разработанного алгоритмического и программного обеспечения

4.1 Численно-параметрические исследования

4.1.1 Постановка задачи исследований

4.1.2 Выбор наборов данных из общедоступных источников для формирования исследовательских баз знаний

4.1.3 Формирование исследовательских баз знаний

4.1.4 Исследования влияния значений параметров генетических алгоритмов на результаты редукции баз знаний

4.1.5 Рекомендации по выбору оптимальных значений параметров генетических алгоритмов

4.1.6 Редукция исследовательских баз знаний на основе генетических алгоритмов с оптимальными значениями параметров

4.1.7 Сравнение значений метрик качества классификации редуцированных баз знаний и других моделей машинного обучения

4.2 Апробация алгоритмического и программного обеспечения

4.2.1 Формирование и редукция базы знаний для оценки функционального состояния водителей автотранспортных средств

4.2.2 Формирование и редукция базы знаний для оценки целесообразности бурения скважин на нефтяных месторождениях

4.3 Выводы

Заключение

Список сокращений

Список литературы

Приложение 1 Руководство по использованию программного комплекса «Нейронечеткая система формирования нечетких моделей оценки дискретного состояния объектов»

Приложение 2 Свидетельства о государственной регистрации разработанных программ для ЭВМ

Приложение 3 Акты о внедрении и апробации результатов диссертационного исследования

Введение диссертации (часть автореферата) на тему «Методы, алгоритмы и программный комплекс редукции нечетких правил в моделях оценки дискретного состояния объектов»

ВВЕДЕНИЕ

Актуальность темы исследования. В настоящее время в различных сферах человеческой деятельности для оценки дискретного состояния объектов (в задачах постановки медицинских диагнозов, оценки кредитоспособности физических лиц, классификации функциональных состояний водителей и т.д.) часто применяются нечеткие модели и алгоритмы. При этом нечеткая модель состоит из набора нечетких правил (базы знаний) и алгоритма логического вывода на правилах.

Эффективность систем, основанных на нечеткой логике, обеспечивается возможностью обработки как количественных, так и качественных характеристик оцениваемого объекта, а использование нечетких правил позволяет интерпретировать выходной результат, что вызывает доверие со стороны пользователя. Это обуславливает широту применения нечетких систем в качестве инструмента поддержки принятия решений для человека. При этом основным компонентом таких систем являются нечеткие модели и составляющие их нечеткие базы знаний (БЗ).

К настоящему времени сформировались две основные парадигмы к формированию нечетких баз знаний. Первая предполагает привлечение экспертов, формулирующих нечеткие правила и задающих значения параметров функций принадлежности (ФП) нечетких множеств на основе своих субъективных оценок [36; 63; 76]. Вторая - применение инструментов интеллектуального анализа данных [69; 75; 126], например, коллектива нечетких нейронных сетей (ННС) [14; 15; 145; 146], позволяющих сформировать базу знаний без участия экспертов. Каждая из парадигм имеет свои достоинства, недостатки, возможности и ограничения. При этом применение второй парадигмы более предпочтительно, так как позволяет автоматизировать процесс формирования базы знаний, что упрощает и ускоряет построение нечеткой модели, адаптируя ее к анализируемым данным.

Однако, несмотря на достоинства такого подхода, автоматически сформированные базы знаний (особенно на основе коллектива нечетких нейронных сетей) часто имеют большой объем и состоят из совокупностей систем нечетких правил, что

порождает лингвистически-идентичные (похожие) правила, приводящие к избыточности баз знаний. Кроме того, такие модели, обеспечивая высокую точность предлагаемых решений, не позволяют однозначно интерпретировать выходной результат, так как каждая система правил предлагает «свое» решение по оценке состояния объекта. Следовательно, необходима редукция (устранение избыточности) нечетких правил, обеспечивающая возможность с высокой точностью и однозначной интерпретируемостью оценивать дискретные состояния объектов.

Однако задачи обеспечения высокой точности и однозначной интерпретируемости предлагаемых решений являются взаимоисключающими. Для обеспечения высокой точности модели, как правило, требуется повышение ее сложности, что приводит к ухудшению интерпретируемости. Указанные факторы свидетельствуют о нетривиальности решения такой задачи. Следовательно, тема диссертации, связанная с редукцией нечетких правил в моделях оценки дискретного состояния объектов, является актуальной.

Степень разработанности темы. Исследованиям в области автоматизации формирования и редукции нечетких правил в базах знаний интеллектуальных систем посвящены работы следующих ученых: Загоруйко Н.Г. [70], Комарцовой Л.Г. [104], Большакова А.А. [20], Ходашинского И.А. [121], Бардамовой М.Б. [12], Ема-летдиновой Л.Ю. [65], Катасёва А.С. [81], Абдулхакова А.Р. [1], Сергиенко М.А. [125], Субботина С.А. [120], Елина Н.Н. [62], Игнатьева В.В. [73], R. Ketata [161], M. Setnes [174], C.W. Tao [177], M. Burda [154], D. Andone [148], N. Xiong [179] и др. Однако вопросы редукции нечетких правил в моделях оценки дискретного состояния объектов, сформированных на основе коллектива нечетких нейронных сетей, остаются не до конца исследованными.

Таким образом, научная задача, решаемая в диссертации, заключается в разработке методов и алгоритмов, а также комплекса программ редукции нечетких правил в моделях оценки дискретного состояния объектов, обеспечивающих высокую точность и однозначную интерпретируемость получаемых результатов

оценки. Ее решение имеет научную и практическую ценность для построения нечетких моделей и систем поддержки принятия решений по оценке состояния объектов в различных предметных областях.

Объект исследования: нечеткие модели оценки дискретного состояния объектов.

Предмет исследования: методы и алгоритмы редукции нечетких правил в моделях оценки дискретного состояния объектов.

Цель диссертационной работы: повышение эффективности использования нечетких моделей оценки дискретного состояния объектов за счет редукции нечетких правил, обеспечения высокой точности и однозначной интерпретируемости предлагаемых решений на основе разработки соответствующего алгоритмического и программного обеспечения.

Для достижения цели необходимо решить следующие задачи:

1) разработать методы и алгоритмы структурно-параметрического преобразования (редукции) нечетких правил в базах знаний нечетких моделей по оценке дискретного состояния объектов;

2) реализовать разработанные методы и алгоритмы в виде программного комплекса для редукции, использования нечетких баз знаний и проведения вычислительных экспериментов;

3) произвести апробацию разработанного алгоритмического и программного обеспечения при решении практических задач по оценке дискретного состояния объектов в различных предметных областях.

Научная новизна.

1. Разработан численный метод редукции исходной базы знаний, основанный на классическом генетическом алгоритме, отличающийся новым способом кодирования функций принадлежности, нечетких правил и базы знаний в виде соответствующих хромосом, что позволяет производить поиск типичных представителей лингвистически-идентичных правил с идентифицированными значениями параметров для получения промежуточной базы знаний (п. 2).

2. Разработан численный метод редукции промежуточной базы знаний, основанный на классическом генетическом алгоритме, отличающийся новым способом

кодирования состава нечетких правил в виде бинарных хромосом, что позволяет получить искомую базу знаний с минимальным составом правил без потери точности классификации (п. 2).

3. Разработан комплекс программ, реализующий предложенные методы и алгоритмы, отличающийся новым составом программных модулей и их взаимодействием, что позволяет обеспечить требуемую функциональность для редукции и использования нечетких правил в моделях оценки дискретного состояния объектов и проведения вычислительных экспериментов (п. 3).

4. Проведены численные эксперименты, а также статистический анализ их результатов для оценки эффективности разработанных методов и алгоритмов с применением современных технологий и метрик качества классификации, отличающиеся использованием совокупности наборов анализируемых данных и настраиваемых параметров генетических алгоритмов, что позволяет определить их оптимальные значения при редукции нечетких правил (п. 9).

Теоретическая значимость диссертационного исследования заключается в разработке методов и алгоритмов структурно-параметрического преобразования (редукции) нечетких правил в базах знаний нечетких моделей по оценке состояния объектов: метода и алгоритма редукции исходной базы знаний на основе объединения лингвистически-идентичных (похожих) правил, нахождения их типичных представителей с идентифицированными значениями параметров для получения промежуточной базы знаний, а также метода и алгоритма редукции промежуточной базы знаний на основе минимизации состава ее нечетких правил для получения искомой (редуцированной) базы знаний.

Практическая значимость диссертации заключается в разработке комплекса программ, реализующего предложенные методы и алгоритмы и позволяющего обеспечить требуемую функциональность при редукции, использовании нечетких правил в моделях оценки дискретного состояния объектов и проведении вычислительных экспериментов.

Методы исследования. Для решения задач использованы методы математического и нейронечеткого моделирования, сэмплинга данных, нечеткой логики, генетической оптимизации, статистического анализа, объектно-ориентированного программирования.

Положения, выносимые на защиту:

1) метод и алгоритм редукции исходной базы знаний на основе объединения лингвистически-идентичных (похожих) правил, нахождения их типичных представителей с идентифицированными значениями параметров для получения промежуточной базы знаний;

2) метод и алгоритм редукции промежуточной базы знаний на основе минимизации состава ее нечетких правил для получения искомой (редуцированной) базы знаний;

3) комплекс программ, реализующий предложенные методы и алгоритмы, позволяющий производить редукцию и использовать нечеткие правила в моделях оценки дискретного состояния объектов.

Достоверность полученных результатов. Предложенные в диссертации методы и алгоритмы теоретически обоснованы и не противоречат известным положениям других авторов. Достоверность научных положений, выводов и рекомендаций обусловлена математически строгим выполнением расчетов, подтверждена результатами проведенных исследований и практического использования.

Основные результаты диссертационной работы докладывались и обсуждались на следующих конференциях:

- международном форуме «Kazan Digital Week» (Казань, 2020, 2021, 2022, 2023);

- международной научной конференции «Математические методы в технике и

технологиях» (Казань, 2020, Нижний Новгород, 2023);

- международной молодежной научной конференции «XXV Туполевские чтения (школа молодых ученых)» (Казань, 2021);

- национальной научно-практической конференции с международным участием «Моделирование энергоинформационных процессов» (Воронеж, 2022, 2024).

Реализация результатов работы. Результаты исследования:

- внедрены в ФГБОУ ВО «Казанский национальный исследовательский технический университет им. А.Н. Туполева-КАИ» и используются в учебном процессе при изучении дисциплин «Нечеткие системы и алгоритмы», «Нечеткие и гибридные системы», «Нечеткие нейросети и генетические алгоритмы»;

- внедрены в ГБУ «Безопасность дорожного движения» и используются в научных исследованиях и разработках Центра разработки и сопровождения информационных систем при формировании и редукции базы знаний для оценки функционального состояния водителей автотранспортных средств;

- прошли опытно-промышленную эксплуатацию и апробацию в ПАО «Татнефть» и использованы для формирования и оптимизации базы знаний при разработке интеллектуальной системы поддержки принятия решений по оценке целесообразности проведения геолого-технических мероприятий и бурения скважин на нефтяных месторождениях.

Соответствие диссертации паспорту научной специальности. В диссертации разработан комплекс программ для формирования, редукции и использования нечетких моделей оценки дискретного состояния объектов. Разработаны методы и алгоритмы структурно-параметрического преобразования (редукции) нечетких правил в базах знаний нечетких моделей.

Таким образом, результаты диссертационного исследования соответствуют следующим пунктам паспорта научной специальности 1.2.2. Математическое моделирование, численные методы и комплексы программ:

П2. Разработка, обоснование и тестирование эффективных вычислительных методов с применением современных компьютерных технологий: для повышения эффективности использования нечетких моделей оценки дискретного состояния объектов, обеспечения высокой точности и однозначной интерпретируемости

предлагаемых решений разработаны, обоснованы и протестированы методы редукции исходной и промежуточной баз знаний.

П3. Реализация эффективных численных методов и алгоритмов в виде комплексов проблемно-ориентированных программ для проведения вычислительного эксперимента: предложенные методы и алгоритмы реализованы в виде комплекса программ, на базе которого проведены вычислительные эксперименты по оценке эффективности разработанного алгоритмического обеспечения и возможности его практического использования для решения поставленных задач.

П9. Постановка и проведение численных экспериментов, статистический анализ их результатов, в том числе с применением современных компьютерных технологий: проведены численные эксперименты, а также статистический анализ их результатов для оценки эффективности разработанных методов и алгоритмов с применением современных технологий и метрик качества классификации.

По теме диссертационного исследования опубликованы 22 работы, в том числе 9 статей в российских рецензируемых научных журналах из перечня ВАК (из них 7 статей в журналах категории К2), 2 статьи в журналах, индексируемых в Scopus, 11 статей - в других журналах и материалах научных конференций. Получено 2 свидетельства о регистрации программ для ЭВМ.

Структура и объем диссертации. Диссертация изложена на 173 страницах машинописного текста, содержит 52 рисунка, 42 таблицы, состоит из введения, четырех глав, заключения, списка использованной литературы из 179 наименований на 21 странице и трех приложений на 18 страницах.

Сведения о личном вкладе автора. Постановка научной задачи, содержание диссертации и все представленные в ней результаты получены лично автором. Подготовка к публикации некоторых научных статей, а также получение и регистрация результатов интеллектуальной деятельности проводились совместно с соавторами, причем вклад диссертанта определяющий.

Во введении обоснована актуальность темы диссертационного исследования, приведены основные научные положения и результаты.

В первой главе произведен анализ предметной области, поставлена задача редукции нечетких правил в моделях оценки дискретного состояния объектов. Для ее решения проанализировано понятие модели с дискретным выходом, рассмотрена схема оценки дискретного состояния объектов на основе нечеткой модели, а также схема и особенности использования нечеткой модели в составе интеллектуальной системы поддержки принятия решений. Проанализированы особенности формирования нечетких баз знаний для оценки дискретного состояния объектов на примере модели коллектива нечетких нейронных сетей. Актуализирована необходимость редукции сформированных нечетких правил в базах знаний с возможностью однозначной интерпретации предлагаемых решений. Предложена общая схема и сформулированы основные требования к результатам редукции. Произведен анализ методов редукции нечетких правил. Поставлена задача разработки методов и алгоритмов, а также программного комплекса редукции нечетких правил в моделях оценки дискретного состояния объектов.

Во второй главе описаны разработанные методы и алгоритмы редукции нечетких правил в моделях оценки дискретного состояния объектов. Приведена схема разработанного метода редукции исходной базы знаний, описаны этапы этого метода. Разработан генетический алгоритм (алгоритм 1) для параметрической идентификации функций принадлежности при формировании типичных представителей лингвистически-идентичных правил промежуточной базы знаний. Произведен выбор и кодирование параметров задачи в первом генетическом алгоритме, описаны его этапы. Приведена схема разработанного метода редукции промежуточной базы знаний, описаны этапы этого метода. Разработан генетический алгоритм (алгоритм 2) минимизации состава нечетких правил промежуточной базы знаний для получения искомой (редуцированной) базы знаний. Произведен выбор и кодирование параметров задачи во втором генетическом алгоритме, описаны его этапы.

В третьей главе описан разработанный программный комплекс редукции нечетких правил в моделях оценки дискретного состояния объектов. Приведены его общие характеристики, структура и состав входящих в него компонентов, а

также метрики качества классификации, позволяющие оценивать адекватность исходной, промежуточной и редуцированной баз знаний на обучающей и тестовой выборках данных. Описан графический интерфейс программного комплекса, а также алгоритмы его практического использования для редукции нечетких правил и для оценки дискретного состояния объектов.

В четвертой главе произведена постановка задачи исследований эффективности разработанного алгоритмического и программного обеспечения, выбраны наборы данных для анализа из общедоступных источников, сформированы исследовательские базы знаний. Исследовано влияние значений параметров генетических алгоритмов на результаты редукции баз знаний. Сформулированы рекомендации по выборку оптимальных значений параметров. Произведено сравнение точности классификации на основе редуцированных баз знаний с точностью других методов классификации. Приведены результаты апробации алгоритмического и программного обеспечения при решении практических задач.

В заключении сформулированы основные научные и практические результаты работы, намечены направления перспективных исследований.

В приложении 1 представлено руководство по использованию разработанного вспомогательного программного комплекса «Нейронечеткая система формирования нечетких моделей оценки дискретного состояния объектов».

В приложении 2 представлены свидетельства о государственной регистрации программ для ЭВМ.

В приложении 3 представлены акты о внедрении и апробации результатов диссертационного исследования.

Диссертация выполнена на кафедре систем информационной безопасности федерального государственного бюджетного образовательного учреждения высшего образования «Казанский национальный исследовательский технический университет им. А.Н. Туполева-КАИ» (КНИТУ-КАИ).

Автор выражает искреннюю благодарность своему научному руководителю, доктору технических наук, профессору Катасёву Алексею Сергеевичу за оказанную поддержку и ценные советы при проведении исследований.

1 Анализ предметной области и постановка задачи редукции нечетких правил в моделях оценки дискретного состояния объектов

В этой главе производится анализ предметной области и ставится задача редукции нечетких правил в моделях оценки дискретного состояния объектов. Для ее решения анализируется понятие модели с дискретным выходом, рассматривается схема оценки дискретного состояния объектов на основе нечеткой модели, а также схема и особенности использования нечеткой модели в составе интеллектуальной системы поддержки принятия решений. Анализируются особенности формирования нечетких баз знаний для оценки дискретного состояния объектов на примере модели коллектива нечетких нейронных сетей. Актуализируется необходимость редукции сформированных нечетких правил в базах знаний с возможностью однозначной интерпретации предлагаемых решений. Предлагается общая схема и формулируются основные требования к результатам редукции. Производится анализ методов редукции нечетких правил. Ставится задача разработки методов и алгоритмов, а также программного комплекса редукции нечетких правил в моделях оценки дискретного состояния объектов.

1.1 Понятие модели с дискретным выходом

В настоящее время для решения задач оценки состояния объектов часто используются модели с непрерывным и дискретным выходами [5; 55; 84; 97; 105]. Рассмотрим базовые особенности и отличия этих моделей.

На рисунке 1.1 представлена схема модели с непрерывным выходом.

Входы

х1 —►

х2 —►

хп —►

Выхода

Т В т г,

тт

хВ

Непрерывное множество состояний объекта

тах

Рисунок 1.1 - Схема модели с непрерывным выходом Такая модель на основе анализа значений входных переменных {х1, х2, ..., хп} оцениваемого объекта позволяет выбирать его конкретное состояние у из заданного непрерывного множества {Втп ... Втах} [55].

На рисунке 1.2 представлена схема модели с дискретным выходом.

Выход

В1 Дискретное

Входы х1—►

х2-►

хп ^

Л

>В

2

Уу

• Вк

множество состояний объекта

Рисунок 1.2 - Схема модели с дискретным выходом Такая модель на основе анализа значений входных переменных {х1, х2, хп} оцениваемого объекта позволяет выбирать его конкретное состояние у из заданного дискретного множества {В1, В2, Вк} [55].

В моделировании для оценки состояния объектов с непрерывным выходом (объектов с бесконечным числом состояний) целесообразно использовать модели первого типа, а для оценки дискретного состояния объектов (у которых число состояний конечно и счетно) - модели второго типа. Рассмотрим особенности решения этой задачи на основе нечеткой модели с дискретным выходом.

1.2 Оценка состояния объектов на основе нечеткой модели с дискретным выходом

Как известно [61; 156; 163] любая нечеткая модель включает базу знаний, состоящую из набора нечетко-продукционных правил, и алгоритма логического вывода на правилах [55; 130]. Эти модели называются моделями нечеткого логического

вывода [142]. Примерами таких моделей являются классические нечеткие модели Мамдани [6; 165; 166] и Сугено [110; 175; 176], а также другие частные модели [64].

На рисунке 1.3 показана схема оценки дискретного состояния объекта на основе нечеткой модели с дискретным выходом.

У

Нечеткая модель оценки дискретного состояния объекта

х

Хт

Х

Хо

Х

Х

Входные переменные объекта

*

*

Рисунок 1.3 - Обобщенная схема оценки дискретного состояния объекта на основе нечеткой модели

Значения входных переменных {х*,х*,...,х*п} подаются на вход нечеткой модели оценки дискретного состояния объекта, состоящей из базы знаний (системы нечетких правил) и алгоритма логического вывода на правилах [55]. На выходе нечеткой модели определяется состояние объекта [55; 80]: выбирается его конкретное состояние у из заданного дискретного множества {В1, В2, ..., Бк].

Таким образом, нечеткая модель производит оценку состояния объекта на основе сформированной базы знаний и алгоритма логического вывода на правилах базы знаний [55; 162]. При этом нечеткие модели часто входят в состав интеллектуальных систем поддержки принятия решений (СППР) [4; 32; 55; 134; 147; 153] и

являются базовым компонентом таких систем. Рассмотрим особенности использования нечетких моделей в составе интеллектуальных СППР для оценки дискретного состояния объектов [44].

1.3 Использование нечетких моделей в составе систем поддержки принятия решений для оценки состояния объектов

Для решения практических задач оценки дискретного состояния объектов часто используются СППР, основанные на нечеткой логике [21; 27; 37; 101]. На рисунке 1.4 представлена схема использования нечеткой модели в составе такой системы [81; 90].

Переменные Лицо,

Объект объекта принимающее Результат

решения оценки

оценки

Х1

О

Х2

X*

В1

В2 Вк

Нечеткая модель оценки состояния объекта

Система поддержки принятия решений

Рисунок 1.4 - Обобщенная схема использования нечеткой модели в составе системы поддержки принятия решений В данной схеме имеется объект оценки, набор переменных (х1; х2, хп ], характеризующих оцениваемый объект, человек (лицо, принимающее решения -ЛПР [81]) и система поддержки принятия решений, основанная на нечеткой модели оценки дискретного состояния объекта [38]. Задача ЛПР заключается в выборе одного из состояний объекта из заданного множества (В1; В2, ..., Ви] на основе ана-

лиза значений входных переменных [55]. При этом ЛПР при решении поставленной задачи опирается не только на свои знания, но и на решения, предлагаемые системой [164]. Следовательно, СППР выступает в роли интеллектуального инструмента, помогающего ЛПР принимать решения [109; 152].

При этом система и используемая в ней нечеткая модель предлагает человеку предварительное решение, помогая ему с большей уверенностью в правильности своего выбора принять окончательное решение. Использование при оценке состояния объекта нечетких правил вызывает доверие со стороны ЛПР к предлагаемым системой решениям [38; 64; 171]. Рассмотрим основные особенности использования нечетких правил в системах поддержки принятия решений.

Рассмотрим типовой состав и основные компоненты нечеткой СППР (см. рис. 1.5).

1.4 Особенности использования нечетких правил в системах поддержки принятия решений

Основные компоненты системы поддержки принятия решений

Нечеткая модель оценки состояния объекта

Рисунок 1.5 - Структурная схема системы поддержки принятия решений

Основным компонентом такой системы является нечеткая модель оценки состояния объекта, состоящая из нечеткой базы знаний и алгоритма вывода [38]. Алгоритм логического вывода формирует решение задачи и предлагает его ЛПР в интерпретируемом виде для оценки состояния объекта.

Таким образом, можно выделить следующие особенности использования нечетких правил в СППР [55]:

1) база знаний и алгоритм вывода - основные компоненты СППР, представляющие собой модель оценки состояния объекта;

2) нечеткие правила базы знаний позволяют использовать как количественные, так и качественные характеристики оцениваемого объекта;

3) использование нечетких правил в базе знаний позволяет интерпретировать выходной результат, что вызывает доверие со стороны ЛПР к предлагаемым системой решениям.

Перечисленные особенности указывают на достоинства практического использования нечетких СППР. При этом разработка таких систем тесно связана с вопросами формирования и использования баз знаний. Существует большое количество подходов к их формированию [14; 66; 83; 103; 131; 135], каждый из которых имеет свои достоинства и недостатки, возможности и ограничения [38].

Список литературы диссертационного исследования кандидат наук Дагаева Мария Витальевна, 2024 год

СПИСОК ЛИТЕРАТУРЫ

1. Абдулхаков, А.Р. Алгоритм и программный комплекс редукции баз знаний мягких экспертных систем / А.Р. Абдулхаков // Труды МАИ. - 2014. - № 75. -С. 14-19.

2. Абдулхаков, А.Р. Методы редукции нечетких правил в базах знаний интеллектуальных систем / А.Р. Абдулхаков, А.С. Катасёв, А.П. Кирпичников // Вестник Казанского технологического университета. - 2014. - Т. 17. - № 23. - С. 389-392.

3. Аверкин, А.Н. Извлечение правил из классических, глубоких нейронных сетей и нейро-нечетких сетей / А.Н. Аверкин // Речевые технологии. - 2020. - № 34. - С. 76-85.

4. Аверкин, А.Н. Когнитивные гибридные системы поддержки принятия решений и прогнозирования / А.Н. Аверкин, С.А. Ярушев, В.Ю. Павлов // Программные продукты и системы. - 2017. - № 4. - С. 632-642.

5. Ажмухамедов, И.М. Оценка компетентности выпускников высших учебных заведений по направлению подготовки «Информационная безопасность» на основе нечеткого когнитивного подхода / И.М. Ажмухамедов, О.М. Князева, Н.В. Давидюк, Т.Г. Гурская // Вестник Астраханского государственного технического университета. Серия: Управление, вычислительная техника и информатика. - 2017. - № 1. - С. 115-124.

6. Алексеева, Е.И. Модели оценки подверженности застроенных территорий воздействию опасных природных процессов с климатическим фактором на основе систем нечеткого логического вывода типа Мамдани и типа Сугено / Е.И. Алексеева, Е.В. Арефьева // Технологии гражданской безопасности. - 2022. -Т. 19. - № 3 (73). - С. 25-31.

7. Апанович, В.С. О возможностях реализации генетических алгоритмов на языке программирования C# / В.С. Апанович // Актуальные направления научных исследований XXI века: теория и практика. - 2018. - Т. 6, № 6 (42). - С. 27-30.

8. Архипов, В.А. Сравнительный анализ метрик качества для моделей бинарной классификации на примере кредитного скоринга / В.А. Архипов // Вестник Алтайской академии экономики и права. - 2019. - № 9-2. - С. 12-15.

9. Астахова, И.Ф. Алгоритм обучения нечеткой нейронной сети Ванга-Менделя для распознавания рукопечатных символов в работе почтовой службы / И.Ф. Астахова, В.А. Мищенко, А.В. Краснояров // Вестник Воронежского государственного университета. Серия: Системный анализ и информационные технологии. - 2011. - № 2. - С. 144-148.

10. Ахметвалеев, А.М. Нейросетевая модель и программный комплекс определения функционального состояния опьянения человека по зрачковой реакции на световое импульсное воздействие / А.М. Ахметвалеев: Дисс. на соиск. уч. степ. канд. техн. наук. - Казань, 2018. - 163 с.

11. Ахметвалеев, А.М. Нейросетевая модель и программный комплекс определения функционального состояния человека / А.М. Ахметвалеев, А.С. Катасёв // Автоматизация процессов управления. - 2017. - № 3 (49). - С. 88-95.

12. Бардамова, М.Б. Генерация базы правил нечеткого классификатора для диагностики болезни Паркинсона по рукописным данным / М.Б. Бардамова, И.А. Ходашинский, Ю.А. Шурыгин, К.С. Сарин, М.О. Светлаков // Искусственный интеллект и принятие решений. - 2023. - № 2. - С. 31-44.

13. Бардамова, М.Б. Применение алгоритмов генерации данных для построения нечетких классификаторов / М.Б. Бардамова // Сборник избранных статей научной сессии ТУСУР. - 2021. - № 1-2. - С. 184-187.

14. Баринов, А.И. Использование модели нечетких нейронных сетей для формирования базы знаний по определению фишинговых сайтов / А.И. Баринов, Д.В. Катасёва, А.С. Катасёв // Вестник Технологического университета. - 2020. -Т. 23. - № 10. - С. 64-67.

15. Баринов, А.И. Распознавание фишинговых сайтов на основе модели коллектива нечетких нейронных сетей / А.И. Баринов, Д.В. Катасёва, А.С. Катасёв // Международный форум KAZAN DIGITAL WEEK - 2020. - Казань, 2020. -С. 200-208.

16. Баринова, А.О. Формирование базы знаний для оценки функционального состояния водителей в интеллектуальных транспортных системах / А.О. Бари-нова, Д.В. Катасёва, А.С. Катасёв // Международный форум KAZAN DIGITAL WEEK - 2020. - Казань, 2020. - С. 208-215.

17. Баринова, А.О. Формирование и использование базы знаний для оценки функционального состояния водителей автотранспортных средств / А.О. Баринова, Д.В. Катасёва, А.С. Катасёв // Вестник Технологического университета. -2020. Т. 23, № 10. - С. 75-78.

18. Бекмуратов, Т.Ф. Нечетко-множественные задачи многокритериальной оптимизации в условиях риска / Т.Ф. Бекмуратов, Д.Т. Мухамедиева // Проблемы вычислительной и прикладной математики. - 2019. - № 1 (19). - С. 6-23.

19. Бова, В.В. Применение генетических алгоритмов для оптимизации параметров нейросетевой модели в задачах извлечения знаний / В.В. Бова, А.Н. Дук-кардт // Информатика, вычислительная техника и инженерное образование. -2012. - № 3 (10). - С. 1-10.

20. Большаков, А.А. Алгоритм поддержки принятия решений по парированию угрозы авиационного происшествия / А.А. Большаков, А.А. Кулик, И.В. Сер-гушов, Е.Н. Скрипаль // Математические методы в технике и технологиях -ММТТ. - 2019. - Т. 1. - С. 58-63.

21. Большаков, А.А. Разработка системы поддержки принятия решений для проектирования автостереоскопических дисплеев / А.А. Большаков, А.В. Ключиков // Вестник Астраханского государственного технического университета. Серия: Управление, вычислительная техника и информатика. - 2020. - № 4. - С. 38-48.

22. Будникова, И.К. Кластерный анализ как функция интеллектуального анализа данных / И.К. Будникова, Е.В. Плетенева // Информационные технологии в строительных, социальных и экономических системах. - 2022. - № 1 (27). - С. 25-28.

23. Будько, М.Б. Синтез полетного нейроконтроллера с помощью метода обучения на основе генетического алгоритма / М.Б. Будько, М.Ю. Будько, А.В. Ги-рик, В.А. Грозов // Вестник компьютерных и информационных технологий. -2019. - № 4 (178). - С. 3-12.

24. Буланов, В.А. Метрики оценки качества модели классификации на примере задачи кредитного скоринга / В.А. Буланов, О.Е. Фомичева // Приборы и системы. Управление, контроль, диагностика. - 2020. - № 3. - С. 33-37.

25. Бухаров, Т.А. Обзор среды разработки программных приложений Visual Studio / Т.А. Бухаров, А.Р. Нафикова // Colloquium-journal. - 2019. - № 14-2 (38). - С. 101-104.

26. Васильев, В.В. Оценка целесообразности бурения скважин в водонефтяной зоне / В.В. Васильев, Д.Н. Гусева // Нефтепромысловое дело. - 2019. - № 12 (612). - С. 9-12.

27. Верещагина, С.С. Методы поддержки принятия решений при диагностировании промышленного электротехнического оборудования на основе нечеткой логики / С.С. Верещагина: Дисс. на соиск. уч. степ. канд. техн. наук. - Самара, 2021. - 163 с.

28. Войтикова, М.В. Линейная регрессия параметров артериального давления для определения риска развития вторичной гипотензии / М.В. Войтикова, Р.В. Хурса // Артериальная гипертензия. - 2015. - № 6 (44). - С. 38-42.

29. Галкин, В.И. Обоснование прогнозной величины прироста дебита нефти после применения ГТМ с помощью статистического метода / В.И. Галкин, А.Н. Кол-тырин // Известия Томского политехнического университета. Инжиниринг георесурсов. - 2023. - Т. 334. - № 2. - С. 81-86.

30. Ганиев, Б.Г. Применение методов машинного обучения при планировании бурения скважин на объектах разработки нефтяного месторождения / Б.Г. Ганиев, А.В. Насыбуллин, Р.З. Саттаров, В.С. Тимофеев, А.В. Фаддеенков, А.Ю. Тимофеева // Нефтяное хозяйство. - 2021. - № 7. - С. 23-27.

31. Глушенко, С.А. Обучение нейро-нечеткой сети с помощью генетического алгоритма / С.А. Глушенко, А.И. Долженко // Кибернетика и программирование. - 2017. - № 5. - С. 79-88.

32. Глушенко, С.А. Система поддержки принятия решений нечеткого моделирования рисков информационной безопасности организации / С.А. Глушенко, А.И. Долженко // Информационные технологии. - 2015. - Т. 21. - № 1. - С. 68-74.

33. Горелова, Г.В. Интеллектуальная система поддержки принятия решений на этапе предпроектных исследований при создании перспективных систем управления / Г.В. Горелова, А.Е. Колоденкова, В.В. Коробкин // Известия ЮФУ. Технические науки. - 2016. - № 2 (175). - С. 115-126.

34. Горячкин, Б.С. Анализ чувствительности метрик бинарной классификации к дисбалансу данных / Б.С. Горячкин, А.А. Чечнев // E-Scio. - 2021. - № 4 (55). - С. 23-34.

35. Гридина, Н.В. Построение гибридных нейронных сетей с использованием элементов нечеткой логики / Н.В. Гридина, И.А. Евдокимов, В.И. Солодовников // Искусственный интеллект и принятие решений. - 2019. - № 2. - С. 91-97.

36. Гриценко, С.А. Косвенные методы построения функций принадлежности систем поддержки принятия решений с нечеткой логикой / С.А. Гриценко, В.Ю. Храмов // Вестник Воронежского государственного университета. Серия: Системный анализ и информационные технологии. - 2017. - № 4. - С. 126-133.

37. Гуськов, Г.Ю. Формирование базы знаний для поддержки процесса архитектурного проектирования программных систем / Г.Ю. Гуськов, А.М. Наместников, А.А. Романов, А.А. Филиппов // Онтология проектирования. - 2021. -Т. 11, № 2 (40). - С. 154-169.

38. Дагаева, М.В. Алгоритмическое и программное обеспечение редукции нечетких правил в моделях оценки дискретного состояния объектов / М.В. Дагаева // Вестник Технологического университета. - 2023. - Т. 26. - № 7. - С. 70-77.

39. Дагаева, М.В. Генетический алгоритм редукции нечетких правил в моделях оценки дискретного состояния объектов / М.В. Дагаева, А.С. Катасёв, Л.Ю. Ема-летдинова // Научно-технический вестник Поволжья. - 2023. - № 6. - С. 58-61.

40. Дагаева, М.В. Исследование методов и алгоритмов редукции нечетких правил в моделях оценки дискретного состояния объектов / М.В. Дагаева // Вестник Технологического университета. - 2024. - Т. 27, № 1. - С. 69-75.

41. Дагаева, М.В. Метод оптимизации базы знаний по оценке функционального состояния водителей / М.В. Дагаева, А.С. Катасёв // Международный форум Kazan Digital Week. - Казань, 2022. - С. 42-44.

42. Дагаева, М.В. Методы и алгоритмы редукции нечетких правил в моделях оценки дискретного состояния объектов / М.В. Дагаева, А.С. Катасёв // Прикаспийский журнал: управление и высокие технологии. - 2023. - № 3 (63). - С. 20-27.

43. Дагаева, М.В. Программный комплекс редукции нечетких правил в моделях оценки дискретного состояния объектов / М.В. Дагаева, А.С. Катасёв, М.Ф. Хасбиуллин // Научно-технический вестник Поволжья. - 2023. - № 7. - С. 34-37.

44. Дагаева, М.В. Разработка и использование нейронечеткой системы формирования нечетких моделей оценки дискретного состояния объектов / М.В. Дагаева, А.С. Катасёв, Р.Н. Минниханов, М.Ф. Хасбиуллин // Международный форум Kazan Digital Week. - Казань, 2023. - С. 22-27.

45. Дагаева, М.В. Разработка и использование программного комплекса редукции нечетких правил в моделях оценки дискретного состояния объектов / М.В. Дагаева, А.С. Катасёв, Р.Н. Минниханов, М.Ф. Хасбиуллин // Международный форум Kazan Digital Week. - Казань, 2023. - С. 28-33.

46. Дагаева, М.В. Редукция базы знаний по выбору проектных скважин для бурения на нефтяных месторождениях / М.В. Дагаева // Моделирование энергоинформационных процессов: XII национальная научно-практическая конференция с международным участием. - Воронеж, 2024. - С. 163-167.

47. Дагаева, М.В. Редукция нечетких правил в интеллектуальных системах поддержки принятия решений / М.В. Дагаева, А.С. Катасёв // Международный форум Kazan Digital Week. - Казань, 2020. - С. 265-272.

48. Дагаева, М.В. Редукция нечетко-продукционных баз знаний интеллектуальных систем / М.В. Дагаева, А.С. Катасёв // Моделирование энергоинформационных процессов: X национальная научно-практическая конференция с международным участием. - Воронеж, 2022. - С. 91-96.

49. Дагаева, М.В. Свидетельство о государственной регистрации программы для ЭВМ № 2023661112. Нейронечеткая система формирования нечетких моделей оценки дискретного состояния объектов / М.В. Дагаева, А.С. Катасёв, М.Ф. Хасбиуллин. - М.: Роспатент, 2023.

50. Дагаева, М.В. Свидетельство о государственной регистрации программы для ЭВМ № 2023665983. Программный комплекс редукции нечетких правил в моделях оценки дискретного состояния объектов / М.В. Дагаева, А.С. Катасёв, М.Ф. Хасбиуллин. - М.: Роспатент, 2023.

51. Дагаева, М.В. Технология и программный комплекс редукции базы знаний для оценки функционального состояния водителей в интеллектуальных транспортных системах / М.В. Дагаева // XXV Туполевские чтения: Международная молодежная научная конференция. - Казань, 2021. - С. 187-192.

52. Дагаева, М.В. Технология редукции базы знаний для оценки функционального состояния водителей / М.В. Дагаева, А.С. Катасёв // Вестник Технологического университета. - 2021. - Т. 24, № 12. - С. 124-127.

53. Дагаева, М.В. Технология редукции базы знаний для оценки функционального состояния водителей автотранспортных средств / М.В. Дагаева, А.С. Катасёв // Международный форум Kazan Digital Week. - Казань, 2021. - С. 85-91.

54. Дагаева, М.В. Технология редукции нечетких правил в интеллектуальных системах поддержки принятия решений по оценке состояния объектов / М.В. Дагаева, А.С. Катасёв // Математические методы в технике и технологиях. - 2020. - Т. 5. - С. 100-103.

55. Дагаева, М.В. Технология редукции нечетких правил в моделях оценки дискретного состояния объектов / М.В. Дагаева // Математические методы в технологиях и технике. - 2023. - № 7. - С. 90-93.

56. Дагаева, М.В. Формирование и редукция базы знаний оценки функционального состояния водителей автотранспортных средств / М.В. Дагаева, А.С. Катасёв, Р.Н. Минниханов, М.Ф. Хасбиуллин // Научно-технический вестник Поволжья. - 2023. - № 11. - С. 55-58.

57. Дагаева, М.В. Формирование и редукция базы знаний для оценки целесообразности бурения скважин на нефтяных месторождениях / М.В. Дагаева // Вестник Технологического университета. - 2024. - Т. 27, № 1. - С. 81-86.

58. Демина, Р.Ю. Повышение качества классификации объектов на основе введения новой метрики кластеризации / Р.Ю. Демина, И.М. Ажмухамедов // Вестник

Астраханского государственного технического университета. Серия: Управление, вычислительная техника и информатика. - 2019. - № 4. - С. 106-114.

59. Денисов, О.В. Формирование эффективного портфеля ГТМ нефтяной компании на основе оптимизационных и нейросетевых алгоритмов / О.В. Денисов // Нефтяная провинция. - 2019. - № 1 (17). - С. 90-101.

60. Дорогов, А.Ю. Измерение обобщающей способности нейронных сетей / А.Ю. Дорогов, В.С. Абатуров // Известия СПбГЭТУ ЛЭТИ. - 2013. - № 4. - С. 53-58.

61. Дородных, Н.О. Разработка метамоделей для поддержки синтеза нечетких баз знаний / Н.О. Дородных, О.А. Николайчук, А.Ю. Юрин // Вестник компьютерных и информационных технологий. - 2020. - Т. 17. - № 1 (187). - С. 34-47.

62. Елин, Н.Н. Моделирование редуцированных баз знаний при интеграции инвестиционных проектов в энергетике / Н.Н. Елин, С.Г. Фомичева, Т.Н. Елина,

B.А. Мыльников // Вестник Ивановского государственного энергетического университета. - 2016. - № 1. - С. 63-68.

63. Елисеев, А.В. Алгоритм построения функции принадлежности путем статистической обработки экспертных оценок / А.В. Елисеев, Н.Ю. Музыченко, М.О. Ройбу // Информационно-измерительные и управляющие системы. -2016. - Т. 14. - № 11. - С. 64-68.

64. Емалетдинова, Л.Ю. Автоматическая генерация системы нечеткого вывода типа Мамдани на основе существующей системы типа Такаги-Сугено / Л.Ю. Емалетдинова, С.В. Новикова // Программные системы и вычислительные методы. - 2013. - № 2. - С. 151-159.

65. Емалетдинова, Л.Ю. Моделирование диагностической деятельности врача на основе нечеткой нейронной сети / Л.Ю. Емалетдинова, Д.Ю. Стрункин // Искусственный интеллект и принятие решений. - 2010. - № 3. - С. 73-78.

66. Емалетдинова, Л.Ю. Технологии нейронечеткого моделирования и формирования баз знаний интеллектуальных систем в задачах оценки дискретного состояния объектов / Л.Ю. Емалетдинова, А.С. Катасёв, Д.В. Катасёва, М.В. Дагаева // Математические методы в технологиях и технике. - 2023. - № 9. -

C. 136-147.

67. Еслямов, С.Г. Роботизация и интеллектуализация системы образования / С.Г. Еслямов // Актуальные научные исследования в современном мире. - 2021. -№ 1-2 (69). - С. 105-113.

68. Жаравин, Д.Е. Использование генетических алгоритмов для обучения искусственной нейронной сети / Д.Е. Жаравин, Д.Ю. Козин, Д.Ю. Фомичев, С.Б. Федотовский // Вестник Вологодского государственного университета. Серия: Технические науки. - 2019. - № 2 (4). - С. 41-43.

69. Жерновой, А.Ю. Анализ и исследование методов построения функции принадлежности нечеткого моделирования / А.Ю. Жерновой, М.В. Фадеева // NovaInfo.Ru. - 2017. - Т. 6. - № 58. - С. 85-90.

70. Загоруйко, Н.Г. Прикладные методы анализа данных и знаний / Н.Г. За-горуйко. - Новосибирск: Изд-во Ин-та математики, 1999. - 270 с.

71. Звездин, Е.Ю. Поэтапная оптимизация расстановки проектных скважин по неравномерной сетке с использованием программного модуля технико-экономической оценки запасов месторождений / Е.Ю. Звездин, М.И. Маннапов, А.В. Насыбуллин, Р.З. Саттаров, М.А. Шарифуллина, Р.Р. Хафизов // Нефтяное хозяйство. - 2019. - № 7. - С. 28-31.

72. Зиятдинов, Н.Н. Метод синтеза оптимальных многостадийных систем теплообмена / Н.Н. Зиятдинов, И.И. Емельянов, Л.К. Туен // Теоретические основы химической технологии. - 2018. - Т. 52. - № 6. - С. 614-627.

73. Игнатьев, В.В. Метод синтеза нечетких регуляторов на основе кластеризации / В.В. Игнатьев, В.В. Соловьев // Программные продукты и системы. - 2021. -№ 4. - С. 597-607.

74. Игнатьев, В.В. Метод автоматического синтеза нечетких регуляторов / В.В. Игнатьев, В.В. Соловьев, А.А. Воротова // Программные продукты и системы. - 2019. - № 4. - С. 759-769.

75. Игнатьев, Н.А. Поиск скрытых закономерностей, влияющих на общую выживаемость больных, методами интеллектуального анализа данных / Н.А. Игнатьев, Е.Н. Згуральская, М.В. Марковцева // Искусственный интеллект и принятие решений. - 2020. - № 3. - С. 73-80.

76. Исаев, Р.А. Оценка согласованности суждений эксперта при построении функции принадлежности нечеткого множества методом множеств уровня / Р.А. Исаев, А.Г. Подвесовский // Современные информационные технологии и ИТ-образование. - 2017. - Т. 13. - № 3. - С. 9-15.

77. Исламова, Р.Р. Решение задач классификации для упорядоченных альтернатив на примере применения в офтальмологии / Р.Р. Исламова // Информатизация и связь. - 2021. - № 4. - С. 35-39.

78. Каримов, Д.Д. Анализ методов расчета предельного безводного дебита нефти в вертикальных скважинах / Д.Д. Каримов, И.А. Дьячук // Проблемы сбора, подготовки и транспорта нефти и нефтепродуктов. - 2021. - № 2 (130). - С. 26-39.

79. Карпова, А.Е. Kaggle - платформа для анализа данных / А.Е. Карпова // Вестник магистратуры. - 2018. - № 12-4 (87). - С. 48-49.

80. Катасёв, А.С. Методы и алгоритмы формирования нечетких моделей оценки состояния объектов в условиях неопределенности / А.С. Катасёв // Вестник Технологического университета. - 2019. - Т. 22. - № 3. - С. 138-147.

81. Катасёв, А.С. Методы формирования нечетких моделей оценки состояния объектов в условиях неопределенности / А.С. Катасёв: Дисс. на соиск. уч. степ. докт. техн. наук. - Казань, 2019. - 304 с.

82. Катасёв, А.С. Нейронечеткая модель и программный комплекс автоматизации формирования нечетких правил для оценки состояния объектов / А.С. Катасёв // Автоматизация процессов управления. - 2019. - № 1 (55). - С. 21-29.

83. Катасёв, А.С. Нейронечеткая модель формирования нечетких правил для оценки состояния объектов в условиях неопределенности / А.С. Катасёв // Компьютерные исследования и моделирование. - 2019. - Т. 11, № 3. - С. 477-492.

84. Катасёв, А.С. Нейронечеткая модель формирования правил классификации, как эффективный аппроксиматор объектов с дискретным выходом / А.С. Катасёв // Кибернетика и программирование. - 2018. - № 6. - С. 110-122.

85. Катасёв, А.С. Нейронечеткая система обнаружения продукционных зависимостей в базах данных / А.С. Катасёв, Ч.Ф. Ахатова // Программные продукты и системы. - 2011. - № 3. - С. 6-10.

86. Катасёв, А.С. Нейронечеткая система формирования нечетких моделей оценки дискретного состояния объектов / А.С. Катасёв, М.В. Дагаева, М.Ф. Хасбиуллин // Научно-технический вестник Поволжья. - 2023. - № 7. - С. 60-63.

87. Катасёв, А.С. Оценка стойкости шифрующих преобразований моноалфавитной замены с использованием генетического алгоритма / А.С. Катасёв, Д.В. Катасёва, А.П. Кирпичников // Вестник Технологического университета. -2015. - Т. 18. - № 7. - С. 255-259.

88. Катасёв, А.С. Свидетельство о государственной регистрации программы для ЭВМ № 2020665887. Программный комплекс поддержки принятия решений по формированию множества предпочтительных вариантов геолого-технических мероприятий (ввода скважин в эксплуатацию) при разработке нефтяного месторождения / А.С. Катасёв, Д.В. Катасёва, И.В. Аникин, В.М. Трегубов, Л.Ю. Емалетдинова, Л.Р. Шайхразиева, Р.Г. Гирфанов, О.В. Денисов, Р.Г. Лазарева, Ф.М. Латифуллин, Р.З. Саттаров, Р.Р. Хафизов, А.В. Чирикин, М.А. Шарифуллина, А.В. Насыбуллин, Д.Р. Хаярова, Р.М. Шакирзянов. - М.: Роспатент, 2020.

89. Катасёв, А.С. Спам-фильтрация электронных почтовых сообщений на основе нейросетевой и нейронечеткой моделей / А.С. Катасёв, Д.В. Катасёва, А.П. Кирпичников, Я.Е. Семёнов // Вестник Технологического университета. -2015. - Т. 18. - № 15. - С. 217-220.

90. Катасёва, Д.В. Нейронечеткая модель и программный комплекс формирования баз знаний для оценки состояния объектов / Д.В. Катасёва // Прикаспийский журнал: управление и высокие технологии. - 2022. - № 1 (57). - С. 65-76.

91. Катасёва, Д.В. Нейронечеткая модель и программный комплекс формирования баз знаний интеллектуальных систем поддержки принятия решений по оценке состояния объектов / Д.В. Катасёва: Дисс. на соиск. уч. степ. канд. техн. наук. - Казань, 2022. - 185 с.

92. Катасёва, Д.В. Нечетко-продукционная модель оценки состояния объектов в системах поддержки принятия решений / Д.В. Катасёва // Вестник Технологического университета. - 2021. - Т. 24, № 12. - С. 105-108.

93. Катасёва, Д.В. Формирование баз знаний интеллектуальных систем на примере нейронечеткого анализа медицинских данных / Д.В. Катасёва, А.О. Баринова // Вестник Технологического университета. - 2022. - Т. 25, № 2. - С. 67-70.

94. Кацко, И.А. Практикум по анализу данных на компьютере: Учеб. пособие для вузов / И.А. Кацко, Н.Б. Паклин. - М.: Изд-во «КолосС», 2009. - 278 с.

95. Килин, Г.А. Структурно-параметрическая идентификация модели газотурбинной установки на основе генетического алгоритма / Г.А. Килин, К.А. Один, Б.В. Кавалеров // Фундаментальные исследования. - 2014. - № 11-7. - С. 1480-1484.

96. Кирьяцкий, Э.Г. О некоторых экстремальных свойствах средних расстояний в евклидовом пространстве / Э.Г. Кирьяцкий, Е.Э. Кирьяцкий // Системы компьютерной математики и их приложения. - 2020. - № 21. - С. 300-306.

97. Клевцов, С.И. Векторная модель для качественной оценки и прогнозирования состояния совокупности параметров объекта / С.И. Клевцов // Известия ЮФУ. Технические науки. - 2019. - № 2 (204). - С. 69-78.

98. Климов, К.О. Особенности обработки больших данных в реальном времени в облаке AWS c использованием сервиса AWS KINESIS / К.О. Климов, Г.А. Пискун, Д.В. Лихачевский, В.Ф. Алексеев, В.В. Шаталова // Big Data and Advanced Analytics. - 2021. - № 7-1. - С. 322-327.

99. Клюева, И.А. Исследование аспектов применимости стратегий сэмплинга для решения проблемы несбалансированности структур данных / И.А. Клюева // Новые информационные технологии в научных исследованиях. материалы XXI Всероссийской научно-технической конференции студентов, молодых ученых и специалистов. Рязанский государственный радиотехнический университет. - 2016. - С. 198-199.

100. Кобак, В.Г. Сравнение различных подходов турнирного отбора при решении задачи коммивояжера модифицированной моделью Голдберга / В.Г. Кобак, А.Г. Жуковский, С.А. Швидченко, А.А. Пешкевич // Труды Северо-Кавказского филиала Московского технического университета связи и информатики. - 2018. -№ 1. - С. 188-191.

101. Козлова, Е.В. Система поддержки принятия решения в выборе поставщика машиностроительного предприятия на основе теории нечетких множеств / Е.В. Козлова, А.М. Кононенко, А.И. Шульгина, В.Ю. Волынский // Известия высших учебных заведений. Серия: Экономика, финансы и управление производством. - 2016. - № 2 (28). - С. 65-73.

102. Колоденкова, А.Е. Использование нейронной сети для обучения неоднородной когнитивной модели диагностирования состояния электротехнического оборудования / А.Е. Колоденкова, С.С. Верещагина // Вестник Ростовского государственного университета путей сообщения. - 2020. - № 2 (78). - С. 163-171.

103. Комарцова, Л.Г. Нейросетевой метод извлечения знаний для мягкой экспертной системы / Л.Г. Комарцова // Нейроинформатика. - 2001. - Т. 1. - С. 124.

104. Комарцова, Л.Г. Эволюционные методы формирования нечетких баз правил / Л.Г. Комарцова // Открытые семантические технологии проектирования интеллектуальных систем. - 2011. - № 1. - С. 181-184.

105. Копкин, Е.В. Выбор дискретных диагностических признаков с учетом их ценности для распознавания технического состояния объекта / Е.В. Копкин, А.Н. Кравцов, О.Г. Лазутин // Информация и космос. - 2015. - № 2. - С. 111-117.

106. Кремлёва, Э.Ш. Алгоритм построения модели каскадной нейросетевой фильтрации данных с различной степенью детализации / Э.Ш. Кремлёва, А.П. Кирпичников, С.В. Новикова, Н.Л. Валитова // Вестник Технологического университета. - 2018. - Т. 21. - № 8. - С. 109-115.

107. Кузьмин, В.Н. Перспективы применения радиального бурения нефтяных скважин на месторождениях Удмуртской республики и соседних регионов / В.Н. Кузьмин, С.М. Мартынов, А.И. Мингазов // Нефтяная провинция. - 2021. -№ 2 (26). - С. 56-66.

108. Лебедев, А.А. Современные вопросы оценки и анализа психофизиологического состояния человека методами пупиллометрии и биофизики / А.А. Лебедев, М.И. Жилина, Е.С. Петрова, А.А. Лубяко // Биомедицинская радиоэлектроника. - 2022. - Т. 25. - № 1. - С. 12-19.

109. Малых, В.Л. Системы поддержки принятия решений в медицине / В. Л. Малых // Программные системы: теория и приложения. - 2019. - Т. 10, № 2 (41). -С. 155-184.

110. Манусов, В.З. Энергоэффективная модель управления асинхронного электропривода с учетом намагничивания на основе нечеткого логического вывода Такаги-Сугено / В.З. Манусов, Н.М. Зайцева, Д.В. Антоненков // Научный вестник Новосибирского государственного технического университета. -2017. - № 3 (68). - С. 31-48.

111. Марахимов, А.Р. Повышение обобщающей способности нейронных сетей и селекция обучающих выборок / А.Р. Марахимов, К.К. Худайбергенов, Н.А. Игнатьев // Проблемы вычислительной и прикладной математики. - 2020. -№ 2 (26). - С. 99-107.

112. Миловидова, А.А. Формирование нечеткой системы оценки для системы поддержки принятия решений при управлении процессом переработки в условиях неопределенности информации о качестве материала / А.А. Миловидова // Прикаспийский журнал: управление и высокие технологии. - 2020. - № 1 (49). - С. 33-48.

113. Мифтахова, А.А. Применение метода дерева решений для решения задач классификации и прогнозирования / А.А. Мифтахова // Инфокоммуникационные технологии. - 2016. - Т. 14, № 1. - С. 64-70.

114. Мунерман, В.И. Параллельная обработка данных средствами Microsoft Azure / В.И. Мунерман, О.С. Слепенкова // Системы компьютерной математики и их приложения. - 2017. - № 18. - С. 102-104.

115. Насыбуллин, А.В. Дебит многозабойной горизонтальной скважины в пяти и семи точечном элементах / А.В. Насыбуллин, В.Ф. Войкин // Нефтяная провинция. - 2015. - № 3 (3). - С. 65-75.

116. Насыбуллин, А.В. Оптимизация размещения проектных скважин с использованием проектного модуля для технико-экономической оценки запасов нефтяных месторождений А.В. Насыбуллин, Д.А. Разживин, Ф.М. Латифуллин, Р.З.

Саттаров, С.В. Смирнов, Р.Р. Хафизов, М.А. Шарифуллина // Нефтяная провинция. - 2018. - № 4 (16). - С. 163-174.

117. Насыбуллин, А.В. Создание информационно-программного инструмента долгосрочного планирования инвестиций для эффективной разработки нефтяных месторождений / А.В. Насыбуллин, Р.З. Саттаров, Ф.М. Латифуллин, О.В. Денисов, А.В. Чирикин // Нефтяное хозяйство. - 2019. - № 12. - С. 128-131.

118. Нейдорф, Р.А. Исследование эвристических алгоритмов в задачах прокладки и оптимизация маршрутов в среде с препятствиями / Р.А. Нейдорф, В.В. Полях, И.В. Черногоров, О.Т. Ярахмедов // Известия ЮФУ Технические науки. - 2016. - № 3 (176). - С. 127-143.

119. Новикова, С.В. Структурная оптимизация нейросетевой модели мониторинга ГТД / С.В. Новикова // Известия высших учебных заведений. Авиационная техника. - 2016. - № 2. - С. 101-107.

120. Олейник, А.А. Редукция баз нечетких правил на основе мультиагентного подхода / А.А. Олейник, С.А. Субботин // Вестник Национального технического университета Харьковский политехнический институт. Серия: Информатика и моделирование. - 2009. - № 43. - С. 126-137.

121. Остапенко, Р.О. Формирование базы правил нечеткого классификатора с помощью метаэвристического алгоритма «саранчи» / Р.О. Остапенко, И.А. Хо-дашинский // Доклады Томского государственного университета систем управления и радиоэлектроники. - 2022. - Т. 25. - № 2. - С. 31-36.

122. Паклин, Н.Б. Бизнес-аналитика: от данных к знаниям: учебное пособие / Н.Б. Паклин, В.И. Орешков. - 2-е изд., испр. - СПб.: Питер, 2013. - 704 с.

123. Петрова, А.К. Нейро-нечеткая модель контроля баланса газа / А.К. Петрова, А.М. Синица // Международная конференция по мягким вычислениям и измерениям. - 2021. - Т. 1. - С. 133-135.

124. Петросянц, Д.Г. Технология сбора исходных данных для построения моделей оценки функционального состояния человека по зрачковой реакции на изменение освещенности в решении отдельных задач обеспечения транспортной

безопасности / Д.Г. Петросянц, А.М. Ахметвалеев, А.С. Катасёв // Компьютерные исследования и моделирование. - 2021. - Т. 13. - № 2. - С. 417-427.

125. Сергиенко, М.А. Методы анализа и структуризации базы нечетких правил / М.А. Сергиенко: Дисс. на соиск. уч. степ. к-та техн. наук. - Воронеж, 2010. - 155 с.

126. Сергиенко, М.А. Об одном подходе к формированию базы знаний для классификации объектов / М.А. Сергиенко, И.В. Данилова // Международный научно-исследовательский журнал. - 2020. - № 7-1 (97). - С. 96-103.

127. Сергиенко, М.А. Представление нечеткой базы правил в виде иерархии на основе группировки правил / М.А. Сергиенко // Международный научно-исследовательский журнал. - 2014. - № 1-1 (20). - С. 88-91.

128. Сибгатуллин, А.А. Интеллектуальные модели оценки функционального состояния водителей в системах транспортной безопасности / А.А. Сибгатуллин, А.С. Катасёв // Вестник Технологического университета. - 2022. - Т. 25. -№ 12. - С. 139-143.

129. Сикулер, Д.В. Ресурсы, предоставляющие данные для машинного обучения и проверки технологий искусственного интеллекта / Д.В. Сикулер // Информационные и математические технологии в науке и управлении. - 2021. -№ 2 (22). - С. 39-52.

130. Симонова, Л.А. Разработка базы знаний для системы нечеткого логического вывода процесса прецизионной штамповки / Л.А. Симонова, К.Н. Гавариева // Научно-технический вестник Поволжья. - 2020. - № 1. - С. 62-64.

131. Симонова, Л.А. Формирование базы знаний системы поддержки принятия решений моделирования механических свойств на примере алюминиевых сплавов 7ХХХ серии / Л.А. Симонова, К.В. Клочкова, А.О. Кучерова // Кузнечно-штамповочное производство. Обработка материалов давлением. - 2023. - № 5. - С. 21-27.

132. Солдатова, О.П. Исследование эффективности алгоритмов генерации базы нечетких продукционных правил для нейронной сети Ванга-Менделя / О.П. Сол-датова, И.А. Лёзин, И.В. Лёзина // Известия высших учебных заведений. Поволжский регион. Технические науки. - 2023. - № 1 (65). - С. 86-100.

133. Старовойтов, В.В. Сравнительный анализ оценок качества бинарной классификации / В.В. Старовойтов, Ю.И. Голуб // Информатика. - 2020. - Т. 17. -№ 1. - С. 87-101.

134. Талипов, Н.Г. Система поддержки принятия решений по распределению заданий по ведению реестра операторов персональных данных на основе нечетко-продукционной модели / Н.Г. Талипов, А.С. Катасёв // Кибернетика и программирование. - 2016. - № 6. - С. 96-114.

135. Филиппов, А.А. Формирование базы знаний проектной организации для автоматизации процесса архитектуризации программных систем / А.А. Филиппов // Автоматизация процессов управления. - 2020. - № 1 (59). - С. 86-96.

136. Фролов, Д.И. Перспективы использования нечеткой логики и нейронных сетей в пищевой технологии / Д.И. Фролов // Инновационная техника и технология. - 2019. - № 1 (18). - С. 10-13.

137. Халиков, Р.В. Исследование и разработка методов сэмплинга трафика для систем мониторинга рисков безопасности в IP-сетях / Р.В. Халиков, А.В. Осин // Телекоммуникации и информационные технологии. - 2016. - Т. 3. - № 2. -С. 63-64.

138. Хисамов, Р.С. О методике автоматизированной генерации сценариев разработки длительно эксплуатируемого нефтяного месторождения / Р.С. Хисамов, Б.Г. Ганиев, И.Ф. Галимов, А.В. Насыбуллин, Р.З. Саттаров, М.А. Шарифул-лина // Нефтяное хозяйство. - 2020. - № 7. - С. 22-25.

139. Хусаинов, Р.М. Нейросетевая модель и программный комплекс распознавания объектов дорожной инфраструктуры / Р.М. Хусаинов, Н.Г. Талипов, А.С. Катасёв // Информационные технологии. - 2023. - Т. 29. - № 9. - С. 484-491.

140. Хусаинов, Р.М. Распознавание объектов дорожной инфраструктуры на основе сверточной нейросетевой модели / Р.М. Хусаинов, Н.Г. Талипов, А.С. Катасёв, Л.Ю. Емалетдинова // Автоматизация процессов управления. - 2023. - № 2 (72). - С. 34-43.

141. Цимбал, М.В. О референтных нормах показателей пупиллометрии при использовании компьютерного комплекса для регистрации и оценки зрачковой

реакции / М.В. Цимбал, А.Л. Куцало, Н.В. Штейнберг, Д.С. Хомич // Вестник Волгоградского государственного медицинского университета. - 2020. - № 1 (73). - С. 124-128.

142. Шаров, К.Д. Оценка кредитоспособности заемщиков на основе нечеткого логического вывода / К.Д. Шаров, О.А. Медведева // Вестник Воронежского государственного университета. Серия: Системный анализ и информационные технологии. - 2019. - № 1. - С. 74-83.

143. Шилин, А.С. Версия C# Visual Studio 2022 как язык обучения основам программирования / А.С. Шилин // Информатика и прикладная математика. -2022. - № 28. - С. 110-134.

144. Янцен, Д.Д. Алгоритм репрезентативного сэмплинга для систем баз данных на основе фрагментного параллелизма / Д.Д. Янцен, М.Л. Цымблер // Вестник Южно-Уральского государственного университета. Серия: Вычислительная математика и информатика. - 2014. - Т. 3. - № 4. - С. 36-50.

145. Ярушкина, Н.Г. Нечеткие нейронные сети (часть 1) / Н.Г. Ярушкина // Новости искусственного интеллекта. - 2001. - № 2-3. - С. 47-52.

146. Ярушкина, Н.Г. Нечеткие нейронные сети (часть 2) / Н.Г. Ярушкина // Новости искусственного интеллекта. - 2001. - № 4. - С. 23-29.

147. Яцало Б.И. Нечеткая многокритериальная система поддержки принятия решений DECERNSFMCDA / Б.И. Яцало, С.В. Грицюк, А.В. Радаев, А.В. Коробов // Программные продукты и системы. - 2022. - № 2. - С. 171-183.

148. Andone D. Fuzzy rule base complexity reduction: a survey / D. Andone // 5th international conference on control systems and computer science, politehnica. - 2005. - P. 33-37.

149. Atukorale, A.S. Boosting the hong network / A.S. Atukorale, T. Downs, P.N. Sugan-than // Neurocomputing. - 2003. - Vol. 51. - P. 75-86.

150. Bache, K. UCI Machine Learning Repository [http://archive.ics.uci.edu/ml] / K. Bache, M. Lichman. - Irvine, CA: University of California, School of Information and Computer Science. 2013.

151. Banknote Authentication [Электронный ресурс]. - Режим доступа: https://ar-chive.ics.uci.edu/ml/datasets/banknote+authentication (дата обращения: 23.11.2023).

152. Bolshakov, A.A., Decision support algorithm for parrying the threat of an accident / A.A. Bolshakov, A. Kulik, I. Sergushov, E. Scripal // Studies in Systems, Decision and Control. - 2020. - Vol. 260. - P. 237-247.

153. Bolshakov, A.A. Decision support system for selecting designs of autostereoscopic displays / A.A. Bolshakov, A.V. Klyuchikov // Studies in systems, decision and control. - 2021. - No. 342. - P. 73-88.

154. Burda, M. Reduction of fuzzy rule bases driven by the coverage of training data / M. Burda, M. Stepnicka // 16th World Congress of the International Fuzzy Systems Association. - 2015. - P. 463-470.

155. Carpita, M. Exploring and modelling team performances of the Kaggle european soccer database / M. Carpita, E. Ciavolino, P. Pasca // Statistical Modelling. - 2019.

- Vol. 19, No. 1. - P. 74-101.

156. Chubukova, O. Development of the system for prediction of security state of an enterprise using semantic-frame fuzzy models of knowledge base / O. Chubukova, H. Ivanchenko, N. Ivanchenko // Eastern-European Journal of Enterprise Technologies.

- 2017. - Vol. 6. - No. 3 (90). - P. 58-65.

157. Dagaeva, M. Fuzzy rules reduction in knowledge bases of decision support systems by objects state evaluation / M. Dagaeva, A. Katasev // Studies in Systems, Decision and Control. - 2021. - Vol. 338. - P. 113-123.

158. Dagaeva, M.V. Knowledge based reduction technology for assessing the functional state of drivers / I.I. Ismagilov, M.V. Dagaeva, A.S. Katasev // Procedia Environmental Science, Engineering and Management. - 2022. - Vol. 9, No. 3. - P. 627-632.

159. Dzik, C.S. Real-time AWS resources monitoring and analytics / C.S. Dzik, I.I. Pi-letski // Big Data and Advanced Analytics. - 2021. - No. 7-1. - P. 25-30.

160. Iris [Электронный ресурс]. - Режим доступа: https://archive.ics.uci.edu/ml/da-tasets/iris (дата обращения: 23.11.2023).

161. Ketata, R. Adjustment of membership functions, generation and reduction of fuzzy rule base from numerical data / R. Ketata, H. Bellaaj, M. Chtourou // Malaysian Journal of Computer Science - 2007. - Vol. 20. - No. 2. - P. 147-169.

162. Kolodenkova, A.E. Diagnostics of the technical condition of industrial equipment based on a system of hierarchical production rules / A.E. Kolodenkova, S.S. Veresh-chagina, V.O. Tuvaeva, A.N. Guda // Lecture Notes in Networks and Systems. -2022. - Vol. 330. - P. 180-187.

163. Kovalev, S. Fuzzy model based intelligent prediction of objective events / S. Ko-valev, A. Sukhanov, V. Styskala // Advances in Intelligent Systems and Computing.

- 2016. - Vol. 423. - P. 23-33.

164. Kultygin, O.P. Business intelligence as a decision support system tool / O.P. Kultygin, I.V. Lokhtina // Journal of Applied Informatics. - 2021. - Vol. 16, No. 1 (91). - P. 52-58.

165. Mamdani, E.H. Application of fuzzy logic to approximate reasoning using linguistic synthesis / E.H. Mamdani // IEEE Transactions on Computers. - 1977. - Vol. 26. -P. 1182-1191.

166. Mamdani, E.H. Experiment in linguistic synthesis with a fuzzy logic controller / E.H. Mamdani, S. Assilian // International Journal of Human Computer Studies. -1999. - No. 51(2). - P. 135-147.

167. Nedosekin, A.O. The economic resilience evaluation using fuzzy sets and soft computing / A.O. Nedosekin, Z.I. Abdoulaeva, N.A. Karpenko, T.A. Nikitina // Lecture Notes in Networks and Systems. - 2022. - Vol. 307. - P. 105-112.

168. Ostrovsky, G.M. One-stage optimization problem with chance constraints / G.M. Ostrovsky, N.N. Ziyatdinov, T.V. Lapteva // Chemical Engineering Science. - 2010.

- Vol. 65. - No. 7. - P. 2373-2381.

169. Panischev, O.Y. Creation of a fuzzy model for verification of malicious sites based on fuzzy neural networks / O.Y. Panischev, E.N. Ahmedshina, D.V. Kataseva, A.S. Katasev, A.M. Akhmetvaleev // International Journal of Engineering Research and Technology. - 2020. - Vol. 13, No. 12. - P. 4432-4438.

170. Panischev, O.Y. Neurofuzzy model of formation of knowledge bases for selection of geological and technical measures in oil fields / O.Y. Panischev, E.N. Ahmed-shina, D.V. Kataseva, I.V. Anikin, A.S. Katasev, A.M. Akhmetvaleev, A.V. Nasy-bullin // International Journal of Engineering Research and Technology. - 2020. -Vol. 13, No. 11. - P. 3589-3595.

171. Pavlov, S.V. Model of a fuzzy dynamic decision support system / S.V. Pavlov, V.A. Dokuchaev, S.S. Mytenkov // T-Comm. - 2020. - Vol. 14, No. 9. - P. 43-47.

172. Powers, D.M.W. Evaluation: from precision, recall and f-measure to ROC, in-formedness, markedness and correlation / D.M.W. Powers // Journal of Machine Learning Technologies. - 2011. - Vol. 2. - No. 1. - P. 37-63.

173. Romanenkov, Yu. Approach to intellectualization of complete supply chain management processes using fuzzy expert systems / Yu. Romanenkov, Ya. Rahimi, M. Danova, O. Feoktystova, I. Shostak // Intellectualization of Logistics and Supply Chain Management. - 2021. - No. 5 (5). - P. 26-39.

174. Setnes, M. Simplification and reduction of fuzzy rules / M. Setnes // Studies in Fuzz-iness and Soft Computing. - 2003. - Vol. 128. - P. 278-302.

175. Sugeno, M. A note on derivatives of functions with respect to fuzzy measures / M. Sugeno // Fuzzy Sets and Systems. - 2013. - No 222. - P. 1-17.

176. Sugeno, M. On improvement of stability conditions for continuous Mamdani-like fuzzy systems / M. Sugeno, T. Taniguchi // IEEE Transactions on Systems, Man, and Cybernetics, Part B: Cybernetics. - 2004. - No 34(1). - P. 120-131.

177. Tao, C.W. A reduction approach for fuzzy rule bases of fuzzy controllers / C.W. Tao // IEEE transactions on systems, man, and cybernetics. - 2002. - Vol. 32. - No. 5. -P. 668-675.

178. User Knowledge Modeling [Электронный ресурс]. - Режим доступа: https://ar-chive.ics.uci.edu/ml/datasets/User+Knowledge+Modeling (дата обращения: 23.11.2023).

179. Xiong, N. Reduction of fuzzy control rules by means of premise learning method and case study / N. Xiong, L. Litz // Fuzzy Sets and Systems. - 2002. - Vol. 132. -No. 2. - P. 217-231.

Приложение 1 Руководство по использованию программного комплекса «Нейронечеткая система формирования нечетких моделей оценки дискретного состояния объектов»

Рассмотрим основные возможности программного комплекса на примере формирования нечеткой модели (базы знаний) оценки функционального состояния водителей автотранспортных средств [16; 17; 56]. Работа с программным комплексом начинается с главного окна, вид которого представлен на рисунке П1.1.

Рисунок П1.1 - Главное окно программного комплекса

Главное окно программного комплекса содержит следующие разделы:

- «Загрузка исходных данных» (обеспечивает доступ к исходным данным и их загрузку для дальнейшей генерации выборок для обучения ННС и формирования базы знаний);

- «Статистика исходных данных» (показывает количество строк в исходных данных, число входных столбцов, в том числе столбцов с нечеткими градациями, для которых в дальнейшем строятся функции принадлежности);

- «Инициализация ННС» (показывает выбранную форму функций принадлежности, используемых для формализации нечетких градаций);

- «Результаты инициализации ННС» (показывает значения точности классификации (метрики Accuracy) на обучающей и тестовой выборках всех ННС в коллективе до начала их обучения);

- «Обучение ННС» (позволяет задавать параметры обучения: число ННС в коллективе, длину хромосомы в генетическом алгоритме, используемом для обучения ННС, число начальной популяции хромосом, вероятность мутации дочерних хромосом, а также число эпох «холостой» работы генетического алгоритма и число циклов «холостого» обучения ННС [91]);

- «График обучения ННС» (позволяет визуально следить за ходом обучения по изменению зависимости точности классификации текущей ННС на обучающей выборке данных от числа обработанных параметров функций принадлежности, настраиваемых в процессе обучения ННС);

- «Результаты обучения ННС» (показывает текущий цикл обучения ННС, номер настраиваемого параметра из их общего количества, текущую эпоху генетического алгоритма, время обучения ННС, а также текущую точность классификации данных из обучающей и тестовой выборок).

Кроме того, на главном окне расположены следующие кнопки:

- «Сгенерировать выборки» (позволяет сгенерировать из исходных данных обучающую и тестовую выборки, используя метод группового случайного сэмплинга с замещением [91]);

- «Построить ФП» (строит функции принадлежности для каждой ННС по методу равномерного гранулирования [90]);

- «Показать ФП» (отображает построенные функции принадлежности);

- «Построить правила» (строит нечеткие правила базы знаний на основе полученных функций принадлежности);

- «Показать правила» (отображает построенные правила базы знаний в удобном для восприятия виде);

- «Начать обучение» (запускает процесс обучения ННС);

- «Остановить обучение» (останавливает процесс обучения текущей ННС в коллективе и переходит к обучению следующей ННС);

- «Показать метрики качества классификации» (отображает значения метрик Accuracy, Precision, Recall и F1-Score на обучающей и тестовой выборках для всех ННС и соответствующих им систем нечетких правил).

Первым этапом работы с программным комплексом является загрузка исходных данных для анализа (см. рис. П1.2).

? Выберите столбцы с градацией

Выберите поля с градациями

□

х

121 Dimin

121 Dps

121 As

0 Ts

Выберите число градаций для каждого поля

; з

; з

; з

Dmin Dps As Ts Class Л

► 1 0.5269633 0,267054752 0.72 0

2 0.014947896 0.169734799 0,309573805 2,44 0

3 0.007327195 0,232543459 0.450432527 1,84 0

4 0.006057914 0.197364331 0,382612833 1.52 0

5 0.003202737 0.047094256 0.087783038 1,12 0

6 0.010441162 0,335041071 0.649199817 1,4 0

7 0.003629885 0.1 13518767 0,219777764 1.04 0

8 1.108689768 0.1414594 0,282910584 0,24 0 V

Далее

121 Показать таблицу

Рисунок П1.2 - Окно загрузки исходных данных

В этом окне на этапе загрузки и просмотра исходных данных необходимо выбрать входные столбы с градациями и указать число нечетких градаций для каждого выбранного столбца.

После нажатия на кнопку «Далее» происходит возврат в главное окно программного комплекса. При этом кнопка «Сгенерировать выборки» становится активной. По ее нажатию генерируются обучающая и тестовая выборки и становится активной кнопка «Построить ФП», нажатие на которую активирует кнопки «Показать ФП» и «Построить правила».

При нажатии на кнопку «Показать ФП» появляется окно, в котором отображаются функции принадлежности с инициализированными значениями параметров (см. рис. П1.3).

Рисунок П1.3 - Окно просмотра функций принадлежности В этом окне имеется возможность просматривать ФП для каждого входного параметра (кнопки «Следующий параметр», «Предыдущий параметр»), а также для каждой ННС (стрелки «влево» и «вправо»).

При нажатии на кнопку «Построить правила» появляется возможность их просмотра (становится активной кнопка «Показать правила»), просмотра значений метрик качества классификации, просмотра результатов инициализации ННС, а также запуска процесса обучения коллектива ННС.

При нажатии на кнопку «Показать правила» появляется окно, вид которого представлен на рисунке П1.4.

Правила

ННС №

Dmin Dps As Ts Class CF Л

► 1 1 1 1 0 0,0900

2 1 1 1 1 1 0,1593

3 1 1 1 2 0 0,1476

4 1 1 1 2 1 0,1603

5 1 1 1 3 0 0,0462

6 1 1 1 3 1 0,0041

7 1 1 2 1 0 0,1635

3 1 1 2 1 1 0,1647

9 1 1 2 2 0 0,2373

10 1 1 2 2 1 0,1696

11 1 1 2 3 0 0,0933

12 1 1 2 3 1 0,0121

13 1 1 3 1 0 0,1024

14 1 1 3 2 0 0,1333

15 1 1 3 2 1 0,0006

16 1 1 3 3 0 0,0310

17 1 1 3 3 1 0,0043

13 1 2 1 1 0 0,0510

19 1 2 1 1 1 0,4693

20 1 2 1 2 0 0,0597

21 1 2 1 2 1 0,2993

п 1 ч i n Г, Л1 m V

ОК

I I Показать пустые правила

Рисунок П1.4 - Окно просмотра правил В этом окне правила представлены в виде строк таблицы, где значениями 1, 2 и 3 входных параметров Dmin (минимальный диаметр зрачка), Dps (диаметр половинного сужения зрачка), As (амплитуда сужения зрачка) и Ts (время сужения зрачка) закодированы их нечеткие градации «малый», «средний», «большой», а значениями выходного параметра Class являются классы функционального состояния водителя (0 - «нормальное состояние», 1 - «состояние отклонения от нормы»). Стрелки «влево» и «вправо» позволяют переключаться между ННС, просматривая соответствующие системы правил.

При нажатии на кнопку «Показать метрики качества классификации» появляется окно, вид которого представлен на рисунке П1.5.

Метрики качества классификации

® Обучающая выборка О Тестовая выборка

Система № 1

Таблица сопряженности

0 1 Итого

► 0 301 33 339

1 т 692 1161

Итого 770 730 1500

Метрики

Accuracy Precision Recall И Score

► 0 0,662 0,3379 0,3909 0,5423

1 0,662 0,596 0,9479 0,7313

Итого 0,662 0,742 0,6694 0,6373

(Ж

Рисунок П1.5 - Окно просмотра метрик качества классификации В верхней части окна показана таблица сопряженности, а в нижней -значения метрик качества классификации, рассчитанные на основе данных из таблицы сопряженности. В окне имеется возможность переключаться между всеми системами правил (кнопки «влево» и «вправо»), а также отображать значения метрик отдельно для обучающей и для тестовой выборок.

В левой части главного окна программы появляется возможность просмотра результатов инициализации ННС (см. рис. П1.6).

Результаты инициализации ННС

Номер ННС

Точность классификации, % [train]

Точность классификации, % [test} 67,51

66-, 20

Рисунок П1.6 - Результаты инициализации нечетких нейронных сетей Здесь можно посмотреть точность классификации данных из обучающей (train) и тестовой (test) выборок для каждой ННС.

При нажатии на кнопку «Начать обучение» производится запуск процесса обучения коллектива ННС. При этом в нижней правой части главного окна отображается график обучения (см. рис. П1.7), а в нижней левой части -количественные результаты обучения ННС (см. рис. П1.8).

Рисунок П1.7 - График обучения нечеткой нейронной сети

Результаты обучения ННС

Цикл обучения ННС

Параметр ФП / всего параметров Эпоха ГА (настройка параметра] Бремя обучения ННС [чч:мм:сс) Точность классификации, % [train] Точность классификации, % [test]

6/20

00:08:02

96,93

95,67

Рисунок П1.8 - Результаты обучения нечеткой нейронной сети Следует отметить, что график и результаты обучения отображаются для текущей ННС. После завершения обучения появляется возможность их просмотра для всех ННС (активируются кнопки «влево» и «вправо» в нижней части раздела «Результаты обучения ННС»).

Поскольку обучение ННС заключается в настройке значений параметров функций принадлежности [18], то по завершению процесса обучения всех ННС целесообразно посмотреть на их новый вид (нажать на кнопку «Показать ФП»). На рисунке П1.9 представлен пример ФП после обучения ННС.

Рисунок П1.9 - Просмотр функций принадлежности после обучения

нечетких нейронных сетей Из рисунка видно, что вид полученных функций принадлежности отличается от исходного (который был на этапе инициализации), что указывает на их настройку в процессе обучения ННС.

Также в результате настройки ФП (обучения ННС) повышается обобщающая способность нечеткой модели (формируемой базы знаний и алгоритма логического вывода). Окончательную оценку модели можно произвести путем анализа значений метрик качества классификации.

На рисунке П1.10 показан пример значений метрик качества классификации, достигнутых в результате обучения ННС.

Метрики качества классификации

О Обучающая выборка ® Тестовая выборка

Система № 1

Таблица сопряженности

0 1 Итого

► 0 126 129

1 139 148

Итого 135 142 277

Метрики

Accuracy Precision Recall F1 Score

► 0 0,9567 0,9767 0,9333 0,9545

1 0,9567 0,9392 0,9739 0,9536

Итого 0,9567 0,953 0,9561 0,9566

OK ->

Рисунок П1.10 - Пример значений метрик качества классификации

после обучения нечеткой нейронной сети Из рисунка видно, что значения всех метрик качества классификации увеличились по сравнению с начальными значениями, рассчитанными на этапе инициализации модели. Также следует отметить, что в данном случае количественные значения всех метрик, рассчитанных на тестовой выборке (Accuracy = 0,9567; Precision = 0,958; Recall = 0,9561; F1-Score = 0,9566) указывают на адекватность построенной модели коллектива ННС, и, следовательно, на адекватность сформированной нечеткой базы знаний.

По завершению процесса обучения всех ННС появляется соответствующее диалоговое окно (см. рис. П1.11).

^^ Все HHIC обучены!

Рисунок П1.11 - Диалоговое окно завершения обучения нечетких нейронных сетей

Кроме того, появляется возможность сохранить сформированную базу знаний со всеми сопутствующими данными (см. рис. П1.12).

Рисунок П1.12 - Меню сохранения базы знаний По завершению сохранения базы знаний появляется соответствующее диалоговое окно (см. рис. П1.13).

Рисунок П1.13 - Диалоговое окно завершения сохранения базы знаний Все полученные при формировании базы знаний результаты и сопутствующие данные сохраняются в отдельной директории (см. рис. П1.14).

- ' ФС водителя Главная Поделиться Вид

□ X

6

« Локальный диск (Е:) > ФС водителя

V О Поиск: ФС водителя

□ □

| 1пйн1[Ма Д" ^íпo■vu,ledge Ва;е

Ц 3,и1е: 1 В Ки1в2

□ 1М(=3 Д Ри1е54

|1| Р,и1е:5 Т=11

1 те^г Цт<=13

[1| Тей4 ЦТейЗ

[§Тгат1 Д Тга1п2

1 га 1 п з-[§Тгат5 1ГЭ1П4

7 Выбран 1 элемент: 14,9 МБ в==

Рисунок П1.14 - Результат сохранения базы знаний В окне показаны файлы со следующими именами:

- 1пШаЮа1а - текстовый файл с исходными данными;

- Тгат1, Тгат2, ТгатЗ, Тгат4, Тгат5 - текстовые файлы с обучающими выборками данных для каждой из пяти ННС;

- Test1, Test2, Test3, Test4, Test5 - текстовые файлы с тестовыми выборками данных для каждой из пяти ННС;

- Rules1, Rules2, Rules3, Rules4, Rules5 - текстовые файлы с нечеткими правилами, сформированными при обучении каждой из пяти ННС;

- Knowledge Base - json-файл, включающий все значения параметров нечетких правил и базы знаний, сформированной в результате обучения ННС.

Таким образом, реализованный программный комплекс «Нейронечеткая система формирования нечетких моделей оценки дискретного состояния объектов» имеет дружественный графический интерфейс для работы с ним аналитика, под управлением которого производится анализ исходных данных, обучение модели коллектива ННС, формирование, просмотр, оценка адекватности и сохранение сформированной базы знаний.

Приложение 2 Свидетельства о государственной регистрации разработанных программ для ЭВМ

Правообладатель федеральное государственное бюджетное образовательное учреждение высшего образования "Казанский национальный исследовательский технический университет им. А.Н. Туполева - КАИ"

(яи)

Авторы Дагаева Мария Витальевна (IIV), Катаеве Алексей Сергеевич (Я1>), Хасбиуллин Марат Фаридович (№)

Заявка № 2023664921

Дата поступления 17 ИЮЛЯ ¿1)23 Г. Дата государственной регистрации в Реестре программ для ЭВМ 25 ИЮЛЯ 2023

Руководитель Федеральной службы по интеллектуальной собственности

ДОКУМЕНТ ПОДПИСАН ЭЛЕКТРОННОЙ ПОДПИСЬЮ

Сертифтлт 429Ь6аОГе38!3316ЛЬаГ9бгаЗЬ73Ь4аа7 К). С. '

влмс*<м Зубов Юрий Сергеевич

Цейс-вителен с 1ВАЯБ23 по 0208.2024

теотшЕшжАЯ! фвдиращжж

СВИДЕТЕЛЬСТВО

о государственной регистрации программы для ЭВМ

№ 2023665983

Программный комплекс редукции нечетких правил в

моделях оценки дискретного состояния объектов

Приложение 3 Акты о внедрении и апробации результатов диссертационного исследования

АКТ

НИТУ-КАИ

« У2 >/ \ <Р6~ 2023 г.

Ппогакк'тпт/ пЛ образовательной

«УТВЕРЖДАЮ»

/ Р.Е. Моисеев /

о внедрении в учебный процесс университета результатов кандидатской диссертации аспиранта кафедры систем информационной безопасности Дагаевой Марии Витальевны

Мы, нижеподписавшиеся, заведующий кафедрой систем информационной безопасности, д.т.н., профессор Аникин И.В. и директор института компьютерных технологий и защиты информации, к.т.н., доцент Трегубое В.М., составили настоящий акт о том, что полученные аспирантом кафедры систем информационной безопасности Дагаевой М.В. результаты кандидатской диссертации внедрены в учебный процесс университета.

Предложенные в диссертации методы, алгоритмы и программный комплекс редукции нечетких правил в моделях оценки дискретного состояния объектов используются на кафедре систем информационной безопасности для подготовки магистров по направлению «Информатика и вычислительная техника» при проведении лекционных занятий и лабораторных работ по дисциплинам «Нечеткие системы и алгоритмы», «Нечеткие и гибридные системы», «Нечеткие нейросети и генетические алгоритмы».

Кроме того, результаты диссертационного исследования Дагаевой М.В. используются на кафедре при выполнении обучающимися выпускных квалификационных, курсовых и научно-исследовательских работ.

Директор института компьютерных технологий и защиты информации,

к.т.н., доцент

В.М. Трегубов

Заведующий кафедрой систем информационной безопасности, д.т.н., профессор

И.В. Аникин

УТВЕРЖДАЮ

Директор ГБУ «Безопасность дорожного движения», член-корреспондент Академии наук Республики Татарстан,

Минниханов !

У/ 2023 г.

АКТ

о внедрении результатов диссертационной работы Дагаевой Марии Витальевны

Комиссия в составе:

председатель: Сабитов A.A., заместитель начальника Центра разработки и сопровождения информационных систем, члены комиссии:

- ЭминовБ.Ф., главный специалист сектора инновационного развития, к.ф.-м.н., доцент;

- Аслямов Т.Н., главный специалист технического сектора;