Модели и методы интеллектуальной обработки данных для систем поддержки принятия решений (на примере систем экологической безопасности) тема диссертации и автореферата по ВАК РФ 05.13.18, кандидат наук Кремлева Эльмира Шамильевна
- Специальность ВАК РФ05.13.18
- Количество страниц 180
Оглавление диссертации кандидат наук Кремлева Эльмира Шамильевна
ВВЕДЕНИЕ
ГЛАВА 1 АНАЛИЗ МОДЕЛЕЙ, МЕТОДОВ И ПРОГРАММНЫХ СРЕДСТВ СИСТЕМ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ В ЭКОЛОГИИ
1.1 Анализ развития моделей систем поддержки принятия решений
1.2 Классификация моделей систем поддержки принятия решений
1.2.1 Анализ моделей, методов и программных реализаций систем типа Execution Information System
1.2.2 Анализ моделей, методов и программных реализаций систем типа Decision Support System
1.3 Проблема семантического разрыва в системах поддержки принятия решений
1.4 Постановка задач создания моделей и методов для СППР с учетом качественной информации
1.4.1 Системы, создаваемые с участием экспертов
1.4.2 Системы, генерируемые автоматически
1.4.3 Сопряжение числовых и качественных данных
1.4.4 Постановка задач исследования
1.5 Выводы
ГЛАВА 2 МЕТОДЫ АВТОМАТИЗИРОВАННОГО ПОСТРОЕНИЯ МОДЕЛЕЙ КАЧЕСТВЕННОЙ ОЦЕНКИ СОСТОЯНИЯ ОБЪЕКТА
2.1 Метод построения модели каскадной нейросетевой классификации для интегрального качественного оценивания многомерных количественных данных
2.1.1 Общее описание идеи метода
2.1.2 Выбор кластеризующего алгоритма
2.1.3 Проведение разведывательных вычислительных экспериментов
2.1.4 Модель каскадной нейросетевой классификации с учетом неформализуемой качественной информации
2.1.5 Вычислительные эксперименты
2.2 Метод модификации модели каскадной нейросетевой классификации на основе использования конечного детерминированного автомата для автоматического распознавания класса объекта
2.2.1 Проблема размытой классификации
2.2.2 Метод определения классов объектов на основе нейросетевого каскада
2.2.3 Метод определения классов объектов на основе каскадной нейросетевой классификации
2.2.4 Модифицированная модель каскадной нейросетевой классификации на основе конечного детерминированного автомата
2.2.5 Вычислительные эксперименты
2.3 Метод кодирования периодических данных с лингвистической градацией при помощи нечеткой меры
2.3.1 Нечеткое кодирование
2.3.2 Численный метод нечеткого кодирования
2.3.3 Вычислительные эксперименты
2.4 Выводы
ГЛАВА 3 МЕТОДЫ АВТОМАТИЧЕСКОГО ПОСТРОЕНИЯ МОДЕЛЕЙ КАЧЕСТВЕННОЙ ОЦЕНКИ СОСТОЯНИЯ ОБЪЕКТА
3.1 Разработка концепции автоматического построения нечеткой
модели для системы поддержки принятия решений с учетом качественной информации
3.2 Разработка метода автоматического преобразования нечеткой модели Т8К в модель типа Мамдани
3.2.1 Условия и допущения
3.2.2 Способ вычисления центров функций принадлежности выходной переменной системы Мамдани
3.2.3 Процедура определения разбросов функций принадлежности выходной переменной системы Мамдани
3.2.4 Численный метод преобразования модели TSK в модель типа Мамдани
3.2.5 Вычислительные эксперименты
3.3 Процедуры автоматического построения модели Такаги-Сугено для количественного расчета результирующего параметра
3.3.1 Процедура построения левых частей правил системы
3.3.2 Процедура построения правых частей правил системы
3.3.3 Процедура определение соответствий между левыми и правыми частями правил системы Такаги-Сугено
3.4 Повышение точности модели Т8К на основе машинного обучения97
3.5 Вербальная интерпретация количественного ответа системы Т8К на основе численного метода преобразования модели Т8К в модель типа Мамдани
3.6 Описание последовательности автоматической генерации модели нечеткого логического вывода с качественным выходом
3.7 Вычислительные эксперименты
3.8 Выводы
ГЛАВА 4 РАЗРАБОТКА ПРОГРАММНЫХ МОДУЛЕЙ ДЛЯ РЕШЕНИЯ ЗАДАЧ ПОДДЕРЖКИ ПРИНЯТИЯ УПРАВЛЕНЧЕСКИХ РЕШЕНИЙ С УЧЕТОМ КАЧЕСТВЕННОЙ ИНФОРМАЦИИ О СОСТОЯНИИ ОБЪЕКТА109
4.1 Разработка программного модуля, реализующего модель каскадной нейросетевой классификации
4.2 Разработка расширения программного модуля нейросетевой классификации с возможностью дополнения вспомогательными моделями
4.3 Практическое применение программного модуля каскадной нейросетевой классификации: интегральное оценивание качества поверхностных вод
4.3.1 Процесс типизации поверхностных вод многомерным кластеризующим SOM-классификатором
4.3.2 Результаты
4.3.3 Анализ результатов
4.4 Разработка программного модуля, реализующего модель
нечеткого логического вывода с качественным выходом
4.5 Практическое применение программного модуля нечеткого логического вывода с качественным выходом: генерация рекомендаций по принятию управленческих решений
4.5.1 Построение начальной системы TSK с проверкой адекватности
4.5.2 Повышение точности построенной системы TSK
4.5.3 Качественная интерпретация количественного ответа системы TSK
4.6 Выводы
ЗАКЛЮЧЕНИЕ
СПИСОК ЛИТЕРАТУРЫ
приложение 1 АКТЫ О внедрении и использовании
РЕЗУЛЬТАТОВ ДИССЕРТАЦИОННОГО ИССЛЕДОВАНИЯ
ПРИЛОЖЕНИЕ 2 СВИДЕТЕЛЬСТВА О ГОСУДАРСТВЕННОЙ РЕГИСТРАЦИИ РАЗРАБОТАННЫХ ПРОГРАММ ДЛЯ ЭВМ
Рекомендованный список диссертаций по специальности «Математическое моделирование, численные методы и комплексы программ», 05.13.18 шифр ВАК
Разработка методов проектирования оптических и оптоэлектронных устройств для обработки нечетко-логической информации в системах принятия решений2013 год, кандидат технических наук Аллес, Михаил Александрович
Модель и алгоритмы оценки состояния линейных объектов водопроводных и тепловых сетей в условиях неопределенности2014 год, кандидат наук Голубева, Александра Александровна
Нечеткая регрессионная модель и программный комплекс системы нечеткого логического вывода2010 год, кандидат физико-математических наук Зиновьев, Игорь Павлович
Нейросетевое моделирование для решения задач мониторинга в условиях неполной и нечеткой информации: на примере задач экологического мониторинга2013 год, доктор технических наук Новикова, Светлана Владимировна
Разработка моделей и алгоритмов повышения эффективности нечеткого вывода в продукционных интеллектуальных системах2017 год, кандидат наук Шварц Александр Юрьевич
Введение диссертации (часть автореферата) на тему «Модели и методы интеллектуальной обработки данных для систем поддержки принятия решений (на примере систем экологической безопасности)»
ВВЕДЕНИЕ
Актуальность темы. В современном мире тотальная информатизация промышленности повлекла необходимость создания эффективных информационных систем хранения и обработки данных. Для обработки данных используется большой класс методов, объединенных общим названием Data Mining. На основе Data Mining-технологий разработан ряд эффективных методов для поддержки принятия решений с использованием искусственного интеллекта, что позволило повысить точность вычислений, а также приблизить логику принятия решений к человеческому способу мышления. Во многих областях человеческой деятельности возможность учета информации в лексической форме, генерация рекомендаций на качественном уровне, построение моделей с учетом неформализуемых качественных сторон человеческого восприятия весьма важны. Создание рекомендующих систем, способных решать сложные задачи управления, и при этом учитывать в работе качественную информацию, способно значительно повысить эффективность принимаемых организационных решений, облегчить процесс непосредственного принятия решения человеком, а также уменьшить ошибки неадекватной интерпретации. Поэтому разработка моделей, методов и программных средств интеллектуальной обработки данных с учетом качественной информации является актуальной научно-технической задачей.
Степень разработанности темы. Работы в области применения интеллектуальных моделей на основе искусственных нейронных сетей для оценки и управления объектами в основном связаны с техническими системами. К таким работам можно отнести труды Л.Ю. Емалетдиновой [29, 37, 81], В.А. Терехова [110], Л. Рутковского [94] и др. Разработанные модели и методы сложно использовать при организационном управлении, т.к. в качестве входных переменных присутствуют как количественные, так и качественные, а оценки и рекомендации должны формироваться в вербальной форме. При относительно небольшой размерности задачи, нейросетевые вычислительные системы можно
дополнять учетом мнений экспертов, однако в существующих работах такой подход не описан.
Процессы моделирования работы человеческого мозга на основе интеллектуальных математических моделей описаны, например, в работах И.Г. Сидоркиной [101, 102], С.Т. Васильева [18], Пок Янг Минг [161] и др. Однако возможность их применения совместно с точными вычислительными моделями в системах поддержки принятия решений не рассматривается.
Системы, основанные на мягких вычислениях, учитывают качественную информацию. Работы таких ученых, как, А.В. Язенин [12], Т. Тэрано, Д. Хонг [156] и других посвящены нечетким системам управления. Недостатком нечетких систем является невозможность их автоматического построения без привлечения экспертов в случае, если размерность задачи не позволяет специалистам предметной области оценить качественные свойства объектов экспертным способом. В работах таких ученых, как Н.Г. Ярушкина [140, 141], А.С. Катасёв [41, 42], О. Кордон [144] и других предлагается настраивать функции принадлежности нечетких множеств автоматически. При этом рассматриваются определенные виды нечетких систем: Такаги-Сугено (TSK) либо Мамдани. Наибольший эффект может обеспечить интеграция двух подходов, что в существующих исследованиях не рассматривается.
Поэтому актуальной научно-технической задачей является разработка специальных моделей, методов и алгоритмов на базе нейронных сетей и нечеткой логики для создания советующих систем по организационному управлению с учетом качественной информации в автоматизированном режиме на основе экспертных оценок, а также автоматически на основе интеллектуальной обработки данных.
Объект исследования: модели оценки состояния объекта с учетом качественной информации на основе нейронных сетей и нечеткой логики.
Предмет исследования: методы автоматизированного и автоматического построения и использования моделей оценки состояния объекта с учетом
качественной информации в системах поддержки принятия решений с возможностью формирования вербальных рекомендаций.
Цель работы и задачи исследования. Целью работы является повышение результативности формирования и использования в рекомендующих системах по организационному управлению нейросетевых и нечетких моделей оценки состояния объектов, использующих как количественное, так и качественное представление данных. Исследования проводятся на примере систем поддержки принятия решений, применяемых в экологии.
Для достижения поставленной цели необходимо решить следующие основные задачи:
1. Разработка модели качественной оценки состояния объекта, а также метода и алгоритма ее автоматизированного построения, для задач небольшой размерности, допускающих экспертную интерпретацию.
2. Разработка моделей качественной оценки состояния и выработки рекомендаций по организационному управлению объектом, а также метода и алгоритма их автоматического построения с учетом качественной информации для задач большой размерности.
3. Разработка численного метода кодирования вербальных данных и приведения их к числовому виду.
4. Разработка численного метода преобразования модели TSK в модель типа Мамдани.
5. Реализация разработанных методов и алгоритмов в виде программного комплекса для построения предложенных моделей и алгоритмов, выполнения исследований и решения практических задач.
Методы исследования. При решении поставленных задач в работе использовались методы теории нейронных сетей и нечетких множеств, кластерного и факторного анализа, оптимизации и объектно-ориентированного программирования.
Научная новизна полученных в работе научных результатов.
1. Разработана модель каскадной нейросетевой классификации,
базирующаяся на построении дерева связей карт Кохонена, отличающаяся способом кластеризации набора данных с использованием экспертных оценок, что позволяет получить интегральный показатель качества объекта в вербальной форме и сократить время распознавания (п. 1).
2. Разработана модель нечеткого логического вывода с качественным выходом, отличающаяся совместным использованием моделей Такаги-Сугено и Мамдани, что позволяет автоматически получать интегральные качественные оценки состояния объекта и рекомендации по его организационному управлению в вербальной форме (п. 1).
3. Разработан метод кодирования периодических данных с лингвистической градацией, базирующийся на нечеткой мере, отличающийся учетом в вычислениях качественных свойств количественных данных, что позволяет оценить близость количественных данных при их качественной интерпретации (п. 3, п. 7).
4. Разработан метод преобразования модели Такаги-Сугено в модель Мамдани, базирующийся на определении значений параметров модели Мамдани на основе скорректированных параметров модели Такаги-Сугено, отличающийся исключением участия экспертов, что позволяет увеличить точность модели Мамдани за счет использования алгоритмов корректировки параметров модели Такаги-Сугено (п. 3).
5. Предложена архитектура оригинального программного комплекса, отличающаяся включением модулей и требуемых функциональных связей, что позволяет реализовать предложенные методы и алгоритмы, осуществлять вычислительные эксперименты (п. 4). Архитектура включает три программных модуля, где каждый модуль может использоваться как самостоятельно, так и в комплексе: модуль, реализующий модель каскадной нейросетевой классификации; расширение программного модуля нейросетевой классификации с возможностью дополнения вспомогательными моделями;
модуль, реализующий модель нечеткого логического вывода с качественным выходом.
На защиту выносятся следующие результаты:
1. Модель каскадной нейросетевой классификации, позволяющая сократить время распознавания и получить интегральную качественную оценку объекта в вербальной форме.
2. Модель нечеткого логического вывода с качественным выходом, позволяющая получать интегральные качественные оценки объекта и рекомендации по его управлению в качественной форме на основе нечетких логических систем.
3. Метод кодирования периодических данных с лингвистической градацией, т.е. количественных данных, качественные свойства, которых повторяются с заданной периодичностью, на основе нечеткой меры, позволяющий оценить близость количественных данных для их качественной интерпретации.
4. Метод преобразования модели TSK в модель Мамдани, позволяющий получить нечеткую модель вербальной оценки состояния объекта и рекомендацию по его управлению в условиях недостаточных исходных данных.
5. Архитектура оригинального комплекса программных модулей, позволяющая реализовать модели, численные методы и алгоритмы в среде MatLab 7.9.0, Statistica 8.0, C# (Visual Web Developer 2010 Express) и Python.
Степень достоверности и апробация результатов. Достоверность научных результатов подтверждена вычислительными экспериментами и результатами практического использования.
Диссертационная работа выполнялась в рамках гранта Правительства Республики Татарстан "Алгарыш" на подготовку, переподготовку и стажировку граждан в российских и зарубежных образовательных и научных организациях на стажировку в DFKI (Немецкий центр по искусственному интеллекту), Саарбрюккен, Германия (Договор №16125 от 10.06.2016), и совместных научных тем КНИТУ-КАИ и Института проблем экологии и недропользования АН РТ:
«Исследование процессов формирования качества поверхностных вод» и «Исследование факторов формирования качества атмосферного воздуха промышленных городов Республики Татарстан».
Теоретическая значимость диссертационной работы заключается в разработке новых моделей оценки состояния объекта с учетом качественной информации с различной степенью участия экспертов, а также моделей, методов и алгоритмов для их построения и использования.
Практическая ценность работы заключается в создании вычислительного комплекса на основе пакетов моделирования MatLab, Statistica, Deductor с применением модулей на языках C# и Python для систем поддержки принятия решений с учетом качественной информации. Особенностью программного комплекса является простота интерпретации ответа рекомендующих систем, т.к. они формируются в вербальной форме. Программные модули комплекса в различных сочетаниях могут использоваться в работе отделов по организационному управлению на предприятиях при принятии решений в зависимости от оценки ситуации на качественном уровне.
Соответствие диссертации паспорту научной специальности. В диссертации разработаны и реализованы в виде комплекса программ модели и методы систем поддержки принятия решений (СППР) на примере систем экологической безопасности с учетом как количественной, так и качественной информации, на основе нейронных сетей различных топологий, систем нечеткого логического вывода, кодирования, а также мнений специалистов-экспертов. Для оценки адекватности приведены результаты вычислительных и натурных экспериментов. Исследование соответствует следующим пунктам паспорта специальности 05.13.18 «Математическое моделирование, численные методы и комплексы программ»:
1. Разработка новых математических методов моделирования объектов и явлений: разработка моделей каскадной классификации и нечеткого логического вывода с качественным выходом.
3. Разработка, обоснование и тестирование эффективных вычислительных методов с применением современных компьютерных технологий: разработка вычислительных методов периодических данных с лингвистической градацией и преобразования модели Такаги-Сугено в модель Мамдани.
4. Реализация эффективных численных методов и алгоритмов в виде комплексов проблемно-ориентированных программ для проведения вычислительного эксперимента: построение комплексов программных модулей, реализующих СППР на основе разработанных методов и алгоритмов.
7. Разработка новых математических методов и алгоритмов интерпретации натурного эксперимента на основе его математической модели: качественная интегральная интерпретация количественных экспериментальных данных об объекте с возможностью классификации.
Апробация работы. Основные результаты работы докладывались и обсуждались на следующих международных и всероссийских конференциях:
- Международная научно-практическая конференция «Актуальные вопросы модернизации науки» (2014);
- VIII Международная научно-практическая конференция «Логистика и экономика ресурсоэнергосбережения в промышленности (МНПК «ЛЭРЭП-8-2014»)» (2014);
- Международная научно-техническая конференция «Математические методы в технике и технологиях - ММТТ» (2014);
- Всероссийская научно-практическая конференция с международным участием «Новые технологии, материалы и оборудование российской авиакосмической отрасли Материалы» (2018);
- XVI Международная научная конференция «Химия и Инженерная Экология» (2018);
- XV Международная научно-техническая конференция «Наука, образование, производство в решении экологических проблем-Экология-2019» (2019);
- XIX Международная научная конференция «Химия и Инженерная Экология» (2019).
Публикации. По теме диссертации опубликовано 22 научные работы, в том числе 7 статей на международных и всероссийской научных конференциях, 10 статей в журналах, рекомендуемых ВАК (из них 8, в которых должны быть опубликованы основные научные результаты диссертаций на соискание ученой степени по научной специальности 05.13.18), 4 публикации в изданиях SCOPUS и
I учебно-методическое пособие. Получено 2 свидетельства о государственной регистрации программ для ЭВМ.
Реализация результатов работы. Результаты исследования использованы в работе Министерства экологии и природных ресурсов Республики Татарстан для повышения достоверности оценки уровня загрязнения поверхностных вод, что позволило улучшить формирование управленческих решений; в работе отдела автомобильного транспорта Министерства транспорта и дорожного хозяйства РТ в системе поддержки принятия решений для интегральной оценки угрозы неблагоприятных экологических ситуаций в Республике Татарстан, что повысило транспортную безопасность РТ; внедрены в учебный процесс кафедры прикладной математики и информатики ФГБОУ ВО «Казанский национальный исследовательский технический университет им. А.Н. Туполева-КАИ» и используются при изучении дисциплин «Компьютерное моделирование процессов и систем», «Нейросетевые модели и алгоритмы», «Глубокое машинное обучение», а также для слушателей курсов дополнительного профессионального образования и повышения квалификации по программе «Информационные технологии в техносферной безопасности».
Структура и объем диссертации. Диссертационное исследование состоит из введения, четырех глав, заключения, списка использованной литературы и двух приложений. Материал изложен на 180 страницах текста, содержит 39 рисунков и
II таблиц.
Сведения о личном вкладе автора. Постановка научно-технической задачи, содержание диссертации и представленные в ней результаты получены
лично автором. Подготовка к публикации некоторых результатов проводилась совместно с соавторами, причем вклад диссертанта определяющий.
Во введении содержится обоснование актуальности задачи исследования, приводятся основные научные положения и результаты.
В первой главе проведен анализ основных видов систем поддержки принятия решений, применяемых в экологии. Проанализированы их достоинства и недостатки, раскрыты базовые применяемые алгоритмы и решения. Проведен анализ практических программных реализаций. Системы рассматриваются под углом возможности их функционирования с использованием качественной (вербальной) информации. Сформулированы задачи исследования.
Во второй главе описывается разработка методов автоматизированного построения моделей качественной оценки состояния объекта.
Модели строятся на основе синергетического подхода, объединяющего в себе строгие математические методы и экспертные решения специалистов конкретной предметной области. Полученная в результате модель способна обобщать не только количественную, но и качественную неформализуемую информацию, что отражается на этапе ее построения и обучения. На этапе эксплуатации модель способна работать полностью в автоматическом режиме, без привлечения человека, и представляет собой эффективный аппарат ППР для областей с качественными критериями принятия решений. В соответствии с данной идеей разработана одна модель и один метод.
В третьей главе описывается разработка методов автоматического построения моделей качественной оценки состояния объекта.
Модели основаны на системах нечеткого логического вывода, для построения которых используются качественные элементы. На основании качественного оценивания СППР способна генерировать вербальные рекомендации. Человек непосредственно не участвует в процессе построения модели, то есть ее структура не зависит от экспертных или иных человеческих мнений, однако качественная информация (например, элементы нормативных
актов, документов, распоряжений и т.п.) встраивается в алгоритм в закодированном виде.
На основании имеющихся количественных данных, а также актуальных качественных определений и понятий системы, необходимо построить систему ППР, которая генерировала бы рекомендации в качественной форме на естественном языке. В соответствии с данной идеей разработана одна модель и один метод.
В четвертой главе приводится программная реализация разработанных в Главах 2-3 методов и алгоритмов для решения конкретной актуальной задачи -создания СППР для управления экологической безопасностью.
В заключении сформулированы основные научные и практические результаты работы, намечены направления перспективных исследований.
В приложении 1 представлены акты о внедрении и использовании результатов диссертационного исследования.
В приложении 2 представлены свидетельства о регистрации программ для ЭВМ.
Диссертация выполнена в федеральном государственном бюджетном образовательном учреждении высшего образования «Казанский национальный исследовательский технический университет им. А.Н. Туполева-КАИ» на кафедре прикладной математики и информатики и в Институте проблем экологии и недропользования Академии наук РТ.
Автор выражает глубокую благодарность доктору химических наук, профессору Юлии Алексеевне Тунаковой, доктору технических наук, профессору Лилии Юнеровне Емалетдиновой, доктору технических наук, профессору Алексею Сергеевичу Катасёву, сотрудникам ИПЭН АН РТ к.ф.-м.н., с.н.с. Артуру Рифгатовичу Шагидуллину и с.н.с. Всеволоду Сергеевичу Валиеву за помощь в работе над диссертацией.
ГЛАВА 1 АНАЛИЗ МОДЕЛЕЙ, МЕТОДОВ И ПРОГРАММНЫХ СРЕДСТВ СИСТЕМ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ В
ЭКОЛОГИИ
В главе проведен анализ основных видов систем поддержки принятия решений, в том числе и для обеспечения экологической безопасности территорий [83]. Проанализированы их достоинства и недостатки, раскрыты базовые применяемые алгоритмы и решения. Проведен анализ практических программных реализаций. Системы рассматриваются под углом возможности из функционирования с использованием элементов естественного языка, способности поддерживать качественные определения и неформализуемые способы качественного представления информации. На основе проведенного анализа сделан вывод о недостаточной степени учета в современных СППР качественной информации, что часто приводит к снижению эффективности систем из-за неправильной интерпретации количественного ответа системы (возникновения семантических разрывов). Формулируются первоочередные задачи разработки интеллектуальных СППР, способные устранить указанные недостатки.
1.1 Анализ развития моделей систем поддержки принятия решений
Первые системы поддержки принятия решений (СППР) появились в 50-х годах прошлого века [149; 150] и предназначались, главным образом, для узких специалистов предметной области, для решения инженерных, математических, экономических и других узкоспециальных задач [171; 176]. С течением времени СППР развивались и трансформировались, превращаясь из специализированных инструментов точных вычислений в помощников и советчиков для самого широкого круга вопросов, вплоть до бытовых задач [10; 1; 127].
Особую популярность рекомендующие системы получили с развитием методов искусственного интеллекта (ИИ) [40; 105] что позволило не только повысить точность вычислений подобных систем, но и приблизить алгоритмы принятия решений к человеческому способу мышления. Последнее обстоятельство существенно расширило круг решаемых СППР вопросов, в первую очередь за счет неформализуемых или трудноформализуемых задач [109].
Другой особенностью интеллектуальных СППР стала возможность «очеловечивания» человеко-машинного взаимодействия. Распознавание рукописного текста и речи, корпоративная фильтрация данных, обучающиеся и самообучающиеся алгоритмы, речевые генераторы - все это позволило появиться таким «антропоморфным» рекомендующим системам, как Siri от Apple [173], Cortana от Microsoft [33] или Алиса от Яндекса [3].
Однако развитие этих двух сторон искусственного интеллекта шло в разных направлениях. Системы для решения сложных инженерных задач, управления сложными техническими системами, широко используют ИИ для вычислений, но практически не предоставляют информацию для лица, принимающего решения (ЛПР), в привычном для человеческого восприятия виде - в форме слов и качественных оценок ситуации. Системы же типа Siri - это в подавляющем большинстве случаев просто голосовые помощники, подающие информацию в удобной для человека форме, но не способные решать сложные инженерные задачи.
Возможно, для управления сложными объектами не целесообразно использовать настолько имитирующие человеческое общение системы, но в очень многих областях возможность учета информации в лексической форме, генерация рекомендаций на качественном уровне, построение моделей с учетом неформализуемых сторон человеческого восприятия, очень важны [89].
К объектам управления подобного рода относятся, например, задачи здравоохранения, когда решение о мерах профилактики или лечения врач принимает на основе субъективной качественной оценки состояния больного («удовлетворительное состояние», «высокий риск инфицирования» и т.п.) [106];
экономические задачи, где часто решения принимаются на основе прогнозируемых параметров рынка, выраженных в качественной форме [4]; задачи обеспечения экологической безопасности, где управляющие органы принимают решения на основании качественных оценок окружающей среды и ее объектов («средний уровень загрязнения», «критическое состояние системы» и т.п.) [53] и степени экологического риска [115; 116]; и даже в технических системах, когда параметры работы аппарата регулируются на основе субъективных человеческих определений в качественной форме («ПОВЫСИТЬ» обороты вентилятора до достижения «КОМФОРТНОЙ» температуры) [30], и др. Отсутствие возможности предоставления информации для ЛПР в естественной форме, для подобных объектов может порождать проблемы неправильной интерпретации численных результатов работы СППР [125], что снижает эффективность управления в целом.
Создание СППР, способных решать сложные задачи управления, и вместе с тем учитывающих в своей работе качественную информацию, способно значительно повысить эффективность принимаемых решений, облегчить процесс непосредственного принятия решения человеком, а также уменьшить ошибки неадекватной интерпретации.
1.2 Классификация моделей систем поддержки принятия решений
Система поддержки принятия решений (СППР) включает в себя правила принятия решений и соответствующие модели с базами данных, а также интерактивный компьютерный процесс моделирования.
Основу СППР составляет комплекс взаимосвязанных моделей с соответствующей информационной поддержкой исследования, экспертные и интеллектуальные системы, включающие опыт решения задач управления и обеспечивающие участие коллектива экспертов в процессе выработки рациональных решений.
Существует множество классификаций СППР:
1. Классификация, основанная на принципах человеко-машинного взаимодействия [154]. СППР подразделяются на пассивные, активные и кооперативные.
• Пассивной СППР называется система, которая помогает процессу принятия решения, но не может вынести предложение, какое решение принять.
• Активная СППР может сделать предложение, какое решение следует выбрать.
• Кооперативная позволяет ЛПР изменять, пополнять или улучшать решения, предлагаемые системой, посылая затем эти изменения в систему для проверки. Система изменяет, пополняет или улучшает эти решения и посылает их опять пользователю. Процесс продолжается до получения согласованного решения.
2. Классификация, основанная на концепции приложения СППР [169]:
• СППР, управляемые сообщениями (Communication-Driven DSS, ранее групповая СППР - GDSS), поддерживает группу пользователей, работающих над выполнением общей задачи;
• СППР, управляемые данными (Data-Driven DSS), или СППР, ориентированные на работу с данными (Data-oriented DSS), в основном ориентируются на доступ и манипуляции с данными;
Похожие диссертационные работы по специальности «Математическое моделирование, численные методы и комплексы программ», 05.13.18 шифр ВАК
Методология синтеза гибридных классификаторов для прогнозирования состояния здоровья и профессиональной пригодности при работе в экстремальных условиях2018 год, кандидат наук Шуткин, Александр Николаевич
Методы формирования нечетких моделей оценки состояния объектов в условиях неопределенности2019 год, доктор наук Катасёв Алексей Сергеевич
Система поддержки принятия решений при модернизации элементов сетей передачи данных2021 год, кандидат наук Олейников Александр Александрович
Нейронечеткая модель и программный комплекс формирования баз знаний интеллектуальных систем поддержки принятия решений по оценке состояния объектов2022 год, кандидат наук Катасёва Дина Владимировна
Синтез робастных систем управления с использованием каскадно-связанных модифицированных нелинейных, нечетких и нейросетевых регуляторов2011 год, кандидат технических наук Масютина, Галина Владимировна
Список литературы диссертационного исследования кандидат наук Кремлева Эльмира Шамильевна, 2021 год
СПИСОК ЛИТЕРАТУРЫ
1. Абакаров, А.Ш. Программная система поддержки принятия решений «MPRIORITY 1.0» / А.Ш. Абакаров, Ю.А. Сушков // Электронный научный журнал «Исследовано в России». - 2005.
2. Акимов, А.А. Системы поддержки принятия решений на базе беспроводных сенсорных сетей с использованием интеллектуального анализа данных / А.А. Акимов, В.Е. Богатырев, А.Г. Финогеев // НиКа. - 2010.
3. Аль-Кайси, А.Н., Интеллектуальный голосовой помощник Алиса на уроках русского языка как иностранного (уровень А1) / А.Н. Аль-Кайси, А.Л. Архангельская, О.И. Руденко-Моргун // Филологические науки. Вопросы теории и практики. - 2019. - № 2. - С. 239-244.
4. Анищенко, Е.В. Экономические прогнозы: параметры и достоверность / Е.В. Анищенко // Проблемы экономики и юридической практики. - 2017. - № 1, - С. 47-54.
5. Атюшкина, В. В. The formation of a marketing information system on the industrial enterprise / В.В. Атюшкина // Экономика: реалии времени. - 2016. - № 3 (25).
6. Афанасьев, М.А. Компьютерный инструментарий управления эффективностью бизнеса / М.А. Афанасьев, О.В. Староверова, А.И. Уринцов // Вестник Московского университета МВД России. - 2016. - № 8. - С. 208-211.
7. Ахметвалеев, А.М. Схема бесконтактной идентификации лиц находящихся в состоянии опьянения / А.М. Ахметвалеев, А.С. Катасёв // Информация и безопасность. - 2015. - Т. 18. - № 3. - С. 360-365.
8. Ахметвалеев, А.М. Повышение эффективности обнаружения лица и глаз человека на видеоизображении в задачах бесконтактного выявления потенциально опасных лиц / А.М. Ахметвалеев, А.С. Катасёв, М.П. Шлеймович // Информация и безопасность. -2016 - Т. 19. - № 4 (4). - С. 519-522.
9. Баранов, А.А. Технологии комплексного интеллектуального анализа клинических данных / А.А. Баранов, Л.С. Намазова-Баранова, И.В. Смирнов, Д.А. Девяткин, А.О. Шелманов, Е.А. Вишнёва, Е.В. Антонова, В.И. Смирнов // Вестник РАМН. - 2016. - №2. - С. 160-170.
10. Баранова, Л. В. Структура мышления как основа познания / Л.В. Баранова // Гаудеамус. - 2003. - Т. 2. - № 4.
11. Барсегян, А.А. Методы и модели анализа данных: OLAP и Data Mining / А.А. Барсегян, М.С. Куприянов, В.В. Степаненко, И.И. Холод - СПб: БХВ-Петербург, 2004. - 336 с.
12. Батыршин, И.З. Нечеткие гибридные системы. Теория и практика / Под ред. Ярушкиной Н.Г. / И.З. Батыршин, А.О. Недосекин, А.А. Стецко, В.Б. Тарасов, А.В. Язенин, Н.Г. Ярушкина - М.: ФИЗМАТЛИТ, 2007. - 208 с.
13. Бежитский, С.С., Разработка системы поддержки принятия решений в сфере розничной торговли / С.С. Бежитский, Л.М. Савченко, В.В. Сергиенко // Актуальные проблемы авиации и космонавтики. - 2017. - №13.
14. Белашова, Е.С. Методы математической статистики в педагогическом эксперименте / Е.С. Белашова, Э.Ш. Кремлева // Вестник Казанского государственного энергетического университета. - 2010. - № 1(4). - С. 124-126.
15. Белогуров, В.П. Применение обобщенных показателей для оценки уровня загрязненности водных объектов / В.П. Белогуров и др. // Комплексные оценки качества поверхностных вод. - Л.: Гидрометеоиздат. - 1984. - С. 33-43.
16. Бергер, А. Microsoft SQL Server 2005 Analysis Services. OLAP и многомерный анализ данных / А. Бергер - СПб: БХВ-Петербург, 2007.
17. Бильгаева, Л.П. Применение методов интеллектуального анализа для моделирования эколого-социо-экономического развития региона / Л.П. Бильгаева, Э.Ц. Садыкова // Научно-технические ведомости Санкт-Петербургского государственного политехнического университета. Экономические науки. - 2009. - №3 (79) - С. 342-350.
18. Васильев, С.Н. Интеллектуальные системы управления / Васильев С.Н., Филимонов Н.Б., Теряев Е.Д., Филимонов А.Б., Петрин К.В. - Москва, Изд-во: Машиностроение, - 2010. - 544 с.
19. Веденькин, Д.А. Свойства сфокусированных антенн для задач акустической эхолокационной диагностики / Д.А. Веденькин, Ю.Е. Седельников О.В. Потапова // Нелинейный мир. - 2014. - Т. 12. - № 10. - С. 64-68.
20. Верниченко, А.А. Классификации поверхностных вод, основывающиеся на оценке их качественного состояния / А.А. Верниченко // Комплексные оценки качества поверхностных вод. - Л.: Гидрометеоиздат. - 1984. - С. 14-43.
21. Вовченко, А.Е. Встраивание средств Data Mining в инфраструктуру виртуальной обсерватории. / А.Е. Вовченко, Л.А. Калиниченко, О.Ю. Малков, Н.А. Мамардашвили, М.Е. Патракова // В сборнике: Электронные библиотеки: перспективные методы и технологии, электронные коллекции. RCDL'2007. Труды 9ой Всероссийской научной конференции, Переславль-Залесский, Россия - 2007.
22. Воротников, С.А. Система управления миниатюрным внутритрубным роботом / С.А. Воротников, Н.И. Никитин, М. Чеккарелли // Известия вузов. Машиностроение. - 2015. - № 8 (665).
23. Габдрахманова, Г.Н. Комплексная оценка степени загрязненности воды реки Волга района г. Казани / Г.Н. Габдрахманова, В.С. Валиев, Ю.А. Тунакова // В сборнике: Наука, образование, производство в решении экологических проблем (Экология-2018). Материалы XIV Международной научно-технической конференции: в 2 т. - 2018. - С.130-137.
24. Гаврилова, Т.А. Базы знаний интеллектуальных систем. Учебник. / Т.А. Гаврилова, В.Ф. Хорошевский - СПб.: Питер, 2000.
25. Галимова, А.Р. Оценка загрязненности поверхностных вод в районе г. Казани / А.Р. Галимова, Ю.А. Тунакова, В.С. Валиев // В сборнике: Инновационные подходы к решению проблем Сендайской рамочной программы по снижению риска бедствий на 2015-2030 годы. Материалы международной научно-практической конференции. - 2018. - С. 230-233.
26. Гитис, Л.Х. Статистическая классификация и кластерный анализ / Л.Х. Гитис - М: Изд-во Московского государственного горного университета, 2003 - 158 с.
27. Грекова, А.А. Особенности мышления представителей "цифрового поколения" / А.А. Грекова // Вестник ЮУрГУ. Серия: Психология. - 2019. - №1. -С. 28-37.
28. Далингер, В.А. Теория функций действительного переменного: 2-е изд., пер. и доп. Учебник и практикум для академического бакалавриата. / В.А. Далингер, С.Д. Симонженков - М.:Издательство Юрайт, 2019. - 242 с.
29. Данилаев, Д.П. Нечеткая модель отбора профилей подготовки технических специалистов / Д.П. Данилаев, Л.Ю. Емалетдинова // Открытое образование - 2015. - № 4. - С. 28-32.
30. Демидова, Г.Л. Регуляторы на основе нечеткой логики в системах управления техническими объектами / Г.Л. Демидова, Д.В. Лукичев - СПб: Университет ИТМО, 2017. - 81 с.
31. Демченко, А.А. OLAP-технология анализа данных / А.А. Демченко,
B.В. Молоков // Актуальные проблемы авиации и космонавтики. - 2014. - №10. -
C. 332-333.
32. Джексон, Питер. Введение в экспертные системы: [Пер. с англ. В.Т. Тертышного]. / Питер Джексон. - 3-е изд.- М.: Вильямс, 2001. - 622 с.
33. Джоанна Стерн. Microsoft разработал аналог Siri от Apple. // Ведомости. - 2014. - 4 апреля.
34. Домрачева, А.А. Business Intelligence в экономике [Электронный ресурс] / А.А. Домрачева, Н.Ю. Сайбель // Концепт. - 2017. - №2. - Режим доступа: https://cyberleninka.rU/article/n/business-intelligence-v-ekonomike (дата обращения: 13.05.2020).
35. Држевецкий, Ю.А. Экспертные системы как Прикладная область искусственного интеллекта / Ю.А. Држевецкий, А.В. Затылкин, Н.К. Юрков // НиКа. - 2011.
36. Евсюков, В.В. Интеллектуальный анализ данных как инструмент поддержки принятия решений в системе банковского финансового менеджмента /
B.В. Евсюков // Известия ТулГУ. Экономические и юридические науки. - 2014. -№4-1.
37. Емалетдинова, Л.Ю. Технологии интеллектуального анализа данных: методические указания к выполнению лабораторных работ. / Л.Ю. Емалетдинова,
C.В. Новикова, Н.Л. Валитова, А.Н. Кабирова - Казань: редакционно-издательский центр «Школа», 2016. -187 с.
38. Жилкин, В.А. Цифровые технологии и применение искусственного интеллекта в Финляндии и России: сравнительно-правовое исследование / В.А. Жилкин // Журнал зарубежного законодательства и сравнительного правоведения. - 2018. - № 6 (73). - С. 74-78.
39. Канаев, А.К. Создание интеллектуальной системы поддержки принятия решений по управлению сетью передачи данных / А.К. Канаев, М.А. Камынина, А.К. Тощев // Известия Петербургского университета путей сообщения. - 2013. - №4 (37). - С. 107-122.
40. Карелин, В.П. Интеллектуальные технологии и системы искусственного интеллекта для поддержки принятия решений / В.П. Карелин // Вестник ТИУиЭ. - 2011. - №2.
41. 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.
42. Катасёв, А.С. Нейросетевая модель распознавания рукописных символов в системах биометрической идентификации и аутентификации / А.С. Катасёв, Д.В. Катасёва, А.П. Кирпичников, Р.И. Гумерова // Вестник Технологического университета. - 2016. - Т. 19. - № 4. - С. 122-126.
43. Кашеварова, Г.Г. Нечеткая экспертная система диагностики повреждений строительных конструкций / Г.Г. Кашеварова, Ю.Л. Тонков, М.Н. Фурсов // Вестник Волжского регионального отделения Российской академии архитектуры и строительных наук. - 2014. - № 17. - С. 167-173.
44. Каширин, И.Ю. Интерактивная аналитическая обработка данных в современных OLAP-системах / И.Ю. Каширин, С.Ю. Семченков // Бизнес-информатика. - 2009. - № 2. - С. 12-19.
45. Кирпичников, А.П. Автоматическое распознавание автомобильных номеров / А.П. Кирпичников, С.А. Ляшева, А.В. Обухов, М.П. Шлеймович // Вестник Казанского технологического университета. - 2015. - Т. 18 - № 4. - С. 218222.
46. Козлов, А.Н. Интеллектуальные информационные системы: учебник / А.Н. Козлов - Пермь: Изд-во ФГБОУ ВПО Пермская ГСХА, 2013.- 278 с.
47. Костин, В.А. Теория и практика прочностной отработки конструкции ЛА / В.А. Костин, Н.Л. Валитова - Казань: Издательство Казанского государственного технического университета, 2014. - 140 с.
48. Костин, В.А. Теория и практика решения обратных задач прочности летательных аппаратов. / В.А. Костин, А.П. Снегуренко - Казань: Издательство Казанского государственного технического университета, 2004.
49. Костин, В.А. Численные методы анализа чувствительности в задачах идентификации конструкций / В.А. Костин, Ш. Хуан, Н.Л. Валитова // Вестник КГТУ им. А.Н. Туполева. - 2017. - № 1 - С. 78-83.
50. Красильников, А.Б. К вопросу развития системы противодействия международному терроризму в России / А.Б. Красильников // ТТПС. - 2018. - № 2 (44). - с. 83-87.
51. Кремлева, Э.Ш. Метод классификации нетипизированных объектов на основе каскадного нейросетевого фильтра и конечного детерминированного автомата / Э.Ш. Кремлева // Вестник Тверского государственного университета. Серия: Прикладная математика. - 2019. - № 1. - С. 83-100.
52. Кремлева, Э.Ш. Алгоритм построения модели каскадной нейросетевой фильтрации данных с различной степенью детализации / Э.Ш. Кремлева, А.П. Кирпичников, С.В. Новикова, Н.Л. Валитова // Вестник Технологического университета. - 2018. - Т. 21. - № 8. - С. 109-115.
53. Кремлева, Э.Ш. Интегральная оценка состояния окружающей среды с вербальной интерпретацией / Э.Ш. Кремлева, С.В. Новикова // В сборнике: Новые технологии, материалы и оборудование российской авиакосмической отрасли. Материалы Всероссийской научно-практической конференции с международным участием. Материалы докладов. - 2018. - С. 164-167.
54. Кремлева, Э.Ш. Модель нейросетевого распознавания состояния окружающей среды на основе рекуррентных бинарных сетей / Э.Ш. Кремлева, С.В. Новикова // В сборнике: Логистика и экономика ресурсоэнергосбережения в промышленности (МНПК "ЛЭРЭП-8-2014"). Сборник научных трудов по материалам VIII Международной научно-практической конференции. - 2014. - С. 313-315.
55. Кремлева, Э.Ш. Кодирование мягких циклических данных при помощи псевдо-нечеткой меры / Э.Ш. Кремлева, С.В. Новикова, Н.Л. Валитова // Вестник Тверского государственного университета. Серия: Прикладная математика. - 2019. - № 3. - С. 90-101.
56. Кремлева, Э.Ш. Интегральная оценка состояния окружающей среды на основе автоматического нейросетевого распознавателя / Э.Ш. Кремлева, С.В. Новикова, А.Р. Шагидуллин // В сборнике: Химия и инженерная экология -XIX сборник трудов международной научной конференции, посвященной 150-летию периодической таблицы химических элементов. - 2019. - С. 224-227.
57. Кремлева, Э.Ш. Автоматическая генерация рекомендующих систем на основе качественной интерпретации мониторинговой информации / Э.Ш. Кремлева, А.П. Снегуренко, С.В. Новикова, Н.Л. Валитова // Вестник Тверского государственного университета. Серия: Прикладная математика. -2020. - № 3. - С. 50-67.
58. Крючков, Б.И. Перспективные подходы к применению сервисных роботов в области пилотируемой космонавтики / Б.И. Крючков, А.А. Карпов, В.М. Усов // Труды СПИИРАН. - 2014. - Т. 1. - №. 32. - С. 125-151.
59. Кудрявцев, Ю. OLAP-технологии: обзор решаемых задач и исследований / Ю. Кудрявцев // Бизнес-информатика. - 2008. - № 1. - С. 66-70.
60. Кузнецова, А.В. Возможности использования методов Data Mining при медико-лабораторных исследованиях для выявления закономерностей в массивах данных / А.В. Кузнецова, О.В. Сенько // Врач и информационные технологии. - 2005. - № 2. - С. 49-56.
61. Курбанов, Б.А. О состоянии реализации идеи создания аппаратно-программного комплекса автоматического регулирования подачи инсулина / Б.А. Курбанов, С.В. Новикова, А.П. Кирпичников // Вестник Казанского технологического университета. - 2018 - Т.21 - №18 - с.116-124.
62. Ланге, Ф. Нечеткая логика / Ф. Ланге - Изд-во Страта, 2018. - 116 с.
63. Максимов, Ю.А. Система интеллектуальной поддержки принятия решения в таможенной сфере как направление повышения эффективности обеспечения экономической безопасности / Ю.А. Максимов // Петербургский экономический журнал. - 2019. - №4 - С. 25-33.
64. Мамедова, Н.А. Анализ информационного обеспечения контрактной системы на примере Официального сайта ЕИС в сфере закупок / Н.А. Мамедова, К.С. Александрова, Н.А. Позднякова // International Journal Of Professional Science. - 2018. - №4.
65. Методические рекомендации МР 2.1.4.0032-11 Интегральная оценка питьевой воды централизованных систем водоснабжения по показателям химической безвредности: Методические рекомендации. - М.: Федеральный центр гигиены и эпидемиологии Роспотребнадзора, 2012. - 31 с.
66. Мишанин, В.В. Нейросетевая система беспилотного летательного аппарата для обнаружения наземных объектов в автоматическом режиме / В.В. Мишанин, науч. рук. С.В. Новикова // Научно-практический электронный журнал Аллея Науки - 2018. - №5 (21).
67. Морозов, А.А. Состояние и перспективы нейросетевого моделирования СППР в сложных социотехнических системах / А.А. Морозов, В.П. Клименко, А.Л. Ляхов, С.П. Алешин // ММС. - 2010. - №1.
68. Музалевский, А.А. Экологические риски - теория и практика / А.А. Музалевский, Л.Н. Карлин - СПб: РГГМУ, 2011 - 448 с.
69. Мухаметшина, Е. С. Математические модели и алгоритмы расчетного экологического мониторинга качества атмосферного воздуха: Дисс. на соиск. уч. степ. к-та техн. наук / Е.С. Мухаметшина. - Казань, 2016. - 194 с.
70. Набибекова, Г.Ч. Об одном методе фаззификации атрибутов хранилища данных в системах поддержки принятия решений в сфере внешней политики / Г.Ч. Набибекова // Информационные технологии. - 2014. - № 1. - С. 3641.
71. Новикова, С.В. Нейросетевое моделирование для решения задач мониторинга в условиях неполной и нечеткой информации (на примере задач экологического мониторинга). Автореферат дис. ... докт. тех. наук / С.В. Новикова. - Казань, 2013. - 29 с.
72. Новикова, С.В. Применение алгоритма адаптивной коррекции для регулирования газотурбинного двигателя в условиях помех / С.В. Новикова // Изв. вузов. Авиационная техника. - 2006. - № 4. - С. 37-40.
73. Новикова, С.В. Структурная оптимизация нейросетевой модели мониторинга ГТД / С.В. Новикова // Изв. вузов. Авиационная техника. - 2016. - № 2. - С. 101-107.
74. Новикова, С.В., Учебно-методическое пособие «Нейросетевые модели и алгоритмы» - Методические указания к выполнению лабораторных работ. [Электронный ресурс] / С.В. Новикова, Н.Л. Валитова, Э.Ш. Кремлева -Казань: КНИТУ-КАИ, 2017. - 87 с. - Режим доступа: http://e-library.kai.ru/reader/hu/flipping/Resource-3017/949.pdf/index.html
75. Новикова, С.В. Нейросетевые подходы к поиску латентных связей в многомерных данных / С.В. Новикова, Р.И. Ибятов, А.А. Валиев, Э.Ш. Кремлева // Математические методы в технике и технологиях - ММТТ. - 2014. - № 6 (65). -С. 128-131.
76. Новикова, С.В. Повышение робастности нейросетевой модели мониторинга ГТД на основе редукции / С.В. Новикова, Э.Ш. Кремлева // Crede Experto: транспорт, общество, образование, язык. - 2019. - № 3. - С. 17-26.
77. Новикова, С.В. Качественная интерпретация оценки состояния окружающей среды на основе подхода Мамдани / С.В. Новикова, Э.Ш. Кремлева // В сборнике: Химия и инженерная экология XVI международная научная конференция, посвященная 15-летию реализации принципов Хартии Земли в Республике Татарстан. - 2016. - С. 374-377.
78. Новикова, С.В. Методика получения лингвистического ответа от логической системы с количественным выходом / С.В. Новикова, Э.Ш. Кремлева // В сборнике: Актуальные вопросы модернизации науки. Сборник статей Международной научно-практической конференции. Научный Центр "Аэтерна"; Ответственный редактор: Сукиасян А.А. - 2014. - С. 24-26.
79. Новикова, С.В. Концепция интеллектуального сетевого мониторинга предложений по актуализации приоритетных направлений развития науки, технологий и техники и перечня критических технологий РФ на базе информационно-коммуникационных технологий / С.В. Новикова, М.В. Тумбинская // Менеджмент в России и за рубежом. - 2014. - № 5. - С. 43-49.
80. Новикова, С.В. Кластерный анализ данных для интегральной характеристики безопасности питьевых вод для потребителей на территории г.Казани / С.В. Новикова, Ю.А. Тунакова, Г.Н. Габдрахманова, О.Н. Кузнецова // Казань. Вестник Казанского технологического университета. - 2016. - Т. 19 - № 19. - С. 164-167.
81. Новикова, С.В. Методика анализа функционирования жилищно-коммунальной отрасли региона на основе банков данных и метода кластеризации / С.В. Новикова, Л.Ю. Емалетдинова, С.А. Максютин // Вестник Казанского государственного технического университета. - 2008. - № 1.
82. Новикова, С.В. Использование инновационных информационных технологий для типизации поверхностных вод р. Волга и питающих ее малых рек / С.В. Новикова, Ю.А. Тунакова, А.П. Кирпичников, А.Р. Шагидуллин, В.С. Валеев, Э.Ш. Кремлева, Г.Н. Габдрахманова // Вестник Казанского технологического университета. - 2019. - Т. 22. - №2. - С.150-154.
83. Новикова, С.В. Использование различных алгоритмов нейро-нечеткого управления экологическим риском в зоне действия полимерных производств / С.В. Новикова, Ю.А. Тунакова, Э.Ш. Кремлева // Вестник Казанского технологического университета. - 2013. - Т. 16. - № 17. - С. 262-264.
84. Новикова, С.В. Двухуровневая нейросетевая кластеризующая модель для типизации поверхностных вод р.Волга и питающих ее малых рек / С.В. Новикова, Ю.А. Тунакова, Э.Ш. Кремлева, А.Р. Шагидуллин, В.С. Валеев, Г.Н. Габдрахманова // В сборнике: Наука, образование, производство в решении экологических проблем (Экология-2019): Материалы XV Международной научно-технической конференции. - 2019. - С. 12-21.
85. Новикова, С.В. Способ управления качеством урбоэкосистемы с помощью качественной интерпретации количественного ответа системы нечеткого вывода/ С.В. Новикова, Ю.А. Тунакова, А.Р. Шагидуллин // Академический вестник ELPIT. - 2018. - Т. 3. - №: 1 (3). - С. 32-55.
86. Новикова, С.В. Синергетическая нейро-экспертная модель на основе SOM-КАРТ для интегрального анализа экологических объектов / С.В. Новикова, Ю.А. Тунакова, А.Р. Шагидуллин, В.С. Валиев, Г.Н. Габдрахманова // В борнике: Химия и инженерная экология - XVIII. Сборник трудов международной научной конференции. Казанский национальный исследовательский технический университет им. А.Н. Туполева-КАИ (КНИТУ-КАИ) - 2018. - С. 318-321.
87. Новикова, С.В. Использование нейросетевых технологий для зонирования территории на примере г. Казани / С.В. Новикова, Ю.А. Тунакова, А.Р. Шагидуллин, Э.Ш. Кремлева, В.С. Валиев, Г.Н. Габдрахманова, О.Н. Кузнецова // Вестник Технологического университета - 2019. - Т. 22. - № 5. -С. 128-131.
88. Новикова, С.В. Кластерный анализ данных для интегральной характеристики безопасности питьевых вод для потребителей на территории г. Казани / С.В. Новикова, Ю.А. Тунакова, Г.Н. Габдрахманова, О.Н. Кузнецова // Вестник Казанского технологического университета. - 2016. - Т. 19. - № 19. -C. 164-167.
89. Орлов, А.И. Организационно-экономическое моделирование. Учебник: в 3 ч. Часть 1: Нечисловая статистика. / А.И. Орлов - М.: Изд-во МГТУ им. Н.Э. Баумана, 2009. - 541 с.
90. Осипов, В.П. Интеллектуальное ядро системы поддержки принятия решений / Осипов В.П. и др. // Препринты ИПМ им. М.В.Келдыша. - 2018. - № 205. - 23 с. - doi:10.20948/prepr-2018-205.
91. Павлов, А.А. Интеллектуальные системы как информационные категории / А.А. Павлов // Вестник евразийской науки. - 2011. - №2 (7).
92. Пашенцев, Е.Н. Злонамеренное использование искусственного интеллекта: новые угрозы для международной информационно-психологической безопасности и пути их нейтрализации / Е.Н. Пашенцев // Государственное управление. Электронный вестник. - 2019. - № 76.
93. Полковникова, Н.А., Разработка модели экспертной системы на основе нечёткой логики / Н.А. Полковникова, В.М. Курейчик // Известия ЮФУ. Технические науки. - 2014. - №1 (150).
94. Рутковская, Д. Нейронные сети, генетические алгоритмы и нечеткие системы / Д. Рутковская, М. Пилиньский, Л. Рутковский М.: Изд-во: Горячая линия - Телеком, -2013. -384с.
95. Рыбак, В.А. Обучение нейронной сети для поддержки принятия решений на валютном рынке / В.А. Рыбак, Х.М. Сулайман // Доклады БГУИР. -2014. - № 1 (79).
96. Рыбина, Г.В. Интеллектуальная технология построения обучающих интегрированных экспертных систем: новые возможности / Г.В. Рыбина // Открытое образование. - 2017. - № 4. - С. 43-57.
97. Самигулина, Г.А. Разработка интеллектуальных экспертных систем прогнозирования и управления на основе искусственных иммунных систем / Г.А. Самигулина // Проблемы информатики. - 2010. - № 1. - С. 15-22.
98. Самойлова, И.А. Введение в BI-технологии / И.А. Самойлова // Молодой ученый. - 2015. - № 3 (83). - С. 78-80.
99. Сенов, А.А. Применение технологий OLAP и MapReduce для обработки результатов нагрузочного тестирования / А.А. Сенов // Инструменты и методы анализа программ. Tools & Methods of Program Analysis. TMPA - 2013.- С. 177-188.
100. Сивоголовко, Е.В. Методы оценки качества чёткой кластеризации [Электронный ресурс] / Е.В. Сивоголовко // Компьютерные инструменты в образовании. - 2011. - №4. - С. 14-31. - Режим доступа: https://cyberleninka.rU/article/n/metody-otsenki-kachestva-chyotkoy-klasterizatsii.
101. Сидоркина, И.Г. Интеграция моделей представления знаний в системах искусственного интеллекта / И.Г. Сидоркина, В.В. Килеев. В Кн . Информационные технологии в профессиональной деятельности и научной работе: сборник материалов Всероссийской научно-практической конференции -ч.2. - Йошкар-Ола: МарГТУ, 2012. - С. 184-187.
102. Сидоркина, И.Г. Технология и инструментальные средства представления знаний: учебное пособие / Сидоркина И.Г. - Йошкар-Ола: МарГТУ,
2008. - 232 с.
103. Симонова, С.И. Интеллектуальный анализ данных для задач CRM [Электронный ресурс] / С.И. Симонова // International Journal of Open Information Technologies. - 2015. - № 2. - С. 17-21. - Режим доступа: https://cyberleninka.rU/article/n/intellektualnyy-analiz-dannyh-dlya-zadach-crm (дата обращения: 14.05.2020).
104. Соломатин, Г.И. Интегрированная информационная система нефтегазодобывающего производства OIS+ / Г.И. Соломатин, О.В. Белоусов, А.А. Коротенко // Нефтяное хозяйство. - 2003. - № 10. - С. 36-39.
105. Сороколетов, П.В. Построение интеллектуальных систем поддержки принятия решений / П.В. Сороколетов // Известия ЮФУ. Технические науки. -
2009. - №4.
106. Старков Е.Ф. Система поддержки принятия решений в медицине / Е.Ф. Старков // ВНМТ. - 2006. - №2.
107. Степанов, Д.Н. Методы и алгоритмы определения положения и ориентации беспилотного летательного аппарата с применением бортовых видеокамер / Д Н. Степанов // Программные продукты и системы. - 2014. - №. 1 (105).
108. Сугак Е.В. Современные методы оценки экологических рисков / Е.В. Сугак // European Social Science Journal (Европейский журнал социальных наук). -2014. - Т. 2. - № 5 (44). - С. 427-433.
109. Сырецкий, Г.А. Искусственный интеллект и интеллектуальные информационные системы: современное состояние / Г.А. Сырецкий, А.И. Радионов // Интерэкспо Гео-Сибирь. - 2006. - №. 4. - С. 185-192.
110. Терехов, В.А., Нейросетевые системы управления / В.А. Терехов, Д.В. Ефимов, И.Ю. Тюкин - М.: Изд-во Высшая школа, 2002. - 183 с.
111. Тунакова, Ю.А. Прикладная экология: учебное пособие / Ю.А. Тунакова, С.В. Новикова. - Казань: Изд-во КГТУ им. А.Н. Туполева, 2008. -155 с.
112. Тунакова, Ю.А. Способ оценки качества доходящих до потребителей питьевых вод с позиций химической безопасности и физиологической полноценности. / Ю.А. Тунакова, С.В. Новикова, Г.Н. Габдрахманова // В сборнике: Хартия Земли - практический инструмент решения фундаментальных проблем устойчивого развития. Сборник материалов Международной научно-практической конференции, посвященной 15-летию реализации принципов Хартии Земли в Республике Татарстан. - 2016. - С. 378-381.
113. Тунакова, Ю.А. Способы оценки воздействия потребляемых питьевых вод на здоровье детского населения и обоснование способов повышения их качества / Ю.А. Тунакова, С.В. Новикова, А.Р. Галимова // Известия Самарского научного центра Российской академии наук. - 2016. - Т. 18. - № 5 (3). -С. 500-504.
114. Тунакова, Ю.А. Определение безопасных для человека концентраций катионов металлов в поверхностных источниках питьевого водоснабжения на примере г.Казани / Ю.А. Тунакова, С.В. Новикова, Р.И. Файзуллин,
Г.Н. Габдрахманова, О.Н. Кузнецова // Вестник Казанского технологического университета. - 2017. - Т.20. - № 8. - C. 115-120.
115. Тунакова, Ю.А. Методология оценки территориального экологического риска в урбоэкосистеме (на примере г.Казани) / Ю.А. Тунакова, С.В. Новикова, А.Р. Шагидуллин, В.С. Валиев // В сборнике: Трансформация экосистем под воздействием природных и антропогенных факторов. Материалы международной научной конференции. - 2019. - С. 263-267.
116. Тунакова, Ю.А. Методология оценки уровня территориального экологического риска для планового управления экологической безопасностью городской среды / Ю.А. Тунакова, С.В. Новикова, А.Р. Шагидуллин, В.С. Валиев // Экология и промышленность России - 2019. - Т. 23. - № 10. - С. 44-49.
117. Тунакова, Ю.А. Роль качественных оценок в задачах экологического управления в зонах действия полимерных производств / Ю.А. Тунакова, С.В. Новикова, Р.А. Шагидуллина, Э.Ш. Кремлева // Вестник Казанского технологического университета. - 2013. - Т. 16. - № 20. - С. 276-279.
118. Тунакова, Ю.А. Методология определения нормативов качества для приоритетных загрязняющих веществ / Ю.А. Тунакова, Р.А. Шагидуллина, С.В. Новикова // Вестник НЦБЖД. - 2014. - № 1 (19). - С. 122-127.
119. Тунакова, Ю.А. Роль качественных оценок в задачах экологического управления в зонах действия полимерных производств. / Ю.А. Тунакова, Р.А. Шагидуллина, С.В. Новикова, Э.Ш. Кремлева // М-во образования и науки РФ. Казань. Вестник Казанского технологического университета. -2013. - № 20. -С. 276-280.
120. Тунакова, Ю.А. Оценка воздействия полимерных производств на общий уровень загрязнения атмосферного воздуха (на примере г. Нижнекамска) / Ю.А. Тунакова, Р.А. Шагидуллина, С.В. Новикова, Ю.А. Шмакова // Вестник Казанского технологического университета. - 2012. - Т. 15. - № 12. - С. 76-79.
121. Тутубалин, П.И. О работе по созданию прототипа образца искусственной поджелудочной железы / П.И. Тутубалин, С.В. Новикова,
А.П. Кирпичников // Вестник Технологического университета. - 2019. - Т. 22. -№ 9. - С. 147-152.
122. Федотов, В.Х. Нечеткое управление региональными экономическими системами / В.Х. Федотов // Вестник ЧГУ. - 2011. - № 4. - С.509-516.
123. Харин, В.В. Оценка интегрального показателя нарушений состояния здоровья личного состава МЧС России. / В.В. Харин, Е.В. Бобринев, Е.Ю. Удавцова // Медико-биологические и социально-психологические проблемы безопасности в чрезвычайных ситуациях. - 2018 - (1):49-56. https://doi.org/10.25016/2541 -7487-2018-0-1 -49-56.
124. Чехарин, Е.Е. Когнитивное моделирование как метод устранения семантического разрыва / Е.Е. Чехарин // Образовательные ресурсы и технологии. - 2016. - №1 (13).
125. Чехарин, Е.Е. Интерпретация космической информации при исследовании Земли / Е.Е. Чехарин // Образовательные ресурсы и технологии. -2015. - № 2 (10).
126. Чубукова, И.А. Data Mining: учебное пособие. / И.А. Чубукова -М.: Интернет-университет информационных технологий: БИНОМ: Лаборатория знаний, 2006. - 382 с.
127. Чуваков, А.В. Интеллектуальная система поддержки принятия решений при проектировании и строительстве территориальных комплексов водоснабжения / А.В. Чуваков // Вестник КузГТУ. - 2013. - №6 (100).
128. Шагидуллин, А.Р. Разработка метода расчетного мониторинга загрязнения атмосферного воздуха мелкодисперсной пылью на основе аппарата искусственных нейронных сетей / А.Р. Шагидуллин, Ю.А. Тунакова, С.В. Новикова // В сборнике: Химия и инженерная экология. XVII Международная научная конференция: Сборник статей. - 2017. - С. 270-273.
129. Шагидуллина, Р.А. Расчет концентраций примесей в приземном слое атмосферного воздуха по значениям метеорологических параметров / Р.А. Шагидуллина, И.Г. Григорьева, В.С. Валиев // В сборнике: Химия и
инженерная экология. XVII Международная научная конференция: Сборник статей. - 2017. - С. 194-197.
130. Шагидуллина, Р.А. Сопоставление рисков высоких уровней подвижных форм металлов в почвах и рисков их накопления в биологических образцах (волосы детей) на территории г.Нижнекамска / Р.А. Шагидуллина, Ю.А. Тунакова И.Г. Григорьева, В.С. Валиев // В сборнике: Химия и инженерная экология. XVII Международная научная конференция: Сборник статей. - 2017. -С. 339-342.
131. Шагидуллина, Р.А. Использование биосубстратов организма человека для индикации уровня полиметаллического загрязнения объектов окружающей среды / Р.А. Шагидуллина, Ю.А. Тунакова, И.Г. Григорьева,
B.С. Валиев // В сборнике: Устойчивое развитие регионов: опыт, проблемы, перспективы. Сборник материалов Международной научно-практической конференции. - 2017. - С. 382-385.
132. Шаронина, Л.В. Использование технологии" data Mining в интеллектуальном анализе данных в потребительском кредитовании / Л.В. Шаронина, П.Ю. Чудинов // SAEC. - 2019. - №1. - С. 441-448.
133. Шашков, В.Б. Прикладной регрессионный анализ. Многофакторная регрессия: Учебное пособие./ В.Б. Шашков - Оренбург: ГОУ ВПО ОГУ, 2003. -363 с.
134. Шорникова, Е.А. Интегральная оценка состояния экосистем водотоков по гидрохимическим показателям (на примере Среднего Приобья) / Е.А. Шорникова // География и природные ресурсы. - 2009. - № 1. - С. 38-45.
135. Штовба, С.Д. Введение в теорию нечетких множеств и нечеткую логику. / С.Д. Штовба - Винница: Издательство винницкого государственного технического университета, 2001. - 198 с.
136. Штовба, С.Д. Проектирование нечетких систем средствами MatLab. /
C.Д. Штовба - М.: Горячая линия-Телком, 2007. - 284 с.
137. Шумов, В.В. Модели противодействия терроризму: обзор / В.В. Шумов // Пространство и Время. - 2012. - № 3. - С. 94-104.
138. Щеголева, М.Е. Определение психотипов личности с использованием экспресс-диагностической методики / М.Е. Щеголева // Психопедагогика в правоохранительных органах. - 2006. - №1. - С. 102-105.
139. Яйли, Е.А. Методология и способ оценки качества компонентов природной среды урбанизированных территорий на основе индикаторов, индексов и риска / Е.А. Яйли, А.А. Музалевский // Экологические системы и приборы - 2006. - № 12, - С. 23-29.
140. Ярушкина, Н.Г. Интеллектуализация автоматизированного проектирования сложных технических систем в условиях неопределенности / Н.Г. Ярушкина // Автоматизация процессов управления. - 2011. - № 1. - С. 13-19.
141. Ярушкина, Н.Г., Наместников А.М. Мягкая экспертная система. Определение. Архитектура. Характеристики. Теоретические возможности и опыт разработки / Н.Г. Ярушкина, А.М. Наместников // Вестник УлГТУ. - 2000. - №3. -С. 92-100.
142. Alter S. L. Decision support systems: current practice and continuing challenges. Mass.: Addison-Wesley Pub., Reading, 1980.
143. Be§ikfi E. B. et al. An artificial neural network based decision support system for energy efficient ship operations // Computers & Operations Research. -2016. - Vol. 66. - P. 393-401.
144. Cordon, O. A novel framework to design fuzzy rule-based ensembles using diversity induction and evolutionary algorithms-based classifier selection and fusion / O. Cordon, K. Trawinski // Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics). - 2013. - Vol. 7902 LNCS (PART 1). - P. 36-58.
145. Delen, D. Artificial neural networks in decision support systems. Handbook on Decision Support Systems 1 / D. Delen, R. Sharda // Springer, Berlin, Heidelberg, 2008. - P. 557-580.
146. Desgraupes, B. Clustering Indices / B. Desgraupes // University of Paris Ouest - Lab Modal'X - 2013. - P. 1-34.
147. Dorai, C. Bridging the Semantic Gap with Computational Media Aesthetics. / C. Dorai, S. Venkatesh // IEEE MultiMedia. - 2003. - No 10(2). - P. 15-17.
148. Drozdenko, Ronald G. Optimal Database Marketing: Strategy, Development, and Data Mining. / Ronald G. Drozdenko, Perry D. Drake - SAGE Publications, Inc., 2002. - 425 p.
149. Engelbert, D.C. Augmenting human intellect: A conceptual framework / D.C. Engelbert // Air Force Office of Scientific Research, AFOSR-3233. - 1962.
150. Forrester, J.W. Industrial dynamics. A major breakthrough for decision makers / J.W. Forrester // HarvardBusiness Review. - 1958. - Vol. 36. - No 4. - P. 3766.
151. Gan, Guojun. Data Clustering: Theory, Algorithms, and Applications (ASA-SIAM Series on Statistics and Applied Probability, Series Number 20). / Guojun Gan, Chaoqun Ma, Jianhong Wu. - Society for Industrial and Applied Mathematics, 2007. - 184 p.
152. Glykas, Michael. Business Process Management: Theory and Applications / Michael Glykas - Springer, 2012. - 459 p.
153. Golden B., Hevner A., Power D.J. Decision Insight Systems: A Critical Evaluation. // Computers and Operations Research. 1986. V. 13. № 2/3. P. 287-300.
154. Haettenschwiler, P. Neues anwenderfreundliches Konzept der Entscheidungsunterstutzung. Gutes Entscheiden in Wirtschaft, Politik und Gesellschaft. / P. Haettenschwiler - Zurich Hochschulverlag AG, 1999. - P. 189-208.
155. Holsapple, C.W. Decision Support Systems: A Knowledgebased Approach. / C.W. Holsapple, A.B. Whinston - Minneapolis: West Publishing Co., 1996.
156. Hong, D.H. Parameter Estimations of Mutually T-related Fuzzy Variables / D.H. Hong // Fuzzy Sets and Systems, 2001. - №123. P. 63-71.
157. Ian, H. Witten. Data Mining: Practical Machine Learning Tools and Techniques. / Ian H. Witten, Eibe Frank and Mark A. Hall - 3rd Edition. - Morgan Kaufmann, 2011. - 664 p.
158. Jindal, Minky. Data Mining in Web Search Engine Optimization and User Assisted Rank Results / Jindal, Minky and Nisha Kharb // International Journal of Computer Applications. - No 95. - 2014. - P. 1-5.
159. Kohonen, Teuvo Essentials of the self-organizing map / Teuvo Kohonen // Neural Networks. - 2013. - Vol. 37. - P. 52-65. - doi 10.1016/j.neunet.2012.09.018.
160. Liu, B. Web Data Mining: Exploring Hyperlinks, Contents, and Usage Data (Data-Centric Systems and Applications) / B. Liu - Springer, 2nd ed., 2011. - 643 p.
161. Mikhailov, A. Artificial Neural Cortex / A. Mikhailov, Pok Yang Ming // (ANNIE 2001) Artificial Neural Networks in Engineering Conference. - 2001. - P. 4-7
162. Mughal, Muhammad Jawad. Data Mining: Web Data Mining Techniques, Tools and Algorithms: An Overview / Mughal, Muhammad Jawad // (IJACSA) International Journal of Advanced Computer Science and Applications. - 2018. - Vol. 9. - No. 6. - P. 208-215.
163. Novikova, S.V. Soft measurements of qualitative integral indicators for monitoring quantitative dataset / S.V. Novikova, E.S. Kremleva, N.L. Valitova, A.P. Snegurenko, // Journal of Physics: Conference Series. - 2020. - 1703(1). - 012002.
164. Novikova, S.V. Multi-level hybrid recommender decision support system with verbal output / S.V. Novikova, Y.A. Tunakova, A.R. Shagidullin, E.S. Kremleva // Journal of Physics: Conference Series. - 2020. - 1703(1). - 012012.
165. Novikova, S.V. The specific aspects of designing computer-based tutors for future engineers in numerical methods studying / S.V. Novikova, S.A. Sosnovsky, R.R Yakhina, E.Sh. Kremleva, N.L. Valitova // Интеграция образования. - 2017. - Т. 21. - № 2 (87). - С. 322-343.
166. Oster M., Douglas R. and Liu S.-C., Computation with spikes in a winner-take-all network, Neural Computation, 21:9, 2009.
167. Parsaye, K. OLAP and Data Mining: Bridging the Gap / K. Parsaye // Database Programming and Design. - 1997. - No 2.
168. Power, D.J. What is a DSS? / D.J. Power // The On-Line Executive Journal for Data-Intensive Decision Support. - 1997. - Vol. 1. - No 3.
169. Power, D. A Brief History of Decision Support Systems. [Электронный ресурс] / Daniel Power - Режим доступа: https://dssresources.com/dsshistory.
170. Rodnishev, N.E. Developing Methods and Computer Technologies for Learning, Identification and Optimization of Nonlinear Stochastic Systems / N.E. Rodnishev, S.V. Novikova, K.G. Denisov // IFAC Proceedings Volumes. - 2012. -Vol. 45. - Issue 11. - P. 51-56.
171. Scott-Morton, M.S. Computer-driven visual display devices - Their impact on the management decision-making process: Ph.D. dissertation. Harvard Business School, 1967.
172. Shleymovich, M.P. Image analysis in unmanned aerial vehicle on-board system for objects detection and recognition with the help of energy characteristics based on wavelet transform / M.P. Shleymovich, M.V. Medvedev, S.A. Lyasheva // Optical Technologies for Telecommunications 2016. - International Society for Optics and Photonics - 2017. - Vol. 10342. - P. 1034210.
173. Siri Team. Hey Siri: An On-device DNN-powered Voice Trigger for Apple's Personal Assistant // Apple Machine Learning Journal, - October 2017. - Vol. 1
- Issue 6.
174. Snegurenko, A.P. Using e-learning tools to enhance students-mathematicians' competences in the context of international academic mobility programmes / A.P. Snegurenko, S.A. Sosnovsky, S.V. Novikova, R.R Yakhina, N.L. Valitova E.Sh. Kremleva, // Интеграция образования. - 2019. - Т. 23. - № 1 (94).
- С. 8-22.
175. Thomas, Michael. Data mining and clustering in chemical process databases for monitoring and knowledge discovery / Thomas, Michael & Zhu, Wenbo & Romagnoli, Jose // Journal of Process Control. - Vol. 67. - 2018. - P. 160-175.
176. Turban, E. The use of mathematical models in plant maintenance decision making / E. Turban // Management Science. - 1967. - No 13 (6). - P. 342-359.
177. Tutubalin, P. Status of creation of hardware-software complex of automatic control of the insulin delivery / P. Tutubalin, S. Novikova, A. Semenova, E. Komissarova, N. Arutyunova, S. Sotnikov and A. Alexandrov // Journal of Physics:
Conference Series. - 2019. - Vol. 1368. - p. 042006 - doi:10.1088/1742-6596/1368/4/042006.
178. Ulrich Weißmann Executive Information Systems (EIS) als ControllingInstrument (German Edition) / Ulrich Weißmann - Examicus Publishing, 2012. - 108 p.
179. Verbruggen, H.B. Constructing fuzzy models by product space clustering / H.B. Verbruggen, R. Babuska // Fuzzy model identification / Eds. H Helendorn, D. Driankov. - Berlin: Springer, 1998. - P. 53-90.
180. Wang, L.X. Fuzzy systems are universal approximators / Wang L.X. // Proc. of the IEEE Int. Conf. on Fuzzy Systems. San Diego. - 1992. - P. 1163-1169.
181. Xue, Q. Analysis of hidden units of back propagation model by SVD / Xue Q., Hu Y., Tompkins W. // Proc. IJCNN, Washington - 1990. - P. 739-742.
182. Yosipof, A. Data mining and machine learning models for predicting drug likeness and their disease or organ category. / Yosipof, A., Guedes, R.C., and Garcia -Sosa, A.T. // Front. Chem. - 2018. - 6:162. doi: 10.3389/fchem.2018.00162.
183. Zadeh L.A. Fuzzy sets. / L.A. Zadeh // Information and Control. - 1965. Vol. 8. - No 3. - P. 338-353.
184. Zelenkov, Yuri A. Agility of enterprise information systems: A conceptual model, design principles and quantitative measurement / Yuri A. Zelenkov // Бизнес-информатика. - 2018. - № 2 (44) - C. 30-44.
ПРИЛОЖЕНИЕ 1 АКТЫ О ВНЕДРЕНИИ И ИСПОЛЬЗОВАНИИ РЕЗУЛЬТАТОВ ДИССЕРТАЦИОННОГО ИССЛЕДОВАНИЯ
Утверждаю
Начальник Управления
обеспечения экологической безопасности
и экологического мониторинга
Министерства экологии и природных
ресурсов Peí
Шагидулли!
«
2021 г.
АКТ
об использовании результатов диссертационной работы
Кремлевой Эльмиры Шамильевны
на тему «МОДЕЛИ И МЕТОДЫ ИНТЕЛЛЕКТУАЛЬНОЙ ОБРАБОТКИ ДАННЫХ ДЛЯ СИСТЕМ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ
(НА ПРИМЕРЕ СИСТЕМ ЭКОЛОГИЧЕСКОЙ БЕЗОПАСНОСТИ)»
на соискание ученой степени кандидата технических наук по специальности
05.13.18 - «Математическое моделирование, численные методы и комплексы
программ»
Комиссия в составе: начальник отдела экологического нормирования Богатырев С.А., начальник отдела экологического мониторинга Шакирзянов A.M. составили настоящий акт о том, что результаты работы Кремлевой Э.Ш. в части результатов типизации поверхностных вод РТ многомерным кластеризующим SOM-классификатором и результатов оценки пороговых значений гидрохимических показателей выделенных типов вод использованы в работе Управления обеспечения экологической безопасности и экологического мониторинга Министерства экологии и природных ресурсов РТ. Результаты работы предназначены для повышения достоверности оценки уровня загрязнения поверхностных вод. Внедрение результатов разработки позволит оптимизировать работу экспертных систем принятия решений.
if » 2021
[^экологического нормирования
«
с отдела экологического мониторинга _ _Шакирзянов А. М.
«I » ОЗ 2021
Утверждаю Проректор по образовательной
деятельности
. -л
¿питательной работе Лопатин А.А. 2021г.
МИНИСТЕРСТВО НАУКИ И ВЫСШЕГО ОБРАЗОВАНИЯ РОССИЙСКОЙ ФЕДЕРАЦИИ
федеральное государственное бюджетное образовательное учреждение высшего образования «Казанский национальный исследовательский технический университет им. А.Н. Туполева-КАИ» (КНИТУ-КАИ) К. Маркса ул., д. 10, Казань, 420111 Тел.: (843)238-41-10 Факс: (843)236-60-32 E-mail: kai@kai.ru, http://www.kai.ru ОКПО 02069616, ОГРН 1021602835275 ИНН/КПП 1654003114/165501001
_ №_
На № от
акт
внедрения в учебный процесс результатов кандидатской диссертации старшего преподавателя кафедры ПМИ Кремлевой Э.Ш.
В течение 2018-2019, 2019-2020 и 2020-2021 учебных годов под руководством старшего преподавателя Кремлевой Эльмиры Шамильевны результаты ее диссертационной работы на соискание ученой степени кандидата технических наук, а именно:
1. Модель каскадной нейросетевой классификации с возможностью выделения классов
из данных;
2. Модель нечеткого логического вывода с качественным выходом;
3. Метод кодирования «обобщенных» данных при помощи нечеткой меры;
4. Метод преобразования модели Т8К в модель Мамдани
эффективно внедрялись в учебный процесс кафедры прикладной математики и информатики при разработке методических рекомендаций, учебных пособий и курсов лекций дисциплин:
- «Компьютерное моделирование процессов и систем» для бакалавров четвертого года обучения по направлениям подготовки 09.03.04 Программная инженерия и 01.03.02 Прикладная математика и информатика;
- «Нейросетевые модели и алгоритмы» и «Глубокое машинное обучение» для магистров первого и второго года обучения по направлению подготовки 01.04.02 Прикладная математика и информатика;
а также для слушателей курсов дополнительного профессионального образования и повышения квалификации по программе «Информационные технологии в техносферной безопасности» (реализуется на кафедре общей химии и экологии КНИТУ-КАИ).
Результаты диссертационной работы активно используются старшим преподавателем Кремлевой Э.Ш. в НИРС кафедры.
Начальник учебно-методического управления
Директор института КТЗИ, к.т.н., доцент Зав. кафедрой ПМИ к.т.н., доцент
Е.И. Загребина
B.М. Трегубов
C.С.Зайдуллин
ПРИЛОЖЕНИЕ 2 СВИДЕТЕЛЬСТВА О ГОСУДАРСТВЕННОЙ РЕГИСТРАЦИИ РАЗРАБОТАННЫХ ПРОГРАММ ДЛЯ ЭВМ
Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.