Нейро-нечеткий метод группового учета аргументов для поддержки принятия решений по управлению региональными социально-экономическими системами тема диссертации и автореферата по ВАК РФ 05.13.10, кандидат технических наук Бояринов, Юрий Геннадьевич
- Специальность ВАК РФ05.13.10
- Количество страниц 177
Оглавление диссертации кандидат технических наук Бояринов, Юрий Геннадьевич
Введение
1. Анализ современных методов поддержки принятия решений по управлению социально-экономическими системами f 1.1. Общая постановка задачи управления социально-экономическими системами на основе применения идентифицирующих математических моделей
1.2. Анализ существующих методов построения идентифицирующих моделей, используемых в системах поддержки принятия решений по управлению социально-экономическими системами
1.3. Предпосылки использования метода группового учета аргументов для поддержки принятия решений по управлению региональными социально-экономическими системами щ 1.4. Выводы
2. Разработка метода группового учета аргументов, использующего нейро-нечеткие частные модели
2.1. Общее описание разработанного нейро-нечеткого метода группового учета аргументов
2.2. Алгоритм реализации разработанного нейро-нечеткого метода группового учета аргументов для поддержки принятия решений по оперативному управлению региональными социально-экономическими системами
2.3. Алгоритм реализации разработанного нейро-нечеткого метода группового учета аргументов для поддержки принятия решений по стратегическому управлению региональными социально-экономическими системами
2.4. Выводы
3. Разработка программного обеспечения для управления региональными социально-экономическими системами на основе нейро-нечеткого метода группового учета аргументов
3.1. Универсальный программный модуль, реализующий разработанные алгоритмы применения нейро-нечеткого метода группового учета аргументов
3.2. Результаты имитационных вычислительных экспериментов по проверке характеристик разработанного нейро-нечеткого метода группового учета аргументов
3.3. Архитектура и режимы функционирования информационно-аналитической системы поддержки принятия решений по управлению региональными социально-экономическими системами
3.4. Выводы
4. Практическое применение разработанного нейро-нечеткого метода группового учета аргументов в системе поддержки принятия решений по управлению регионом
4.1. Методика использования нейро-нечеткого метода группового учета аргументов в системе поддержки принятия решений по управлению регионом
4.2. Интеграция программного модуля, реализующего разработанные алгоритмы применения нейро-нечеткого метода группового учета аргументов, в составе информационно-аналитической системы поддержки принятия решений по управлению Смоленской областью
4.3. Результаты практического применения нейро-нечеткого метода группового учета аргументов для поддержки принятия решений по управлению Смоленской областью
4.4. Выводы 151 Заключение
Список используемых источников
Рекомендованный список диссертаций по специальности «Управление в социальных и экономических системах», 05.13.10 шифр ВАК
Нейро-нечеткие методы и инструменты поддержки принятия решений по управлению электроэнергетическими предприятиями2004 год, кандидат экономических наук Стоянова, Ольга Владимировна
Продукционные и нечетко-логические модели прогнозирования тенденций развития регионального рынка сотовой связи2005 год, кандидат экономических наук Гимаров, Владимир Владимирович
Игровые нечетко-логические алгоритмы и комплекс программ многокритериального ситуационного управления сложными техногенно-природными системами2005 год, кандидат технических наук Доронова, Ирина Владимировна
Экономические механизмы и инструментальные средства управления стратегическими предпринимательскими инициативами на полиграфических предприятиях2005 год, кандидат экономических наук Куркова, Наталья Васильевна
Способы обработки информации в системах управления информационными ресурсами региона, основанные на когнитивных картах и нечетком логическом выводе2002 год, кандидат технических наук Мнёв, Василий Иванович
Введение диссертации (часть автореферата) на тему «Нейро-нечеткий метод группового учета аргументов для поддержки принятия решений по управлению региональными социально-экономическими системами»
Переход Российской Федерации к устойчивому развитию невозможен без создания условий для устойчивого развития регионов. Это определяет необходимость повышения обоснованности принимаемых решений по управлению социально-экономическими системами регионального уровня на основе всестороннего анализа информации о состоянии внешней и внутренней среды региона. Известно, что региональные социально-экономические системы как объекты управления характеризуются многофакторностью, существенной нелинейностью функциональных зависимостей между факторами, активным влиянием на управляющую систему. В настоящее время для повышения эффективности регионального управления достаточно широко применяются системы поддержки принятия решений (СППР), использующие построение, анализ и применение математических моделей региональных социально-экономических систем или их отдельных подсистем.
Проблемы повышения эффективности регионального управления социально-экономическими системами на основе применения СППР, в составе математического обеспечения которых используются математические идентифицирующие модели, рассматривались в трудах С.А. Редкозубова, Ю.И. Журавлева, ЯЗ. Цыпкина, С.А. Айвазяна, B.C. Мхитаряна, В.Н. Буркова, В.Н. Кузнецова, А.А. Дорофеюка, В.Е. Баумана, В.А. Кострова, В.М. Лохина и др. Отдельным аспектам теории и практики построения идентифицирующих математических моделей сложных социально-экономических систем посвящены работы российских ученых Б.В. Палюха, А.В. Максимова, Н.А. Семенова, А.Н. Чохонелидзе и др.
В указанных работах в качестве одного из подходов к построению математических моделей сложных систем произвольной природы рассматривается метод группового учета аргументов (МГУА), предложенный академиком А.Г. Ивахненко и развитый в работах Ю.П. Юрачковского, Ю.П. Зайчен-ко, И.А. Мюллера, Г.А. Ивахненко. Целесообразность применения МГУА для построения моделей социально-экономических систем определяется его возможностью обеспечивать приемлемую ошибку прогнозирования в условиях многофакторности управляемого объекта и ограниченности объема обучающей выборки.
В то же время анализ современных региональных социально-экономических систем показал, что при принятии решений по управлению подобными системами на основе прогнозирования развития ситуации приходится учитывать большое количество взаимосвязанных факторов и управляющих воздействий, многие из которых не могут быть измерены при помощи метрических шкал. Следует также отметить, что в условиях слабой математической формализации некоторых региональных социально-экономических процессов и ограниченного объема статистических данных возрастает роль экспертной информации. Данные обстоятельства снижают эффективность применения известных вариантов реализации МГУА в составе математического и алгоритмического обеспечения СППР по управлению социально-экономическими системами регионального уровня.
Как представляется, минимизировать указанные недостатки МГУА возможно на основе применения при построении частых моделей аппарата нечетко-логических (гибридных) нейронных сетей, предложенных в работах Алтунина А.Е., Асаи К., Борисова В.В., Верескова С.К., Дорохова И.Н., Ко-марцовой Л.Г., Кофмана А., Круглова В.В., Кузьмина В.Б., Леоненкова А.В., Орловского С.А., Осовского С., Поспелова Д.А, Регеджа Р.К., Семухи-на М.В., Сугено М., Терано Т., Федорова В.В. и других отечественных и зарубежных ученых.
В связи с этим возникает актуальная научная задача разработки нейро-нечёткого метода группового учета аргументов для поддержки принятия решений по управлению региональными социально-экономическими системами, использующего нейро-нечеткие частные модели, позволяющие учитывать экспертную информацию при селекции факторов внутренней и внешней среды, представленных в количественной и качественной форме, что имеет существенное значение для повышения эффективности регионального управления.
Основные разделы диссертации выполнялись в рамках комплексных программ социально-экономического развития Смоленской области 20012004 г.г. и 2005-2008 г.г., и их содержание соответствует перечню критических технологий, определяемых политикой РФ в области науки и техноло гии на период до 2010 г. - «Компьютерное моделирование» и «Искусственный интеллект».
Цель работы: разработать нейро-нечёткий метод группового учета аргументов, использующего нейро-нечеткие частные модели, и методику его применения в составе СППР по управлению региональными социально-экономическими системами, позволяющую повысить эффективность регионального управления.
Для реализации указанной цели были поставлены и решены следующие основные задачи: ^ 1. Анализ современного состояния исследований в области применения математических моделей в составе СППР по управлению социально-экономическими системами и обоснование предпосылок применения МГУА в процессе управления региональными системами.
2. Разработка нейро-нечеткого метода группового учета аргументов для построения на основе ретроспективной, текущей и экспертной информации идентифицирующих моделей управления сложными социально-экономическими системами.
3. Разработка алгоритма интеллектуальной поддержки принятия оперативных решений по управлению региональными социально-экономическими системами на основе реализации нейро-нечеткого метода группового учета аргументов.
4. Разработка алгоритма интеллектуальной поддержки принятия стратегических решений по управлению региональными социально-экономическими системами, позволяющего осуществлять обработку информации о состоянии внешней и внутренней среды, представленной при помощи шкал различного типа.
5. Разработка архитектуры информационно-аналитической системы поддержки принятия решений по управлению региональными социально-экономическими системами, использующей нейро-нечеткий метод группового учета аргументов, и методики её применения.
6. Выработка практических рекомендаций по применению результатов диссертационного исследования в СППР по управлению Смоленской областью.
Объектом исследования являются региональные социально-экономические системы.
Предметом исследования является процесс управления региональными социально-экономическими системами на основе применения информационных СППР, в состав которых входят математические модели.
Теоретической и методологической базой исследования являются системный подход к анализу и управлению социально-экономическими объектами и процессами, теории управления, идентификации и математического моделирования, известные варианты МГУА, теории нечеткой логики и искусственных нейронных сетей, научные положения и выводы, сформулированные в трудах отечественных и зарубежных ученых по теории управления социальными и экономическим системами.
Информационной базой исследования являются данные Госкомстата РФ, отчетные данные департаментов Администрации Смоленской области и г. Смоленска.
Наиболее существенные научные результаты, полученные автором.
1. Разработан нейро-нечеткий метод группового учета аргументов для построения на основе ретроспективной, текущей и экспертной информации идентифицирующих моделей управления сложными социально-экономическими системами с целью повышения эффективности их функционирования. Метод отличается от известных возможностью использования нейро-нечетких сетей в качестве частных моделей МГУА, что позволяет учитывать экспертную информацию при селекции факторов, оказывающих влияние на управляемую социально-экономическую систему.
2. Предложен алгоритм интеллектуальной поддержки принятия оперативных решений на основе реализации нейро-нечеткого метода группового учета аргументов, позволяющий осуществлять построение прогностических моделей региональных социально-экономических систем, что обеспечивает повышение точности прогноза последствий принимаемых решений по региональному управлению в условиях ограниченности исходной информации о состоянии внешней и внутренней среды.
3. Разработан алгоритм интеллектуальной поддержки принятия стратегических решений по управлению социально-экономическими системами, использующий комбинированный критерий баланса прогнозов, позволяющий на основе принципа самоорганизации и процедур обработки информации о состоянии внешней и внутренней среды, представленной при помощи шкал различного типа, учитывать динамику развития ситуации в долгосрочной и среднесрочной перспективе, что дает возможность вырабатывать управляющие воздействия с учетом их долговременных последствий.
4. На основе результатов вычислительных экспериментов определены условия, при выполнении которых предложенный нейро-нечеткий метод группового учета аргументов позволяет обеспечить более высокую точность идентифицирующих моделей управления сложными социально-экономическими системами, чем при применении других известных методов моделирования.
5. Разработана архитектура и методика применения информационно-аналитической СППР по управлению региональными социально-экономическими системами, использующие разработанный нейро-нечеткий метод группового учета аргументов и позволяющие учитывать активное влияние управляемой системы на процесс управления на основе интеграции информационных ресурсов региона.
Достоверность и обоснованность научных результатов, выводов и рекомендаций диссертации определяются корректным применением теории управления, идентификации и математического моделирования, нечеткой логики и искусственных нейронных сетей. Выводы и предложения диссертационного исследования не противоречат известным теоретическим и практическим результатам, содержащимся в трудах отечественных и зарубежных ^ ученых в области управления социальными и экономическими системами.
Научная новизна работы состоит в разработке нейро-нечеткого метода группового учета аргументов для построения на основе ретроспективной, текущей и экспертной информации идентифицирующих моделей управления сложными социально-экономическими системами с использованием нейро-нечетких сетей в качестве частных моделей МГУА, а также алгоритмов и методики его реализации в составе СППР по региональному управлению.
Значение полученных результатов для теории и практики.
Разработанные в диссертации нейро-нечеткий метод группового учета аргументов, алгоритмы интеллектуальной поддержки принятия решений на основе реализации нейро-нечеткого МГУА, архитектура и методика применения информационно-аналитической СППР по управлению региональными социально-экономическими системами, использующими разработанный нейро-нечеткий МГУА, вносят вклад в теорию и практику идентификации в организационных системах и применения методов и алгоритмов интеллектуальной поддержки принятия управленческих решений в экономических и социальных системах.
Сведения о реализации и целесообразности практического исполь-М зования результатов.
Разработанный нейро-нечеткий метод группового учета аргументов, алгоритмы интеллектуальной поддержки принятия решений на основе реализации нейро-нечеткого МГУА, а также архитектура и методика применения информационно-аналитической СППР практически используются в Администрации Смоленской области и Администрации г. Смоленска, что позволило повысить обоснованность принимаемых решений по управлению региональными и муниципальными социально-экономическим системами.
Методические и теоретические результаты диссертации используются в учебном процессе филиала Московского энергетического института (технического университета) в г. Смоленске.
Предложенный нейро-нечеткий метод группового учета аргументов и алгоритмы интеллектуальной поддержки принятия решений на основе реализации нейро-нечеткого МГУА могут найти широкое практическое применение в качестве математического и алгоритмического обеспечения информационных СППР по управлению социально-экономическими системами.
Разработанная архитектура и методика применения информационно-аналитической СППР по управлению региональными социально-экономическими системами, использующие разработанный нейро-нечеткий МГУА, могут быть использованы органами власти федерального, регионального и муниципального уровней при разработке специального математического и программного обеспечения систем поддержки принятия решений в социальных и экономических системах.
Апробация работы. Основные результаты диссертационной работы докладывались и обсуждались на: Международной научной конференции «Математические методы в интеллектуальных информационных системах» (Смоленск, 2002), VII Международной научной конференции «Системы компьютерной математики и их приложения» (Смоленск, 2006), V Всероссийской научно-практической конференции «Проблемы экономики, организации и управления предприятиями, отраслями, комплексами в разных сферах народного хозяйства» (Новочеркасск, 2006), межвузовской научно-методической конференции «Современные информационные технологии в экономике, управлении и образовании» (Смоленск, 2006), VI Международной научно-практической конференции «Моделирование. Теория, методы и средства» (Новочеркасск, 2006), а также на научных семинарах филиала МЭИ (ТУ) в г. Смоленске.
Публикации. По теме диссертации опубликовано 11 печатных работ общим объемом: 11,3 п.л., в том числе лично автору принадлежит 5,2 п.л. Структура и объем работы.
Диссертационная работа состоит из введения, четырех глав, заключения, списка литературы из 116 наименований и 4 приложений. Диссертация содержит 177 страниц машинописного текста, 44 рисунка и 12 таблиц.
Похожие диссертационные работы по специальности «Управление в социальных и экономических системах», 05.13.10 шифр ВАК
Разработка методов и алгоритмов интеллектуальной поддержки принятия решений на основе нечетких когнитивных карт2010 год, кандидат технических наук Путято, Михаил Михайлович
Интеллектуальная информационно-аналитическая система поддержки планирования налоговых доходов регионального бюджета2005 год, кандидат технических наук Осипова, Ирина Валерьевна
Коалиционные нечеткие игровые модели для поддержки принятия решений по управлению машиностроительным предприятием2007 год, кандидат экономических наук Максимкин, Максим Викторович
Системный анализ и управление сложными биосистемами на базе нейро-нечетких регуляторов2014 год, кандидат наук Володин, Александр Андреевич
Инструменты поддержки принятия решений по управлению стратегическими проектами в авиастроении2012 год, кандидат экономических наук Кузавко, Антон Сергеевич
Заключение диссертации по теме «Управление в социальных и экономических системах», Бояринов, Юрий Геннадьевич
4.4. Выводы
К основным результатам диссертационного исследования, отраженным в текущей главе, относится следующее.
1. Разработана методика использования нейро-нечеткого метода • группового учета аргументов в системе поддержки принятия решений по управлению регионом.
Методика описывает основные этапы построения и использования ИАСППР по управлению регионом, включая этапы построения математических моделей социально-экономических систем с помощью алгоритмов нейро-нечеткого МГУА.
2. Разработана архитектура ИАСППР по региональному управлению, включающая подсистему, реализующую алгоритмы нейро-нечеткого МГУА.
Разработанная архитектура учитывает особенности организации центрального ядра информационно-аналитической системы Смоленской области, технологии обмена данными с внешними информационными системами и схемы движения информационных потоков в процессе принятия решений по управлению регионом.
3. Результаты использования нейро-нечетких моделей региональных социально-экономических систем в процессе управления Смоленской областью и г. Смоленском.
Разработанные в диссертации алгоритмы и программные средства использовались в ИАСППР по управлению Смоленской областью и г. ^ Смоленском для прогнозирования последствий принимаемых решений по реализации мероприятий по увеличению валового регионального продукта, уровня занятости, реальных доходов населения, а также решений в области здравоохранения, обеспечения населения жильем и демографической политики.
153
ЗАКЛЮЧЕНИЕ
В ходе диссертационного исследования были получены следующие основные результаты.
1. На основе проведенного анализа современного состояния исследований в области применения математических моделей в составе СППР по управлению социально-экономическим системами обоснованы предпосылки применения МГУА в процессе управления региональными системами.
2. Разработан нейро-нечеткий метод группового учета аргументов для построения на основе ретроспективной, текущей и экспертной информации идентифицирующих моделей управления сложными социально-экономическими системами с целью повышения эффективности их функционирования, отличающийся возможностью использования нейро-нечетких сетей в качестве частных моделей МГУА, что позволяет учитывать экспертную информацию при селекции факторов, оказывающих влияние на управляемую социально-экономическую систему.
3. Предложен алгоритм интеллектуальной поддержки принятия оперативных решений на основе реализации нейро-нечеткого метода группового учета аргументов, позволяющий осуществлять построение прогностических моделей региональных социально-экономических систем, что обеспечивает повышение точности прогноза последствий принимаемых решений по региональному управлению в условиях ограниченности исходной информации о состоянии внешней и внутренней среды.
4. Разработан алгоритм интеллектуальной поддержки принятия стратегических решений по управлению социально-экономическими системами, использующий комбинированный критерий баланса прогнозов, позволяющий на основе принципа самоорганизации и процедур обработки информации о состоянии внешней и внутренней среды, представленной при помощи шкал различного типа, учитывать динамику развития ситуации в долгосрочной и среднесрочной перспективе.
5. На основе результатов вычислительных экспериментов определены условия, при выполнении которых предложенный нейро-нечеткий метод группового учета аргументов позволяет обеспечить более высокую точность идентифицирующих моделей управления сложными социально-экономическими системами, чем при применении других известных методов моделирования.
6. Разработана архитектура и методика применения информационно-аналитической СППР по управлению региональными социально-экономическими системами, использующей разработанный нейро-нечеткий метод группового учета аргументов и позволяющей учитывать активное влияние управляемой системы на процесс управления на основе интеграции информационных ресурсов региона.
7. Разработанный нейро-нечеткий метод группового учета аргументов, алгоритмы интеллектуальной поддержки принятия решений на основе реализации нейро-нечеткого МГУА, а также архитектура и методика применения информационно-аналитической СППР практически используются в Администрации Смоленской области и Администрации г. Смоленска, что позволило повысить обоснованность принимаемых решений по управлению региональными и муниципальными социально-экономическим системами.
Методические и теоретические результаты диссертации используются в учебном процессе филиала Московского энергетического института (технического университета) в г. Смоленске.
Предложенный нейро-нечеткий метод группового учета аргументов и алгоритмы интеллектуальной поддержки принятия решений на основе реализации нейро-нечеткого могут найти широкое практическое применение в качестве математического и алгоритмического обеспечения информационных СППР по управлению социально-экономическими системами.
Разработанная архитектура и методика применения информационно-аналитической СППР по управлению региональными социальноэкономическими системами, использующей разработанный нейро-нечеткий МГУА, могут быть использованы органами власти федерального, регионального и муниципального уровней при разработке специального математического и программного обеспечения систем поддержки принятия решений в социальных и экономических системах.
Список литературы диссертационного исследования кандидат технических наук Бояринов, Юрий Геннадьевич, 2006 год
1. Дли М.И., Круглов В.В., Осокин М.В. Локально-аппроксимационные модели социально-экономических систем и процессов. М.: Наука. Физматлит. 2000.
2. Растригин Л.А. Современные принципы управления сложными объектами. М.: Сов. радио, 1980.
3. Бурков В.Н., Новиков Д.А. Теория и практика управления активными системами // Измерения, контроль, автоматизация. 2000. № 3.
4. Гхосал А. Прикладная кибернетика и ее связь с исследованием операций. М.: Радио и связь, 1982.
5. Эйкофф П. Основы идентификации систем управления. М.: Мир, 1975.
6. Райбман Н.С., Чадеев В.М. Построение моделей производства. М.: Энергия, 1975.
7. Ицкович Э.Л. Контроль производства с помощью вычислительных машин. М.: Энергия, 1975.
8. Гроп Д. Методы идентификации систем. М.: Мир, 1979.
9. Себер Дж. Линейный регрессионный анализ, М.: Мир, 1980.
10. Дисперсионная идентификация /Под. ред. Н.С. Райбмана. М.: Наука, 1981.
11. Демиденко Е.З. Линейная и нелинейная регрессия. М.: Финансы и статистика, 1981.
12. Цыпкин ЯЗ. Основы информационной теории идентификации. М.: Наука, 1984.
13. Количественные методы финансового анализа/ Под ред. С Дж. Брауна и М.П.Ураумана. М.: ИНФА-М, 1996.
14. МВощинин А.П., Сотиров Г.Р. Оптимизация в условиях неопределенности. М.: Изд-во МЭИ, 1989.
15. Горский В.Г. Планирование кинетических экспериментов. М.: Наука, 1984.
16. Кононов Д. А., Косяченко С. А., Кульба В. В. Сценарный анализ динамики поведения социально-экономических систем // www.ec.asu.ru.
17. Андерсон Т. Статистический анализ временных рядов. М.: Мир, 1976.
18. Ивахненко А. Г., Юрачковский Ю. П. Моделирование сложных систем по экспериментальным данным. М.: Радио и связь, 1987.
19. Катковник В.Я. Непараметрическая идентификация и сглаживание данных. М.: Наука, 1985.
20. Cover Т.М., Hart Р.Е. Nearest neighbor pattern classification// IEEE Trans, on Inform. Theory. 1967. V. IT-13. P.21-27.
21. Lancaster P., Saulkauskas K. Surfaces generated by moving least squiares methods//Mathematics of Computation. 1981. V.37.N155. P.141-158.
22. Трахтенгерц Э.А. Компьютерная поддержка принятия решений. М.: СИНТЕГ, 1998.
23. Попов Э.В., Фоминых И.Б., Кисель Е.Б., Шапот М.Д. Статистические и динамические экспертные системы. М.: Финансы и статистика, 1996.
24. Змитрович А.И. Интеллектуальные информационные системы. М.: НТООО "ТетраСистемс", 1997.
25. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. СПб.: Питер, 2000.
26. Корнеев В.В., Гареев А.Ф., Васютин С.В., Райх В.В. Базы данных. Интеллектуальная обработка информации. -М.: Нолидж, 2000.
27. Девяткин В.В. Системы искусственного интеллекта. М.: Изд-во МГТУ им. Н.Э.Баумана, 2001.
28. Ларичев О.И., Мошкович Е.М. Качественные методы принятия решений. -М.: Физматлит, 1996.
29. Ириков В.А., Тренев В.Н. Распределенные системы принятия решений. М.: Наука, 1999.
30. Трахтенгерц Э.А. Субъективность в компьютерной поддержке управленческих решений. М.: СИНТЕГ, 2002.
31. Беленький А.Г. Федосеева И.Н. Прогнозирование состояния динамических сложных систем в условиях неопределенности. М.: ВЦ РАН, 1999.
32. Загоруйко Н.Г. Прикладные методы анализа данных и знаний. -Новосибирск: Изд-во института математики, 1999.
33. Заде J1. Понятие лингвистической переменной и его применение для принятия приближенных решений. М.: Мир, 1976.
34. Кофман А. Введение в теорию нечетких множеств. М.: Радио и связь, 1982.
35. Орлов А.И. Задачи оптимизации и нечеткие переменные. М.: Знание, 1980.
36. Орловский С.А. Проблемы принятия решений при нечеткой входной информации. -М.: Наука, 1981.
37. Борисов А.Н., Алексеев А.В., Крумберг О.А. Модели принятия решений на основе лингвистической переменной. Рига: Зинатне, 1982.
38. Нечеткие множества в моделях управления и искусственного интеллекта / Под ред. Поспелова Д.А. М.: Наука, 1986.
39. Алиев Р.А., Абдикеев Н.М., Шахназаров М.М. Производственные системы с искусственным интеллектом. М.: Радио и связь, 1990.
40. Борисов А.Н., Крумберг О.А., Федоров И.П. Принятие решений на основе нечетких моделей: примеры использования. Рига: Зинатне, 1990.
41. Мелихов А.Н., Берштейн J1.C., Коровин C.J1. Ситуационные советующие системы с нечеткой логикой. М.: Наука, 1990.
42. Алиев Р.А., Церковный А.Э, Мамедова Г.А. Управление производством при нечеткой исходной информации. -М.: Энергоатомиздат, 1991.
43. Прикладные нечеткие системы / Под ред. Т.Тэрано. М.: Мир, 1993.
44. Ларичев О.И., Мошкович Е.М. Качественные методы принятия решений: вербальный анализ решений. М.: Физматлит, 1996.
45. Круглов В.В., Дли М.И., Голунов Р.Ю. Нечеткая логика и искусственные нейронные сети. М.: Физматлит, 2001.
46. Wang L.-X. Fuzzy systems are universal approximators // In Proc. of the 1-st IEEE International Conf. on Fuzzy Systems. San Diego, 1992. P. 194-207.
47. Dickerson J. A., Kosko B. Fuzzy function approximation with supervised ellipsoidal learning. // Proc. World Congr. Neural Networks (WCNN-93). -1993.-vol. 2.-P. 9-17.
48. Kim H. M., Kosko B. Fuzzy prediction and filtering in impulsive noise // IEEE Fuzzy Sets Systems. 1996. - vol. 77. - P. 15-33.
49. Kim H. M., Mendel J. M. Fuzzy basis functions: comparison with other basis functions // IEEE Trans. Fuzzy Systems. 1995. - vol. 3. - P.158-168.
50. Горбань A.H., Россиев Д.А. Нейронные сети на персональном компьютере. Новосибирск: Наука, 1996.
51. Бэстенс Д.-Э., ван ден Берг В.-М., Вуд Д. Нейронные сети и финансовые рынки: принятие решений в торговых операциях. М.: ТВП, 1997.
52. Уоссермен Ф. Нейрокомпьютерная техника М.: Мир, 1992.
53. Галушкин А.О. О современных направлениях развития нейрокомпьютеров // Нейрокомпьютер. 1997. № 1,2. С.5-22.
54. Priestly М.В. Non-linear and поп stationary time series prediction. London: Academic Press, 1988.
55. Connor J., Atlas L. Recurrent neural networks and time series prediction// Proceeding IJCNN. 1991. V.l. P.301-306.
56. Круглов B.B., Борисов B.B., Харитонов E.B. Нейронные сети: конфигурации, обучение, применение. Смоленск: МЭИ (фил-л в г. Смоленске). 1998.
57. Логовский А.С. Зарубежные нейропакеты: современное состояние и сравнительные характеристики//Нейрокомпьютер. 1998. № 1,2 С.13-26.
58. Круглов В.В., Борисов В.В. Гибридные нейронные сети. Смоленск: Русич, 2001.
59. J.-S. R. Jang, С.-Т. Sun, Е. Mizutani. Neurofuzzy and Soft Computing: A Computational Approach to Learning and Machine Intelligence. Englewood Cliffs: Prentice-Hall, 1996.
60. Макоклюев Б.И., Павликов B.C., Владимиров А.И., Фефелова Г.И. Влияние колебаний метеорологических факторов на электропотребление энергообъединений // Энергетик. 2003. - № 6. - С. 14-19.
61. Gross G. and Galiana F.D. Short term load forecasting // Proc. IEEE. 1987.-vol.75. - №12. - P. 1558-1573.
62. Chen S.T., David C.Y., Moghaddamjo A.R. Weather sensitive short-term load forecasting using non fully connected artificial neural network // IEEE Trans, on Power Systems. 1992. - vol. 7. - №3. - P. 1098-1105.
63. Адамеску А., Кистов В. Региональные программы: перспективные вопросы // Экономист. 1997. - №6 - с. 68-72.
64. Гаврилов А. И. Региональная экономика и управление: Уч. пособие для вузов. М.: ЮНИТИ-ДАНА, 2002.
65. Гутман Г. В. Управление региональной экономикой М.: Финансы и статистика, 2001.
66. Лычкина Н. Н. Моделирование социально-экономического развития регионов // www.lichkina.imis.ru.
67. Ивахненко А.Г. Системы эвристической самоорганизации в технической кибернетике. Киев: Техника, 1969.
68. Ивахненко А.Г., Лапа В.Г. Предсказание случайных процессов. Киев: Наукова думка, 1971.
69. Ивахненко А.Г., Зайченко Ю.П., Дмитриев В.Д. Принятие решений на основе самоорганизации. М.: Сов. радио, 1976.
70. Дьяконов В.П., Круглов В.В. Математические пакеты расширений MATLAB. Специальный справочник. СПб.: Питер, 2001.
71. Дьяконов В.П., Абраменкова И.В., Круглов В.В. MATLAB 5.3.1 с пакетами расширений. М.: Нолидж, 2001.
72. Леоненков А.В. Нечеткое моделирование в среде MATLAB и fuzzyTECH. -СПб.: БХВ-Петербург, 2003.
73. Гмурман В.Е. Теория вероятностей и математическая статистика. М.: Высшая школа, 1977.
74. Иванов В.А., Чемоданов Б.К., Медведев B.C. Математические основы теории автоматического управления. М.: Высш. школа, 1971.
75. Математическое моделирование сложных физико-химических процессов/ А.Н.Чохонелидзе, М.И. Дли, Е.А.Берзин, М.М. Орлов. Тверь: ТвГТУ, 1999.
76. Ивахненко А.Г., Мюллер Й. А. Самоорганизация прогнозирующих моделей. Киев: Техшка, 1985.
77. Медведев B.C., Потемкин В.Г. Нейронные сети. MATLAB 6. М.: ДИАЛОГ-МИФИ, 2002.
78. Черезов А. Что такое прокси-сервер, и зачем он нужен. // http:// www.eserv.ru/ WhatlsProxyServer.
79. Олифер В.Г., Олифер Н.А. Основы сетей передачи данных. М.: «Интернет-Университет Информационных технологий», 2003.
80. Галатенко В.А. Основы информационной безопасности. М.: «Интернет-Университет Информационных технологий», 2003.
81. Бруй В.В., Карлов С.В. Организация сервера на базе ОС Linux. М.:СИП РИА, 2004.-125 е.: ил.
82. Зима В., Николаев А. Повышение защищенности Крепостной стеной // http://opennet.ru. ;
83. Вендров A.M. Проектирование программного обеспечения экономических информационных систем: Учебник для студентов вузов М.: Финансы и статистика, 2000.
84. Смоленская область в цифрах в 2005 году: Статистический сборник / Федеральная служба гос. статистики. Смоленск: Б/И, 2005.
85. О наличии, составе и движении основных фондов Смоленской области: Статистический сборник сборник / Федеральная служба гос. статистики. -Смоленск: Б/И, 2005.
86. Броуди М.Б. О статистическом рассуждении. М.: Статистика, 1968.
87. Давыдов А.А. Индекс социального неблагополучия// Социологические исследования. 1995. № 10. С. 118-127.
88. Давыдов А.А. Модель социального времени// Социологические исследования. 1998. № 4. С.98-101.
89. Дли М.И. Алгоритм идентификации с автоматическим выбором порядка модели // Устройства и системы автоматического управления: Сб. науч. трудов. Смоленск: Моск. энерг. ин-т (фил-л в г. Смоленске). 1996. С.5-7.
90. Айвазян С.А., Мхитарян B.C. Прикладная статистика и основы эконометрики. -М.: ЮНИТИ, 1998.
91. Рожнов А.В., Энеев О.О. Основы формирования новых методов интеллектуальной обработки данных информационно-управляющих систем // Нейрокомпьютеры: разработка и применение. 2003. - № 2. - С. 22-28.
92. Загоруйко Н.Г., Елкина В.Н. Лбов Г.С. Алгоритмы обнаружения эмпирических закономерностей. Новосибирск: Наука, 1985.
93. Головко В.А. Нейронные сети: обучение, организация и применение. М.: ИПРЖР, 2000.
94. Каллан Р. Основные концепции нейронных сетей. М.: Вильяме, 2001.
95. Анил К. Джейн, Жианчанг Мао, Моиудин К.М. Введение в искусственные нейронные сети // Открытые системы. 1997.- №4. С. 17-24.
96. Галушкин А.И. Современные направления развития нейрокомпьютерных технологий в России // Открытые системы. 1997. - № 4. С. 25-28.
97. Саати Т., Керне К. Аналитическое планирование. Организация систем. -М.: Радио и связь, 1991.
98. Зеленский К.Х., Игнатенко В.Н., Коц А.П. Компьютерные методы прикладной математики. Киев: Дизайн-В, 1999.
99. Степашко B.C. Структурная идентификация прогнозирующих моделей в условиях планируемого эксперимента // Автоматика. 1992. №1. - С.26-35.
100. Дли М.И., Игнатьев И.В. Активный эксперимент в задаче идентификации сложных систем управления // Перспективные технологии автоматизации: Тез. докл. междунар. электрон, науч.-техн. конф. Вологда: ВоГТУ, 1999. С.95-96.
101. Дли М.И., Игнатьев И.В. Локально-параметрические методы в задачах прогнозирования экономических показателей // Математические методы и компьютеры в экономике: Сб. статей II Междунар. науч.-техн. конф. Пенза. 1999. С. 118-120.
102. Дли М.И., Игнатьев И.В. Об одном подходе к прогнозированию рыночной конъюнктуры // Тез. докл. V Междунар. науч. конф., посвященной 85-летию со дня рождения академика В.В.Кафарова. Казань. 1999 г. С.83.
103. Дли М.И. Локально-аппроксимационные модели сложных объектов. М.: Физматлит (МАИК "Наука/Интерпериодика"), 1999.
104. Дли М.И. Локально-аппроксимационные модели динамических объектов// Программные продукты и системы, 1999. № 3. С.26-28.
105. Бояринов Ю.Г., Стоянова О.В., Дли М.И. Нейро-нечёткий метод группового учета аргументов для поддержки принятия решений по управлению региональными социально-экономическими системами, М.: Физматлит, 2005, (168/86 с.)
106. Бояринов Ю.Г. Основные направления развития систем контроллинга промышленного предприятия // Математические методы в интеллектуальных информационных системах: Сб.тр. Межд. науч. конф. М.: Физматлит, 2002. (3 с.)
107. Бояринов Ю.Г., Стоянова О.В. Решение недоопределенных задач моделирования на основе принципа самоорганизации моделей // Системыкомпьютерной математики и их приложения: Сб. тр. VII межд. конф. -Смоленск: СГУ, 2006. (4/2 с.)
108. Бояринов Ю.Г. Особенности промышленного предприятия как объекта моделирования и управления // Моделирование. Теория, методы и средства: Сб. тр. VI межд. науч.-практ. конф., Новочеркасск : НГТУ, 2006. (3 е.).
109. Бояринов Ю.Г. Использование нейро-нечеткого метода группового учета аргументов для построения моделей региональных социально-экономических систем // Информационные технологии моделирования и управления. 2006 - выпуск 4(29). (6 с.)
110. Стоянова О.В., Бояринов Ю.Г. Моделирование социально-экономических систем на основе самоорганизации нейро-нечетких сетей // Вестник МЭИ. 2006 - №4. (6 с.)
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.