Нейросетевое моделирование динамики нелинейных объектов в условиях краткосрочного прогнозирования на основе аппарата нечёткой логики тема диссертации и автореферата по ВАК РФ 05.13.18, кандидат наук Гусев, Константин Юрьевич

  • Гусев, Константин Юрьевич
  • кандидат науккандидат наук
  • 2013, Воронеж
  • Специальность ВАК РФ05.13.18
  • Количество страниц 146
Гусев, Константин Юрьевич. Нейросетевое моделирование динамики нелинейных объектов в условиях краткосрочного прогнозирования на основе аппарата нечёткой логики: дис. кандидат наук: 05.13.18 - Математическое моделирование, численные методы и комплексы программ. Воронеж. 2013. 146 с.

Оглавление диссертации кандидат наук Гусев, Константин Юрьевич

Содержание

Введение

Глава 1 Анализ методов моделирования динамики нелинейных

объектов

1.1 Проблематика краткосрочного прогнозирования динамики нелинейных объектов

1.2 Классификация методов моделирования и анализа нелинейных объектов

1.3 Априорный анализ экспертных данных

1.4 Цель работы и задача исследования

Глава 2 Нейросетевое моделирование нелинейной динамики на основе

реализации математических и эконометрических методов

2.1 Математическая модель нечёткой системы анализа

2.2 Математическая модель нейрона

2.3 Нейросетевая модель нечёткой системы прогнозирования

2.4 Алгоритм априорного анализа данных

Выводы

Глава 3 Алгоритмизация процесса нейросетевого моделирования в

условиях нелинейной динамики

3.1 Алгоритм нейросетевого моделирования и анализа на основе аппарата нечёткой логики

3.2 Алгоритм обратного распространения ошибки

3.3Алгоритмизация процедуры повышение качества нейросетевой модели

на основе формирования пробных шагов

Выводы

Глава 4 Структура программного комплекса и результаты практической реализации моделей и алгоритмов анализа динамики

нелинейных объектов

4.1 Структура программного комплекса

4.2 Пользовательский интерфейс

4.3 Результаты практической апробации программного комплекса в условиях принятия решений органами регионального административного

управления

Заключение

Библиографический список

Приложение 1 Справка о внедрении результатов диссертационной

работы

Приложение 2 Акт о внедрении результатов диссертации в учебный

процесс

Приложение 3 Акт регистрации программного комплекса в государственном информационном фонде

Рекомендованный список диссертаций по специальности «Математическое моделирование, численные методы и комплексы программ», 05.13.18 шифр ВАК

Введение диссертации (часть автореферата) на тему «Нейросетевое моделирование динамики нелинейных объектов в условиях краткосрочного прогнозирования на основе аппарата нечёткой логики»

Введение

Актуальность темы. В настоящее время большую актуальность приобретают вопросы, связанные с разработкой и совершенствованием математических методов описания сложных объектов, проявляющих свойства нелинейности. Нелинейная динамика проявляется в той или иной степени в экстремальных условиях функционирования большинства объектов управления.

Признаки нелинейности являются реальной особенностью технических, производственных, экономических объектов, в рамках которых переходные процессы оказывают существенное влияние на качественные и количественные характеристики их функционирования.

Для моделирования и анализа нелинейной динамики до настоящего времени широко использовались статистические методы, методы теории хаоса и фрактальной геометрии, которые в определённых условиях позволяют с высокими показателями качества получить среднесрочные и долгосрочные прогнозы их состояний. Дальнейшее развитие средств моделирования нелинейных объектов связано с активным использованием в это области аппарата нейронных сетей. Теоретическим вопросам нейросетевого моделирования посвящены работы Мак-Каллока У.С., Питтса В., Минского М., Пейперта С., Рутковской Д.Н., Круглова В.В. В данных работах рассмотрены теоретические результаты нейросетевого моделирования, в том числе нелинейных, объектов для формирования в основном долгосрочных прогнозов. Однако существующие возможности аппарата нейросетевого моделирования ограничены в условиях формирования оперативных краткосрочных прогнозов (в режиме реального времени), что обуславливает актуальность задачи дальнейшего его совершенствования с целью обеспечения высокой эффективности принятия решений.

В настоящее время для эффективного планирования и рационального распределения материальных ресурсов необходимы надёжные средства оперативного сбора данных, обработки и прогнозирования динамики соответствующих нелинейных объектов. Качественное решение задачи краткосрочного прогнозирования динамики нелинейных объектов создает дополнительные возможности по минимизации рисков в процессе принятии решений.

Таким образом, актуальность диссертационной работы продиктована необходимостью дальнейшего развития аппарата нейросетевого моделирования, применительно к специфическим особенностям нелинейных объектов, для обеспечения высокого уровня качества краткосрочного прогнозирования их состояний.

Тематика диссертационной работы соответствует одному из научных направлений ГОУ ВПО «Воронежский государственный технический университет» «Вычислительные комплексы и проблемно-ориентированные системы управления».

Цель работы. Целью диссертационной работы является разработка моделей, алгоритмов и программных средств анализа динамики нелинейных объектов, обеспечивающих высокое качество краткосрочного нейросетевого прогнозирования их состояний, на основе реализации аппарата нечёткой логики.

Задачи исследования. Для достижения поставленной цели в работе определены следующие задачи исследования:

- системный анализ проблематики моделирования и анализа динамики нелинейных объектов и определение основных задач, решение которых существенно влияет на показатели качества нейросетевых моделей;

- разработка модели динамики нелинейных объектов на основе численных методов анализа априорных данных и аппарата нечёткой логики, обеспечивающих высокое качество краткосрочного прогноза их состояний;

разработка алгоритма функционирования гибридной системы моделирования динамики нелинейных объектов, включающего математические средства формирования индивидуальной структуры нейросетевой модели;

- разработка прикладного программного и информационного обеспечения алгоритмов моделирования и анализа динамики нелинейных объектов;

- практическая апробация разработанных моделей и алгоритмов применительно к задаче краткосрочного прогнозирования динамики социально-экономических объектов в реальных условиях.

Соответствие диссертации паспорту специальности. Работа соответствует следующим пунктам паспорта специальности 05.13.18 «Математическое моделирование, численные методы и комплексы программ»:

П.З Развитие качественных и приближенных аналитических методов исследования математических моделей для использования на предварительном этапе математического моделирования.

П.4. Разработка, обоснование и тестирование эффективных численных методов с применением ЭВМ.

П.5 Реализация эффективных численных методов и алгоритмов в виде комплексов проблемно-ориентированных программ для проведения вычислительного эксперимента.

Методы исследования. В основу диссертационного исследования положены методы теории математического моделирования, математического программирования, математической статистики, теории нейронных сетей, теории графов, основ нечёткой логики, основ эконометрики.

Научная новизна. В работе получены следующие результаты, характеризующиеся научной новизной:

- модель нечёткой нейронной сети, реализующей прогнозирование динамики нелинейных объектов, отличающаяся включением новых процедур повышения качества прогноза, основанных на введении пробных шагов настройки для обеспечения адаптационных свойств;

- процедура обучения нечёткой нейронной сети, отличающаяся поиском оптимальных начальных условий, основанная на априорном анализе статистических данных;

алгоритм анализа и выбора структурных элементов системы моделирования динамики нелинейных объектов, отличающийся введением средств численного анализа априорных данных, обеспечивающих повышение качества краткосрочного прогнозирования на стадии проектирования нейросетевой модели;

- динамическая структура программного комплекса моделирования и анализа динамики нелинейных объектов, отличающаяся реализацией гибкой системы взаимодействия с программными модулями и сервисными средствами, позволяющей осуществлять формирование индивидуальной структуры нейросетевой модели.

Практическая значимость работы. Предложенные в работе модели и алгоритмы анализа и краткосрочного прогнозирования динамики нелинейных объектов, а также средства их информационной поддержки реализованы в составе специального программного комплекса краткосрочного прогнозирования динамики нелинейных объектов.

В результате практической апробации программный комплекс продемонстрировал высокие показатели качества как в режиме прогнозирования статистических данных off-line, так и при прогнозировании в режиме реального времени on-line.

Практическая значимость работы может быть реализована при составлении прогноза основных показателей, необходимых для принятия и корректировки решений в крупных организациях региона и на всех уровнях муниципальной власти.

Реализация и внедрение результатов работы. Результаты работы в виде программного комплекса опробованы в отделе стратегии инвестиционного развития ГЧП департамента экономического развития Воронежской области и получили высокую оценку качества функционирования как на этапе сравнения с эталонными данными, так и по оценкам экспертов отдела.

Апробация работы. Основные положения диссертационной работы докладывались на следующих конференциях, семинарах и совещаниях: Всероссийской конференции «Новые технологии в научных исследованиях, проектировании, управлении, производстве НТ-2010» (Воронеж, 2010 - 2012); IX Международной конференции «Распознавание-2010» (Курск, 2010, 2012); 14th International Student Olympiad on Automatic Control (BOAC'2011) (Saint Petersburg,

2011); V Международной конференции «Современные проблемы прикладной математики, теории управления и математического моделирования (ПМТУММ-

2012)» (Воронеж, 2012); а также на научных семинарах кафедры автоматики и информатики в технических системах ГОУ ВПО «Воронежский государственный технический университет» (Воронеж, 2009 - 2012).

Публикации. Основные результаты исследования опубликованы в 13 научных работах, в том числе 5 - в изданиях, рекомендованных ВАК РФ. В работах, опубликованных в соавторстве и приведённых в конце диссертации, лично соискателем предложены: математическая модель и программная реализация метода пробных шагов, применение которого повышает качество функционирования нейросетевой модели в целом [30, 32], формализованное описание нечёткой модели прогнозирования, основанной на принципах технического анализа [32], априорный анализ входных данных и корректировка начальных условий (до обучения) нейросетевой модели анализа и прогнозирования динамики нелинейных объектов [31, 35].

Структура и объём работы. Диссертация состоит из введения, четырёх глав, списка литературы из 153 наименований, основная часть изложена на 128 страницах, содержит 39 рисунков.

Во введении показана актуальность работы, сформулированы цели и задачи исследований, представлены основные научные результаты, определены их научная новизна и практическая значимость, приведено краткое содержание по главам.

В первой главе проведён анализ проблематики нейросетевого моделирования и анализа динамики нелинейных объектов и проводится анализ существующих методов моделирования. Обоснованы цель и задачи нейросетевого моделирования и анализа динамики нелинейных объектов.

Вторая глава посвящена разработке модели анализа и прогнозирования динамики нелинейных объектов, отличающейся наличием сервисных средств, основанных на аппарате нечёткой логики.

В третьей главе проведено формализованное описание и алгоритмизация процессов функционирования и взаимодействия нечёткой нейросетевой модели анализа и прогнозирования динамики нелинейных объектов.

В четвёртой главе представлена программная реализация разработанных моделей и алгоритмов и её применение для оперативного прогнозирования динамики нелинейных объектов.

В заключении приведены основные выводы и результаты диссертационной работы.

Глава 1 Анализ методов моделирования динамики нелинейных объектов

В главе рассмотрены методы моделирования, необходимые для анализа нелинейных объектов. Рассмотрена общая проблематика моделирования нелинейных объектов.

Приводится классификация методов моделирования сложных объектов и возможность их применения при анализе нелинейных объектов. Большинство этих методов применяются как независимые системы анализа и моделирование, а часть как сервисные средства, повышающие показатели качества функционирования модели.

Особое внимание уделяется возможности применения математических и эконометрических методов для решения задачи моделирования и анализа динамики нелинейных объектов.

Рассмотрены методы априорного анализа и повышения качества экспертных данных, проанализированы как методы корректировки данных, так и методы изменения структуры системы в зависимости от рассчитываемых в процессе предобработки коэффициентов и показателей.

1.1 Проблематика краткосрочного прогнозирования динамики нелинейных объектов

Необходимость совершенствования методов прогнозирования обусловлена рядом причин. Основные методы, которые использовались ранее, при планировании и прогнозировании, можно разделить на три основные группы: балансовые, исследования операций, эконометрические методы [99, 143]. Их общей чертой можно назвать линейность (или сводимость к ней, посредством процедуры линеаризации соответствующих систем), которая является как недостатком, так и достоинством вышеописанных методов. Предположение о линейной зависимости есть сильное упрощением действительности [45]. Линейный характер взаимодействий принимается априори как постулат, подтвержденный достаточно обширным практическим материалом.

К основным постулатам линейных видений, которые следуют из детерминистских представлений о мире и математическом способе его описания с помощью систем линейных дифференциальных уравнений, относятся следующие [41]:

- возможность описания процессов с большей вероятностью с помощью линейных уравнений или их комбинаций. Нелинейные члены представляют собой лишь небольшие отклонения, не вносящие существенных качественных изменений в общую задачу;

- однозначность стационарного решения в системе линейных уравнений. Это означает, что практически при любых параметрах системы существует единственное стационарное решение (или не существует вовсе, что маловероятно), которое достигается независимо от начальных условий. В этом выражается представление о единственно верной цели, к которой следует стремиться;

- устойчивость решения по отношению к виду уравнений и начальным условиям. Малые отклонения мало влияют на результат. Это соответствует

представлениям об объективной закономерности, на которую фактически не могут повлиять личности и обстоятельства;

- возможность однозначной идентификации параметров в системе в случае полностью наблюдаемого вектора состояний (по совокупности фактических данных). Это означает, что последствиям можно определить причину [53];

- к линейно-детерминистскому подходу следует отнести и представление о возможности выделения определяющего, лимитирующего фактора в любом процессе, о существовании ключевого управляющего фактора, обнаружив который, можно инициировать необходимый процесс.

Во всех сложных системах присутствуют свойства, которые могут быть описаны с помощью нелинейных моделей, и для них естественны: ограниченность решений, колебательные режимы, квазистохастическое пространственное и временное поведение. С учетом свойств, имеющихся у сложных систем, необходимо перейти к нелинейному принципу, который более адекватно подходит к моделированию современных технических, информационных и социально-экономических систем [47].

Но множество объектов, особенно в естественных науках, неуправляемы и

допускают лишь безусловное прогнозирование с целью приспособить действия к

настоящему состоянию объекта. С другой стороны, особенно в общественных

науках, обратная связь достигает высокой степени интенсивности и приводит к

эффекту "саморазрушения" прогноза путём действий с учётом последнего. Так,

предсказания финансовых кризисов часто приводят к панике и действительному

обострению ситуации. Вместе с тем своевременное вмешательство при

предвидении надвигающейся опасности способно предотвратить её и, разрушив

прогноз, спасти положение. Отсюда методологическая ориентация

прогнозирования управляемых (большей частью социальных) явлений не на

безусловное предсказание, а на оценку вероятного (при условии сохранения

наблюдаемых тенденций) и желательного (при условии заранее заданных норм)

состояния объекта. Ожидаемый результат исследования — использование

прогностической информации, полученной на основе сопоставления данных

13

поискового и нормативного прогнозирования, для повышения обоснованности целей и решений, в том числе планов, программ, проектов [125].

При получении прогноза использует три основных взаимодополняющих источника информации о будущем [72,112]:

- оценка перспектив развития исследуемого явления на основании опыта, чаще всего на основе аналогии с уже изученными сходными явлениями и процессами;

- условное продолжение в будущее тенденций, закономерности развития которых в прошлом и настоящем достаточно хорошо известны (экстраполяция);

- создание модели будущего состояния исследуемого явления, процесса в соответствии с ожидаемым или желательным изменением ряда условий, перспективы развития которых достаточно хорошо известны.

Этим источникам соответствуют следующие способы прогнозирования [97]:

- опрос населения, экспертов (анкетирование, интервьюирование) с целью объективизации, упорядочения индивидуальных оценок прогнозного характера;

- экстраполирование и интерполирование, то есть построение динамических рядов показателей прогнозируемого явления на протяжении периодов основания прогноза в прошлом и упреждения прогноза в будущем

- моделирование - построение поисковых и нормативных моделей с учетом вероятного или желательного изменения прогнозируемого явления на период упреждения прогноза по имеющимся прямым или косвенным данным о масштабах и направлении изменений.

Каждый из приведенных способов не применяется изолированно и реализуется только в сочетании с двумя другими. В прогнозировании применяются также методы аналогии, индукции и дедукции, различные статистические, экономические, социологические и другие методы [102]. Конкретные методики, по которым ведется прогнозирование, образуются путем сочетания ряда методов. Иногда несколько методик составляют прогнозирующую систему.

Типовая методика построения прогноза состоит из следующих основных этапов исследования [4, 62, 68, 18]:

- предпрогнозная ориентация (определение объекта, предмета, проблемы, целей, задач, времени упреждения, рабочих гипотез, методов, структуры и организации исследования);

- построение исходной (базовой) модели прогнозируемого объекта методами системного анализа;

- сбор данных прогнозного фона (совокупности внешних по отношению к объекту условий, существенных для решения задачи прогноза);

- построение динамических рядов показателей методами экстраполяции

- построение серии гипотетических (предварительных) поисковых моделей методами поискового анализа;

- построение серии гипотетических (предварительных) поисковых моделей методами нормативного анализа;

- оценка достоверности, обоснованности, точности прогноза (обычно опросом экспертов);

- выработка рекомендаций для решений в сфере управления;

- экспертиза прогноза;

- вновь предпрогнозная ориентация.

Большинство современных методов прогнозирования состояния рынка, как нелинейной системы имеют долгосрочный характер [10, 17, 14]. Долгосрочное прогнозирование - оценка будущего развития экономики (или какой-либо ее подсистемы), научно-технического прогресса, социальных изменений в обществе в долгосрочном периоде. В экономико-математических прогнозах эти стороны развития рассматриваются в единстве. Они, например, относятся к энергетике, градостроительству, лесному хозяйству, к состоянию природной среды [62].

Как правило, подобные прогнозы существенно менее детализированы, чем

кратко- и среднесрочные, в них шире применяются вероятностные оценки, а часто

и качественные суждения. Строятся научно-технические, социально-

экономические и демографические прогнозы, каждый из которых объединяет и

15

связывает результаты многих частных прогнозов: развития тех или иных отраслей техники, производства товаров народного потребления, совершенствования экономического механизма и другие.

Рассмотрим проблему краткосрочного прогнозирования нелинейных объектов, как наиболее актуальную в условиях современного рынка. При долгосрочном прогнозировании имеется возможность корректировать прогноз с течением времени, поскольку в систему прогнозирования постоянно поступает информация о текущем состоянии объекта и имеется запас времени для повышения объективности и качества прогноза. При краткосрочном прогнозировании возможность корректировки данных прогноза практически отсутствует по следующим причинам [29,19]:

- временной интервал прогноза совпадает с временным интервалом поступления информации о динамике нелинейного объекта, то есть системе прогнозирования недоступны промежуточные информационные значения, позволяющие осуществить корректировку прогноза.

- время реакции системы прогнозирования соизмеримо с требуемым временным интервалом прогноза. Нелинейные объекты очень сложны с точки зрения математического описания, поэтому для их анализа используются средства прогнозирования с соответствующими приложениями и модификациями, что неизбежно увеличивает непосредственно время формирования прогноза. Поэтому увеличение точности краткосрочного прогнозирования приводит к неизбежному расширению используемых машинных ресурсов.

Предлагается для минимизации влияния первой причины осуществить введение пробных шагов прогнозирования на временном интервале, что, во-первых, позволяет использовать методы долгосрочного прогнозирования в рамках данной задачи, а, во-вторых, появляется возможность уменьшения погрешности прогноза динамики нелинейного объекта. Влияние второй указанной выше причины предлагается компенсировать путём выбора соответствующих систем прогнозирования с требуемым быстродействием.

Таким образом, к системам краткосрочного прогнозирования необходимо предъявлять следующие основные требования:

- возможность введения пробных шагов на временном интервале прогноза для уменьшения погрешности прогноза;

- время работы системы прогнозирования должно быть много меньше временного интервала прогноза.

1.2 Классификация методов моделирования и анализа нелинейных объектов

Под методами прогнозирования следует понимать совокупность приемов и способов мышления, позволяющих на основе анализа ретроспективных данных, экзогенных (внешних) и эндогенных (внутренних) связей объекта прогнозирования, а также их измерений в рамках рассматриваемого явления или процесса вывести суждения определенной достоверности относительно его (объекта) будущего развития [61, 63].

По оценкам ученных, в настоящее время насчитывается свыше 200 методов прогнозирования, однако число базовых значительно меньше (15-20). Многие из этих методов относятся скорее к отдельным приемам и процедурам, учитывающим особенности объекта прогнозирования [105, 106]. Другие представляют собой набор отдельных приемов, отличающихся от базовых или друг от друга количеством частных приемов и последовательностью их применения.

Множество методов прогнозирования делятся на две большие группы методов - фактографические и экспертные. Иногда добавляется третью группа -смешанные или комбинированные методы, которые по определению представляют собой смесь первых двух. К фактографическим методам относят такие методы, которые основаны на обработке объективных данных о прогнозируемом объекте. То есть, эти методы опираются на факты, информация о которых получена, измерена и обработана, потому эти методы и называют «фактографическими».

К экспертным методам относят методы, основанные на интуиции и опыте специалистов (экспертов). Информационной основой этих методов является не какие-либо наблюдения или фактические данные, а именно мнение экспертов. Легко понять, что это мнение не является заранее определённым фактом, и для того, чтобы его оценить, надо вначале добиться того, чтобы эксперт его высказал. Это и предопределяет принципиальное отличие экспертных методов от фактографических.

Применение фактографических методов наиболее эффективно, чем применение экспертных. Поэтому экспертные методы применяют лишь в том случае, когда фактографические методы использовать невозможно. В основном это касается прогнозов качественного состояния системы, того или иного явления, или же ситуации, информации о которой отсутствует.

Эффективность применения каждого метода прогнозирования зависит от того, насколько прогнозируемый объект похож на тот, на котором он был обучен. Иногда в прогнозировании динамики нелинейных систем решаются задачи не экстраполяции - перенесения в будущее той закономерности, которая выявлена и оценена в прошлом, - а интерполяции, когда необходимо оценить значения показателя внутри множества имеющихся наблюдений [2, 3, 106].

Введём классификацию методов прогнозирования нелинейных объектов (рисю 1.1).

На схеме изображены не только основные алгоритмы прогнозирования, но и вспомогательные. Взаимосвязь между ними указывает на то, что эти алгоритмы используются в сочетании друг с другом. В подобных алгоритмах, как правило, имеет место синергетический эффект, при котором недостатки одного метода компенсируются достоинствами других, и итоговая система показывает результат, недоступный ни одному из компонентов по отдельности.

Методы прогнозирования динамики нелинейных объектов

Методы нейросетевого моделирования Методы теории хаоса и фрактальной геометрии Методы прикладной статистики Методы эконометрики

Генетические аглгоритмы Аппарат нечёткой логики Априорный анализ методы повышения качества данных

Вспомагательные методы прогнозирования и сервисные средства

Рисунок 1.1 Классификация методов прогнозирования нелинейных систем а) Статистические методы прогнозирования

Статистические способы прогнозирования - разновидность математических

способов прогнозирования, дозволяющих основывать динамические

закономерности на перспективу. Статистические способы прогнозирования

обхватывают разработку, исследование и использование современных

математико-статистических способов прогнозирования на базе независимых

данных (в том числе непараметрических способов меньших квадратов с

оцениванием точности прогноза, адаптивных способов, способов авторегрессии и

других); формирование теории и практики вероятностно-статистического

моделирования экспертных способов прогнозирования, в том числе способов

разбора субъективных экспертных оценок на базе статистики данных; разработку,

Похожие диссертационные работы по специальности «Математическое моделирование, численные методы и комплексы программ», 05.13.18 шифр ВАК

Список литературы диссертационного исследования кандидат наук Гусев, Константин Юрьевич, 2013 год

Библиографический список

1 Айвазян С.А. Прикладная статистика. Основы эконометрики. М.:ЮНИТИДАНА, 2001, 432 с.

2 Айвазян С.А., Бежаева З.И., Староверов О.В. Классификация многомерных наблюдений. -М.: Статистика, 1974. 240 с

3 Андерсон Т. Статистический анализ временных рядов. М.: Мир, 1976. -755 с

4 Андронов АА, Леонтович Е.А., Гордон И.И., Майер А.Г., Качественная теория динамических систем второго порядка. М.: Наука, 1966. - 568 с.

5 Архаменко A.C. Политический анализ и прогнозирования. М.: Гардарики, 2006. - 333 с.

6 Астафьева H. М. Вейвлет-анализ: основы теории и примеры применении. Успехи физических наук. - 1996. - Т. 166. - № 11. - С. 11451170.

7 Барсегян A.A. Методы и модели анализа данных: OLAP И Data Mining / A.A. Барсегян,М.С. Куприянов, В.В. Степаненко, И.И. Холод. -СПб.:ВНУ, 2004.-331 с.

8 Батыршин И. 3., Основные операции нечеткой логики и их обобщение. - Казань: Отечество: 2001-100 с.

9 Беркинблит М. Б., Нейронные сети: учебное пособие. - М.: МИРОС и ВЗМШ РАО, 1993 - 96 с.

10 Берндт, Эрис Роюерт. Практика эконометрики классика и современность. Пер. с англ.-М. ЮНИТИ-ДАНА, 2005.863 с

11 Бирюков Е.В., Корнев М.С. Практическая реализация нечеткой нейронной сети при краткосрочном прогнозировании электрической нагрузки [Электронный ресурс] // Портал магистров ДонНТУ : сайт. -

URL:http://www.masters^omtu.edu.ua/2006/kita/chuykov/libraiy/libraiy/article_ 5.htm

12 Борисов A.H. Обработка нечёткой информации в системах принятия решений. — М.: Радио и связь, 1989. - 104 с.

13 Борисов В.В.Нечеткие модели и сети. - М. : Горячая линия -Телеком, 2007. - 284 с.

14 Боровиков В.П., Ивченко Г.И. Прогнозирование в системе STATISTICA в среде Windows. Основы теории и интенсивная практика на компьютере. М.: Финансы и статистика, 2000. - 384 с.

15 Борселино Л. Задачник по дэйтрейдингу — М.: "ИК "Аналитика", 2002- 168 с.

16 Борселино JI. Учебник по дэйтрейдингу — М.: "ИК "Аналитика", 2002-272 с.

17 Бретт Макл. Как читать финансовую информацию / Майкл Бретт - М.: Проспект, 2004 - 464 с.

18 Бронников А. В. Нелинейные комбинированные алгоритмы фильтрации зашумленных сигналов и изображения. Автометрия-1990. - № 1.-С. 21-28.

19 Бэстенс Ж.-Э. Нейронные сети и финансовые рынки / Ж.-Э. Бэстенс, В.-М. Ван Дер Берг, Д. Вуд. - М.:ТВП, 1977. - 236 с.

20 Валентинов В.А. Эконометрика : Практикум: Учеб. пособие. - М. : Дашков и К', 2007. - 436 с.

21 Венцель Е.С. Теория вероятностей. М.: Наука, 1969. - 576 с

22 Вороновский В.К., МакотилоК.В., Петрашов С.Н. Сергеев С.А. Генетические алгоритмы, искусственные нейронные сети и проблема виртуальной реальности. X.: ОСНОВА, 1997. - 112 с.

23 Галушкин А.И.Нейрокомпьютеры : Учеб. пособие. Кн.З. - М. : ИПР ж-ла "Радиотехника", 2000. - 528с.

24 Галушкин А.И. Теория нейронных сетей. М.: Радиотехника, 2000.

-428 с

25 Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере; Новосибирск: Наука, 1996,276с.

26 Горбань А.Н. Обучение нейронных сетей. М.: СП ПараГраф. 1990

27 Горбань А.Н., Россиев Д.А., Коченов Д.А. Применение самообучающихся нейросетевых программ. Красноярск: СПИ, 1994. - 169 с

28 Гочаков А. В. Квазиоптимальный алгоритм фильтрации коэффициентов вейвлет-разложения при сжатии сигнала /А. В. Гочаков // Труды НГАСУ. - 2009. - № 2(45). -С. 77-83.

29 Гусев К.Ю., Бурковский B.JI. Анализ проблематики краткосрочного прогнозирования интегральных экономических показателей Вестник Воронежского государственного технического университета ISSN 1729-6501, Том 6, №2, 2010 г., С. 32-36

30 Гусев К.Ю., Бурковский В.Л. Нейросетевая модель прогнозирования динамики экономических процессов, Вестник Воронежского государственного технического университета ISSN 1729-6501, Том 6, №4, 2010 г., С. 80-83

31 Гусев К.Ю., Бурковский В.Л. Априорный анализ статистических моделей динамики экономических показателей, Вестник Воронежского государственного технического университета ISSN 1729-6501, Том 7, №8, 2011 г., С. 13-14

32 Гусев К.Ю., Бурковский В.Л. Нейросетевая модель прогнозирования интегральных экономических показателей Системы

управления и информационные технологии ISSN 1729-5068, №2.1(48), 2012. -С. 132-135

33 Гусев К.Ю., Бурковский B.J1. Средства повышения точности функционирования модели прогнозирования динамики экономических показателей, Труды Всероссийской конференции «Новые технологии в научных исследованиях, проектировании, управлении, производстве НТ-2010», Воронеж, 27-28 апреля 2010 г., С.22-23

34 Гусев К.Ю., Бурковский B.J1. Модели распознавания динамики экономических показателей на основе аппарате нейронных сетей Сборник материалов IX Международной конференции «Распознавание-2010», Курск, 18-20 мая 2010 г., С. 200-201

35 Гусев К.Ю., Бурковский B.JI. Алгоритмизация априорного анализа интегральных экономических показателей Труды Всероссийской конференции «Новые технологии в научных исследованиях, проектировании, управлении, производстве», Воронеж, 26-27 апреля 2011 г., С.238

36 Гусев К.Ю., Бурковский B.JI. Модифицированная нейросетевая модель анализа и прогнозирования динамики интегральных экономических показателей Труды Всероссийской конференции «Новые технологии в научных исследованиях, проектировании, управлении, производстве», Воронеж, 26-27 апреля 2011 г., С.250

37 Гусев К.Ю., Бурковский B.JI. Аппроксимация интегральных экономических показателей на основе нечётко-нейросетевого моделирования Материалы V Международной конференции «Современные проблемы прикладной математики, теории управления и математического моделирования (ПМТУММ-2012)», Воронеж, 11-16 сентября 21012г., С 99102

38 Гусев К.Ю. Модифицированная нейросетевая модель анализа и

прогнозирования динамики интегральных экономических показателей Труды

132

Всероссийской конференции «Новые технологии в научных исследованиях, проектировании, управлении, производстве», Воронеж, 26-27 апреля 2011 г., С.250.

39 Даджион Д. Цифровая обработка многомерных сигналов /Д. Даджион, Р. Мерсеро. - М. : Мир, 1988. - 463 с.

40 Денис Дж. (мл), Шнабель Р. Численные методы безусловной оптимизации и решения нелинейных уравнений. М.: Мир, 1988. - 440 с

41 Добров A.M. Прогнозирование науки и техники / A.M. Добров. -М.:ТВП, 1969.-452 с.

42 Добеши И. Десять лекций по вейвлетам / Добеши И. - Ижевск: НИЦ «Регулярная и хаотическая динамика», 2001. - 464 с.

43 Доугерти К. Введение в эконометрику: Учебник. 3-е изд/ Пер. с англ. - М.: ИНФРА-М, 2009. - XIV, 465 с.

44 Дуда Р., Харт П. Распознавание образов и анализ сцен. М.: Мир, 1976. -512 с

45 Дунин-Барковский B.JI. Информационные процессы в нейронных структурах. М.: Наука, 1978. - 317 с.

46 Дьяконов В. П. Вейвлеты. От теории к практике /В. П. Дьяконов. - М. : СОЛОМОН-Р. - 2002. - 448 с.

47 Дюк В.A. Data Mining - интеллектуальный анализ данных // Информационные технологии: сайт. - URL: http://www.inftech.webservis.ru/it/database/datamining/ar2.html

48 Ежов A.A. Нейрокомпьтинг и его применение в экономике и бизнесе. М.:МИФИ, 1988. - 204 с.

49 Емельянов C.B., Коровин С.К, Нелинейная динамика и управление . Вып.1.М. : Физматлит, 2001. - 448 с

50 Жваколюк Ю. Внутридневная торговля на рынке Форекс.

51 Заде Л. Понятие лингвистической переменной и его применение к принятию приближенных решений. - М.: Мир, 1976.

52 Занг В. Б. Синергетическая экономика. Время и перемены в нелинейной экономической теории: Пер. с англ. - М.; Мир 1999. - 335 с. ил.

53 Змиртович А.И. Интеллектуальные информационные системы. -Мн.: НТООО «ТетраСистемс», 1997. - 368 с.

54 Итоги науки и техники: физические и математические модели нейронных сетей. М.: ВИНИТИ, 1990. - Т. 1. - 247 с

55 Круглов В.В. Нечёткая логика и искусственные нейронные сети / В.В Круглов, М.И. Дли, Р.Ю. Голоунов. — М.: Издательство физико-математической литературы, 2001. - 224 с.

56 Калан Р. Основные концепции нейронных сетей.: Пер. с англ. -М.: Издательский дом «Вильяме» - 2001. - е.: ил.

57 Кан М.Н.; Технический анализ; ПИТЕР; 2003; 282 с.

58 Кейт А.; Технический анализ для начинающих/ Пер. с англ. - М.: - Альпина Паблишер, 2001. - 184 с.

59 Кендал л М. Временные ряды. -М.: Финансы и статистика, 1981.

199 с.

60 Кендалл М., Стьюарт А. Статистические выводы и связи. М.: Наука, 1973.-900 с

61 Кнут. Искусство программирования для ЭВМ. Т.З. Изд-во "Мир", М.1978.

62 Ковальски Р. Логика в решении проблем. - М.: Наука, 1990. - 280

с.

63 Комарцова Л.Г. Нейрокомпьютеры : учеб. пособие. - М. : МГТУ, 2004. - 400 с

64 Комашинский В.И., Смирнов Д.А., Нейронные сети и их применение в системах управления и связи. М.: Горячая линия-Телеком, 2003.-94 с.

65 Кохэн Д. Психология фондового рынка: страх, алчность и паника. М. Интернет трейдинг.- 364 с.

66 Круглов В.В. Искусственные нейронные сети. Теория и практика / В.В. Круглов, В.В. Борисов. - М.: Горячая линия-Телеком, 2002. - 382 с.

67 Леоленков A.B. Нечеткое моделирование в среде MATLAB и fuzzy TECH. - СПб., 2003.

68 Лескин A.A., Мальцев П.А., Спиридонов A.M. Сети Петри в моделировании и управлении. - Л.: Наука, 1989. - 136 с.

69 Лиховидов В.Н. Практический курс распознавания образов. -Владивосток, Изд-во ДВГУ, 1993.

70 Лиховидов В. Н., Фундаментальный анализ мировых валютных рынков: методы прогнозирования и принятия решений. — г. Владивосток — 1999 г.—234 е.; ил.

71 Логический подход к искусственному интеллекту: от классической логики к логическому программированию. -М.: Мир, 1990. -432 с.

72 Лукашин Ю.П. Адаптивные методы краткосрочного прогнозирования временных рядов: Учеб. пособие. М.:Финансы и статистика, 2003. - 416 с.

73 Магнус Я.Р., Катышев П.К., Пересецкий A.A. Эконометрика. Начальный курс: Учеб. - 6 изд., перераб. и доп. - М.: Дело, 2004. - 576с.

74 Мак-Каллок У.С., Питтс В. Логическое исчисление идей,

относящихся к нервной активности // В сб.: «Автоматы» под ред. К.Э.

Шеннона и Дж. Маккарти. - М.: Изд-во иностр. лит., 1956. - с.363-384.

135

75 Мандель Н.Д. Кластерный анализ. - М.: Финансы и статистика, 1988.-176 с.

76 Мелихов А.Н. Бернштейн Л.С., Коровин С.Я. Ситуационные советующие системы с нечёткой логикой. - М.: Наука, 1990. - 372 с.

77 Минский М., Пейперт С. Персептроны. М.: МИР, 1971. с. 261.

78 Миркес Е.М; Нейрокомпьютер: проект стандарта, Новосибирск: Наука, 1999, 337с.

79 Наговицин А.Г., Иванов В.В. Валютный курс. Факторы. Динамика. Прогнозирование. - М.: Инфра-М, 1995. - 176 с

80 Назаров A.B., Лоскутов А.И. Нейросетевые алгоритмы прогнозирования и оптимизации систем/ А.В.Назаров, А.И. Лоскутов - СПб.: Наука и Техника, 2003. - 384 с.

81 Нечёткие множества в моделях управления и искусственного интеллекта / Под редакцией Поспелова Д.А. - М.: Наука, 1986. - 312 с.

82 Нечёткие множества и теория возможности / Под редакцией P.P. Ягера. - М.: Радио и связь, 1986. - 408 с.

83 Новиков Л. В. Основы вейвлет-анализа сигналов / Л. В. Новиков. - СПб. : Изд-во ООО «Модус+», 1999. - 262 с.

84 Пайтген Х.-О. Красота фракталов / Х.-О. Пайтген, П.Х. Рихтер. -М.: Диаграмма, 1993. - 368 с.

85 Пискулов Д.Ю. Теория и практика валютного дилинга. (Foreign Exchange and Money Market Operations). Прикладное пособие.— М.:ИНФРА-M, 1995.- 208 с.

86 Прикладные нечёткие системы / Под редакцией Т.Тэрано. - М.: Мир, 1993.-368 с.

87 Рабинер Л. Теория и применение цифровой обработки сигналов / Л. Рабинер, Б. Гоулд. - М.: Мир, 1978. - 847 с.

88 Ризниченко Г.Ю. Нелинейное естественнонаучное мышление и экологическое сознание //. Синергетическая парадигма; М.: Прогресс-Традиция, 2000, 256с.

89 Россиев Д.А., Головенкин С.Е., Назаров Б.В. Определение информативности медицинских параметров с помощью нейронной сети. Диагностика, информатика и методология - 94 : Тезисы научной конференции, Санкт-Петербург, 28-30 июня 1994 г., с. 348.

90 Розенблатт Ф. Принципы нейродинамики. Персептроны и теория механизмов мозга. М.: Мир, 1965. - 480 с.

91 Рутковская Д.Н. Нейронные сети, генетические алгоритмы и нечёткие системы / Руткоская Д., Пилиньский М., Рутковский Л. - М.: Горячая линия, 2006. - 452 с.

92 Савченко В.В., Акатьев Д.Ю., Баринов A.B., Шкулев A.A. Программное обеспечение биржевой игры на основе краткосрочного прогнозирования. Н.Новгород: Нижегородский государственный лингвистический университет им. H.A. Добролюбова, 1999. - 87 с.

93 Смоленцев Н. К. Основы теории вейвлетов. Вейвлеты в Matlab / Н. К. Смоленцев. - М.: Изд-во ДМК, 2005. - 304 с.

94 Стивен Б.А. Технический анализ от А до Я / Б.А. Стивен. - М.: Диаграмма, 1999. - 242 с.

95 Терехов С.А., Технологические аспекты обучения нейросетевых

I

машин.

96 Тинтпнер Г. Введение в эконометрию. - М.: Статистика, 1965.

97 Тихонов Э.Е. Методы прогнозирования в условиях рынка: учебное пособие. Невинномысск, 2006. - 221 с.

98 Томас Р. Демарк Технический анализ - новая наука.

99 Тутпубалин В.Н. Статистическая обработка рядов наблюдений. — М.: Знание, 1973.

100 Фама Е.Ф. Теория финансов / Е.Ф. Фама, М.Г. Миллер. - Нью-Йорк: Holt, Rinehart and Winston, 1972. - 434 с.

101 Фишер Роберт, Фишер Йене Новые методы торговли по Фибоначчи. Инструменты и стратегии биржевого успеха. М.: ИК «Аналитика», 2002. - 348 с.

102 Френкель А. Математические методы анализа динамики и прогнозирования производительности труда. - М.: Экономика, 1972.

103 Хуанг Т. С. Быстрые алгоритмы в цифровой обработке изображений / Т. С. Хуанг. - М.: Радио и связь, 1984. — 340 с.

104 Царегородцев В.Г. Предобработка обучающей выборки, выборочная константа Липшица и свойства обученных нейронных сетей // Материалы X Всеросс. семинара"Нейроинформатика и ее приложения", Красноярск, 2002, 185с.

105 Чегпыркин Е.М. Статистические методы прогнозирования. — 2-е изд. — М.: Статистика, 1977.

106 Четыркин Е.М. Статистические методы прогнозирования. М.: Статистика, 1977. - 200 с.

107 Чубукова И.A. Data Mining. - М.: Изд-во «Интернет-университет информационных технологий - ИНТУИТ.ру», 2006. - 384 с.

108 Ширяев А.Н. Основы стохастической финансовой математики. Том I. Факты. Модели. Москва: ФАЗИС, 1998, 512 с.

109 Эконометрика: Учебник/Под ред. И.И. Елисеевой.- М.: Финансы и статистика, 2002.

110 Эрлих A.A. Технический анализ товарных и финансовых рынков: Прикладное пособие. - 2-е изд. - М.: ИНФРА-М, 1996. - 176 с.

111 Энциклопедия социологии / под ред. Грицанова А.А. - Изд. «Книжный дом», 2003 - 345 с.

112 Э. Петере. Фрактальный анализ финансовых рынков: применение теории хаоса в инвестициях и экономике. М.: Интернет-трейдинг, 2004, 304 с.

113 Эшби У. Росс. Конструкция мозга, происхождение адаптивного поведения. — М.: Мир, 1964.

114 Яглом A.M. Корреляционная теория процессов со случайными стационарными приращениями. Матем. сб.-Т. 37 (79), № 1. - М.: Изд-во АН СССР, 1955.

115 Ярушкина Н.Г. Основы теории нечетких и гибридных систем: учеб. пособие. - М.: Финансы и статистика, 2004. - 320 с.

116 Abramovitch F. Wavelet thresholding via a Bayesian approach/ F. Abramovitch, T. Sapatinas, B. W. Silverman // Journal of the Roy Statist. Soc. Ser. B. - 1998. - № 60. - P. 725-749.

117 Abramovitch F. Adaptive thresholding of wavelet coefficients F. Abramovitch, Y. Benjamini // Computational Statistics and Data Analyses. 1996. -V. 222, № 2. - P. 351-361.

118 Alfred V. Aho, John E. Hopcroft, and Jeffrey D. Ullman. Data Structures and Algorithms. Massachusetts: Addison-Wesley, 1983.

119 Ben Vogelvang Econometrics. Theory and Applications with Eviews. 2005.-363 p.

120 Benjamini Y. Controlling the false discovery rate: a practical and powerful approach to multiple testing / Y. Benjamini,Y. Hochberg // Journal of the Roy Statist. Soc. Ser. B. - 1995. -№ 57. - P. 289-300.

121 Bruce A. G. Waveshrink with firm shrinkage / A. G. Bruce,H.-Y. Gao // Statistica Sinica. - 1997. - V. 4, № 6. - P. 855-874.

122 Chang S. G. Adaptive wavelet thresholding for image denoisedand compression / S. G. Chang, B. Yu, M. Vetterli // IEEE Transactions on Image Processing. - 2000. - V. 9, № 8. - P. 1532-1546.

123 Chauvin Y. Dynamic behavior of constrained back-propagation networks / Advances in Neural Information Processing Systems 2 (1989). MorganKaufmann, 1990.. pp.642-649

124 Dickey, D.A. and S.G. Pantula, "Determining the Order of Differencing in Autoregressive Processes," Journal of Business and Economic Statistics, 5 (1987), 455-461

125 Dickey, D. A and W. A. Fuller, "Distributions of the estimators for autoregressive time series with a union root ", Journal of American Statistical Association, 75 (1979), 427-431

126 Donald E. Knuth. The Art of Computer Programming, volume 3. Massachusetts: Addison-Wesley, 1973.

127 Donoho D. L. Ideal spatial adaptation via wavelet shrinkage / D. L. Donoho, I. M. Johnstone // Biometrika. - 1994. - V. 81, № 3. - P. 425-455.

128 Donoho D. L. Adapting to unknown smoothness via wavelet shrinkage / D. L. Donoho, I. M. Johnstone // Journal of the American Statistical Association. - 1995.-V. 90,№432.-P. 1200-1224.

129 Donoho D. L. De-noised by soft-thresholding / D. L. Donoho // IEEE Trans. Information Theoiy. 1995. - V. 41, № 3. - P. 613- 627.

130 Drucker H., LeCun Y. Improving generalization performance using double backpropagation / IEEE Trans, on Neural Networks, 1992, Vol.3, №6. . pp.991-997.

131 Engle, R. F. and C. W. J. Granger, "Co-integration and error correction representation, estimation and testing" Econometrica, 55 (1987),455-461

1 I

132 Greene W.H. Econometric Analysis, fifth edition. New York University, 2003. - 1052 p.

133 Hara K., Nakayama K. Selection of minimum training data for generalization and on-line training by multilayer neural networks / Proc. IEEE ICNN'1996, Washington, DC, USA, 1996, Vol.1.. pp.436-441.

134 Hara K., Nakayama K., Kharaf A.A.M. A training data selection in online-training for multilayer neural networks / Proc. IEEE IJCNN'1998, Anchorage, Alaska, USA, 1998.. pp.2247-2252.

135 Hamalainen J.J., Jarvimaki I. Input projection method for safe use of neural networks based on process data / Proc. IJCNN'1998, Anchorage, Alaska, USA, 1998, p. 239.

136 Haykin S., Neural Networks: A Comprehensive Foundation, MacMillan College Publishing Co., New York, 1994.

137 Hertz J., Krogh A., Introduction to the Theory of Neural Computation, Addison-Wesley, Reading, Mass., 1991.

138 Hopfield J.J., "Neural Networks and Physical Systems with Emergent Collective Computational Abilities", in Proc. National Academy of Sciencies, USA 79, 1982, pp. 2554-2558.

139 Ishikawa M., Yoshida K., Amari S. Designing regularizers by minimizing generalization error /Proc. IEEE IJCNN'1998, Anchorage, Alaska, USA, 1998.. pp.2328-2333.

140 LeCun Y., Bottou L., Orr G.B., Muller K.-R. Efficient BackProp / Neural Networks: Tricks of the trade (G.Orr and K.Muller, eds.), Springer Lecture Notes in Comp. Sci. 1524, 1998.. pp.5-50.

141 LeCun Y., Kanter I., Solla S.A. Second order properties of error surfaces: learning time and generalization / Advances in Neural Information Processing Systems 3; Morgan-Kaufmann, 1991, p. 924.

142 McCulloch W.S. and Pitts W., "A logical Calculus of Ideas Immanent in Nervous Activity", Bull. Mathematical Biophysics, Vol. 5, 1943, pp. 115-133.

143 Michie D., Spiegelhalter D.J., Taylor C.C. Machine learning, neural and statistical classification. Elis Horwood, London, 1994.

144 Minsky M. and Papert S., "Perceptrons: An Introduction to Computational Geometry", MIT Press, Cambridge, Mass., 1969.

145 Peter K. Pearson. Fast hashing of variable-length text strings. Communications of the ACM, 33(6):677-680, June 1990.

146 Rosenblatt R., "Principles of Neurodynamics", Spartan Books, New York, 1962.

147 Thomas H. Cormen, Charles E. Leiserson, and Ronald L. Rivest. Introduction to Algorithms. New York: McGraw-Hill, 1992.

148 Voskoboinikov Yu.E. Vector local filters with an adaptive aperture size / Yu. E. Voskoboinikov, V. G. Belyavtsev // Optoelectronics, Instrumentation and Data Processing. 2001. - № 6. - P. 34^12.

149 Voskoboinikov Yu. E. Quasi-optimal estimation algorithm of wavelet-decomposition coefficients at a signals filtration / Yu. E. Voskoboinikov, A. V. Gochakov // Optoelectronics, Instrumentation and Data Processing. - 2010. - V. 46, № l.-P. 34-45.

150 Weyrich N. Wavelet shrinkage and generalized cross validation for image denoising / N. Weyrich, G. T. Warhola // IEEE Trans.Image Processing. -1998.-V. 7, № l.-P. 82-90.

151 Werbos, "Beyond Regression: New Tools for Prediction and Analysis in the Behavioral Sciences", Phd Thesis, Dept. of Applied Mathematic

152 William Pugh. Skip lists: A probabilistic alternative to balanced trees. Communications of the ACM, 33(6):668-676, June 1990.

153 Zhang X.-P. Adaptive denoising based on SURE risk /X.-P. Zhang, M. D. Desai // IEEE Signal Process. Lett. -1998. - V. 5, № 10. - P. 265-267.

УТВЕРЖДАЮ

Руководи гель депарiамента экономического развития

Воронежской облети Кукреёв A.M.

«15»

Справка

"¿"г 1

о внедрении результатов диссертационной работы К.Ю. Гусева «Нейросетевое моделирование динамики нелинейных объектов в условиях краткосрочного прогнозирования на основе нечёткой логики»

Результаты диссертационной работы Гусева Константина Юрьевича «Нейросетевое моделирование динамики нелинейных объектов в условиях краткосрочного прогнозирования на основе нечёткой логики» прошли практическую апробацию в условиях формирования прогноза экономического развития Воронежского региона Отделом инвестиций Администрации Воронежской области.

Реализация разработанного в рамках диссертации «Профаммиою комплекса краткосрочного нейросетевою прогнозирования динамики нелинейных объектов на основе аппарата нечёткой логики» исполыована при составлении прогноза основных показателей экономического развития области на 2013-2014 гг и по оценкам экспертов отдела имеет высокие показатели качества, что свидетельствует о работоспособности и возможности широкого внедрения в органах административного управления регионов для обеспечения адекватных решений. Кроме того, программный комплекс имеет простой и развитый интерфейс, что упрощает ею использование обслуживающим персоналом, не имеющим специальной подготовки в сфере информационных технологий.

11ачальник отдела стратегии

инвестиционного развития и /¿1^ Командоров Г1.В.

ГЧГ1 департамента экономического развития Воронежской области

;ту»

Сафонов

20 М.

vr.ii.

АКТ •

о внедрении резулыагов диссертации, научно-исследовательской, научно-методической, онышо-

конструкторской раоогы в учебный процесс Воронежского государственною техническою у ни верст с га

Наименование диссертации, научно-исследовательской, ¡тучно-методической. оггышо-копетрукгорской раоогы, изобретения

Диссертация «Нсйросетевое моделирование динамики нелинейных объектов в условиях краткосрочною прогнозирования на основе аппарата нечёткой логики».

№ госрегистрации (при наличии), гшенга и г.п

Автор (авторы)

(ис1юлш11сль(и))_гусев К.10., Бурковский В.Л.

(Ф.И.О)

Научный руководитель (консультант) Бурковский В.Л.

" (Ф И.о.)

Выполненной в Воронежском государственном техническом университете, (совместно или в иной организации, на предприятии)

(наименование учреждения, организации, предприятия) структурным подразделением на кафедре электропривода, авточшики и управления в технических сисгемах

(кафедра, факультет, лаборатория, центр, творческий коллектив и г.п.)

в рамках основного научного направления (гранта РФФИ, проекта ФЦП, по заказу предприятия, организации, инициативная ра$рабо1ка и др.)

в период с «1» октября 2010 I. по «10») декабря 2012 г., внедрены в учебный процесс ВГТУ на основании решения кафедры

члектропривода, автоматики и управления в технических системах

(наименование кафедры ВГТУ) о г «4 » июня 2013 г., протокол № 10

1. Вид результатов внедренных в учебный процесс:

Нсйросегевая модель анализа и нрог кодирования динамики нелинейных объектов с использованием

(типовой пример расчета, теорема, совокупность знаний и представлений, модель, макет, система, технология, методика, зарегистрированные программы или алгоритмы, базы данных и т.п.)

2. Область применения: лабораторный практику м и лекционный курс «Системный анализ». «Исследование операций», «Моделирование с наем управления» специальное! и «Управление и информатика в технических системах».

( наименование основной (дополншелыюй) образовательной протраммы обучения высшею (средне! ш профессионального образования, код направления подготовки (специальности), дисциплина, к\ рс. группа, вид учебных занятий)

3. Форма внедрения: описание нейроссчевой модели в материалах лекционного курса, учебник, учебное пособие, курс лекций, раздел или тема в курсе лекции, макет лабораюриой работы, испытательный стенд, методические указания и т.п., с указанием выходных данных для публикации)

4. Технический уровень (юсударст венное или общеегвенное признание):

(riaieiiibi России, дипломы, медали и др их Ла и дата получения)

5. Основные публикации по теме диссершши. научно-исследовательской, научно-методической. опытно-конструкторской paóoibi, изобретения: 13 нубтиканий, m них 5 изданиях из списка ВАК РФ.

(авторы, выходные данные)

6. Эффект от внедрения

а) повышение качества образования: новые технологии в обласш нейросетевого моделирования процессов анализа и нреннозирования динамики нелинейных объектов (информация о новых знаниях, умениях, навыках, приобретаемых стулетами или аспиратами, развитие ич компетенций,технологиях, методиках иеполмуемых в обучении и т п.)

б; социальный _ .............

(улучшения условий труда, оздоровление окружающей среды и т п )

в) экономический_

Руководитель основного научною направления. ФЦП (при наличии) ll¿W_Подвальный СЛ.

I тгшискР&И О)

« ,£_» t ¿ 20//г. Hay ч н ый- руководит ел ь(консультант)

" Буркове кий В.Л. (подпись, Ф И о.) « ^ 6 20_#г.

Автор (ufíiopbi) (исноднитель(и))

<А У_Гусев К.Ю.

(лоЛжно<у/ь, \ч степень, подпись, Ф.И О )

«JlJJlá__20£г.

Начальник отдела лицензирования. arrecTaimír)i аккредитации

- Халявина A.B..

«■ é» té 2(Vjr.

Декан факультета

_<//У Буркове кий A.B.

(подпись. Ф И О) « » / / 20//г.

Заведу юцш^кафедрой

_^ у_Нурковский BJI.

(подпись, Ф.И.О.) «_.¡¿> ___20/rjr.

Министерство образования и науки 1'Ф Федеральное государственное бюджетное

обра-товат с л ь ное у ч ре жде i ше высшего профессионального образования «Воронежский юсу дарственный течническии

394026. Воронеж, Московский проспект, 14 ОЦ ПИТ reí (471)271-85-49 факс (473) 27^92-12

Настоящим удостоверяется, что «Программный комплекс краткосрочного нейросе1евою прогнозирования динамики нелинейных обьектов на основе аппарата нечёткой логики», разрабошшый в Ф1 GOV BIIO «Воронежский государственный гехиический чниверсикч» (авюры -Гусев' К.Ю., Бурковский В.Л., научный р>ководшель - профессор-Бурковский В Л.),'зарегистрировано в государственном информационном фонде неопубликованных документов ФЛ АНУ «Центр информационных [ехнодогий и систем органов исполнительной влас ж» (Х<> 50201350589 oi

18.06.2013).

Директор ОЦ1ШТ ФГБОУ ВПО «ВП У»

/yÜf. Г. Юрасов

Htl с

(g) ■146

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.