Разработка адаптивных моделей и программного комплекса прогнозирования экономических временных рядов тема диссертации и автореферата по ВАК РФ 05.13.18, кандидат технических наук Авдеев, Александр Сергеевич

• Авдеев, Александр Сергеевич
• кандидат технических наук
• 2010

Оглавление диссертации кандидат технических наук Авдеев, Александр Сергеевич

ВВЕДЕНИЕ.

ГЛАВА 1. АНАЛИТИЧЕСКИЙ ОБЗОР МОДЕЛЕЙ И МЕТОДОВ ПРОГНОЗИРОВАНИЯ.

1.1 Исследование предприятий с позиции теории сложных систем.

1.2 Прогнозирование сбыта регионального автодилера.

1.3 Общие положение задачи прогнозирования.

1.4 Прогнозирование на основе искусственных нейронных сетей.

1.5 Предобработка временных рядов.

1.6 Обзор современных систем моделирования нейронных сетей.

1.7 Использование гибридных экспертных систем.

ГЛАВА 2. РАЗРАБОТКА МОДЕЛЕЙ И АЛГОРИТМОВ АНАЛИТИЧЕСКОГО КОМПЛЕКСА НЕЙРОПРОГНОЗИРОВАНИЯ.

2.1 Использование модулей датчиков для автоматизации процесса построения прогнозной модели.

2.2 Предобработка данных в задачах нейросетевого прогнозирования.

2.3 Конструирование нейронной сети.

2.4 Адаптация динамической прогнозной модели.

2.5 Структура нейросетевого блока.

2.6 Настройка гибридной экспертной модели прогнозирования.

Глава 3. РЕАЛИЗАЦИЯ АНАЛИТИЧЕСКОГО ПРОГРАММНОГО ' КОМПЛЕКСА И РЕЗУЛЬТАТЫ ЕГО ЭКСПЕРИМЕНТАЛЬНОГО ИСПОЛЬЗОВАНИЯ.

3.1 Общая структура системы прогнозирования продаж.

3.2 Создание прогнозной модели с использованием программного комплекса

3.3 Адаптация нейросетевой модели прогнозирования.

3.4 Прогнозирование продаж на основе гибридной модели.

Введение диссертации (часть автореферата) на тему «Разработка адаптивных моделей и программного комплекса прогнозирования экономических временных рядов»

Актуальность темы. Эффективное управление предприятием невозможно без решения проблем прогнозирования важнейших технико-экономических показателей. Получение правильного прогноза позволяет адекватно оценивать ситуацию и быть готовым отреагировать на её изменение.

Решению задачи прогнозирования на основе моделей временных рядов посвящено большое количество исследований. Существуют успешные решения с использованием вероятностных методов, нейросетевого моделирования, субъективных знаний экспертов. Исследованиям в данной области посвящены работы Бокса Дж., Дженкинса Г., Боровикова В.П., Ивченко Г.И., Лукашина Ю.П., Оссовского С., Комарцовой Л.Г., Колмогорова А. Н., Максимова A.B. и др.

Временные ряды, порожденные экономическими процессами, как правило, являются нестационарными, т.е. их характеристики меняются во времени. Иначе говоря, у нестационарных временных рядов в принципе не может быть математического ожидания и каких-либо других характеристик, присущих стационарным процессам. Все взаимосвязи и взаимозависимости объекта прогнозирования меняются во времени. Более того, меняется во времени состав, структура и направление взаимодействия элементов, составляющих объект прогнозирования. Таким образом, для нестационарных временных рядов классические модели прогнозирования, обладают рядом недостатков, или являются полностью непригодными. При изменении характеристик временного ряда возникает необходимость в адаптивном прогнозе. В связи с этим актуальной является разработка новых методов и алгоритмов и программ но-математических инструментариев на их основе, делающих возможным получение достоверных прогнозных данных, сокращения времени обработки данных.

В связи с широким распространением программных средств поддержки принятия решений, особую важность представляет разработка моделей и алгоритмов автоматизированного прогнозирования для использования результатов прогноза в аналитических программных комплексах. Автоматизированное прогнозирование с использованием вычислительной техники предполагает функционирование прогнозирующих моделей и алгоритмов с минимальным участием человека, автоматические выбор модели и параметров модели для прогнозирования конкретных показателей, численно выражаемых с помощью временного ряда.

В настоящее время компьютерные технологии вышли на тот уровень, когда появилась реальная возможность говорить о разработке интеллектуальных информационных систем прогнозирования временных рядов, использующих концепцию нейросетевого моделирования. Теория искусственных нейронных сетей была создана и развита такими учеными, как Розенблатт Ф., Минский М., Гроссберг С., Кохонен Т. Вопросам теории и практического использования искусственных нейронных сетей посвящены работы таких ученых России, как Горбань А.Н., Галушкин А.И., Шумский С.А., Ежов A.A., Миркес Е.М., Дунин-Барковский В.Л., Россиев Д.А.

В настоящее время нейросетевая технология является одной из наиболее динамично развивающихся областей искусственного интеллекта. Она успешно применяется в различных областях науки и техники, таких как распознавание образов, в системах диагностики сложных технических объектов, экология и науки об окружающей среде, биомедицинские приложения, системы управления, геология и т.д. На данный момент, как в России, так и за рубежом, накоплен богатый опыт применения отдельных типов нейронных сетей к различным задачам. Одним из главных преимуществ нейронных сетей является их способность к обучению и самообучению, т.е. адаптации модели к решению конкретной задачи. Вышесказанное делает искусственные нейронные сети одним из перспективных направлений в разработке методов автоматизированного прогнозирования.

Однако, следует отметить, что не все задачи могут быть решены при помощи нейросетевых методов. Более того существует некоторый определенный круг задач. Часть задач в информационных системах проще решить при помощи формальных методик. Другие - ^алгоритмизируемые человеком, трудноформализуемые, но имеющие логическую прозрачность - при помощи традиционных экспертных систем. Поэтому наиболее эффективных результатов можно достичь при использовании гибридных интеллектуальных систем. При этом в структуры такой системы могут входить блоки, реализующие математические методы, экспертные системы, основанные на правилах продукций, фреймах, прецедентах и других, а также нейросетевые элементы. Например, если с помощью нейросети определяется некоторый диагноз функционирования системы, или оценка временного ряда, но они явно не соответствуют сложившейся реальной ситуации, а, именно некоторым качественным признакам, резким изменениям окружающей обстановки, климатическим или политическим условиям, социальной обстановке и так далее, то может вводиться логический блок, ограничивающий условия применения данной оценки.

Цель диссертационной работы состоит в разработке комплекса математических моделей для адаптивной системы прогнозирования временных рядов на основе использования интеллектуальных компонентов, и ее реализация в виде аналитического программного комплекса.

Задачи исследования:

1. Дать теоретический анализ существующих моделей прогнозирования временных рядов;

2. Исследовать возможности применение нейронных сетей для автоматизированного прогнозирования временных рядов;

3. Разработать модель комплексной предобработки временных рядов и алгоритмы адаптации нейросетевой модели;

4. Разработать структуру программного комплекса, использующего в качестве аналитического блока разработанную систему адаптивного нейропрогнозирования и программно реализовать систему;

5. Разработать механизмы интеграции нейросетевого блока в состав гибридной экспертной системы;

6. Провести имитационный вычислительный эксперимент с использованием созданного аналитического комплекса и проанализировать полученные результаты.

Объектом исследования являются временные ряды, которые описывают динамику экономических процессов.

Предметом исследования являются методы и алгоритмы проектирования нейросетевых адаптивных моделей прогнозирования.

Методы исследования. Поставленные в диссертационной работе задачи решались с применением методов системного анализа, математического моделирования, нейросетевого моделирования, математической статистики, искусственного интеллекта и экспертных оценок, при широком использовании программно-математического инструментария.

Научные результаты и новизна работы заключается в следующем:

1. Предложена новая модель прогнозирования экономических временных рядов на основе нейросетевого и гибридного подходов.

2. Разработаны алгоритмы повышения качества прогноза за счет комплексного использования методов предобработки временных рядов, контроля адекватности прогнозных моделей и их адаптации.

3. Создан программный комплекс, реализующий построение нейросетевых и гибридных моделей прогнозирования временных рядов.

Обоснованность и достоверность научных положений и выводов подтверждается применением системного подхода, корректным использованием современного математического аппарата, проверкой на основе имитационных исследований.

Защищаемые положения:

1. Модель прогнозирования временных рядов, включающая предварительную обработку данных, обучение и дообучение нейронных сетей.

2. Технология, алгоритмы и методы настройки системы нейропрогнози-рования.

3. Аналитический программный комплекс и результаты вычислительных экспериментов прогнозирования временных рядов на примере продаж автомобилей в регионе.

Достоверность и обоснованность научных результатов и выводов основана на корректности постановок задач и используемого математического аппарата, адекватности математических моделей и проверкой на основе имитационных экспериментов.

Практическая значимость результатов диссертационной работы заключается в том, что разработанная модель и информационные технологии будут применены для эффективного решения задачи прогнозирования продаж автомобилей. Полученные результаты позволят руководству предприятия решить сразу несколько управленческих задач таких, как получение достаточно полной информации о сбытовой деятельности автодилера, получение перспективного прогноза продаж, возможность гибкого формирования заявок на автомобили.

В ходе работы:

• спроектированы аналитические информационные системы: «Нейро-Аналитик», «Бизнес-Аналитик», «Автопрогноз»;

• разработанный программный комплекс внедрен в составе информационной системы ОАО «Алтай-Лада».

Исследование проводилось в рамках:

• государственного контракта по теме НИОКР «Разработка технического задания и опытного образца интеллектуальной информационной системы для оценки и прогнозирования состояния экономических и социальных объектов с использованием методов нейроинформатики и гибридных экспертных систем» в 2007-2008 годах;

• единого заказ-наряда по теме «Разработка модели интеллектуальной системы для решений задач оценки и прогнозирования состояния экономических и социальных объектов с использованием методов нейро-информатики и гибридных экспертных систем» в 2005-2010 годах. Апробация результатов работы. Основные положения и результаты работы докладывались и обсуждались на международной научно конференции «Наука и Молодежь» (г. Барнаул) в 2005-2008 годах, на научно-практической конференции «Молодежь — Барнаулу» (г. Барнаул) в 2006-2009 годах, на всероссийском семинаре «Нейроинформатика и ее приложения» (Институт вычислительного моделирования СО РАН, г. Красноярск) в 2006-2009 годах, на научно-технической конференции «Виртуальные и интеллектуальные системы» (г. Барнаул) в 2006-2009 годах.

Публикации. По теме диссертации опубликовано 10 работ, в т.ч. две в журналах рекомендованных ВАК, получено три свидетельства о регистрации программных продуктов.

Структура диссертации. Диссертационная работа состоит из введения, трех глав, заключения, списка использованной литературы и двух приложений общим объемом 196 страниц, содержит 42 рисунка, 35 таблиц. Каждая глава заканчивается выводами, а вся работа - заключением. В первой главе диссертационной работы показана важность эффективного решения задачи прогнозирования сбыта на предприятии. Выполнен анализ методов, использующихся для решения задачи прогнозирования. Исследованы достоинства и недостатки традиционных методов. Показано, что применение методов математической статистики и технического анализа имеют ограничения. Проанализированы возможности по использованию нейронных сетей для решения задачи прогнозирования и показано их преимущество по сравнению с традиционными методами. Исследована необходимость проведения предварительной обработки данных, описаны основные этапы предобработки временных рядов. Выполнен анализ свойств и характеристик различных сред моделирования НС, применяемых, как для решения широкого спектра задач, так и

Заключение диссертации по теме «Математическое моделирование, численные методы и комплексы программ», Авдеев, Александр Сергеевич

ЗАКЛЮЧЕНИЕ

В диссертационной работе рассмотрен комплекс теоретических и практических вопросов, связанных с анализом, прогнозированием временных рядов, адаптацией нейросетевой прогнозной модели.

В ходе проведенных исследований в диссертационной работе были решены следующие задачи

1. Обобщены и систематизированы основные методы и модели прогнозирования временных рядов. Показано, что в рамках традиционных методов прогнозирования, значительных улучшений качества прогноза, адаптации прогнозной модели добиться очень сложно.

2. Предложена модель анализа, предобработки и прогнозирования временных рядов, используя преимущества методов прогнозирования на базе нейронных сетей и гибридных экспертных систем.

3. Предложен комплексный алгоритм предобработки временных рядов, включающий автоматическое прохождение всех этапов. Определены алгоритмы обработки на каждом этапе, и индикаторы эффективность тех или иных преобразований.

4. Разработан блок оперативного контроля за адекватностью прогнозной модели, создана группа показателей и экспертная система реагирующая на изменения во входных данных. В ходе вычислительного эксперимента показана эффективность данного блока для оперативной адаптации прогнозной модели.

Основными результатами работы стали:

1. Аналитический программный комплекс, реализующий создание нейросетевых моделей прогнозирования продаж.

2. Модель решения задачи прогнозирования объемов продаж продукции на основе нейросетевого подходов.

3. Комплексный подход повышения качества прогноза за счет использованием методов предобработки временных рядов, контроля адекватности прогнозных моделей и их адаптации.

Разработанный программный комплекс применяется для эффективного решения задачи прогнозирования различных временных рядов. Интеграция комплекса с учетной системой автодилера позволила руководству предприятия решить сразу несколько управленческих задач таких, как получение достаточно полной информации о сбытовой деятельности автодилера, получение перспективного прогноза продаж, возможность гибкого формирования заявок на автомобили.

Список литературы диссертационного исследования кандидат технических наук Авдеев, Александр Сергеевич, 2010 год

1. Авдеев, A.C. Разработка системы автоматического конструирования нейросетевой модели прогнозирования спроса / A.C. Авдеев // Ползунов-ский вестник. Барнаул, 2006. — №1. — С. 4-8.

2. Авдеев, A.C. Разработка программного комплекса нейропрогнозирования / A.C. Авдеев, О.И. Пятковский // Программные продукты и системы. -Тверь, 2010.-№1.-С. 106-109.

3. Авдеев, A.C. Интеллектуальный блок прогнозирования для систем на платформе 1С 8.1 / A.C. Авдеев // Ползуновский альманах. 2008. - №2. -С. 56-58.

4. Авдеев, A.C. Интеллектуальные компоненты аналитических информационных систем управления организацией: учебное пособие / A.C. Авдеев, А.Т. Зиновьев, О.И. Пятковский. Барнаул: Изд-во АлтГТУ, 2006. -300 с.

5. Автоматизированные информационные технологии в экономике / Под. ред. проф. Г. А. Титоренко М.: ЮНИТИ, 1998. - 224 с.

6. Айвазян, С. А., Классификация многомерных наблюдений. / С. А. Айвазян, 3. И. Бежаева, О. В. Староверов. -М.: Статистика, 1974. 240 с.

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

8. Андрейчиков, А. В. Интеллектуальные информационные системы: учебник. / А. В. Андрейчиков, О. Н. Андрейчикова М.: Финансы и статистика, 2004. - 424 с.

9. Басканова Т. Ф. Нейросетевые алгоритмы самостоятельной адаптации. / Т. Ф. Басканова, Ю. П. Ланкин // Нейроинформатика-99. Всероссийекая научно-техническая конференция: сборник научных трудов: в 3 ч. -М.: МИФИ, 1999. ч. 2. - 230 с.

10. Басовский, JL Е. Прогнозирование и планирование в условиях рынка: учебное пособие / JL Е. Басовский М.: ИНФРА-М, 1999. - 260 с.

11. Бешелев, С. JL Экспертные оценки в принятии плановых решений./ С. JT. Бешелев, Ф.Г. Гурвич. М.: Экономика, 1986. — 76 с.

12. Бобко, И. М. Автоматизированные системы управления и их адаптация / И.М. Бобко Новосибирск: Наука, СО АН СССР, 1983. - 112 с.

13. Бобко, И. М. О достоверности данных в АСУ/ И.М. Бобко // Организационно экономические и технологические АСУ. — Новосибирск: ВЦ СО РАН СССР, 1985.-С. 3-12.

14. Бобко, И.'М. О технологиях информационного обеспечения принятия решений / И.М. Бобко // Организационно экономические и технологические АСУ. - Новосибирск: ВЦ СО РАН СССР, 1988. - С. 3-6.

15. Бокс, Дж. Анализ временных рядов. Прогноз и управление / Дж. Бокс, Г. Дженкинс -М.: Мир, 1974. 406 с.

16. Боровиков, А. А. Математическая статистика / А. А. Боровиков Новосибирск: Наука, 1997. - 772 с.

17. Боровиков, В. П. Прогнозирование в системе STATISTICA в среде Windows. Основы теории и интенсивная практика на компьютере: учеб. пособие / В. П. Боровиков, Г. И. Иванченко-М.: Финансы и статистика. 1999. 384 с.

18. Боровков, А. А. Математическая статистика / А. А. Боровков М.: Паука, 1984.-219 с.

19. Бурков, В. Н. Большие системы: моделирование организационных механизмов / В. Н. Бурков М.: Наука, 1989, - 246 с.

20. Бусленко, Н. П. Лекции по теории сложных систем / Н. П. Бусленко, В. В. Калашников, И.П. Коваленко -М.: Сов. Радио,1973. -440 с.

21. Бусленко, Н. П. Моделирование сложных систем / Н. П. Бусленко М.: Наука, 1988.-355 с.

22. Бутаков, С. В. Разработка интеллектуальных модулей информационной системы (на примере оценки деятельности предприятия): дис. канд. техн. наук. Барнаул, 2000. — 141 с.

23. Буч, Г. Объектно-ориентированное проектирование с примерами применения / Г. Буч; пер. с англ. М.: Конкорд, 1992. — 519 с.

24. Бушуева, Л. И. Методы прогнозирования объема продаж / Л. И. Бушуева // Маркетинг. 2001. - № 5. - С. 50 - 53.

25. Бэстенс, Д. Э. Нейронные сети и финансовые рынки / Д. Э. Бэстенс — М.: Научное издательство, 1997 236 с.

26. Варфаломеев В.И. Принятие управленческих решений: учеб. пос. для вузов. / В. И. Варфаломеев, С. Н. Воробьев. М.:КУДИЦ-ОБРАЗ, 2001. -288 с.

27. Вендров, А. М. Проектирование программного обеспечения / А. М. Вендров М.: Финансы и статистика, 2002. - 352 с.

28. Венцель, Е. С. Теория вероятностей / Е. С. Венцель М.: Паука. 1969. - 576 с.

29. Венцель, Е. С. Прикладные задачи теории вероятностей / Е. С. Венцель, Л. А. Овчаров М.: Радио и связь, 1983. - 416с.

30. Гаврилова, Т. А. Извлечение и структурирование знаний для экспертных систем / Т. А. Гаврилова, К. Р. Червинская — М.: Радио и связь, 1992. -200 с.

31. Гаврилова, Т. А. Базы знаний интеллектуальных систем / Т. А. Гаврилова, В. Ф. Хорошевский СПб.: Питер, 2001. - 384 с.

32. Галушкин, А. И. Теория нейронных сетей / А. И. Галушкин М.: ИПРЖР, 2000. - 272 с.

33. Танеев, Р. М. Математические модели в задачах обработки сигналов / Р. М. Танеев -М.: Горячая линия-Телеком, 2002. 83 е.: ил.

34. Гмурман, В. Е. Теория вероятностей и математическая статистика: учеб. пособие для вузов / В. Е. Гмурман М.: Высш. Шк., 2000. - 479 с.

35. Горбань, А. Н. Обучение нейронных сетей / А. Н. Горбань М.: Изд. СССР-США СП "ParaGraph", 1990. - 160 с.

36. Горбань, А.Н. Нейронные сети на персональном компьютере / А. Н. Горбань, Д. А. Россиев Новосибирск: Наука. Сибирская издательская фирма РАН, 1996. - 276 с.

37. Горбань, А. Н. Контрастирование нейронных сетей / А. Н. Горбань, Е. М. Миркес // Нейроинформатика и ее приложения: материалы 3-го Всерос. сем./ Краен, гос.техн. ун-т.-Красноярск: Изд-во КГТУ, 1998.- С. 78-79.

38. Горбань, А. Н. Обобщение аппроксимационной теоремы Стоуна / А. Н. Горбань // Нейроинформатика и ее приложения: тезисы докладов 5 Всероссийского семинара, 3-5 октября 1997 г. / под ред. А. Н. Горбаня.-Красноярск: изд.-во КГТУ, 1997.-С. 59-62.

39. Горчаков, А. А. Одномерные методы и модели экономического прогнозирования / А. А. Горчаков, В. А. Половников Ташкент: Мехмат, 1990. -184 с.

40. Грешилов, А. А. Математические методы построения прогнозов / А. А. Грешилов, В. А. Стакун, А. А. Стакун М.: Радио и связь, 1997. 112 с.

41. Дубров, А. М. Многомерные статистические методы: учебник / А. М. Дубров, В. С. Мхитарян, J1. И. Трошин —М.: Финансы и статистика, 1998. — 352 с.

42. Дунин-Барковский, В. Л. Информационные процессы в нейронных структурах / В. Л. Дунин-Барковский М.: Наука, 1978. - 232 с.

43. Ежов, А. А. Нейрокомпьютинг и его применения в экономике и бизнесе / А. А. Ежов, С. А. Шумский М.: МИФИ, 1998. - 224 с.

44. Епюков, И. С. Методы, алгоритмы, программы многомерного статистического анализа / И. С. Епюков М.: Финансы и статистика, 1986. -280 с.

45. Загоруйко, Н.Г. Алгоритмы обнаружения эмпирических закономерностей / Н. Г. Загоруйко, В. Н. Елкина, Г. С. Лбов Новосибирск: Наука, 1985.-110 с.

46. Загоруйко, Н.Г. Прикладные методы анализа данных и знаний / Н. Г. Загоруйко Новосибирск: Издательство Института математики, 1999. -124 с.

47. Замков, О. О. Математические методы в экономике: учебник / О. О. Замков, А. В. Толстопятенко, Ю. Н. Черемных М.: издательство «ДИС», 1998.-368 с.

48. Имитационное моделирование экономических систем: сб. статей / под ред. К. А. Багриновского М.: Наука, 1978. - 222 с.

49. Информационные системы в экономике: учебник / под ред. проф. В.В. Дика. М.: Финансы и статистика, 1986. - 272 с.

50. Караяниди, Я. Г. Формальная постановка задачи и сравнительный анализ методов прогнозирования / Я. Г. Караяниди // Труды КубГТУ. XXV. Сер.: Информатика и управление. 2005. - вып. 3. - С. 58-60.

51. Караяниди, Я.Г. Возможности использования пакета МАТЬАВ / Я. Г. Караяниди // Инновационные процессы в высшей школе: материалы X

52. Всероссийской научно-практической конференции 23-26 сентября 2004. Краснодар. - С. 41-42.

53. Касторнова, Т. А. Прогнозирование экономических процессов при частой смене экзогенных условий: автореф. дис. на соискание ученой степени канд. экон. наук : 08.00.13 Ростов н/Д, 2002 - 31с.

54. Кендел, М. Временные ряды — М. Кендел — М.: Финансы и статистика, 1981,- 199 с.

55. Клышинский, Э. С. К вопросу о принятии решений в интеллектуальных системах / Э. С. Клышинский // Новые информационные технологии: тез. докл. пятой международной студенческой школы семинара,- М: МГИЭМ, 1997. - С. 201-202.

56. Конев, Д. Г. Автоматизированная информационная система организационно-экономического управления предприятием: учебное пособие / Д. Г. Конев и др.; Алт. гос.техн.ун-т. им. И. И. Ползунова Барнаул: Изд-во Алт.ГТУ, 1998. - 142 с.

57. Колмогоров, А. Н. О представлении непрерывных функций нескольких неременных в виде суперпозиций непрерывных функций одного переменного и сложения / А. Н. Колмогоров // Докл. АН СССР. -1957. -Т.114. С. 953-956.

58. Крисилов, В. А. Применение нейронных сетей в задачах интеллектуального анализа информации / В. А. Крисилов, Д. Н. Олешко, А. В. Трутнев // Труды Одесского политехнического университета. 1999. - Вып.2 - С. 134.

59. Кузин, Л. Т. Основы кибернетики: Основы кибернетических моделей: учеб. пособие для вузов. / Л. Т. Кузин—М.: Энергия, 1979. 504 с.

60. Ларичев, О. И. Системы поддержки принятия решений. Современное состояние и перспективы их развития. / О. И. Ларичев, А. В. Петровский. // Итоги науки и техники. -Т.21. -М.: ВИНИТИ, 1987. С. 131—164.

61. Лукашин, Ю. П. Адаптивные методы краткосрочного прогнозирования временных рядов: учебное пособие / Ю. П. Лукашин — М.: Финансы и статистика, 2003. 416 с.

62. Льюис, К. Д. Методы прогнозирования экономических показателей/ К. Д. Льюис; пер. с англ. -М.: Финансы и статистика, 1986. — 133 с.

63. Маккалок, Дж. Логические исчисления идей, относящихся к нервной деятельности/ Дж. Маккалок, У. Питтс // Автоматы. М.: ИЛ, 1956. 244 с.

64. Максимей, И. В. Математическое моделирование больших систем: учеб. пособие / И. В. Максимей Мн.: Высш. шк., 1985 - 119 с.

65. Махотило, К. В. Разработка методик эволюционного синтеза нейросетевых комнонентов систем управления: Автореф. дис. канд. техн. наук / К. В. Махотило Харьков: ХГПУ, 1998 - 189 с.

66. Мескон, М. X. Основы менеджмента / М. X. Мескон, М. Альберт, Ф. Хе-доури; пер. с англ. М.: Дело, 2002. - 704 с.

67. Минаев, Ю. Н. Методы и алгоритмы решения задач идентификации и прогнозирования в условиях неопределенности в нейросетевом логическом базисе / Ю. Н. Минаев, О.Ю. Филимонова, Л. Бенамуер — М.: Горячая линия Телеком, 2003 205 с.

68. Минский, М. Персептроны / М. Минский, С. Пайперт М.: Мир, 1971. -261 с.

69. Миркес, Е.М. Нейрокомпьютер: проект стандарта. / Е. М. Миркес — Новосибирск: Наука, 1999. 337 с.

70. Миркес, Е. М. Логически прозрачные нейронные сети и производство явных знаний из данных / Е. М. Миркес // Нейроинформатика. Новосибирск: Наука, Сибирская издательская фирма РАН, 1998. - С. 283-292.

71. Миркес, Е. М. Нейроинформатика: учеб. пособие для студентов / Е. М. Миркес Красноярск: ИПЦ КГТУ, 2002. - 347 с.

72. Мун, Ф. Хаотические колебания / Ф. Мун М.: Мир, 1990. - 312 с.

73. Назаров, А. В., Нейросетевые алгоритмы прогнозирования и оптимизации систем / А. В. Назаров, А. И. Лоскутов СПб.: Наука и техника, 2003 - 384 с.

74. Нейроинформатика / А. Н.Горбань и др.. Новосибирск: Наука, Сибирская издательская фирма РАН, 1998 - 296 с.

75. Неруш, М. Математические модели ассоциативных нейронных сетей / М. Неруш. СПб.: Изд-во КАРО, 2000 - 64 с.

76. Осипов, Г. С. Построение баз знаний на основе взаимодействия интерактивных методов приобретения знаний. Концептуальные элементы модели мира. / Г. С. Осипов // Известия РАН. Теория и системы управления.- 1995.- №3.-С. 160

77. Перегудов, Ф. И. Введение в системный анализ: учеб. пособие для вузов Ф. И. Перегудов, Ф. П. Тарасенко. -М.: Высш. шк., 1989 367 с.

78. Попов, Э. В. Экспертные системы: решение неформализованных задач в диалоге с ЭВМ / Э. В. Попов. М.: Наука. Гл.ред. физ.-мат.лит., 1987 -288 с.

79. Пятковский, О. И. Информационная система поддержки принятия решений и оценки бизнеса предприятия / О. И. Пятковский // Экономика для менеджеров: межвуз. сб. науч. тр./ Алт. гос.техн.ун-т. им. И. И. Ползуно-ва Барнаул: Изд-во Алт.ГТУ, 1998. - С. 94-99.

80. Пятковский, О. И. Нейросетевые технологии в интеллектуальных информационных системах предприятий / О. И. Пятковский // Искусственные нейронные сети в информационных технологиях: тез. третьего все-рос. сем. Снежинск: РФЯЦ-ВНИИТФ, 1998. - С. 36-38.

81. Пятковский, О. И. Интеллектуальные компоненты автоматизированных информационных систем управления предприятием: монография / О. И. Пятковский / Алт. гос. техн. ун-т им. И.И. Полузнова — Барнаул: Изд-во АлтГТУ, 1999.-355 с.

82. Пятковский, О. И. Прогнозирование выполнения плана реализации в АСУП / О. И. Пятковский // Экономико-математические методы в управлении производством. Новосибирск: Наука, 1983. — С.40-47.

83. Информационная система анализа экономического состояния предприятия/ О. И. Пятковский и др. // Известия Алтайского государственного университета . 1998. - №4. - С. 58-61.

84. Интеллектуальные компоненты информационных систем диагностики хозяйственной деятельности предприятия / О. И. Пятковский и др. // Вестник СО АН ВШ №2(6). - С. 13 - 21.

85. Пятковский, О. И. Система анализа финансово-хозяйственных показателей деятельности предприятия / О. И. Пятковский, С. В. Бутаков, Д. В. Рубцов // Информационные технологии. 1999. - №8. - С. 31-34.

86. Пупков, К. А. Интеллектуальные системы: проблемы теории и практики / К. А. Пупков // Изв. вузов. Приборостроение. 1994. - Т.37; № 9 - С. 10.

87. Pao С. Р. Линейные статистические методы и их применение / С. Р. Pao. -М.: Наука, 1968 548 с.

88. Родионова, В. М. Финансовая устойчивость предприятия в условиях инфляции/ В. М. Родионова, М. А. Федотова. -М.: изд-во «Перспектива», 1995. -98 с.

89. Романов, А.Н. Советующие информационные системы в экономике: учеб. пособие для вузов / А. Н. Романов, Б. Е. Одинцов. М.: ЮНИТИ-ДАНА, 2000.-487 с.

90. Рюэль Д. О природе турбулентности / Д. Рюэль, Ф. Такенс — М.: Мир, 1981. -С. 117-151.

91. Седов, Б. В. Надежность прогнозирования временных рядов и вопросы «разладки» их регрессионных моделей / Б. В. Седов // Экономика и математические методы. 2000. - № 1 — С. 145-151.

92. Семенов, H.A. Программы регрессионного анализа и прогнозирование временных рядов. Пакеты ПАРИС и МАВР. / Н. А. Семенов М.: Финансы и статистика. 1990. — 111 с.

93. Сигеру, О. Нейроуправление и его приложения. / О. Сигеру М.: ИПРЖР, 2000.-272 с.

94. Силич, М. П. Оболочка экспертных систем, ориентированных на функциональные сети / М. П. Силич, Б. Б. Яримпилова // Природные и интеллектуальные ресурсы Сибири: тез. докл. 4-й междунар. НТК. Томск: ТУ СУР, 1998.-С. 277.

95. Силич М. П. Метод формирования гибридных моделей и инструментальный комплекс для построения экспертных систем: Дис. канд. техн. наук. -Томск, 1993. 145 с.

96. Силич, В. А. Проектирование автоматизированных систем управления на основе иерархических семантических моделей: Дисс. д-ра техн. наук. -Томск, 1995.-348 с.

97. Смирнова, Г. Н Проектирование экономических информационных систем / Г. Н. Смирнова, А. А. Сорокин, Ю. Ф. Тельнов — М.: Финансы и статистика, 2002. 512 с.

98. Соловьев В. С. Теория стратегического управления социальными организованными системами: Монография / В. С. Соловьев — Новосибирск: СибАГС, 2000. 500 с.

99. Справочник по прикладной статистике: в 2-х Т; под ред. Э. Плойда. М.: Финансы и статистика. 1989. - 526 с.

100. Тарасенко, Р. А. Метод анализа и повышения качества обучающих выборок нейронных сетей для прогнозирования временных рядов. // Дисс. канд. техн. наук. ОНПУ 2002.

101. НЗ.Тютина, М. В. Разработка методов и алгоритмов настройки гибридной экспертной системы на решение задач оценки в социальных и экономических объектах. дис. канд. техн. наук. - Барнаул, 2003 - 153 с.

102. Уоссермен, Ф. Нейрокомпьютерная техника / Ф. Уоссермен — М.: Мир, 1992.- 127 с.

103. Царегородцев, В. Г. Предобработка обучающей выборки, выборочная константа Липшица и свойства обученных нейронных сетей / В. Г. Царегородцев // Нейроинформатика и ее приложения: материалы X Всеросс. семин. Красноярск, 2002. С. 146-150.

104. Царегородцев, В. Г. Оптимизация предобработки данных: константа Липшица обучающей выборки и свойства обученных нейронных сетей / В. Г. Царегородцев // Нейрокомпьютеры: разработка, применение. -2003. №7. - С.3-8.

105. Царегородцев, В. Г. Упрощение нейронных сетей: цели, идеи и методы / В. Г. Царегородцев // Нейрокомпьютеры: разработка, применение. -2002,-№4.-С. 5-13.

106. Царегородцев, В. Г. Оптимизация предобработки данных для обучаемой нейросети: Критерии оптимальности предобработки / В. Г. Царегородцев // Материалы XIV Международной конференции по нейрокибернетике, Ростов н/Д, 2005. С.64-67.

107. Частиков, А. П. Системы искусственного интеллекта: учебное пособие / А. П. Частиков, Т. Г. Дедкова, А. В. Алешин. Краснодар. Издательство КубГТУ. 1998.-324 с.

108. Четыркин, Е. М. Статистические методы прогнозирования / Е. М. Че-тыркин-М.: Статистика, 1997. 200 с.

109. Шустер, Г. Детерминированный хаос/ Г. Шустер. М.: Мир, 1988. 240 с.

110. Экономика, разработка и использование программного обеспечения ЭВМ: учебник / В.А. Благодатских и др. М.: Финансы и статистика, 1995-288 с.

111. Экспертные системы. Принципы работы и примеры / пер. с англ.; под ред. Р.Форсайта.-М.: Радио и связь, 1987. 191 с.

112. Элдер, А. Основы биржевой игры: учебное пособие для участников торгов на мировых биржах. Психология. Тактика торгов. Денежный менеджмент. / А. Элдер. М.: Издательство «Светоч», 1995. - 327 с.

113. Элти, Дж. Экспертные системы: концепции и примеры / Дж. Элти, М. Кумбс; пер. с англ. и предисл. Б. И. Шитикова — М.: Финансы и статистика, 1987. 191 с.

114. Эрлих, А. А. Технический анализ товарных и финансовых рынков. Прикладное пособие. / А. А. Эрлих -М.:ИНФРА.-М, 1996. 176 с.

115. Эфрон, Б. Нетрадиционные методы многомерного статистического анализа: сб. статей / Б. Эфрон пер. с англ. -М.: Финансы и статистика, 1988.-263с.

116. Choras D.N. Chaos Theory in the Financial Markets. Probus Publishing, 1994.

117. Chui C.K. An introduction to wavelets. NY.: Academic Press, 1992

118. Daubechies I. Ten Lectures on wavelets. CBMS-NSF Regional Conf Series in Applied Mathematics. Montpelier: Capital City Press, 1992. Vol. 61

119. Grossberg, S. Adaptive pattern classification and universal recording: parallel development and coding of neural feature detectors/ S. Grossberg, Biological Cybernetics- 1976.-23-P. 187-202

120. Hebb, D.O. The Organization of Behavior / D.O. Hebb // New York; Wiley -1949.-P.65.

121. Homik, K. Multilayer feed forward networks are universal approximators / K. Homik, M. Stinchcomb, H. White // Neural Networks, 1989. Vol. 2. - P. 359-366

122. Kohonen, T. Self-organization and Associative Memory / T. Kohonen, // -New-York: Springer-Verlag, 1989. -P. 266.

123. Zadeh, L.A. Fuzzy Sets / L.A. Zadeh // Informaton and Control. -8, 1965. -№3. -P.338-353.