Разработка и реализация нейросетевых моделей комплексного динамического прогнозирования тема диссертации и автореферата по ВАК РФ 05.13.10, кандидат технических наук Протопопов, Олег Игоревич

• Протопопов, Олег Игоревич
• кандидат технических наук
• 2007

Оглавление диссертации кандидат технических наук Протопопов, Олег Игоревич

1 СОВРЕМЕННОЕ СОСТОЯНИЕ ТЕОРИИ И ПРАКТИКИ

СОЦИАЛЬНО-ЭКОНОМИЧЕСКОГО ПРОГНОЗИРОВАНИЯ

1.1 Основные задачи, функции, особенности прогнозирования социально-экономических процессов и его роль в управлении

1.2 Классификация существующих подходов к задаче социальноэкономического прогнозирования.

1.3 Обзор методов и алгоритмов прогнозирования с использованием нейронных сетей.

1.4 Выводы и постановка задач исследования.

2 СИСТЕМНОЕ МОДЕЛИРОВАНИЕ И ДЕКОМПОЗИЦИЯ

ЗАДАЧИ ПРОГНОЗИРОВАНИЯ БЫСТРО МЕНЯЮЩИХСЯ СОЦИАЛЬНО-ЭКОНОМИЧЕСКИХ ПРОЦЕССОВ.

2.1 Системная декомпозиция задачи прогнозирования быстро меняющихся социально-экономических процессов.

2.2 Нейронная сеть как управляющий элемент.

2.3 Задача формирования обучающего образа.

2.4 Концептуальная нейросетевая модель комплексного динамического прогнозирования.

2.5 Применение разработанных моделей и алгоритмов для расширения оптимизационных задач управления. Динамическая задача о назначении.

2.6 Выводы по второй главе.

3 МАТЕМАТИЧЕСКАЯ И ПРОГРАММНАЯ РЕАЛИЗАЦИЯ

НЕЙРОСЕТЕВЫХ МОДЕЛЕЙ И АЛГОРИТМОВ КОМПЛЕКСНОГО ДИНАМИЧЕСКОГО ПРОГНОЗИРОВАНИЯ.

3.1 Алгоритмы формирования обучающего образа нейросетевых моделей комплексного динамического прогнозирования.

3.2 Реализация алгоритма выбора оптимального метода прогнозирования на основе нейросетевых моделей.

3.3 Анализ рынка недвижимости с использованием комплексной модели динамического прогнозирования.

3.4 Выводы по третьей главе.

Введение диссертации (часть автореферата) на тему «Разработка и реализация нейросетевых моделей комплексного динамического прогнозирования»

Актуальность темы. Диссертация посвящена изучению вопросов прогнозирования социально-экономических процессов. Прогнозирование -это ключевой момент при принятии решений в управлении. Конечная эффективность любого решения зависит от последовательности событий, возникающих уже после их принятия. Возможность предсказать неуправляемые аспекты этих событий перед принятием решения позволяет сделать наилучший выбор, который, в противном случае, мог бы быть не таким удачным. Поэтому системы планирования и управления, обычно, реализуют функцию прогноза.

Прогнозирование как метод имеет большое количество областей применения. На настоящий момент исследователь располагает выбором из огромного количество разработанных моделей прогнозирования. Обзор существующих подходов к прогнозированию показал, что каждый из методов имеет свои преимущества и недостатки, определенную область применимости и набор ограничений, в пределах которых он дает результат, отвечающий ожиданиям по точности и надежности. Социально-экономические процессы отличаются тем, что не всегда могут быть удачно "вписаны" в ту или иную модель. Гораздо чаще в процессе прогнозирования приходится сталкивается с тем, что процесс удовлетворяет условиям некоей модели только на ограниченном отрезке времени. После этого характер поведения процесса меняется таким образом, что необходимо применять другую модель. В этом случае конечный заказчик вынужден производить дополнительные затраты на подбор и адаптацию модели прогнозирования, отвечающей новым характеристикам процесса. Неудивительно, что задача создания модели, позволяющей избежать этих затрат, постоянно рассматривается учеными.

В настоящий момент все чаще используются синтетические подходы. Для надежного прогнозирования применяются связки методов, результаты которых сравниваются, взвешиваются и анализируются. В результате принимается решение о способе формирования прогноза. В настоящий момент нередко появляются публикации о новых методах прогнозирования, позволяющих проводить анализ любых процессов. Фактически, эти разработки являются более сложными модификациями существующих подходов. При их использовании проблема выбора модели замещается новой проблемой - подбора и установки большого числа настроечных параметров. В связи с этим, ведется работа в направлении создания подходов, являющихся надстройками над такими методами прогнозирования. Алгоритм, как правило, осуществляет оптимизацию параметров метода к текущему процессу. Причем сам метод остается одним и тем же. То есть, существующие подходы, хоть и расширяют область применимости выбранного метода, все же не решают задачи совершения самого выбора.

В сложившейся ситуации разработка модели комплексного прогнозирования социально-экономических процессов, решающая задачу динамического выбора оптимального метода прогнозирования, а так же формирование самого прогноза является актуальной. Разрабатываемая модель может быть применена при построении системы поддержки принятия управленческих решений, связанных с планированием.

Основные исследования, получившие отражение в диссертации, выполнялись по планам научно-исследовательских работ:

- федеральная комплексная программа «Исследование и разработки по приоритетным направлениям науки и техники гражданского назначения»;

- грант РФФИ «Гуманитарные науки»: «Разработка оптимизационных моделей управления распределением инвестиций на предприятии по видам деятельности» № Г00-3.3-306;

- госбюджетная научно - исследовательская работа «Разработка и совершенствование моделей и механизмов внутрифирменного управления».

Цель диссертационной работы: Разработка и реализация моделей комплексного динамического прогнозирования социально-экономических процессов с учетом изменения характера течения процесса; реализация разработанных моделей в виде пакета прикладных программ.

Задачи исследования:

1) Проанализировать существующие подходы к вопросу прогнозирования социально-экономических процессов.

2) Построить модель и систему, формирующую прогноз исследуемого процесса, представленного своими временными отсчетами.

3) Построить модель динамического выбора наилучшего метода прогнозирования на данном шаге.

4) Построить алгоритм обучения системы, который будет динамически определять область компетентности каждого метода.

5) Разработать алгоритм формирования образов обучающей выборки, содержащих в себе информацию о характере изменения исследуемого процесса, достаточную для принятия решения о применении того или иного метода прогнозирования.

6) Сформировать наборы входных параметров, совместное применение которых максимально расширит зону компетентности каждого базового метода.

7) Сформировать модель комплексного динамического прогнозирования с использованием всех разработанных подмоделей и алгоритмов, предложить реализацию разработанной модели, применимую при построении системы поддержки принятия решений в управлении.

Методы исследования. Выполненные теоретические и экспериментальные исследования базируются на использовании теории систем, теории множеств (четких и нечетких), математической статистики, теории коллективного принятия решений, нейронных технологий, нейроуправления, математического моделирования и программирования, функциональной декомпозиции. Общей методологической основой является системный подход.

Научная новизна. Разработаны и реализованы модели и сопутствующие алгоритмы нейросетевого комплексного динамического прогнозирования, обладающие следующей научной новизной:

1) Разработана модель прогнозирования, отличающаяся от базовых снижением временных и финансовых затрат на настройку и поддержку подсистемы прогнозирования, позволяющая получить прогноз исследуемого процесса, представленного своими временными отсчетами, по качеству не уступающий или превосходящий результат, который можно получить, применяя отдельные базовые методы прогнозирования.

2) Построенная модель отличается от случая применения отдельных базовых методов тем, что не требует активного участия специалиста, использующего метод и позволяет осуществить динамический выбор применяемого на данном этапе прогнозирования базового метода, основываясь на динамически сформированном представлении о его области компетентности.

3) Предложен подход к обучению нейронных сетей, отличающийся реализацией алгоритма формирования обучающего образа, основанного на аппарате математической статистики, и позволяющий построить ассоциативные связи между характером поведения процесса и оптимальным методом прогнозирования.

4) Разработанная топология и методика обучения нейронной сети, осуществляющей управление формированием прогноза, основана на теории коллективного принятия решений.

5) Построенная динамическая модель решения задачи о назначении отличается от базовой модели учетом прогнозируемой динамики спроса на несколько этапов вперед и дифференциацией сотрудников по способностям и уровню оплаты труда.

Практическая значимость и результаты внедрения работы. Практическая значимость заключается в разработанных моделях, алгоритмах и их программной реализации, применимых в системах поддержки принятия управленческих решений, требующих формирования прогноза динамически меняющихся характеристик. Применение разработок, представленных в работе, позволяет снизить стоимость разработки и поддержки подсистемы прогнозирования, а так же позволит сохранить накопленный опыт анализа исследуемых процессов.

Построенные модели используются в практике разработки планов закупки материалов и комплектующих изделий в ООО «Промжилстрой №1» и ООО «Стройинвест». Модели, алгоритмы и механизмы включены в состав учебного курса «Исследование операций при моделировании социально - экономических систем», читаемого в Воронежском государственном архитектурно - строительном университете.

На защиту выносятся:

1) Комплексный подход к выбору метода прогнозирования временного ряда, представляющего динамику развития социально-экономического процесса с учетом быстрого изменения характера его течения.

2) Комплекс нейросетевых моделей, применимых в системе поддержки принятия управленческих решений планирования, позволяющих сформировать прогноз быстро меняющейся социально-экономической величины на основе накопленной информации о характере ее поведения и применимости базовых методов прогнозирования.

3) Модели анализа информации о характере течения процесса во временной и частотной области.

4) Динамическая модель задачи о назначении.

Апробация работы:

Основные положения и результаты диссертационной работы докладывались и обсуждались на следующих научных конференциях: международные конференции «Современные сложные системы управления» (г. Тула, 2005; Краснодар-Воронеж-Сочи, 2005г.); 61 - 63 научно-технические конференции по проблемам архитектуры и строительных наук (Воронеж, ВГАСУ, 2005-2007 гг.).

Публикации:

По теме диссертации опубликовано 6 печатных работ, в том числе одна - из перечня изданий, рекомендованных ВАК РФ. В работах, опубликованных в соавторстве и приведенных в конце автореферата, лично соискателю принадлежат в: [20, 21, 33] - модели и алгоритмы отбора методов прогнозирования, алгоритм извлечения статистической информации о характере течения социально-экономического процесса из обучающей выборки; [16] - исследование кадровой структуры и стратегии проведения работ по управлению качеством; [19, 25] - модель решения оптимизационной задачи о назначении с учетом ожидаемой динамики изменения параметров спроса.

Структура работы. Диссертационная работа состоит из введения, трех глав, заключения, списка литературы и трех приложений. Диссертация состоит из 135 страниц, в том числе машинописного текста 123, 23 рисунка, 14 таблиц и приложений. Библиография включает 137 наименований.

Заключение диссертации по теме «Управление в социальных и экономических системах», Протопопов, Олег Игоревич

3.4 Выводы по третьей главе

Результатом описанных в третьей главе исследований стала программная реализация методов и алгоритмов, описанных во второй главе диссертации. Так же, некоторые элементы математической модели были скорректированы с учетом особенностей анализируемых процессов. В частности, были расширены алгоритмы формирования обучающих образов и алгоритм обучения нейронной сети в конкурсном режиме. Разработанные модели и алгоритмы были реализованы в виде пакета программ в среде МаЙаЬ 6.5. Тестирование и настройка параметров велась с использованием моделированных ситуаций, данных из открытых источников, а так же встроенных в среду разработки генераторов случайных чисел.

ЗАКЛЮЧЕНИЕ

Данная работа посвящена разработке и реализации нейросетевых моделей комплексного динамического прогнозирования.

В результате анализа существующих на настоящий момент моделей прогнозирования социально-экономических процессов сделан ряд выводов. В частности выявлено, что появляющиеся в последнее время новые методы прогнозирования, позволяющие проводить анализ широкого спектра процессов, фактически, являются более сложными модификациями существующих подходов. При их использовании проблема выбора модели замещается новой проблемой - подбора и установки большого числа настроечных параметров. В связи с этим, ведется работа в направлении создания подходов, являющихся надстройками над такими методами прогнозирования. То есть, существующие методы, хоть и расширяют область применимости выбранной модели, все же не решают задачи совершения самого выбора.

В результате проведенных исследований был построен комплекс нейросетевых моделей, формирующих динамические прогнозы исследуемого процесса, представленного своими временными отсчетами.

Для разработанных нейросетевых моделей комплексного динамического прогнозирования были сформированы алгоритмы динамического выбора наилучшего метода прогнозирования на данном шаге обучения или работы.

Для обучения разработанных нейросетевых моделей был построен набор алгоритмов, формирующий критерии применимости по каждому методу прогнозирования на данном шаге, для работы сети в конкурсном и коллективном режиме принятия решения.

Был разработан алгоритм формирования образов выборок социально-экономических показателей, содержащий в себе информацию о характере изменения исследуемого процесса, достаточную для принятия решения о применении того или иного метода прогнозирования.

Для каждого базового метода, используемого в системе, был разработан набор настроек, совместное применение которых максимально расширит зону компетентности каждого базового метода.

В результате была сформирована и реализована в среде МаНаЬ 6.5 модель комплексного динамического прогнозирования с использованием всех разработанных алгоритмов. Построенная модель может быть применена для построения системы поддержки принятия решений при планировании закупок.

Проведенная работа позволяет сделать вывод о том, что применение комплексного подхода к выбору метода прогнозирования, основанного на аппарате нейронных сетей, может быть успешно применено при создании системы поддержки принятия решений для сектора материально-технического обеспечения.

В то же время автор понимает, что не все частные задачи проведённого исследования получили исчерпывающее развитие, а их решения приобрели законченную форму. В силу ряда объективных причин и неизбежной инерционности процесса внедрения научных результатов в экономическую практику.

При реализации авторской концепции необходимо учитывать сложную структуру построенной модели. При внедрении разработанных моделей и механизмов рекомендуется провести обучение с последующей проверкой качества получаемых прогнозных значений на базе имеющейся статистики о динамике развития процесса в прошлом.

Автор надеется в дальнейшем найти решение возникших на фоне проведённого исследования научных и прикладных вопросов, безусловно, являющихся предметом дискуссии.

Список литературы диссертационного исследования кандидат технических наук Протопопов, Олег Игоревич, 2007 год

1. Абу-Мустафа Я.С., Псалтис Д. Оптические нейронно-сетевые компьютеры//В мире науки, 1987. N 5. С. 42-50.

2. Авдеев Ю.А. Оперативное планирование в целевых программах. Одесса: Маяк, 1990.- 132 с.

3. Адлер Ю.П., Маркова Е.В., Грановский Ю.В. Планирование эксперимента при поиске оптимальных условий. М: Наука, 1976,280с.

4. Акулич И.Л. Математическое программирование в примерах и задачах. М.: Высшая школа, 1986. - 320с.

5. Александров A.B. Автоматизированное управление единой системой газоснабжения. М: Недра, 1980.

6. Александров В.В., Чернышова Л.В. Интегрированное программное обеспечение (аналитический обзор). Управляющие системы и машины. -1986, N 4 ,с. 8-15.

7. Александров Н.И., Комков Н.И. Моделирование организации и управления решением научно-технических проблем. М.: Наука, 1988. -216 с.

8. Алексеев A.B. Применение нечеткой математики в задачах принятия решений. В сб.: Методы и системы принятия решений. - Рига: РПИ, 1983, с. 38-42.

9. Алексеев A.B. Проблемы разработки математического обеспечения выполнения нечетких алгоритмов. В сб.: Модели выбора альтернатив в нечеткой среде.-Рига, 1984, с. 79-82.

10. Аленфельд Г., Херцбергер Ю. Введение в интервальные вычисления М: Мир, 1987, 360с.

11. Алтунин А.Е., Семухин М.В. Модели и алгоритмы принятия решений в нечетких условиях: Монография. Тюмень: Издательство Тюменского государственного университета, 2000.

12. Андрейчиков A.B., Андрейчикова О.Н. Анализ, синтез, планирование решений в экономике. М.: Финансы и статистика, 2000. - 368 с: ил.

13. Андронникова Н.Г., Барканов С.А., Бурков В.Н., Котенко А.М. Модели и методы оптимизации региональных программ развития. (Препринт) М.: Институт проблем управления им. В. А. Трапезникова РАН, 2001.

14. Баззел Р.Д. и др. Информация и риск в маркетинге. М. Финстатинформ, 1993.

15. Баркалов П.С., Буркова И.В., Глаголев A.B., Колпачев В.Н. Задачи распределения ресурсов в управлении проектами. М.: 2002 (Научное издание / Институт проблем управления им. В.А. Трапезникова РАН), 63 с.

16. Баркалов С. А. Теория и практика календарного планирования в строительстве. -Воронеж: ВГАСА, 1999.

17. Баркалов С. А., Бурков В.Н., Гилязов Н.М., Семенов П.И. Минимизация упущенной выгоды в задачах управления проектами -М.: 2001.

18. Баркалов С.А., Богданов Д.А., Протопопов О.И. Динамическая модель решения задачи о назначении. Научный вестник ВГАСУ Н.т. журнал Выпуск №2, 2006г. с. 123-128 (лично автором выполнено 2 с.)

19. Баркалов С.А., Бурков В.Н. и др. Прикладные модели в управлении организационными системами. ИПУ РАН, ВГАСУ, ТГУ, Тула. 2002.

20. Баркалов С.А., Бурков В.Н., Гилязов Н.М. Методы агрегирования в управлении проектами. М.: ИПУ РАН, 1999. 55 с.

21. Баркалов С.А., Курочка П. Н. , Мищенко В. Я. Моделирование и автоматизация организационно-технологического проектирования строительного производства. Воронеж, 1997.- 120 с.

22. Барцев С.И. Некоторые свойства адаптивных сетей (программная реализация).- Красноярск: Институт физики СО АН СССР, 1987.

23. Барцев С.И., Охонин В.А. Адаптивные сети обработки информации. -Красноярск: Институт физики СО АН СССР, 1986.

24. Басакер Р., Саати Т. Конечные графы и сети. М.: Наука, 1973. 368 с.

25. Беляевский И.К. Маркетинговое исследование: информация, анализ, прогноз. М.: Финансы и статистика, 2001.

26. Березин И.С. Маркетинг и исследование рынков. М.: Русская деловая литература, 1999.

27. Берж К. Теория графов и ее применения. М.: Иностранная литература, 1962.-319 с.

28. Бир С. Мозг фирмы. М.: Радио и связь, 1993. 416 с.

29. Болтянский В.Г. Математические методы оптимального управления. М.: Наука, 1968.-408 с.

30. Бурков В.Н. и др. Теория активных систем и совершенствование хозяйственного механизма. М.: Наука, 1984.

31. Бурков В.Н. Распределение ресурсов как задача оптимального быстродействия // Автоматика и Телемеханика. 1966. № 7.

32. Бурков В.Н., Грацианский Е.В., Еналеев А.К., Умрихина Е.В. Организационные механизмы управления научно-техническими программами. -М.: ИПУ РАН, 1993.

33. Бурков В.Н., Данев Б., Еналеев А.К. и др. Большие системы: моделирование организационных механизмов. М.: Наука, 1989. 245 с.

34. Бурков В.Н., Заложнев А.Ю., Новиков Д.А. Теория графов в управлении организационными системами. М.: СИНТЕГ, 2001. 124 с.

35. Бурков В.Н., Кондратьев В.В. Механизмы функционирования организационных систем. М.: Наука, 1981. 384 с.

36. Бурков В.Н., Ловецкий СЕ. Комбинаторика и развитие техники. М.: Знание, 1968.

37. Бурков В.Н., Ловецкий СЕ. Методы решения экстремальных задач комбинаторного типа (обзор). Автоматика и телемеханика - 1968, № 11.

38. Бурков В.Н., Ловецкий СЕ. Методы решения экстремальных комбинаторных задач (обзор). Техническая кибернетика - 1968, № 4.

39. Бурков В.Н., Ловецкий СЕ. Эвристический подход к решению динамических задач распределения ресурсов. Автоматика и телемеханика - 1966,№5.

40. Вагнер Г. Основы исследования операций. М.: Мир, 1972. Т. 1-4.

41. Васильев В.И., Пантелеев C.B. Нейроуправление новый раздел теории управления сложными системами // Нейрокомпьютеры: разработка и применение, 2005. № 5. С. 33-45.

42. Васильев В.М. Управление строительным производством. JL: Стройиздат, 1990.-208 с.

43. Виханский О.С., Наумов А.И. Менеджмент: человек, стратегия, организация, процесс. М.: Изд-во МГУ, 1996. 416 с.

44. Воронов А.А. Исследование операций и управление. М.: Наука, 1970.

45. Воропаев В.И. Модели и методы календарного планирования в автоматизированных системах управления строительством. М.: Строииздат, 1974.-232 с.

46. Галушкин А.И. Нейрокомпьютеры. Кн. 3: Учеб. пособие для вузов / Общ. ред. А.И. Галушкина. М.: ИПРЖР, 2000.416 с.

47. Голенко Д.И. Статистические методы сетевого планирования иуправле-ттия М-Наука 1968 400 с.

48. Гольцев А.Д. Яркостная сегментация изображения при помощи нейроподобной сети.//Автоматика 1965 - N 5 - с. 40-50.

49. Гранберг А.Г. Статистическое моделирование и прогнозирование / Под ред. Гранберга А.Г.- М:Финансы и статистика 1990-383с.

50. Джеффри Е. Хинтон. Как обучаются нейронные сети.// В мире науки -1992-Nil -N12-с. 103-107.

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

52. Емеличев В. А. Дискретная оптимизация. Последовательностные схемы решения. I, II. Кибернетика -1971. № 6; - 1972, № 2.

53. Иванилов Ю.П., Лотов А.В. Математические модели в экономике. М.: Наука, 1979. 304 с.

54. Иванченко А.Г. Персептрон системы распознавания образов.// К.: Наукова думка, 1972.

55. Ириков В. А., Ириков И.В. Технология финансово-экономического планирования на фирме. Часть 1. Управление финансовыми потоками: Учебное пособие/Под. ред. В.А. Ирикова/МФТИ. М., 1997. 88 с.

56. Ириков В.А. Технологии стратегического планирования и формирования финансово-экономической политики фирмы: Учебное пособие/ МФТИ, М., 1997.46 с.

57. Картавцев В.В. Нейронная сеть предсказывает курс долла-ра?// Компьютеры + программы 1993 - N 6(7) - с. 10-13.

58. Клейнер Г.Б. Производственные функции: теория, методы, применение. М.: Финансы и статистика, 1986. 238 с.

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

60. Кузьбожев Э.Н. Экономическое прогнозирование (методы и модели): Учеб. пособие.( Курск, гос. техн. ун-т Курска), 1997 -84с.

61. Куссуль В.М., Байдык Т.Н. Разработка архитектуры нейро-подобной сети для распознавания формы объектов на изображении.//Автоматика 1990-N5-с. 56-61.

62. Ли Э.Б., Маркус Л. Основы теории оптимального управления. М.: Наука, 1972-576 с

63. Литвак Б.Г. Экспертные оценки и принятие решений. М: Патент, 1996-217с.70.71,72,73,74,75,76,77,78,79,80,81,82,83,84,

64. Логовский A.C. Применение искусственных нейронных сетей для решения задач управления динамическими объектами. Автореф. дис. . канд. физ.-мат. наук. М.: 1998.

65. Моисеев H.H. Элементы теории оптимальных систем. М.: Наука, 1974. -526 с.

66. Мотышина М.С.Методы социально-экономического прогнозирования:

67. Учебное пособие- СПб: Изд-во СПб УЭФ,1994-114с.

68. Ногин В.Д., Протодьяконов И.О., Евлампиев И.И. Основы теорииоптимизации. М.: Высшая школа, 1986. 384 с.

69. Омату С., Халид М., Юсоф Р. Нейроуправление и его приложение. М.:1. ИПРЖРБ, 2000. 272с.

70. Орловский С. А. Проблемы принятия решений при нечеткой исходной информации. М.: Наука, 1981. 206 с.

71. Перегудов Ф.И., Тарасенко Ф.П. Введение в системный анализ. М.: Высшая школа, 1989. 367 с.

72. Поспелов Г.С., Ириков В.А., Курилов А.Е. Процедуры и алгоритмы формирования комплексных программ. М.: Наука, 1985. 424 с.

73. Розенблат Ф. Аналитические методы изучения нейронных сетей.// Зарубежная радиоэлектроника. 1965 - N 5 - с. 40-50.

74. Розенблат Ф. Принципы нейродинамики.//М.: МИР, 1965.

75. Рябинин А.Д., Шквар A.M., Шевченко А.И. Некоторые особенности разностной обработки информации в нейронных сетях // Биологическая медицинская кибернетика и бионика. Вып. 2. Киев, 1970. С. 13-26.

76. Суворов C.B., Матихина Н.Ю. Программное моделирование нейроподобных структурУ/Распределенная обработка информации.-Улан-Уде, 1989,-с. 28.

77. Сулицкий В.Н. Методы статистического анализа в управлении. Москва: Дело, 2002.

78. Тарасенко Р.А. Метод анализа и повышения качества обучающих выборок нейронных сетей для прогнозирования временных рядов. Диссертация на соискание ученой степени кандидата технических наук. ОНПУ, 2002.

79. Трикоз Д.В. Нейронные сети: как это делается?// Компьютеры + программы 1993 - N 4(5) - с. 14-20.

80. Тэнк Д.У., Хопфилд Д.Д. Коллективные вычисления в нейроноподобных электронных схемах.//В мире науки. 1988. N 2. С. 44-53.

81. Тюрин Ю. Н. Анализ данных на компьютере Текст. / Ю. Н. Тюрин, А. А. Макаров / Под ред. В. Э. Фигурнова. М.: ИНФРА-М, 2003. - 544 с.

82. Уздемир А.П. Динамические целочисленные задачи оптимизации в экономике. М.: Физматлит, 1995.

83. Уоссермен Ф. Нейрокомпьютерная техника: Теория и практика. Перевод на русский язык, Ю. А. Зуев, В. А. Точенов, М., Мир, 1992.

84. Цуприков С. Нейронные вычисления берутся на вооружение финансистами.// Computerworld Moscow - 1985 - N 7 - с. 57-58.

85. Чертков М., Грималюк А. Методика валютного прогнозирова-ния.// Одесские деловые новости 1995 - май N 16 - с. 4.

86. Чертков М., Грималюк А. Методика валютного прогнозирования.// Одесские деловые новости 1995 - май N 16 - с. 4.

87. Широков Р.В. К вопросу совершенствования искусственных нейронных иерархических систем управления сложными промышленными объектами // Компьютерная техника и технология: Сб. трудов регион, науч.- техн. конф. Ставрополь: СевКавГТУ, 2003. С.119-121.

88. Широков Р.В. О возможных подходах к построению систем управления динамическими объектами с применением нейрокомпьютеров // Компьютерная техника и технология: Сб. трудов регион, науч.- техн. конф. Ставрополь: СевКавГТУ, 2003. С.121-127.

89. Шумский А. А., Шелупанов A.A. Системный анализ в защите информации: учебное пособие для студентов вузов, обучающихся по специальностям в области информационной безопасности. М: Гелиос АРВ, 2005. 24 с.

90. ЮЗ.Энтов P.M., Носко В.П., Юдин АД., Кадочников П.А., Пономаренко С.С. Проблемы прогнозирования некоторых макроэкономических показателей. Москва: Институт экономики переходного периода, 2002. ISBN 5-93255-093-7.

91. Aarts E.H.L., Korst J.H.M. Boltzmann machines and their applications//Lect. Notes Comput. Sei. 1987. V. 258. P. 34-50.

92. Alain Petrowski, Gerard Dreyfus, Claude Girault, Performance Analysis of a Pipelined Backpropagation Parallel Algorithm //IEEE Transactions on Neural Networks, Vol.4, N6,1993, pp.970-981.

93. Bario A.G. Connectionist learning for control in Neural Networks for control. MIT Press, Cambridge, Massachsers, pp. 5-58,1990.

94. Bates J.M., C.W.J. Granger (1969):The Combination of Forecasts, Operation Research Quarterly, 20, pp.451-468.

95. Bernard Widrow, Michael A. Lehr, 30 Years of Adaptive NeuralNetworks: Perceptron, Madaline, and Backpropagation //Artificial Neural Networks: Concepts and Theory, IEEE Computer Society Press, 1992, pp.327-354.

96. Chen L., Narendra K.S. Nonlinear adaptive control using neural networks and multiple models. Automatica, special issue on neural network feedback control, 37 (8): pp.1245-1255,2001.

97. Clements Michael P., D.F. Hendry (1996): Multi-step estimation for forecasting, Oxford Bulletin of Economics and Statistics, 58,N 4, pp.657684.

98. Frank R. J., Davey N., Hunt S. P. Applications of Neural Networks to Telecommunications Systems // Department of Computer Science, University of Hertfordshire. 1999.

99. Gael de La Croix Vaubois, Catherine Moulinoux, Benolt Derot, The N Programming Language //Neurocomputing, NATO ASI series, vol.F68, pp.89-92.

100. Granger C.W.J., Newbold P. (1986): Forecasting Economic Time Series, Second Edition. New York: Academic Press.

101. Granger C.W.J., R. Ramanathan (1984): Improved Methods of Combining Forecasting, Journal of Forecasting, 3, pp. 197-204.

102. Harris Drucker, Yann Le Cun, Improving Generalization Performance Using Backpropagation //IEEE Transactions on Neural Networks, Vol.3, N5,1992, pp.991-997.

103. Kuntanapreeda S., Gundersen R. W., Fullmer R.R. Neural Network Model Reference Control of Nonlinear Systems // Proc. of Int. Joint Conf. On Neyral Networks. Vol II. Baltimore, Maryland. 1992. P. 94-99.

104. Levin A., Narendra K.S., Control of nonlinear dynamical systems using neural networks: controllability and stabilization IEEE Transactions on Neural Networks, vol. 4, No. 2., 192-206 March 1993.

105. Markidakis S.A., A. Anderson, R. Carbonne, R. Flides, M. Hibon, R. Lewandowski, J. Newton, E.Parsen, R.Winkler (1982): The Accuracy of Extrapolation (Time-Series) Methods: Results of a Forecasting Competition, Journal of Forecasting, 1, pp.111-153.

106. Meese R., J. Geweke (1984):AComparison of Autoregressive Univariate Forecasting Procedures for Macroeconomic Time Series, Journal of Business and Economic Statistics, 2, pp. 191-200.

107. Mendel J. M., McLaren R. W. Rein forcement learning control and pattern recognition systems II Adaptive, Learning, and Applications // J. M. Mendel, K. S. Fu,etc. - New Jork: Academin Press, 1970,- P. 287-318.

108. Miller W.T. Real-Time Neural Network Control of a Biped Walking Robot // IEEE Control Systems magazine, vol. 14, no. 1, pp. 41- 48,1994.

109. Montgomery, Douglas C. Forecasting and time series analysis./Douglas C. Montgomery, Lynwood A. Johnson, John S. Gardiner. 2nd ed. - ISBN 007-042858-1.

110. Montgomery, Douglas C. Forecasting and time series analysis. //Douglas C. Montgomery, Lynwood

111. Murray, R., D. Neumerkel, and D. Sbarbaro, Neural Networks for Modeling and Control of a Non-linear Dynamic System, // Proceedings of the 1992 IEEE International Symposium of Intelligent Control, 1992, pp.404-409

112. Narendra K.S., Annaswamy A.M. Stable Adaptive Sistems. Englewood Cliffs, N J: Prentice Hall, 1989.

113. Narendra K.S., Parthasarathy K. Identification and control of dynamical systems using neural networks. IEEE Transactions on Neural Networks., 1(1): 4-27, March,1990.

114. Paul J. Werbos, Backpropagation Through Time: What It Does and How to Do It //Artificial Neural Networks: Concepts and Theory, IEEE Computer Society Press, 1992, pp.309-319.

115. Sankar K. Pal, Sushmita Mitra, Multilayer Perception, Fuzzy Sets, and Classification //IEEE Transactions on Neural Networks, Vol.3, N5,1992, pp.683-696.

116. Sauer, T., Yorke, J.A., Casdagli, M. // Journal of Statistical Physics. Embedology 1991. - Vol. 65. - P. 579-616.

117. Sornette D., Why Stock Markets Crash // Princeton University Press, 2003.

118. Stock J.H., Watson M.W. (1996): A Comparison of Linear and Nonlinear Univariate Models for Forecasting Macroeconomic Time Series, Journal of Business and Economic Statistics, 14, N 1, pp.11-30.

119. Swanson N.R., H. White (1995): A Model Selection Approach to Assessing the Information in Term Structure Using Linear Models and Artificial Neural Networks, Journal of Business and Economic Statistics, 13, pp.265275.

120. Swanson N.R., H. White (1997): A Model Selection Approach to RealTime Macroeconomic Forecasting Using Linear Models and Artificial Neural Networks, Review of Economics and Statistics, 79, pp.540-550.

121. Swanson N.R., H. White (1997): Forecasting Economic Time Series Using Flexible versus Fixed Specification and Linear versus Nonlinear Econometric Models, International Journal of Forecasting, 13, N 4, pp.439461.

122. Weigand A.S., Gershenfeld (1994): Time Series prediction: Forecasting the Future and Understanding the Past. Addison-Wesley for Santa Fe Institute: Reading.

123. Werbos P.J. Overview of designs and capabilities, Neural Networks of Control, MIT Press, Cambridge, MA, 1990. P. 59-65.

124. Wietgrefe H., Tuchs K-D., Jobmann K., Carls G., Fröhlich P., Nejdl W., Steinfeld S. Using Neural Networks for Alarm Correlation in Cellular Phone Networks // International Workshop on Applications of Neural Networks in Telecommunications, 1997.

125. О результатах внедрения законченной научно-исследовательской работы по разработке моделей динамического прогнозирования цен на материалы икомплектующие изделия.

126. В период с 6 ноября 2006 г. по 26 января 2007 г. в ООО «Промжилстрой № 1» проводилась научно-исследовательская работа по совершенствованию механизмов планирования материально-технического обеспечения проводимых работ.

127. Результатом работы явилась разработка ряда методических материалов по созданию и практическому использованию моделей управления материально-техническим обеспечением.•В их числе:

128. Метод формирования рекомендаций по планированию оптовых закупок материалов с учетом прогноза цен.

129. Модель формирования среднесрочного прогноза цен на материалы комплектующие изделия.1. Главный инженер1. Сметанкин И.Б.