Разработка инструментария нейросетевого разведочного анализа и поддержки принятия решений по развитию экономических систем тема диссертации и автореферата по ВАК РФ 08.00.13, кандидат наук Шиболденков Владимир Александрович

• Шиболденков Владимир Александрович
• кандидат наук
• 2019

Оглавление диссертации кандидат наук Шиболденков Владимир Александрович

Введение

Глава 1. Анализ специфики информационно-аналитической

и управленческой деятельности в условиях цифровизации экономики

1.1 Анализ процессов цифровой трансформации экономических систем

и развития инфраструктуры производства знаний

1.2 Анализ существующих подходов и методов использования технологий искусственного интеллекта в экономике

1.3 Идентификация перспективных направлений использования технологий искусственного интеллекта и нейросетевого моделирования при выработке управленческих решений по развитию экономических систем

1.4 Постановка научной задачи исследования

Выводы по главе

Глава 2. Проектирование инструментария нейросетевого разведочного

анализа экономических данных на основе самоорганизующихся карт

2.1 Подход к применению математического аппарата самоорганизующихся карт к разведочному анализу экономических данных

2.2 Разработка алгоритма конфигурирования параметров разведочной нейросетевой карты

2.3 Разработка алгоритма настройки разрешающей способности разведочной нейросетевой карты

2.4 Разработка алгоритма визуализации экономических данных

на разведочной нейросетевой карте

Выводы по главе

Глава 3. Реализация инструментария нейросетевого разведочного анализа данных для поддержки принятия управленческих решений по развитию

экономических систем

3.1 Программная реализация прототипа инструментария нейросетевого разведочного анализа с использованием Deep Learning Toolbox

для MATLAB

3.2 Апробация инструментария нейросетевого разведочного анализа

для исследования макроэкономических систем

3.3 Апробация инструментария нейросетевого разведочного анализа

для исследования микроэкономических систем

3.4 Рекомендации по использованию инструментария нейросетевого разведочного анализа для поддержки принятия решений

Выводы по главе

Заключение

Список сокращений и условных обозначений

Список литературы

Приложение А. Исходный код для программной реализации

инструментария в MATLAB

Приложение Б. Исходные данные для исследования

макроэкономических систем

Приложение В. Исходные данные для исследования

микроэкономических систем

Введение диссертации (часть автореферата) на тему «Разработка инструментария нейросетевого разведочного анализа и поддержки принятия решений по развитию экономических систем»

ВВЕДЕНИЕ

Актуальность темы исследования обусловлена проблемами, связанными с развитием цифровой экономики и основополагающей ролью использования больших данных для выработки управленческих решений. Спецификой протекающих в настоящее время процессов развития экономических систем является:

- смена производственно-технологического уклада с разрушением устоявшихся принципов хозяйствования и значительной необходимостью качественного перехода к цифровой трансформации отраслей промышленности;

- изменение структуры поведения классических экономических циклов и повышение динамики процессов развития экономических систем, сопровождаемые переходными периодами взаимосвязанных технологических, экономических и социальных шоков;

- многогранность, многовекторность и сложность инновационной деятельности, включающая создание экономической системы доступного знания, технологий, информации, квалификации и инвестиций;

- увеличение активности сегмента наукоемких технологий в экономике, стимулирующее формирование сетей управления и трансфера знаниями, талантами и экономическими ресурсами.

Эффективная управленческая деятельность в современных условиях представляется возможной за счет применения инструментальных средств искусственного интеллекта для поддержки принятия решений при рационализации организационных структур и оптимизации систем управления экономикой на всех уровнях. Для этих задач используются технологии разведочного анализа данных в комплексе с инструментальными средствами машинного обучения, позволяющие сформировать самостоятельно обучающиеся алгоритмы, работающие с информацией без предварительных гипотез с целью автоматического поиска закономерностей и аномалий в исходной выборке экономических данных.

При этом, с учетом специфики предметной области, требуется дальнейшее развитие математического аппарата и инструментальных средств принятия решений в условиях многофакторной, многомерной, разнородной и сложной структуры данных, описывающих процессы трансформации экономических систем. Эти проблемы характеризуются высоким уровнем актуальности, и их решение имеет существенное значение для повышения эффективности системы управления экономикой на всех уровнях.

Степень разработанности темы исследования. В современных научных трудах отечественных и зарубежных авторов имеются теоретические и методологические разработки, которые охватывают важные аспекты исследуемой области. Научные основы нейросетевого анализа данных заложены в работах С. Элце, Т. Кохонена, Г. Дебока, Т. Хонкела, С. Рассела, С. Бишопа, С. Хайкина, С. Осовского, М. Полла. Проблемы информационных систем интеллектуального анализа данных исследовались в работах А.А. Барсегяна, А.Е. Бром, А.Г. Броневича, Ю Ву, А.И. Гаврилова, Н.Г. Загоруйко, А.Ю. Зиновьева, А.П. Ковалева, Е.В. Луценко, А.И. Орлова, Е.П. Попова, А.С. Птускина, К.А. Пупкова, В.В. Солодовникова, М. Такацуку, А. Ульша, В.В. Цап-лина. Разработке экономико-математических методов организационно-экономического проектирования и анализа бизнеса посвящены работы А.Д. Гапоненко, П.А. Дроговоза, Г.Б. Клейнера, Б.З. Мильнера, И.Н. Омельченко, Т.М. Орлова, Т.Г. Садовской, О.П. Сидорова, С.Г. Фалько, С.Л. Чернышева, А.В. Шевырева. Имеющийся в данных работах научно-методический задел был использован при проведении диссертационного исследования. Анализ существующих отечественных и зарубежных работ в области интеллектуального анализа экономической информации показал, что требуется их дальнейшее развитие и совершенствование в части разработки автоматизированного средства поддержки принятия решений по развитию экономических систем, что обусловливает актуальность темы исследования.

Цель и задачи исследования. Целью диссертации является разработка инструментария нейросетевого разведочного анализа и поддержки принятия решений, обеспечивающего использование технологий искусственного интеллекта для повышения эффективности управленческой деятельности по развитию экономических систем.

Для достижения поставленной цели в диссертационной работе решаются следующие основные задачи:

- анализ специфики информационно-аналитической деятельности в условиях цифровизации экономики и методов использования технологий искусственного интеллекта для поддержки принятия решений;

- анализ перспективных направлений использования технологий искусственного интеллекта и нейросетевого моделирования при выработке управленческих решений по развитию экономических систем;

- разработка алгоритмов построения разведочных нейросетевых карт, учитывающих особенности аналитической обработки экономических данных, и проектирование на их основе инструментария нейросетевого разведочного анализа и поддержки принятия решений по развитию экономических систем;

- программная реализация инструментария нейросетевого разведочного анализа и разработка рекомендаций по его практическому применению для выработки управленческих решений по развитию экономических систем макро- и микроуровня;

- апробация и оценка экономической эффективности использования инструментария нейросетевого разведочного анализа и поддержки принятия решений по развитию экономических систем.

Объектом исследования являются экономические системы национального, отраслевого и корпоративного уровня, обеспечивающие производство знаний и отличающиеся сложными взаимозависимостями между описывающими их экономическими данными.

Предметом исследования являются процессы развития экономических систем и методы использования искусственного интеллекта для их анализа при выработке управленческих решений.

Методология и методы исследования. Теоретическую и методологическую основу исследования составили общие методы научного познания: системный подход к анализу и синтезу данных, методы дедукции и индукции,

научной абстракции, группировки и классификации данных; а также прикладные научные методы: методы исследований операций, методы теории принятия решений и формализации неопределенности, методы экспертного оценивания, методы экономического анализа, методы имитационного моделирования и машинного обучения, методы представления знаний и мягких вычислений, методы онтологического моделирования и прикладной таксономии, методы когнитивного и нейросетевого моделирования, методы самоорганизующихся нейрокарт, методы разведочного анализа данных, методы визуальной аналитики и отображения многомерных данных.

Информационно-эмпирическую базу исследования составили статистические и аналитические отчеты, доклады и обзоры международных и национальных организаций, институтов, агентств за 2013-2018 года; среди которых особо стоит выделить: базы данных по результатам национальной научно-технической активности «US National Science Foundation», «World Intellectual Property Organization», «United Nations Educational», «Scientific, and Cultural Organization, United Nations Development Programme», «INSEAD», «The World Bank»; базы корпоративных аналитических исследований «World Values Survey», «Globe Project», «Schwartz Value Survey», «Social Axioms Survey»; государственные статистические базы Федеральной службы государственной статистики, Федеральной налоговой службы, Министерства финансов Российской Федерации, базы раскрытия корпоративной информации «СКРИН», «e-disclosure.ru».

Научная задача заключается в совершенствовании математического аппарата самоорганизующихся карт и разработке на его основе инструментария нейросетевого разведочного анализа и поддержки принятия управленческих решений по развитию экономических систем.

Соответствие паспорту научной специальности. Область исследования соответствует пунктам 2. «Инструментальные средства». 2.3. «Разработка систем поддержки принятия решений для рационализации организационных структур и оптимизации управления экономикой на всех уровнях». 2.6 «Развитие теоретиче-

ских основ методологии и инструментария проектирования, разработки и сопровождения информационных систем субъектов экономической деятельности: методы формализованного представления предметной области, программные средства, базы данных, корпоративные хранилища данных, базы знаний, коммуникационные технологии». 2.8. «Развитие методов и средств аккумуляции знаний о развитии экономической системы и использование искусственного интеллекта при выработке управленческих решений» паспорта специальности 08.00.13 - Математические и инструментальные методы экономики.

Научная новизна заключается в том, что с учетом специфики информационно-аналитической и управленческой деятельности в условиях цифровизации экономики разработан инструментарий нейросетевого разведочного анализа и поддержки принятия решений, отличающийся усовершенствованными процедурами автоматизированного выявления и формализованного визуального представления закономерностей и аномалий на самоорганизующихся картах и обеспечивающий использование искусственного интеллекта при выработке управленческих решений по развитию экономических систем.

Научную новизну работы составляют полученные в ходе исследования результаты:

1. Предложен и обоснован подход к анализу процессов развития экономических систем, отличающийся от традиционных экспертно-аналитических процедур применением специализированных разведочных нейросетевых карт и обеспечивающий когнитивно-моделирующую визуализацию экономических данных для лиц, принимающих решения.

2. Разработан алгоритм конфигурирования параметров разведочной нейросе-тевой карты при обучении без учителя, отличающийся от известных процедурами семантической предобработки, нормализации, сглаживания и шкалирования исходных экономических данных, что позволяет осуществить параметрический синтез карты в условиях разнообразия, разнородности и разнотипности характеристик исследуемой экономической системы.

3. Разработан алгоритм настройки разрешающей способности разведочной нейросетевой карты, отличающийся от существующих процедурой определения оптимального количества нейронов по критерию минимизации топологической ошибки карты, что обеспечивает проецирование многомерного массива экономических данных в плоскую сотовидную структуру с оптимальной плотностью.

4. Разработан алгоритм визуализации экономических данных на разведочной нейросетевой карте, отличающийся использованием комбинации специализированных статичных и градиентных цветовых палитр и обеспечивающий интуитивно понятное формализованное представление исследуемой предметной области и ее когнитивное моделирование лицами, принимающими решения.

5. Сформулированы рекомендации по применению разведочных нейросете-вых карт в системах поддержки принятия решений, отличительная особенность которых состоит в использовании совокупности кластерных, компонентных и реляционных цветовых фильтров для выявления закономерностей и аномалий в экономических данных, что обеспечивает выполнение поисковых исследований и проверку гипотез о факторах развития экономических систем различного уровня.

Теоретическая значимость диссертационного исследования заключается в дальнейшем развитии экономико-математических методов в области нейросете-вого разведочного анализа экономической информации и его модернизации в части разработки нового аналитического инструментария при выработке управленческих решений для мониторинга фактических показателей достижения стратегических целей, корректировки долгосрочных программ инновационного и инвестиционного развития, управления инновационной деятельностью экономической системы всех уровней, обеспечивающих получение новых результатов по теме диссертации.

Практическая ценность диссертационной работы состоит в разработке и внедрении инструментов нейросетевого разведочного анализа экономической информации, реализованных в форме системы программных инструментальных средств, позволяющих произвести системный анализ экономических показателей рассматри-

ваемого объекта и обобщить большие массивы переменных в единую многофакторную модель, обеспечивающих повышение эффективности при выработке управленческих решений по стратегии развития экономических систем всех уровней.

Основные положения, выносимые на защиту:

1. На основе результатов исследования проблем использования существующих аналитических инструментов в условиях цифровизации экономики предложен и обоснован подход к применению математического аппарата самоорганизующихся карт для разведочного анализа экономических данных и когнитивно-моделирующей визуализации экономических систем различного уровня при выработке управленческих решений по их развитию.

2. Разработан инструментарий нейросетевого разведочного анализа, в котором, в отличие от существующих средств построения самоорганизующихся карт, реализован комплекс алгоритмов конфигурирования параметров карты, настройки ее разрешающей способности и визуализации экономических данных, что обеспечивает автоматизацию процедур выявления закономерностей и аномалий в развитии экономических систем.

3. Сформулированы и доведены до практической реализации рекомендации по применению разведочных нейросетевых карт в системах поддержки принятия решений, которые, в отличие от традиционной экспертно-аналитической обработки, основаны на применении совокупности кластерных, компонентных и реляционных цветовых фильтров, обеспечивающих визуализацию экономических данных для лиц, принимающих решения, что обеспечивает повышение эффективности управленческой деятельности по развитию экономических систем.

Обоснованность и достоверность научных положений и выводов диссертации обеспечивается корректным выбором исходных данных, основных допущений и ограничений при постановке научной задачи, использованием системного подхода и современного апробированного экономико-математического аппарата при ее решении и подтверждается достаточной сходимостью полученных результатов с практикой принятия решений по анализу экономических процессов и явлений.

Апробация результатов исследования. Основные положения и выводы диссертации доложены и получили положи-тельную оценку на международных и всероссийских научных конференциях «XLIII Академические чтения по космонавтике» (Москва, 2019); «VIII Чарновские чтения» (Москва, 2018); «Будущее машиностроения России» (Москва, 2018); «VII Чарновские чтения (Москва, 2017); «VI Чарновские чтения» (Москва, 2016); «Modern scientific potential» (Шефилд, Великобритания, 2015); «Информационные технологии и математические методы в экономике и управлении» (Москва, 2015).

Результаты исследований, выполненных в диссертации, использованы при выполнении НИР «Разработка методологии нейросетевого анализа инновационного потенциала наукоемких промышленных предприятий» (М.: МГТУ им. Н.Э. Баумана, 2014-2015. Заказчик - Минобрнауки России, задание № 2014/104 за 2014 и 2015 г.); шифр «ВНИИРТ-Стратегия» (М.: МГТУ им. Н.Э. Баумана, 2015-2016. Заказчик - АО «ВНИИРТ», договор № 3049 от 14.09.2015 г.); шифр «Нейрон-Ква-лиметрия» (М.: МГТУ им. Н.Э. Баумана, 2018. Заказчик - ФГБУ «Фонд содействия инновациям», договор № 13547ГУ от 25.07.2018); шифр «Нейрон-АТВиСН» (М.: МГТУ им. Н.Э. Баумана, 2018. Заказчик - ФГБУ «НИЦ «Институт имени Н.Е. Жуковского»», договор № 03-08/2018 от 15.08.2018 г.).

Основные положения и результаты диссертации использованы в учебном процессе на кафедре «Предпринимательство и внешнеэкономическая деятельность» МГТУ им. Н.Э. Баумана, и реализованы в ФГУП «ВНИИ «Центр», что подтверждается соответствующими актами.

Публикации. По теме диссертации опубликовано 19 научных работ общим объемом 9,5 п.л. (авторский вклад - 5,3 п.л.), из них: 2 статьи общим объемом 1,9 (авторский вклад - 0,55 п.л.) в журналах базы Scopus, 10 статей общим объемом 5,1 п.л. (авторский вклад - 2,3 п.л.) в рецензируемых изданиях, рекомендованных ВАК при Минобрнауки России. Получено 3 свидетельства о государственной регистрации программы для ЭВМ.

Структура работы. Диссертация изложена на 203 страницах и состоит из введения, трех глав с выводами по каждой из них, заключения, списка сокращений и условных обозначений, списка литературы из 129 наименований и трех приложений, содержит 11 таблиц и 72 рисунка.

Во введении отражена актуальность диссертационной работы, определены цель и задачи исследования, изложены научная новизна, теоретическая значимость и практическая ценность, приведены основные научные результаты, выносимые на защиту, а также сведения о реализации и публикациях полученных результатов.

В первой главе выполнен анализ предмета и объекта исследования, выявлены проблемы и ограничения существующих экономико-математических методов, определены направления их развития, сформулирована гипотеза диссертации, содержательно и математически поставлена научная задача исследования.

Во второй главе сформирована структура и определен состав авторского инструментария нейросетевого разведочного анализа, последовательно разработаны образующие его новые алгоритмы конфигурирования параметров нейросетевой карты, настройки разрешающей способности нейросетевых карт визуализации экономической информации на разведочной нейросетевой карте. В своей совокупности, разработанные алгоритмы обеспечивают решение поставленной научной задачи.

В третьей главе на базе разработанного инструментария нейросетевого анализа предложены рекомендации по практическому применению при управлении экономическими системами. Изложены результаты апробации и внедрения инструментария нейросетевого разведочного анализа для исследования экономических систем макро- и микроуровня, даны оценки их экономической эффективности.

В заключении представлены основные результаты и общие выводы по диссертационной работе, определены пути их эффективной реализации и направления дальнейших исследований по проблематике диссертации.

ГЛАВА 1. АНАЛИЗ СПЕЦИФИКИ ИНФОРМАЦИОННО-АНАЛИТИЧЕСКОЙ И УПРАВЛЕНЧЕСКОЙ ДЕЯТЕЛЬНОСТИ В УСЛОВИЯХ ЦИФРОВИЗАЦИИ ЭКОНОМИКИ

1.1 Анализ процессов цифровой трансформации экономических систем и развития инфраструктуры производства знаний

Новая ступень технико-экономического развития современного мира характеризуется глубинными переменами не только на уровне элементов технико-экономических комплексов и систем (ключевых факторов производства, фундаментальных технологий, базовых отраслей), но и глобальным переустройством механизмов связи, коммуникации, взаимодействия и консенсуса между ними. Таким образом, вокруг ключевой перспективной сквозной технологии формируется не просто сложная производственно-экономическая система, называемая высокотехнологической отраслью экономики, а единая комплексная система, синергетически соединяющая сложные сообщества, состоящие из научно-исследовательских, производственно-технологических, финансово-инвестиционных, социально-политических и образовательных подсистем.

Ядром всех преобразований является цифровая трансформация экономики. Все бизнес-процессы любой организации и даже отдельного человека отображаются некоторым цифровым дубликатом, для работы с которым необходимо существенное усиление автономности и интеллектуальности всей бизнес-экосистемы [1]. После этапов автоматизации (2005-2010), информатизации (2011-2015) и цифровизации (2016-2020) наступает период «смартизации», когда управляемые при помощи информационно-коммуникационных технологий объекты и системы становятся по-настоящему «умными», в силу обладания рядом квазиинтеллектуальных функций. Алгоритмизуются уже не отдельные рабочие задачи, а формируется полноценное системно-сервисное решение максимально

оцифровывающее всю потребность бизнеса. В первую очередь алгоритмизируются когнитивно простые, рутинные операция, такие как учет, документооборот, аудит и прочие составляющие задач менеджмента. Но также искусственный интеллект вторгается и более сложные задачи анализа, синтеза, распознавания образов, принятия решений за счет возможности использования потенциала больших данных. В материалах Агентства стратегических инициатив (АСИ) и Национальной технологической инициативы (НТИ) [2] убедительно показано, что в настоящее время устойчивое развитие конкурентного потенциала будет доступно только инновационным организациям, которые эффективно и полномасштабно внедрили технологии искусственного интеллекта во всю экономическую систему.

Рисунок 1. 1 показывает национальную инфраструктуру производства знаний (ИПЗ). ИПЗ составляют комплексы из разных форм когнитивных факторов производства. Среди ключевых из них можно выделить явное, формализованное знание, представляемое информационными объектами (публикации, патенты, базы данных и т.п.) и неявное, скрытое знание, распространяемое информационными субъектами (индивидуумы, группы, сообщества и институты).

Необходимость в таких значительных интеграционных процессах до уровня единой экономической системы вызвана рядом специфических особенностей высокотехнологичного наукоемкого производства инновационных товаров.

Базовым технологическим пакетом (БТП) в работе считается группа-паттерн функционально сильно связанных, но различных по природе разработок технологий и операций в области высокотехнологичной продукции. Вокруг БТП формируется сложная система стейкхолдеров, которая может быть представлена концентрической моделью отраслевого рынка высокотехнологического производства.

Рисунок 1. 1 показывает, что ядро отраслевого рынка формирует БТП, вокруг ядра развивается производство продукции и услуг, использующее компоненты БТП. Внешнюю сферу, непосредственно взаимодействующую с клиентами на рынке, формируют платформы и экосистемы БТП. Таблица 1 раскрывает особенности высокотехнологичного производства в составе ИПЗ.

Платформы и экосистема БТП

Продукция и услуги с компонентами БТП

Базовый технологический пакет (БТП)

Отраслевые рынки

Аэронет, Автонет, Технет, Маринет, Нейронет и др.

БТП-1

Большие данные

Искусственный интеллект

Распределенные реестры

Беспроводная связь

Рыночные запросы

БТП-2

Мобильные источники энергии

Производственные технологии

Новые материалы

Сенсорика

БТП-3

Квантовые технологии

Фотоника

Нейротехнологии

Биотехнологии

Научно-образовательные центры

Научные фонды

Научно-образовательное сообщество

Рисунок 1.1 - Инфраструктура производства знаний (разработано по материалам АСИ и НТИ [2])

Таблица 1 - Особенности высокотехнологичного производства [1-4]

Особенности Предлагаемые системные решения

Высокие риски получения негативного результата Венчурные формы финансирования, формирование государственных институтов и сервисов развития

Фондоемкость Особые налоговые условия, формирование государственных институтов и сервисов развития

Ресурсоемкость Высокотехнологическая инфраструктура совместного использования, формирование государственных институтов и сервисов развития

Квалифицированные высокопрофессиональные кадры Новые формы кадровой политики, новые формы образования, корпоративные образовательные программы, формирование государственных институтов и сервисов развития

Новая технология Продуманная стратегия управления интеллектуальной собственностью, просвещение, нормативно-правовая регламентация и стандартизация, формирование государственных институтов и сервисов развития

Новый продукт на новом рынке Стимулирование потребление, поддержание квазимонополии на российском рынке, формирование государственных институтов и сервисов развития

Разрушающая инновация Форсайт и научное прогнозирование, новые системные методики долгосрочного планирования развития технологических трендов и глубинных технико-экономических преобразований

Согласно материалам НТИ выделяют 3 поколения БТП, отличающиеся уровнем зрелости и степенью интеграции, образующих их технологий (см. Рисунок 1.1).

За рубежом примерами ИПЗ разных уровней являются системы разного уровня экономического и институционального масштаба:

корпоративные макротехнологические структуры - ИТ-сектор (Apple, Samsung, Huawei), машиностроительный сектор (Ford, Tesla), авиакосмический сектор (Boeing, Lockheed Martin), биотехнологический сектор (DuPont, Bayer); региональные - (ABB, DeWALT); государственные - (Electrolux, Siemens, Cisco);

и интегрированные транснациональные полиотраслевые структуры -(Daimler, Monsanto, Unilever, Brother).

В условиях цифровой экономики ИПЗ являются экосистемой, в которой стимулируются, создаются и распространяются инновации.

Пилотным проектом отраслевой инфраструктуры производства знаний была национальная нанотехнологическая сеть (далее ННС) во главе с Роснано, в качестве государственного субъекта развития [4]. В 2010 году для стимулирования и координации национальной инновационной политики в области новых технологий, соединяющих междисциплинарные результаты фундаментальных и прикладных исследований в рамках управления материей на атомарном уровне и получения продуктов с заранее заданными свойствами, было создано сетевое сообщество, объединяющее всех стейкхолдеров рынка нанопродукции. В силу того, что открытия в области нанотехнологий были настолько радикальными для национальной экономики, что не имели никаких стандартов, регламентов и даже общепонятийных технологических описаний, было принято решение создать коллаборацию компаний для опережающего развития, координации, производства и коммерциализации нанотехнологических разработок, которая объединяла не только научно-технологических специалистов, а формировала сложную междисциплинарную команду маркетинговых, экономических, научно-исследовательских, академических, деловых, промышленных и государственных субъектов, совместно работающих над отраслевым технологическим пакетом (БТП).

Список литературы диссертационного исследования кандидат наук Шиболденков Владимир Александрович, 2019 год

СПИСОК ЛИТЕРАТУРЫ

1. AI in 2019: 8 trends to watch. [Электронный ресурс]: K. Casey // A community of CIOs discussing the future of business and IT. URL: https://enterprisersproject.com/ar-ticle/2018/12/ai-trends-2019 (дата обращения: 21.12.18).

2. Документы и аналитические материалы Национальной Технологической Инициативы. [Электронный ресурс]: Постановление от 18 апреля 2016 г. №317 «О реализации Национальной технологической инициативы» // Официальный сайт национальной технологической инициативы. URL: http://www.nti2035.ru/documents/Normative/ (дата обращения: 21.12.18).

3. Miller T. Explanation in artificial intelligence: insights from the social sciences // Artificial Intelligence. 2018. 66 p.

4. Формирование инновационного корпоративного объединения: российской национальной нанотехнологической сети / В.А. Шиболденков, Т. Г. Садовская, П.Д. Иванов // Экономика и предпринимательство. 2015. №2 5. Ч.1. С. 170-174.

5. Искусственный интеллект (рынок России). [Электронный ресурс]: Государство, бизнес, ИТ // TADVISER. URL:http://www.tadviser.ru/index.php /Ста-тья:Искусственный_интеллект_(рынок_России)) (дата обращения: 21.12.18).

6. Artificial Intelligence (AI) как ключевой фактор цифровизации глобальной экономики. [Электронный ресурс]: Новости ИТ-бизнеса // Искусственный интеллект (ИИ). URL: https://www.crn.ru/news/detail.php?ID=117544 (дата обращения: 21.12.18).

7. Bughin J. Artificial intelligence: the next digital frontier? McKinsey Global Institute. 2017. 80 p.

8. Документы и аналитические материалы отраслевого союза Нейронет. [Электронный ресурс]: Меморандум о создании отраслевого союза // Официальный сайт отраслевого союза Нейронет. URL: http://rusneuro.net/dokumenty (дата обращения: 21.12.18).

9. Дроговоз П.А., Рассомагин А.С. Обзор современных методов интеллектуального анализа данных и их применение для принятия управленческих решений // Экономика и предпринимательство. 2017. № 3. С.689-693.

10. Lundberg S. M., Lee S. I. A unified approach to interpreting model prédictions //Advances in Neural Information Processing Systems. 2017. С. 4765-4774.

11. Bishop C.M. Pattern Récognition and Machine Learning. NY.: Springer, 2006.

738 p.

12. Хайкин С. Нейронные сети: полный курс. 2-е издание. М.: Вильямс, 2006. 1104 с.

13. Нейросетевое моделирование / А.И. Гаврилов [и др.] М.: Московский государственный машиностроительный университет. 2000. 103 с.

14. Чернышев С. Л., Чернышев А. С. Моделирование нейронной сети с учетом биологических свойств нейрона // Наука и образование: научное издание МГТУ им. Н.Э. Баумана. 2014. №11 С. 510-520.

15. Каллан Р. Основные концепции нейронных сетей. М.: Вильямс, 2001.

288 с.

16. Люгер Д. Ф. Искусственный интеллект: стратегии и методы решения сложных проблем. М.: Вильямс, 2005. 864 с.

17. Осовский С. Нейронные сети для обработки информации. М.: Финансы и статистика, 2002. 344 с.

18. Шуметов В.Г., Гудов В.Г. Применение нейронных сетей для анализа риска производственного предприятия // Нейросетевые технологии и их применение.: Тез. докл. междунар. науч. конф. Краматорск. 2002. С. 117-128.

19. Сегментирование целевой аудитории рекламно-информационных изданий с помощью самоорганизующихся Карт Кохонена / А.В. Машков, Е.В. Афанасьева, А.А. Сокоркина // APRIORI. Серия: Гуманитарные науки. 2013. №2 1. С. 1-10.

20. Методологические основы разработки нейросетевых моделей экономических объектов в условиях неопределенности / Горбатков С.А. [и др.]. М.: Экономическая газета, 2012. 494 с.

21. Дебок Г., Кохонен Т. Анализ финансовых данных. М.: Альпина, 2001. 317 с.

22. Kohonen, T. Self-Organizing Maps, NY.: Springer-Verlag, 2001. 317 p.

23. Silva B., Marques N. Ubiquitous Self-Organizing Map: Learning Concept-Drifting Data Streams // New Contributions in Information Systems and Technologies. 2015. Volume 353 of the series Advances in Intelligent Systems and Computing. P. 713-722.

24. Silva B., Marques N. C. The ubiquitous self-organizing map for non-stationary data streams //Journal of Big Data. 2015. Т. 2. №. 1. С. 1-22.

25. Ultsch A., Behnisch M., Lotsch J. ESOM Visualizations for Quality Assessment in Clustering //Advances in Self-Organizing Maps and Learning Vector Quantization, 2016. С. 39-48.

26. Загоруйко Н.Г., Кутненко О.А. Цензурирование обучающей выборки // Вестн. Том. гос. ун-та. Управление, вычислительная техника и информатика. 2013. №1, 22. С.66-73.

27. Mitrokotsa A., Douligeris C. Detecting denial of service attacks using emergent self-organizing maps //Signal Processing and Information Technology, 2005. Proceedings of the Fifth IEEE International Symposium on. IEEE, 2005. С. 375-380.

28. Ultsch A. Clustering with SOM: U* C // Proceedings of the 5th Workshop on Self-Organizing Maps. 2005. Т. 2. С. 75-82.

29. Ultsch A., Herrmann L. The architecture of emergent self-organizing maps to reduce projection errors //ESANN. 2005. С. 1-6.

30. Bishop C. M., Svensen M., Williams C. K. I. Developments of the generative topographic mapping // Neurocomputing. 1998. Т. 21. №. 1. С. 203-224.

31. Alahakoon, D., Halgamuge, S., Sirinivasan, B. Dynamic Self Organizing Maps With Controlled Growth for Knowledge Discovery // IEEE Transactions on Neural Networks, Special Issue on Knowledge Discovery and Data Mining. 2000. 11. 601-614 p.

32. Добродеев И.П. Повышение эффективности нейросетевых моделей в системах диагностики технического состояния газотурбинных двигателей на основе

функциональной адаптации: дис. ... канд. техн. наук: 05.13.01 / Рыбинск, РГАТА им. П.А. Соловьева, 2010. 218 с.

33. Дроговоз П.А., Шиболденков В.А. Нейросетевое картирование показателей деятельности предприятия как средство поддержки принятия решений // XI International scientific and practical conference, Modern scientific potential: Тез. докл. междунар. конф. Шеффилд, Великобритания. 2015. С. 18-23.

34. Садовская Т.Г., Шиболденков В.А. Прогнозирование изменения организационно-экономических показателей предприятия на основе двухслойной карты Кохонена // XI International scientific and practical conference, Modern scientific potential: Тез. докл. междунар. конф. Шеффилд, Великобритания. 2015. С. 30-33.

35. Орлов А. И. Компьютерно-статистические методы: состояние и перспективы // Научный журнал КубГАУ - Scientific Journal of KubSAU. 2014. №103. С. 1-33.

36. Зиновьев А.Ю. Визуализация многомерных данных. Красноярск.: Красноярский государственный технический университет, 2000. 180 с.

37. Зиновьев А.Ю. Метод упругих карт для визуализации данных: Алгоритмы, программное обеспечение и приложения в биоинформатике: дис. ... канд. техн. наук: 05.13.13 / Красноярск, ИВМ, 2001. 164 с.

38. Луценко Е.В. Интеллектуальные информационные системы. Краснодар.: КубГАУ, 2006. 615 с.

39. Дроговоз П.А. Эволюция моделей инновационного процесса и современная классификация инноваций //Креативная экономика. 2007. №. 7. C.23-33.

40. Локтионова Е.А., Рагозина А.В. Особенности применения систем анализа больших данных в деятельности коммерческого банка // Baikal Research Journal. 2017. №2. С. 1-8.

41. Oeltze S., Doleisch H., Weber G., Interactive Visual Analysis of Scientific Data // IEE VisWeek. 2012. 24 p.

42. Большие данные. Революция, которая изменит то, как мы живем, работаем и мыслим / Майер-Шенбергер. М.: Манн, Иванов и Фербер, 2013, 240 с.

43. Великий переход. Что готовит революция облачных технологий / Карр Н. М.: Манн, Иванов и Фербер, 2013, 272 с.

44. Когнитивные технологии визуализации многомерных данных для интеллектуальной поддержки принятия решений / В.В. Цаплин, В.Л.Горохов, В.В. Вит-ковский // Программные продукты и системы. 2014. №3. С. 22-25.

45. Клейнер Г.Б. Микроэкономика знаний и конкурентоспособность предприятий // Современная конкуренция. 2007. №3. С. 128-131.

46. Дроговоз П.А., Иванов П.Д. Перспективы развития бизнес-информатики как междисциплинарного подхода к управлению наукоемкими промышленными предприятиями // Электронное научно-техническое издание «Инженерный журнал: наука и инновации». ISSN 2308-6033. М.: МГТУ им. Н.Э. Баумана, 2013. Выпуск № 3. URL: http://engjournal.ru/articles/654/654.pdf (дата обращения: 05.01.18).

47. Кузавко А.С. Инструменты поддержки принятия решений по управлению стратегическими проектами в авиастроении: дис. ... канд. эк. наук: 08.00.13 / М.: МЭИ, 2012. 172 с.

48. Explaining Big Data [Электронный ресурс] / Barnatt C. // ExplainingCom-puters.com URL: http://www.explainingcomputers.com/big_data.html (дата обращения: 05.01.16)

49. Орешков В.И. Методы и модели интеллектуального анализа данных в задачах управления в социальных и экономических системах: дис. ... канд. техн. наук: 05.13.10 / Рязань, РГАУ им. П.А. Костычева. 2013. 221 с.

50. Большие данные: насколько они большие? [Электронный ресурс] / А. Найдич // КомпьютерПресс. 2012, №12. URL: http://compress.ru/article.aspx?id=23469 (дата обращения: 05.01.16).

51. Russel S.J., Norvig P.. Artificial intelligence. A modern approach. Second edition. NY.: Prentice Hall, Pearson Education, Inc., 2003. 1408 p.

52. Анализ данных и процессов: учеб. пособие // А.А. Барсегян [ и др.], СПб.: БХВПетербург, 2009. 512 с.

53. Cox V. Exploratory data analysis //Translating Statistics to Make Decisions. Apress, Berkeley, CA, 2017. С. 47-74.

54. Берестнева О.Г., Воловоденко В.А. Процедура принятия решений на основе анализа визуальных образов // Доклады Томского государственного университета систем управления и радиоэлектроники. 2012. № 2-2, 26. С. 195-199.

55. Hexagonal Grid Coordinate. [Электронный ресурс]: Hexagonal Grids. URL: http://stackoverflow.com/questions/2459402/hexagonal-grid-coordinates-to-pixel-coordinates (дата обращения 12.03.16).

56. Hexagonal Grids. [Электронный ресурс]: Hexagonal Grids. URL: http://www.redblobgames.com/grids/hexagons/ (дата обращения 12.03.16).

57. Wu Y., Takatsuka M. The Geodesic Self-Organizing Map and Its Error Analysis. S.:ViSLAB, 2005. 9 p.

58. Скворцов В.А. Примеры метрических пространств. М.: МЦНМО, 2002. 24 с.

59. Self-organizing maps. [Электронный ресурс]: Some background material of the SOM. 2005. URL: http://www.cis.hut.fi/research/som-research/ (дата обращения: 25.03.2016).

60. Нечаева О.И. Нейросетевые модели, алгоритмы и комплекс программ для построения адаптивных сеток: дис. ... канд. физ.-мат. наук: 05.13.18 / Новосибирск, НГУ, 2007. 120 с.

61. Граблев М.Н. Развитие методов и средств визуализации, используемых при внедрении и сопровождении корпоративных информационных систем: дис. ... канд. эк. наук: 08.00.13 / М.: ГУУ, 2008. 133 с.

62. Самарин С.В. Применение аппарата нейронных сетей для анализа финансовых рынков: дис. ... канд. эк. наук: 08.00.13 / М.: ВЗФЭИ, 2002. 153 с.

63. Рыжков В.А. Совершенствование самоорганизующихся нейронных сетей Кохонена для систем поддержки принятия решений: дис. ... канд. техн. наук: 05.13.01 / М.: МГТУ Станкин, 2010. 145 с.

64. Раменская А.В., Вязмитинов А.В. Моделирование кредиторской задолженности заемщиков коммерческого банка // Экономика и современный менеджмент: теория и практика. 2013. № 30. С. 33-43

65. Маркетинговое исследование динамики функционирования рынков с нелинейной парадигмой развития / Т.С. Афанасьева, Н.В. Манова // Вестник Новгородского Государственного Университета им. Ярослава Мудрого. 2011. № 61. С. 43-49.

66. Голуб Н.И. Моделирование параметров управления розничным бизнесом коммерческого банка с использованием средств интеллектуального анализа данных: дис. ... канд. экон. наук: 08.00.13 / М.: ГУУ, 2009. 127 с.

67. Березкина А.В. Формирование системы мониторинга маркетинговой деятельности конкурентов: дис. ... канд. экон. наук: 08.00.05 / М.: ГУУ, 2005. 179 с.

68. Saadatdoost R., Tze Hiang Sim A., Jafarkarimi H. Application of self organizing map for knowledge discovery based in higher education data // Research and Innovation in Information Systems (ICRIIS), International Conference on. IEEE, 2011 p. 6.

69. Котов А. Красильников Н. Кластеризация данных. СПб.: СПбГУ ИТМО, 2006. 16 с.

70. Лепский А.Е., Броневич А.Г. Математические методы распознавания образов. Таганрог: ТТИ ЮФУ, 2009. 155 с.

71. Sledge I. J., Keller J. M. Growing neural gas for temporal clustering // Pattern Recognition, ICPR 2008. 19th International Conference on. IEEE, 2008. С. 1-4.

72. Paisner M., Perlis D., Cox M. T. Symbolic anomaly detection and assessment using growing neural gas // IEEE International Conference on Tools with Artificial Intelligence (ICTAI). Herndon, Virginia, USA. 2013. С. 175-181.

73. Keller J. M., Sledge I. J. A cluster by any other name // Fuzzy Information Processing Society. NAFIPS '07. Annual Meeting of the North American/ San Diego, California, USA 2007. С. 427-432.

74. Баскин И.И. Моделирование свойств химических соединений с использованием искусственных нейронных сетей и фрагментных дескрипторов: дис. ... док. физ. мат. наук: 02.00.17 / М.: МГУ им. М.В. Ломоносова, 2009. 365 с.

75. MATLAB Deep Learning Toolbox. [Электронный ресурс] - Режим доступа: https://matlab.ru/products/neural-network-toolbox. (дата обращения: 21.12.18).

76. Городилов А.В. Алгоритмы нейропрогнозирования для оперативного регулирования распределенной централизованно-кольцевой системы обработки информации: дис. ... канд. техн. наук: 05.13.01 / М.: МГИЭТ, 2006. 205 с.

77. Stanley K., Miikkulainen R. A taxonomy for artificial embryogeny //Artificial Life. 2003. Т. 9. №. 2. С. 93-130.

78. Визуализация результатов экспериментальных исследований / К. А. Ша-ропин, О. Г. Берестнева, Г. И. Шкатова // Известия Томского политехнического университета. 2010. Т. 316. №. 5. С. 172-176.

79. Harrison L. E. Culture matters: How values shape human progress. Basic books, 2002. 349 p.

80. Kriesi H. et al. Globalization and the transformation of the national political space: Six European countries compared //European Journal of Political Research. 2006. Т. 45. №. 6. С. 921-956

81. Welzel C. et al. (ed.). Democratization. Oxford University Press, USA, 2018.

487 p.

82. Baron R. A., Markman G. D. Beyond social capital: The role of entrepreneurs' social competence in their financial success // Journal of business venturing. 2003. Т. 18. №. 1. С. 41-60.

83. Beck D. E., Cowan C. C. Spiral dynamics: Mastering values, leadership and change. John Wiley & Sons, 2014. 343 p.

84. Berry J. W. et al. Cross-cultural psychology: Research and applications. Cambridge University Press, 2002. 589 p.

85. Hitt M. A. et al. The importance of resources in the internationalization of professional service firms: The good, the bad, and the ugly // Academy of Management Journal. 2006. Т. 49. №. 6. С. 1137-1157.

86. House R. J. et al. (ed.). Culture, leadership, and organizations: The GLOBE study of 62 societies. Sage publications, 2004. 880 p.

87. Слинкова О. К., Грудистова Е.Г. Управление организационной культурой // Вестник Южно-Уральского государственного университета. Серия: Экономика и менеджмент. 2009. №. 21 (154). С. 64-74.

88. Fukuyama F. The end of history and the last man. Simon and Schuster, 2006.

441 p.

89. Kegan R., Lahey L. L. An everyone culture: Becoming a deliberately developmental organization. Harvard Business Review Press, 2016. 309 p.

90. Keping Y. Americanization, westernization, sinification: Modernization or globalization in China? //Global America. 2003. С. 134-149.

91. Александров Ю.И., Кирдина С.Г. Типы ментальности и институциональные матрицы: мультидисциплинарный подход // Социологические исследования. 2012. №. 8. С. 3-12.

92. Hofstede G., Hofstede G. J., Minkov M. Cultures and Organizations: Software of the Mind, (ed.) McGraw-Hill: New York. 2010. 550 p.

93. Hofstede G. The GLOBE debate: Back to relevance //Journal of International Business Studies. 2010. Т. 41. №. 8. С. 1339-1346.

94. Hofstede G. J., Pedersen P. B., Hofstede G. Exploring culture: Exercises, stories and synthetic cultures. Nicholas Brealey, 2002. 234 p.

95. Hampden-Turner C., Trompenaars F. Nine visions of capitalism: unlocking the meanings of wealth creation. Infinite Ideas, 2015. 327 p.

96. Smith P. B., Dugan S., Trompenaars F. National culture and the values of organizational employees: A dimensional analysis across 43 nations //Journal of cross-cultural psychology. 1996. Т. 27. №. 2. С. 231-264.

97. Welzel C., Inglehart R., Kligemann H. D. The theory of human development: A cross-cultural analysis //European Journal of Political Research. 2003. Т. 42. №. 3. С. 341-379.

98. Schwartz S. H. An overview of the Schwartz theory of basic values //Online readings in Psychology and Culture. 2012. Т. 2. №. 1. 20 p.

99. Leung K., Bond M. H. Psycho-logic and eco-logic: Insights from social axiom dimensions //Multilevel analysis of individuals and cultures. 2008. С. 199-221.

100. Науменко Т.В., Гринюк А.И. Проблема модели экономического человека в современном научном пространстве // Проблемы современной экономики. 2016. №. 3 (59). C.39-42.

101. Социокультурные резервы экономического роста: продуктивность труда по призванию / А.А. Шабунова, Г.В. Леонидова, Е.А. Чекмарева // Экономические и социальные перемены: факты, тенденции, прогноз. 2017. №. 4 (52). C. 162-179.

102. Ивакин, Я.А. Digital humanities: междисциплинарный характер применения геоинформационных технологий в исторических исследованиях // Научный результат. Информационные технологии. 2016. Т. 1. №. 2. С. 21-30.

103. Макулин, А.В. Диаграмматология" внешнего разума" и графический язык социальной философии // Вестник Северного (Арктического) федерального университета. Серия: Гуманитарные и социальные науки. 2018. №. 4. С. 118-128.

104. Применение самоорганизующихся нейросетевых карт для кросс-культурного анализа / В.А. Шиболденков [и др.] // Научные исследования и разработки. Современная коммуникативистика. 2017. Т. 6. № 2. С. 8-15.

105. Нейросетевой анализ влияния социокультурных факторов на инновационную активность государства / В.А. Шиболденков [и др.] // Научные исследования и разработки. Социально-гуманитарные исследования и технологии. 2017. Т. 6. № 2. С. 72-80.

106. Шаранин, А. С. Механизм инновационного развития организации // Инновации. 2008. №1 С.112-115.

107. Инновационный потенциал наукоемкого предприятия ракетно--космической промышленности и его оценка / Г.П. Беляков, С.В. Еремеева // Фундаментальные исследования. 2014. №12-11 С.2398-2402.

108. Имайкина О.И. Анализ инновационного потенциала предприятия как инструмент определения его внутренних возможностей // Известия ВУЗов. Поволжский регион. Общественные науки. 2014. №3 (31). С.211-223.

109. Muller A., Vaelikangas L., Merlyn P. Metrics for innovation: guidelines for developing a customized suite of innovation metrics // Strategy & Leadership. 2005. Т. 33. №. 1. С. 37-45.

110. Антоненко, И.В. Типология и классификация инновационного потенциала экономической системы // Проблемы современной экономики. 2010. №. 2. 33-37 С.

111. Вьюнова, Р.Р. Подходы к оценке инновационного потенциала предприятия // Общество: политика, экономика, право. 2015. № 2. 35-38 С.

112. Инновационный потенциал предпринимательства как фактор развития хозяйственной системы / С.А. Иванов, В.П. Галенко // Проблемы современной экономики. 2012. № 1. 142-145 С.

113. Гасенко Е.В. Критерии развития инновационного потенциала персонала наукоемкого предприятия // Вестник Томского Государственного Университета. Экономика. 2012. № 2. 44-49 С.

114. Яголковский С. Р. Психология инноваций: подходы, модели, процессы //М.: Изд. дом Высшей школы экономики. 2011. 270 С.

115. Курганов Ю.А. Международная кооперация катализатор диверсификации и инноваций // Российский внешнеэкономический вестник. 2013. Т. 2013. №. 10. С. 9-16.

116. Маркова О.В. Развитие человеческого капитала как катализатора инноваций // Креативная экономика. 2013. №. 4 (76). С. 29-34.

117. Chesbrough H. Business model innovation: opportunities and barriers //Long range planning. 2010. Т. 43. № 2. С. 354-363.

118. Перспективы цифровизации производства отечественного наукоемкого предприятия / Л.Г. Попович, О.М. Юсуфова, Ю.В. Зимина // Экономика и предпринимательство. 2017. № 12. С. 691-700.

119. Дроговоз П.А., Юсуфова О.М. Анализ зарубежной практики государственного регулирования реализации НИОКР при создании инновационной продукции // Экономика и предпринимательство. 2017. № 3. С.200-205.

120. Белов М.В. Системноинженерные и экономические аспекты управления жизненным циклом // Управление большими системами: сборник трудов. 2015. №. 56. С. 6-65.

121. Левенчук А. Системное мышление. М.: Издательские решения. 2018.

440 с.

122. "BABOK Guide - IIBA [Электронный ресурс] // International Institute of Business Analysis". www.iiba.org. Retrieved 2015-10-20. (Дата обращения: 19.11.2018)

123. Ways to think about machine learning. [Электронный ресурс] / Evans B/ https://www.ben-evans.com/benedictevans/2018/06/22/ways-to-think-about-machine-learning-8nefy (Дата обращения: 19.11.2018)

124. Уже не black box. Новые возможности в машинном обучении (и как бизнесу их использовать). [Электронный ресурс] / Никитин Е.А. https://rb.ru/opinion/uzhe-ne-black-box/ (Дата обращения: 19.11.2018)

125. Почему ваш проект по машинному обучению может потерпеть неудачу: как этого избежать. [Электронный ресурс] / Азаров А.А. https://rb.ru/opinion/proekt-po-ml/ (Дата обращения: 19.11.2018)

126. Остервальдер А. Построение бизнес-моделей: настольная книга стратега и новатора / Александр Остервальдер, Ив Пинье; Пер. с англ. 9-е изд. М.: Аль-пина паблишер, 2018. 288 с.

127. CRISP-DM, still the top methodology for analytics, data mining, or data science projects. [Электронный ресурс] // Machine Learning, Data Science, Data Mining,

Big Data, Analytics, AI. https://www.kdnuggets.com/2014/10/crisp-dm-top-methodol-ogy-analytics-data-mining-data-science-projects.html (Дата обращения: 19.11.2018)

128. Step-by-step data mining guide. [Электронный ресурс] / SPSS // At The Modeling Agency, LLC. https://www.the-modeling-agency.com/crisp-dm.pdf (Дата обращения: 19.11.2018)

129. Шваб, Клаус. Технологии четвертой промышленной революции. Москва: Эксмо, 2018. 320 с.

Приложение А.

Исходный код для программной реализации инструментария в MATLAB

%функция построения компонентной плоскости

%function [ ] = complane( ha,hb, C, tab, Lb, Mn,flaqp, flaqframe,flaqsubplot, tit ) function [ ] = complane( ha,hb, C, tab, Lb, Mn,flaqp, flaqframe, flaqsubplot,tit ) %ввод первичных данных %формирование обучающей выборки if hb>ha d0=ha; ha=hb; hb=d0; end

tmax=max(abs(tab));

tmin=min(tab);

t1=max(tab);

nn=28;

rad=Mn/2/nn;

R=Mn/sqrt(3)/nn;

%axes(Parent,figure,YTick,[-hb:2:0]); if flaqsubplot==1 if ha>hb

figure(Position, [20, 100, (ha+round((65-ha)/100*Mn))*Mn, (hb+round((24-

hb)/100*Mn))*Mn])

else

figure(Position, [20, 100, (ha+round((30-ha)/100*Mn))*Mn, (hb+round((40-ha)/100 *Mn))*Mn]) end end

rgb(1:ha*hb, 1:3)=0;

switch flaqp % инициализация системы координат case 1

rgb(1, 1:3)=[0.75 0.75 0.75]; case 2

rgb(1, 1:3)=[0.8 0.65 0.85]; case 3

rgb(1, 1:3)=[0 1 1]; case 4

rgb(1, 1:3)=[0 1 0]; case 5

rgb(1, 1:3)=[0 1 0]; otherwise rgb(1, 1:3)=[1 0.98 0.98]; end % автоконфигурирование параметров for m=1:1:length(tab) % формирование цвета %if mod(C(m,1),2)~=0 % dd=0.5 % else % dd=0; % end

switch flaqp % конфигурирование параметров визуализации %формирование цветовой палитры case 1 % активация фильтра №1 c=1 -abs(tab(m)/tmax); if c<=0.295 % высветление

c=0.295; end

rgb(ha*(C(m, 1)-1 )+C(m,2),1:3)=[c c c];

%plot(C(m,2)+dd, -C(m,1), MarkerFaceColor,rgb(,:),Mark-

erSize,Mn,Marker,s,Color,rgb(,:)); case 2 % активация фильтра №2 sw =round((tab(m)/tmax)*10); switch sw

case 0 % активация фильтра №2

rgb(ha*(C(m,1)-1 )+C(m,2),1:3)=[0.8 0.65 0.85]; case 1 % активация фильтра №2 rgb(ha*(C(m,1)-1 )+C(m,2),1:3)=[0.5 0.8 0.85]; case 2 % активация фильтра №2 rgb(ha*(C(m,1)-1 )+C(m,2),1:3)=[0 1 1]; case 3 % активация фильтра №2 rgb(ha*(C(m,1)-1 )+C(m,2),1:3)=[0.7 1 1]; case 4 % м активация фильтра №2 rgb(ha*(C(m,1)-1 )+C(m,2),1:3)=[0.5 1 0.5]; case 5 % активация фильтра №2 rgb(ha*(C(m,1)-1 )+C(m,2),1:3)=[0 1 0]; case 6 % активация фильтра №2 rgb(ha*(C(m,1)-1 )+C(m,2),1:3)=[0.8 1 0]; case 7 % активация фильтра №2 rgb(ha*(C(m,1)-1 )+C(m,2),1:3)=[1 1 0]; case 8 % активация фильтра №2 rgb(ha*(C(m,1)-1 )+C(m,2),1:3)=[1 0.65 0]; case 9 % активация фильтра №2 rgb(ha*(C(m,1)-1 )+C(m,2),1:3)=[1 0.45 0.1]; case 10 % активация фильтра №2 rgb(ha*(C(m, 1)-1 )+C(m,2),1:3)=[1 0.23 0.0]; otherwise

rgb(ha* (C(m,1)-1 )+C(m,2),1:3)=[1 0.8 0.6];

end

case 3 %CY-R c= 1 -abs(tab(m)/tmax); rgb(ha*(C(m,1)-1 )+C(m,2),1:3)=[1-c c c]; case 4 %G-R c=1 -abs(tab(m)/tmax); rgb(ha*(C(m,1)-1 )+C(m,2),1:3)=[1-c c 0]; case 5 %G-M

c=1 -abs(tab(m)/tmax); rgb(ha*(C(m,1)-1 )+C(m,2),1:3)=[c 1-c c]; case 6 % активация фильтра №6 sw =round((tab(m)/tmax)* 10); switch sw

case 0 % активация фильтра №6

rgb(ha*(C(m,1)-1 )+C(m,2),1:3)=[0.75 1 1]; case 1 % активация фильтра №6 rgb(ha*(C(m,1)-1 )+C(m,2),1:3 )=[0.6 1 1]; case 2 % активация фильтра №6 rgb(ha*(C(m,1)-1 )+C(m,2),1:3)=[0.8 0.85 1]; case 3 % активация фильтра №6 rgb(ha*(C(m,1)-1 )+C(m,2),1:3)=[0.7 0.75 1]; case 4 % активация фильтра №6 rgb(ha*(C(m,1)-1 )+C(m,2),1:3)=[0.6 0.7 1]; case 5 % активация фильтра №6% rgb(ha*(C(m,1)-1 )+C(m,2),1:3)=[0.5 0.6 1]; case 6 % активация фильтра №6 rgb(ha*(C(m,1)-1 )+C(m,2),1:3)=[0.4 0.5 1]; case 7 % активация фильтра №6% rgb(ha*(C(m,1)-1 )+C(m,2),1:3)=[0.3 0.43 1];

case 8 % активация фильтра №6 rgb(ha*(C(m,1)-1 )+C(m,2),1:3)=[0.2 0.4 1]; case 9 % активация фильтра №6 rgb(ha*(C(m,1)-1 )+C(m,2),1:3)=[0.2 0.2 1]; case 10 % активация фильтра №6 rgb(ha*(C(m, 1)-1 )+C(m,2),1:3)=[0 0 0.80]; %[0 0 0.4] otherwise

rgb(ha* (C(m,1)-1 )+C(m,2),1:3)=[1 0.8 0.6];

end

case 7 % активация фильтра №7

sw=round(tab(m)); switch sw

case 1

rgb(ha*(C(m,1)-1)+C(m,2),1:3)=[0 1 0]; % активация фильтра №7 case 2

rgb(ha*(C(m,1)-1 )+C(m,2),1:3)= [0 0.9 0.9]; % активация фильтра №7 case 3

rgb(ha*(C(m,1)-1 )+C(m,2),1:3)= [0.99 0.1 0]; % активация фильтра №7 case 4

rgb(ha*(C(m,1)-1 )+C(m,2),1:3)= [1 0.9 0]; % активация фильтра №7 case 5

rgb(ha*(C(m,1)-1 )+C(m,2),1:3)= [0.5 0.5 0.5]; % активация фильтра №7 case 6

rgb(ha*(C(m,1)-1)+C(m,2),1:3)=[1 0 1]; % активация фильтра №7 case 7

rgb(ha*(C(m,1)-1 )+C(m,2),1:3)=[0.9 0.8 0.5]; % активация фильтра №7 case 8

rgb(ha*(C(m,1)-1 )+C(m,2),1:3)=[0.8 0 0]; % активация фильтра №7 case 9

rgb(ha*(C(m,1)-1 )+C(m,2),1:3)=[0.8 0.5 0.4]; % активация фильтра №7 case 10

rgb(ha*(C(m,1)-1)+C(m,2),1:3)= [1.0 0.6 0]; % активация фильтра №7 case 11

rgb(ha*(C(m,1)-1 )+C(m,2),1:3 )= [0.8 0.8 0]; % активация фильтра №7 case 12

rgb(ha*(C(m,1)-1 )+C(m,2),1:3 )= [0.0 0.8 0.65]; % активация фильтра №7 case 13

rgb(ha*(C(m,1)-1 )+C(m,2),1:3 )= [0.89 0.6 0.8]; % активация фильтра №7 case 14

rgb(ha*(C(m,1)-1)+C(m,2),1:3)= [0 0 0.6]; % активация фильтра №7 otherwise

rgb(ha*(C(m,1)-1)+C(m,2),1:3)=[1 1 1]; % активация фильтра №7 end

case 8 % карта отклонений %sw =round((tab(m)/tmax)* 10); sw=tab(m); switch sw

case -100 % активация фильтра №8

rgb(ha*(C(m,1)-1 )+C(m,2),1:3)=[0.4 0.99 0.4]; case -90 % активация фильтра №8

rgb(ha*(C(m,1)-1 )+C(m,2),1:3)=[0.6 0.99 0.6]; case -80 % активация фильтра №8 rgb(ha*(C(m,1)-1 )+C(m,2),1:3)=[0.6 1.0 0.8]; case -70 % активация фильтра №8 rgb(ha*(C(m,1)-1 )+C(m,2),1:3)=[0.4 1.0 0.8]; case -60 % активация фильтра №8 rgb(ha*(C(m,1)-1 )+C(m,2),1:3)=[0.2 1.0 0.8]; case -50 % активация фильтра №8

rgb(ha*(C(m,1)-1 )+C(m,2),1:3)=[0.0 1.0 0.9]; case -40 % активация фильтра №8 rgb(ha*(C(m,1)-1 )+C(m,2),1:3)=[0.2 1 1]; case -30 % активация фильтра №8

rgb(ha*(C(m,1)-1 )+C(m,2),1:3)=[0.4 1 1]; case -20 % активация фильтра №8 rgb(ha*(C(m,1)-1 )+C(m,2),1:3)=[0.6 1 1]; case -10 % активация фильтра №8 rgb(ha*(C(m,1)-1 )+C(m,2),1:3)=[0.8 1 1]; case 0 % активация фильтра №8 rgb(ha*(C(m,1)-1 )+C(m,2),1:3)=[1.0 1.0 1]; case 10 % активация фильтра №8 rgb(ha*(C(m,1)-1 )+C(m,2),1:3)=[0.99 0.99 0.8]; case 20 % активация фильтра №8% rgb(ha*(C(m,1)-1 )+C(m,2),1:3)=[0.99 0.99 0.6]; case 30 % активация фильтра №8 rgb(ha*(C(m,1)-1 )+C(m,2),1:3)=[0.99 0.99 0.4]; case 40 % активация фильтра №8% rgb(ha*(C(m,1)-1 )+C(m,2),1:3)=[0.99 0.99 0.2]; case 50 % активация фильтра №8 rgb(ha*(C(m,1)-1 )+C(m,2),1:3)=[0.99 0.99 0.0]; case 60 % активация фильтра №8 rgb(ha*(C(m,1)-1 )+C(m,2),1:3)=[0.99 0.8 0.4]; case 70 % активация фильтра №8 rgb(ha*(C(m,1)-1 )+C(m,2),1:3)=[0.99 0.8 0.2]; case 80 % активация фильтра №8 rgb(ha*(C(m, 1)-1 )+C(m,2),1:3)=[0.99 0.6 0.0]; case 90 % активация фильтра №8 rgb(ha*(C(m,1)-1 )+C(m,2),1:3)=[0.99 0.4 0.2];

case 100 % активация фильтра №8 rgb(ha*(C(m,1)-1 )+C(m,2),1:3)=[0.99 0.4 0.0]; otherwise

rgb(ha*(C(m,1)-1 )+C(m,2),1:3)=[0.8 0.8 0.8];

end

case 9 % карта отклонений активация фильтра №9 %sw =round((tab(m)/tmax)*10); sw=tab(m); switch sw case -100 % активация фильтра №9

rgb(ha*(C(m,1)-1 )+C(m,2),1:3)=[0.3 0.3 0.3]; case -90 % активация фильтра №9

rgb(ha*(C(m,1)-1 )+C(m,2),1:3)=[0.4 0.4 0.4]; case -80 % активация фильтра №9 rgb(ha*(C(m,1)-1 )+C(m,2),1:3)=[0.44 0.44 0.44]; case -70 % активация фильтра №9 rgb(ha*(C(m,1)-1 )+C(m,2),1:3)=[0.48 0.48 0.48]; case -60 % активация фильтра №9 rgb(ha*(C(m,1)-1 )+C(m,2),1:3)=[0.55 0.55 0.55]; case -50 % активация фильтра №9 rgb(ha*(C(m,1)-1 )+C(m,2),1:3)=[0.6 0.6 0.6]; case -40 % активация фильтра №9 rgb(ha*(C(m,1)-1 )+C(m,2),1:3)=[0.65 0.65 0.65]; case -30 % активация фильтра №9

rgb(ha*(C(m,1)-1 )+C(m,2),1:3)=[0.7 0.7 0.7]; case -20 % активация фильтра №9 rgb(ha*(C(m,1)-1 )+C(m,2),1:3)=[0.72 0.72 0.72]; case -10 % активация фильтра №9 rgb(ha*(C(m,1)-1 )+C(m,2),1:3)=[0.74 0.74 0.74];

case 0 % активация фильтра №9 rgb(ha*(C(m,1)-1 )+C(m,2),1:3)=[0.77 0.77 0.77]; case 10 % активация фильтра №9 rgb(ha*(C(m,1)-1 )+C(m,2),1:3)=[0.8 0.8 0.8]; case 20 % активация фильтра №9 rgb(ha*(C(m,1)-1 )+C(m,2),1:3)=[0.83 0.83 0.83]; case 30 % активация фильтра №9 rgb(ha*(C(m,1)-1 )+C(m,2),1:3)=[0.86 0.86 0.86]; case 40 % активация фильтра №9 rgb(ha*(C(m,1)-1 )+C(m,2),1:3)=[0.89 0.89 0.89]; case 50 % активация фильтра №9 rgb(ha*(C(m,1)-1 )+C(m,2),1:3 )=[0.91 0.91 0.91]; case 60 % активация фильтра №9 rgb(ha*(C(m,1)-1 )+C(m,2),1:3)=[0.93 0.93 0.93]; case 70 % активация фильтра №9 rgb(ha*(C(m,1)-1 )+C(m,2),1:3)=[0.95 0.95 0.95]; case 80 % активация фильтра №9 rgb(ha*(C(m,1)-1 )+C(m,2),1:3)=[0.97 0.97 0.97]; case 90 % активация фильтра №9 rgb(ha*(C(m,1)-1 )+C(m,2),1:3)=[0.99 0.99 0.99]; case 100 % активация фильтра №9 rgb(ha*(C(m, 1)-1 )+C(m,2),1:3)=[0.999 0.999 0.999]; otherwise

rgb(ha*(C(m,1)-1 )+C(m,2),1:3)=[0.8 0.8 0.8];

end

case 10 %CY-R c=1 -abs(tab(m)/tmax); rgb(ha*(C(m,1)-1 )+C(m,2),1:3)=[c 1-c 1-c]; case 11 %R-G

c=1 -abs(tab(m)/tmax); rgb(ha*(C(m,1)-1 )+C(m,2),1:3)=[c 1-c 0]; case 12 % активация фильтра №12 c=abs(tab(m)/tmax); if c<=0.235 % высветление

c=0.235; end

rgb(ha*(C(m, 1)-1 )+C(m,2),1:3)=[c c c]; case 13 % палитра простых цветов sw=round(tab(m)); switch sw

case 0

rgb(ha*(C(m,1)-1 )+C(m,2),1:3)= [0.95 0.95 0.95]; % активация фильтра №13 case 1

rgb(ha*(C(m,1)-1 )+C(m,2),1:3 )=[0 1 0]; % активация фильтра №13 case 2

rgb(ha*(C(m,1)-1 )+C(m,2),1:3)= [0 0.9 0.9]; % активация фильтра №13 case 3

rgb(ha*(C(m,1)-1 )+C(m,2),1:3)= [1 0.9 0]; % активация фильтра №13 case 4

rgb(ha*(C(m,1)-1 )+C(m,2),1:3)= [0.99 0.1 0]; % активация фильтра №13 case 5

rgb(ha*(C(m,1)-1 )+C(m,2),1:3)= [0.99 0.5 0.0]; % активация фильтра №13 end

end

%if C(m,2)==1 % сохраняем все непустые первые %zfrst(C(m,1))=m %end %hold on

%text (C(m,2)-(round(1.25*Mn)/100)+dd, -C(m,1), Lb(m)); end

%заполнение пустых ячеек %разбираемся с первыми for i=2:1:ha*hb

if rgb(i,:)==[0 0 0];% если пустая

if mod((i-1),ha)==0; %если первая в строке

rgb(i,:)=rgb(i-ha,:); else

rgb(i,:)=rgb(i-1,:); end end

end

%рисование карты if flaqframe==0 for k=1:1:ha*hb; i=mod(k-1,ha)+1; j=(k-i)/ha+1; if mod(j,2)==0 dd=1*rad; %dy=R/4; else dd=0; %dy=0; end

dy=-(j-1)*R/4;

patch([i+rad+dd, i+rad+dd, i+dd, i-rad+dd, i-rad+dd, i+dd], -1*[j+R/2+dy, j-R/2+dy, j-R+dy, j-R/2+dy, j+R/2+dy, j+R+dy], rgb(k,:),EdgeColor,rgb(k,:))

%plot(i+dd, -j, MarkerFaceColor,rgb(k,:),MarkerSize,Mn,Marker,s,Color,[0 0 0]); hold on end else

for k=1:1:ha*hb; i=mod(k-1,ha)+1; j=(k-i)/ha+1; if mod(j,2)==0 dd=1*rad; %dy=R/4; else dd=0; %dy=0; end

dy=-(j-1)*R/4;

patch([i+rad+dd, i+rad+dd, i+dd, i-rad+dd, i-rad+dd, i+dd], -1*[j+R/2+dy, j-R/2+dy, j-R+dy, j-R/2+dy, j+R/2+dy, j+R+dy], rgb(k,:))

%plot(i+dd, -j, MarkerFaceColor,rgb(k,:),MarkerSize,Mn,Marker,s,Color,[0 0 0]);

hold on

end

end% цветовое кодирование % метки

for m=1:1 :length(tab) %i=mod(C(m,2)-1,ha)+1 %j=(m-i)/ha+1; if mod(C(m,1),2)==0 dd=1*rad;

else dd=0;

end

dy=(C(m,1)-1)*R/4;

if length(cell2mat(Lb(m)))>2 %двигаем абциссу подписи нейронов в зависимости от длины слова

text (C(m,2)-rad/2+dd-length(Lb(m))/5, -C(m,1)+dy, Lb(m)); else

text (C(m,2)-rad/2+dd, -C(m,1)+dy, Lb(m)); end end

xlim([ -0 ha+1 ]); ylim([-hb 0]);

xlabel(strcat(num2str(ha), x, num2str(hb))) %ylabel(strcat(min=, num2str(tmin), —max=, num2str(t1) )) grid on

if strcmp(tit,none)%&flaqsubplot==1 else

title(tit) end

% плашка мин-макс

if flaqp~=0 & flaqp~=2& flaqp~=13 %установка метки в первичной карте и в класте-

рограмме

dlr=4;

R=R/dlr;

rad=rad/dlr;

j=hb+1-0.5;

lng=10;

if mod(ha,2)==0

h=ha/2; else

h=ha/2+0.5; end

text(h-(lng+5)*rad,-(j+R),min) % отображение условных обозначений

text(h-lng*rad+lng/dlr+dd+0.2,-(j+R),max)

switch flaqp

case 1 for k=0:1:10 i=h-lng*rad+k/dlr; c=1-k/lng;

patch([i+rad+dd, i+rad+dd, i+dd, i-rad+dd, i-rad+dd, i+dd], -1*[j+R/2+rad, j-R/2+rad, j-

R+rad, j-R/2+rad, j+R/2+rad, j+R+rad], [c c c],EdgeColor,[c c c]);

end

case 3 %CY-R for k=0:1:10 i=h-lng*rad+k/dlr; c=1-k/lng;

patch([i+rad+dd, i+rad+dd, i+dd, i-rad+dd, i-rad+dd, i+dd], -1*[j+R/2+rad, j-R/2+rad, j-

R+rad, j-R/2+rad, j+R/2+rad, j+R+rad], [1-c c c],EdgeColor,[1-c c c]);

end

case 4 for k=0:1:10 i=h-lng*rad+k/dlr; c=1-k/lng;

patch([i+rad+dd, i+rad+dd, i+dd, i-rad+dd, i-rad+dd, i+dd], -1*[j+R/2+rad, j-R/2+rad, j-

R+rad, j-R/2+rad, j+R/2+rad, j+R+rad], [1-c c 0],EdgeColor,[1-c c 0]);

end

case 6 %схожесть

for k=0:1:10 i=h-lng*rad+k/dlr; switch k

case 0 % активация фильтра №6

rgb=[0.75 1 1]; case 1 % активация фильтра №6 rgb=[0.6 1 1];

case 2 % активация фильтра №6 rgb=[0.8 0.85 1];

case 3 % активация фильтра №6 rgb=[0.7 0.75 1];

case 4 % активация фильтра №6 rgb=[0.6 0.7 1];

case 5 % активация фильтра №6% rgb=[0.5 0.6 1];

case 6 % активация фильтра №6 rgb=[0.4 0.5 1];

case 7 % активация фильтра №6% rgb=[0.3 0.43 1]; case 8 % активация фильтра №6 rgb=[0.2 0.4 1];

case 9 % активация фильтра №6 rgb=[0.2 0.2 1];

case 10 % активация фильтра №6 rgb=[0 0 0.85]; otherwise rgb=[1 0.8 0.6];

end

patch([i+rad+dd, i+rad+dd, i+dd, i-rad+dd, i-rad+dd, i+dd], -1*[j+R/2+rad, j-R/2+rad, j-

R+rad, j-R/2+rad, j+R/2+rad, j+R+rad], rgb,EdgeColor,rgb);

end

case 8 %отклонения

lng=20; for k=0:1:lng i=h-lng*rad+k/dlr; switch -100+k*10

case -100 % активация фильтра №8 rgb=[0.4 0.99 0.4]; case -90 % активация фильтра №8

rgb=[0.6 0.99 0.6]; case -80 % активация фильтра №8 rgb=[0.6 1.0 0.8];

case -70 % активация фильтра №8 rgb=[0.4 1.0 0.8];

case -60 % активация фильтра №8 rgb=[0.2 1.0 0.8];

case -50 % активация фильтра №8 rgb=[0.0 1.0 0.9];

case -40 % активация фильтра №8 rgb=[0.2 1 1]; case -30 % активация фильтра №8

rgb=[0.4 1 1]; case -20 % активация фильтра №8 rgb=[0.6 1 1];

case -10 % активация фильтра №8 rgb=[0.8 1 1];

case 0 % активация фильтра №8

rgb=[1.0 1.0 1];

case 10 % активация фильтра №8 rgb=[0.99 0.99 0.8]; case 20 % активация фильтра №8 rgb=[0.99 0.99 0.6]; case 30 % активация фильтра №8 rgb=[0.99 0.99 0.4]; case 40 % активация фильтра №8 rgb=[0.99 0.99 0.2]; case 50 % активация фильтра №8 rgb=[0.99 0.99 0.0]; case 60 % активация фильтра №8 rgb=[0.99 0.8 0.4]; case 70 % активация фильтра №8 rgb=[0.99 0.8 0.2]; case 80 % активация фильтра №8 rgb=[0.99 0.6 0.0]; case 90 % активация фильтра №8 rgb=[0.99 0.4 0.2]; case 100 % активация фильтра №8 rgb=[0.99 0.4 0.0]; otherwise rgb=[0.8 0.8 0.8];

end

patch([i+rad+dd, i+rad+dd, i+dd, i-rad+dd, i-rad+dd, i+dd], -1*[j+R/2+rad, j-R/2+rad, j-

R+rad, j-R/2+rad, j+R/2+rad, j+R+rad], rgb,EdgeColor,rgb);

end

case 9 %отклонения lng=20;

for k=0:1:lng i=h-lng*rad+k/dlr; switch -100+k*10

case -100 % активация фильтра №9

rgb=[0.3 0.3 0.3]; case -90 % активация фильтра №9

rgb=[0.4 0.4 0.4]; case -80 % активация фильтра №9 rgb=[0.44 0.44 0.44]; case -70 % активация фильтра №9 rgb=[0.48 0.48 0.48]; case -60 % активация фильтра №9 rgb=[0.55 0.55 0.55]; case -50 % активация фильтра №9 rgb=[0.6 0.6 0.6];

case -40 % активация фильтра №9 rgb=[0.65 0.65 0.65]; case -30 % активация фильтра №9

rgb=[0.7 0.7 0.7]; case -20 % активация фильтра №9 rgb=[0.72 0.72 0.72]; case -10 % активация фильтра №9 rgb=[0.74 0.74 0.74]; case 0 % активация фильтра №9 rgb=[0.77 0.77 0.77]; case 10 % активация фильтра №9 rgb=[0.8 0.8 0.8]; case 20 % активация фильтра №9 rgb=[0.83 0.83 0.83];

case 30 % активация фильтра №9 rgb=[0.86 0.86 0.86]; case 40 % активация фильтра №9 rgb=[0.89 0.89 0.89]; case 50 % активация фильтра №9 rgb=[0.91 0.91 0.91]; case 60 % активация фильтра №9 rgb=[0.93 0.93 0.93]; case 70 % активация фильтра №9 rgb=[0.95 0.95 0.95]; case 80 % ч активация фильтра №9 rgb=[0.97 0.97 0.97]; case 90 % активация фильтра №9 rgb=[0.99 0.99 0.99]; case 100 % активация фильтра №9 rgb=[0.999 0.999 0.999]; otherwise rgb=[0.8 0.8 0.8];

end

patch([i+rad+dd, i+rad+dd, i+dd, i-rad+dd, i-rad+dd, i+dd], -1*[j+R/2+rad, j-R/2+rad, j-

R+rad, j-R/2+rad, j+R/2+rad, j+R+rad], rgb,EdgeColor,rgb);

end

case 10 %R-CY for k=0:1:10 i=h-lng*rad+k/dlr; c=1-k/lng;

patch([i+rad+dd, i+rad+dd, i+dd, i-rad+dd, i-rad+dd, i+dd], -1*[j+R/2+rad, j-R/2+rad, j-

R+rad, j-R/2+rad, j+R/2+rad, j+R+rad], [c 1-c 1-c],EdgeColor,[c 1-c 1-c]);

end

case 11 %R-G for k=0:1:10 i=h-lng*rad+k/dlr; c=1-k/lng;

patch([i+rad+dd, i+rad+dd, i+dd, i-rad+dd, i-rad+dd, i+dd], -1*[j+R/2+rad, j-R/2+rad, j-

R+rad, j-R/2+rad, j+R/2+rad, j+R+rad], [c 1-c 0],EdgeColor,[c 1-c 0]);

end

case 12 % for k=0:1:10 i=h-lng*rad+k/dlr; c=k/lng;

patch([i+rad+dd, i+rad+dd, i+dd, i-rad+dd, i-rad+dd, i+dd], -1*[j+R/2+rad, j-R/2+rad, j-

R+rad, j-R/2+rad, j+R/2+rad, j+R+rad], [c c c],EdgeColor,[c c c])

end %вывод итоговых параметров

end % вывод РНСК

end

end

Приложение Б.

Исходные данные для исследования макроэкономических систем

Страна PDI IDV MAS UAI PRA IND KEI EDE EDI SRI

1 2 3 4 5 6 7 8 9 10 11

Albania 90 20 80 70 61 15 4,53 0 0,72 0

Angola 83 18 20 60 15 83 1,08 3,4 0,42 0

Argentina 49 46 56 86 20 62 5,43 6 0,81 42454

Australia 36 90 61 51 21 71 8,88 5,1 0,98 118145

Austria 11 55 79 70 60 63 8,61 5,5 0,86 42891

Bangladesh 80 20 55 60 47 20 1,49 2,2 0,42 0

Belgium 65 75 54 94 82 57 8,71 6,4 0,88 52253

Bhutan 94 52 32 28 -1 -1 0 4 0,452 0

Brazil 69 38 49 76 44 59 5,58 5,7 0,66 157595

Bulgaria 70 30 40 85 69 16 6,8 4,4 0,8 15647

Burkina Faso 70 15 50 55 27 18 1,91 4 0,19 0

Canada 39 80 52 48 36 68 8,92 4,8 0,93 199060

Cape Verde 75 20 15 40 12 83 3,59 5,6 0,43 0

Chile 63 23 28 86 31 68 7,21 4,5 0,8 0

China 80 20 66 30 87 24 4,37 0 0,62 1152617

Colombia 67 13 64 80 13 83 4,94 4,8 0,67 0

Croatia 73 33 40 80 58 33 7,29 4,3 0,78 0

Czechia 57 58 57 74 70 29 8,14 4,5 0,92 0

Denmark 18 74 16 23 35 70 9,16 8,7 0,92 42687

Dominican Rep. 65 30 65 45 13 54 4,05 2,2 0,62 0

Ecuador 78 8 63 67 30 55 3,72 0 0,69 0

Egypt 70 25 45 80 7 4 3,78 3,8 0,56 49400

El Salvador 66 19 40 94 20 89 4,17 3,2 0,64 0

Estonia 40 60 30 60 82 16 8,4 5,7 0,92 4735

Ethiopia 70 20 65 55 30 20 1,27 4,7 0,24 0

Fiji 78 14 46 48 -1 -1 3,94 4,5 0,777 0

Finland 33 63 26 59 38 57 9,33 6,8 0,88 58281

France 68 71 43 86 63 48 8,21 5,9 0,87 348714

Germany 35 67 66 65 83 40 8,9 4,6 0,93 470729

Страна PDI IDV MAS UAI PRA IND KEI EDE EDI SRI

1 2 3 4 5 6 7 8 9 10 11

Ghana 80 15 40 65 4 72 2,72 5,5 0,57 0

Greece 60 35 57 100 45 50 7,51 0 0,86 32000

Hong Kong 68 25 57 29 61 17 8,52 3,6 0,84 0

Hungary 46 80 88 82 58 31 8,02 5,1 0,87 22826

Iceland 30 60 10 50 28 67 8,62 7,8 0,91 0

India 77 48 56 40 51 26 3,06 3,1 0,45 154800

Indonesia 78 14 46 48 62 38 3,11 3 0,58 0

Iran 58 41 43 59 14 40 3,91 4,7 0,64 54300

Iraq 95 30 70 85 25 17 0 0 0,49 0

Ireland 28 70 68 35 24 65 8,86 5,7 0,96 15713

Israel 13 54 47 81 38 35 8,14 5,8 0,91 55000

Italy 50 76 70 75 61 30 7,89 4,7 0,86 164026

Jamaica 45 39 68 13 23 85 5,65 6,1 0,77 0

Japan 54 46 95 92 88 42 8,28 3,8 0,88 896211

Jordan 70 30 45 65 16 43 4,95 0 0,71 0

Kenya 70 25 60 50 33 25 2,88 6,7 0,58 0

Kuwait 90 25 40 80 35 50 5,33 3,8 0,58 0

Latvia 44 70 9 63 69 13 7,8 5,7 0,88 5103

Lebanon 75 40 65 50 14 25 4,56 1,8 0,7 0

Libya 80 38 52 68 23 34 0 0 0,73 0

Lithuania 42 60 19 65 82 16 7,41 5,6 0,87 10557

Luxembourg 40 60 50 70 64 56 8,37 0 0,77 4318

Malawi 70 30 40 50 30 17 1,92 5,7 0,73 0

Malaysia 100 26 50 36 41 57 6,1 5,8 0,41 9700

Malta 56 59 47 96 47 66 7,88 5,8 0,8 0

Mexico 81 30 69 82 24 97 5,07 5,3 0,73 80685

Morocco 70 46 53 68 14 25 3,61 5,4 0,45 0

Mozambique 85 15 38 44 11 80 1,76 0 0,22 0