Нейро-нечеткий метод группового учета аргументов для поддержки принятия решений по управлению региональными социально-экономическими системами тема диссертации и автореферата по ВАК РФ 05.13.10, кандидат технических наук Бояринов, Юрий Геннадьевич

  • Бояринов, Юрий Геннадьевич
  • кандидат технических науккандидат технических наук
  • 2006, ТверьТверь
  • Специальность ВАК РФ05.13.10
  • Количество страниц 177
Бояринов, Юрий Геннадьевич. Нейро-нечеткий метод группового учета аргументов для поддержки принятия решений по управлению региональными социально-экономическими системами: дис. кандидат технических наук: 05.13.10 - Управление в социальных и экономических системах. Тверь. 2006. 177 с.

Оглавление диссертации кандидат технических наук Бояринов, Юрий Геннадьевич

Введение

1. Анализ современных методов поддержки принятия решений по управлению социально-экономическими системами f 1.1. Общая постановка задачи управления социально-экономическими системами на основе применения идентифицирующих математических моделей

1.2. Анализ существующих методов построения идентифицирующих моделей, используемых в системах поддержки принятия решений по управлению социально-экономическими системами

1.3. Предпосылки использования метода группового учета аргументов для поддержки принятия решений по управлению региональными социально-экономическими системами щ 1.4. Выводы

2. Разработка метода группового учета аргументов, использующего нейро-нечеткие частные модели

2.1. Общее описание разработанного нейро-нечеткого метода группового учета аргументов

2.2. Алгоритм реализации разработанного нейро-нечеткого метода группового учета аргументов для поддержки принятия решений по оперативному управлению региональными социально-экономическими системами

2.3. Алгоритм реализации разработанного нейро-нечеткого метода группового учета аргументов для поддержки принятия решений по стратегическому управлению региональными социально-экономическими системами

2.4. Выводы

3. Разработка программного обеспечения для управления региональными социально-экономическими системами на основе нейро-нечеткого метода группового учета аргументов

3.1. Универсальный программный модуль, реализующий разработанные алгоритмы применения нейро-нечеткого метода группового учета аргументов

3.2. Результаты имитационных вычислительных экспериментов по проверке характеристик разработанного нейро-нечеткого метода группового учета аргументов

3.3. Архитектура и режимы функционирования информационно-аналитической системы поддержки принятия решений по управлению региональными социально-экономическими системами

3.4. Выводы

4. Практическое применение разработанного нейро-нечеткого метода группового учета аргументов в системе поддержки принятия решений по управлению регионом

4.1. Методика использования нейро-нечеткого метода группового учета аргументов в системе поддержки принятия решений по управлению регионом

4.2. Интеграция программного модуля, реализующего разработанные алгоритмы применения нейро-нечеткого метода группового учета аргументов, в составе информационно-аналитической системы поддержки принятия решений по управлению Смоленской областью

4.3. Результаты практического применения нейро-нечеткого метода группового учета аргументов для поддержки принятия решений по управлению Смоленской областью

4.4. Выводы 151 Заключение

Список используемых источников

Рекомендованный список диссертаций по специальности «Управление в социальных и экономических системах», 05.13.10 шифр ВАК

Введение диссертации (часть автореферата) на тему «Нейро-нечеткий метод группового учета аргументов для поддержки принятия решений по управлению региональными социально-экономическими системами»

Переход Российской Федерации к устойчивому развитию невозможен без создания условий для устойчивого развития регионов. Это определяет необходимость повышения обоснованности принимаемых решений по управлению социально-экономическими системами регионального уровня на основе всестороннего анализа информации о состоянии внешней и внутренней среды региона. Известно, что региональные социально-экономические системы как объекты управления характеризуются многофакторностью, существенной нелинейностью функциональных зависимостей между факторами, активным влиянием на управляющую систему. В настоящее время для повышения эффективности регионального управления достаточно широко применяются системы поддержки принятия решений (СППР), использующие построение, анализ и применение математических моделей региональных социально-экономических систем или их отдельных подсистем.

Проблемы повышения эффективности регионального управления социально-экономическими системами на основе применения СППР, в составе математического обеспечения которых используются математические идентифицирующие модели, рассматривались в трудах С.А. Редкозубова, Ю.И. Журавлева, ЯЗ. Цыпкина, С.А. Айвазяна, B.C. Мхитаряна, В.Н. Буркова, В.Н. Кузнецова, А.А. Дорофеюка, В.Е. Баумана, В.А. Кострова, В.М. Лохина и др. Отдельным аспектам теории и практики построения идентифицирующих математических моделей сложных социально-экономических систем посвящены работы российских ученых Б.В. Палюха, А.В. Максимова, Н.А. Семенова, А.Н. Чохонелидзе и др.

В указанных работах в качестве одного из подходов к построению математических моделей сложных систем произвольной природы рассматривается метод группового учета аргументов (МГУА), предложенный академиком А.Г. Ивахненко и развитый в работах Ю.П. Юрачковского, Ю.П. Зайчен-ко, И.А. Мюллера, Г.А. Ивахненко. Целесообразность применения МГУА для построения моделей социально-экономических систем определяется его возможностью обеспечивать приемлемую ошибку прогнозирования в условиях многофакторности управляемого объекта и ограниченности объема обучающей выборки.

В то же время анализ современных региональных социально-экономических систем показал, что при принятии решений по управлению подобными системами на основе прогнозирования развития ситуации приходится учитывать большое количество взаимосвязанных факторов и управляющих воздействий, многие из которых не могут быть измерены при помощи метрических шкал. Следует также отметить, что в условиях слабой математической формализации некоторых региональных социально-экономических процессов и ограниченного объема статистических данных возрастает роль экспертной информации. Данные обстоятельства снижают эффективность применения известных вариантов реализации МГУА в составе математического и алгоритмического обеспечения СППР по управлению социально-экономическими системами регионального уровня.

Как представляется, минимизировать указанные недостатки МГУА возможно на основе применения при построении частых моделей аппарата нечетко-логических (гибридных) нейронных сетей, предложенных в работах Алтунина А.Е., Асаи К., Борисова В.В., Верескова С.К., Дорохова И.Н., Ко-марцовой Л.Г., Кофмана А., Круглова В.В., Кузьмина В.Б., Леоненкова А.В., Орловского С.А., Осовского С., Поспелова Д.А, Регеджа Р.К., Семухи-на М.В., Сугено М., Терано Т., Федорова В.В. и других отечественных и зарубежных ученых.

В связи с этим возникает актуальная научная задача разработки нейро-нечёткого метода группового учета аргументов для поддержки принятия решений по управлению региональными социально-экономическими системами, использующего нейро-нечеткие частные модели, позволяющие учитывать экспертную информацию при селекции факторов внутренней и внешней среды, представленных в количественной и качественной форме, что имеет существенное значение для повышения эффективности регионального управления.

Основные разделы диссертации выполнялись в рамках комплексных программ социально-экономического развития Смоленской области 20012004 г.г. и 2005-2008 г.г., и их содержание соответствует перечню критических технологий, определяемых политикой РФ в области науки и техноло гии на период до 2010 г. - «Компьютерное моделирование» и «Искусственный интеллект».

Цель работы: разработать нейро-нечёткий метод группового учета аргументов, использующего нейро-нечеткие частные модели, и методику его применения в составе СППР по управлению региональными социально-экономическими системами, позволяющую повысить эффективность регионального управления.

Для реализации указанной цели были поставлены и решены следующие основные задачи: ^ 1. Анализ современного состояния исследований в области применения математических моделей в составе СППР по управлению социально-экономическими системами и обоснование предпосылок применения МГУА в процессе управления региональными системами.

2. Разработка нейро-нечеткого метода группового учета аргументов для построения на основе ретроспективной, текущей и экспертной информации идентифицирующих моделей управления сложными социально-экономическими системами.

3. Разработка алгоритма интеллектуальной поддержки принятия оперативных решений по управлению региональными социально-экономическими системами на основе реализации нейро-нечеткого метода группового учета аргументов.

4. Разработка алгоритма интеллектуальной поддержки принятия стратегических решений по управлению региональными социально-экономическими системами, позволяющего осуществлять обработку информации о состоянии внешней и внутренней среды, представленной при помощи шкал различного типа.

5. Разработка архитектуры информационно-аналитической системы поддержки принятия решений по управлению региональными социально-экономическими системами, использующей нейро-нечеткий метод группового учета аргументов, и методики её применения.

6. Выработка практических рекомендаций по применению результатов диссертационного исследования в СППР по управлению Смоленской областью.

Объектом исследования являются региональные социально-экономические системы.

Предметом исследования является процесс управления региональными социально-экономическими системами на основе применения информационных СППР, в состав которых входят математические модели.

Теоретической и методологической базой исследования являются системный подход к анализу и управлению социально-экономическими объектами и процессами, теории управления, идентификации и математического моделирования, известные варианты МГУА, теории нечеткой логики и искусственных нейронных сетей, научные положения и выводы, сформулированные в трудах отечественных и зарубежных ученых по теории управления социальными и экономическим системами.

Информационной базой исследования являются данные Госкомстата РФ, отчетные данные департаментов Администрации Смоленской области и г. Смоленска.

Наиболее существенные научные результаты, полученные автором.

1. Разработан нейро-нечеткий метод группового учета аргументов для построения на основе ретроспективной, текущей и экспертной информации идентифицирующих моделей управления сложными социально-экономическими системами с целью повышения эффективности их функционирования. Метод отличается от известных возможностью использования нейро-нечетких сетей в качестве частных моделей МГУА, что позволяет учитывать экспертную информацию при селекции факторов, оказывающих влияние на управляемую социально-экономическую систему.

2. Предложен алгоритм интеллектуальной поддержки принятия оперативных решений на основе реализации нейро-нечеткого метода группового учета аргументов, позволяющий осуществлять построение прогностических моделей региональных социально-экономических систем, что обеспечивает повышение точности прогноза последствий принимаемых решений по региональному управлению в условиях ограниченности исходной информации о состоянии внешней и внутренней среды.

3. Разработан алгоритм интеллектуальной поддержки принятия стратегических решений по управлению социально-экономическими системами, использующий комбинированный критерий баланса прогнозов, позволяющий на основе принципа самоорганизации и процедур обработки информации о состоянии внешней и внутренней среды, представленной при помощи шкал различного типа, учитывать динамику развития ситуации в долгосрочной и среднесрочной перспективе, что дает возможность вырабатывать управляющие воздействия с учетом их долговременных последствий.

4. На основе результатов вычислительных экспериментов определены условия, при выполнении которых предложенный нейро-нечеткий метод группового учета аргументов позволяет обеспечить более высокую точность идентифицирующих моделей управления сложными социально-экономическими системами, чем при применении других известных методов моделирования.

5. Разработана архитектура и методика применения информационно-аналитической СППР по управлению региональными социально-экономическими системами, использующие разработанный нейро-нечеткий метод группового учета аргументов и позволяющие учитывать активное влияние управляемой системы на процесс управления на основе интеграции информационных ресурсов региона.

Достоверность и обоснованность научных результатов, выводов и рекомендаций диссертации определяются корректным применением теории управления, идентификации и математического моделирования, нечеткой логики и искусственных нейронных сетей. Выводы и предложения диссертационного исследования не противоречат известным теоретическим и практическим результатам, содержащимся в трудах отечественных и зарубежных ^ ученых в области управления социальными и экономическими системами.

Научная новизна работы состоит в разработке нейро-нечеткого метода группового учета аргументов для построения на основе ретроспективной, текущей и экспертной информации идентифицирующих моделей управления сложными социально-экономическими системами с использованием нейро-нечетких сетей в качестве частных моделей МГУА, а также алгоритмов и методики его реализации в составе СППР по региональному управлению.

Значение полученных результатов для теории и практики.

Разработанные в диссертации нейро-нечеткий метод группового учета аргументов, алгоритмы интеллектуальной поддержки принятия решений на основе реализации нейро-нечеткого МГУА, архитектура и методика применения информационно-аналитической СППР по управлению региональными социально-экономическими системами, использующими разработанный нейро-нечеткий МГУА, вносят вклад в теорию и практику идентификации в организационных системах и применения методов и алгоритмов интеллектуальной поддержки принятия управленческих решений в экономических и социальных системах.

Сведения о реализации и целесообразности практического исполь-М зования результатов.

Разработанный нейро-нечеткий метод группового учета аргументов, алгоритмы интеллектуальной поддержки принятия решений на основе реализации нейро-нечеткого МГУА, а также архитектура и методика применения информационно-аналитической СППР практически используются в Администрации Смоленской области и Администрации г. Смоленска, что позволило повысить обоснованность принимаемых решений по управлению региональными и муниципальными социально-экономическим системами.

Методические и теоретические результаты диссертации используются в учебном процессе филиала Московского энергетического института (технического университета) в г. Смоленске.

Предложенный нейро-нечеткий метод группового учета аргументов и алгоритмы интеллектуальной поддержки принятия решений на основе реализации нейро-нечеткого МГУА могут найти широкое практическое применение в качестве математического и алгоритмического обеспечения информационных СППР по управлению социально-экономическими системами.

Разработанная архитектура и методика применения информационно-аналитической СППР по управлению региональными социально-экономическими системами, использующие разработанный нейро-нечеткий МГУА, могут быть использованы органами власти федерального, регионального и муниципального уровней при разработке специального математического и программного обеспечения систем поддержки принятия решений в социальных и экономических системах.

Апробация работы. Основные результаты диссертационной работы докладывались и обсуждались на: Международной научной конференции «Математические методы в интеллектуальных информационных системах» (Смоленск, 2002), VII Международной научной конференции «Системы компьютерной математики и их приложения» (Смоленск, 2006), V Всероссийской научно-практической конференции «Проблемы экономики, организации и управления предприятиями, отраслями, комплексами в разных сферах народного хозяйства» (Новочеркасск, 2006), межвузовской научно-методической конференции «Современные информационные технологии в экономике, управлении и образовании» (Смоленск, 2006), VI Международной научно-практической конференции «Моделирование. Теория, методы и средства» (Новочеркасск, 2006), а также на научных семинарах филиала МЭИ (ТУ) в г. Смоленске.

Публикации. По теме диссертации опубликовано 11 печатных работ общим объемом: 11,3 п.л., в том числе лично автору принадлежит 5,2 п.л. Структура и объем работы.

Диссертационная работа состоит из введения, четырех глав, заключения, списка литературы из 116 наименований и 4 приложений. Диссертация содержит 177 страниц машинописного текста, 44 рисунка и 12 таблиц.

Похожие диссертационные работы по специальности «Управление в социальных и экономических системах», 05.13.10 шифр ВАК

Заключение диссертации по теме «Управление в социальных и экономических системах», Бояринов, Юрий Геннадьевич

4.4. Выводы

К основным результатам диссертационного исследования, отраженным в текущей главе, относится следующее.

1. Разработана методика использования нейро-нечеткого метода • группового учета аргументов в системе поддержки принятия решений по управлению регионом.

Методика описывает основные этапы построения и использования ИАСППР по управлению регионом, включая этапы построения математических моделей социально-экономических систем с помощью алгоритмов нейро-нечеткого МГУА.

2. Разработана архитектура ИАСППР по региональному управлению, включающая подсистему, реализующую алгоритмы нейро-нечеткого МГУА.

Разработанная архитектура учитывает особенности организации центрального ядра информационно-аналитической системы Смоленской области, технологии обмена данными с внешними информационными системами и схемы движения информационных потоков в процессе принятия решений по управлению регионом.

3. Результаты использования нейро-нечетких моделей региональных социально-экономических систем в процессе управления Смоленской областью и г. Смоленском.

Разработанные в диссертации алгоритмы и программные средства использовались в ИАСППР по управлению Смоленской областью и г. ^ Смоленском для прогнозирования последствий принимаемых решений по реализации мероприятий по увеличению валового регионального продукта, уровня занятости, реальных доходов населения, а также решений в области здравоохранения, обеспечения населения жильем и демографической политики.

153

ЗАКЛЮЧЕНИЕ

В ходе диссертационного исследования были получены следующие основные результаты.

1. На основе проведенного анализа современного состояния исследований в области применения математических моделей в составе СППР по управлению социально-экономическим системами обоснованы предпосылки применения МГУА в процессе управления региональными системами.

2. Разработан нейро-нечеткий метод группового учета аргументов для построения на основе ретроспективной, текущей и экспертной информации идентифицирующих моделей управления сложными социально-экономическими системами с целью повышения эффективности их функционирования, отличающийся возможностью использования нейро-нечетких сетей в качестве частных моделей МГУА, что позволяет учитывать экспертную информацию при селекции факторов, оказывающих влияние на управляемую социально-экономическую систему.

3. Предложен алгоритм интеллектуальной поддержки принятия оперативных решений на основе реализации нейро-нечеткого метода группового учета аргументов, позволяющий осуществлять построение прогностических моделей региональных социально-экономических систем, что обеспечивает повышение точности прогноза последствий принимаемых решений по региональному управлению в условиях ограниченности исходной информации о состоянии внешней и внутренней среды.

4. Разработан алгоритм интеллектуальной поддержки принятия стратегических решений по управлению социально-экономическими системами, использующий комбинированный критерий баланса прогнозов, позволяющий на основе принципа самоорганизации и процедур обработки информации о состоянии внешней и внутренней среды, представленной при помощи шкал различного типа, учитывать динамику развития ситуации в долгосрочной и среднесрочной перспективе.

5. На основе результатов вычислительных экспериментов определены условия, при выполнении которых предложенный нейро-нечеткий метод группового учета аргументов позволяет обеспечить более высокую точность идентифицирующих моделей управления сложными социально-экономическими системами, чем при применении других известных методов моделирования.

6. Разработана архитектура и методика применения информационно-аналитической СППР по управлению региональными социально-экономическими системами, использующей разработанный нейро-нечеткий метод группового учета аргументов и позволяющей учитывать активное влияние управляемой системы на процесс управления на основе интеграции информационных ресурсов региона.

7. Разработанный нейро-нечеткий метод группового учета аргументов, алгоритмы интеллектуальной поддержки принятия решений на основе реализации нейро-нечеткого МГУА, а также архитектура и методика применения информационно-аналитической СППР практически используются в Администрации Смоленской области и Администрации г. Смоленска, что позволило повысить обоснованность принимаемых решений по управлению региональными и муниципальными социально-экономическим системами.

Методические и теоретические результаты диссертации используются в учебном процессе филиала Московского энергетического института (технического университета) в г. Смоленске.

Предложенный нейро-нечеткий метод группового учета аргументов и алгоритмы интеллектуальной поддержки принятия решений на основе реализации нейро-нечеткого могут найти широкое практическое применение в качестве математического и алгоритмического обеспечения информационных СППР по управлению социально-экономическими системами.

Разработанная архитектура и методика применения информационно-аналитической СППР по управлению региональными социальноэкономическими системами, использующей разработанный нейро-нечеткий МГУА, могут быть использованы органами власти федерального, регионального и муниципального уровней при разработке специального математического и программного обеспечения систем поддержки принятия решений в социальных и экономических системах.

Список литературы диссертационного исследования кандидат технических наук Бояринов, Юрий Геннадьевич, 2006 год

1. Дли М.И., Круглов В.В., Осокин М.В. Локально-аппроксимационные модели социально-экономических систем и процессов. М.: Наука. Физматлит. 2000.

2. Растригин Л.А. Современные принципы управления сложными объектами. М.: Сов. радио, 1980.

3. Бурков В.Н., Новиков Д.А. Теория и практика управления активными системами // Измерения, контроль, автоматизация. 2000. № 3.

4. Гхосал А. Прикладная кибернетика и ее связь с исследованием операций. М.: Радио и связь, 1982.

5. Эйкофф П. Основы идентификации систем управления. М.: Мир, 1975.

6. Райбман Н.С., Чадеев В.М. Построение моделей производства. М.: Энергия, 1975.

7. Ицкович Э.Л. Контроль производства с помощью вычислительных машин. М.: Энергия, 1975.

8. Гроп Д. Методы идентификации систем. М.: Мир, 1979.

9. Себер Дж. Линейный регрессионный анализ, М.: Мир, 1980.

10. Дисперсионная идентификация /Под. ред. Н.С. Райбмана. М.: Наука, 1981.

11. Демиденко Е.З. Линейная и нелинейная регрессия. М.: Финансы и статистика, 1981.

12. Цыпкин ЯЗ. Основы информационной теории идентификации. М.: Наука, 1984.

13. Количественные методы финансового анализа/ Под ред. С Дж. Брауна и М.П.Ураумана. М.: ИНФА-М, 1996.

14. МВощинин А.П., Сотиров Г.Р. Оптимизация в условиях неопределенности. М.: Изд-во МЭИ, 1989.

15. Горский В.Г. Планирование кинетических экспериментов. М.: Наука, 1984.

16. Кононов Д. А., Косяченко С. А., Кульба В. В. Сценарный анализ динамики поведения социально-экономических систем // www.ec.asu.ru.

17. Андерсон Т. Статистический анализ временных рядов. М.: Мир, 1976.

18. Ивахненко А. Г., Юрачковский Ю. П. Моделирование сложных систем по экспериментальным данным. М.: Радио и связь, 1987.

19. Катковник В.Я. Непараметрическая идентификация и сглаживание данных. М.: Наука, 1985.

20. Cover Т.М., Hart Р.Е. Nearest neighbor pattern classification// IEEE Trans, on Inform. Theory. 1967. V. IT-13. P.21-27.

21. Lancaster P., Saulkauskas K. Surfaces generated by moving least squiares methods//Mathematics of Computation. 1981. V.37.N155. P.141-158.

22. Трахтенгерц Э.А. Компьютерная поддержка принятия решений. М.: СИНТЕГ, 1998.

23. Попов Э.В., Фоминых И.Б., Кисель Е.Б., Шапот М.Д. Статистические и динамические экспертные системы. М.: Финансы и статистика, 1996.

24. Змитрович А.И. Интеллектуальные информационные системы. М.: НТООО "ТетраСистемс", 1997.

25. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. СПб.: Питер, 2000.

26. Корнеев В.В., Гареев А.Ф., Васютин С.В., Райх В.В. Базы данных. Интеллектуальная обработка информации. -М.: Нолидж, 2000.

27. Девяткин В.В. Системы искусственного интеллекта. М.: Изд-во МГТУ им. Н.Э.Баумана, 2001.

28. Ларичев О.И., Мошкович Е.М. Качественные методы принятия решений. -М.: Физматлит, 1996.

29. Ириков В.А., Тренев В.Н. Распределенные системы принятия решений. М.: Наука, 1999.

30. Трахтенгерц Э.А. Субъективность в компьютерной поддержке управленческих решений. М.: СИНТЕГ, 2002.

31. Беленький А.Г. Федосеева И.Н. Прогнозирование состояния динамических сложных систем в условиях неопределенности. М.: ВЦ РАН, 1999.

32. Загоруйко Н.Г. Прикладные методы анализа данных и знаний. -Новосибирск: Изд-во института математики, 1999.

33. Заде J1. Понятие лингвистической переменной и его применение для принятия приближенных решений. М.: Мир, 1976.

34. Кофман А. Введение в теорию нечетких множеств. М.: Радио и связь, 1982.

35. Орлов А.И. Задачи оптимизации и нечеткие переменные. М.: Знание, 1980.

36. Орловский С.А. Проблемы принятия решений при нечеткой входной информации. -М.: Наука, 1981.

37. Борисов А.Н., Алексеев А.В., Крумберг О.А. Модели принятия решений на основе лингвистической переменной. Рига: Зинатне, 1982.

38. Нечеткие множества в моделях управления и искусственного интеллекта / Под ред. Поспелова Д.А. М.: Наука, 1986.

39. Алиев Р.А., Абдикеев Н.М., Шахназаров М.М. Производственные системы с искусственным интеллектом. М.: Радио и связь, 1990.

40. Борисов А.Н., Крумберг О.А., Федоров И.П. Принятие решений на основе нечетких моделей: примеры использования. Рига: Зинатне, 1990.

41. Мелихов А.Н., Берштейн J1.C., Коровин C.J1. Ситуационные советующие системы с нечеткой логикой. М.: Наука, 1990.

42. Алиев Р.А., Церковный А.Э, Мамедова Г.А. Управление производством при нечеткой исходной информации. -М.: Энергоатомиздат, 1991.

43. Прикладные нечеткие системы / Под ред. Т.Тэрано. М.: Мир, 1993.

44. Ларичев О.И., Мошкович Е.М. Качественные методы принятия решений: вербальный анализ решений. М.: Физматлит, 1996.

45. Круглов В.В., Дли М.И., Голунов Р.Ю. Нечеткая логика и искусственные нейронные сети. М.: Физматлит, 2001.

46. Wang L.-X. Fuzzy systems are universal approximators // In Proc. of the 1-st IEEE International Conf. on Fuzzy Systems. San Diego, 1992. P. 194-207.

47. Dickerson J. A., Kosko B. Fuzzy function approximation with supervised ellipsoidal learning. // Proc. World Congr. Neural Networks (WCNN-93). -1993.-vol. 2.-P. 9-17.

48. Kim H. M., Kosko B. Fuzzy prediction and filtering in impulsive noise // IEEE Fuzzy Sets Systems. 1996. - vol. 77. - P. 15-33.

49. Kim H. M., Mendel J. M. Fuzzy basis functions: comparison with other basis functions // IEEE Trans. Fuzzy Systems. 1995. - vol. 3. - P.158-168.

50. Горбань A.H., Россиев Д.А. Нейронные сети на персональном компьютере. Новосибирск: Наука, 1996.

51. Бэстенс Д.-Э., ван ден Берг В.-М., Вуд Д. Нейронные сети и финансовые рынки: принятие решений в торговых операциях. М.: ТВП, 1997.

52. Уоссермен Ф. Нейрокомпьютерная техника М.: Мир, 1992.

53. Галушкин А.О. О современных направлениях развития нейрокомпьютеров // Нейрокомпьютер. 1997. № 1,2. С.5-22.

54. Priestly М.В. Non-linear and поп stationary time series prediction. London: Academic Press, 1988.

55. Connor J., Atlas L. Recurrent neural networks and time series prediction// Proceeding IJCNN. 1991. V.l. P.301-306.

56. Круглов B.B., Борисов B.B., Харитонов E.B. Нейронные сети: конфигурации, обучение, применение. Смоленск: МЭИ (фил-л в г. Смоленске). 1998.

57. Логовский А.С. Зарубежные нейропакеты: современное состояние и сравнительные характеристики//Нейрокомпьютер. 1998. № 1,2 С.13-26.

58. Круглов В.В., Борисов В.В. Гибридные нейронные сети. Смоленск: Русич, 2001.

59. J.-S. R. Jang, С.-Т. Sun, Е. Mizutani. Neurofuzzy and Soft Computing: A Computational Approach to Learning and Machine Intelligence. Englewood Cliffs: Prentice-Hall, 1996.

60. Макоклюев Б.И., Павликов B.C., Владимиров А.И., Фефелова Г.И. Влияние колебаний метеорологических факторов на электропотребление энергообъединений // Энергетик. 2003. - № 6. - С. 14-19.

61. Gross G. and Galiana F.D. Short term load forecasting // Proc. IEEE. 1987.-vol.75. - №12. - P. 1558-1573.

62. Chen S.T., David C.Y., Moghaddamjo A.R. Weather sensitive short-term load forecasting using non fully connected artificial neural network // IEEE Trans, on Power Systems. 1992. - vol. 7. - №3. - P. 1098-1105.

63. Адамеску А., Кистов В. Региональные программы: перспективные вопросы // Экономист. 1997. - №6 - с. 68-72.

64. Гаврилов А. И. Региональная экономика и управление: Уч. пособие для вузов. М.: ЮНИТИ-ДАНА, 2002.

65. Гутман Г. В. Управление региональной экономикой М.: Финансы и статистика, 2001.

66. Лычкина Н. Н. Моделирование социально-экономического развития регионов // www.lichkina.imis.ru.

67. Ивахненко А.Г. Системы эвристической самоорганизации в технической кибернетике. Киев: Техника, 1969.

68. Ивахненко А.Г., Лапа В.Г. Предсказание случайных процессов. Киев: Наукова думка, 1971.

69. Ивахненко А.Г., Зайченко Ю.П., Дмитриев В.Д. Принятие решений на основе самоорганизации. М.: Сов. радио, 1976.

70. Дьяконов В.П., Круглов В.В. Математические пакеты расширений MATLAB. Специальный справочник. СПб.: Питер, 2001.

71. Дьяконов В.П., Абраменкова И.В., Круглов В.В. MATLAB 5.3.1 с пакетами расширений. М.: Нолидж, 2001.

72. Леоненков А.В. Нечеткое моделирование в среде MATLAB и fuzzyTECH. -СПб.: БХВ-Петербург, 2003.

73. Гмурман В.Е. Теория вероятностей и математическая статистика. М.: Высшая школа, 1977.

74. Иванов В.А., Чемоданов Б.К., Медведев B.C. Математические основы теории автоматического управления. М.: Высш. школа, 1971.

75. Математическое моделирование сложных физико-химических процессов/ А.Н.Чохонелидзе, М.И. Дли, Е.А.Берзин, М.М. Орлов. Тверь: ТвГТУ, 1999.

76. Ивахненко А.Г., Мюллер Й. А. Самоорганизация прогнозирующих моделей. Киев: Техшка, 1985.

77. Медведев B.C., Потемкин В.Г. Нейронные сети. MATLAB 6. М.: ДИАЛОГ-МИФИ, 2002.

78. Черезов А. Что такое прокси-сервер, и зачем он нужен. // http:// www.eserv.ru/ WhatlsProxyServer.

79. Олифер В.Г., Олифер Н.А. Основы сетей передачи данных. М.: «Интернет-Университет Информационных технологий», 2003.

80. Галатенко В.А. Основы информационной безопасности. М.: «Интернет-Университет Информационных технологий», 2003.

81. Бруй В.В., Карлов С.В. Организация сервера на базе ОС Linux. М.:СИП РИА, 2004.-125 е.: ил.

82. Зима В., Николаев А. Повышение защищенности Крепостной стеной // http://opennet.ru. ;

83. Вендров A.M. Проектирование программного обеспечения экономических информационных систем: Учебник для студентов вузов М.: Финансы и статистика, 2000.

84. Смоленская область в цифрах в 2005 году: Статистический сборник / Федеральная служба гос. статистики. Смоленск: Б/И, 2005.

85. О наличии, составе и движении основных фондов Смоленской области: Статистический сборник сборник / Федеральная служба гос. статистики. -Смоленск: Б/И, 2005.

86. Броуди М.Б. О статистическом рассуждении. М.: Статистика, 1968.

87. Давыдов А.А. Индекс социального неблагополучия// Социологические исследования. 1995. № 10. С. 118-127.

88. Давыдов А.А. Модель социального времени// Социологические исследования. 1998. № 4. С.98-101.

89. Дли М.И. Алгоритм идентификации с автоматическим выбором порядка модели // Устройства и системы автоматического управления: Сб. науч. трудов. Смоленск: Моск. энерг. ин-т (фил-л в г. Смоленске). 1996. С.5-7.

90. Айвазян С.А., Мхитарян B.C. Прикладная статистика и основы эконометрики. -М.: ЮНИТИ, 1998.

91. Рожнов А.В., Энеев О.О. Основы формирования новых методов интеллектуальной обработки данных информационно-управляющих систем // Нейрокомпьютеры: разработка и применение. 2003. - № 2. - С. 22-28.

92. Загоруйко Н.Г., Елкина В.Н. Лбов Г.С. Алгоритмы обнаружения эмпирических закономерностей. Новосибирск: Наука, 1985.

93. Головко В.А. Нейронные сети: обучение, организация и применение. М.: ИПРЖР, 2000.

94. Каллан Р. Основные концепции нейронных сетей. М.: Вильяме, 2001.

95. Анил К. Джейн, Жианчанг Мао, Моиудин К.М. Введение в искусственные нейронные сети // Открытые системы. 1997.- №4. С. 17-24.

96. Галушкин А.И. Современные направления развития нейрокомпьютерных технологий в России // Открытые системы. 1997. - № 4. С. 25-28.

97. Саати Т., Керне К. Аналитическое планирование. Организация систем. -М.: Радио и связь, 1991.

98. Зеленский К.Х., Игнатенко В.Н., Коц А.П. Компьютерные методы прикладной математики. Киев: Дизайн-В, 1999.

99. Степашко B.C. Структурная идентификация прогнозирующих моделей в условиях планируемого эксперимента // Автоматика. 1992. №1. - С.26-35.

100. Дли М.И., Игнатьев И.В. Активный эксперимент в задаче идентификации сложных систем управления // Перспективные технологии автоматизации: Тез. докл. междунар. электрон, науч.-техн. конф. Вологда: ВоГТУ, 1999. С.95-96.

101. Дли М.И., Игнатьев И.В. Локально-параметрические методы в задачах прогнозирования экономических показателей // Математические методы и компьютеры в экономике: Сб. статей II Междунар. науч.-техн. конф. Пенза. 1999. С. 118-120.

102. Дли М.И., Игнатьев И.В. Об одном подходе к прогнозированию рыночной конъюнктуры // Тез. докл. V Междунар. науч. конф., посвященной 85-летию со дня рождения академика В.В.Кафарова. Казань. 1999 г. С.83.

103. Дли М.И. Локально-аппроксимационные модели сложных объектов. М.: Физматлит (МАИК "Наука/Интерпериодика"), 1999.

104. Дли М.И. Локально-аппроксимационные модели динамических объектов// Программные продукты и системы, 1999. № 3. С.26-28.

105. Бояринов Ю.Г., Стоянова О.В., Дли М.И. Нейро-нечёткий метод группового учета аргументов для поддержки принятия решений по управлению региональными социально-экономическими системами, М.: Физматлит, 2005, (168/86 с.)

106. Бояринов Ю.Г. Основные направления развития систем контроллинга промышленного предприятия // Математические методы в интеллектуальных информационных системах: Сб.тр. Межд. науч. конф. М.: Физматлит, 2002. (3 с.)

107. Бояринов Ю.Г., Стоянова О.В. Решение недоопределенных задач моделирования на основе принципа самоорганизации моделей // Системыкомпьютерной математики и их приложения: Сб. тр. VII межд. конф. -Смоленск: СГУ, 2006. (4/2 с.)

108. Бояринов Ю.Г. Особенности промышленного предприятия как объекта моделирования и управления // Моделирование. Теория, методы и средства: Сб. тр. VI межд. науч.-практ. конф., Новочеркасск : НГТУ, 2006. (3 е.).

109. Бояринов Ю.Г. Использование нейро-нечеткого метода группового учета аргументов для построения моделей региональных социально-экономических систем // Информационные технологии моделирования и управления. 2006 - выпуск 4(29). (6 с.)

110. Стоянова О.В., Бояринов Ю.Г. Моделирование социально-экономических систем на основе самоорганизации нейро-нечетких сетей // Вестник МЭИ. 2006 - №4. (6 с.)

Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.