Нейросетевой скоринг индустриальных партнёров инновационных проектов тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Неврединов Александр Рустамович
Неврединов Александр Рустамович
кандидат наук
2025
- Специальность ВАК РФ00.00.00
- Количество страниц 228
Оглавление диссертации кандидат наук Неврединов Александр Рустамович
Введение
Глава 1. Анализ тендеций развития систем поддержки принятия решений в
условиях цифровой трансформаци экономической деятельности
1.1 Анализ тенденций развития методов управления инновационными проектами
1.2 Исследование процессов отбора индустриальных партнёров для
участия в инновационных проектах
1.3 Анализ преимуществ использования искусственных нейронных сетей в задачах скоринга для построения экономико-математических
моделей
1.4 Постановка научной задачи исследования
Выводы по главе
Глава 2. Разработка экономико-математичесских инструментальных методов
для выбора индустриальных партнёров
2.1 Понятийно-категориальный аппарат и формирование состава разрабатываемых инструментов для выбора индустриальных партнеров
2.2 Подход к построению экономико-математических инструментов оценки хозяйствующих субъектов на основе технологии искусственных нейронных сетей в рамках задачи выбора партнёров
2.3 Разработка инструментального метода экономико-математического анализа состояния индустриальных организаций на основе формализуемых показателей работы компании
2.4 Разработка метода анализа текста как дополнительного элемента инструмента выбора индустриальных партнёров
Выводы по главе
Глава 3. Практическая реализация экономико-математических аналитических
моделей и разработка рекомендаций по их использованию
3.1 Архитектура программной реализации комплекса экономико-математических моделей разрабатываемого инструмента
3.2 Программная реализация экономико-математических нейросетевых моделей скоринга для инструментария выбора индустриальных партнёров
3.3 Рекомендации по использованию разработанного инструментария системы поддержки принятия решений при выборе индустриальных партнёров с учётом его специфики
3.4 Апробация и оценка экономической эффективности инновационного инструмента поддержки принятия решений
Выводы по главе
Заключение
Список сокращений и условных обозначений
Список литературы
Приложение А Исходный код для программной реализации инструментария
на языке программирования Python
Приложение Б Часть исходных данных выборки обучений нейронной сети
для анализа состояния компании
Приложение В Часть исходных данных выборки обучений нейронной сети
для прогнозирования вероятности банкротства
Рекомендованный список диссертаций по специальности «Другие cпециальности», 00.00.00 шифр ВАК
Разработка инструментария нейросетевого разведочного анализа и поддержки принятия решений по развитию экономических систем2019 год, кандидат наук Шиболденков Владимир Александрович
Инструментарий группового принятия решений по управлению проектами цифровой трансформации экономики2021 год, кандидат наук Коренькова Дарья Александровна
Моделирование процесса поддержки принятия решений на рынке паевых инвестиционных фондов РФ2013 год, кандидат наук Гаврилюк, Владислав Игоревич
Разработка методов и инструментов поддержки принятия управленческих решений в организации по внедрению инновационного продукта на основе нейронных сетей2023 год, кандидат наук Сомов Андрей Георгиевич
Инструменты разработки и сопровождения информационных систем субъектов экономической деятельности с использованием ИТ-аутсорсинга2019 год, кандидат наук Салов Николай Андреевич
Введение диссертации (часть автореферата) на тему «Нейросетевой скоринг индустриальных партнёров инновационных проектов»
ВВЕДЕНИЕ
Актуальность темы исследования обусловлена практической потребностью в качественных средствах оценки и скоринга компаний при проведении проектов, требующих выбора индустриальных партнёров. В их рамках происходит отбор компаний, которые выступят производителями высокотехнологичного продукта, в связи с чем важен выбор надёжной, устойчивой компании. Решения, принимаемые руководителями проектов или комиссиями при государственных органах, связаны с высокими рисками проектов, для которых характерна капиталоёмкость, что повышает требования к надёжности принимаемых решений.
Применение инструментов такого типа характерно для компаний, ведущими инвестиционную деятельность или постоянно сталкивающимися с необходимостью подбирать контрагентов. Но наибольшую практическую ценность он имеет в рамках проектов с государственным участием, запускаемых на основе постановлений правительства от 18.02.2022 № 208 «О предоставлении субсидии из федерального бюджета автономной некоммерческой организации «Агентство по технологическому развитию" на поддержку проектов, предусматривающих разработку конструкторской документации на комплектующие изделия, необходимые для отраслей промышленности» и постановление от 09.04.2010 № 218 «Об утверждении Правил предоставления субсидий на развитие кооперации российских образовательных организаций высшего образования, государственных научных учреждений и организаций реального сектора экономики в целях реализации комплексных проектов по созданию высокотехнологичных производств». В их рамках происходит отбор индустриальных компаний, что получают субсидии из государственного бюджета для налаживания производства разработанных товаров, в связи с чем важен качественный отбор компаний, поскольку постановления призваны помочь в развитии российских высокотехнологических производств и требуется оценка большого числа претендентов на исполнение проекта. Нередко возникает про-
блемы, связанная с тем, что предпочтение просто отдают самым крупным компаниям, что не только противоречит задаче развития меньших предприятий, но и может замедлить проект из-за низкой гибкости компании.
Сложность задачи обусловлена тремя факторами:
- увеличение числа проектов налаживания кооперации и большое число компаний, которые потенциально могут выступать индустриальными партнёрами, то есть значительное числа увеличение числа задач анализа;
- повышение требований к оперативности принимаемых решений в условиях динамично меняющегося и развивающегося рынка;
- рост объёма доступной информации об организациях и числа её источников имеющих нечисловую (текстовую) природу, анализ которой без участия человека затруднён.
Таким образом, инструменты анализа, применяемые при принятии решений, сталкиваются с тремя проблемами: числом аналитических задач, требованием высокой оперативности и необходимостью анализировать большие данные, роль которых в современном мире возрастает. При этом классические методы принятия решений о выборе индустриальных партнёров зачастую связаны с применением менее надёжных классических методов, обычно сфокусированных только на аспекте финансово состояния и в значительной мере основанных на экспертной оценке, что существенно уменьшает скорость анализа и увеличивает его ценность. Кроме того, это приводит к отдаче предпочтения исключительно крупным компаниям, не обеспечивая возможность реализовать потенциал развития надёжных компаний меньшего размера.
Анализ научного задела позволяет говорить, что указанные сложности могут быть решены при помощи технологический искусственного интеллекта, в частности: нейронных сетей, что обеспечит не только высокую скорость, но и позволить анализировать данные нечисловой природы, частично заменяя в данной задачи экспертов. Применение таких инструментов в аналитической системе позволит применять в моделях данные любого характера, в том числе нефинансовые и внешние
для организации, благодаря чему будут получены более надёжные результаты анализа. Такой подход снижает риски и затраты на экспертную деятельность.
Актуальность разработки и внедрения таких систем поддерживается и Указом Президента РФ от 10.10.2019 N 490 «О развитии искусственного интеллекта в Российской Федерации», утвердившем «Национальную стратегию развития искусственного интеллекта на период до 2030 года», что включена в программу развития цифровой экономики в федеральном проекте «Искусственный интеллект».
При этом специфика предметной области требует подробного изучения и проработки задачи по построению оптимальных скоринговых средств в условиях многофакторной, сложной структуры данных о компаниях и рынках, на которых они функционируют.
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 искусственных нейронных сетей заложены в работах Фукусимы К., Дехтера Р., Хинтона Д., Хопфилда Д., Г. Дебока, Т. Хонкела, С. Бишопа, С. Хайкина, С. Осовского, М. Полла. Проблемы информационных систем интеллектуального анализа данных исследовались в работах А.А. Барсегяна, А.Е. Бром, З. Хо-храйтера, Ю. Шмидхубера, А.Г. Броневича, Ю Ву, А.И. Гаврилова, Н.Г. Загоруйко,
A.Ю. Зиновьева, А.П. Ковалева, Е.В. Луценко, Е.П. Попова, А.С. Птускина, К.А. Пуп-кова, В.В. Солодовникова, В.В. Цаплина. Разработка экономико-математических методов анализа бизнеса, а также разработка методов организационно-экономического проектирования исследовались в работах А.Д. Гапоненко, П.А. Дроговоза, Б.З. Миль-нера, И.Н. Омельченко, Т.М. Орлова, Т.Г. Садовской, О.П. Сидорова, С.Г. Фалько, С.Л. Чернышева. Применение систем поддержки принятия решений, их виды, подходы и перспективы анализировались в работах А.А. Стародубцева, Е.Г. Корнилов, Т.Г. Долгова, А.О. Лойко, В.Г. Халина, Г.В, Черновой, А.В. Юркова, П.А, Дроговоза,
B.А, Шиболденкова, А.С. Рассомагина. Анализу и моделированию инновационных процессов в экономике промышленности посвящены работы В.Д. Калачанова, Е.Н.
Лобачевой, И.Н. Омельченко, А.И. Орлова, П.П. Пилипенко, Т.Г. Садовской, С.Г. Фалько, Л.Ю. Филобоковой. Тема принятия управленческих решений исследовалась в работах М.А. Бражникова, Ю.В., Гладковой Р.Л. Дафра, А.И. Орлова, О.М. Юсуфо-вой, О.В. Бурляева. Имеющийся в данных работах научно-методический задел был использован при проведении диссертационного исследования.
Анализ существующих отечественных и зарубежных работ в области поддержки принятия решений в сфере управления инновационными проектами показывает, что требуется их дальнейшее развитие и совершенствование в части разработки инструментов выбора индустриальных партнеров, что обусловливает актуальность темы исследования.
Цель и задачи исследования. Целью диссертационной работы является разработка нейросетевого инструментария выбора индустриальных партнёров, обеспечивающего повышение эффективности экспертно-аналитической деятельности в процессе формирования кооперации для участия в инновационных проектах.
Для достижения поставленной цели в диссертационной работе решаются следующие основные задачи:
- проанализировать проблемы подбора индустриальных партнёров в инновационных промышленных проектах;
- проанализировать перспективы применения нейронных сетей для выбора и скоринга индустриальных партнёров;
- обосновать подход к разработке нейросетевого инструментария выбора индустриальных партнеров для участия в инновационных проектах;
- разработать модели оценки индустриального партнера на основе финансовых и нефинансовых данных;
- разработать инструментальный метод оценки финансовой устойчивости компаний на основе искусственных нейронных сетей;
- разработать инструментальный метод анализа отчётности компаний на основе методов анализа текстовых данных на основе искусственных нейронных сетей.
- разработать рекомендации по применению аналитического инструментария выбора индустриальных компаний для участия в инновационных промышленных проектах;
- программно реализовать, апробировать и оценить экономическую эффективность разработанного нейросетевого инструмента выбора индустриальных партнёров для участия в инновационных проектах.
Объектом исследования являются кооперация организаций при разработке инновационного проекта.
Предметом исследования являются методы принятия решений по формированию состава индустриальных партнеров инновационных проектов.
Методология и методы исследования. Теоретическую и методологическую основу исследования составили общенаучные методы теории систем, дедукции, индукции, абстрагирования, формализации, а также специальные методы теории принятия решений, экспертного оценивания, формализации неопределённости, анализа иерархий, экономического анализа, методы имитационного моделирования и машинного обучения, нейросетевого моделирования, методы представления данных и мягких вычислений, прикладной таксономии, а также методы программной реализации искусственных нейронных сетей. Информационно-эмпирическую базу исследования статистические и аналитические отчеты, доклады и обзоры международных и национальных организаций, институтов, агентств за 2014-2021 год.
Научная задача заключается в разработке нейросетевого инструментария выбора индустриальных партнёров на основе экономико-математических нейросе-тевых моделей, учитывающих нефинансовые данные.
Соответствие паспорту научной специальности. Область исследования соответствует пунктам 7.5. «Цифровая трансформация экономической деятельности. Модели и инструменты цифровой трансформации», 7.8. «Теория, методология и методы оценки эффективности инновационных проектов и программ», 7.9. «Разработка методологии и методов анализа, моделирования и прогнозирования иннова-
ционной деятельности. Оценка инновационной активности хозяйствующих субъектов».
Научная новизна заключается в разработке нейросетевого инструментария выбора индустриальных партнеров для поддержки принятия эффективных решений в инновационных проектов, отличающегося от существующего использованием нефинансовой информации, применением искусственных нейронных сетей, использованием ансамблевых алгоритмов и применением плохо формализуемых текстовых данных, что, по сравнению с параметрическими методами, позволяет повысить достоверность оценок и эффективность экспертно-аналитических процедур при отборе исполнителей в проектах с государственным участием.
Основные научные результаты, полученные в ходе исследования лично автором и выносимые на защиту, заключаются в следующем:
1. Обоснован научно-методический подход к разработке инструментария, на основе искусственных нейронных сетей для скоринга компаний с применением финансовых и нефинансовых данных, что позволяет проводить массовую, быструю и точную оценку в рамках поддержки принятия решений при выборе индустриальных партнёров.
2. Разработаны экономико-математические модели, отличающиеся учётом финансовых и нефинансовых показателей компании и методами их получения на основе текстового анализа и обеспечивающие повышение достоверности анализа состояния компаний.
3. Разработан инструментальный метод скоринга компаний при выборе индустриальных партнёров, отличающийся использованием нефинансовых показателей и ансамблей нейросетевых моделей, позволяющих повысить надёжность результатов оценки.
4. Разработан инструментальный метод интеллектуального анализа текстовых данных корпоративной отчётности, отличающийся учётом семантики текста и подходом к построению обучающей выборки для нейросетевых моделей машинного обучения.
5. Разработаны рекомендации по применению разработанного инструментария, отличающиеся цикличностью процесса обновления и актуализации и учётом специфики цифровых продуктов, основанных на машинного обучении.
Теоретическая значимость диссертационного исследования заключается в развитии методов выбора индустриальных партнеров для реализации инновационных проектов на основе интеллектуального нейросетевого анализа как финансовой, так и нефинансовой информации.
Практическая ценность диссертационной работы состоит в разработке, программной реализации и апробации аналитического инструментария для поддержки выбора индустриальных партнёров, обеспечивающего принятие решений при реализации инновационных проектов.
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 в общем, и оценке организаций в частности.
Апробация результатов исследования. Основные положения и выводы диссертации доложены и получили положительную оценку на международных и всероссийских научно-практических конференциях «XLIV Академические чтения по космонавтике» (Москва, 2020); «Будущее машиностроения России» (Москва,
2020); «Управление научно-техническими проектами» (Москва, 2020); «Цифровая трансформация промышленности: тенденции и перспективы» (Москва 2021); «Актуальные вопросы экономики, менеджмента и инноваций» (Нижний Новгород,
2021); «Будущее машиностроения России» (Москва, 2021); «XLV Академические чтения по космонавтике» (Москва, 2021); «III Наука, Технологии, Бизнес» (Москва, 2020).
Теоретические и методические положения работы использованы в учебном процессе на кафедре «Предпринимательство и внешнеэкономическая деятельность» Московский государственный технический университет имени Н. Э. Баумана, 2024. Практические положения диссертации реализованы в ФГУП ВНИИ «Центр», 2025. Апробация и реализация результатов диссертационной работы подтверждены соответствующими актами внедрения.
Результаты исследований, выполненных в диссертации, использованы при выполнении научно-исследовательской работы «Разработка методов и инструментов мультимодальной аналитики», включенной в государственное задание, рег. № 225013004474-0).
Публикации. По теме диссертации опубликовано 21 научных работ общим объемом 12,33 п.л. (авторский вклад - 6,99 п.л.), из них: 5 статей общим объемом 5,77 (авторский вклад - 1,49 п.л.) в журналах базы Scopus, 7 статей общим объемом 3,82 п.л. (авторский вклад - 3,17 п.л.) в рецензируемых изданиях, рекомендованных ВАК при Минобрнауки России.
Структура и содержание работы. Диссертация изложена на 228 страницах и состоит из введения, трех глав, с выводами по каждой из них, общих выводов по диссертационной работе, списка сокращений и условных обозначений, списка литературы из 197 наименований и четырех приложений, содержит 14 таблиц и 44 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 объекта и предмета исследования, изучены системы поддержки принятия решений и методы реализации этих систем, определены ограничения существующего научно-методического аппарата в данной области исследования и определены направления его развития и совершенствования на
основе искусственных нейронных сетей. На основе анализа области сформулирована гипотеза диссертации, содержательно и математически поставлена научная задача исследования, осуществлена ее декомпозиция на частные задачи.
Во второй главе сформирована структура и определен состав инструментов, используемых для построения экономико-математических моделей, определен используемый понятийный аппарат, определён и обоснован перечень входных данных моделей. Определено назначение для практической реализации моделей и последовательно разработаны необходимые для реализации задачи алгоритмы, в том числе с использованием ансамблевого подхода для обучения и использования нейронных сетей для анализа финансовой и нефинансовой информации, алгоритмы анализа текстовых данных и общего программного интерфейса для использования инструментов прогнозирования и скоринга потенциальных индустриальных партнёров. Разработанные в рамках диссертационного исследования авторские алгоритмы в комплексе обеспечивают решение поставленной научной задачи.
В третьей главе представлена практическая программная реализация разрабатываемого инструментария с использованием языка программирования python и библиотек для него. Описаны рекомендации по проведению проекта внедрения и поддержки актуальности экономико-математических инструментов нейросетевого анализа данных, изложены результаты апробации и даны оценки экономической эффективности.
В заключении представлены основные результаты исследования и общие выводы по диссертационной работе, определены пути их эффективной реализации и направления дальнейших исследований по проблематике диссертации.
ГЛАВА 1. АНАЛИЗ ТЕНДЕЦИЙ РАЗВИТИЯ СИСТЕМ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ В УСЛОВИЯХ ЦИФРОВОЙ ТРАНСФОРМАЦИ ЭКОНОМИЧЕСКОЙ ДЕЯТЕЛЬНОСТИ
1.1 Анализ тенденций развития методов управления инновационными
проектами
Инновационные проекты являются одним из направлений инновационной деятельности, которая представляет собой комплекс научных, технологических, а также организационных, финансовых и прочих мероприятий, направленный на создание новых товаров или услуг, либо таковых с новыми качествами. Это деятельность по созданию и использованию инноваций. Эта деятельность требует формирования системы управления, которая обеспечивает механизмы управления инновационным развитием, в том числе для проектов на уровне страны предполагает инструменты государственного влияния на эти проекты. Кроме того, формирующиеся системы предполагают поиск источников финансирования [1].
В Федеральном Законе № 127-ФЗ от 23.08.1996 г. «О науке и государственной научно-технической политике» (с последующими изменениями) [2] закрепляются ключевые понятия:
- Инновация - это введенный в употребление новый или значительно улучшенный продукт (товар, услуга) или процесс, новый метод продаж или новый организационный метод в деловой практике, организации рабочих мест или во внешних связях.
- Инновационный проект - комплекс направленных на достижение экономического эффекта мероприятий по осуществлению инноваций, в том числе по коммерциализации научных и (или) научно-технических результатов. Инновационный проект характеризуется высоким допустимым уровнем риска, возможностью недостижения запланированного результата, в том числе экономического эффекта от реализации такого проекта.
Вместе с тем по инновационной деятельностью обычно понимают деятельность (включая научную, технологическую, организационную, финансовую и коммерческую деятельность), направленная на реализацию инновационных проектов, а также на создание инновационной инфраструктуры и обеспечение ее деятельности.
Понятия «индустриального партнёра» долгое время официально не определялось в официальных актах, однако появилось в рамках й программы «Исследования и разработки по приоритетным направлениям развития научно-технологического комплекса России на 2014-2020 годы» в конкурсной документации. Соответствии с ней индустриальный партнер - это организация и (или) их объединения, в том числе финансово-кредитные организации и (или) фонды научной, научно-технической и инновационной деятельности, а также иные некоммерческие организации, принявшие на себя обязательства перед Минобрнауки России и (или) Получателями субсидии по софинансированию проекта и (или) дальнейшему использованию либо организации такого использования результатов интеллектуальной деятельности, полученных в ходе реализации проекта [3].
В рамках данной работы мы под индустриальным партнёром будет подразумеваться организация или их объединение, взявшая на себя обязательства перед Минобрнауки России, получателями субсидии или иными заказчиками для формирования совместного проекта использования результатов интеллектуальной деятельности научной организацией, не имеющей возможности самостоятельно наладить производство.
Управление инновационной предполагает исполнение нескольких принципов её реализации, вроде постоянного управления технологическими инновациями, отслеживании достоверной и актуальной информации о рынке инноваций, в том числе отслеживание применения конкурентами преобразующих инноваций. Они базируются на принципах обеспечения конкурентоспособности по качеству и эффективности производства, что требует тщательного планирования инновационных проектов.
В странах ЕС особенно высока активность развития инновационной деятельности, при этом она идёт в основном в двух направлениях. Первое связано с государственной инициативой и направлено на административную и экономическую мотивацию предприятий, созданию инфраструктуры. Второе связано с организацией инновационной деятельности предприятий и развития их потенциала, используя проектный подход, программный подход или при создании систем управления, следующая национальным стандартам. Причём инновационная деятельность является самостоятельным направлением деятельности предприятия [4]. В России существует проблема плохой реализации научно-технического потенциала предприятий, инновационной продукций порой оказывается невостребованной, а процессы инноваций не эффективны, особенно в промышленном секторе. Однако государство поддерживает проекты инновационного развития. Развиваются стандартные инновационного менеджмента (например, принято семейство ГОСТов ИСО 56000, представляющих собой руководства для организаций по внедрению и применению инновационного менеджмента) [5].
В данном случае можно вспомнить о так называемой модели «тройной спирали», созданной в Англии и Голландии в начале XXI века несколькими профессорами. Она символизирует связь между властью, бизнесом и университетом (наукой), что необходимо для формирования инновационной системы. Сначала происходит взаимодействие университета и власти, а после университет взаимодействует с бизнесом. После для вывода результата на рынок происходит взаимодействие бизнеса и власти [6].
Изначально процесс инновационного развития представлялся в виде нескольких этапов генерации идей, трансформирующихся в инновационное знание и затем коммерциализирующихся как инновационный продукт. Цепная модель Клейна-Ро-зенберга получила широкое распространение, описывая сотрудничество предприятий с научными исследовательскими организациями. Модель охватывала и смежные процессы, вроде оценки кадрового потенциала, регистрацию и распростране-
ние результатов инновационной деятельности. Изначально управление инновациями предполагало управление на уровне отдельного субъекта. Однако постепенно происходит переход к модели управления непрерывными инновациями, создаваемыми совместно участниками коллаборативных сетей. Инновационный процесс стал более интерактивным и децентрализованным [7]. Увеличение числа субъектов, вовлечённых в инновационный процесс и повышение потребности в скорости вывода инноваций, нашло отражение в виде появления спиральных моделей.
В рамках такой модели представляется, как звенья переплетаются для создания направленных системы преобразований. Он позволяет максимально скоординироваться отдельные субъекты. Однако первые модели предполагали двойную спираль, не учитывающую государство. Предполагалось лишь взаимодействие запросов производств и научных субъектов, разрабатывающих для них продукты в рамках общих интересов и целей. Тройная спираль стала развитием модели, учитывая воздействие государственных структур при проведении инновационных проектов, определяющих конкурентоспособность государства, его экономическое развитие и реализацию социальных функций [8, 9].
Уровень неопределённости в инновационной сфере крайне высок, они сами по себе связаны с различными инновационными рисками, ведь инновация может оказаться не реализуемой на этапе разработки или будет невостребованной на этапе производства. Дополнительные проблемы возникают при взаимодействии участников «тройной спирали». Порой взаимодействия выстраивается опытным путём, а контроль становятся «рефлексивным», то есть подразумевает замкнутые контуры обратной связи, между производителями инноваций, их потребителями и посредниками. При этом в условиях возрастающей динамики рынка в целом и инноваций в частности, возрастает необходимость организации эффективных форм взаимодействия трёх элементов спирали и создания сетей их коммуникаций. При этом результативность всей системы должна повышаться при росте сети [10].
Похожие диссертационные работы по специальности «Другие cпециальности», 00.00.00 шифр ВАК
Разработка систем поддержки принятия решений для слабоструктурированных задач классификации многомерных объектов2016 год, кандидат наук Пелипенко Екатерина Юрьевна
Использование методов принятия решения при проектировании нейросетевых структур обработки данных2004 год, кандидат технических наук Солодовников, Владимир Игоревич
Инструменты поддержки принятия решений по управлению стратегическими проектами в авиастроении2012 год, кандидат экономических наук Кузавко, Антон Сергеевич
Самоконфигурируемые эволюционные алгоритмы моделирования и оптимизации2012 год, кандидат технических наук Семенкина, Мария Евгеньевна
Исследование и разработка автоматизированных информационных распределенных систем управления производственными процессами медицинских комплексов2017 год, кандидат наук Мутин, Денис Игоревич
Список литературы диссертационного исследования кандидат наук Неврединов Александр Рустамович, 2025 год
СПИСОК ЛИТЕРАТУРЫ
1. Боржеш А.М. Механизм управления инновационной деятельностью нефтегазовых корпораций: повышение результативности системы поддержки принятия решений // Региональные проблемы преобразования экономики. 2018. № 9(95). С. 25-36.
2. Федеральный закон от 23.08.1996 г. №2 127-ФЗ «О науке и государственной научно-технической политике» // Собрание законодательства РФ. 26.08.1996. №2 35. Ст. 4137.
3. Конкурсная документация по проведению конкурсного отбора на предоставление субсидий в целях реализации федеральной целевой программы «Исследования и разработки по приоритетным направлениям развития научно-технологического комплекса России на 2014-2020 годы» [Электронный ресурс] // Орловский государственный университет имени И.С. Тургенева. URL: https://oreluniver.ru/ puWic/file/science/tenders/Konkursnaya_dokumentatsiya.pdf (дата обращения: 03.12.2022).
4. Самаль, С. А. Современные методы управления инновационной деятельностью на предприятиях / С. А. Самаль, Т. М. Кублицкая // Экономика и управление (Минск). 2016. № 4(48). С. 3-9.
5. Национальный стандарт российской федерации: инновационный менеджмент [Электронный ресурс] // Электронный фонд правовых и нормативно-технических документов. URL: https://docs.cntd.ru/document/1200182032 (дата обращения: 03.12.2022).
6. Загородников К.А. Анализ тенденций развития инновационной промышленности Российской Федерации // Московский экономический журнал. 2018. №2 53. С. 14.
7. Смородинская Н.В. Усложнение организации экономических Смородин-ская Н.В. Усложнение организации экономических систем в условиях нелинейного развития // Вестник ИЭ РАН. 2017. № 5. С. 104-115.
8. Кириллова Е.А., Дли М.И., Какатунова Т.В., Епифанов В.А. Трансформация модели тройной спирали в условиях формирования инновационных экосистем в промышленности // Дискуссия. 2022. № 1(110). С. 16-30.
9. Неврединов А.Р. Проблематика выбора индустриальных партнеров в рамках проектов с государственным субсидированием // Экономика, предпринимательство и право. 2024. Том 14. № 8. DOI: 10.18334/epp.14.8.121313
10. Пахомова И.Ю. Модель "тройной спирали" как механизм инновационного развития региона // Научные ведомости Белгородского государственного университета. Серия: Экономика. Информатика. 2012. № 7(126). С. 50-55.
11. Ицковиц Г. Модель тройной спирали // Инновации. 2011. № 4(150). С. 510.
12. Smitha H.L., Leydesdorff L. The Triple Helix in the context of global change: dy-namics and challenges // Critical Studies in Innovation. 2014. Vol. 32. № 4. P. 321323.
13. Одинцова Т.Н., Глушкова Ю.О., Баширзаде Р.Р., Пахомова А.В. Цифровая платформа как основа инновационного планирования в цепях поставок // Актуальные проблемы экономики и менеджмента. 2019. № 3 (23). С. 97-104.
14. Шалаева Л.В. Оценка результативности инновационной деятельности по основным сферам экономики России // Креативная экономика. 2021. Том 15. № 12. С. 4445-4464.
15. Методы принятия управленческих решений моделирование промышленного производства: Учебное пособие / М.А. Бражников, И.В. Хорина, Р.А. Селиванова. Самара: Самар. гос. техн. ун-т, 2012. 107 с.
16. Гладкова Ю.В., Гладков В.П. Этапы принятия управленческих решений // Вестник Пермского государственного технического университета. Электротехника, информационные технологии, системы управления. 2010. № 4. С. 39-44.
17. Орлов А.И. Организационно-экономическое моделирование: теория принятия решений: учебник. Гриф УМО. М.: КноРус, 2011. 568 с.
18. Юсуфова О.М., Неврединов А.Р. Анализ основных методов оценки рисков на высокотехнологичных предприятиях // Управление финансовыми рисками. 2019. №4. С. 304-311.
19. Юсуфова О.М., Неврединов А.Р. Основные препятствия развития и принципы управления рисками в энергетике России // РИСК: Ресурсы. Информация. Снабжение. Конкуренция. 2019. № 1. С. 110-115.
20. Бурляева О.В., Ибрагимов В.В., Ленард А.А. Процесс принятия управленческих решений // Горный информационно-аналитический бюллетень (научно-технический журнал). 2007. № S6. С. 6-30.
21. Джамолдинова Л.А., Чажаева М.М. Особенности ситуационного подхода к управлению деятельностью промышленных предприятий в условиях экономической неопределённости // Вестник академии знаний. 2020. № 4 (39). С. 176-179.
22. Постановление Правительства РФ от 18 февраля 2022 г. № 208 "О предоставлении субсидии из федерального бюджета автономной некоммерческой организации "Агентство по технологическому развитию" на поддержку проектов, предусматривающих разработку конструкторской документации на комплектующие изделия, необходимые для отраслей промышленности" [Электронный ресурс] // ГАРАНТ. URL: https://www.garant.ru/products/ipo/prime/doc/403459910/ (дата обращения: 03.12.2022).
23. Постановление Правительства РФ от 9 апреля 2010 г. N 218 "Об утверждении Правил предоставления субсидий на развитие кооперации российских образовательных организаций высшего образования, государственных научных учреждений и организаций реального сектора экономики в целях реализации комплексных проектов по созданию высокотехнологичных производств и Положения о проведении конкурса на определение получателей субсидий из федерального бюджета на развитие кооперации российских образовательных организаций высшего образования, государственных научных учреждений и организаций реального сектора
экономики в целях реализации комплексных проектов по созданию высокотехнологичных производств" [Электронный ресурс] // ГАРАНТ. URL: https://base.garant.ru/12174931/ (дата обращения: 03.12.2022).
24. Стародубцев А.А. Система поддержки принятия решений // Актуальные проблемы авиации и космонавтики. 2016. № 12. С. 99-101.
25. Корнилов Е.Г., Долгова Т.Г. Современное применение OLAP и OLTP технологий в экономике // Актуальные проблемы авиации и космонавтики. 2010. Т. 1. № 6. С. 419-420.
26. AI in 2019: 8 trends to watch. [Электронный ресурс]: K. Casey // A community of ClOs discussing the future of business and IT. URL: https://enterpriserspro-ject.com/article/2018/12/ai-trends-2019 (дата обращения: 03.12.2020).
27. Лойко А.О. Применение систем поддержки принятия решений на промышленных предприятиях // Вестник московского финансво-юридического университета. 2019. № 2. С. 119-132.
28. Детмер У. Теория ограничений Голдратта: Системный подход к непрерывному совершенствованию: пер. с англ. 2-е изд. М.: Альпина Бизнес Букс, 2008. 444 с.
29. Алиев М.И., Исаева Э.А., Алиев М.О. Теория вероятностей и теория нечетких множеств Л. Заде: различия и сходство // Искусственный интеллект и принятия решений. 2012. № 3. С. 19-25.
30. A horse race of models and estimation methods for predicting bankruptcy / Na-waf Almaskati, Ron Bird, Danny Yeung, Yue Lu //. Advances in Accounting. 2021. Vol 52. 100513. 10.1016/j.adiac.2021.100513.
31. Журова Л.И., Шехтман А.Ю. Банкротство предприятий: причины и методы прогнозирования // Вестник волжского университета им. В.Н. Татищева. 2011. № 23. С. 31-37.
32. Данилович В.Ю., Курганская Г.С. Скоринговые модели как средство управления кредитными рисками в российских банках // Бизнес-образование в экономике знаний. 2017. № 1(6). С. 29-33.
33. Шиболденков В.А. О проблеме больших данных // Экономика и предпринимательство. 2016. № 1. Ч.2. С. 130-134.
34. 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.
35. Севченко Л.М. Бежитский С.С. DataMining и области его применения // Актуальные проблемы авиации и космонавтики. Т. 1. № 11. 2015. С. 611-613.
36. Искусственный интеллект (рынок России). [Электронный ресурс] // TADVISER. URL: http: //www.tadviser.ru/index.php/Статья:Искусственный_ интеллект_(рынок_России) (дата обращения: 03.12.2020).
37. Дроговоз П.А., Шиболденков В.А., Коренькова Д.А. Подход к созданию гибридной рекомендательной системы для поддержки принятия решений по управлению проектами на основе нейросетевого картирования и когнитивной визуализации показателей освоенного объема // Экономика и предпринимательство. 2019. № 9. С. 1212-1217.
38. Блажевич О.Г., Карачун А.И., Сульйманова А.Л. Сравнительный анализ и применение методов прогнозирования банкротства // Бюллетень науки и практики. 2017. № 5(18). С. 161-175.
39. Дроговоз П.А., Коренькова Д.А. Современный инструментарий гибкого управления ИТ-проектами и перспективы его совершенствования с использованием технологий искусственного интеллекта // Экономика и предпринимательство. 2019. № 10. С. 829-833.
40. Юсуфова О.М., Неврединов А.Р. Применение нечетких вычислений и нейронных сетей в управлении проектами // Управление научно-техническими проектами (Москва, 3 апр. 2020 г.): сб. материалов IV междунар. науч.-техн. конференции / Министерство науки и высшего образования Российской Федерации; ФГБОУ ВО «Московский государственный университет имени Н.Э. Баумана С. 256-260.
41. Неврединов А.Р. Специфика применения ансамблевых алгоритмов машинного обучения при решении прикладных задач цифровизации экономики // Актуальные вопросы экономики, менеджмента и инноваций: материалы Международной научно-практической конференции. Нижегород. гос. техн. ун-т им. Р.Е. Алексеева. Нижний Новгород, 2021. С. 51-55.
42. Неврединов А.Р. Применение Ансамблевых Алгоритмов Машинного Обучения Для Предиктивной Аналитики в Промышленности // Будущее машиностроения России: сборник докладов: в 2 томах, Москва, 22-25 сентября 2020 года / Союз машиностроителей России, Московский государственный технический университет имени Н.Э. Баумана (национальный исследовательский университет). -Москва: Издательство МГТУ им. Н.Э. Баумана, 2020. - С. 26-29.
43. Fedorova E., Ledyaeva S., Drogovoz P.A., Nevredinov A.R. Economic policy uncertainty and bankruptcy filings // International Review of Financial Analysis. 2022. Vol. 82. 102174.
44. Barboza, F., Kimura, H., Altman E. Machine learning models and bankruptcy prediction // Expert Systems with Applications, Machine learning models. 2017. No. 83, PP. 405-417. doi: 10.1016/j.eswa.2017.04.006.
45. Bishop C.M. Pattern Recognition and Machine Learning. NY.: Springer, 2006.
738 p.
46. Хайкин С. Нейронные сети: полный курс. 2-е издание. М.: Вильямс, 2006. 1104 с.
47. Нейросетевое моделирование / А.И. Гаврилов [и др.] . М.: Московский государственный машиностроительный университет. 2000. 103 с.
48. Горбачевская Е.Н., Краснов С.С. История развития нейронных сетей // Вестник волжского университета им. В.Н. Татищева. 2015. № 1(23). С. 52-56.
49. Hebb, D. O. The organization of behavior, 1949.
50. Каллан Р. Основные концепции нейронных сетей. М.: Вильямс, 2001. 288
с.
51. Люгер Д.Ф. Искусственный интеллект: стратегии и методы решения сложных проблем. М.: Вильямс, 2005. 864 с.
52. Дебок Г., Кохонен Т. Анализ финансовых данных с помощью самоорганизующихся карт / Пер. с англ.-М.: Издательский Дом «АЛЬПИНА», 2001. 317 с.
53. Краснов М.А. Метод предсказания динамики финансовых временных рядов в инвестировании // Terra economicus. 2009. Т. 7. № 1-2. С. 93-98.
54. Kohonen, T. Self-Organizing Maps, NY.: Springer-Verlag, 2001. 317 p.
55. 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. 713722.
56. 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.
57. Bishop C. M., Svensen M., Williams C. K. I. Developments of the generative topographic mapping // Neurocomputing. 1998. Т. 21. №. 1. С. 203-224.
58. Hochreiter S., Schmidhuber J. Long short-term memory // Neural Computation. 1997. Vol. 9, no. 8. P. 1735-1780.
59. 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.
60. Методика обнаружения вредоносного программного обеспечения на основе сверточных нейронных сетей / М.П. Малыхина, В.А. Частикова, Т.Г. Динму-хаметов, В.Я. Петров // Вестник адыгейского государственного университета. Серия 4: естественно-математические и технические науки. 2019. № 4 (251). С. 118124.
61. 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.
62. Орлов А. И. Компьютерно-статистические методы: состояние и перспективы // Научный журнал КубГАУ - Scientific Journal of KubSAU. 2014. №103. С. 133.
63. Review of bankruptcy prediction using machine learning and deep learning techniques / Yi Qu, Pei Quan, Minglong Lei, Yong Shi // Procedia Computer Science. 2019. Vol. 162. P. 895-899. 10.1016/j.procs.2019.12.065.
64. Tamas N., Miklos V. The effects of handling outliers on the performance of bankruptcy prediction models // Socio-Economic Planning Sciences. 2018. Vol. 67. 10.1016/j.seps.2018.08.004.
65. Чернов В.А. Реализация цифровых технологий в финансовом управлении хозяйственной деятельностью // Экономика Региона. 2020. Т. 16. № 1. С. 283-297.
66. Зиновьев А.Ю. Визуализация многомерных данных. Красноярск.: Красноярский государственный технический университет, 2000. 180 с.
67. Ivakhnenko A. G. The Group Method of Data Handling - a Rival of the Method of Stochastic Approximation // Soviet Automatic Control, 1968, vol. 13, no. 3. P. 43-55.
68. Неврединов А.Р., Юсуфова О.М. Использование машинного обучения в цифровых двойниках производственных процессов // Будущее машиностроения России (Москва, 22-25 сен. 2020 г.): Сб. докладов XXIII всеросс. науч. конференции молодых ученых и специалистов (с междунар. участием): в 2 т. Т. 2 / Союз машиностроителей России, Московский государственный университет имени Н.Э. Баумана (национальный исследовательский университет). М.: Изд-во МГТУ им. Н.Э. Баумана, 2020. С. 364-367.
69. 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.
70. Самарин С.В. Применение аппарата нейронных сетей для анализа финансовых рынков: дис. ... канд. эк. наук: 08.00.13 / М.: ВЗФЭИ, 2002. 153 с.
71. Голоскокова А.К. Управление запасами на основе применения нейронных сетей: дис. ... канд. эк. наук: 08.00.05 / Спб.: СПбГЭУ, 2007. 134 с.
72. Сергеев В.А. Использование нейросетей в прогнозировании фондового рынка // Российский экономический университет им. Г.В. Плеханова. 2018. Т. 7. № 4(25). С. 280-282.
73. Зорин Г.Е. Искусственный интеллект и его применение в банковской сфере // Вестник Российского университета кооперации. 2020. № 1(39). С. 31-36.
74. 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.
75. A Sensitivity Analysis of (and Practitioners' Guide to) Convolutional Neural Networks for Sentence Classification [Электронный ресурс] / Zhang Y., Wallace B. // arXiv. 2015. URL: https://arxiv.org/pdf/1510.03820.pdf (дата обращения 08.11.2020).
76. Грибков Е.И. Нейросетевые модели на основе системы переходов для извлечения структурированной информации о продуктах из текстов пользователей: дис. ... канд. техн. наук: 05.13.17 / Томск.: ТУСУР, 2020. 128 с.
77. 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: 04.12.2020).
78. Кадырова Г.Р. Интеллектуальные системы: учебное пособие. Улья-новск: УлГТУ, 2017. 113 с.
79. Бураков М.В. Нейронные сети и нейроконтроллеры: учебное пособие // СПб.: ГУАП, 2013. 284 с.
80. Николенко С., Архангельская Е., Кадурин А. Глубокое обучение. Спб.: Питер. 2018. 480 с.
81. Функции активации нейросети: сигмоида, линейная, ступенчатая, ReLu, tahn [Электронный ресурс] // Neurohive. URL: https://neurohive.io/ru/osnovy-data-sci-ence/activation-functions/ (дата обращения: 05.12.2020).
82. Функции оценки, потерь, оптимизации - основы алгоритма Машинного Обучения [Электронный ресурс] // ID-LAB. URL: https://id-lab.ru/posts/developers/funkcii/ (дата обращения: 05.12.2020).
83. Goodfellow L., Bengio Y., Courville A. Deep Learning (Adaptive Computation and Machine Learning series) // The MIT Press. 2016. 801 p.
84. Федосин С.А., Ладяев Д.А., Марьина О.А. Анализ и сравнение методов обучения нейронных сетей // Вестник мордовского университета. 2010. №2 4. С. 7988.
85. Васенков Д.В. Методы обучения искусственных нейронных сетей // Компьютерные инструменты в образовании. № 1. 2007. С. 20-29.
86. Коротеев М.В. Обзор некоторых современных тенденций и технологий машинного обучения // E-MANAGEMENT, Т. 1, № 1. 2018 г. С. 26-35.
87. Юсуфова О.М., Неврединов А.Р. Интеллектуальные системы на основе нечетких вычислений и нейронных сетей в управлении проектами космической отрасли // XLIV Академические чтения по космонавтике, посвященные памяти академика С.П. Королева и других отечественных ученых - пионеров освоения космического пространства (Москва, 28-31 янв. 2020 г.): сб. тез. всеросс. науч. конференции / РАН [и др.]; ФГБОУ ВО «Московский государственный технический университет имени Н.Э. Баумана (национальный исследовательский университет)». М: Изд-во МГТУ им. Н.Э. Баумана, 2020. Т. 1. С. 370-372.
88. Белявский Г.И., Пучков Е.В., Лила В.Б. Алгоритм и программная реализация гибридного метода обучения искусственных нейронных сетей // Программные продукты и системы. 2012. № 4. С. 19.
89. Абрагин А.В. Перспективы развития и применения нейронных сетей // Проблемы современной науки и образования. 2015. № 12. С. 12-15.
90. Айранетов А.Э., Коваленко А.А. Виды генеративно-состязательных сетей // Политехнический молодёжный журнал. 2018. № 10. С. 8.
91. Романчук В.А., Лукашенко В.В., Ручкин В.Н. Обобщенная модель функционирования облачной вычислительной системы на базе нейрокомпьютеров // Известия тульского государственного университета. Технические науки. 2016. № 9. С. 197-208.
92. Методологические основы разработки нейросетевых моделей экономических объектов в условиях неопределенности / Горбатков С.А. [и др.]. М.: Экономическая газета, 2012. 494 с.
93. Difference Between Soft Computing and Hard Computing [Электронный ресурс] // TechDifferences. URL: https://techdifferences.com/difference-between-soft-computing-and-hard-computing.html (дата обращения 04.12.2020).
94. Дроговоз П.А. Эволюция моделей инновационного процесса и современная классификация инноваций //Креативная экономика. 2007. №. 7. C. 23-33.
95. Types of Neural Networks and Definition of Neural Network [Электронный ресурс] // Greatlearning. URL: https://www.mygreatlearning.com/blog/types-of-neural-networks/#feedforwardnn (дата обращения 04.12.2020).
96. Artificial Neural Networks [Электронный ресурс] // Cybiant. URL: https://www. cybiant.com/resources/artificial-neural-networks/ (дата обращения 04.12.2020).
97. The networks zoo [Электронный ресурс] // The Asimov institute. URL: http://www.asimovinstitute.org/neural-network-zoo (дата обращения 04.12.2020).
98. Токарев Б.Е., Токарев Р.Б. Анализ рынка искусственного интеллекта: динамика патентования технологий // Практический маркетинг. 2020. № 1. С. 38-44.
99. Неврединов А. Р. Перспективные направления реализации методом машинного обучения в системах поддержки принятия решений на промышленных предприятиях / А. Р. Неврединов // Цифровая трансформация промышленности: тенденции и перспективы: Сборник научных трудов по материалам 2-й Всероссийской научно-практической конференции, Москва, 11 ноября 2021 года. - Москва:
Общество с ограниченной ответственностью "Русайнс", 2022. - С. 245-251. (0,26 п.л.).
100. AI to drive GDP gains of $15.7 trillion with productivity, personalisation improvements [Электронный ресурс] // Официальный сайт PWC. URL: https://www.pwc.com/gx/en/news-room/press-releases/2017/ai-to-drive-gdp-gains-of-15_7-trillion-with-productivity-personalisation-improvements.html (дата обращения 05.12.2020).
101. WIPO Technology Trends 2019 - Artificial Intelligence [Электронный ресурс] // WIPO - world intellectual property organization. URL: https: //www. wipo .int/publications/en/details. j sp?id=43 86 (дата обращения: 05.12.2020).
102. Дроговоз П.А. Классификация областей применения методов машинного обучения при поддержке принятия решений на предприятиях ракетно-космической отрасли / П. А. Дроговоз, О. М. Юсуфова, А. Р. Неврединов // XLV Академические чтения по космонавтике, посвященные памяти академика С.П. Королёва и других выдающихся отечественных ученых - пионеров освоения космического пространства: сборник тезисов: в 4 т., Москва, 30 марта - 02 марта 2021 года. Москва: Издательство МГТУ им. Н.Э. Баумана, 2021. С. 135-138.
103. Mahesh C. Best Programming Language for Machine Learning [Электронный ресурс] // C#Corner. 2019. 13 апреля. URL: https://www.c-sharpcorner.com/article/best-programming-language-for-machine-learning/ (дата обращения 06.12.2020).
104. Bughin J. Artificial intelligence: the next digital frontier? // McKinsey Global Institute. 2017. 80 p.
105. Шиболденков В.А. Разработка инструментария нейросетевого разведочного анализа и поддержки принятия решений по развитию экономических систем: дис. ... канд. эк. наук: 08.00.13 / М.: МГТУ им. Н.Э. Баумана, 2019. 203 с.
106. Сквозная платформа машинного обучения с открытым исходным кодом [Электронный ресурс] // Официальный сайт TensorFlow. URL: https://www.tensorflow.org/ (дата обращения 06.12.2020).
107. Описание библиотеки Keras [Электронный ресурс] // Официальный сайт Keras. URL: https://keras.io/ (дата обращения 06.12.2020).
108. Описание библиотеки PyTorch [Электронный ресурс] // Официальный сайт PyTorch. URL: https://pytorch.org/ (дата обращения 06.12.2020).
109. Топ 30 библиотек для машинного обучения [Электронный ресурс] // Data Science для бизнеса. URL: https://datascience.org.ua/top-30-bibliotek-dlia-mash-innogo-obuchenija/ (дата обращения 06.12.2020).
110. AI Platform [Электронный ресурс] // Gooogle Cloud. URL: https://cloud.google.com/ai-platform (дата обращения 06.12.2020).
111. Data Never Sleeps 8.0 [Электронный ресурс] // Domo. URL: https://www.domo.com/learn/data-never-sleeps-8 (Дата обращения 06.12.2020).
112. Юсуфова О.М., Неврединов А.Р. Интеллектуальные системы на основе нечетких вычислений и нейронных сетей в управлении проектами // Экономика и предпринимательство. 2019. № 8. С. 828-833.
113. All of the data created in 2018 is equal to. [Электронный ресурс] // Statista. Martin Armstrong. 2019. 16 апреля. URL: https://www.statista.com/chart/17723/the-data-created-last-year-is-equal-to/ (дата обращения 06.12.2020).
114. Высокоуровневая система параллельного программирования многоядерного гибридного процессора / Биконов Д.В. [и др.] // Наноиндустрия. 2020. Т. 13. № S4(99). С.94-96.
115. Yusufova O.M., Nevredinov A.R. An approach to applying soft computing models to recognize technology readiness levels in research and development (R&D) projects // AIP Conference Proceedings. 2022. Vol. 2383, 070006. DOI: 10.1063/5.0074919.
116. An analysis of the determinants of financial distress in Italy: A competing risks approach / Amendola Alessandra, Restaino Marialuisa, Sensini Luca // International Review of Economics & Finance. 2014. Vol. 37. 10.1016/j.iref.2014.10.012.
117. Du Jardin Philippe. Bankruptcy prediction using terminal failure processes. European Journal of Operational Research. 2015. Vol. 242. P. 286-303. 10.1016/j.ejor.2014.09.059.
118. Dakovic Rada, Czado Claudia, Berg Daniel. Bankruptcy prediction in Norway: a comparison study. Applied Economics Letters. 2010. Vol. 17. P. 1739-1746. 10.1080/13504850903299594.
119. Veganzones David, Severin Eric. An investigation of bankruptcy prediction in imbalanced datasets. Decision Support Systems. 2018. Vol. 112. 10.1016/j.dss.2018.06.011.
120. Куличёва О.А., Антонов А. В. Совершенствование методов оценки финансовой устойчивости публичных компаний // Вестник астраханского государственного технического университета. Серия: экономика. 2015. № 1. С. 76-82.
121. Шеремет А. Д., Козельцева Е. А. Финансовый анализ: Учебно-методическое пособие. М.: Экономический факультет МГУ имени М. В. Ломоносова, 2020. 200 с.
122. СидоринА.А., Полякова А.А., Дударева А.Б., Кожанчикова Н.Ю. Совершенствование методики оценки кредитоспособности потенциальных заёмщиков // Russian Journal of Agricultural and Socio-Economic Sciences. 2017. №7(67). С. 102-107.
123. Бухгалерская отчёность предприятий и организаций Росстат за 2018 год [Электронный ресурс] // Росстат. URL: https://rosstat.gov.ru/opendata/7708234640-7708234640bdboo2018 (дата обращения: 03.12.2020).
124. Московская биржа [Электронный ресурс] // Оффициальный сайт московской биржи. URL: https://www.moex.com/ (дата обращения: 03.12.2020).
125. Amadeus [Электронный ресурс] // Bereau van dijk: A Moody's Analytics Company. URL: https: //www.bvdinfo. com/ru-ru/our-products/data/international/ amadeus (дата обращения: 03.12.2020).
126. Santoro Emiliano, Gaffeo Edoardo. Business Failures, Macroeconomic Risk and the Effect of Recessions on Long-Run Growth: a Panel Cointegration Approach.
Journal of Economics and Business. 2009. Vol. 61. PP. 435-452. 10.1016/j.jeconbus.2009.05.001.
127. Platt Harlan, Platt Marjorie, Pedersen Jon. Bankruptcy discrimination with real variables. Journal of Business Finance & Accounting. 2006. Vol. 21. PP. 491-510. 10.1111/j.1468-5957.1994.tb00332.x.
128. Baker S., Nicholas B., Steven J. Davis, Measuring Economic Policy Uncertainty. The Quarterly Journal of Economics, Oxford University Press. 2016. Vol. 131(4), pp. 1593-1636.
129. Archer K. J., Kimes, R. V. Empirical characterization of random forest variable importance measures // Computational Statistics and Data Analysis, 2008. No. 52(4), PP. 2249-2260. doi: 10.1016/j.csda.2007.08.015.
130. Фёдорова Е.А., Хрустов Л.Е., Демин И.С. Влияние качества раскрытия нефинансовой информации российскими компаниями на их инвестиционную привлекательность // Российский журнал менеджмента. 2020. Т. 18. № 1. С. 51-72.
131. Влияние нефинансовой информации на основные показатели российских компаний / Фёдорова Е.А., Афанасьев Д.О., Нерсесян Р.Г., Ледяева С.В. // Журнал новой экономической ассоциации. 2020. № 2(46). С. 73-96.
132. Кузубов С. А., Евдокимова М. С. Повышает ли стоимость компании публикация нефинансовых отчетов по стандартам GRI (на примере стран БРИКС)? // Учёт. Анализ. Аудит. 2017. № 2. С. 28-36.
133. Deep Learning Models for Bankruptcy Prediction using Textual Disclosures / Mai Feng, Tian Shaonan, Lee Chihoon, Ma Ling // European Journal of Operational Research. 2018. Vol. 274. doi: 10.1016/j.ejor.2018.10.024.
134. Воробьёв Н.В., Пучков Е.В. Классификация текстов с помощью свёрточных нейронных сетей // Молодой исследователь дона. 2017. № 6(9). С. 2-7.
135. Nevredinov A.R. A Machine Learning Approach to Building a Hybrid Toolkit for Assessing Company Resilience / A.R. Nevredinov // Science, Engineering and Business: Сборник материалов III Межвузовской конференции аспирантов, соискателей и молодых ученых = Conference Proceedings and Papers III Interacademic
Conference for Graduate Students and Young Researchers, Москва, 27-28 апреля 2021 года. - Москва: Московский государственный технический университет имени Н.Э. Баумана (национальный исследовательский университет), 2022. С. 170-177.
136. Stacking machine learning model for estimating hourly PM2.5 in China based on Himawari 8 aerosol optical depth data / Jiangping C., Jianhua Y., Lin Z., Taixin Z, Mengdi Z. // Science of the Total Environment, 2019. No 697. doi: 10.1016/j.sci-totenv.2019.134021.
137. A stacking methodology of machine learning for 3D geological modeling with geological-geophysical datasets, Laochang Sn camp, Gejiu (China)' / Ran J., Yikai L., Gongwen W., EmmanuelJohnM C., Yongqing C., Chao W., Zhiqiang Z. // Computers and Geosciences, No. 151. doi: 10.1016/j.cageo.2021.104754.
138. Aranea. A Family of Comparable. Gigaword Web Corpora [Электронный ресурс] // Официальный сайт Aranea Project. URL: http://unesco.uniba.sk/aranea/ (дата обращения 10.12.2020).
139. Кафтанников И.Л., Парасич А.В. Проблемы формирования обучающей выборки в задачах машинного обучения // Ветник южно-уральского государственного университета. Серия: компьютерные технологии, управление, радиоэлектроника. 2016. Т. 16. № 3. С. 15-24.
140. Большаков М.А. Подготовка данных системы мониторинга ИТ-инфраструктуры для моделей выявления критических состояний на основе нейросетей // Наукоёмкие технологии в космических исследованиях земли. 2019. Т. 11. № 4. С. 65-71.
141. Добро пожаловать в Colaboratory [Электронный ресурс] // Google Cola-boratory. URL: https://colab.research.google.com (дата обращения 06.12.2020).
142. Программная реализаия приложения с использованием нейронных сетей для восстановления изображения после сжатия с потерями / В.Ф. Барабанов, Н.И. Гребенникова, С.Л. Кенин, Д.А. Юров // Вестник Воронежского Государственного технического университета. 2018. Т. 14. № 3. С. 20-28.
143. Астраханцева И.А., Кутузова А.С., Астраханцев Р.Г. Интеллектуальные методы обработки данных при прогнозировании оборота наличных денежных средств в банкоматах коммерческих банков // Научные труды вольного жкономического общества России. 2019. Т. 218. № 4. С. 481-488.
144. Бухгалтерская (финансовая) отчетность предприятий и организаций за 2016 год [Электронный ресурс] // Официальный сайт Росстат. URL: https://rosstat.gov.ru/opendata/7708234640-bdboo2016 (дата обращения 10.12.2020).
145. Бухгалтерская (финансовая) отчетность предприятий и организаций за 2018 год [Электронный ресурс] // Официальный сайт Росстат. URL: https://rosstat. gov.ru/opendata/7708234640-7708234640bdboo2018 (дата обращения 10.12.2020).
146. World Development Indicators: DGP, PPP [Электронный ресурс] // DataBank. URL: https ://databank. worldbank. org/reports. aspx?source=2&se-ries=NY.GDP.MKTP.PP.CD&country= (дата обращения 10.03.2021).
147. World Development Indicators: Inflation (annual %) [Электронный ресурс] // DataBank. URL: https://databank.worldbank.org/reports.aspx?source=2 &series=FP.CPI.TOTL.ZG&country= (дата обращения 10.03.2021).
148. World Development Indicators: Unemployment (% of total labor force) [Электронный ресурс] // DataBank. URL: https://databank.worldbank.org/reports.aspx?source=2&series=SL.UEM.TOTL.ZS&co untry= (дата обращения 10.03.2021).
149. Global Wage Report 2018/19 [Электронный ресурс] // ilo.org. URL: https://databank.worldbank.org/reports.aspx?source=2&series=SL.UEM.TOTL.ZS&co untry= (дата обращения 10.03.2021).
150. Global Wage Report 2020-21 [Электронный ресурс] // ilo.org. URL: https://www.ilo.org/wcmsp5/groups/public/—dgreports/—dcomm/—publ/documents /publication/wcms 762534.pdf (дата обращения 10.03.2021).
151. Доходность облигации Испания 10-летние [Электронный ресурс] // in-vesting.com. URL: https://ru.investing.com/rates-bonds/spain- 10-year-bond-yield-historical-data (дата обращения 10.03.2021).
152. Доходность облигации Италия 10-летние [Электронный ресурс] // in-vesting.com. URL: https://ru.investing.com/rates-bonds/italy-10-year-bond-yield-historical-data (дата обращения 10.03.2021).
153. Доходность облигации Россия 10-летние [Электронный ресурс] // invest-ing.com. URL: https://ru.investing.com/rates-bonds/russia-10-year-bond-yield-historical-data (дата обращения 10.03.2021).
154. Доходность облигации Франция 10-летние [Электронный ресурс] // in-vesting.com. URL: https://ru.investing.com/rates-bonds/france-10-year-bond-yield-historical-data (дата обращения 10.03.2021).
155. Bravo F., Abad C., Trombetta M. Disclosure theories and disclosure measures // Revista Espanola de Financiacion y Contabilidad. 2010. No. 147. PP. 393-420.
156. Гринин И.Л. Разработка, тестирование и сравнение моделей сентиментального анализа коротких текстов // Инновации и инвестиции. 2020. № 6. С. 186189.
157. Пожидаева Т.А. Оценка кредитоспособности заёмщика по данным бухгалтерской отчетности // Экономический анализ: теория и практика. 2006. № 11(68). С. 29-36.
158. Brett Lantz, "Machine Learning with R", Packt Publishing Limited, 2013. ISBN - 978-1782162148.
159. Potdar K., Pardawala T., & Pai C. A Comparative Study of Categorical Variable Encoding Techniques for Neural Network Classifiers // International Journal of Computer Applications. 2017. No. 175. PP. 7-9. doi: 10.5120/ijca2017915495.
160. Зайцев М.А. Сравнение эффективности активационных функций многослойного перцептрона в задачах прогнозирования финансовых рядов // E-SCIO. 2020. № 9(48). С. 125-131.
161. Библиотека для анализа русского текста // GitHub [Электронный ресурс] // URL: https://github.com/dmafanasyev/rulexicon (дата обращения 11.12.2020).
162. Методы оптимизации нейронных сетей [Электронный ресурс] // Habr. URL: https://habr.eom/ru/post/318970/ (дата обращения 10.12.2020).
163. Understanding LSTM Networks [Электронный ресурс] // Colahs's blog. URL: http://colah.github.io/posts/2015-08-Understanding-LSTMs/ (дата обращения 11.12.2020).
164. Underfitting vs. Overfitting [Электронный ресурс] // Scikit-learn. URL: https://scikit-learn.org/stable/auto examples/model selection/plot underfitting overfit-ting.html (дата обращения 14.12.2020).
165. Дрощенко А.Ю., Довгаль В.М. Об одном подходе к решению проблемы переобучения классификатора // Auditorium. 2017. № 1(13). С. 67-75.
166. Батраева И.А., Нарцев А.Д. Лезгян А.С. Использование анализа семантической близости слов при решении задачи определения жанровой принадлежности текстов методами глубокого обучения // Вестник томского государственного университета. Управление. Вычислительная техника и информатика. 2020. № 50. С. 14-22.
167. Yelp Open Dataset [Электронный ресурс] // Официальный сайт Yelp. URL: https://www.yelp.com/dataset (дата обращения 11.12.2020).
168. Попова Е.С., Спицын В.Г., Иванова Ю.А. Использование искуственных нейронных сетей для решения задачи классификации текста // Труды международной конфереции по компьютерной графики и зрению «Грификон». № 29. 2019. С. 270-273.
169. Ворнов В.И., Мартыненко Э.В. Исследование параллельных структур нейронных сетей для использования в задачах по семантической классификации текста на русском языке в условиях ограничения вычислительных ресурсов (на примере оперативных сводок в системе МВД России) // Экономика и качество систем связи. 2018. № 3(9). С. 52-60.
170. Bengio Y. Ducharme R., Vincent P. A Neural Probabilistic Language Model //Journal of Machine Learning Research. 2003. vol. 3. P. 1137-1155.
171. Distributed Representations of Words and Phrases and their Compositional ity [Электронный ресурс] / T. Mikolov et al. // arXiv, 2013. URL: http://arxiv.org/abs/1310.4546 (дата обращения 08.02.2021).
172. Efficient Estimation of Word Representations in Vector Space [Электронный ресурс] / T. Mikolov et al. // arXiv, 2013. URL: http: //arxiv .org/abs/1301.3781 (дата обращения 08.02.2021).
173. Pennington, J., Soche, R., D. Manning, C. GloVe: Global Vectors for Word Representation [Электронный ресурс] // Сайт Стэндфордского университета. URL: https://nlp.stanford.edu/projects/glove (дата обращения 11. 12.2020).
174. Неврединов А.Р. Подход к нейросетевому анализу текстовой информации при экономической оценке компаний // Экономический анализ: теория и практика. 2021. №8 (515). С. 1574-1594
175. Неврединов А.Р. Инструментальный метод машинного обучения для прогнозирования банкротства компаний // Финансы и кредит. 2021. Т.27, №9. С. 2118-2138. https://doi.org/10.24891/fc.27.9.2118
176. LSTM: A Search Space Odyssey [Электронный ресурс] / K. Greff et al. // arXiv, 2015. URL: http://arxiv.org/abs/1503.04069 (дата обращения 08.02.2021).
177. Anand, D., & Wagh, R. Effective deep learning approaches for summarization of legal texts // Journal of King Saud University - Computer and Information Sciences. 2019. https://doi.org/10.1016/jjksuci.2019.11.015.
178. Гречачин В.А. К вопросу о токенизации текста // Международный научно-исследовательский журнал. 2016. №6-4 (48). С. 25-27.
179. What is PyQt? [Электронный ресурс] // официальный сайт PyQt. URL: https://riverbankcomputing.com/software/pyqt/intro (дата обращения 11.12.2020).
180. Python [Электронный ресурс] // оффициальный сайт языка программирования Python. URL: https: //www. python. org/ (дата обращения 11.12.2020).
181. PlaidML - Intel AI [Электронный ресурс] // URL: https://www.intel.com/content/www/us/en/artificial-intelligence/plaidml.html (дата обращения 11.12.2020).
182. Ways to think about machine learning. [Электронный ресурс] / Evans В/ URL: https://www.ben-evans.com/benedictevans/2018/06/22/ways-to-think-about-machine-learning-8nefy (дата обращения: 20.02.2021).
183. Культин Н.Б., Культин Д.Н., Бауэр Р.В. Применение технологии машинного обучения для анализа вероятности выигрыша тендера на выполнение проекта // Труды Института системного программирования РАН. 2020. Т. 32(2). С. 29-36.
184. Почему ваш проект по машинному обучению может потерпеть неудачу: как этого избежать. [Электронный ресурс] / Азаров А. А. URL: https://rb.ru/opinion/proekt-po-ml/ (дата обращения: 20.02.2021).
https: //www.kdnuggets ния: 20.02.2021).
problems-crisp-dm-fix.html (дата обраще
189. CRISP-DM 1.0. Step-by-step data mining guide. P. Chapman et al., SPSSInc, 2000. 76 с.
190. SEMMA [Электронный ресурс] // Курсы Big Data, Hadoop, Arenadata, Kafka и Spark. URL: https://www.bigdataschool.ru/wiki/semma (дата обращения: 21.02.2021).
191. SAS Institute. Data Mining and the Case for Sampling, 2009. 39 с. https://sceweb.uhcl.edu/boetticher/ML DataMining/SAS-SEMMA.pdf
192. Что такое процесс обработки и анализа данных группы? [Электронный ресурс] // Microsoft: Documentation. URL: https://docs.microsoft.com/ru-ru/azure/machine-learning/team-data-science-process/overview (дата обращения: 21.02.2021).
193. Knowledge Discovery in Databases — обнаружение знаний в базах данных [Электронный ресурс] // Basegroup. Технологии анализа данных. URL: https://basegroup.ru/community/articles/kdd (дата обращения: 20.02.2021).
194. Drogovoz P.A., Yusufova O.M., Nevredinov A.R. An approach to exploratory neural network analysis and visualization of economic data in the space industry // AIP Conference Proceedings. 2021. Vol. 2318, 070007. DOI: 10.1063/5.0039855.
195. Drogovoz P.A., Yusufova O.M., Shiboldenkov A.S., Nevredinov A.R. An approach to exploratory neural network analysis and visualization of economic data in the space industry // XLIV Academic Space Conference, AIP Conference Proceedings, 2021. Vol. 2318, 070007. DOI: 10.1063/5.0039855.
196. Шваб К. Технологии четвертой промышленной революции. М.: Эксмо, 2018. 320 с.
197. Рентабельность активов по отраслям (видам деятельности) [Электронный ресурс] // Testfirm. URL: https://www.testfirm.ru/finfactor/roa/ (дата обращения: 24.03.2021).
Приложение А
Исходный код для программной реализации инструментария на языке
программирования Python
import sys #импорт необходимых библиотек import os
os.environ["KERAS_BACKEND"] = "plaidml.keras.backend"
from PyQt5.QtGui import *
from PyQt5.QtCore import *
from PyQt5.QtWidgets import *
from PyQt5 import uic, QtWidgets
import csv
import numpy as np
import pandas as pd
import re
import matplotlib.pyplot as plt
form, _ = uic.loadUiType("design.ui") # расположение файла .ui class Ui (QtWidgets.QMainWindow, form):
def_init_(self):
super(Ui, self)._init_()
self.setupUi(self) self.input_params_FFN() self.input_params_FFN_b() #события при нажатии кнопок
self.pushButton_open_text_FNN.clicked.connect(self. getFileName_nfin) #загрузить отчёта для нефин. анализа
self.pushButton_inpit_param_FFN.clicked.connect(self.input_params_FFN) #ввести данные из отдельных полей в общее
self.pushButton_start_ev.clicked.connect(self.use_FFN) #запуск оценки ИНС self.pushButton_csv_open_FNN.clicked.connect(self. getFileName_learn_FFN) #открыть .csv файл для обучения FFNN
self.pushButton_obuch_FFN.clicked.connect(self.start_learn_FFN) #запустить обучение FFNN
self.pushButton_open_text_FNN_2.clicked.connect(self.getFileName_RNN) #загрузить текст для RNN
self.pushButton_text_data.clicked.connect(self.start_use_RNN) #запустить
оценки RNN
self.pushButton_csv_open_RNN.clicked.connect(self. getFileName_learn_RNN) #открыть .csv файл для обучения RNN
self.pushButton_obuch_RNN.clicked.connect(self.start_learn_RNN) #запустить обучение RNN
self.pushButton_inpit_param_bank.clicked.connect(self.input_params_FFN_b) #ввести данные из отдельных полей в общее в предсказании банкротства
self.pushButton_start_ev_bank.clicked.connect(self.use_FFN_b) #запуск оценки ИНС в предсказании банкротства
# обработка событий при нажатии кнопок def getFileName_nfin(self):
filename, filetype = QFileDialog.getOpenFileName(self,
"Выбрать файл",
»» »»
".",
"Text Files(*.txt);;PDF Files(*.png);;All Files(*)") if filename !='': nfin=functions.Nonfin_index(filename) self.lineEdit_corp_upr.setText(str(nfin[0])) self.lineEdit_econom_result. setText(str(nfin[ 1 ]))
self.lineEdit_ecolog.setText(str(nfin[2])) self.lineEdit_uper_personal. setText(str(nfin[3]))
'''def input_params_FFN(self): input_string = self.lineEdit_vneob_ac-
tiv.text()+",M+self.lineEdit_os_sredstv.text()+M,M+self.lineEdit_koef_ob_ac-tiv.text()+",M+self.lineEdit_fin_vloj.text()+M,M+self.lineEdit_den_sredstv.text()+M,M+self. lineEdit_proch_ob_activ.text()\ +","+self.lineEdit_sum_ac-tiv.text()+",M+self.lineEdit_kapital_reserv.text()+M,M+self.lineEdit_krat-kosroch_ob.text()+M,"+self.lineEdit_viruchka.text()+M,M+self.lineEdit_chist_prib.text() +","+self.lineEdit_assets.text()
self.lineEdit_all_params.setText(input_string)''' def input_params_FFN(self):
input_string =
self.lineEdit_rentab_prod.text()+",M+self.lineEdit_roe.text()+M,M+self.lineEdit_roce.text( )+",M+self.lineEdit_roa.text()+M,M+self.lineEdit_rota.text()\
+","+self.lineEdit_ob_chist_ac-tiv.text()+",M+self.lineEdit_ic.text()+M,M+self.lineEdit_st.text()+M,M+self.lineEdit_cop.tex t()+","+self.lineEdit_crp.text() +","+self.lineEdit_tec_licvidn.text()\
+",M+self.lineEdit_sroch_licvidn.text()+M,M+self.lineEdit_slr.text()+M,M+self.lineEdit_koe f_afronom.text()+","+self.lineEdit_ge.text()\
+",M+self.lineEdit_razmer.text()+M,M+self.lineEdit_ob_den_sredstv.text()+M,M+self.lineE dit_chist_ob_kapital.text()+","+self.lineEdit_cta.text()\
+",M+self.lineEdit_lts.text()+M,M+self.lineEdit_assets.text() self.lineEdit_all_params .setText(input_string)
def input_params_FFN_b(self):
input_string =
self.lineEdit_rentab_prod_2.text()+","+self.lineEdit_roe_2.text()+M,M+self.lineEdit_roce _2.text()+","+self.lineEdit_roa_2.text()+M,M+self.lineEdit_rota_2.text()\
+","+self.lineEdit_ob_chist_ac-tiv_2.text()+",M+self.lineEdit_ic_2.text()+M,"+self.lineEdit_st_2.text()+M,M+self.lineEdit_ cop_2.text()+","+self.lineEdit_crp_2.text() +","+self.lineEdit_tec_licvidn_2.text()\
+",M+self.lineEdit_sroch_licvidn_3.text()+M,"+self.lineEdit_slr_2.text()+M,M+self.lineEdi t_koef_afronom_2.text()+","+self.lineEdit_ge_2.text()\
+",M+self.lineEdit_razmer_2.text()+M,"+self.lineEdit_ob_den_sredstv_2.text()+M,M+self.li neEdit_chist_ob_kapital_2.text()+","+self.lineEdit_cta_2.text()\
+",M+self.lineEdit_lts_2.text()+",M+self.lineEdit_inter-est.text()+",M+self.lineEdit_real_DGP.text()+M,"+self.lineEdit_infl.text()+M,M+self.lineEd it_real_wage.text()+","+self.lineEdit_unemp.text()+M,M+self.lineEdit_epu.text() self.lineEdit_all_params_3 .setText(input_string)
def use_FFN(self):
sum_nonfin=int(self.lineEdit_corp_upr.text())+int(self.lineEdit_econom_re-sult.text())+int(self.lineEdit_ecolog.text())+int(self.lineEdit_uper_personal.text()) input_data=str(sum_nonfin)+","+self.lineEdit_all_params .text() result = int(functions.predict_FFN(input_data.split(',')))+1 #ИНС даёт классы от 0 до 4, а надо отобразить от 1 до 5
self.lcdNumber_neeconom.display(result) #отображение оценки с цветовой инжикацией if result <= 2:
self.lcdNumber_neeconom.setStyleSheet("color: red") if result == 3:
self.lcdNumber_neeconom.setStyleSheet("color: yellow") if result >= 4:
self.lcdNumber_neeconom.setStyleSheet("color: green")
def use_FFN_b(self):
input_data=self.lineEdit_all_params_3 .text()
result = '{:.3f}'. format(float( 1 -functions .predict_FFN_b(input_data.split(',')))*100) #ИНС даёт результат в обратном направлении, 1 - гарантированный банкрот, 0 - не банкрот
self.lineEdit_bunkrapt_p.setText(str(result)+"%")
def getFileName_learn_FFN(self): global filename
filename, filetype = QFileDialog.getOpenFileName(self,
"Выбрать файл", »» »»
".",
"CSV Files(*.csv);;All Files(*)") if filename !='':
self.pushButton_obuch_FFN. setEnabled(True) def start_learn_FFN(self): layerl=int(self.lineEdit_FNN_1_layer.text()) layer2=int(self.lineEdit_FNN_2_layer.text()) epoch=int(self.lineEdit_FNN_epoch.text()) bath=int(self.lineEdit_FNN_bath.text()) global filename
if self.checkBox_bunkrapt.isChecked(): val_acc=str('{:.2f}'.format(functions.learn_new_FFN_b(filename,layer1, layer2,epoch,bath))+"%") else:
val_acc=str('{:.2f}'.format(functions.learn_new_FFN(filename,layer1, layer2,epoch,bath))+"%")
self.lineEdit_accuracity_FNN. setText(val_acc) self.load_image_FFN()
def load_image_FFN(self):
pixmap = QPixmap('output\\FFNN_graph.png') pixmap=pixmap.scaled(521, 301)
self.label_FFN.setPixmap(pixmap)
def getFileName_RNN(self): global filename
filename, filetype = QFileDialog.getOpenFileName(self,
"Выбрать файл", »» »»
".",
"Text Files(*.txt);;All Files(*)") if filename !='':
self.label_load_marker.setText(,Загружено,) self.label_load_marker.setStyleSheet("color: green")
def start_use_RNN(self): global filename
if self.radioButton_file.isChecked(): bad_texts=functions.predict_RNN(filename,True, int(self.verti-
calSlider_text.value()))
if self.radioButton_text.isChecked(): bad_texts = functions.predict_RNN(self.textEdit_RNN_in.toPlainText(), False,int(self.verticalSlider_text.value()))
texts = "\n\n".join(bad_texts) self.textEdit_RNN_out. setText(texts)
def getFileName_learn_RNN(self): global filename
filename, filetype = QFileDialog.getOpenFileName(self,
"Выбрать файл",
»» »»
".",
"CSV Files(*.csv);;All Files(*)") if filename !='':
self.pushButton_obuch_RNN. setEnabled(True) def start_learn_RNN(self): layer=int(self.lineEdit_RNN_kol.text()) epoch=int(self.lineEdit_RNN_epoch.text()) bath=int(self.lineEdit_RNN_bath.text()) global filename
val_acc=str('{:.2f}'. format(functions.learn_new_RNN(filename,layer, epoch,bath)))+"%"
self.lineEdit_accuracity_RNN. setText(val_acc) self.load_image_RNN() def load_image_RNN(self): pixmap = QPixmap('output\\RNN_graph.png') pixmap=pixmap.scaled(521, 301) self.label_RNN.setPixmap(pixmap) #класс необходимых функций обработки информации и машинного обучения class functions: @staticmethod
#расчёт нефинансовых показателей def Nonfin_index(filename):
reg_file = pd.read_csv('input\\key_nonfinance_report_standard.csv', sep='\t',) # document = "D:\\pdfs_new\\"+file filel = open(filename, 'r', encoding='utf-8') corp_uprav=0 econom_result=0 ecolog=0
politica_upr_personal=0 #print(filename) list1=[0,0,0,0] for strings in filel:
temp = reg_file.drop(np.where(reg_file['section'] != "Основные элементы")[0]) for index, row in temp.iterrows():
corp_uprav += len(re.findall(row.loc['regex'], strings)) temp = reg_file.drop(np.where(reg_file['section'] != "Экономическая результа-тивность")[0])
for index, row in temp.iterrows():
econom_result += len(re.findall(row.loc['regex'], strings)) temp = reg_file.drop(np.where(reg_file['section'] != "Экология")[0]) for index, row in temp.iterrows():
ecolog += len(re.findall(row.loc['regex'], strings)) temp = reg_file.drop(np.where(reg_file['section'] != "Занятость")[0]) for index, row in temp.iterrows():
politica_upr_personal += len(re.findall(row.loc['regex'], strings)) listl [0]=corp_uprav list1[1]=econom_result listl [2]=econom_result list1 [3]=politica_upr_personal return(list1) Использование сети для анализа компании
def predict_FFN(input_data): from tensorflow.keras.models import load_model import pickle
from sklearn.preprocessing import StandardScaler data_array = np.array(input_data, dtype='float').reshape(1,-1)
# загрузка сохранённой модели ИНС и её использование train = pd.read_csv('input\\train_new.csv', delimiter=",") train_X = train.loc[:,'sum_nf:'assets']
scaler = StandardScaler() scaler.fit(train_X)
#scaler = pickle.load(open("output\\FNN_scaler_1.p","rb"))
data_array=scaler.transform(data_array)
model = load_model('output\\best_FNN_model_1.h5')
result = model.predict_classes(data_array)
return(result)
#использование сети для прогнозирования банкротства def predict_FFN_b(input_data): from tensorflow.keras.models import load_model import pickle
from sklearn.preprocessing import StandardScaler data_array = np.array(input_data, dtype='float').reshape(1,-1)
# загрузка сохранённой модели ИНС и её использование train = pd.read_csv('input\\train_alt.csv', delimiter-',") train_X = train.loc[:,'Profit margin':'EPU']
scaler = StandardScaler() scaler.fit(train_X)
data_array=scaler.transform(data_array) n members = 5
members = list()
for i in range(n_members):
filename = 'output\\model_b_' + str(i + 1) + '.h5'
# load model from file model = load_model(filename)
# add to list of members members.append(model)
stackedX = functions.stacked_dataset(members, data_array) print(stackedX)
model = load_model('output\\best_FNN_model_2.h5') result = model.predict(stackedX) return(result) @classmethod
#получение нового вектора данных (датасета) для ввода в мета-модель def stacked_dataset(self, members, inputX): from numpy import dstack stackX = None for model in members: yhat = model.predict(inputX, verbose=0)
# stack predictions into [rows, members, probabilities] if stackX is None:
stackX = yhat else:
stackX = dstack((stackX, yhat)) stackX = stackX.reshape((stackX.shape[0], stackX.shape[1]*stackX.shape[2])) return stackX #обучение модели предсказания банкротства @classmethod
def fit_model_b(self, train_X, train_Y, layer1, layer2, num_param, epochs, bath):
from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Dense, Dropout from tensorflow.keras.callbacks import ModelCheckpoint model = Sequential()
model.add(Dense(layer1, input_shape=(None,num_param),activation='relu')) model.add(Dropout(0.2)) model.add(Dense(layer2, activation='sigmoid')) model.add(Dense(1, activation='sigmoid'))
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy']) model_save_path = 'output\\best_FNN_model.h5'
checkpoint_callback = ModelCheckpoint(model_save_path, monitor='val_accura-cy', save_best_only=True, verbose=1)
history = model.fit(train_X, train_Y, epochs=epochs, batch_size=bath, valida-tion_split=0.15, callbacks=[checkpoint_callback]) return model, history #обучение мета-модели для ансамбля предсказания банкротства @classmethod
def fit_stacked_model_b(self,members,train_X, train_Y): from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Dense, Dropout from tensorflow.keras import Model from tensorflow.keras.callbacks import ModelCheckpoint model = Sequential()
model.add(Dense(20, input_shape=(None,5), activation='elu')) model.add(Dense(1, activation='sigmoid'))
model.compile(loss='binary_crossentropy', optimizer='RMSprop', metrics=['accu-racy'])
model_save_path = 'output\\best_FNN_model_2.h5'
checkpoint_callback = ModelCheckpoint(model_save_path, monitor='val_accura-cy', save_best_only=True, verbose=1)
stackedX = functions.stacked_dataset(members, train_X)
history = model.fit(stackedX, train_Y, epochs=50, batch_size=20, valida-tion_split=0.2, callbacks=[checkpoint_callback]) return model, history #обучение сети для анализа компании def learn_new_FFN(filename, layer1, layer2, epochs, bath): from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Dense, Dropout from keras.utils import np_utils
from tensorflow.keras.callbacks import ModelCheckpoint from sklearn.preprocessing import LabelEncoder from sklearn.preprocessing import StandardScaler
num_param = 22
#Определение числа эпох и размера батча
EPOCHS=epochs
BARH_SIZE=bath
#загрузка данных и выделение из них целевого значения оценки
train = pd.read_csv(filename, delimiter=",")
train_X = train.loc[:,'sum_nf:'assets']
scaler = StandardScaler()
scaler.fit(train_X)
#mean = train_X.mean()
#std = train_X.std()
#train_X=(train_X-mean)/std
train_X=scaler.transform(train_X)
train_Y = train.loc[:,'points'] encoder = LabelEncoder() encoder.fit(train_Y)
encoded_Y = encoder.transform(train_Y) train_Y = np_utils.to_categorical(encoded_Y,5) #инициализация модели ИНС model = Sequential()
model.add(Dense(layer1, input_shape=(None,num_param),activation='relu')) model.add(Dropout(0.2)) model.add(Dense(layer2, activation='sigmoid')) model.add(Dense(5, activation='softmax'))
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accu-racy'])
#подготовка параметров для выполнения функции сохранения лучшего варианта обученной модели
model_save_path = 'output\\best_FNN_model_1.h5' checkpoint_callback=[]
checkpoint_callback = ModelCheckpoint(model_save_path, monitor='val_accura-cy', save_best_only=True, verbose=1) history=[]
#запуск обучения модели с сохранением только лучшего варианта history = model.fit(train_X, train_Y, epochs=EPOCHS, batch_size=BARH_SIZE, validation_split=0.1, callbacks=[checkpoint_callback])
#генерация графика для визуализации процесса обучения и вывод его на экран plt.plot(history.history['accuracy'],label='Точность на обучающей выборке') plt.plot(history.history['val_accuracy'],label='Точность на проверочной выборке') рИх1аЬе1('Эпоха обучения') рН^аЬе^'Доля верных ответов')
plt.legend()
plt.savefig('output\\FFNN_graph.png')
val_acc = float('{:.3f}'.format(history.history['val_accuracy'][-1], 2)) return (val_acc*100)
#подготовка данных и вызов функций обучения сети предсказания банкротства def learn_new_FFN_b(filename, layer1, layer2, epochs, bath): import matplotlib.pyplot as plt import pandas as pd
from sklearn.preprocessing import StandardScaler from tensorflow.keras.models import load_model from sklearn.model_selection import train_test_split
num_param = 26
#Определение числа эпох и размера батча
EPOCHS=epochs
BARH_SIZE=bath
#загрузка данных и выделение из них целевого значения оценки
train = pd.read_csv(filename, delimiter=",")
train_X = train.loc[:,'Profit margin':'EPU']
scaler = StandardScaler()
scaler.fit(train_X)
mean = train_X.mean()
std = train_X.std()
train_X=(train_X-mean)/std
train_Y = train.loc[:,'Status']
train_X, test_X, train_Y, test_Y = train_test_split(train_X, train_Y, test_size=0.40, shuffle= True)
#инициализация модели ИНС
n_members = 5
for i in range(n_members):
# обучение пяти моделей ансамбля history = None
model, history = functions.fit_model_b(train_X, train_Y, layer1, layer2, num_param, EPOCHS, BARH_SIZE) # сохранение всех моделей filename = 'output\\model_b_' + str(i + 1) + '.h5' model .save(filename) print('>Saved %s' % filename) members = list() for i in range(n_members): filename = 'output\\model_b_' + str(i + 1) + '.h5'
# загрузка модели из файла model = load_model(filename)
# добавление модели в лист моделей members.append(model)
model = functions.fit_stacked_model_b(members, test_X,test_Y) plt.plot(history.history['accuracy'],label='Точность на обучающей выборке') plt.plot(history.history['val_accuracy'],label='Точность на проверочной выборке') plt.xlabel('Эпоха обучения') plt.ylabel('Доля верных ответов') plt.legend()
plt.savefig('output\\FFNN_graph.png') # plt.show()
val_acc = float('{:.3f}'.format(history.history['val_accuracy'][-1], 2)) return (val_acc*100)
# использованиие сети для тонального анализа текста
def predict_RNN(input_data,isfile,sensitivity): from tensorflow.keras.models import load_model from tensorflow.keras.preprocessing.sequence import pad_sequences import pickle import textwrap
max_text_len = 100
#загрузка словаря токенайзера
with open('output\\tokenizer.pickle', 'rb') as handle:
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.