автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Автоматизация процедур системного анализа на основе нейронных сетей

На правахрукописи

Бучацкая Виктория Викторовна

АВТОМАТИЗАЦИЯ ПРОЦЕДУР СИСТЕМНОГО АНАЛИЗА НА ОСНОВЕ НЕЙРОННЫХ СЕТЕЙ

Специальность: 05.13.01 - Системный анализ, управление

и обработка информации (информационные и технические системы)

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

Краснодар - 2004

Работа выполнена в Кубанском государственном

технологическом университете

Научный руководитель доктор технических наук,

профессор Симанков Владимир Сергеевич

Официальные оппоненты: доктор технических наук,

профессор Ключко Владимир Игнатьевич

кандидат технических наук, доцент Пшенецкий Сергей Петрович

Ведущая организация: Министерство экономического развития и

торговли Республики Адыгея (г. Майкоп)

Защита диссертации состоится 30 июня 2004 г. в 13 00 на заседании диссертационного совета Д 212.100.04 в Кубанском государственном технологическом университете по адресу: 350072, г. Краснодар, ул. Московская, 2а, конференц-зал.

С диссертацией можно ознакомиться в библиотеке Кубанского государственного технологического университета по адресу: 350072, г. Краснодар, ул. Московская, 2а.

Автореферат разослан «» мая 2004 г.

Отзывы на автореферат, заверенные печатью учреждения, просим направлять по адресу: 350072, г. Краснодар, ул. Московская, 2а, КубГТУ, ученому секретарю диссертационного совета Д 212.100.04.

Ученый секретарь

диссертационного совета Д 212.100.04, канд. техн. наук, доцент

И.В.Зайцев

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность проблемы. В современном обществе появляются все новые проблемы, особо сложные на стыке наук, решение которых невозможно без учета взаимосвязей объектов реального мира. Поэтому системность становится одним из главных аспектов практической деятельности, что обуславливает проведение комплексных исследований при решении практических задач.

Развитие идей системного анализа привело к необходимости выявления структуры решаемой проблемы и актуальности применения современных технологий для формализации процедур ее исследования. Реализация неформализованных этапов при этом осуществляется с помощью эвристических методов, в частности методов теории искусственных нейронных сетей. Они являются основой для построения модели системы и отличаются от других методов тем, что не нуждаются в заранее известной модели, а строят ее сами на основе предъявленной информации.

В связи с изложенным становится актуальным формализация некоторых процедур системного анализа на основе нейронных сетей. Для этого необходимо уточнение алгоритма исследований с учетом применения методов нейросетевого моделирования, анализ методов теории искусственных нейронных сетей и определение возможных архитектур при решении практических задач.

Из многообразия проблем, при решении которых необходимо использовать методический подход, основанный на теории нейронных сетей, в работе выделена задача оценки безопасности региона. Поэтому представляется необходимым рассмотреть безопасность с указанных позиций, разработать единую методику оценки для различных ее составляющих на основе уточненного алгоритма системного анализа с применением возможностей современных информационных технологий.

Цель работы. Разработка методики автоматизации процедур системного анализа на основе теории искусственных нейронных сетей и создание информационной системы для ее реализации.

Для достижения цели в работе необходимо решить следующие задачи:

- рассмотреть основные положения системного анализа, возможности применения нейронных сетей на различных этапах исследования системы, описать класс систем, к которым применимы методы нейросетевого моделирования, дать характеристику систем для исследования указанными методами;

- осуществить аналитическую работу по классификации существующих алгоритмов обучения и архитектур нейронных сетей, оценить возможности их применения на различных этапах проведения системного анализа;

- сформулировать уточненный алгоритм системного анализа с нейросетевым блоком, описать особенности применения нейронных сетей при решении практических задач, рассмотреть возможности применения инструментальных средств для реализации указанного алгоритма;

- исследовать понятие «безопасность» с точки зрения системного анализа и разработать единый методический подход, применить алгоритм системного анализа с нейросетевым блоком для оценки безопасности региона с использованием определенной совокупности критериев;

- создать информационную систему для реализации процедуры оценки безопасности региона на базе предложенного системного алгоритма с использованием нейросетевой модели, проанализировать ее структуру и возможности применения.

Методы исследования. Для решения поставленных задач использованы методы системного анализа, нейросетевого, математического моделирования, теории вероятностей, статистические методы, методы обработки экспертных знаний.

Научная новизна выполненных в диссертации исследований заключается в разработке математического и программного обеспечения процедур системного анализа на основе нейронной сети и состоит в следующем:

- разработана теоретическая база применения нейросетевых методов в системных исследованиях, отмечены преимущества нейронных сетей перед другими видами моделей, проведено их сопоставление с типами исследуемых систем, определено место нейронных сетей в процессе системных исследований;

- разработана методика проведения системных исследований на основе алгоритма системного анализа, уточненного нейросете-вым блоком, она может быть использована при изучении сложных иерархических систем, ее математическую основу составляет алгоритм системного анализа, уточненный нейросете-вым блоком;

- разработана методика применения уточненного алгоритма системного анализа для оценки безопасности региона, проведено исследование безопасности с точки зрения системного анализа, построена нейросетевая модель экономической безопасности региона.

Практическая ценность работы заключается в том, что, обобщен опыт проведения системных исследований на основе нейронной сети, представлен в виде алгоритма и может быть рекомендован при оценке состояния системы, создан и апробирован программный комплекс «Нейрон», который использован при принятии решений по вопросам оценки безопасности региона.

Реализация и внедрение результатов работы. Результаты исследования использованы Министерством экономического развития и торговли Республики Адыгея при оценке различных аспектов и вопросов безопасности, определения динамики состояния районов и республики в целом.

Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на 16-й Всероссийской конференции студентов и аспирантов «Реформы в России и проблемы управления» (г. Москва, Государственный Университет Управления, 2001); Международной научно-практической конференции «Актуальные проблемы управления» (г. Москва, Государственный Университет Управления); III Межвузовской научно-практической конференции «Вузовская наука и проблемы региона: из настоящего в будущее» (г. Кисловодск, Северо-Кавказский государственный технический университет); 18-й Всероссийской научно-практической конференции «Реформы в России и проблемы управления» (г. Москва, Государственный Университет Управления); Всероссийской научной конференции «Информационные технологии, системный анализ и управление» (г. Таганрог, Таганрогский государственный радиотехнический университет); научной конференции молодых ученых «Наука. Образование. Молодежь» (г. Майкоп, Адыгейский государственный университет).

Основные положения, выносимые на защиту:

- методика применения математического обеспечения системных исследований на основе нейронных сетей;

-алгоритм системных исследований, дополненный нейросетевым блоком;

-методика применения уточненного алгоритма к исследованию слабоструктурированных систем;

-программное обеспечение системных исследований на основе нейронной сети;

- нейросетевая модель безопасности региона.

Публикации. По теме диссертации опубликовано 10 печатных работ.

Структура и объем работы. Диссертационная работа состоит из введения, 5 глав, заключения, списка литературы и приложения. Работа содержит 186 страниц машинописного текста, 50 рисунков, 17 таблиц, список литературы из 137 наименований.

ОСНОВНОЕ СОДЕРЖАНИЕ ДИССЕРТАЦИИ

Во введении обоснована актуальность темы, поставлены цель и задачи исследования, сформулирована научная проблема.

В первой главе рассмотрены вопросы методологии системного анализа, этапы его проведения, даны основные определения и терминология, используемые в системных исследованиях. Обоснован выбор нейросе-тевой технологии из многообразия моделей, описаны сферы их применения.

Некоторые процедуры системного анализа могут быть реализованы на основе нейросетевых методов, которые модифицируются в зависимости от типа и сложности исследуемой системы.

Нейронные сети обладают следующими преимуществами при исследовании слабоструктурированных систем:

1) инвариантность методов синтеза нейронных сетей к размерности пространства признаков и размерам нейронной сети, возможность обработки больших объемов информации за короткое время;

2) неявный учет скрытого взаимного влияния известных переменных и реализация нелинейного влияния неизвестных параметров;

3) нечувствительность к наличию пропусков и искажений в данных;

4) высокая помехоустойчивость и адекватность;

5) адекватность современным перспективным технологиям;

6) возможность интеграции в одной модели переменных, имеющих разную природу и типы значений;

7) высокая скорость формирования результатов за счет естественного массового параллелизма функционирования.

Выполнен анализ распределения инструментов системного исследования по этапам его проведения. Отмечено, что методы теории нейронных сетей могут быть применены на этапе анализа и моделирования системы для формализации элементов системы и взаимосвязей между ними, на этапе синтеза — для оценки состояния системы, определения ее структуры и параметров. Это позволит построить модель, адекватно отражающую суть исследуемого объекта.

Дана краткая характеристика объекта исследования, для которого могут быть применены методы нейросетевого моделирования. В силу своих особенностей они используются при анализе больших сложных, слабоструктурированных систем, характеризующихся большой размерностью признакового пространства и иерархической структурой элементов с разветвленными информационными связями. Это позволяет рассматривать их как наиболее перспективный метод решения задач системного анализа, обеспечивающих адекватное отображение модели рассматриваемой системы, возможность нахождения закономерностей в большом потоке противоречивой информации, сохранение связей между важными факторами, высокую скорость обработки данных и малую ресурсоемкость оборудования.

Во второй главе выполнен анализ основных положений теории нейронных сетей, описан процесс построения сети и его основополагающие принципы, приведена классификация сетей. Установлено, что при исследовании сложных систем методами системного анализа наиболее целесообразно применять гомогенные аналоговые синхронные сети, подвиды ко-.

торых позволяют решать многие задачи автоматизации ряда процедур системного анализа. Базовые архитектуры нейронных сетей для решения указанных задач приведены в таблице.

Таблица

Применение нейросетевых архитектур при решении задач автоматизации процедур системного анализа

Задачи Архитектура сети

Классификация образов Персептрон, многослойная сеть прямого распространения, сеть ЯББ, Кохонена, рекуррентная сеть.

Поиск зависимостей в данных Сеть Кохонена, многослойная сеть прямого распространения.

Аппроксимация функций Персептрон, сеть ЯББ, сеть встречного распространения.

Управление . Персептрон, многослойная сеть прямого распространения, сеть ЯББ.

Прогнозирование Персептрон, многослойная сеть прямого распространения, сеть ЯББ.

Анализ данных Сеть Хопфилда.

Ассоциативная память Сеть Хопфилда, Хэмминга, сеть встречного распространения.

Сжатие данных Сеть встречного распространения.

Рассмотрение персептрона связано с тем, что он является основой для других архитектур. Сеть RBF является частным случаем двухслойной сети прямого распространения, использующим смешанное обучение. Эти архитектуры применяются для решения задач классификации образов, аппроксимации функций, предсказания, управления. Их эффективность зависит от конкретной решаемой задачи. Параметры сети (количество слоев, -количество элементов в слое, размер обучающей выборки и т.д.) определяются экспериментально.

Сети Хопфилда и Хэмминга также обучаются на основе смешанного алгоритма. Применяются при решении задач воссоздания образов по неполной или искаженной информации, создания и использования ассоциативной памяти. Обладают небольшой емкостью, имеют тенденцию попадать в ловушки локальных минимумов, а также вместо образца в явном виде выдают его номер.

Существует возможность объединения в одной архитектуре разнотипных нейронных структур. Примером является сеть встречного распространения. Этот вид архитектуры имеет преимущество в тех приложениях, где долгая обучающая процедура невозможна, а так же она используется при сжатии данных, распознавании и восстановлении образов (ассоциативная память). Однако, такая сеть не дает возможности строить точные аппроксимации (отображения).

На основании выполненного анализа алгоритмов обучения и построенных на их основе архитектур нейронных сетей установлено, что в зависимости от сложности и практической направленности исследуемой системы, для создания ее модели можно выбрать наиболее адекватную архитектуру сети.

В третьей главе предложен уточненный алгоритм системного анализа, содержащий нейросетевой блок (рисунок 1).

Полученный алгоритм позволяет использовать достоинства нейросе-тевых моделей и является основой для решения слабоструктурированных задач, так как имеет ряд преимуществ по сравнению с традиционным алгоритмом системного анализа.

Теоретическую базу предложенного алгоритма составляют методы системного анализа и нейронных сетей. Установлено, что уточненный алгоритм системного анализа с нейросетевым блоком может быть применен в рамках информационной системы для исследования сложных объектов.

Рассмотрен алгоритм построения нейросетевой модели системы, на основе которого строится общая модель для решения практических задач (рисунок 2). Построенная модель затем может быть уточнена в зависимости от предметной области.

Рисунок 1 -Алгоритм проведения системного исследования на основе нейросетгвой модели

Рисунок 2 - Построение нейросетевой модели системы

Указанный алгоритм характеризуется рядом преимуществ, которые определяют его как современный, эффективный и доступный метод моделирования сложных систем.

Основной сложностью применения нейросетевых моделей является решение проблемы выбора оптимальной топологии, объема сети, значений весовых коэффициентов, смешений нейронов, которые бы наилучшим образом удовлетворяли исходной задаче на имеющихся исходных данных. Это связано с тем, что различные нейросети с различными весовыми коэффициентами могут показывать схожие результаты на примерах обучающей выборки и существенно различающиеся при работе с новыми, еще не предъявлявшимися данными. Комплексный подбор указанных характеристик нейронной сети с учетом специфики конкретной задачи позволит создать нейросетевую модель для ее решения. На основе анализа литературных источников предложены способы решения указанных проблем.

В качестве программной платформы для реализации нейросетевой модели выбрана среда визуального моделирования Matlab, которая содержит пакет расширения Neural Net Toolbox, включающий библиотеку функций для создания и обучения большинства видов архитектур нейронных сетей.

В четвертой главе предложено одно из возможных применений уточненного алгоритма системного анализа. Его использование возможно при исследовании сложных слабоструктурированных систем. Одной из таких является безопасность региона. В связи с этим рассмотрены теоретические аспекты системных исследований применительно к указанной проблеме. Для этого определены объекты и субъекты безопасности, суть проблемы и задачи оценки безопасности, дана характеристика безопасности как объекта системного исследования, описана структура и критерии безопасности.

Для проведения исследования выделена региональная подсистема и ее функциональный компонент, приведены критерии его оценки .

Уточненный алгоритм системных исследований применен для оценки безопасности региона (рисунок 3).

Для выполнения оценки экономической безопасности регионов использована система из 20-ти критериев. Целью оценки состояний региона является установление уровней безопасности по каждому из критериев безопасности с последующим отнесением состояния к определенному классу по степени тяжести ситуации.

Для формирования обучающей выборки Я необходимо объединить данные по N регионам в таблицу 1(={Р,1}, где 1 = ]..М - количество информативных признаков ситуации, - количество регионов в обучающей выборке. Предварительная обработка данных осуществляется нелинейным преобразованием, задающимся следующими формулами:

При интерпретации результата будем считать, что номер класса определяется номером выхода сети, на котором появилось максимальное значение.

Построена нейросетевая модель для оценки экономической безопасности региона в виде 3-хслойной нейронной сети, обучающейся по алгоритму обратного распространения ошибки или одной из его модификаций

Рисунок 3 - Алгоритм системного исследования безопасности

Нейросетевую модель можно представить системой уравнений:

(О

где х„ I = ¡, ..., г - значение /-й компоненты причинной составляющей X ситуации Р, ¿= ¡,..., г;

с} — значение выходау-ГО нейрона первого скрытого слоя НС,

м5 — значение выхода 5-го нейрона второго скрытого слоя НС,

д/, — значение выхода к-ГО нейрона выходного слоя НС, А =1,..., п; /— функция активации нейронов;

а, Д у — коэффициенты синаптических связей между нейронами соседних слоев;

X, Г), V — величины смещения нейронов, соответственно, первого, второго скрытых и выходного слоев;

- размерность входного вектора, количество параметров ситуации (размерность задачи оценки). Такая сеть позволяет формировать в пространстве признаков входных векторов из выпуклых областей первого промежуточного слоя возможно неограниченные и изолированные области и осуществлять классификацию путем обобщения по подобию.

Для определения параметров нейросетевой модели можно использовать как стандартный алгоритм обратного распространения ошибки, так и его модификации. Целью обучения полносвязной оценочной сети прямого распространения является такая подстройка ее весовых коэффициентов

и величин смещения нейронов которая при подаче на ее вход

вектора причин минимизирует показатель

где: Q = (ц).....ц,) — вектор выходных сигналов НС;

N - число ситуаций, характеризующих количество элементов обучающей выборки.

Критерий формирования параметров оценочной модели можно записать как тах(Ф) , где — ограничение сверху на относительную погрешность оценки.

После достижения требуемой точности классификации, обученная сеть функционирует на тестовой выборке. Результатом ее работы является распределение регионов по классам безопасности, которое может быть зафиксировано в виде таблицы.

Адекватность полученной модели проверена на основе имеющихся печатных и электронных публикаций о состоянии регионов РФ, сравнениями с результатами, полученными учеными при использовании традиционных методов оценки безопасности.

Предложенная методика позволит проводить анализ кризисных ситуаций в регионах для выработки комплекса мер по локализации и нейтрализации очагов кризиса в регионах. Полученные сведения могут быть использованы руководством региона для принятия решений о мерах по преодолению кризисной ситуации.

В пятой главе рассмотрены вопросы создания информационной системы для оценки безопасности региона на базе предложенного уточненного алгоритма системного исследования. Описана структура информационной системы с нейросетевым модулем (рисунок 4).

Рисунок 4 - Структура информационной системы с нейросетевым блоком Установлено, что создаваемая информационная система является советующей диалоговой автоматизированной системой обработки данных для решения слабоструктурированных задач. Она состоит из трех блоков: ввода и предобработки данных, нейросетевого блока, блока анализа результатов. Каждый из них выполняет определенные функции. Программа не предъявляет жестких требований к конфигурации компьютера и приспособлена для использования во взаимодействии с различными приложениями, работающими в среде Windows.

Предложенная в работе методика оценки безопасности региона на основе уточненного алгоритма системных исследований, реализована в виде программного комплекса «Нейрон», предназначенного для формирования нейросетевой модели безопасности региона, идентификации состояний регионов по безопасности, мониторинга и оценки динамики их разви-

тия. Он апробирован при оценке безопасности регионов Российской Федерации за период с 1998 - 2002 г.г. Результатом работы программы явилась таблица распределения регионов РФ по классам безопасности. На ее основе выполнена графическая интерпретация. Показана динамика развития состояния безопасности в некоторых регионах Южного Федерального округа: Краснодарском крае, Республике Адыгея, Ростовской области, Ставропольском крае (рисунок 5).

Динамика состояния регионов

по безопасности за 1997-2002 г

< Краснодарский край

■ Республика Адыгея

— - -Ставропольский

край

- -х- - ГЪстовская

область

Рисунок 5 - Динамика изменения состояния безопасности регионов

Разработанный программный комплекс может быть применен при оценке безопасности различных по величине территориальных и административных образований.

Аспекты применения предложенной нейросетевой модели и метода оценки безопасности позволяют использовать их для различных задач, не ограниченных во времени, отличающихся размерностью, объемом исходной информации, количеством критериев оценки.

В заключении перечислены научные и практические результаты, полученные автором в ходе исследований.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

В работе предложены, разработаны, успешно апробированы и внедрены на практике новые методики, модели, информационная система, обеспечивающие проведение системных исследований сложных слабоструктурированных систем на базе нейросетевых моделей. При этом получены следующие основные результаты.

1. Разработана теоретическая база применения методов теории нейронных сетей в системных исследованиях. Рассмотрены вопросы методологии системного анализа, приведено описание этапов проведения системного анализа, указаны методы, применяемые на каждом этапе. Из методов, применяемых при построении модели, выделены нейросетевые. Отмечены их преимущества перед другими видами моделей, описаны сферы применения, указаны задачи, решаемые с их использованием.

2. Установлено, что в силу своих особенностей нейросетевые методы могут быть использованы как инструментарий системного анализа при исследовании больших сложных, слабоструктурированных систем, характеризующихся большой размерностью признакового пространства и иерархической структурой элементов с разветвленными информационными связями. Отмечено, что методы теории нейронных сетей могут быть применены на этапе анализа, моделирования, синтеза. Это позволит построить модель исследуемой системы, отражающую ее суть.

3. Исследованы возможности применения нейронных сетей при решении задач системного анализа. В качестве инструмента построения модели системы предложено семейство гомогенных аналоговых синхронных многослойных сетей.

4. Разработан математический и программный аппарат для решения слабоструктурированных задач нейросетевыми методами. Его ма-

тематическую основу составляет алгоритм системного анализа, дополненный блоком построения нейросетевой модели, а программная часть представлена средой визуального моделирования МаИаЪ.

5. Разработана методика применения алгоритма системного анализа, уточненного нейросетевым блоком, для решения проблемы оценки безопасности региона. Для этого проведено исследование безопасности с точки зрения системного анализа, в ходе которого дана характеристика безопасности как системы, описана структура безопасности, разработан набор критериев для оценки безопасности, выделена региональная составляющая и экономический критерий.

6. Разработан алгоритм оценки безопасности региона на основе ней-росетевой модели, которая представлена многослойной сетью. Нейроны входного слоя соответствуют количеству критериев безопасности, выходного - количеству классов безопасности, а количество нейронов скрытых слоев подбирается экспериментально. Такая модель устойчива к шуму в исходных данных, успешно сочетает в себе работу эксперта и нейронной сети для достижения наилучшего результата, дает возможность использовать значения критериев, измеренных в различных единицах. Перечисленные особенности делают использование предложенной модели наиболее удобной при оценке безопасности региона.

7. Разработан и реализован программный комплекс «Нейрон» на базе предложенного алгоритма оценки безопасности региона. Он имеет удобный для пользователя интерфейс, предусматривает возможность ввода данных в рамках программы или использования данных в формате электронных таблиц, позволяет производить оценку состояния региона по определенному числу критери-

ев и наглядно представлять результаты оценки в виде таблиц, диаграмм и графиков.

8. Программа «Нейрон» применена при оценке экономической безопасности регионов Российской Федерации за период 19982002 г.г. Отличительной особенностью предложенного программного комплекса является легкость его настройки для оценки состояния более мелких территориальных и экономических образований и возможность изменения критериев оценки.

ПЕРЕЧЕНЬ РАБОТ, ОПУБЛИКОВАННЫХ ПО ТЕМЕ ДИССЕРТАЦИИ

1. Бучацкая В.В. Принципы системного анализа в управлении / В.В. Бу-чацкая // Реформы в России и проблемы управления: Тез. 16-й всерос. конф. - М.: Изд-во ГУУ, 2001. - Вып. 1. - С. 21-23.

2. Бучацкая В.В. Макаренко М.В. Применение искусственных нейронных сетей в теории управления / В.В. Бучацкая, М.В. Макаренко // Актуальные проблемы управления: Тез. между нар. науч.-практ. конф. -М.: Изд-во ГУУ, 2002. - Вып. 6.- С. 149-152.

3. Бучацкая В.В. Иерархическая организация в многослойных нейронных сетях / В.В. Бучацкая // Вузовская наука и проблемы региона: из настоящего в будущее: Тез. III межвуз. науч.-прак. конф. - Кисловодск: Изд-во СевКавГТУ, 2003. - С. 8-10.

4. Бучацкая В.В. Канке А.А. Системный анализ при оценке безопасности региона / В.В. Бучацкая, А.А. Канке // Актуальные проблемы управления: Тез. междунар. науч.-прак. конф. - М.: Изд-во ГУУ, 2003. - Вып. 2.-С. 209-212.

5. Бучацкая В.В. Критерии оценки безопасности региона / В.В. Бучацкая //Аспирант и соискатель.-2003.-№5.-С. 41-42.

6. Бучацкая В.В. Структура программного комплекса для оценки региональной безопасности / В.В. Бучацкая // Информационные технологии, системный анализ и управление: Тез. докл. всерос. научн. конф. -Таганрог: Изд-во ТГРУ, 2003. - С. 24-26.

7. Бучацкая В.В. Современное состояние и развитие нейронных сетей. Аналитический обзор / B.C. Симанков, В.В. Бучацкая; Техн. ун-т Ку-бан. гос. технол. ун-та. - Краснодар, 2003. - 68 с: ил. - Библиогр.: 24 назв. - Деп. в ВИНИТИ 02.09 2003 г., № 1635, В-03.

8. Бучацкая В.В. Системные исследования безопасности на основе нейронной сети: Монография (научное издание) / B.C. Симанков, В.В. Бучацкая. - Краснодар: Техн. ун-т Кубан. гос. технол. ун-та, 2003. - 228с.

9. Бучацкая В.В. Применение нейронных сетей при решении задач системного анализа / В.В. Бучацкая // Наука. Образование. Молодежь: Тез. науч. конф. - Майкоп: Изд-во АГУ, 2004. - С. 119-122.

10. Пат. №2004611143. Программный комплекс для оценки безопасности региона «Нейрон» / Симанков B.C., Бучацкая В.В. (Россия); Заяв. 20.04.04. Опубл. 11.05.04.

» 11 - п ■}

Бучацкая Виктория Викторовна

АВТОМАТИЗАЦИЯ ПРОЦЕДУР СИСТЕМНОГО АНАЛИЗА НА ОСНОВЕ НЕЙРОННЫХ СЕТЕЙ

Автореферат

Сдано в набор 25.05.04. Подписано в печать 27 05 04. Бумага типографская № 1. Формат бумаги 60x84 Гарнитура Times New Roman. Тир 100. Заказ 038.

Отпечатано на участке оперативной полиграфии Адыгейского государственного университета. 385000 г.Майкоп, ул.Университетская, 208.

Введение.

1 Методические положения системного анализа при исследовании и решении слабоструктурированных задач

1.1 Основные этапы системного анализа.

1.2 Процедуры системного анализа и методы их реализации на основе современных компьютерных технологий.

1.3 Нейронные сети как инструментарий проведения системных исследований.

1.4 Характеристика объекта исследования методами теории нейронных сетей.

1.5 Выводы.

2 Основы математического аппарата нейронных сетей

2.1 Определение, классификации, виды нейронных сетей.

2.2 Алгоритмы обучения нейронных сетей.

2.3 Основные нейросетевые архитектуры, применяемы в системных исследованиях.

2.4 Сравнительный анализ нейросетевых архитектур.

2.5 Выводы.

3 Алгоритмическое обеспечение решения задач системного анализа с использованием нейронных сетей

3.1 Алгоритм решения задачи системного анализа с применением нейро-сетевой модели.

3.2 Проблемы практического использования искусственных НС при решении задач системного анализа.

3.3 Обзор современных программных продуктов для создания нейросете-вой модели.

3.4 Предпосылки и особенности использования системы визуального моделирования Matlab для реализации алгоритма системных исследования, дополненного нейросетевым блоком.

3.5 Выводы.

4 Теоретические основы оценки региональной безопасности с использованием нейронной сети

4.1 Теоретические аспекты системных исследований безопасности.

4.2 Характеристика безопасности как объекта системного исследования.

4.3 Подсистемы и критерии безопасности.

4.4 Методы оценки безопасности.

4.5 Моделирование региональной безопасности и ее оценка нейросетевым методами.

4.6 Выводы.

5 Разработка информационной системы на основе математического и программного аппарата исследования безопасности региона

5.1 Информационные системы и их применение в системных исследованиях.

5.2 Структура информационной системы, реализующей алгоритм системного анализа с нейросетевым блоком для оценки региональной безопасности.

5.3 Функционирование информационной системы оценки регионально безопасности.

5.4 Результаты работы программы.

5.5 Выводы.

В современном обществе появляются все новые проблемы, особо сложные на стыке наук, решение которых невозможно без учета системы взаимосвязей объектов реального мира. Поэтому системность становится одним из главных аспектов практической деятельности, она обеспечивает жизненность и реальность предлагаемых путей выхода из периодически возникающих проблемных ситуаций. В этом случае используют системные исследования, которые реализуются посредством системного подхода и системного анализа.

Системный подход есть общий метод исследования объекта как целого, т.е. как совокупности элементов, находящихся во взаимодействии. Он базируется на комплексном понимании существа, роли, значения и взаимосвязи важных факторов; позволяет комплексно и всесторонне изучить проблему, выделить приоритеты и оптимизировать основные параметры системы.

Системный анализ выступает как комплекс специальных процедур, приемов и методов, обеспечивающих реализацию системного подхода. Он относится к тем направлениям современной науки, которые возникли в период обострения социальных, экономических и политических проблем XX века, вызвавших необходимость поиска и обоснования принципиально новых решений в различных областях деятельности. Большой вклад в развитие и становление системного анализа как науки внесли Н. Винер, JI. Берталанфи, М. Месарович, Дж. Данциг, У. Эшби, К. Шеннон, Н.П. Буссленко, А.А. Вавилов, В.М. Глуш-ков, А.А. Дородницин, М.В. Келдыш, Н.Н. Моисеев и другие.

В отличие от многих наук, целью которых является открытие и формулирование объективных законов и закономерностей, присущих предмету изучения, системный анализ, в основном направлен на выработку конкретных рекомендаций, в том числе и на основе использования теоретических достижений различных наук в прикладных целях. Он предназначен для решения, в первую очередь, слабоструктурированных проблем, т.е. проблем, состав элементов и взаимосвязей которых установлен только частично; задач, возникающих, как правило, в ситуациях, характеризуемых наличием фактора неопределенности и содержащих неформализуемые элементы. Преимущество системной оценки состоит в том, что ее возможно провести даже в случаях, когда обычные методы сопоставления, сравнения невозможно применить. Поэтому идеи и возможности системной методологии привлекли внимание специалистов из слабоструктурированных предметных областей: медицина, экология, социология, финансы и другие практически важные области.

Развитие идей системного анализа привело к необходимости выявления структуры решаемой проблемы и актуальности применения современных технологий для формализации процедур ее исследования. Реализация неформализованных этапов при этом осуществляется с помощью эвристических методов, в частности методов теории искусственных нейронных сетей. Они являются основой для построения модели системы и отличаются от других методов тем, что не нуждаются в заранее известной модели, а строят ее сами на основе предъявленной информации. Именно поэтому нейронные сети вошли в практику везде, где есть плохо алгоритмизируемые задачи, для решения которых необходима либо постоянная работа группы квалифицированных экспертов, либо адаптивные системы, каковыми и являются нейронные сети.

В связи с изложенным становится актуальным формализация некоторых процедур системного анализа на основе нейронных сетей. Для этого необходимо уточнение алгоритма исследований с учетом применения методов нейросе-тевого моделирования, анализ методов теории искусственных нейронных сетей и определение возможных архитектур при решении практических задач.

Предметной областью, в которой уже получили признание нейросетевые методы, является сфера экономики и финансов (оценка рентабельности предприятий, прогнозирование курса валют, прогнозирование курса акций на фондовом рынке, оценка кредитоспособности заемщиков и т.д.), медицина (распознавание сигналов электрокардиограммы, постановка диагноза заболевания), управления автоматическими устройствами. В этих областях нейросетевые алгоритмы нашли свое применение в форме математического ядра интеллектуальных систем принятия решений, экспертных систем, оболочек для имитационного моделирования, нейросетевых баз знаний и др.

Из многообразия практических проблем, при решении которых необходимо использовать методы системного анализа, основанные на теории нейронных сетей, мы остановились на задаче оценки безопасности региона и разработке методов формального описания этой процедуры.

Безопасность и устойчивое развитие общества - взаимосвязанные понятия, имеющие большое значение для процветания общества. Обеспечение безопасности в течение последних десятилетий вошло в разряд наиболее приоритетных проблем, решаемых как административными органами, так и учеными. В связи с этим рассмотрение вопроса оценки безопасности представляется особенно актуальной в настоящий момент.

На сегодняшний день данная проблема является недостаточно проработанной и изученной. В литературе имеются описания подходов к рассмотрению отдельных аспектов безопасности, разрозненных по способу описания объекта исследования и характеризующихся оценкой одного отдельно взятого аспекта безопасности.

Разработаны ряд методов для оценки безопасности [4, 5, 9, 32, 51, 76, 78, 87, 123]. Однако, они не учитывают системности понятия и их применение затруднительно в силу ряда причин: количество информативных признаков той или иной ситуации в регионе может быть достаточно большим, что приводит к усложнению расчетов; исходные данные могут быть зашумлены; затруднительно проведение комплексной оценки ситуации, так как некоторые виды показателей тесно вязаны между собой. Кроме того, решение реальных системных задач должно осуществляется на основе рационального использования интеллектуальных возможностей человека, математической среды современных компьютерных систем и сетей, эвристических приемов и процедур, компьютерной математики.

Поэтому представляется необходимым и актуальным рассмотреть безопасность как систему, выявить критерии, по которым можно судить об уровне безопасности, разработать единую методику оценки для различных составляющих этого понятия с применением возможностей современных информационных технологий. Построение модели предметной области необходимо выполнять на основе системного подхода и использованием методов системного анализа.

Среди математических моделей безопасности нейронные сети широко не использовались и поэтому их возможности в этой области мало изучены. Применение нейросетевых методов к задаче моделирования и оценки безопасности позволит повысить качество создаваемой модели, так как именно этот инструментарий обеспечивает преодоление трудностей, возникающих при исследовании безопасности традиционными методами.

Таким образом, на сегодняшний день существует необходимость в уточнении алгоритма системного анализа с учетом применения методов нейросете-вого моделирования, анализе методов теории искусственных нейронных сетей и выборе оптимальной архитектуры для решения практических задач, системном исследовании понятия «безопасность», разработке методов построения нейросетевой модели и алгоритма оценки региональной безопасности.

Объектом исследования является методика оценки безопасности региона на основе нейронной сети. Предметом исследования - математическое и программное обеспечение информационной системы для оценки безопасности региона на основе нейронной сети.

Целью данной работы является разработка методики автоматизации процедур системного анализа на основе теории искусственных нейронных сетей и создание информационной системы для ее реализации. Внедрение этой системы осуществляется путем адаптации (настройки параметров) применительно к конкретной предметной области. Она позволит представить лицу, принимающему решение, доступную информацию из различных областей знаний в удобной форме, что способствует повышению оперативности и обоснованности принимаемых решений.

Для достижения этой цели были поставлены и решены следующие задачи:

1. Рассмотреть основные положения системного анализа, этапы его проведения, возможности применения нейронных сетей на различных этапах исследования системы. Описать класс систем, к которым применимы методы ней1росетевого моделирования. Дать характеристику объекта исследования указанными методами.

2. Осуществить аналитическую работу по классификации существующих алгоритмов обучения и архитектур нейронных сетей, оценить возможности их применения на различных этапах проведения системного анализа.

3. Сформулировать уточненный алгоритм системного анализа с нейросетевым блоком, описать особенности применения нейронных сетей при решении практических задач, рассмотреть возможности применения инструментальных средств для реализации указанного алгоритма.

4. Исследовать понятие «безопасность» с точки зрения системного анализа и разработать единый методический подход. Применить алгоритм системного анализа с нейросетевым блоком для оценки безопасности региона с использованием определенной совокупности показателей.

5. Создать информационную систему для реализации процедуры оценки безопасности региона на базе предложенного системного алгоритма с использованием нейросетевой модели. Проанализировать ее структуру и возможности применения.

Содержание диссертационной работы отражает реализацию поставленных задач.

В первой главе рассмотрены вопросы методологии системного анализа, этапы его проведения, даны основные определения и терминология, используемые в системных исследованиях. Обоснован выбор нейросетевой технологии из многообразия моделей, описаны сферы их применения.

На основании проработанного материала сделан вывод о необходимости применения нейросетевой модели при проведении системного исследования сложных объектов.

Во второй главе выполнен анализ основных положений теории нейронных сетей, описан процесс построения сети и его основополагающие принципы, приведена классификация сетей, описаны наиболее часто используемые нейросетевые архитектуры, дан сравнительный анализ нейросетевых архитектур и их возможностей применительно к решению задач системного анализа (классификации, анализа данных, управления, прогнозирования, кластеризации, аппроксимации).

На основании изложенного материала сделан вывод о том, что из многообразия нейросетевых архитектур, применяемых при решении задач системного анализа, можно выбрать наиболее функциональную архитектуру для решения конкретной практической задачи. Установлено, что при исследовании сложных систем методами системного анализа наиболее целесообразно применять гомогенные аналоговые синхронные сети, подвиды которых позволяют решать многие задачи автоматизации ряда процедур системного анализа.

В третьей главе обоснован и описан уточненный алгоритм решения задач системного анализа на основе нейросетевой модели. Он позволяет на основе имеющейся статистической информации произвести оценку состояния объекта и на ее основе принять определенные решения о дальнейшем режиме функционирования объекта. Выполнен обзор современных моделирующих нейросетевых программных пакетов с целью анализа доступности их использования для реализации разработанного алгоритма. Обосновано использование пакета визуального моделирования Matlab в качестве инструментальной среды для создания нейросетевой модели, что позволит создать наиболее полную модель предметной области с учетом факторов внешнего воздействия. Описаны способы решения проблем, возникающих при формировании архитектуры нейронной сети для решения задач системного анализа: подбор оптимальной архитектуры сети, методы наращивания сети, подборка обучающих выборок.

В четвертой главе предложено одно из возможных применений уточненного алгоритма системного анализа. Его использование возможно при исследовании сложных слабоструктурированных систем. Одной из таких является безопасность региона. В связи с этим рассмотрены теоретические аспекты системных исследований применительно к указанной проблеме. Для этого определены объекты и субъекты безопасности, суть проблемы и задачи оценки безопасности, дана характеристика безопасности как объекта системного исследования, описана структура и критерии безопасности.

В пятой главе рассмотрены вопросы создания информационной системы для оценки безопасности региона на базе предложенного уточненного алгоритма системного исследования, описана структура информационной системы с нейросетевым модулем, проведена оценка эффективности системы и верификация результатов, полученных с использованием традиционных методов оценки региональной безопасности и нейросетевого метода.

В заключении описаны выводы и результаты проделанной работы.

Научная новизна исследования заключается в следующих результатах.

1. Разработана теоретическая база применения нейросетевых методов в системных исследованиях, отмечены преимущества нейронных сетей перед другими видами моделей, проведено их сопоставление с типами исследуемых систем, определено место нейронных сетей в процессе системных исследований.

2. Разработана методика проведения системных исследований на основе алгоритма системного анализа, уточненного нейросетевым блоком, она может быть использована при изучении сложных иерархических систем, ее математическую основу составляет алгоритм системного анализа, уточненный нейросетевым блоком.

3. Разработана методика применения уточненного алгоритма системного анализа для оценки безопасности региона, проведено исследование безопасности с точки зрения системного анализа, построена нейросе-тевая модель экономической безопасности региона.

4. На основе проведенных исследований создана информационная система для оценки безопасности региона «Нейрон», который использован при принятии решений по вопросам оценки безопасности региона. Он позволяет производить оценку региональной безопасности по определенному критерию, накапливать и хранить информацию о значениях показателей безопасности, об уровне безопасности в регионах за определенный временной период, проводить сравнительный анализ состояния безопасности регионов.

Основные результаты исследования, рассмотренные в предлагаемом исследовании, заключаются в следующем.

1. Разработана теоретическая база применения методов теории нейронных сетей в системных исследованиях. Рассмотрены вопросы методологии системного анализа, приведено описание этапов его проведения, указаны методы, применяемые на каждом этапе. Из методов, используемых при построении модели, выделены нейросетевые. Отмечены их преимущества перед другими видами моделей, описаны сферы применения, указаны задачи, решаемые с их использованием.

2. Установлено, что в силу своих особенностей нейросетевые методы могут быть использованы как инструментарий системного анализа при исследовании больших сложных, слабоструктурированных систем, характеризующихся большой размерностью признакового пространства и иерархической структурой элементов с разветвленными информационными связями. Отмечено, что методы теории нейронных сетей могут быть применены на этапе анализа, моделирования и синтеза системы. Это позволит построить модель, адекватно отражающую суть исследуемого объекта.

3. Исследованы возможности применения нейронных сетей при автоматизации системных исследований. Для использования в качестве модели системы предложен класс гомогенных аналоговых синхронных сетей, подвиды которых позволяют решать многие задачи автоматизации ряда процедур системного анализа. На основании выполненного анализа алгоритмов обучения и построенных на их основе архитектур нейронных сетей установлено, что в зависимости от сложности и практической направленности исследуемой системы, для создания ее модели можно выбрать наиболее адекватную архитектуру сети.

4. Разработан математический и программный аппарат для решения слабоструктурированных задач нейросетевыми методами. Его математическую основу составляет алгоритм системного анализа, дополненный блоком построения нейросетевой модели, а программная часть представлена средой визуального моделирования Matlab, содержащей пакет расширения Neural Net Toolbox. Эти средства могут быть использованы при исследовании больших слабоструктурированных систем.

5. Разработана методика применения алгоритма системного анализа, уточненного нейросетевым блоком, к исследованию слабоструктурированных систем. Из многообразия существующих проблем выбрана проблема оценки безопасности региона. Проведено исследование безопасности с точки зрения системного анализа, в ходе которого дана характеристика безопасности как системы, описана структура безопасности, разработан набор критериев для оценки безопасности, выделена региональная составляющая и экономический критерий.

6. Разработан алгоритм оценки безопасности региона на основе нейросетевой модели, которая представлена многослойной сетью. Нейроны входного слоя соответствуют количеству критериев безопасности, выходного -количеству классов безопасности, а количество нейронов скрытых слоев подбирается экспериментально. Такая модель устойчива к шуму в исходных данных, успешно сочетает в себе работу эксперта и нейронной сети для достижения наилучшего результата, дает возможность использовать значения критериев, измеренных в различных единицах. Перечисленные особенности делают использование предложенной модели наиболее удобной при оценке безопасности региона.

7. Разработана и реализована информационная система «Нейрон» на базе предложенного уточненного алгоритма системных исследований. Она имеет удобный для пользователя интерфейс, предусматривает возможность ввода данных в рамках программы или использования данных в формате электронных таблиц, позволяет производить оценку состояния системы по определенному числу критериев и наглядно представлять результаты в виде таблиц, диаграмм и графиков.

8. Система «Нейрон» применена при оценке экономической безопасности регионов Российской Федерации за период 1998-2002 г.г. Результаты ее функционирования получены в виде таблицы распределения регионов по классам безопасности за указанный период. Отличительной особенностью предложенного программного комплекса является легкость его настройки для оценки состояния различных по величине территориальных и экономических образований и возможность изменения критериев оценки.

ЗАКЛЮЧЕНИЕ

1. Абалкин JI. Экономическая безопасность России: угрозы и их отражение // Вопросы экономики. 1994. -№ 12. - С. 4-13.

2. Анил К. Джейн. Введение в искусственные нейронные сети // 2003 Электрон. ресурс. (Рус.) - http: // www.ustu.ru/cnit/rcnit/inftechn/neyro/.

3. Апатенко С.Н. Совершенствование системы управления внешнеэкономической деятельностью страны на основе реализации принципа сравнительных преимуществ: Дис. канд. экон. наук. Ростов-на-Дону, 2002.

4. Архипова Н.И., Кульба В.В. Управление в чрезвычайных ситуациях. М.: РГГУ, 1994.

5. Афанасьев В.Г. Общество: системность, познание и управление. М.: Политиздат, 1981. -120 с.

6. Балашов Е.П. Эволюционный синтез систем. М.: Радио и связь, 1985. -328 с.

7. Балуев Д. В объятиях Matlab // 2002 Электрон, ресурс. (Рус.) - http: // www.soflerra.ru/offline/.

8. Бахур А.Б. Концептуальные основы системного подхода и содержание современной инженерной практики // Сб. трудов. М.: ИПУ РАН, 1996. -Вып. З.-С. 12-23.

9. Безопасность России. Правовые, социально-экономические и научно-технические аспекты. Региональные проблемы безопасности. Красноярский край. -М.: МГФ Знание, 2001. 576 с.

10. Безопасность России. Правовые, социально-экономические и научно-технические аспекты. Словарь терминов и определений. Издание 2-е, дополненное. М.: МГФ Знание, 1999. - 368 с.

11. Безопасность России. Правовые, социально-экономические и научно-технические аспекты. Основополагающие государственные документы. Ч. 1.-М.: МГФ Знание, 1998. 512 с.

12. Белопольский И.В. Основы Matlab // 2003 Электрон, ресурс. (Рус.) -http: // users.kaluga.ru/webpublic/matlab.

13. Блауберг И.В., Юдин Э.Г. Становление и сущность системного подхода. -М.: Наука, 1974.- 123 с.

14. Болдырев М. Нейросети: современное оружие финансовых баталий // ТОРА-Центр. 2003 Электрон, ресурс. - (Рус.) - http: // www.tora-centre.ru/library/ns/rcb. html.

15. Борисов А.Н., Левченков А.С. Методы интерактивной оценки решений. Рига: Зинатне, 1982. - 250 с.

16. Бусленко В.И. Автоматизация имитационного моделирования сложных систем. М., 1977. - 427 с.

17. Бусленко Н.П. Моделирование сложных систем. М., 1978. - 205 с.

18. Бусленко Н.П., Калашников В.В., Коваленко И.Н. Лекции по теории сложных систем. М.: Советское радио, 1973. - 440 с.

19. Бучацкая В.В. Иерархическая организация в многослойных нейронных сетях // Вузовская наука и проблемы региона: из настоящего в будущее: Тез. III межвуз. науч.-прак. конф. Кисловодск, 2003. - С. 8-10.

20. Бучацкая В.В. Информационные системы управления безопасностью // Реформы в России и проблемы управления: Тез. 18-й всерос. конф.- М.: ГУУ, 2002.-Вып. 1.-С. 28-31.

21. Бучацкая В.В. Канке А.А. Системный анализ при оценке безопасности региона // Актуальные проблемы управления: Тез. междунар. науч.-прак. конф.- М.: ГУУ, 2003. Вып. 2. - С. 14-16.

22. Бучацкая В.В. Критерии оценки безопасности региона // Аспирант и соискатель. 2003, №5. С. 41-42.

23. Бучацкая В.В. Макаренко М.В. Нейросетевая модель прогнозирования показателей экономической безопасности региона // Актуальные проблемы управления: Тез. междунар. науч.-практ. конф М.: ГУУ, 2003. -Вып. 6.-С. 18-21.

24. Бучацкая В.В. Макаренко М.В. Применение искусственных нейронных сетей в теории управления // Актуальные проблемы управления: Тез. междунар. науч.-практ. конф. М.: ГУУ, 2002. - Вып. 6. - С. 149-152.

25. Бучацкая В.В. Применение нейронных сетей при решении задач системного анализа // Наука. Образование. Молодежь: Тез. науч. конф. Майкоп, АТУ, 2004.-С. 119-122.

26. Бучацкая В.В. Принципы системного анализа в управлении // Реформы в России и проблемы управления: Тез. 16-й всерос. конф М., ГУУ, 2001. -Вып. 1.-С. 21-23.

27. Бучацкая В.В. Структура программного комплекса для оценки региональной безопасности // Информационные технологии, системный анализ и управление: Тез. докл. всерос. научн. конф. Таганрог, ТГРТУ, 2003.-С. 24-26.

28. Бычков А.В. Нейросетевое управление рентабельностью предприятия: Дис. канд. техн. наук: 05.13.01. Краснодар, 2001.

29. Волкова В.Н., Денисов А.А. Основы теории систем и системного анализа: Учеб. Изд 2-е, перераб. и доп. СПб.: СПбГТУ, 1999. - 512 с.

30. Волкова В.Н., Денисов А.А., Темников Ф.Е. Методы формализованного представления систем. СПб.: СПбГТУ, 1997. - 107 с.

31. Гиг Дж. Ван. Прикладная общая теория систем. В 2-х кн. М.: Мир, 1998. Кн. 1 - 341 е.; кн. 2 - 342 с.

32. Глазьев С.Ю. Основа обеспечения экономической безопасности страны альтернативный реформационный курс //Российский журнал. - 1997. -№ 1.-С. 15-17.

33. Глушков В.М. Введение в АСУ. Изд. 2-е. Киев: Техника, 1974.

34. Горбань А.Н. Обучение нейронных сетей. М.: СПб ПараГраф, 1990. -159 с.

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

36. Гранберг А.Г. Основы региональной экономики: Учеб. для вузов. М.: ГУ ВШЭ, 2000.-495 с.

37. Гультяев А.К. MATLAB 5.3. Имитационное моделирование в среде Windows. СПб.: Корона, 2001. - 400 с.

38. Дегтярев Ю.И. Системный анализ и исследование операций: Учеб. для вузов по спец АСОИУ. М.: Высш. шк., 1996. - 335 с.

39. Денисов А.А., Волкова В.Н. Иерархические системы: Учеб. пособие. -Л.: ЛПИ, 1989. 88 с.

40. Дьяконов В., Круглов В. Математические пакеты расширения Matlab. Специальный справочник. СПб.: Питер, 2001. - 480 с.

41. Ивахненко А.Г. Персептроны. Киев: Наукова думка, 1974.

42. Измалков В.И., Измалков А.В. Безопасность и риск при техногенных воздействиях. М. -СПб.: РАН, АГЗ МЧС РФ, 1994.

43. Измалков В.И., Измалков А.В. Обеспечение безопасности и устойчивого развития общества при техногенных воздействиях и опасных природных явлениях // 2003 Электрон, ресурс. (Рус.) - http: // www.md.mos.ru/conCsafety /secl.

44. Информатика: Учеб. / Под ред. Н.В. Макаровой. М.: Финансы и статистика, 1997. - 768 с.

45. Ириков В.А., Тренев В.Н. Распределенные системы принятия решений. Теория и приложения. М.: Наука. Физматлит, 1999. - 288 с.

46. Исаков В.Г., Опадев С.В., Главадских И.А. Нейрокомпьютеры и обучение нейронных сетей // Сервер Уральского государственного технического университета 1999-2000 Электрон, ресурс. (Рус.) - http: // gem.dpt.ustu.ru/neuro.

47. Клир Дж. Системология. Автоматизация решения системных задач. -М.: Радио и связь, 1990. 544 с.

48. Князиков А.С., Завойстый В.И. Аспекты экономической безопасности региона (на примере Ярославской области) // Сервер ГУ ЯО УЭББ. -2003 Электрон, ресурс. (Рус.) - http: // www. ubb. adm. yar. гу/.

49. Колмогоров A.H. О представлении непрерывных функций нескольких переменных суперпозициями непрерывных функций меньшего числа переменных // Докл. АН СССР. Т. 108. 1956. С. 2-10.

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

51. Концепция управления безопасностью. Отчет по проекту 7.1 ГНТП «Безопасность». -М.: ГКЧС РФ, 1992.

52. Короткое Э.М., Беляев А.А. Управление экономической безопасностью общества // Менеджмент в России и зарубежом. 2001. - №6. - С. 6-8.

53. Кравченко Р.Г., Скрипка А.Г. Основы кибернетики: Учеб. пособие для эконом, спец. с.-х. вузов. -М.: Экономика, 1974.

54. Круглов В.В., Дли М.И., Годунов Р.Ю. Нечеткая логика и искусственные нейронные сети: Учеб. пособие. М.: Изд-во физ.-мат. лит-ры, 2001. -224 с.

55. Кузин Л.Т. Основы кибернетики: В 2-х т. Т. 2. Основы кибернетических моделей: Учеб. пособие для вузов. -М.: Энергия, 1979.

56. Ларичев С.И. Человеко-машинные процедуры принятия решений // Автоматика и телемеханика. 1971. - № 12. - С. 7-12.

57. Макеев С.С. Нейросетевые методы в системах биометрической идентификации // 2003 Электрон, ресурс. (Рус.) - http: // iu4 .bmstu.ru/konf/2001 /sbornik/doc/s 115 .html.

58. Максимей И.В. Математическое моделирование больших систем: Учеб. пособие. — Мн.: Высш. шк., 1985. 119 с.

59. Манзон Б. Matlab 5.1 симфония алгоритмов // PC Week/RE. - 1999. - № 14.-С. 61-63.

60. Манзон Б. Matlab: где его применяют. // 2003 Электрон, ресурс. (Рус.) - http: // www. // www.matlab.ru/neuralnetwork/bookl.

61. Марка Д.А., МакГоуэн К. Методология структурного анализа и проектирования. М.: Мета-Технология, 1993. - 240 с.

62. Мартынов Н.Н., Иванов А.П. Matlab 5.x. Вычисления, визуализация, программирование. М.: Кудиц-образ, 2000.

63. Масич Г.Ф. Применение нейрокомпьютерных систем. Курс лекций //

64. ИМСС УрО РАН, Пермский государственных технологический университет- 2003 Электрон, ресурс. (Рус.) - http: // www.icmm.ru/~masich/win/lexicon/neyro.

65. Маслобоев Ю.П. Свойства и параметры нейронной сети как объекта MATLAB. Консультационный центр Matlab.// 2003 Электрон, ресурс. - (Рус.) - http: // www.matlab.ru/neuralnetwork/bookl.

66. Махотило К.В. «Разработка методик эволюционного синтеза нейросетевых компонентов систем управления». Дис. канд. техн. наук. Харьков: ХГПУ, 1998.-189 с.

67. Медведев B.C., Потемкин В.Г. Нейронные сети.MATLAB 6. Кн. 4 / Под общ. ред. В.Г. Потемкина. М. ДИАЛОГ-МИФИ, 2002. - 469 с.

68. Мелентьев JI.A. Оптимизация развития и управления больших систем энергетики: Учеб. пособие. 2-е изд., перераб. и доп. - М.: Высш. шк., 1982.-319 с.

69. Мелентьев JI.A. Системные исследования в энергетике. Элементы теории, направления развития. Изд. 2-е, доп. М.: Наука, - 1983.

70. Месарович М., Мако Д., Такахара И. Теория иерархически многоуровневых систем. М.: Мир, 1978. - 311 с.

71. Месарович М., Такахара И. Общая теория систем: Математические основы. М.: Мир, 1978. - 320 с.

72. Минаев Ю.Н., Филимонова О.Ю., Бенамеур Лиес. Методы и алгоритмы решения задач идентификации и прогнозирования в условиях неопределенности в нейросетевом логическом базисе. М.: Горячая линия-Телеком, 2003. - 205 с.

73. Минский М., Пайперт С. Персептроны. М.: Мир, 1971.

74. Могилевский В.Д. Формализация динамических систем: М.: Вузовская книга, 1999.-216 с.

75. Моисеев Н.Н. Математические задачи системного анализа. М.: Наука, 1981.-488 с.

76. Молчанов А.А. Моделирование и проектирование сложных систем. К.: Выша шк., 1988.-359 с.

77. Муратова М.Ч. Количественный анализ социально-экономических параметров регионов России. Майкоп, Изд-во Адыгейского гос. ун-та, 1997. -40 с.

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

79. Научно-техническая безопасность регионов России: методические подходы и результаты диагностирования / Под ред. А.И. Татаркина, А.А. Куклина. — Екатеринбург: Изд-во Урал, ун-та, 2000. 415 с.

80. Научные основы организации управления и построения АСУ / Под ред. В.П. Бройдо, B.C. Крылова. Изд. 2-е, переаб. и доп. М.: Высш. шк., 1990. -20 с.

81. Осовский С. Нейронные сети для обработки информации / Пер с польского И.Д. Рудинского. М.: Финансы и статистика, 2002. - 344 с.

82. Панкратова И.Д. Становление и развитие системного анализа как прикладной научной дисциплины // Системные достижения и информационные технологии. 2002. - № 1.

83. Пат. №2004611143. Программный комплекс для оценки безопасности региона «Нейрон» / Симанков B.C., Бучацкая В.В. (Россия); Заяв. 20.04.04. Опубл. 11.05.04.

84. Перегудов Ф.И. и др. Основы системного подхода. Томск: ТГУ, 1976. -127 с.

85. Перегудов Ф.И. Системное проектирование АСУ организационными комплексами. Томск: ТГУ, 1974. - 215 с.

86. Перегудов Ф.И., Тарасенко Ф.П. Основы системного анализа: Учеб. 2-е изд., доп. Томск: Изд-во HTJI, 1991. - 396 с.

87. Перуш М. Математические модели ассоциативных нейронных сетей. СПб: Изд-во КАРО, 2000. 64с.

88. Порфирьев Б.Н. Управление в чрезвычайных ситуациях: проблемы теории и практики. М., 1991. Деп. в ВИНИТИ.

89. Потемкин В.Г. Инструментальные средства Matlab 5.x. М.: ДИАЛОГ-МИФИ, 2000.

90. Прангишвили И.В. и др. Поиск подходов к решению проблем. М.: СИНТЕГ, 1999.-272 с.

91. Прангишвили И.В. Системный подход и общесистемные закономерности.-М.: СИНТЕГ, 2000.

92. Прангишвили И.В., Пащенко Ф.Ф., Бусыгин. Системные законы и закономерности в электродинамике, природе и обществе. М.: Наука, 2001.

93. Прикладные нечеткие системы: Пер.с япон. / К. Асан, Д. Ватада, С. Иваи и др. / Под ред. Т. Тэрано, К. Асаи, М. Сугэно. М.: Мир, 1993. - 168 с.

94. Розенблатт Ф. Принципы нейродинамики. Перцептроны и теория механизмов мозга. М.: Мир, 1965. - 480 с.

95. Саати Т. Принятие решений. Метод анализа иерархий. М.: Радио и связь, 1989.-316 с.

96. Савин В.А. Некоторые аспекты экономической безопасности России // Международный бизнес России. 1995. - № 9. - С. 45-47.

97. Садовский В.Н. Основания общей теории систем: Логико-методологический анализ. М.: Наука, 1974. - 279 с.

98. Сигеру Омату. Нейроуправление и его приложения. Кн. 2. / Сигеру Ома-ту, Марзуки Халид, Рубия Юсоф: Пер с англ. Н.В. Батина; Под ред. А.И. Галушкина, В.А. Птичкина. М.: ИПРЖР, 2000. - 272 с.

99. Симанков B.C. Автоматизация системных исследований: Монография/ Техн. ун-т Кубан. гос. технол. ун-та. Краснодар, 2002. - 376 с.

100. Симанков B.C., Бучацкая В.В. Системные исследования безопасности на основе нейронной сети: Монография (научное издание) / Техн. ун-т ку-бан. гос. технол.ун-та Краснодар, 2003. - 228с.

101. Симанков B.C., Бучацкая В.В. Современное состояние и развитие нейронных сетей. Аналитический обзор. Ин-т совр. технол. и экон. -Краснодар, 2003. 68 е.; ил. 21; табл. 1. Библиогр.: 24 назв. Деп. в ВИНИТИ 02.09 2003 г., № 1635, В-03.

102. Симанков B.C., Зангиев Т.Т. Системный анализ при решении структурных задач альтернативной энергетики: Монография/ Ин-т совр. технол. и экон.- Краснодар, 2001. 151 с.

103. Симанков B.C., Луценко Е.В. Адаптивное управление сложными системами на основе теории распознавания образов: Монография / Техн. ун-т Кубан. гос. технол. ун-та. Краснодар, 1999. - 318с.

104. Симанков B.C., Луценко Е.В., Лаптев В.Н. Системный анализ в адаптивном управлении: Монография / Под ред. B.C. Симанкова; Ин-т совр. технол. и экон. Краснодар, 2001. - 258 с.

105. Симанков B.C., Смирнов О.В., Тулин А.А. Методология компьютерного моделирования информационных систем. Кранодар, 2001. - 77 с. Деп. В ВИНИТИ 31.08.2001, № 1917, В-01.

106. Собрание законодательства Российской Федерации. 1996. - №23. - Ст. 2756.

107. Советов Б.Я., Яковлев С.А. Моделирование систем. М.: Высш. шк., 1999.-271 с.

108. Спицнадель В.Н. Основы системного анализа: Учеб. пособие. СПб.: Бизнес-пресса, 2000. - 560 с.

109. Стариков А. Практическое применение нейронных сетей для задач классификации (кластеризации) // Форум по проблемам анализа данных и нейронным сетям. 2000 Электрон, ресурс. - (Рус.) -http://www.basegroup.ru/.

110. Тамбовцев B.JI. Экономическая безопасность хозяйственных систем: структура, проблемы // Вестник МГУ. Серия 6. - Экономика. - 1995. -№ 3. - С. 43-46.

111. Тахтанджян АЛ. принципы организации и трансформации сложных систем. Эволюционный подход. СПб.: СПХВА, 1998. - 118 с.

112. Терехов В.А. Нейросетевые системы управления. СПб.: СГТГУ, 1999. -205 с.

113. Технология системного моделирования / Е.Ф. Аврамчук, А.А. Вавилов, С.В. Емельянов и др.; Под общ. ред. С.В. Емельянова. М.: Машиностроение. - Берлин: Техник, 1988. - 20 с.

114. Трахтенгерц Э.А. Компьютерная поддержка принятия решений. М.: СИНТЕГ, 1998.-376 с.

115. Трахтенгерц Э.А. Субъективность в компьютерной поддержке управленческих решений. Серия: Системы и проблемы управления. М.: СИНТЕГ, 2001.-256 с.

116. Уемов А.И. Системный подход и общая теория систем. М.: Мысль, 1978.-272 с.

117. Уоссермен Ф. Нейрокомпьютерная техника. М.: Мир, 1992. - 127 с.

118. Управление, информация, интеллект / Под. ред. А.И. Берга и др. М.: Мысль, 1976.

119. Цвиркун А.Д. Синтез и управление развитием структур крупномасштабных систем. Крупномасштабные системы: моделирование развития и функционирования. -М., 1990.

120. Шеннон Р. Имитационное моделирование систем: искусство и наука. -М.: Мир, 1978.-420 с.

121. Щербаков М.А. Искусственные нейронные сети. Конспект лекций. -Пенза: ПГТУ, 1996.-45 с.

122. Экономическая безопасность региона: единство теории, методологии исследования и практики / А.И. Татаркин, А.А. Куклин, О.А. Романова и др. Екатеринбург: Изд-во Урал, ун-та, 1997. - 378 с.

123. Ярочкин В.И. Секьюритология наука о безопасности жизнедеятельности // 2003 Электрон, ресурс. - (Рус.) - http://www.oxpaHa.ru/.

124. Haykin S. Neural networks, a comprehensive foundation. N.Y.: Macmillan College Publishing Company, 1994.

125. Hecht-Nielsen R. Neurocomputing. Amsterdam: Addison Wesley, 1991.

126. Hertz J., Krogh A., Palmer R. Wstep do teorii obliczen neuronowych. Wyd. II. Warszawa: WNT, 1995.

127. Hornik K., Stinchcombe M., White H., Multilayer feedforward networks are universal approximators // Neural Networks, 1989. Vol. 2. - P. 359-366.

128. Hush D., Home B. Progress in supervised neural networks // IEEE Signal Processing Magazine, 1993, January. P. 8-39.

129. Integration definition for function modeling (IDEFO). Draft Federal Infirma-tion.

130. Li Q., Tufts D. Synthesizing neural networks by sequencial addition of hidden modes // IEEE Proc. ICNN, Orlando, 1994. P. 708-713.

131. Mehrotra K., Mohan C., Ranka S. Bounds on the number of samples needed for neural learning // IEEE Tranc. Neural Networks, 1991. Vol. 2. - P. 548558.133.0sowski S. Sieci neuronowe w ujeciu algorytmicznym. Warszawa: WNT, 1996.

132. Osowski S. Sieci neuronowe. Warszawa: Oficyna Wydawnicza PW, 1994.

133. The Mathworks: Matlab and Simulink for Techical Computing // 2004 Электрон. ресурс. (Engl.) - http://www.mathworks.com136.www.ivr.ru// 2004 Электрон, ресурс. (Рус.) - Инвестиционные возможности России.