автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Интеллектуализация управления объектами с прогнозируемыми рисками на основе трансформации нечеткой информации в базу знаний

9 15-5/20

1/(1 приник рукописи

/9/7

и/

и

ФИРТЫЧ Оксана Ллексаидроииа

ИНТЕЛЛЕКТУАЛИЗАЦИЯ УПРАВЛЕНИЯ ОБЪЕКТАМИ С ПРОГНОЗИРУЕМЫМИ РИСКАМИ НА ОСНОВЕ ТРАНСФОРМАЦИИ НЕЧЕТКОЙ ИНФОРМАЦИИ В БАЗУ ЗНАНИЙ

Специальность 05.13.01 - Системный аналич, управление

и обработка информации (технические системы)

АВТОРЕФЕРАТ

диссертации па соискание учёной степени кандидата технических паук

Воронеж 2015

Работа выполнена в ФГБОУ ВПО государственный технический университет».

«Воронежский

Научный руководитель Официальные оппоненты:

Ведущая организация:

Пасмурнов Сергей Михайлович,

кандидат технических наук, профессор. Попова Ольга Борисовна, доктор технических наук, доцент, ФГБОУ ВПО «Воронежский государственный

университет инженерных технологий», профессор кафедры «Информационных технологий моделирования и управления»;

Сергнсико Михаил Александрович,

кандидат технических наук, ФГБОУ ВПО «Воронежский государственный университет», преподаватель кафедры «Вычислительной информатики и прикладных информационных

технологий»;

ФГБОУ ВПО

государственный университет» (г. Тамбов).

«Тамбовский технический

Защита состоится «26» июня 2015 г. в 15-30 часов в конференц-зале на заседании диссертационного совета Д 212.037.02 ФГБОУ ВПО «Воронежский государственный технический университет» по адресу 394026, г. Воронеж, Московский пр., 14.

С диссертацией можно ознакомиться в научно-технической библиотеке ФГБОУ ВПО «Воронежский государственный технический университет» и па сайте www.vorstu.ru.

Автореферат разослан

Ученый секретарь диссертационного совета

«30» апреля 201 5 г. (- - —С. М. П а с м у р 11 о в

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы диссертационного исследования.

Управление целым рядом технических объектов на начальных этапах их жизненного цикла направлено на минимизацию рисков отклонения от желаемых значений характеристик функционирования и развития. При этом определение и оценку рисков приходится осуществлять в условиях неопределенности и случайного характера внешних и внутренних воздействий. Таким образом, возникает необходимость разработки специальных методов, моделей и процедур управления объектами с прогнозируемыми рисками и прогнозирования состояний системы с учетом управляющих воздействий.

Современные научные исследования и практика управления этим классом объектов основаны на использовании математических методов оценки по расчетным критериям (Г. Марковиц, С. Conde, К. Ю. Доладов, Д.А. Новиков), классических методов теории вероятностей и математической статистики при расчете прогноза (А. Бююль, П. Цефель, С.Д. Бешелев, А.И. Орлов). В значительно меньшей степени рассматривается возможность интеграции этих подходов со следующими методами интеллектуализации поддержки принятия решений, зарекомендовавших себя при управлении другими классами объектов в условиях неопределенности и размытости информации:

формализация качественных прогностических оценок с использованием теории нечетких множеств (J. Buckley);

нечеткое моделирование и управление (A. Piegat, Т.М. Леденева);

определение нечетких правил и их применение для принятия управленческих решений (Yiha Мао, Wenjing Wu, Bogdan Rebiasz, A.O. Недосекин);

динамический анализ формализованных знаний, характеризующих различные факторы риска (Э. Хэнли, X. Кумамото, М.Н. Дмитриев).

Таким образом, актуальность диссертационного исследования определяется необходимостью повышения эффективности управления специальным классом объектов с прогнозируемыми

рисками путем создания проблемно-ориентированных моделей и алгоритмов, основанных на комбинации вероятностных методов прогнозирования и экспертного оценивания с методами интеллектуализации обработки нечеткой информации и принятия управленческих решений.

Работа выполнена в рамках основного научного направления ФГБОУ ВПО «Воронежский государственный технический университет» - «Интеллектуализация информационных систем» и госбюджетной НИР кафедры САПРИС этого вуза по ФЦП «Научные и научно-педагогические кадры инновационной России»: «Разработка поисковой среды интеллектуальной поддержки проектно-производственного процесса освоения инвестиций в создании жидкостных ракетных двигателей» (2010-2012 гг.).

Объект исследования. Система управления объектами с прогнозируемыми рисками.

Предмет исследования. Модели и алгоритмы оценки и прогнозирования рисков и процедуры интеллектуализации принятия управленческих решений.

Цели и задачи исследования. Целью работы является разработка комплекса моделей и алгоритмов управления объектами с прогнозируемыми рисками на основе интеграции процедур интеллектуализации обработки нечеткой информации и принятия решений с использованием баз знаний.

Для достижения поставленной цели необходимо решить следующие задачи:

1. Определить пути повышения эффективности функционирования систем, содержащих объекты с прогнозируемыми рисками.

2. Описать процедуру трансформации нечеткой информации в базу знаний для управления объектами с прогнозируемыми рисками.

3. Создать алгоритм процесса интеллектуализации управления объектами с прогнозируемыми рисками на основе нечеткой базы знаний.

4. Исследовать эффективность результирующей системы управления объектами с прогнозируемыми рисками, построенной на основе использования нечеткой базы знаний и разработанных алгоритмов управления.

Методы исследования. В работе использовались основные положения и методы системного анализа, прогнозирования, оптимизации, теории управления, нечетких множеств, теории вероятностей и математической статистики.

Тематика работы соответствует следующим пунктам паспорта специальности 05.13.01:

п.4. Разработка методов и алгоритмов принятия решений задач системного анализа, оптимизации, управления, принятия решений и обработки информации;

п.9. Разработка проблемно-ориентированных систем управления, принятия решений и оптимизации технических, экономических, биологических, медицинских и социальных объектов;

п. 11. Методы и алгоритмы прогнозирования и оценки эффективности качества и надежности сложных систем.

Научная новизна работы. В диссертации получены следующие основные результаты, выносимые на защиту и характеризующиеся научной новизной:

процедура трансформации нечеткой информации об уровне рисков отклонения характеристик объекта от желаемых, отличающаяся математическими приемами введения альтернативных переменных, определяющих тип функции принадлежности при оптимизационном моделировании по функции истинности;

модель прогнозирования рисков с использованием нечетких правил, отличающаяся способом преобразования формализованных знаний в реляционную структуру данных, необходимых для принятия управленческих решений;

алгоритм оценивания вероятности риска, отличающийся ориентацией на динамический анализ нечетких ассоциативных связей и учетом идентифицируемых признаков положительных и отрицательных ассоциаций при реализации компенсационного режима управления;

проблемно-ориентированная система принятия решений, отличающаяся формой интеграции процедуры интеллектуализации обработки нечеткой информации и экспертного выбора на множестве альтернативных сценариев управления объектом с прогнозируемыми рисками.

Практическая значимость и результаты внедрения.

Практическая значимость работы заключается в следующем:

разработаны структурные схемы и программная реализация алгоритмов оценки рисков и эффективности управления объектами на начальных этапах их жизненного цикла в условиях неопределенности и риска;

сформирована поэтапная методика использования проблемно-ориентированной системы принятия решений для повышения эффективности управления объектами с прогнозируемыми рисками.

Работа выполнена по поручению аналитического центра при организации экспертного оценивания и прогнозирования рисков Правительства Российской Федерации для управления инвестиционными процессами в инновационной сфере для проекта № 2 «Создание системы подготовки высококвалифицированных кадров в области суперкомпьютерных технологий и специализированного программного обеспечения» 2010-2013 гг. Результаты диссертационного исследования внедрены в компании ООО «БиАй-лизинг», а также в учебный процесс кафедры САПРИС Воронежского государственного технического университета в рамках учебного направления «Информационные системы и технологии».

Апробация работы. Основные результаты исследования докладывались и обсуждались на следующих научных мероприятиях:

Всероссийская молодежная конференция «Молодежь и современные информационные технологии» (Воронеж, 2011 г.); Международная школа-семинар «Интеллектуальные компьютерные обучающие системы» (Воронеж, 2011г.); Всероссийская конференция «Интеллектуальные информационные системы» (Воронеж, 2011г.); Всероссийская научная школа «Информационно-телекоммуникационные системы и управление» (Воронеж, 2011 г.); X международная научно-практическая конференция «Актуальные проблемы профессионального образование: подходы и перспективы» (Воронеж, 2012г.); Международная молодежная конференция «Математические проблемы современной теории управления системами и процессами» в рамках фестиваля науки (Воронеж, 2012г.), ежегодные научно-технические конференции профессорско-преподавательского состава и аспирантов ВГТУ (2012-2014 гг.).

Публикации. По результатам исследования опубликовано 13 научных работ, в том числе 3 - в изданиях, рекомендованных ВАК РФ.

В работах, опубликованных в соавторстве и приведенных в конце автореферата, лично соискателю принадлежат следующие научные результаты: [1-2] - методы интеллектуализации процесса принятия решений в условиях неопределенности и риска; [31 -алгоритм управления объектами с прогнозируемыми рисками; [4-6] -процедура трансформации нечеткой информации в базу знаний для оценки рисков; [9-13] - методы интеллектуализации процесса идентификации и прогнозирования рисков.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка литературы. Основная часть работы изложена на 145 страницах, содержит 27 рисунков, 9 таблиц. Список литературы содержит 83 наименования.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обосновывается актуальность темы диссертационной работы, сформулированы цель и задачи исследования, их научная новизна, определена практическая значимость полученных результатов, приведены сведения об апробации и внедрении результатов научного исследования.

В первой главе предлагается описание процесса управления рисками и анализ методик управления рисками на различных его этапах. Рассматриваются методы как количественной, так и качественной оценки.

Предлагается использование теории нечеткой логики при управлении рисками, так как данный подход позволяет оперировать, учитывая неопределенность данных, не только количественными данными, но также экспертными оценками.

Разработана структура системы управления объектами с прогнозируемыми рисками, представленная на рис. 1. Целый ряд подсистем («Идентификация рисков», «Анализ рисков», «Оценка и прогнозирование рисков») в рамках представленной структуры используют систему вывода на основе базы нечетких правил, формируемой в результате процедуры трансформации ретроспективной информации

Рис. 1. Структурная схема системы управления объектами с прогнозируемыми рисками

Система управления объектами с прогнозируемыми рисками определяется как совокупность управляемого объекта, средств автоматизации, нормативной и организационной документации, рабочих процедур, штатных позиций и конкретных сотрудников,

занимающих эти позиции, предназначенная для управления рисками в рамках процесса управления объектом.

Объект с прогнозируемыми рисками - это объект, обладающий динамическими характеристиками, изменяющимися под влиянием возникновения рисковой ситуации, которую необходимо спрогнозировать, чтобы предсказать и предотвратить возможный ущерб от ее реализации как в рамках различных стадий реализации управляемого процесса, так и в конечном результате.

Во второй главе диссертационного исследования представлена разработанная процедура трансформации нечеткой информации в базу знаний системы управления объектами с прогнозируемыми рисками, отличающаяся математическими приемами введения альтернативных переменных, определяющих тип функции принадлежности, при оптимизационном моделировании -максимизацией функций истинности выбора наиболее адекватных нечетких правил, включенных в базу знаний.

Одним из препятствий при прогнозировании поведения объекта в условиях риска является неопределенность данных, часто имеющая место при оценке потенциального риска. Рассмотрен математический аппарат, который позволяет заполнять базу знаний постоянно обновляющимися правилами на основе различных функций принадлежности.

Для подсистемы «Идентификации рисков» входными параметрами являются признаки классификации объектов, а выходными - факторы риска. Факторы риска являются входными параметрами подсистемы «Анализ рисков», выходными переменными являются переменные «Степень воздействия» и «Вероятность возникновения».

По данным х5,, у^ определяют интервалы значений параметров и показателей

х^=1тнп(х*), х*=тах(х^), 3 = Т7Т, в = 1 ; (1)

у"|=тт(у5,), х+;=тах(х5,), | = и, в = 1 ; (2)

Определенный таким образом интервал разделяют на (2Ы+1) отрезков с присвоением значений лингвистической переменной на нечетких множествах В„„ = 1,21^ + 1, п, = 1,21^ + 1. Причем

значения и Н для каждой переменной подбираются

индивидуально, представив их через альтернативные переменные. В двоичном исчислении с достаточным для практики ограничением N¡<4, 3 = П;Н<4, ¡ = 0:

щ=\+г'ц+2г'ъ,)=и (3)

N¡=1+^+22'*, ¡ = 0 (4)

Тогда вектор альтернативных переменных }, 3 = П, ¡ = 0 определяет вариант разделения интервалов входных переменных Xj и выходных переменных у;. Функции принадлежности нечеткого множества А| -|ХА , -цв для значений

лингвистической переменной V,' на нечетком множестве функцию принадлежности цс ставят в соответствие геометрическому

разделению интервала и соответствующему набору значений лингвистических переменных (рис. 2).

Для значений: «очень низкая», «низкая», «средняя», «высокая», «очень высокая» Рис. 2 - График функции принадлежности выходной лингвистической переменной «Степень воздействия риска»

В зависимости от используемого типа функции принадлежности и способа ее параметризации на наборах лингвистических значений переменных х^ V/, у; рассматривается

множество у = 1,У вариантов, которое представляется через альтернативные переменные в двоичном исчислении с достаточным для практики ограничением У<8:

Таким образом, моделирование с использованием базовой процедуры при изменении альтернативной переменной определяется случайными вариациями компонентов двух векторов Z' и Z"={Zi" Z2", Z3"}.

Рассмотренное описание позволяет нечетким правилам в виде R <если, то>, построенных на нечетких множествах Ajn, Bjn, v/ для каждого s-ro экземпляра выборки

(xs,,...,xsj,...,xsj,vs,',...,vv,...,vv,ysi,...,ysi,---,ysi), s = US. Правила, входящие в множество R имеют вид:

Rs: ЕСЛИ (xSi=ASi,...,xSj=ASj,...,xSj =A,J;vY=CY,..., vY=CY,...,vY=Cs.), ТОГДА (ys, =В5,, ..„у5, =BS„ ..„у8, =Bsj), s = 1,S.

Принадлежность xsj к Asj e Ajn , ys, к Bs, e Bjn определяется путем выбора того n-го интервала nj =l,2Nj + 1, n, =1,2N, +1, Для

которого значения функции принадлежности входных и выходных переменных принимают максимальное значение:

A': raa^(Ajn,x;)t Bf: гааз_ц(вш,У;) (6)

n, =1,2NJ -t-1 n, =1,2N( -t-1

Сформированные в результате применения процедуры трансформации нечеткой информации правила на основе оптимизационного моделирования могут быть внесены в базу знаний или замещены другим правилом, которое обеспечит максимальное суммарное значение истинности в базу знаний, чтобы обеспечить непротиворечивость базы знаний.

Предложенное математическое описание можно рассматривать как формализованный элемент системы интеллектуализации управления объектами с прогнозируемыми рисками. Таким образом, лицо принимающее решение получает предварительную оценку риска и его последствий для управляемого объекта:

Rx=Px(H)-S(x,k)-v(x,k,H) (7)

где х - условный порядковый номер управляемого объекта;

Р(Н) - вероятность реализации риска для объекта х ;

S(x,k) - нормированная стоимость объекта х, зависящая от некоторых его характеристик к ;

v(x,k,H) - нормированная оценка убытка/ущерба/потерь при реализации опасности.

Процедура трансформации нечеткой информации в базу знаний применяется к ретроспективным данным, для получения базы знаний для системы поддержки принятие решений, или же к результатам моделирования в процессе прогнозирования рисков в том случае, когда ретроспективные данные отсутствуют или их сбор представляется невозможным. Результатом является качественная оценка рисков или количественное значение какого-либо параметра объекта или процесса на выходе.

Для использования базы знаний в автоматизированных распределенных системах предлагается модель хранения базы знаний на основе реляционной СУБД MS SQL Server 2013 (рис. 3).

Рис. 3. Логическая схема базы данных для хранения нечетких правил

Исходя из математической модели базы нечетких продукционных правил, явно выделяются следующие сущности, которые заложены в структуру базы данных, хранящей ее: «Linguistic Variable» - лингвистические переменные; «MembershipFunction» - функции принадлежности, характеризующие лингвистические переменные; «FuzzyRule» -нечеткие продукционные правила вывода. Задается связь между лингвистическими переменными и правилами, как принадлежность лингвистической переменной данному правилу:

«RuleForCreateTermName» - правила для создания лингвистических термов; «TermName» - лингвистические названия термов; «Тегт»-термы; «Func XY» - математическое выражение функций, которые определяют «MembershipFunction»; «KnowledgeMatrix» - матрица соответствии входных и выходных значений нечетких правил.

Одним из недостатков модели, сформированной средствами нечеткой логики, на физическом уровне реализации базы знаний является то, что в общем случае база нечетких знаний является неупорядоченной, что приводит к полному перебору правил при реализации логического вывода. Избежать данного недостатка можно, используя подход сведения базы знаний к древовидной структуре с помощью выделения качественного и количественного этапов оценки рисков.

В третьей главе рассматривается вопрос создания и описания алгоритма управления объектами с прогнозируемыми рисками на основе предложенных ранее процедур трансформации нечеткой информации в базу знаний (рис. 4). Детализированная структурная схема алгоритма создания нечеткого правила отображена в полном тексте диссертационного исследования.

Каждому значению лингвистической переменной соответствует один или более фактор риска. Так же как и определенный риск относится к нескольким переменным одного классификатора или нескольких. Для анализа данных, сопровождающих процесс управления, предлагается применять нечеткие ассоциативные методы. При работе с нечеткими переменными возможно задание нечетких ассоциативных связей, когда можно сказать, что /-риск проявится для у'-признака классификации объектов с прогнозируемыми рисками, согласно правилу, имеющему степень принадлежности ^.

Принятие решения экспертом (ши экспертами

С

Определение тт и шах сигналов, разделение на 2Ы+1 областей

Рис. 4 Алгоритмизация процесса создания нечеткого правила для базы знаний управления объектами с прогнозируемыми рисками (*„ - входные и выходные переменные, - степень истинности /'-го

подзаключения,)

Если на риск ссылаются несколько ассоциаций с различными степенями принадлежности, то за итоговую вероятность риска следует принимать максимальную степень принадлежности:

Р, = тах{/лп,р1г,...,/ла\1 = \Л,] = \Л. (8)

Для отрицательных связей правило со степенью вероятности т)ц отрицает возникновение данного типа риска ц . Если на /'-ый риск

ссылаются положительные ассоциация с достоверностью и

отрицательная ассоциация с достоверностью ц , то вероятность

возникновения этого риска будет определяться как:

Р,=р,0-П,)- (9)

По определенным величинам вероятности возникновения и степени воздействия риска, можно определить класс риска, исходя из матрицы классов серьезности рисков.

Матрица классов рисков

Вероятность возникновения

Очень низкая, Низкая Средняя Высокая, Очень высокая

Степень воздействия Очень низкая, Низкая С С В

Средняя С В В

Высокая, Очень высокая В В А

Риски класса А признаются самыми опасными для управляемого объекта с прогнозируемыми рисками. Им следует уделить особенно пристальное внимание при управлении рисками и принятии мер по предотвращению реализации рисковой ситуации. Риски класса В также являются критичными, особенно в краткосрочном прогнозировании. Риски класса С должны рассматриваться в системе мониторинга, но не требуют

немедленного вмешательства. Необходимость реагирования на риски данного класса может варьироваться для различных видов объектов с прогнозируемыми рисками (см. таблицу).

Представленное выше распределение классов в зависимости от вероятности возникновения риска и степени его воздействия на объект с управляемыми рисками предложено для системы управления инвестиционным процессом.

В четвертой главе рассматривается проблемно-ориентированная система принятия решений, отличающаяся формой интеграции процедуры интеллектуализации обработки нечеткой информации и экспертного выбора на множестве альтернативных сценариев управления объектом с прогнозируемыми рисками для оценки рисков при реализации инвестиционного процесса в области образования - «Создание системы подготовки высококвалифицированных кадров в области суперкомпьютерных технологий и специализированного программного обеспечения».

Подключение аппарата нечеткой логики к оценке и прогнозированию рисков инвестирования позволяет использовать для автоматизированной обработки не только численные данные, но и нечетко определенные и качественные характеристики.

Инвестиционный риск существует при МРУ <о( значение риска Я может быть определено как отношение между областью

отрицательных значений МРУ и всед областью, описывающей значения

Риск может быть интерпретирован в нечеткое подмножество:

я = {(л, , М[< (Л,)), (л2, (Л2))..., (я„, мк (Я„))}, (11)

где Мк(Як) = Мг(1к),к^\,...,п.

Для принятия решений на различных этапах мониторинга рисков и принятия решений в условиях риска необходимо получить

о

(Ю)

списки факторов риска, наиболее актуальных в данный момент. Построенная база знаний позволяет это сделать, используя механизмы ассоциативного анализа. После определения величин «Вероятность возникновения» и «Степень воздействия» строятся правила по шаблону:

ЕСЛИ <Вероятностъ возникиовения> И <Степень воздействия>

ТО <Класс риска>

в соответствии с матрицей классов рисков производится назначение одного из трёх классов риска.

Таким образом, формулируются правила по каждому риску, определяя порядок мониторинга и процедуры реагирования на риск.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

1. Проведен анализ существующих методов оценки рисков в различных сферах жизни, выявлены достоинства и недостатки каждого. После чего были сформулированы требования к разрабатываемой системе. Обоснована необходимость трансформации ретроспективной информации в нечеткую базу знаний и сформулированы особенности применения нечеткой логики в рамках управления объектами с прогнозируемыми рисками.

2. Разработана процедура трансформации ретроспективной информации в нечеткие правила на основе процесса деффазификации, описанной в прикладном алгоритме Мамдани.

3. Сформирована модель базы знаний, позволяющая делать однозначный вывод, основываясь на текущем состоянии объекта управления, а также путем ассоциации его параметров, с параметрами объектов, составляющих ретроспективную выборку.

4. Результатом алгоритмизации процесса управления объектами с прогнозируемыми рисками на основе нечеткой базы знания является описание базы знаний, которая обладает однозначностью, непротиворечивостью данных, способностью к дальнейшему обучению и интеллектуализацией.

5. Описана модель хранения нечетких знаний на основе реляционной базы данных, которая позволяет работать с базой знаний в распределенных системах.

6. В рамках алгоритма оценки факторов риска имеет место процедура интеллектуализации результатов нечеткого вывода.

полученного системой. Таким образом, достигается максимально возможная актуализация базы знаний, правила в которой постоянно обновляются, используя понятие истинности правила.

7. В процедуру мониторинга, которая является закономерным завершающим звеном в алгоритме управления объектами с прогнозируемыми рисками, включен элемент ассоциативных связей между данными на основе нечетких правил, что позволяет осуществлять динамический анализ всех данных, которые описывают различные факторы риска.

8. Формализована процедура поддержки рискового принятия решений в условиях неопределенности. Она включает в себя все возможные варианты работы с рисками, которые предлагаются лицу, принимающему решения, с той или иной приоритетностью.

9. Анализ эффективности описанной системы проведен на примере инвестиционного процесса инновационного проекта в области технического образования в сети передовых высших учебных заведений в Российской Федерации.

Основные результаты диссертационного исследования опубликованы в следующих работах: Публикации в изданиях, рекомендованных ВАК РФ

1. Львович, Я.Е. Интеллектуализация процесса формирования базы нечетких правил в задаче оценки эффективности инновационных процессов [Текст] / Я.Е. Львович, О.Г. Яскевич, O.A. Фиртыч // Вестник Воронежского государственного технического университета. - 2010. -Т.6. -№10. - С. 4-6.

2. Львович, Я.Е. Формирование перспективных решений на основе базы нечетких правил [Текст] / Я.Е. Львович, О.Г. Яскевич, O.A. Фиртыч // Вестник Воронежского государственного технического университета. -2010. -Т.6. -№10. - С. 58-59.

3. Фиртыч, O.A. Управление объектами с прогнозируемыми рисками на основе трансформации нечеткой информации [Текст] / O.A. Фиртыч // Вестник Воронежского государственного технического университета. - 2014. — Т.4. -№10. - С. 25-27.

Статьи и материалы конференций

4. Фиртыч, O.A. Неполнота знаний при формировании базы нечетких правил при оценке эффективности инновационных проектов [Текст] / O.A. Фиртыч // Молодежь и современные

информационные технологии. Материалы Всероссийской молодежной конференции (9-10 сентября 2011 г.). Воронеж: ИПЦ «Научная книга», 2010. - С. 72-74.

5. Фиртыч, O.A. Формализация нечеткой информации в интеллектуальных обучающих системах [Текст] / O.A. Фиртыч // Интеллектуальные компьютерные обучающие системы. Материалы Международной школы-семинара (19 октября 2011 г.). Воронеж. ИПЦ «Научная книга», 2011. - С. 9-11.

6. Львович, Я.Е. Базы знаний в интеллектуальных системах оценки эффективности инновационных проектов [Текст] / Я.Е. Львович, О.Г. Яскевич, O.A. Фиртыч // Оптимизация и моделирование в автоматизированных системах: межвуз. сб. науч. тр. Воронеж: ГБОУВПО «ВГТУ», 2011 - С.95-96

7. Яскевич, О.Г. Алгоритм создания нечеткого правила для оценки эффективности инновационных проектов [Текст] / О.Г. Яскевич, O.A. Фиртыч // Интеллектуальные информационные системы. Труды Всероссийской конференции (22-23 июня 2011 г.). Воронеж: ВГТУ, 2011.-С. 38-39

8. Фиртыч O.A. Построение базы знаний на основе нечеткой информации при управлении инвестициями [Текст] / O.A. Фиртыч // Информационно - телекоммуникационные системы и управление: Материалы Всероссийской научной школы (8 ноября 2011 г.). -Воронеж: ИПЦ «Научная книга», 2011 - С. 19-20

9. Львович Я.Е. Подсистема оценки эффективности инновационных проектов на основе нечеткой логики [Текст] / Я.Е. Львович, O.A. Фиртыч // Информационный бюллетень «Алгоритмы и программы». ВНТИЦ. -2012. -№2-С. 5.

10.Lvovich J.E. Innovative Project Evaluation Based on Fuzzy Logic [Text] / J.E. Lvovich, O.A. Firtych // Materials of X International Scientific and Practical Conference "Professional education actual problems: Approaches and Perspectives", Voronezh: Publishing and printing center "Science Book", 2012. - P. 432-433.

11. Яскевич О.Г. Диалоговое управление с выбором функции принадлежности лингвистических переменных [Текст] / О.Г. Яскевич, O.A. Фиртыч // Математические проблемы современной теории управления системами и процессами. Материалы Международной молодежной конференции в рамках фестиваля

науки (4 сентября 2012 г.). Воронеж: ИПЦ «Научная книга», 2012. -С. 205-206

12. Яскевич О.Г. Качественная оценка рисков инвестиционных проектов на основе нечеткой логики / О.Г. Яскевич, O.A. Фиртыч [Текст] // Материалы ежегодной всероссийской конференции «Интеллектуальные информационные системы», Воронеж: ВГТУ, 2013.

13. Фиртыч O.A. Интеллектуализация управления рисками инвестиционных процессов на основе трансформации нечеткой информации в базу знаний [Текст] / O.A. Фиртыч, С.М. Пасмурное // Сборник трудов победителей конкурса на лучшую научную работу студентов и аспирантов ВГТУ. Воронеж: ВГТУ, 2013. - С. 25-26

Подписано в печать 24.04.2015 Формат 60 х 84 1/16. Бумага для множительных аппаратов.

Усл.-печ. л. 1,0. Тираж 80 экз. Заказ № 7$ ФГБОУ ВПО «Воронежский государственный технический университет» 394026 Воронеж, Московский просп., 14

15- 6154

2015677546

2015677546