автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.16, диссертация на тему:Разработка интеллектуальных компонентов информационных систем предприятий

На правах рукописи УДК 658.011.56:681.51

РГ6 - ОГ

ПЯТКОВСКИЙ ОЛЕГ ИВАНОВИЧ • 5

РАЗРАБОТКА ИНТЕЛЛЕКТУАЛЬНЫХ КОМПОНЕНТОВ ИНФОРМАЦИОННЫХ СИСТЕМ ПРЕДПРИЯТИЙ

Специальность 05.13.16 - Применение вычислительной техники, математического моделирования и математических методов в научных исследованиях

АВТОРЕФЕРАТ

диссертации на соискание ученой степени доктора технических наук

Барнаул 2000

Работа выполнена в Алтайском государственном техническом ун верситете им. И.И. Ползунова

Научный консультант: заслуженный деятель науки РФ, д.ф.-м.н., профессор В.В. Евстигнеев

Официальные оппоненты:

заслуженный деятель науки и техники, лауреат Государственной премии РФ д.т.н., профессор В.П. Тарасенко

д.т.н., профессор В. А. Силич

д.т.н., профессор Ю.И. Тигаренко

Ведущая организация -

Институт вычислительного моделирования СО РАН (г. Красноярск)

Защита состоится 30 июня 2000 г. в 10 часов 30 мин. на заседании диссер тационного совета Д 064.45.02 в Алтайском государственном университете и адресу: 656099 г. Барнаул, ул. Димитрова, 66

С диссертацией можно ознакомиться в библиотеке Алтайского государственного университета

Автореферат разослан 2-9 мая 2000 г.

Ученый секретарь диссертационного совета,

д. ф-м. н., профессор

С.А. Безносюк

тх.Ь. о

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность работы. В условиях современных экономических отноше-ий существенно возрастает сложность управления предприятием. Это объяснятся увеличением его самостоятельности и развитием преимущественно гори-онтальных связей с внешним окружением - поставщиками, потребителями, на-оговыми инспекциями, банками, страховыми компаниями, биржами, инвести-,ионными фондами. Для выработки рациональных решений требуется всесто-оиняя информация о производственно-хозяйственной, финансовой, снабженче-ко-сбытовой деятельности и внешних связях хозяйствующего субъекта.

При этом основными задачами управления предприятием являются такие «формализованные проблемы как оценка и диагностика его состояния, поиск, >пределение закономерностей в информационных данных, прогнозирование результатов деятельности, выработка рациональных траекторий функциониро-ания экономических объектов. Число показателей, применяющихся в этих за-;ачах, большое. Они формируют функции цели, которые могут быть траектор-:шш и ситуационными. Характер изменения этих показателей, как правило, не редсказуем, поэтому задачи определения рационального управления относятся классу недостаточно формализуемых и слабоструктурированных и не могут ыть в полном объеме решены точными методами. Для их решения целесооб-азно привлечь опыт человека, накопленный в базах знаний экспертных систем, [ля обеспечения поддержки принятия решений в таких условиях необходимо ,альнейшее развитие комплексной автоматизации управленческой деятельности редприятия с использованием современных информационных технологий, магматического моделирования и методов искусственного интеллекта.

Качество работы информационной системы, относящейся к классу сложных, напрямую зависит от соответствия ее организационной и технической под-истем, находящихся в постоянном взаимодействии. Опыт внедрения информа-;ионных систем показывает, что, до тех пор, пока эти две подсистемы не будут гахсимально соответствовать одна другой, все попытки качественного их функ-;ионирования невозможны. И, наоборот, при определенном уровне программно технической составляющей, например, по мере развития диалоговых режимов заямодействия, графических и мультимедиа средств, автоматизированные сис-емы начинают работать с лучшей эффективностью. Качественной работы ин-юрмационной системы можно достичь, если блок программно-технической оставляющей будет реализован с использованием методов искусственного ин-еллекга, что обеспечит его гибкое и адаптивное взаимодействие с организаци-нной подсистемой.

В настоящее время достигнуты определенные успехи в области создания вформационных систем производственного, финансового менеджмента, ком-лексного бухгалтерского учета и финансового анализа, маркетинга, сбыта и еализации готовой продукции. Эти системы развиваются с целью перевода их

в разряд информационно - советующих. Следует отметать, что в данном напр ленни работы являются актуальными вследствие ряда обстоятельств. В их чи достаточно высокий уровень развития фундаментальных исследований в обл тях информационных технологий, инструментальных средств искусствеши интеллекта и нейроинформатики. Это создает теоретическую базу для прове ния исследований с целью создания советующих информационных систем.

Подходы к построению информационных систем анализа и диагноста состояния предприятия приведены в ряде работ. На российском рынке пред гается немало программных продуктов, относящихся к классу финансо; аналитических систем. Они различаются как по спектру задействованных по] зателей, так и по реализованным в них подходам к решению основных за; анализа финансово-хозяйственной деятельности предприятий. Однако, как по; зывает анализ, в данных разработках недостаточно используются современн математические методы, нейросстевые и гибридные модели, позволяющие с ] раздо большей точностью и качеством осуществлять функции диагностики, ш лиза и прогнозирования экономических показателей. Существует также боз шое количество зарубежных информационных систем диагностики деятельное предприятия. Изучение данных разработок показывает, что основной их нед( таток состоит в том, что они имеют самостоятельное значение и не связань действующими информационными системами предприятия. Это не позволь учитывать динамику изменения информационной базы, отображать реальн; процессы управления на предприятии.

Подводя итог анализу состояния проблемы, можно утверждать, что до I стоящего времени существует ряд нерешенных проблем. На стадии исследи ний и проработки находятся вопросы адаптивности, создания интеллектуальш компонентов диагностики деятельности предприятия, методов прогнозирован, состояния объекта управления, разработки гибридных моделей экспертных си тем, технолопш извлечения знаний, определения закономерностей и грушгаро ки информационных данных, интеллектуального имитационного моделиров ния, создания новых методов проектирования и эксплуатации информационш систем, интеллектуальных человеко-машинных интерфейсов, создания нейр компьютеров и нейроимитаторов для применения в информационных система Следует особо отметить недостаточное количество работ по созданию едино подхода к формированию иерархических гибридных моделей оценки состоял] предприятия, включающих различные методы представления знаний, в том чи ле аналитические, логако-лингаистические, нейросетевые. Поэтому разрабоп моделей, методов, алгоритмов и программных комплексов дая решения нефо мализованных задач, а также имитационных систем, включающих в своем о ставе гибридные блоки анализа, прогнозирования и рационального выбора алг ритмов принятия решений и их применение при проектировании информащ онных систем производственного назначения, является современной актуально проблемой.

Несмотря на наличие работ в вышеперечисленных областях, теоретические прикладные исследования по созданию интеллектуальных информационных ястем предприятий находятся на стадии становления и общепринятых подхо-ов к решению представленных проблем до настоящего времени не сформиро-шо. Все изложенное подтверждает актуальность исследований по теме диссер-щии.

Объектом диссертационного исследования выступают процессы проек-фования и функционирования автоматизированных информационных систем правления предприятием, обеспечивающих эффективное принятие решений в ;ловиях современных экономических отношений.

Предметом исследований являются математические модели, алгоритмы ункциопирования и программные комплексы интеллектуальных компонентов нформацнонных систем, предназначенных для решения неформализованных дач управления предприятием на основе применения современных информа-ионных технологий, математического моделирования, теории искусственного ятеллекта и методов нейроинформатики.

Цель диссертационной работы - исследование и разработка теоретиче-сих положений, информационных технологий, моделей и алгоритмов, про-)аммных комплексов, методических рекомендаций, средств автоматизации роектирования и сопровождения для создания интеллектуальных компонентов их эффективного функционирования в информационных системах предприми.

Для достижения поставленной цели в диссертационной работе сформули->ваны следующие задачи:

1. Проанализировать современные подходы к автоматизации, моделиро-1Нгоо и решению неформализованных задач з информационных системах под-;ржки принятия решений. Исследовать методы искусственного интеллекта, в >м числе системы обработки знаний, нейросетевые технологии и имитационное эделированне для построения интеллектуальных информационных систем, »работать концепции и принципы применения интеллектуальных компонен->в в информационных системах.

2. Развить методы автоматизированного структурирования пеформализо-шных задач и критерии выбора моделей представления знаний для формализа-га процедур их решения в информационных системах предприятий.

3. Исследовать и разработать модели, технологии и программные системы (енки состояния объекта управления на основе гибридных экспертных систем.

4. Разработать методы и программные комплексы адаптивного прогнози->вания показателей деятельности предприятия и группировки данных, осно-нные на нейросетевых методах и современных информационных технологиях.

5. Усовершенствовать методологию имитационного моделирования для фаботки рациональных траекторий функционирования предприятия на основе »вменения разработанных интеллектуальных компонентов.

6. Развить технологию создания информационных систем с нителлскальными компонентами оценки, прогнозирования, определения закономер] стей в данных и адаптивного человеко-машинного взаимодействия.

7. Определить структуру и функции нейроимитатора как элемента инф< мационной системы. Создать методы включения нейросетевых блоков в I формационные системы. Разработать алгоритмы настройки имитатора искус венных нейронных сетей на предметную область и решения задач исследован нейросетевых моделей.

8. Исследовать возможности применения разработанных методов, моды и программных комплексов при проектировании и эксплуатации автоматизи] ванных информационно - советующих систем. Подтвердить адекватность раз] ботанных моделей и методов на основе анализа машинных экспериментов.

Методологическая база исследования. Для решения поставленных в д) серташшнной работе задач применялись методы системного анализа и иссле; вания операций, теория искусственного интеллекта, нейросетевые технологи! методы нейроинформатшш, теоретические основы построения информационн систем, математическое программирование, эвристические процедуры приют решений, модульное программирование, вычислительные эксперименты, про) димые в режиме имитационного моделирования, методы экспертных оцен( дисперсионный, регрессионный и корреляционный анализ.

В своих исследованиях автор опирался на труды отечественных и зарубе пых ученых, посвященные проблемам искусственного интеллекта и нейро! форматики, математического моделирования, информационных технолог

A.Н. Горбаня, Е.М. Миркеса, Д.А. Поспелова, Э.В. Попова, Ф.И. Перегудо:

B.П. Тарасенко, В.А. Силича, С.А. Терехова, Д.А.Россиева, Н.М. Оскорби] А.И. Галушкина, В.Л. Дунина-Барковского, Н.П. Бусленко, В.М. Глушкова, А Горелика, Н.Б. Мироносецкого, И.М Бобко, И.М. Владовского, Д.Г. Конева, С. Шуйского, Н.Г Загоруйко, П.И. Соснина, Б Л Советова, В.В. Титова, Р. Шеш на, М. Месаровича, Ф. Розенблатга, Д. Мако, И. Такахара, Т. Нейлора, С. Осу; Т. Кохонена, Р. Нристева и других, а также на опыт научных и проектных ор. низаций по рассматриваемой проблеме.

Научная новизна проведенных исследований заключается в том, чте диссертационной работе впервые разработан оригинальный подход к создан] информационных технологий, имитационных моделей и программных компл< сов для решения неформализованных задач организационного управления > зяйствующим субъектом в современных условиях. Это является существенш вкладом в развитие методов проектирования, проведения научных исследован и эффективной эксплуатации автоматизированных информационных сист предприятий.

Научные результаты диссертации состоят в следующем:

1. Разработаны методы решения неформализованных задач и проекта! вания программных комплексов оценки состояния предприятия на базе гибр!

1ых экспертных систем. При оценке состояния объекта учитывается динамика и ¡рогноз изменения анализируемых показателей с возможностью автоматизиро-(анного дообучения интеллектуальных элементов в реальных условиях функ-шонирования информационных систем.

2. Разработаны структура и функции нейроимитатора как элемента интел-гектуальных комплексов информационных систем. Созданы методы его проек-нрования, обучения, настройки на модель предметной области и включения в информационные системы предприятий.

3. Создана технология адаптивного прогнозирования показателей состоя-1ия объекта управления на основе диалоговых человеко-машинных процедур, методов нейросетевого, технического анализа и предобработки информации. Тредложен метод группировки данных, основанный на нейросетевых и гибрнд-1ых моделях.

4. Разработан способ имитационного моделирования для выработки ра-щональных траекторий функционирования предприятия на основе применения штеллектуальных компонентов для моделирования и прогнозирования входных тотоков данных, оценки состояния объекта управления и выбора рациональных игоритмов в блоках принятия решений модели.

5. Развиты методы проектирования информационных систем, создания фограммных комплексов с интеллектуальными компонентами. Эти системы федназначены для проведения научных исследований и эффективного принятия Решений в управлении предприятием.

Обоснованность и достоверность научных положений, выводов и рекомендаций подтверждается обоснованностью выбранных методов решения задач, ^пользованием современных методов и средств обработки информации, сравнением результатов моделирования с реальными данными, всесторонним анализом литературных источников по теме диссертации, применением разработанных методов при проектировании информационных систем, оформленными гвидетельствами на программное обеспечение в Российском агентстве по патентам и товарным знакам, актами внедрения разработанных технологий и программных систем.

Практическая значимость результатов исследования заключается в том, по разработанные теоретические вопросы и методические рекомендации является научной базой при создании информационных систем, внедряющихся на тредприятиях страны. Реализация диссертационной работы служит инструментом повышения качества функционирования существующих автоматизированных информационных систем, что в конечном итоге позволит повысить уровень современного производства.

Разработанные методики и программные системы используются в научных л проектных разработках и учебном процессе факультета "Информационных технологий и бизнеса" Алтайского государственного технического университета, на кафедре "Экономики и автоматизированных систем управления" Юргин-

ского филиала Томского политехнического университета, в производствен» процессе ОАО "Барнаульский станкостроительный завод", КУП птицефабри «Молодежная» Алтайского края и ряде других предприятий. Они могут бы использованы в других НИИ и учебных заведениях страны.

Реализация результатов работы. Основные результаты исследования ъ шли отражение и применение в научно-исследовательских и опыте конструкторских госбюджетных и хоздоговорных работах, в которых автор 5 ляется научным руководителем и непосредственным исполнителем. В их чис разработки по темам СО РАН, госбюджетная научно-исследовательская рабо "Исследование и разработка автоматизированных систем управления предпр ятиями и организациями в переходный период".

Основные теоретические и методические результаты, разработанные в да сертации, реализованы в комплексах "Интеллектуальная система диагностш финансово-хозяйственной деятельности предприятия"("Аналитик"), "Снега анализа данных на основе искусственных нейронных сетей" ("НейроАнализ' "Автоматизация проведения маркетинговых исследований предприятия на оси ве нейросетевых технологий" ("Маркетинг"), "Система автоматизации тор) «ю деятельности предприятия и прогнозирования спроса на товары" ("Торговля' "Информационно - советующая автоматизированная система производственно] менеджмент^' ("Производство"), "Информационно - автоматизированная сиете>, бухгалтерского учета и финансового анализа" ("Бухгалтерия") и других, разраб* танных при научном руководстве и непосредственном участии автора. На эт комплексы оформлены свидетельства об официальной регистрации в Россш ском агентстве по патентам и товарным знакам. Данные комплексы применяю-ся для научных исследований, в учебном процессе и внедряются на ряде пре; приятии страны.

Автор выносит иа защиту:

1. Концепцию и принципы создания интеллектуальных компонентов ш формационных систем. Методы автоматизированного структурирования задач критерии выбора процедур их решения.

2. Технологии решения неформализованных задач, структуру, функции конструкцию программного комплекса оценки состояния предприятия, разрабс тайного на базе гибридных экспертных систем.

3. Технологию адаптивного прогнозирования состояния объекта унравл< ния в сочетании с диалоговыми человеко-машинными процедурами техническс го анализа, этапами предварительной обработки и погружения данных. Техяолс пво обработки и группировки данных, основанную на методах нейросетевы самоорганизующихся карт Кохонена и гибридных моделях.

4. Методологию имитационного моделирования на основе применения ии теллектуапьных компонентов для прогнозирования динамических рядов показг телей, анализа состояния объекта управления и выбора рациональных алгорш мов в блоках принятия решений модели.

5. Методы проектирования информационных систем с интеллектуальными омпонентами. Структуру и функции нейроимитатора как элемента информаци-нных систем. Методы включения нейросетевых элементов в информационные истемы и язык их описания.

6. Структуру интеллектуальной аналитической программной системы и ее эмпоненты, имеющую средства настройки на модель предметной области, ре-ямы администратора и пользователя. Реализацию разработанных методов при роектировании и сопровождении автоматизированных информационных сис-гм.

Апробация работы. Основные результаты диссертационной работы доло-ены и обсуждены на Всесоюзной конференции "Интегрированные АСУ лред-риятиями" (г. Новосибирск, 1985 г.), на Краевой научно-технической конфе-знции "Автоматизация управления сложными объектами" (г. Барнаул, 1978 г.), еспубликанской научно-технической конференции "Региональные проблемы нформатизации"(г. Барнаул, 1995г.), Международной научно-технической кон-еренции "Конверсия, приборостроение, рынок" (Владимир, Суздаль 1997г.), сероссийской научно-методической конференции "Бизнес и высшее образова-ае в условиях перехода к рыночной экономике"(Барнаул, 1997г.), Всероссий-сой научно-практической конференции "Реинжиниринг бизнес-процессов эедприятий на основе современных информационных технологий" (Москва, 597г.), второй и третьей Международных конференциях "Интерактивные сис-:мы: Проблемы человеко- компьютерного взаимодействия" (Ульяновск, 1997, )99 г.г.), пятом, шестом и седьмом Всероссийских семинарах "Нейроинформа-пса и ее приложения (Красноярск, 1997, 1998, 1999 г.г.), Межрегиональной на-шо-практической конференции "Информационные технологии в экономике Пенза, 1998г.), Третьем сибирском конгрессе по прикладной и индустриальной иематике ("INPRIM-98") (Новосибирск, 1998г.), первой, второй, третьей крае-лх конференциях по математике (Барнаул, 1998, 1999, 2000 г.г.), Третьем семи-tpe "Теория и приложения искусственных нейронных сетей" (Снежинск, 1998 >", Международной научно-технической конференции "Нейронные, релятор-ле и непрерывнологические сети и модели" (Ульяновск 1998 г.); Четвертой и ¡той международных научно-практических конференциях "Природные и ин-ллектуальные ресурсы Сибири" ("СИБРЕСУРС-4-98,-5-99") (Томск, 1998 Эмск, 1999 г.), первом и втором Всероссийских семинарах "Моделирование равновесных систем-98"(Красноярск, 1998, 1999г.г.), Международной конфе-нции "Глобализация в экономике и образовании"(Барнаул 1998), Междуна-даой научно-практической конференции "Наука и практика организации про-водства и управлеиия"(г.Барнаул 1999 г.), 3-м международном научно-хническом симпозиуме KORUS'99 (Новосибирск,1999), VI Всероссийской «ференции "Нейрокомпьютеры и их применение" (Москва, 2000), Всероссий-их научно-технических конференциях "Нейроинформатика-1999, 2000" (Мо-ва, 1999,2000).

Публикации. По теме диссертации опубликовано 87 работ, в том чис три монографии и одно учебное пособие. На шесть программных комплексе реализующих разработанные методы, получены авторские свидетельства в Рс сийском агентстве по патентам и товарным знакам.

Личный вклад. Автору принадлежит разработка представленных в ди сертации методов и моделей, постановок задач на программирование компле сов программ, концепций построения интеллектуальных информационных св тем, методических пособий и рекомендаций. Под научным руководством авто диссертации в этих разработках принимали участие аспиранты, выполняющие защитившие кандидатские диссертации по данной теме.

Структура и объем работы. Диссертация состоит из введения, шее глав, заключения, приложений и списка литературы из 288 наименована Основная часть работы изложена на 341 странице машинописного текста и с держит 75 рисунков, 14 таблиц.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении определяется общая характеристика работы, обосновывает актуальность темы, формулируются цель, задачи исследования, научная новиз] и практическая ценность работы.

В первой главе "Подходы к созданию интеллектуальных информациоти систем предприятий" исследуются особенности предметной области информ ционных систем предприятий на современном этапе. С переходом на новые эк номнческие условия существенно возросла сложность взаимодействия предпр ятия с внешней средой. Исследования показали, что в процессе принятия реш ний менеджерам необходимо анализировать большие объемы информации, п этому достижение эффективных результатов деятельности предприятия стан вится более сложным и появляется много неформализованных задач. Для их р шения требуется дальнейшее развитие методов искусственного интеллекта, им: тационного моделирования и технологий построения информационных систем.

Анализ литературных источников показывает, что в настоящее время нак плен значительный опыт в построении и развитии информационных систе: Наблюдаются также существенные успехи в области искусственного интелие та, в том числе получают дальнейшее развитие методы построения систем обр ботки знаний, нейросетевые технологии, нечеткая логика, генетические алг ритмы, естественно-языковые системы. Дальнейшее развитие получили такз методы имитационного моделирования.

В диссертации отмечается, что до настоящего времени работы в облае: построения комплексных интеллектуальных информационных систем находят* на стадии становления. Наименее исследованным является создание габриднь экспертных систем (ЭС), органически встроенных в информационные систем) При этом разные варианты гибридных ЭС должны применяться как в блок; диагностики и прогнозирования, так и в компонентах, обеспечивающих диал говое взаимодействие с пользователем.

и

Для решения неформализованных задач по-прежиему актуальным является аправление построения ЭС, основанное на традиционных системах обработки таний (СОЗ). Данные системы рационально применять в гибридных ЭС, прием в тех его элементах, где число входных параметров и логических правил ьгоода невелико и обозримо, а также не подвергается существенной доработке ри ежедневной работе менеджеров.

Исследования показывают, что применение традиционных экспертных истем возможно в том случае, если постановка задачи определяется на этапе роектирования системы, а в процессе эксплуатация алгоритм, заложенный в кспертную систему, не поддается существенным изменениям. Решение нефор-¡ализованных задач при изменяющейся в динамике информационной базе воз-южно только при использовании самообучающихся экспертных систем, наибо-ее перспективными из которых являются нейронные сети.

Основными преимуществами искусственных нейронных сетей по сравне-ию с СОЗ являются следующие: способность к самообучению, возможность роведения модельных имитационных экспериментов, параллельная обработка анных, надежность, быстродействие, автоматическая настройка параметров и труктуры нейросети на предметную область.

Для решения неформализованных задач, выработки рациональных управленческих решений по-прежнему актуально применение имитационного моде-ирования. Наибольший эффект можно полутать при сочетании имитационного годелирования с методами искусственного интеллекта. Интеллектуальные ком-юненты могут применяться для имитации стохастических переменных, для щенки и диагностики экономических показателей, в качестве интеллектуально-о элемента выборки тех или иных алгоритмов в блоке принятия решений.

Проведенный анализ достигнутого уровня теоретических исследований юдтвердил, что для создания интеллектуальных информационных систем важ-гыми являются следующие направления исследований: системный комплексный юдход к разработке и развитию модели предметной области; создание динами-1еских информационных баз и баз знаний, адаптивность, совершенствование (налоговых режимов функционирования информационных систем; развитие :редств имитационного моделирования. В области развития интеллектуальных шформационных систем: разработка средств диагностики, прогнозирования и «влечения знаний в интеллектуальных информационных системах, создание ибридных экспертных систем, интеллектуальных имитационных систем под-1ержки принятия решений, методов проектирования и эксплуатации нейросете->ых интеллектуальных компонентов информационных систем.

Во второй главе "Исследование и разработка экспертных систем оценки состояния предприятия на основе гибридного подхода в аналитических информационных системах" разрабатываются методы создания диалоговых экс-тертных систем оценки состояния предприятия на основе гибридной парадигмы.

В диссертации введено понятие интеллектуальных компонентов. Это щ гр&ммные комплексы, предназначенные для решения неформализованных зад оценки, диагностики, прогнозирования состояния предприятия и гругширов данных, функционирующие на основе методов искусственного интеллекта, и тем обработки знаний, искусственных нейронных сетей, гибридных технолог! и современных технических и системных программных средств.

В работе определены принципы построения интеллектуальных компоне тов, основные из которых: объектный подход к описанию модели предмета! области, открытость для методов формализации решения задач; возможная ко рекция пользователем результата решения задачи интеллектуальным компоне том и дообучение; объяснение решений; адекватность знаний, решения и моде; знаний; удобство пользователя при работе с системой; эффективная работа а министратора системы; единая технология представления входных данных результатов решения задачи; высокая развитость семантических средств пре, ставления знаний; адаптивное прогнозирование значений показателей, надег; ностъ функционирования; возможность динамической автоматической настро] ки на предметную область.

В данной главе рассматривается схема многоуровневой автоматизировш ной системы принятая решений с интеллектуальными компонентами (рис. 1). схеме приведены обозначения: X - {г, j i = 1,2,..л} - пространство первичны показателей, описывающих состояние предметов и процесса производства;

И1 ,И2 ,... ,Ии- интеллектуальные блоки оценки экономического состояни предприятия на разных уровнях управления U, (u=l,2,.....,U).

Ru ,и =1,Е/ - процедуры расчета показателей в информационных система на различных уровнях управления и. Они имеют, как правило, обычный анг литический вид, описывают алгоритмы расчета экономических показателей i определяются следующими зависимостями: Р" — Ru'':U(P"'i); Р' = R\X).

В данных выражениях X - множество первичных показателен R1, /Г4* ,ц = 1,и - функции преобразования соответственно исходных и проме жуточных показателей.

Ku,(u = \,U) - векторы показателей оценки деятельности объектов управ ления (участков, цехов, предприятий, торговых домов, складов, и т.д.) на раз личных уровнях управления и.

К" - FU{PU ,Ки'х), где Р",{м = 1,£/) - входные показатели ннтеллек туального блока уровня и, К"3,(и =l,U)- экспертные оценки состояния объ ектов управления пользователями. Они используются для дообучения интеллектуальных комплексов.

Fu ,(и ~l,U)~ функции преобразования интеллектуальных блоков. Могуч представлять отображение информации при помощи нейросетевого имитатора,

кспертной системы, основанной системе обработки знаний (СОЗ), а также гиб-идных парадигм.

системы принятия решений

В общем виде задачу поддержки принятия решений в икгеллектуальн системе можно представить в следующем виде:

где: X - множество первичных входных показателей, отображающих с стояние хозяйствующего субъекта и происходящего процесса; К - множест показателей оценки достижения поставленных целей на различных уровн управления; К3 - множество экспертных оценок показателей достижения п ставленных целей менеджерами (Э) на различных уровнях управления;

Р - множество рассчитанных показателей деятельности предприятия I различных уровнях управления; Я - множество расчетных функций преобраз вания показателей X и Р ; F - отображение множества показателей Р в мн жество К - оценок деятельности предприятия.

Отображение X в множество оценок может быть детерминированным, в роятностным шш неопределенным, поэтому выделяются соответственно сисг мы принятая решений в условиях определенности, риска и неопределенности. связи с этим, отображения Р и й могут представлять преобразования инфо] мадии при помощи различных моделей. При этом зависимости л цредставшш. аналитические модели расчета экономических показателей. Преобразования 1 используются для формирования функционалов оценки производственно - ф! нансового состояния предприятия. Данные задачи, как было сказано выше, м ляются неформализованными. Поэтому, для их описания наиболее эффекгавнь ми являются модели, основанные на системах обработки знаний, нейросетевые гибридные.

На рисунке 2 показана структура разработанного интеллектуального блок оценки. Она состоит из компонентов оценки и прогнозирования некоторог критериального показателя К. Блок прогнозирования обеспечивает более адек ватную действительности оценку. Доказательством этого может служить аналс гая с деятельностью менеджера. Как известно, при анализе какой-либо деятель ности он оценивает не только настоящее, но и прошлое и прогноз будущего со стояния. Такой подход в максимальной степени позволяет учесть опыт менедже ра и достичь адекватности оценки. Экспериментальные исследования на реаль ной базе предприятий подтвердили данные предположения. Из рисунка 2 видно что на вход блока оценки состояния предприятия поступает вектор текущих зна

чений показателей /',/2,.....Р„, влияющих на значение оценки К

К = Р{Р1...Рп

> к(п>кэ) • На вхоД блока прогнозирования поступает временно!

ряд критериальных оценок ( К^К^К,^,......К^). В качестве выходного значе

ния блока оценки служит оценка критерия К, а выходом блока прогноза - зна чение прогноза К1+1 на период / +1. Эксперт анализирует К,К1+1 и, при не обходимости, исходя из своего опыта и интуиции, вырабатывает свою оценк) К 3, которая затем используется для осуществления процессов дообучения бло-

1 оценки. Если в основе модели интеллектуального блока лежит метод пред-гавления знаний, основанный на правилах продукции, для осуществления провеса дообучения привлекается инженер - копштолог. Если методом представших знаний служит искусственная нейронная сеть, то используются авто-атические процедуры дообучения.

К, К,_{

Рис. 2. Схема интеллектуальной системы оценки состояния предприятия

Для решения представленных задач требуется, прежде всего, определить юдели преобразований К~ = Рг'{Р~,К'°(рис.]), которые задают струк-уры интеллектуальных гибридных блоков оценки состояния объекта И! ,И2 ,...йи. Они представляют собой иерархические гибридные экспертные системы, ключающие в себя элементы, основанные на различных моделях представлены знаний.

Для формирования иерархических гибридных экспертных систем оценки остояния предприятия первым этапом является структуризация неформализо-;анной задачи. Целью процесса структуризации будет формирование графа свя-ей задач без циклов и петель. Для выбора метода формализации в узлах графа вязей задач разработана система критериев, в том числе наличие (отсутствие) формальной методики, примеров решения задачи, необходимость дообучения истемы, учета прогноза при анализе, степень потребности в объяснении реше-1ия и ряд других. Для автоматизированного формирования методов в узлах гра-[>а связей задач разработана экспертная система, осуществляющая процедуру ибора методов формализации. Она позволяет выбрать следующие методы: шалитические зависимости, экспертная система, основанная на правилах про-

дукции и нейронные сети. Следует отметить, что экспертная система являе. открытой и будет развиваться по мере подключения новых методов в габридаг модель представления знаний.

Для универсальности, адаптивности и открытости интеллектуальной I формационной системы разработано общее представление задачи. Интерпре-ция результатов работы интеллектуального компонента производится на оснс разработанной формы семантического окружения задачи, имеющего следуют вид: наименование задачи N¡ наименование результирующего показателя за; чи ; область допустимых значений 01, задаваемую перечислена А = значений из некоторого набора или интервал

но: = < < |; значение по умолчанию е ; список зад;

5, решение которых необходимо получить для решения данной задачи - г строка матрицы смежности графа связей задач С; шкала наименований инте валов для непрерывных значений: Я, = = где к - колич

ство интервалов; - границы интервала д, Я, 9 - наименование инте]

вала д; список связанных задач Е{: Е, = {Д, с {л,,/ - 1,Лг},с /} - задачи, реш< ние которых необходимо предоставить пользователю при предоставлении р< зультатов решения задачи А,; процедура решения задачи или база знаний задач - В данном представлении отличительной особенностью является то, чт введено понятие "значение по умолчанию". Оно может быть представлено в вид вектора входных параметров интеллектуального блока либо выходного значс ния. Во втором варианте данное значение может быть заранее определенны! или вырабатываться специальной экспертной системой. Данные блоки подклю чаются к работе в случае неопределенности входных или выходных параметро1 (в случае, если база знаний и обученная модель устарели, не отображают реаль ную действительность и в текущий момент нет экспертной информации, позво ляющей произвести дообучение интеллектуального компонента). Введение зна ченмй "по умолчанию" существенно повышает надежность функционированш информационной системы.

Так как в граф связей задач включены параметры "по умолчанию" и блок* прогнозирования показателей, алгоритм поиска решений в графе связей зада1 экспертной системы имеет некоторые отличия от известных.

Как было сказано выше, основными методами решения задач в узлах графа связей являются нейросетевые и экспертная система, основанная на правилах продукции. Технологии применения продукционных экспертных систем для решения задач являются стандартными. Механизм вывода продукционной ЭС использует метод прямой волны. Это связано с тем, что сеть связей параметров ¡V имеет только один сток. Преобразование, выполняемое механизмом вывода:

(¡1 - М1{[¥,с1,\(11 е е Ок, где ¡V - сеть связей параметров задачи, -значение входных и выходного параметров задачи соответственно, М1 - процедура логического вывода. Ог,Ок- области допустимых значений выходной и

входных переменных задачи. Особенностями продукционной ЭС являются единственная цель вывода, использование механизма умолчаний для сокращения количества правил и повышения надежности функционирования системы.

Из рассмотренных методов формализации выделены искусственные нейронные сети. В работе определены их преимущества для применения в информационных системах, в том числе способность к автоматизированному самообучению, надежность и устойчивость к помехам и разрушениям, регуляризирую-щие свойства нейросетевых моделей, возможность моделирования и выбора входных параметров, существенно влияющих на оценку. Нейросетевые модели представления данных описаны в пятой главе.

Определены задачи, решаемые нейросетевыми компонентами в системах оценки деятельности предприятия: 1) задача анализа и 2) задача прогноза.

1. Задача анализа. На вход нейросетевого блока подается вектор входных данных Х1, на выходе получаем решение задачи . Соответствующая обучающая выборка представляется в виде матрицы Н:

Н-.

Г"!*«'

~ • т I—.—I— : I ••• I : I :

---1----1----1----

у'Г (... I х'р ! у'р

Х1 \ХП У у

1„ач ^=

где (1ШЧ и - границы временного интервала обучающей выборки.

2. Задача прогноза. В задаче прогноза определяются : 1) временной шаг, количество элементов ряда, необходимых для прогнозирования; 2) структура выборки или степень пересечения данных в ее строках; 3) выбор метода обучения (дообучении): а) с доучиванием перед прогнозированием на следующий период; б) без доучивания.

Определена процедура коррекции модели оценки. Суть ее заключается в том, что пользователь, проанализировав значения решения задачи, производит коррекцию результата (определяет свое мнение) и запускает процесс доучивания интеллектуального блока. Для этого разработана модель дообучающейся системы. Анализ моделей самообучающихся систем показач, что путь прямого изменения базы знаний пользователем является неэффективным и ведет к высоким временным затратам и росту числа ошибок. Поэтому предлагается использовать косвенное дообучение системы, т.е. обучение через коррекцию результатов работы блока. Алгоритм процесса дообучения выглядит следующим образом: 1). Получение оценки К;. 2). Коррекция оценки пользователем 3). Коррек-

ция процедуры оценки на основе ^. При использовании нейронной сети полъ-

I

зователь, получив оценку у, корректирует ее - $. Далее строка (х,р) добааш

ется в обучающую выборку М и производится дообучение системы.

Разработана модель анализа текущих показателей с учетом прогноз1 Суть ее заключается в том, что перед выполнением функции анализа предварг тельно определяется прогноз значения результирующего показателя. Данно значение используется в качестве входного для блока анализа. Такой подход, ка было сказано ранее, способствует более адекватному отображению реально действительности. Для этого в задачу в качестве входной информации вводите тренд результирующего показателя: У' = Для получения тренд

необходимо решить задачу прогнозирования: Г'+Лг = Совмещая эти задачи, получаем: У' = ',Г'~Л',...,Г'~лЛ(), где О, - ново

преобразование оценки, позволяющее учитывать прогноз.

Таким образом, в данной главе представлена разработанная оригинальна, конструкция гибридной экспертной системы, открытой для различных метода представления знаний а решения задач с возможностью коррекции модели 1 диалоге с пользователем и учета прогноза изменения показателей.

Третья глава "Методы определения закономерностей в данных при ре шении задач автоматизированного прогнозирования состояния экономическог( объекта и группировки информации" посвящена исследованию и разработке ме тодов прогнозирования показателей состояния предприятия, а также технологи ям группировки данных.

В отличие от предыдущих разработок, в диссертации показывается приме нение методов прогнозирования на основе нейросетевого подхода в составе гибридной модели оценки экономического состояния предприятия. Новизну представляет также разработанная оригинальная технология прогнозирования ш основе автоматизированной системы (Рис. 3) Согласно данной схемы, в системс автоматизированного прогнозирования используются следующие компоненты выборки, предобработки и интерпретации данных, нейросетевош, техническое анализа и прогнозирования. Этап предобработки включает блоки эвристического анализа, исключения аномальных наблюдений, заполнения пропусков, фильтрации, погружения данных.

Экономические информационные системы являются динамическими, так как все показатели, характеризующие состояние объектов во времени, динами -чески изменяются. Поэтому временной рад экономического показателя можно представить в виде следующей зависимости: Оп = {р(Г;-)},г = 1 ,п, где I, - временной момент, /, еТр; Тр -период времени; - информационный объект (показатели), зафиксированный в момент ; п- количество членов ряда. Основной предпосылкой возможности прогнозирования временных рядов служит предположение о том, что изучаемый экономический процесс является достаточно

Рис.3. Структура автоматизированной информационной системы прогнозирования показателей

инерционным, т.е. экстраполяция тенденции развития (тренда) не противоречит его экономической природе.

При использовании нейросетевых технологий строится зависимость межд) временным рядом } и им самим же, сдвинутым на некоторые временные ин-

тервалы г', г2,..., г". Кроме этого, в данную зависимость могут входить каче венные признаки, учитывающие сезонные колебания, показатели состояния пр приятия, внешнего окружения и другие факторы.

Пусть даны значения некоторого временного ряда показателей {р,,г = 1,«} период времени от ¡нач до tкoн. Обучающая выборка представляется в виде:

с Рг Р1-Ш

РН(т-1)ЫуМ,

, где т - количество строк матрицы

I - временной лаг, с = (- А+/ +1); к - степень пересечения обучающей Выборга Тогда задача прогнозирования: найти - Р{р,,р,_т,...,р<_!т), где / - кол чество элементов ряда, необходимых дм прогнозирования или временной ла| Р - преобразование прогнозирования. Дня учета сезонных колебаний в об) чающую выборку вводятся дополнительные показатели определяющи

значения прогнозируемого показателя ка дат}' прогноза в прошлые годы г.

Определены преимущества использования нейронных сетей для адаптиг ного прогнозирования. Основное свойство такого метода: при поступлении не вых данных значение прогноза меняется, адаптируясь к вновь поступившей ии формации и становится, таким образом, более чувствительным к ней. Адаптив ные прогнозы получаются при автоматизированном доучивании нейронных се тей. При этом при краткосрочном прогнозировании доучивание должно быт ежедневным на новых данных. Адаптивные прогнозы определяют в качеств основного режим скользящей выборки. Суть его заключается в том, что пере, очередным тестированием осуществляется доучивание нейронной сети на вы борке, включающей данные прошлого периода. В реально функционирующе1 информационной системе этот режим легко реализуем. Это объясняется тем, чт< в динамических системах первичная информация обрабатывается в ритме про изводственного процесса, т.е. происходит постоянное ее обновление. На новьс данных возможно проводить режим оперативного доучивания нейросети.

Для выявления причин резкого изменения значений ряда эффективным яв ляется привлечение опыта специалистов — экспертов, занимающихся соответст вующей экономической областью (Рис.3). В частности, решение этой задача обеспечивается за счет применения методов технического анализа данных предлагаемых в диссертации. Эффективно применение экспертных систем, основанных на системах обработки знаний, а также методов качественного экспертного оценивания. В диалоговом режиме это может быть специалист, либс группа специалистов и методы экспертных оценок для обработки результата экспертизы. В автоматическом режиме эффективно применение экспертных систем, основанных на логико-лингвистических моделях.

При прогнозировании может возникнуть необходимость первоначального сглаживания временного ряда. Для этой цели разработана система оценки на основе дисперсии, эвристических методов. Анализ результатов оценки производится при помощи экспертной системы продукционного типа, и, в зависимости от этого, при необходимости выбирается тот или иной метод фильтрации данных и его параметры. Автоматизированная система является открытой для подключения различных методов сглаживания. Предобработанные данные используются для обучения или тестирования пейросетей. Результаты экспериментального опробования показали эффективность разработанных адаптивных методов прогнозирования временных рядов показателей при их применении в информационных системах на реальных экономических объектах.

В третьей главе раскрыты также методы классификации и группировки данных, применяющиеся в информационных системах. В современных экономических условиях возросла роль горизонтальных связей предприятий и организаций. Для построения эффективных технологий их информационного взаимодействия широкий размах приобретает использование технологий Интернет. Они применяются для поиска информации о новых технологиях, поставщиках и потребителях, для проведения маркетинговых исследований, интерактивного обслуживания клиентов и сопровождения продукции. Эта информация значительна по объему, часто противоречива, поэтому актуальными являются задачи определения закономерностей и связей в информации, содержащейся в глобальной сети Интернет. Кроме того, задачи 1рупнировки д ля анализа данных в базах информационных систем предприятий приобретают еще большую актуальность ввиду существенного усложнения процессов управления в современных условиях. Для классификации и группировки информации в соответствии с заданными критериями эффективно применение известных методов динамических ядер, а также использование нейросетевых методов, основанных на картах самоорганизации Кохонена. Карта Кохонена дает высокую степень наглядности при изучении распределения экспериментальных данных. Неоднородности в "раскраске" карты могут отвечать различным свойствам групп показателей (рис.4).

Входным сигналом НС является вектор исследуемых экономических показателей х, (/). Слой НС Кохонена представляет собой двухмерный массив узлов,

с каждым из которых связан адаптивный вектор весовых коэффициентов IV™.

Согласно известных алгоритмов, для каждого нейрона определяется его рас*

стояние до вектора входа: йт. Далее выбирается нейрон т , для которого это

расстояние минимально. На текущем шаге обучения 1 модифицируются только

*

веса нейронов из окрестности нейрона т .

Следует отметить, что задача определения наилучшего варианта (наилучшего кластера) даже при двух - трех параметрах становится неформализованной. Для ее решения эффективным средством является создание гибридных моделей, в которых для определения лучшего кластера применяется слоистая нейронная

сеть, а при небольшой размерности карт Кохонена для этой цели возможно при менение систем обработки знаний.

Например, наиболее распространенная задача в маркетинговых исследованиях заключается в определения групп поставщиков товаров с близкими ценами с целью выбора наиболее эффективных вариантов. Обозначим - цена на товар Т фирмы Р. Для полного ассортимента можно рассматривать вектор цен товаров фирмы Р:

С* = (С[,С[,.....с£). Входной

вектор С'/- на каждом шаге измерения и обработки информации соотносится с тем или иным кластером . По мерс повторения пространственных ситуаций кластеры усиливаются (значения вееоь нейронов кластера на выходе возрастают) и, наоборот, ослабляются, если пространственные ситуации часто изменяются. Наиболее эффективным предлагаемый метод становится в том случае, если к вектору цен прибавляется вектор качественных параметров предприятия Р-(р1,Р2'Рз>Р4>Р5>Рб>......•)• В данном

векторе могут, например, быть представлены следующие параметры: р1 -финансовое положение, р2 - себестоимость доставки товара, рг - средняя цена товаров, 4 - надежность поставщика, р5 - дальность, р6 - качество продукции и другие. Для определения наиболее рациональных кластеров используется многослойная нейронная сеть. Возможно также применение продукционной экспертной системы. В результате ее функционирования определяются наиболее выгодные и эффективные варианты закупки товара. Данные варианты отображаются на картах соответствующей раскраской и мультимедийными эффектами. Проведенные эксперименты показали положительные результаты и приемлемость выбранного метода.

В четвертой главе "Исследование и разработка интеллектуальных имитационных систем" проводятся исследования и разработка имитационной модели на примере процессов управления сбытом, в том числе определяется концептуальная модель процессов сбытовой логистики, разрабатываются структура и способы функционирования интеллектуальной имитационной модели, модели транспортных единиц, алгоритмы их рациональной комплектации и распределения по временным периодам, интеллектуальная имитационная модель процессов оперативного управления отгрузкой продукции, анализируются результаты экспериментов на имитационной модели.

^ 1) а и »1 л

\з ££ <ГЛ Ж Л Л Л Л И Л ¿/ 3 £ 4

саз

Ч^оег га^ты «оьэкв-а,

Рис.4. Карта Кохонена с кластерами данных предприятий

Для решения неформализованных задач, адекватного отображения и оценки статистических переменных в имитационных моделях эффективно применение теории искусственного интеллекта. Применение интеллектуальных блоков позволяет значительно улучшить качество и временные характеристики проведения имитационного моделирования.

На рис. 5 приведен пример использования интеллектуалшых элементов в имитационной модели оперативного управления отгрузкой готовой продукции.

Разработанный алгоритм функционирования данной модели заключается в следующем. Перед началом имитационного эксперимента задаются исходные варианты структур, алгоритмов и параметров модели (блок Г. Далее осуществляется ввод в оперативную память записей файлов: транспортных единиц, планово - учетных данных по изделиям и транспорту, справочной информации. Задаются первоначальное и максимальное число экспериментов на модели. В диалоговом режиме епеци&тастажт производится корректировка структур, алгоритмов и параметров модели по результатам анализа выходных показателей предыдущего эксперимента (блок 2). Определяются исходный Г0 и текущий ( моменты модельного времени (блоки 3, 4). Генерация ресурса готовой продукции (блок 5) заключается в вычислении: Ун = Оп , + Д + и, >

(У = 1,п), где Гу( - ресурс готовой продукции марки у для отправки потребителям ; 1 - текущий остаток изделия марки /в период /-1; р - выпуск продукции у за период I ; а¡- случайная величина сгенерированное отклонение плана производства от фактического выпуска продукции , распределенная по заданному закону, в детерминированном варианте Л^1ах = \,а] = 0 .

В блоке 6 осуществляется генерация динамических стоимостей транспортных единиц. Динамическая стоимость, определяющая сумму прогнозируемой оплаты продукции со дня отгрузки до конца планируемого периода, задается следующей зависимостью:

тг пг

У^Уд^Дг), где - динамическая стоимость транспортной

/=1 м

единицы г; тг - число потребителей г в транспортной единице г, пг - число марок продукции у в транспортной единице г;

8уГ( (г) - динамическая стоимость продукции марки у для отправки потребителю I в транспортной единице г в период г.

Величина ¿уДт) определяется зависимостью: (г) = РцБ1/г,

(/ = у = 1,«,), где - стоимость продукции марки / для отправки

потребителю / в транспортной единице Г.

14 . Рациональный вариант найден?

15. Вывод результатов моделирования

Конец

Рис.5. Структура алгоритма функционирования интеллеипуальной имитационной модели процессов оперативного управления отгрузкой готовой продукции

„ , , , , [о, если ЬотгР + г,)> Тм

р,Лт) - динамическим коэффициент: р„ (г) = < Л V , 9 " | ], если \топкр + г, ]< Т

где 1отгр - срок отгрузки, соответствующий текущему значению г; т¡ - математическое ожидание срока документооборота оплаты продукции для потребителя /; Ти - число дней в плановом периоде.

Блок принятия решений (7) определяет основной предмет исследований при проведении экспериментов с имитационной моделью. Целью этих исследований является выработка правил принятия решений при управлении процессом отгрузки продукции. Основная функция блока состоит в подборе транспортных единиц для отправки продукции в период г. Он состоит из набора модулей, обеспечивающих:

1. Принятие решений специалистами в диалоге с ЭВМ на основе своей интуиции и опыта с применением метода экспертных оценок и деловых игр.

2. Упорядочение транспортных единиц по ключевым реквизитам, отвечающим различным критериям эффективности.

3. Ведение динамических рангов, транспортных единиц, изменяющихся в ритме модельного времени,

4. Выполнение процедур оптимизации методами математическою программирования.

Система модулей принятия решений является открытой для включения новых процедур выбора рационального варианта

В блоке 8 отражается фактическое поступление транспорта на предприятие: Дс = + ,где Дс- вектор фактического поступления транспорта на

С со

предприятие; Я, - вектор заявленной потребности в транспорте; - вектор

остатков транспортных средств на предприятии при выполнении предыдущего этапа планирования г -1; 5 - вектор случайных величин - отклонений фактического поступления транспорта от заявленной потребности.

Совершенствование этой модели заключается в использовании интеллектуальных блоков для: ^прогнозирования фактического выпуска продукции, поступления транспортных средств (бл.5,8); 2)выбора тех или иных алгоритмов в блоках принятия решений имитационных моделей(бл.7). 3) анализа и оценки динамически изменяющегося экономического состояния предприятия (бл. 9,13) (рис. 5).

Для имитационного моделирования поступления транспортных единиц, выпуска готовой продукции используются нейросетевые модели, прогнозирующие временные ряды или имитирующие отклонения случайных переменных от фактических значений (поступления транспорта, выпуска готовой продукции). Выборочные данные для обучения нейросетевых элементов являются достаточно представительными, так как они формируются при ежедневной обработке производственной информации. Однако, вследствие неопределенности постоян-

но складывающихся производственно - хозяйственных ситуаций, они достаточно сильно зашумлены. Для таких данных, как было сказано выше, нейросетевой подход имеет определенные преимущества. Описание нейросетевых блоков прогнозирования приведено в третьей главе.

Вторым применением нейросетевых технологий является их использование в блоках принятия решений имитационных моделей. Здесь производится выборка того или иного алгоритма принятия решений в соответствии с текущими значениями параметров. В этом случае полученные в результате имитационного эксперимента параметры а1,а2,.—ап поступают на вход заранее обученного нейросетевого блока, который вырабатывает вектор К, элементы которого определяют вариант настройки имитационной модели. В зависимости от значений параметров вектора К возможен выбор тех или иных алгоритмов в блоках принятия решений имитационной модели. Например, для моделей сбыта (рис. 5) - выбор того или иного алгоритма подбора транспортных единиц для отправки в заданный период имитационного времени.

Следующим применением является использование интеллектуальных компонентов для оценки динамически изменяющегося в ритме модельного времени состояния экономического объекта. Для этой цели применяются гибридные иерархические модели, описание которых представлено во второй главе диссертации.

С целью иллюстрации возможностей имитационного моделирования для исследовании процессов оперативного управления отгрузкой готовой продукции проводились вычислительные эксперименты. При исследовании решались задачи определения динамики изменения показателей выполнения плана поставки и реализации готовой продукции в зависимости от ее производства, поступления транспорта, правил принятия решений в управляющем блоке имитационной модели. Результаты экспериментов и их анализ подтвердили эффективность разработанной модели.

В пятой главе "Разработка методов проектирования и жстуатащт интеллектуальных информационных систем" представлены вопросы разработки методов проектирования и эксплуатации интеллектуальных информационных систем и нейросетевых компонентов. Исследования показывают, что применение интеллектуальных компонентов в информационных системах значительно увеличивает трудоемкость их разработки. Анализ понятия автоматизированного рабочего места (АРМ) с интеллектуальными компонентами показал, что происходят существенные изменения, в том числе: АРМ становятся фактологическими, так как в них обязательным элементом будет база знаний; модель предметной области является динамической; наличие функций обучения и дообучения интеллектуальных компонентов в автоматизированном режиме; наличие интеллектуальных интерфейсов; возможности проведения вычислительных имитационных экспериментов; изменение жизненного цикла программных систем АРМ.

Исследование вопросов проектирования интеллектуальных информационных программных систем показывает, что наиболее трудоемкими являются этапы: 1) построения интеллектуальных человеко-машинных интерфейсов; 2) создания интеллектуальных обрабатывающих модулей, предназначенных для оценки и прогнозирования значений показателей экономических объектов и выработки траекторий их функционирования.

При создании интеллектуальных обрабатывающих модулей рассматриваются два важных вопроса: 1) разработка структуры нейроимитаторов и их функций, предназначенных для использования в интеллектуальных информационных системах; 2) создание эффективной оболочки интеллектуальных комплексов, позволяющих производить адаптивную настройку в реальном режиме времени на динамическую модель предметной области.

При создании интеллектуальных программных изделий изменяются технология их разработки и эксплуатации и содержание этапов жизненного цикла. В процессе проектирования обязателен этап обучения нейросетевых блоков, а при эксплуатации необходимо постоянное их дообучение. При таком подходе увеличится трудоемкость разработки информационной системы, поэтому актуальным становится создание средств автоматизации ее проектирования.

В данной главе представлена разработка методов человеко-машинного взаимодействия при построении интеллектуальных информационных систем. Представлен подход к организации интеллектуальных интерфейсов программных комплексов ввода данных. Разработаны средства адаптации системы к конкретному специалисту. Для этого реализуются функции распознавания действий человека и текущего состояния информационной системы, определение класса пользователя и, в зависимости от этого, проведения непрерывного его обучения в соответствии со степенью образования. При работе интеллектуальных систем ввода данных применяются два уровня контроля входной информации. На первом уровне используется логический контроль данных и действий пользователя. Для этих целей разработана экспертная система, основанная на теории прецедентов. В результате работы этого блока формируются контрольные сообщения и обобщающие параметры, показывающие класс работы пользователя (качество ввода, категория допущенной ошибки, характеристика недопустимого действия). Сформированные параметры используются во втором уровне логического контроля данных. Для этого применяется обученная нейронная сеть. Выходным параметром сети является класс пользователя. Он определяет квалификацию пользователя, критерий качества его работы. В зависимости от значения производится автоматический выбор обучающего теста и настройка программы ввода. Обучающие инструкции при необходимости выдаются на экран видеотерминала.

В данной главе представлены материалы по разработке структуры и функций нейроимитатора как элемента системы автоматизированного проектирования и развития аналитических информационных систем. В качестве научной базы для проведенных исследований в области нейронных сетей взяты работы

ученых красноярской группы «Нейрокомп» ИВМ СО РАН под руководством А.Н. Горбаня.

Для информационных систем под нейрокомпьютером будем понимать ин теллектуальный компонент, в состав которого входят следующие составляющие менеджер (управляющий модуль), интерфейсы ввода и вывода, предобработчик задачник, интерпретатор, нейроимитатор. В состав нейроимитатора входят элементы: сеть, учитель, контрастер, блок оценки, конструктор. При этом существенно доработаны такие компоненты нейрокомпьютера, как предобработчик задачник, интерпретатор и исполнитель, а также введено понятие конструктора.

В диссертации разработана технология проектирования нейросетевогс компонента, основными этапами которой являются: предварительная обработка данных; выбор параметров нейросети; настройка (обучение) нейронной сети: оценка нейросетевой модели. При неудовлетворительной оценке происходит повторение технологических этапов. Кроме режима обучения при настройке нейроимитатора в процессе проектирования информационных систем существует также режим его дообучения в процессе эксплуатации на объекте. Особенностью данного режима является то, что он должен быть незаметен для пользователя, т.е. необходимо постоянное слежение за состоянием предметной области и автоматическая настройка нейроимитатора (определение множества входных параметров, структуры, параметров нейросети, режимов и методов обучения, автоматический выход из режима останова при некорректных обучающих примерах).

Необходимо отметить, что на этапе проектирования информационных систем нейросетевому моделированию любого экономического процесса или явления должен предшествовать априорный анализ объекта исследования. Априорный анализ при нейросетевом моделировании отличается от технологии статистического анализа, так как добавляется этап формирования обучающей выборки.

Следующим- важным компонентом интеллектуального блока является предобработчик. Он занимает место между обучающей выборкой и нейросетью. Данный блок при использовании нейросетевого подхода в информационных системах расширяется компонентами исключения аномальных наблюдений, эвристического анализа данных, фильтрации, заполнения пропусков в данных, погружения.

Для информационных систем важным является вопрос формирования задачника. Это связано с тем, что для любого интеллектуального блока, которых в информационных системах насчитывается десятки, на входе формируется обучающая выборка, которая находится в постоянном динамическом изменении. Задачники формируются в результате функционирования информационной системы в базах данных в ритме процессов производства и управления в соответствии с разработанными технологиями. Например, для задач прогнозирования возможны следующие варианты формирования и погружения информации: без

пересечения, с пересечением, с дообучением, без дообучения, по совокупности временных рядов, в том числе возможны варианты с учетом сезонных колебаний, с учетом других качественных признаков. При организации задачников важными являются вопросы создания и обновления архивов, технологии формирования обучающих выборок по этапам технологического процесса обработки информации в информационной системе.

Важное значение имеет компонент интерпретации ответов нейронной сети при работе нейрокомпьютера в составе информационной системы предприятия. Интерпретатор ответа напрямую взаимодействует с пользователем, поэтому оттого, как качественно будет организован интерфейс, зависит эффективность работы специалиста. При этом для информационных систем выделяются следующие специфические блоки интерпретации: шкалирования, семантического представления, объяснительный компонент.

С интерпретатором ответа тесно связан еще один обязательный блок нейрокомпьютера — оценка. Для проверки качества функционирования нейронной сети и реализации процедур обучения выбраны методы оценки работы нейросе-ти. В их состав входят: стандартная оценка по методу наименьших квадратов; метод наименьших квадратов с допуском; расстояние до множества правильных ответов (для задач классификации).

Управляющая программа нейросетевого компонента называется исполнителем. Она производит запуск необходимых блоков при возникновении определенных ситуаций в вычислительном процессе или по требованию пользователя.

Разработан компонент искусственной нейронной сети -учитель в режимах обучения и дообучения. Для построения нейросетевых блоков оценки, диагностики и прогнозирования состояния предприятия использованы многослойные нейронные сети прямого распространения с сигмоидной функцией активации. Нейронную сеть этого вида можно представить в виде сложной вектор-функции:

*"(»,*)=£ «Р ■ /Г (*К-\ГК-2 и, Г 2 (а2, г1 (а1, *Щ (1)

где р - номер компоненты выходного вектора, р = 1.. .Р, Р - число компонент вектора выходных параметров, К- число слоев сети, а/ - вектор параметров или весов связей 1-го нейрона в ¿-ом алое, х - вектор входных переменных, тц -число нейронов в к-м слое.^а*,^1) - функция поведения нейрона:

т„

IГГ-Ч ' (2)

. . ; где с>0 - характеристика пологости функции, к - 1 ...К - номер слоя сети, г -номер нейрона в к-ои слое,Уо -I •

Для обучения используются алгоритмы настройки параметров нейросети, основанные на принципе двойственности [Горбань А.Н., Россиев ДА. Нейронные

, /И*-! у=о

с +

сети на персональном компьютере. - Новосибирск: Наука, 1996. - 276 е.].

Одним из ключевых факторов, определяющих качество нейросетевой модели, является структура нейросети. При разработке метода автоматизированного построения структуры мы исходили из следующих особенностей применения методов нейроинформатнки в данной работе:

- метод должен работать в условиях, когда обучающая выборка изначально неполна и пополняется с течением времени;

- нейросеть должна обладать способностью при необходимости увеличивать сложность структуры в процессе обучения;

- приобретенные сетью «навыки» должны сохранятся при дообучении. Предлагается метод автоматизированного наращивания структуры нейросети, основанный на методе динамического создания узлов {Dynamic Node Creation):

1. Пользователем задается число слоев к и строится начальная структура сети, содержащая минимальное число нейронов на каждом слое. Определяется максимальное число нейронов на каждом слое т™ах.

2. Инициализация сети случайными параметрами, t :=1, ta=l.

3. Такт обучения всех нейронов с незафиксированными параметрами,

где I - номер текущего такта обучения, Н({) - оценка обучения сети на ? такте, 8— константа, ()<£<!, 1< а< I. 6 и д задаются пользователем.

5. Если условия (3) не выполняются, то перейти к п.З), иначе перейти к следующему пункту.

6. Есля Я(/) < то КОНЕЦ ОБУЧЕНИЯ, иначе перейти к следующему пункту.

7. Проверка условия

где ¡о - коменг добавления первого нейрона из тех, параметры которых не зафиксировав, /| - номер текущего такта обучения, сг - константа, 0<сг<1.

8. Если условие (4) не выполняется, то параметры нейронов, добавленных после момента /0 , фиксируются и в дальнейшем обучении не участвуют, иначе нейроны, добавленные после момента 1и, маркируются для инициализации.

9. Инишализация нового нейрона и всех маркированных нейронов.

10. Добшление нового нейрона в слой с наименьшим номером к, для которого

4. Проверка условий останова обучения: 1) Я(г) <//„„„;

Н(П

(3)

тк<тГ.

11. Пер ход к п.З

Параметры нейронов выходного слоя не фиксируются и всегда участвуют в обучении. Предлагаемый алгоритм отличается от метода динаиического создания узлов тем, что часть параметров сети фиксируется и не участвует в обучении за счет введения условия в п.7 и константы а, регулирующей количество обучаемых нейронов. Фиксация части параметров сети ¿может значительно ускорить процесс обучения и позволяет сохранить навыки сети при дообучении.

Следующим важным блоком нейрокомпьютера, примешющегося в информационных системах для настройки нсйро имитатора на предметную область, является контрастер нейронной сети. Для проектирования этого элемента в составе информационной системы используются стандартные методы.

В диссертации разработана технология оценки и коррекции нейросетевой модели. Особую важность она представляет для обеспечения надежного функционирования информационной системы с интеллектуальными компонентами. Необходимость вызвана тем, что процесс обучения нейросети на реальных данных не всегда заканчивается успешно, т.к. -возможны большие ошибки обобщения, попадение в локальные минимумы, остановы обучения нейросети и др. Выходом из данных ситуаций может быть реализация следующих этапов коррекции нейросетевой модели: 1) формирование комитетов нейросетей; 2) изменение вида или параметров функции оценки; 3) изменение структуры параметров нейронной сети; 4) применение методов предобработки данных. Выполнение всех этих этапов производится в автоматическом режиме.

В реально функционирующей информационной системе возникает необходимость постоянного обучения (дообучения) нейросетевого решателя при изменении состояния выборочных данных. При этом, обучение с учителем не всегда бывает возможным ввиду отсутствия экспертных знаний в текущий момент времени. Для надежного функционирования системы в таких случаях используется разработанная система автоматического обучения нейросетевого решателя. При отсутствии экспертных знаний роль учителя занимает специально разработанная на этапе проектирования информационной системы экспертная система, которая на основе входных данных вырабатывает экспертное заключение, которое в дальнейшем используется для обучения нейросетевого компонента

При реализации нейроимитагора предусмотрены возможности решения дополнительных информационных задач при помощи нейронной сети, которые связаны с получением информации об исследуемом объекте или процессе, а также о модели получения решения. Обученная нейронная сеть представляет собой информационную модель объекта или процесса, описываемого набором эмпирических данных и используется в качестве имитационной модели для оценки качества полученного решателя. Информация о величине производных аейросетевой функции по входным параметрам может быть полезной как для получения нового знания об объекте исследования, так и для контроля качества модели экспертом, который может сравнить полученные данные с собственным эпытом и сделать вывод о степени адекватности модели. Таким образом можно

определить влияние каждого из параметров на значение рассчитываемого критерия.

Значения производных могут быть также использованы для поиска экстремумов функции цели критерия оценки деятельности экономического объекта градиентными методами. Например, найти максимальную комплексную оценк} финансового состояния предприятия при текущих ограничениях на некоторые параметры и значения финансовых показателей, которые максимизируют эту оценку. В диссертации приводятся подходы к решению прямых и обратных задач на нейросетевых моделях

Проектирование информационных сетей и нейросетевых решателей связано с разработкой следующих технологий: 1) обучения и дообучения многих нейросетевых элементов; 2) проектирования нейросетевых решателей; 3) отторжения и встраивания нейросетевых решателей в информационные системы; 4) разработки синтаксиса и семантики языка описания нейросетевых решателей, как универсальных элементов информационных систем.

Рассматривается проблема включения программных нейросетевых компонентов в информационную систему(ИС). К ней относятся вопросы, связанные с разработкой схемы включения нейросетевых компонентов в ЙС, организацией взаимодействия с другими компонентами системы, разработкой форматов обмена данными и системы запросов к нейросетевому компоненту, а также разработка унифицированного формата представления нейросетевой информации для хранения и обмена между различными системами.

Стандартизованный унифицированный формат представления нейросетевых моделей представляет собой совокупность правил создания и использования файла или системы файлов, содержащих структурированную информацию, позволяющую однозначно восстановить и корректно использовать нейросетевук модель. Основное назначение формата — унифицированное представление информации о настроенных нейросетевых моделях достаточной для корректного применения нейросетей в прикладных задачах. Стандартизованный формат предназначен для представления декларативных знаний о нейросетевой модели. Целью использования унифицированного формата представления нейросетевых моделей, как основы построения нейросетевых компонентов информационных систем, является обеспечение независимости представления нейросетевой модели от средств ее создания, упорядочивание методов построения, интеграции и применения нейросетевых компонентов в ИС.

В шестой главе "Реализация методов автоматизации и моделирования интеллектуачъных информационных систем" иллюстрируется реализация разработанных методов на примере автоматизированных комплексов: "Интеллектуальная система диагностики финансово-хозяйственной деятельности предприятия'^" Аналитик") и "Система анализа данных на основе искусственных нейронных сетей" ("НейроАнализ"). Приводятся результаты экспериментов на раз-

работанных моделях, подтверждающие теоретические исследования, проведенные в диссертации.

Основными особенностями интеллектуальной информационной системы "Аналитик" являются следующие: разделение режима администратора и пользователя; автоматизированное построение модели нейронной сети; средства решения дополнительных информационных задач; наличие блока структурирования, формирования задачи; наличие подсистемы фильтрации, сглаживания и заполнения пропусков; реализация гибридного подхода при формировании блока решателей; наличие блоков дообучения системы, технического анализа, визуализации данных.

Перечислим основные особенности функционирования блоков данной системы.

В блоке формирования задачи используется экспертная система для определения методов решения в узлах графа связей задач.

Блок решателей задачи может использовать как администратор, гак и пользователь информационной системы. Его основное назначение — решение задачи, а также реализация функций обучения и дообучения системы. В указанный блок входят нейроимитатор, оболочка продукционной экспертной системы и генератор формул.

Справочник задач содержит граф связей задач, справочник параметров -характеристики внешних и внутренних переменных. Справочник методов обеспечивает хранение процедур обработки фрагментов базы знаний системы, формализованных различными методами.

Управляющий модуль обеспечивает: 1) реализацию алгоритма вывода на графе связей задач, как комбинацию методов «прямой» и «обратной волны» с учетом процедур решения задачи по умолчанию; 2) определение алгоритма формализации задачи и вызов соответствующей процедуры обработки фрагмента ЕЗ; 3) поддержание режимов работы ИС - пользовательский (администраторский).

Подсистема подготовки данных обеспечивает: I) сопряжение по данным с другими инфор мационными системами предприятия; 2) формирование обучающих выборок для ИНС в требуемой форме; 3) подготовку входных данных по единой технологии в процессе решения задач. Данная подсистема запускается управляющим модулем после проверки наличия необходимых данных для решения конкретной задачи при проходе по графу связей.

Блок сохранения и представления результатов состоит из следующих элементов: 1) архив; 2) подсистема визуализации результатов, отражающая: 1) результат решения основной задачи, б) результат решения связанной задачи, з) графики изменения основного и связанного показателей во времени; 5) подсистемы объяснений.

На основе рассмотренных в пятой главе диссертации методов был реализо-$ан программный комплекс, предназначенный для поддержки использования

нейросетевых моделей в информационной системе анализа финансово-хозяйственной деятельности предприятия (рис 6).

По сравнению с существующими нейроимитаторами, разработанная система обладает следующими дополнительными возможностями:

автоматизированное построение многослойных нейронных сетей прямого распространения на основе разработанного алгоритма конструирования;

функционирование в автоматизированном режиме под управлением внешней системы, пакетный режим обработки заданий с выбором наиболее удачной нейронной сети в соответствии с заданными пользователем критериями;

работа с нейросетевыми моделями, представленными в разработанном унифицированном формате;

решение дополнительных информационных задач, в том числе получение информации о значениях производных по входным параметрам, поиск экстремумов нейросетевой функции на заданной области; решение обратной задачи.

В состав комплекса входят два программных модуля - КЫЕТ и Ы№1М Реализация нейроимитатора в виде двух модулей связана с тем, что существует необходимость поддержки двух режимов работы информационной системы: режима администратора и режима пользователя. Она возникает при массовом внедрении нейросетевых блоков для решения большого числа различных задач в составе информационной системы. Модуль МКЕТ, предназначенный для поддержки режима администратора, представляет собой программу с развитым интерфейсом, предназначенную для задания параметров работы пользовательской программы КИРиИ и исследования нейросетевых моделей. В этом модуле реализованы типичные функции нейроимитатора - предварительная обработка данных, возможность конструирования структуры многослойной сети, выбор метода оптимизации и вида оценки, обучение и тестирование нейросетевых моделей, минимизация набора входных параметров, чтение и сохранение нейросетей нг

диске. Кроме этого, с помощью программы NNET может быть сформировано задание для работы автоматизированных блоков NNFUN (рис.7). Модуль NNFUN реализует основные функции нейроимитатора в автоматическом режиме на основе файла задания. Это позволяет использовать его в составе других программных средств, в частности, компонента информационной системы, и, кроме этого, проводить автоматизированные вычислительные эксперименты с целью определения, например, наиболее адекватной структуры нейросети для решения конкретной задачи.

В данной главе приводится реализация языка унифицированного описания нейросетевых моделей. Для построения формата описания нейросетевых моделей используется расширяемый язык разметки (XML), являющийся подмножеством структурированного обобщенного языка разметки SGML. Была разработана грамматика языка в виде DTD - определения, задающая правила формирования структуры описания нейросетевой модели, словарь языка описания, допустимые конструкции элементов и позволяющая контролировать корректность файла описания нейросети. Для работы с файлами стандартизованного описания был разработан программный модуль, позволяющий выполнять чтение, разбор и запись файлов стандартизованного ЛГЛ/Х-описания нейросетевых моделей.

Экспериментальные исследования выполнялись на основе данных, функционирующих в течение ряда лет информационных систем в ОАО "Алтайкрай-газсервис", КУП ПФ "Молодежная", ОАО "БСЗ" и имели целью подтверждение адекватности разработанных методов и моделей.

Экспериментальное использование нейронных сетей для формализации экспертных знаний показало их эффективность на реальных данных. Средняя суммарная ошибка заключения, полученного при помощи ИНС, по сравнению с экспертной оценкой, не превышала 10% для задачи оценки финансовой устойчивости, что является приемлемым для подобных задач.

Использование ИНС для решения задач краткосрочного прогнозирования показателей хозяйственной деятельности выявило эффективность данного метода по сравнению с моделями, полученными при помощи линейной, экспоненциальной регрессии и «наивного» прогноза (сдвига ряда на одно значение вперед). Средняя суммарная ошибка на задаче прогнозирования показателя быстрой ликвидности составляла 18% (рис. 7).

Использование продукционной ЭС для автоматизации комплексной оценки созяйственной деятельности показало возможность применения данного подхода, высокую наглядность модели знаний, выраженную при помощи языка (Фреймы на сети параметров» с доработкой - использованием значений по даолчанию.

Построенная модель анализа текущих показателей с учетом их прогноза юдгаердила эффективность данного подхода. Модель прогноза в одном примере была построена при помощи скользящего среднего, а во втором, при помощи ШС. В этих примерах точность анализа текущего значения была выше, чем при

решении тех же задач без учета прогноза.

регрессии с действительными значениями

Результаты оценки деятельности предприятий при помощи информацион ной системы «Аналитик» показали работоспособность, адекватность и эффективность разработанных в диссертации методов, моделей и программных комплексов.

В приложении приведены: блок-схемы алгоритмов, описания программных комплексов "Аналитик" и "Нейроанализ", свидетельства об официально? регистрации программ на ЭВМ в Российском агентстве по патентам и товарные знакам, а также акты внедрения результатов работы.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

В диссертационной работе исследованы и разработаны теоретические положения, технологии, модели и алгоритмы, программные комплексы, методические рекомендации, средства проектирования и эксплуатации интеллектуальны* компонентов информационных систем предприятий.

При этом в диссертации решены следующие задачи:

1. Разработана концепция создания интеллектуальных информационны? систем на основе методов системного анализа, логико-лингвистических моделей, нейросетевых технологий и гибридных подходов к представлению знаний Развиты методы автоматизированного структурирования неформализованньо задач и критерии выбора способов представления знаний для формализации процедур решения задач.

2. Разработаны модели и технологии решения неформализованных задач £ проектирования программных комплексов оценки состояния предприятия не базе гибридных моделей и экспертных систем, включающих компоненты, основанные на системах обработки знаний и нейросетевых методах, учитывающих динамику и прогноз изменения анализируемых показателей с возможностьк автоматизированного дообучения интеллектуальных элементов в реальных условиях функционирования информационных систем.

3. Разработана система прогнозирования состояния объекта управления в сочетании с диалоговыми человеко-машинными процедурами технического анализа, этапами предварительной обработки и погружения данных. Спроектирована технология обработки и группировки данных, основанная на методах нейро-сетевых самоорганизующихся карт Кохонена и гибридных моделях.

4. Развита методология имитационного моделирования на основе применения нейросетевых компонентов для прогнозирования динамических рядов показателей, анализа состояния объекта управления и выбора рациональных алгоритмов в блоках принятия решений модели.

5. Развиты методы проектирования, эксплуатации и человеко-машинного взаимодействия информационных систем. Разработаны структура и функции нейроимитатора как элемента интеллектуальных гибридных комплексов аналитических информационных систем. Создана технология проектирования, эксплуатации, обучения и дообучения нейросетевых блоков информационных систем.

6. На основе разработанных методов спроектирована структура интеллектуальной информационной системы оценки состояния предприятия и ее компоненты, имеющие средства настройки на модель предметной области, режимы администратора и пользователя.

7. Разработанные модели и методы легли в основу создания шести программных комплексов с интеллектуальными компонентами. На эти комплексы оформлены свидетельства об официальной регистрации в Российском агентстве по патентам и товарным знакам. Они применяются для научных исследований, в учебном процессе и внедряются на ряде предприятий страны.

8. Проведенные вычислительные эксперименты на реальных данных подтвердили эффективность разработанных методов и технологий.

Основные публикации по теме диссертации:

1. Пятковский О.И. Интеллектуальные компоненты автоматизированных информационных систем управления предприятием. Монография - г.Барнаул: АлтГТУ.-1999.-351 с.

2. Пятковский О.И., Бутаков C.B., Рубцов Д.В. Методы построения интеллектуальных информационных систем анализа хозяйственной деятельности предприятий: Монография.- г.Барнаул: АлтГТУ. - 1999. - 168 с.

3. Конев Д.Г., Блем А.Г., Пятковский О.И., Кабб И.Л. Автоматизированная информационная система организационно-экономического управления предприятием. Учебное [тособие/Алт. гос. техн. ун-т им. И.И. Ползунова.- Барнаул: Изд-во АлтГТУ, 1998.-142с.

А.А.Цхай, Х.-П. Нахтенбел, О.И.Пятковский, Н.М. Оскорбин, П. Юбер и др. Многокритериальное принятие решений в природопользовании.-Барнаул: изд-во АлтГТУ, 2000. • 220 с.

5. Пятковский О.И., Рубцов Д.В., Бутаков C.B. Система анализа финансово-ыззяйственных показателей деятельности предприятия; И Информационные технологии. -1999,-№8. - С. 31-34.

6. Пятковский О.И., Рубцов Д.В., Бутаков C.B., Левин К.А. Интеллектуальные компс ненты информационных систем диагностики хозяйственной деятельности предприятш Вестник СО АН ВШ № 2 (6), 1999 г., -Томск: Томск. Гос. Ун-т систем управления и рг диоэлектроники, с. 13-21.

7. Пятковский О.И. Управление сбытом и реализацией готовой продукции на предпри ятии //Моделирование производственных процессов: Сборник научных трудов. - Новоси бирск: ИЭ и ОПП СО АН, 1983.-С.69-77.

8. Пятковский О.И. Прогнозирование выполнения плана реализации в АСУП // Эконс мико-математические методы в управлении производством. - Новосибирск: Наука, 1983 С.40-47.

9. Пятковский О.И. Основные элементы комплекса "Сбыт и реализация готовой прс дукции АСУ "СИГМА"// Организация систем управления промышленным произволе! вом. - Барнаул: АлтГТУ, 1984.- C.L30-135.

10. Владовский И.М., Пятковский О.И. Имитационное моделирование производственнс сбытовых процессов в интегрированных АСУП // Интегрированные АСУ предприятиям!' Тезисы докладов всесоюзной конференции.-Новосибирск: ВЦ СО АН СССР,1985. С.139-141.

11. Блем А.Г., Пятковский О.И. Управление производственно-сбытовыми процессами интегрированной АСУ// Автоматизация управления производством: Межвузовский сбор ник научных трудов. - Барнаул: АлтГТУ 1986. -С.94-99.

12. Владовский И.М.,Пятковский О.И. Имитационная модель оперативного управлени отгрузкой готовой продукции на предприятии // Проблемы совершенствования организа ции производства и труда в промышленности Сибири: Межвуз.сб. науч. тр. - Кемерове Кузбасс. Политехи. Ин-т.,1987,- С. 11-16.

13. Владовский И.М., Пятковский О.И. Имитационное моделировние процессов опера тивного управления сбытом на предприятии // Совершенствование систем управлени предприятиями: Сборник научных трудов. - Новосибирск: ВЦ СО АН СССР, 1987. - С 17-23.

14. Пятковский О.И. Об одном подходе к построению программного обеспечения авто матизированного комплекса управления сбытом // Автоматизация управления машине строительным производством в новых условиях хозяйствования: Межвузовский сборни научных трудов. - Барнаул: АлтГТУ, 1989. - С.78-82.

15. Конев Д.Г., Кабб И.Л., Пятковский О.И. Концепция адаптации АСУ "СИГМА" i условиям рыночной экономики // Региональные проблемы информатизации:Труды рес публиканской научно-технической конференции .-Барнаул: Изд-во АлтГТУ, 1995.- С. 3-4.

16. Пятковский О.И. Подходы к построению внешних и внутренних интерфейсов ин формационных систем предприятий И Региональные проблемы информагизации:Труд£ республиканской научно-технической конференции.-Барнаул: Изд-во АлтГТУ,1995, С.16 20.

17. Пятковский О.И. Подходы к построению информационных систем автоматизаци] бизнес-процессов на предприятии // Реинжиниринг бизнес-процессов предприятий н основе современных информационных технологий: Сборник научных трудов Всероссий ской научно-практической конференции . - М.: МЭСИ, 1997.- С.73-76.

18. Пятковский О.И. Информационная система управления производственными процес сами предприятия// Конверсия, приборостроение, рынок: Материалы Международно! научно-технической конференции. -Владимир: Владим. гос. ун-т,1997 . - С.28-30

19. Пятковский О.И. , Бугаков C.B. Применение нейронных сетей в советующих информационных системах предприятий // Нейроинформатика и ее приложения: Тезисы докладов V Всероссийского семинара.- Красноярск: КГТУ, 1997.- С. 146.

20. Бутаков C.B., Пятковский О.И. Применение методов имитационного моделирования и экспертных систем для анализа финансового состояния предприятия // Информационные системы в экономике, экологии и образовании: Сборник научных трудов. - Барнаул: изд-во АлтГТУ, 1997.- С.43-47.

21. Евстигнеев В.В. , Пятковский О.И. Автоматизированная информационная система "Производственный менеджмент" // Информационные системы в экономике, экологии и образовании: Сборник научных трудов.- Барнаул: изд-во АлтГТУ, 1997.-С. 65-73.

22. Левин К.А., Пятковский О.И. Программное обеспечение экспертной системы анализа финансового состояния предприятия" // Информационные системы в экономике, экологии и образовании: Сборник научных трудов.-Барнаул:изд-во АлтГТУ, 1997.- С. 95-96.

23. Пятковский О.И. Интеллектуальные интерфейсы в информационных системах предприятий // Информационные системы в экономике, экологии и образовании: Сборник научных трудов.-Барнаул: изд-во АлтГТУ, 1997.-С.117-125.

24. Пятковский О.И. Построение интеллектуальных интерфейсов в интерактивных информационных системах предприятий // Интерактивные системы: Проблемы человеко-компъютерного взаимодействия: Тезисы докладов второй международной конференции.-Ульяповск:УлГТУ, 1997,- С.42-43.

25. Пятковский О.И. Имитационное моделирование системы поставок продукции потребителям // Моделирование неравновесных систем -98: Тезисы докладов Первого всероссийского семинара. - Красноярск:КГТУ, 1998.- С.95-97.

26. Пятковский О.И. Информационная система поддержки принятия решений и оценки бизнеса предприятия // Экономика для менеджеров: Межвузовский сборник научных трудов. - Барнаул: Издательство Алт.ГТУ, 1998,- С. 94-99.

27. Пятковский О.И. Применение нейросетевых технологий в интеллектуальных информационных системах // Третий сибирский конгресс по прикладной и индустриальной математике, посвященный памяти С.Л. Соболева (1908-1989) Тезисы докладов. - Новосибирск: Изд-во Института математики СО РАН, 1998.- С.92-93.

28. Пятковский О.И., Бутаков C.B., Левин К.А., Рубцов Д.В. Нейросетевая информационная система оценки финанасовой деятельности предприятия // Третий сибирский конгресс по прикладной и индустриальной математике, посвященного памяти С.Л.Соболева(1908-1989):Тезисы докладов.- Новосибирск: Изд-во Института математики СО РАН, 1998.-С. 70-71.

29. Пятковский О.И., C.B. Бутаков, Д.В.Рубцов Применение нейронных сетей в информационной системе диагностики производственно-финансовой деятельности предприятия // Нейронные, реляторные и непрерывнологические сети и модели: Труды международной научно-технической конференции. - Ульяновск: УлГТУ, 1998. - С. 73-75.

30. Пятковский О.И. Вопросы построения интеллектуальных информационных систем предприятий // Первая краевая конференция по математике, посвященной 25-летию Алтайского госуниверситета: Материалы конференции. - Барнаул: Изд-во АГУ, 1998.- С. 38-39.

31. Пятковский О.И. Извлечение знаний из сети Интернет при помощи систем искусственного интеллекта // Природные и интеллектуальные ресурсы Сибири (СИБРЕСУРС - 4 - 98): Тезисы докладов 4-й международной научно-практической конференции .-Томск: Томск. Гос. Ун-т систем управления и радиоэлектроники, 1998,- С. 187-188.

32. Пятковский О.И. Информационная система производственно-финансового менеда мента предприятия // Информационные технологии в экономике: Сборник материало межрегиональной научно-практической конференции.- Пенза: Приволжский Дом знаиы? 1998.- С.23-25.

33. Пятковский О.И. Нейросетевые технологии в интеллектуальных информационны системах предприятий // Искусственные нейронные сети в информационных технологию Тезисы третьего всероссийского семинара .- Снежинск: РФЯЦ-ВНИИТФ, 1998. - С. 36-3£

34. Пятковский О.И., Рубцов Д.В., Бутаков C.B. Применение искусственных нейронны сетей в информационной системе анализа финансового состояния предприятия // Искус ственные нейронные сети в информационных технологиях: Тезисы третьего всероссий ского семинара.- Снежинск: РФЯЦ-ВНИИТФ - С. 38-40.

35. Пятковский О.И., Д.В. Рубцов, Бутаков C.B. Применение методов искусственноп интеллекта в информационной системе диагностики производственно-финансовой дея тельности предприятия // Известия Алтайского государственного университета.- 1998. №1(6).- С. 43-48.

36. Левин К.А., Пятковский О.И. Создание интеллектуальных интерфейсов ввода доку ментов в информационных системах с использованием нейронных сетей // Нейроинфор матика и ее приложения: Тезисы докладов VI Всероссийского семинара. - Красноярск КГТУ, 1998,- С. 113.

37. Пятковский О.И., Д.В. Рубцов, Бутаков C.B.,Левин К.А. Информационная систем; анализа экономического состояния предприятия. // Известия Алтайского государственно го университета. -1998. - №4.- С. 58-61.

38. Пятковский О.И., Рубцов Д.В., Бутаков C.B. Использование нейроимитатора в сис теме анализа финансово-хозяйственной деятельности предприятия // Нейроинформатик; и ее приложения: Тезисы докладов VI Всероссийского семинара. - Красноярск: КГТУ 1998.-С. 151.

39. Пятковский О.И. Приложения нейроинформатики в информационных система! предприятий // Нейроинформатика и ее приложения: Тезисы докладов VI Всероссийской семинара,- Красноярск: КГТУ, 1998.- С. 152.

40. Евстигнеев В.В., О.И. Пятковский О.И. Технологии искусственного интеллекта i информационных системах хозяйствующих субъектов // Ползуновский альманах. - 1998.-Ksi.-С. 16-26.

41. Пятковский О.И. Имитационное моделирование системы поставок продукции по требителям // Моделирование неравновесных систем-98: Тезисы докладов I Всероссийского семинара.- Красноярск: КГТУ, 1998. - С. 95-97.

42. Пятковский О.И, Рубцов Д.В., Бутаков С.В Построение интеллектуальных аналитических блоков с использованием продукционных и нейросетевых методов/ Алт. гос техн.ун-т им.И.И.Пол!унова.-Барнаул, 1998.-13с. 3 ил.-Библиогр.: -Рус. Деп. В ВИНИТИ № 341-В99 от03.02.99.

43. Пятковский Ой., Бутаков C.B. Реализация системы оценки финансово-хозяйственной деятельности с использованием методов искусственного интеллекта h Экономика и бизнес XXI век: Межвузовский сборник научных трудов.- Барнаул: АлтГ-ТУ,1998. - С.136-141

44. Евстигнеев В.В, Пятковский О.И., Рубцов Д.В., Бутаков C.B. Методы искусственного интеллекта в анаштической нформационнй системе // Ползуновский альманах.- 1999. -№1.-С. 21-26.

45. Пятковский О.И. Разработка методов автоматизации и моделирования интеллектуальных компонент информационных систем предприятиям И Вторая краевая конференция по математике, посвященная 25-летию математического факультета Алтайского госуниверситета: Материалы конференции. - Барнаул: Изд-во АГУ, 1999. - С. 52.

46. Пятковский О.И. Совершенствование системы управления предприятием с использованием технологий искусственного интеллекта // Инвестиционная стратегия в управлении предприятием: Сборник, научных трудов / Под ред. В.В.Титова, В.Д. Марковой. -Новосибирск: ИЭ и ОГПТ СО РАН, 1999. - С. 146-157.

47. Пятковский О.И., Рубцов Д.В., Бутаков С.В., Левин К.А. Нейросетевые технологии в информационных системах анализа и прогнозирования хозяйственной деятельности предприятия // Нейроинформатика-99: Сборник научных трудов Всероссийской научно-технической конференции.-Москва:МИФИ, 1999. - С. 114-121.

48. Pyatkovsky O.I., Rubtsov D.V., Butakov S.V. The intellectual information system for financial analysis //The Third Russian-Korean International Symposium on Science and Technology, Vol. l,1999.-p.279

49. Бутаков C.B., Пятковский О.И., Рубцов Д.В. Интеллектуальная информационная технология в системах автоматизация управления финансами // Глобализация в экономике и образовании: Сборник докладов Международной конференции. - Барнаул: АлтГ-ТУ, 1999. -С.26-29.

50. Пятковский О.И. Автоматизация поиска информации в глобальной сети INTERNET при организации внешних связей хозяйствующего субъекта // Глобализация в экономике и образовании: Сборник докладов Международной конференции. - Барнаул: АлтГ-ТУД999.- С.30-32.

51. Пятковский О.И. Разработка гибридных моделей с нейросетевыми компонентами в информационных системах поддержки принятия решений // Нейроинформатика и ее приложения: Тезисы докладов VII Всероссийского семинара/под ред. А.Н. Горбаня . - Красноярск: КГТУ, 1999.- С. 116.

52. Пятковский О.И., Левин К.А. Интеллектуальные интерфейсы в информационных системах с нейросетевыми элементами // Нейроинформатика и ее приложения: Тезисы докладов VII Всероссийского семинара /под ред. А.Н. Горбаня. - Красноярск: КГТУ, 1999,- С. 95.

53. Пятковский О.И., Жилин Д.В. Имитационная модель опративного управления сбытом продукции предприятия с использованием нейросетевых компонент // Моделирование неравновесных систем-99: Тезисы докладов 2-го Всероссийского семинара. - Красноярск: КГТУ, 1999.- С. 95-97.

54. Пятковский О.И., Левин К.А. Интеллектуальные интерфейсы в информационной системе предприятия // 5-я международная научно-практическая конференция "СИБРЕ-СУРС-5-99": Тезисы докладов. - Томск: Томск. Гос. Ун-т систем управления и радиоэлектроники, 1999. - С. 180-181.

55. Пятковский О.И., Рубцов Д.В., Бутаков С.В Нейросетевые компоненты информационных систем управления финансово-хозяйственной деятельностью предприятия/ Алт. гос. техн.ун-т им.И.И.Ползунова.-Барнаул, 1999. - 8 с. 2 ил.-Библиогр.: -Рус. Деп. В ВИНИТИ № 2982-В99 от 04.10.99.

56. Пятковский О.И. Интеллектуальная информационная система мониторинга произ-зодственно-финансовой деятельности предприятия // Международная научно-практическая конференция "Наука и практика организации производства и управления" [Организация - 99): Сборник научных докладов. - Барнаул: Алт. ГТУ, 1999.-С.58-60.

57. Пятковский О.И. Разработка экспертных систем диагностики состояния предпр! ятия на основе гибридного подхода в аналитических информационных системах // № формационные системы в экономике, экологии и образовании: Сборник научных трудов Барнаул: изд-во АлтГТУ, 1999.- С. 43-58.

58. Пятковский О.И., Бутаков С.В., Рубцов Д.В. Использование методов искусственног интеллекта при построении аналитических информационных систем // Информационны системы в экономике, экологии и образовании: Сборник научных трудов.- Барнаул: из; во АлтГТУ, 1999.- С. 68-79.

59. Пятковский О.И., Левин К.А. Методы построения программных систем адаптш ного человеко - машинного взаимодействия в информационных системах // Информг ционные системы в экономике, экологии и образовании: Сборник научных трудов.- Ба{ наул: изд-во АлтГТУ, 1999.- С. 59-67.

60. Пятковский О.И., Жилин Д.В. Подход к построению имитационной модели процес сов управления экономическим объектом с применением методов искусственного инш лекта // Информационные системы в экономике, экологии и образовании: Сборник нау* ных трудов.- Барнаул: изд-во АлтГТУ, 1999.- С. 112-118.

61. Pyatkovskiy O.I., Levin К.A. Adaptive human-inachine interaction methods in intellectu: information systems // The Third International Conference: Interactive systems: Probien human - computer interaction.-Ulyanovsk: Ul.STU, 1999.

62. Pyatkovskiy O, Rubtsov D., Butakov S. The Building of Information System with th Usage of "If-Then" Rules and Neural Networks // Interactive systems: The Problems of Huma - Computer interaction: Proceedings of the 3-d International Conference. - Ulianovsk: UlSTt 1999,- P. 76.

63. Свидетельство об официальной регистрации программы для ЭВМ № 990031. Инте! лектуальная система диагностики финансово-хозяйственной деятельности предприяти ("Аналитик")/ Пятковский О.И., Бутаков С.В., Рубцов Д.В., Левин К.А., Чипизубов (RU Заявл. 26.11.98. Зарег. 26.01.1999.

64. Свидетельство об официальной регистрации программы для ЭВМ № 990416. Автс матизация проведения маркетинговых исследований предприятия на основе нейросете вых технологий ("Маркетинг") / Пятковский О.И., Пятковский И.О., Пятковский А.С (RU). Заяв. 20.04.1999. Зарег. 18.06.1999.

65. Свидетельство об официальной регистрации программы для ЭВМ № 990312. Систе ма автоматизации торговой деятельности предприятия и прогнозирования спроса на товг ры ("Торговля") / Пятковский О.И., Пятковский А.О., Пятковский И.О., Долгополов В.Е (RU) - Заяв. 22.03.1999. Зарег. 21.05.1999.

66. Свидетельство об официальной регистрации программы для ЭВМ № 200061009^ Система анализа данных на основе искусственных нейронных сетей ("НейроАнализ") Рубцов Д.В., Пятковский О.И., Бутаков C.B. (RU). Заявл. 06.12.1999. Зарег.4.02.2000.

67. Свидетельство об официальной регистрации программы для ЭВМ N 990941. Информационно - советующая автоматизированная система производст венного менеджмента ("Производство") / Пятковский О.И., Блем А.Г., Бута ков С.В., Левин К.А., Рубцов Д.В. (RU). Заяв. 26.10.1999. Зарег. 22.12.1999.

68. Свидетельство об официальной регистрации программы для ЭВМ № 2000610096 Информационно - автоматизированная система бухгалтерского учета и финансового ана лиза ("БУХГАЛТЕРИЯ") / Пятковский О.И., Левин К. А., Блем А. Г. (RU). Заяв. 6.12.199? Зарег. 4.02.2000.

9. Пятковекий О.И. Темгологии искусственного интеллекта в информационных систе-iax предприятий / Алт. гос. техн.ун-т им.И.И.Ползунова. - Барнаул, 2000. - 15с. 3 ил. -¡иблиогр.: - Рус. Деп. В ВИНИТИ № 783-В00 от 24.03.99.

0. Пятковекий О.И. Экспертная система диагностики состояния предприятия на основе ибридного подхода в аналитической информационной системе / Алт. гос. техн.ун-т м.И.И.Ползунова. - Барнаул, 2000. - 17с. 3 ил. - Библиогр.: - Рус. Деп. В ВИНИТИ № 84-ВОО от 24.03.99.

1. Пятковекий О.И., Рубцов Д.В., Бутаков C.B. Нейросетевые компоненты экономиче-ких информационных систем предприятий // Нейроинформатика-2000: Сборник научных

рудов Всероссийской научно-технической конференции. -Москва:МИФИ, 2000. - С. 14349' ~

Пятковекий Олег Иванович

РАЗРАБОТКА ИНТЕЛЛЕКТУАЛЬНЫХ КОМПОНЕНТОВ ИНФОРМАЦИОННЫХ СИСТЕМ ПРЕДПРИЯТИЙ

Подписано в печать 26.05.2000. Формат 60x84 1/16. Печать - ризография. Усл.пл. 2,55. Уч.-изд.л. 1,92. Тираж 100 экз. Заказ 47/2000.

Издательство Алтайского государственного технического университета им. И.И. Ползунова, 656099, г. Барнаул пр-т Ленина, 46. Лицензии: ЛР № 020822, ПЛД № 28-35

Отпечатано в ЦОП АлтГТУ

Введение.

1. Подходы к созданию интеллектуальных информационных систем предприятий.

1.1. Описание предметной области и анализ подходов к автоматизации и моделированию информационных систем.

1.1.1. Особенности предметной области на современном этапе, пути решения неформализованных задач.

1.1.2. Проблемы описания и моделирования предметной области.

1.1.3. Анализ работ по информационным технологиям и системам анализа деятельности предприятий.

1.1.4. Анализ работ в области имитационного моделирования.

1.1.5. Актуальные направления исследований в области информационных систем на современном этапе.

1.2. Исследование методов искусственного интеллекта для построения советующих информационных систем.

1.2.1. Понятие методов искусственного интеллекта и экспертных систем.

1.2.2. Классификация методов представления знаний, их преимущества и недостатки при применении в информационных системах предприятий.

1.2.3. Особенности и методы решения задач в информационных системах с использованием экспертных систем.

1.3. Исследование нейросетевых технологий для построения интеллектуальных информационных систем.

1.3.1. Понятие нейросетевых методов, их применение в гибридных моделях информационных систем и особенности по сравнению с другими технологиями искусственного интеллекта.

1.3.2. Анализ приложений искусственных нейронных сетей в аналитических информационных системах.

1.3.3. Автоматизация проектирования нейросетевых компонентов.

1.3.4. Программные системы, реализующие нейросетевые технологии.

1.4. Исследование и разработка комплексов имитационного моделирования в интеллектуальных информационных системах.

1.5. Направления совершенствования автоматизированных информационных систем предприятий.

Выводы.

2. Исследование и разработка экспертных систем оценки состояния предприятия на основе гибридного подхода в аналитических информационных системах.

2.1. Определение и принципы построения интеллектуальных компонентов информационных систем предприятий.

2.2. Разработка структуры интеллектуальной аналитической информационной системы предприятия.

2.3. Концептуальная модель гибридной экспертной системы оценки состояния предприятия.

2.3.1. Структура иерархической экспертной системы оценки состояния предприятия.

2.3.2. Разработка методов автоматизированного структурирования задачи.

2.3.3. Основные функциональные компоненты экспертной системы.

2.4. Этапы обработки информации в интеллектуальных компонентах.

2.4.1. Предварительная обработка информации.

2.4.2. Решение задач оценки показателей деятельности предприятия.

2.4.3. Интерпретация результатов модели.

2.5. Разработка методов и моделей решения аналитических задач гибридной экспертной системой.

2.5.1. Общее представление задачи.

2.5.2. Методы формализации решения задач.

2.5.2.1. Использование продукционных систем для представления знаний в интеллектуальных блоках.

2.5.2.2. Применение нейросетевого подхода при построении интеллектуальных компонентов информационных систем.

2.5.3. Модель дообучающейся системы.

2.5.4. Модель анализа текущих показателей с использованием прогноза.

2.5.5. Подходы к решению обратных задач.

Выводы.

3. Методы определения закономерностей в данных при решении задач автоматизированного прогнозирования состояния предприятия и группировки информации.

3.1. Прогнозирование временных рядов показателей в аналитических блоках автоматизированных информационных систем.

3.1.1. Понятие и особенности прогнозирования показателей деятельности предприятия

3.1.2. Технологии нейропредсказаний в прогнозировании временных рядов показателей.

3.1.3. Роль методов технического анализа в диалоговом прогнозировании

3.1.4. Методы адаптивного прогнозирования.

3.1.5. Разработка методики прогнозирования временных рядов показателей на базе нейросетевых методов.

3.2. Методы определения закономерностей в данных внешней среды.

3.2.1. Методы классификации и группировки данных в современных информационных системах.

3.2.2. Применение нейросетевых методов карт самоорганизации Кохонена для решения задачи таксономии.

3.2.3. Гибридные модели в системах извлечения знаний.

Выводы.

4. Исследование и разработка интеллектуальных имитационных систем.

4.1. Разработка общей структуры и способов функционирования интеллектуальной имитационной модели.

4.2. Разработка имитационной модели сбытовой логистики.

4.2.1. Концептуальная модель процессов сбытовой логистики.

4.2.2. Общая структура имитационной модели.

4.3. Модели транспортных единиц, алгоритмы их рациональной комплектации и распределения по временным периодам.

4.4. Разработка интеллектуальной имитационной модели процессов оперативного управления в сбытовой логистике.

4.4.1. Моделирование процессов оперативного управления.

4.4.2. Структура и функции имитационной модели.

4.4.3. Интеллектуальные компоненты имитационной модели.

Выводы.

5. Разработка методов проектирования и эксплуатации интеллектуальных информационных систем.

5.1. Основы построения интеллектуальных программных компонентов информационных систем.

5.1.1. Особенности построения автоматизированных рабочих мест в интеллектуальной программной системе.

5.1.2. Создание адаптивных оболочек интеллектуальных программных систем.

5.1.3. Развитие этапов жизненного цикла интеллектуальных программных изделий.

5.2. Разработка методов человеко-машинного взаимодействия в интеллектуальных информационных системах.

5.2.1. Особенности построения человеко-машинных интерфейсов.

5.2.2. Структурно-функциональная модель построения интерфейсов в программной системе ввода документов.

5.3. Разработка структуры и функций нейроимитатора как элемента информационной системы предприятия

5.3.1. Концепции применения нейросетевых компонентов в информационных системах.

5.3.2. Предварительная обработка информации на этапе проектирования нейросетевых компонентов.

5.3.3. Формирование задачника для нейросети.

5.3.4. Особенности формирования нейронной сети.

5.3.5. Интерпретация сигналов нейронной сети

5.3.6. Управляющая программа (исполнитель).

5.3.7. Компонент учитель.

5.3.8. Конструктор нейросети.

5.3.9. Контрастер нейронной сети.

5.3.10. Логически прозрачные сети , получение явных знаний

5.4.Решение дополнительных задач с помощью нейросетевых компонентов

5.5. Разработка языка описания нейроимитатора для обмена данными.

Выводы.

6. Реализация методов автоматизации и моделирования интеллектуальных информационных систем.

6.1. Интеллектуальная финансово-аналитическая система.

6.1.1. Общая структура системы.

6.1.2. Функциональная схема системы.

6.2. Анализ результатов экспериментального исследования разработанных методов и моделей.

6.2.1. Формализация процедур решения задач анализа при помощи искусственных нейронных сетей.

6.2.2. Прогнозирование показателей финансово-хозяйственной деятельности на основе нейросетевой модели.

6.2.3. Использование продукционной экспертной системы для формализации отдельных методик оценки финансово-хозяйственной деятельности.

6.2.4. Оценка необходимости учета прогноза при анализе.

6.2.5. Оценка возможности реализации комплексной модели оценки финансово-хозяйственной деятельности

Выводы.

Актуальность работы. В условиях современных экономических отношений существенно возрастает сложность управления предприятием. Это объясняется увеличением его самостоятельности и развитием преимущественно горизонтальных связей с внешним окружением - поставщиками, потребителями, налоговыми инспекциями, банками, страховыми компаниями, биржами, инвестиционными фондами. Для выработки рациональных решений требуется всесторонняя информация о производственно-хозяйственной, финансовой, снабженческо-сбытовой деятельности и внешних связях хозяйствующего субъекта.

При этом основными задачами управления предприятием являются такие неформализованные проблемы как оценка и диагностика его состояния, поиск, определение закономерностей в информационных данных, прогнозирование результатов деятельности, выработка рациональных траекторий функционирования экономических объектов. Число показателей, применяющихся в этих задачах, большое. Они формируют функции цели, которые могут быть траекторными и ситуационными. Характер изменения этих показателей, как правило, не предсказуем, поэтому задачи определения рационального управления относятся к классу недостаточно формализуемых и слабоструктурированных и не могут быть в полном объеме решены точными методами. Для их решения целесообразно привлечь опыт человека, накопленный в базах знаний экспертных систем. Для обеспечения поддержки принятия решений в таких условиях необходимо дальнейшее развитие комплексной автоматизации управленческой деятельности предприятия с использованием современных информационных технологий, математического моделирования и методов искусственного интеллекта. 9

Качество работы информационной системы, относящейся к классу сложных, напрямую зависит от соответствия ее организационной и технической подсистем, находящихся в постоянном взаимодействии. Опыт внедрения информационных систем показывает, что, до тех пор, пока эти две подсистемы не будут максимально соответствовать одна другой, все попытки качественного их функционирования невозможны. И, наоборот, при определенном уровне программно - технической составляющей, например, по мере развития диалоговых режимов взаимодействия, графических и мультимедиа средств, автоматизированные системы начинают работать с лучшей эффективностью. Качественной работы информационной системы можно достичь, если блок программно-технической составляющей будет реализован с использованием методов искусственного интеллекта, что обеспечит его гибкое и адаптивное взаимодействие с организационной подсистемой.

В настоящее время достигнуты определенные успехи в области создания информационных систем производственного, финансового менеджмента, комплексного бухгалтерского учета и финансового анализа, маркетинга, сбыта и реализации готовой продукции. Эти системы развиваются с целью перевода их в разряд информационно - советующих. Следует отметить, что в данном направлении работы являются актуальными вследствие ряда обстоятельств. В их числе достаточно высокий уровень развития фундаментальных исследований в областях информационных технологий, инструментальных средств искусственного интеллекта и нейроинформатики. Это создает теоретическую базу для проведения исследований с целью создания советующих информационных систем.

Подходы к построению информационных систем анализа и диагностики состояния предприятия приведены в ряде работ. На российском рынке предлагается немало программных продуктов, относящихся к классу финансово-аналитических систем. Они различаются как по спектру задействованных показателей, так и по реализованным в них подходам к решению основных задач ю анализа финансово-хозяйственной деятельности предприятий. Однако, как показывает анализ, в данных разработках недостаточно используются современные математические методы, нейросетевые и гибридные модели, позволяющие с гораздо большей точностью и качеством осуществлять функции диагностики, анализа и прогнозирования экономических показателей.

Существует также большое количество зарубежных информационных систем диагностики деятельности предприятия. Изучение данных разработок показывает, что основной их недостаток состоит в том, что они имеют самостоятельное значение и не связаны с действующими информационными системами предприятия. Это не позволяет учитывать динамику изменения информационной базы, отображать реальные процессы управления на предприятии.

Подводя итог анализу состояния проблемы, можно утверждать, что до настоящего времени существует ряд нерешенных проблем. На стадии исследований и проработки находятся вопросы адаптивности, создания интеллектуальных компонентов диагностики деятельности предприятия, методов прогнозирования состояния объекта управления, разработки гибридных моделей экспертных систем, технологий извлечения знаний, определения закономерностей и группировки информационных данных, интеллектуального имитационного моделирования, создания новых методов проектирования и эксплуатации информационных систем, интеллектуальных человеко-машинных интерфейсов, создания нейрокомпьютеров и нейроимитаторов для применения в информационных системах. Следует особо отметить недостаточное количество работ по созданию единого подхода к формированию иерархических гибридных моделей оценки состояния предприятия, включающих различные методы представления знаний, в том числе аналитические, логико-лингвистические, нейросетевые. Поэтому разработка моделей, методов, алгоритмов и программных комплексов для решения неформализованных задач, а также имитационных систем, включающих в своем составе гибридные блоки анализа, прогнозирования и рационального выбора алгоритмов принятия решений и их применение

11 при проектировании информационных систем производственного назначения, является современной актуальной проблемой.

Несмотря на наличие работ в вышеперечисленных областях, теоретические и прикладные исследования по созданию интеллектуальных информационных систем предприятий находятся на стадии становления и общепринятых подходов к решению представленных проблем до настоящего времени не сформировано. Все изложенное подтверждает актуальность исследований по теме диссертации.

Объектом диссертационного исследования выступают процессы проектирования и функционирования автоматизированных информационных систем управления предприятием, обеспечивающих эффективное принятие решений в условиях современных экономических отношений.

Предметом исследований являются математические модели, алгоритмы функционирования и программные комплексы интеллектуальных компонентов информационных систем, предназначенных для решения неформализованных задач управления предприятием на основе применения современных информационных технологий, математического моделирования, теории искусственного интеллекта и методов нейроинформатики.

Цель диссертационной работы - исследование и разработка теоретических положений, информационных технологий, моделей и алгоритмов, программных комплексов, методических рекомендаций, средств автоматизации проектирования и сопровождения для создания интеллектуальных компонентов и их эффективного функционирования в информационных системах предприятий.

Для достижения поставленной цели в диссертационной работе сформулированы следующие задачи:

1. Проанализировать современные подходы к автоматизации, моделированию и решению неформализованных задач в информационных системах поддержки принятия решений. Исследовать методы искусственного

12 интеллекта, в том числе системы обработки знаний, нейросетевые технологии и имитационное моделирование для построения интеллектуальных информационных систем. Разработать концепции и принципы применения интеллектуальных компонентов в информационных системах.

2. Развить методы автоматизированного структурирования неформализованных задач и критерии выбора моделей представления знаний для формализации процедур их решения в информационных системах предприятий.

3. Исследовать и разработать модели, технологии и программные системы оценки состояния объекта управления на основе гибридных экспертных систем.

4. Разработать методы и программные комплексы адаптивного прогнозирования показателей деятельности предприятия и группировки данных, основанные на нейросетевых методах и современных информационных технологиях.

5. Усовершенствовать методологию имитационного моделирования для выработки рациональных траекторий функционирования предприятия на основе применения разработанных интеллектуальных компонентов.

6. Развить технологию создания информационных систем с интеллектуальными компонентами оценки, прогнозирования, определения закономерностей в данных и адаптивного человеко-машинного взаимодействия.

7. Определить структуру и функции нейроимитатора как элемента информационной системы. Создать методы включения нейросетевых блоков в информационные системы. Разработать алгоритмы настройки имитатора искусственных нейронных сетей на предметную область и решения задач исследования нейросетевых моделей.

8. Исследовать возможности применения разработанных методов, моделей и программных комплексов при проектировании и эксплуатации автоматизированных информационно - советующих систем. Подтвердить

13 адекватность разработанных моделей и методов на основе анализа машинных экспериментов.

Методологическая база исследования. Для решения поставленных в диссертационной работе задач применялись методы системного анализа и исследования операций, теория искусственного интеллекта, нейросетевые технологии и методы нейроинформатики, теоретические основы построения информационных систем, математическое программирование, эвристические процедуры принятия решений, модульное программирование, вычислительные эксперименты, проводимые в режиме имитационного моделирования, методы экспертных оценок, дисперсионный, регрессионный и корреляционный анализ.

В своих исследованиях автор опирался на труды отечественных и зарубежных ученых, посвященные проблемам искусственного интеллекта и нейроинформатики, математического моделирования, информационных технологий

A.Н. Горбаня, Е.М. Миркеса, Д.А. Поспелова, Э.В. Попова, Ф.И. Перегудова,

B.П. Тарасенко, В.А. Силича, С.А. Терехова, Д.А.Россиева, Н.М. Оскорбина, А.И. Галушкина, B.JI. Дунина-Барковского, Н.П. Бусленко, В.М. Глушкова, A.JI. Горелика, Н.Б. Мироносецкого, И.М Бобко, И.М. Владовского, Д.Г. Конева, С.А. Шумского, Н.Г Загоруйко, П.И. Соснина, Б.Я Советова, В.В. Титова., Р. Шеннона , М. Месаровича, Ф. Розенблатта, Д. Мако, И. Такахара, Т. Нейло-ра, С. Осуги, Т. Кохонена, Р. Нристева и других, а также на опыт научных и проектных организаций по рассматриваемой проблеме.

Научная новизна проведенных исследований заключается в том, что в диссертационной работе впервые разработан оригинальный подход к созданию информационных технологий, имитационных моделей и программных комплексов для решения неформализованных задач организационного управления хозяйствующим субъектом в современных условиях. Это является существенным вкладом в развитие методов проектирования, проведения научных исследований и эффективной эксплуатации автоматизированных информационных систем предприятий.

14

Научные результаты диссертации состоят в следующем:

1. Разработаны методы решения неформализованных задач и проектирования программных комплексов оценки состояния предприятия на базе гибридных экспертных систем. При оценке состояния объекта учитывается динамика и прогноз изменения анализируемых показателей с возможностью автоматизированного дообучения интеллектуальных элементов в реальных условиях функционирования информационных систем.

2. Разработаны структура и функции нейроимитатора как элемента интеллектуальных комплексов информационных систем. Созданы методы его проектирования, обучения, настройки на модель предметной области и включения в информационные системы предприятий.

3. Создана технология адаптивного прогнозирования показателей состояния объекта управления на основе диалоговых человеко-машинных процедур, методов нейросетевого, технического анализа и предобработки информации. Предложен метод группировки данных, основанный на нейросетевых и гибридных моделях.

4. Разработан способ имитационного моделирования для выработки рациональных траекторий функционирования предприятия на основе применения интеллектуальных компонентов для моделирования и прогнозирования входных потоков данных, оценки состояния объекта управления и выбора рациональных алгоритмов в блоках принятия решений модели.

5. Развиты методы проектирования информационных систем, создания программных комплексов с интеллектуальными компонентами. Эти системы предназначены для проведения научных исследований и эффективного принятия решений в управлении предприятием.

Обоснованность и достоверность научных положений, выводов и рекомендаций подтверждается обоснованностью выбранных методов решения задач, использованием современных методов и средств обработки информации, сравнением результатов моделирования с реальными данными, всесто

15 ронним анализом литературных источников по теме диссертации, применением разработанных методов при проектировании информационных систем, оформленными свидетельствами на программное обеспечение в Российском агентстве по патентам и товарным знакам, актами внедрения разработанных технологий и программных систем.

Практическая значимость результатов исследования заключается в том, что разработанные теоретические вопросы и методические рекомендации являются научной базой при создании информационных систем, внедряющихся на предприятиях страны. Реализация диссертационной работы служит инструментом повышения качества функционирования существующих автоматизированных информационных систем, что в конечном итоге позволит повысить уровень современного производства.

Разработанные методики и программные системы используются в научных и проектных разработках и учебном процессе факультета "Информационных технологий и бизнеса" Алтайского государственного технического университета, на кафедре "Экономики и автоматизированных систем управления" Юргинского филиала Томского политехнического университета, в производственном процессе ОАО "Барнаульский станкостроительный завод", краевого унитарного предприятия птицефабрики «Молодежная» Алтайского края, ОАО «Алтайкрайгазсервис» и ряде других предприятий. Они могут быть использованы в других НИИ и учебных заведениях страны.

Реализация результатов работы. Основные результаты исследования нашли отражение и применение в научно-исследовательских и опытно-конструкторских госбюджетных и хоздоговорных работах, в которых автор является научным руководителем и непосредственным исполнителем. В их числе: разработки по темам СО РАН, госбюджетная научно-исследовательская работа "Исследование и разработка автоматизированных систем управления предприятиями и организациями в переходный период", российские научно-технические программы "Алтай-Вуз" и "Алтай-наука". Научные и проектные

16 разработки внедрялись с участием автора в рамках АСУ "Сигма-2" по заданию 03.01 программы 0.80.06, утвержденной Постановлением ГКНТ и Госплана СССР № 491/244 от 8 декабря 1981 года. Эти же разработки переданы в государственный фонд алгоритмов и программ в виде пакетов программ и документации.

Основные теоретические и методические результаты, разработанные в диссертации, реализованы в комплексах "Интеллектуальная система диагностики финансово-хозяйственной деятельности предприятия"("Аналитик"), "Система анализа данных на основе искусственных нейронных сетей" ("Ней-роАнализ"), "Автоматизация проведения маркетинговых исследований предприятия на основе нейросетевых технологий" ("Маркетинг"), "Система автоматизации торговой деятельности предприятия и прогнозирования спроса на товары" ("Торговля"), "Информационно - советующая автоматизированная система производственного менеджмента ("Производство"), "Информационно -автоматизированная система бухгалтерского учета и финансового анализа" ("Бухгалтерия") и других, разработанных при научном руководстве и непосредственном участии автора. На эти комплексы оформлены свидетельства об официальной регистрации в Российском агентстве по патентам и товарным знакам. Данные комплексы применяются для научных исследований, в учебном процессе и внедряются на ряде предприятий страны.

Автор выносит на защиту:

1. Концепцию и принципы создания интеллектуальных компонентов информационных систем. Методы автоматизированного структурирования задач и критерии выбора процедур их решения.

2. Технологии решения неформализованных задач, структуру, функции и конструкцию программного комплекса оценки состояния предприятия, разработанного на базе гибридных экспертных систем.

3. Технологию адаптивного прогнозирования состояния объекта управления в сочетании с диалоговыми человеко-машинными процедурами технического

17 анализа, этапами предварительной обработки и погружения данных. Технологию обработки и группировки данных, основанную на методах нейросетевых самоорганизующихся карт Кохонена и гибридных моделях.

4. Методологию имитационного моделирования на основе применения интеллектуальных компонентов для прогнозирования динамических рядов показателей, анализа состояния объекта управления и выбора рациональных алгоритмов в блоках принятия решений модели.

5. Методы проектирования информационных систем с интеллектуальными компонентами. Структуру и функции нейроимитатора как элемента информационных систем. Методы включения нейросетевых элементов в информационные системы и язык их описания.

6. Структуру интеллектуальной аналитической программной системы и ее компоненты, имеющую средства настройки на модель предметной области, режимы администратора и пользователя. Реализацию разработанных методов при проектировании и сопровождении автоматизированных информационных систем.

Апробация работы. Основные результаты диссертационной работы доложены и обсуждены на: Всесоюзной конференции "Интегрированные АСУ предприятиями" (г. Новосибирск, 1985 г.), научно-практическом совещании "Опыт и перспективы применения микро и мини ЭВМ в управлении, проектировании и организации автоматизированных рабочих мест специалистов" (г. Барнаул, 1986 г.), на научно-координационном совещании по проблемам "Разработка и внедрение автоматизированных систем управления в народном хозяйстве" (г. Барнаул, 1980 г.), на Краевой научно-технической конференции "Автоматизация управления сложными объектами" (г. Барнаул, 1978 г.), Республиканской научно-технической конференции "Региональные проблемы информатизации"^. Барнаул, 1995г.), Межрегиональной научно-практической конференции "Региональные аспекты регулирования рынка труда"(Барнаул, 1995г.), Международной научно-технической конференции "Конверсия, при

18 боростроение, рынок" (Владимир, Суздаль 1997г.), Всероссийской научно-методической конференции "Бизнес и высшее образование в условиях перехода к рыночной экономике" (Барнаул, 1997г.), Всероссийской научно-практической конференции "Реинжиниринг бизнес-процессов предприятий на основе современных информационных технологий" (Москва, 1997г.), второй и третьей Международных конференциях "Интерактивные системы: Проблемы человеко- компьютерного взаимодействия" (Ульяновск, 1997, 1999 г.г.), пятом, шестом и седьмом Всероссийских семинарах "Нейроинформатика и ее приложения (Красноярск, 1997, 1998, 1999 г.г.), Межрегиональной научно-практической конференции "Информационные технологии в экономике "(Пенза, 1998г.), Третьем сибирском конгрессе по прикладной и индустриальной математике ("МРШМ-98") (Новосибирск, 1998г.), первой, второй, третьей краевых конференций по математике (Барнаул, 1998, 1999,2000г.г.), Третьем семинаре "Теория и приложения искусственных нейронных сетей" (Снежинск, 1998 г.)", Международной научно-технической конференции "Нейронные, ре-ляторные и непрерывнологические сети и модели" (Ульяновск 1998 г.); Четвертой международной научно-практической конференции "Природные и интеллектуальные ресурсы Сибири"("СИБРЕСУРС-4-98") (Томск, 1998 г.), первом и втором Всероссийских семинарах "Моделирование неравновесных систем-98"(Красноярск, 1998, 1999г.г.), Международной конференции "Глобализация в экономике и образовании"(Барнаул 1998), Всероссийской научно-технической конференции "Нейроинформатика-99" (Москва, 1999), Международной научно-практической конференции "Наука и практика организации производства и управления"(г.Барнаул 1999 г.), Пятой международной научно-практической конференции «Природные и интеллектуальные ресурсы Сибири (СИБРЕСУРС - 5 -99)» (г.Омск; 1999г.), 3-м международном научно-техническом симпозиуме КОКЩ'99 (Новосибирск, 1999), VI Всероссийской конференции "Нейрокомпьютеры и их применение" (Москва, 2000), Всерос

19 сийской научно-технической конференции "Нейроинформатика-2000" (Москва, 2000).

Публикации. По теме диссертации опубликовано 87 работ, в том числе три монографии и одно учебное пособие. На шесть программных комплексов, реализующих разработанные методы, получены авторские свидетельства в Российском агентстве по патентам и товарным знакам.

Личный вклад. Автору принадлежит разработка представленных в диссертации методов и моделей, постановок задач на программирование комплексов программ, концепций построения интеллектуальных информационных систем, методических пособий и рекомендаций. Под научным руководством автора диссертации в этих разработках принимали участие аспиранты, выполняющие и защитившие кандидатские диссертации по данной теме.

Структура и объем работы. Диссертация состоит из введения, шести глав, заключения, приложений и списка литературы из 288 наименований. Основная часть работы изложена на 341 странице машинописного текста и содержит 75 рисунков, 14 таблиц.

338 ВЫВОДЫ

Результаты проведенных исследований реализованы в советующих информационных системах: финансово-аналитической системе, управления основным производством, маркетинга, сбыта и реализации готовой продукции.

Основными компонентами интеллектуальной финансово-аналитической системе «Аналитик» являются: блок формирования задачи, блок решателей, блок дообучения системы, блок представления и сохранения результатов, подсистема подготовки данных, блок справочников и управляющий модуль. В работе приведены алгоритмы формирования и решения задач с помощью интеллектуальных компонентов информационных систем (ИС), а также алгоритм функционирования подсистемы объяснений на графе связей задач. К основным функциям ИС анализа ФХД необходимо отнести задачи автоматизации учета, анализа и планирования ФХД предприятия .

Программная реализация системы состоит из следующих модулей: 1) экран разделения режима работы; 2) модуль формирования задачи; 3) модуль формирования БЗ для продукционной ЭС; 4) машина вывода по БЗ продукционной ЭС; 5) модуль формирования обучающих и тестовых выборок для нейро-сетевого анализа ; 6) модуль формирования обучающих и тестовых выборок для задач нейросетевого прогнозирования временных рядов; 7) конструктор / интерпретатор формул; 8) процедура формирования пути вывода по графу связей задач и запуска решателя для каждой задачи; 9) экран отображения результатов задачи; 1 (^вспомогательные процедуры. Как указывалось ранее, особенностью модели совокупности задач в виде графа связей является наличие процедур поиска решения «по умолчанию», что позволяет программному комплексу функционировать в условиях неполной информации и невысокой компетентности пользователя.

Рассмотрены особенности программной реализации продукционной ЭС: возможность диалогового построения правил, наличие процедур шкалирования, возможность функционирования данного модуля отдельно от ИС в качестве оболочки ЭС.

339

В информационно - советующей системе "Производственный менеджмент" реализована иерархическая структура управления основным производством предприятия в виде сети автоматизированных рабочих мест. На автоматизированных рабочих местах менеджеров, экономистов решаются неформали-зуемые задачи при использовании методов искусственного интеллекта и имитационных моделей. Определены интеллектуальные компоненты автоматизированных рабочих мест менеджеров предприятия, цеха, участка, экономистов предприятия и производственных подразделений.

Третьим примером использования результатов исследований является их применение в автоматизированном комплексе "Маркетинг, сбыт и реализация продукции".

В данной главе представлены результаты экспериментального исследования. Приведены следующие примеры практической реализации положений, выдвинутых во второй главе работы: 1) при помощи ИНС формализованы две методики оценки отдельных аспектов ФХД; 2) показано преимущество нейро-сетевых моделей прогнозирования по сравнению с линейной и экспоненциальной моделями ; 3) приведены примеры формализации отдельных методик оценки при помощи ИНС; 4) показано повышение качества моделей анализа при использовании информации о прогнозном значении выходного показателя и 5)для иллюстрации возможности функционирования гибридной модели в целом показан пример графа связей задач при формировании комплексной оценки финансового состояния предприятия. Следует отметить, что на примере задачи нейросетевого прогнозирования показаны возможности дообучения интеллектуальных компонентов ИС.

Приведенные результаты экспериментов и конструкции интеллектуальных систем, внедряющихся на предприятиях страны, подтверждают практическую ценность разработанных методов, моделей и информационных технологий.

340

ЗАКЛЮЧЕНИЕ

В диссертационной работе проведены теоретические исследования и методологические работы по совершенствованию автоматизированных процессов управления предприятиями с применением современных информационных технологий, математического моделирования, теории искусственного интеллекта и методов нейроинформатики.

При этом исследованы и разработаны теоретические положения, технологии, модели и алгоритмы, программные комплексы, методические рекомендации, средства проектирования и эксплуатации интеллектуальных компонентов информационных систем предприятий.

В диссертации решены следующие задачи:

1. Разработана концепция создания интеллектуальных информационных систем на основе методов системного анализа, логико-лингвистических моделей, нейросетевых технологий и гибридных подходов к представлению знаний. Развиты методы автоматизированного структурирования неформализованных задач и критерии выбора способов представления знаний для формализации процедур решения задач.

2. Разработаны модели и технологии решения неформализованных задач и проектирования программных комплексов оценки состояния предприятия на базе гибридных моделей и экспертных систем, включающих компоненты, основанные на системах обработки знаний и нейросетевых методах, учитывающих динамику и прогноз изменения анализируемых показателей с возможностью автоматизированного дообучения интеллектуальных элементов в реальных условиях функционирования информационных систем.

3. Разработаны технологии определения закономерностей в информации внешней среды и состояния экономического объекта, в том числе модель адаптивного прогнозирования состояния объекта управления на основе совокупности временных рядов показателей в составе гибридных структур экспертных систем диагностики деятельности предприятия в сочетании с диалоговыми че

341 ловеко-машинными процедурами технического анализа, этапами предварительной обработки и погружения данных. Спроектирована технология обработки и группировки данных, основанная на методах нейросетевых самоорганизующихся карт Кохонена и гибридных моделях.

4. Развита методология имитационного моделирования на основе применения нейросетевых компонентов для прогнозирования динамических рядов показателей, анализа состояния объекта управления и выбора рациональных алгоритмов в блоках принятия решений модели.

5. Развиты методы проектирования, эксплуатации и человеко-машинного взаимодействия информационных систем. Разработаны функции и структура нейроимитатора как элемента интеллектуальных гибридных комплексов аналитических информационных систем. Создана технология проектирования, эксплуатации, обучения и дообучения нейросетевых блоков информационных систем.

6. Разработана структура интеллектуальной аналитической программной системы и ее компоненты, имеющие средства настройки на модель предметной области, режимы администратора и пользователя.

7. Проиллюстрирована возможность и эффективность применения разработанных методов при проектировании и эксплуатации информационно-советующих систем : "Интеллектуальная финансово-аналитическая система", "Производственный менеджмент", "Маркетинг, сбыт и реализация готовой продукции".

342

1. Абовский Н.П., Охонин В.А., Смолянинова Л.Г. Принцип привязки архитектуры нейросети к структуре объекта при нейросетевом моделировании // Нейроинформатика и ее приложения: Тезисы докладов V Всероссийского семинара. - Красноярск: КГТУ, 1997. - С. 152.

2. Автоматизированные системы управления предприятиями и объединениями: Разработка, внедрение, развитие / H.A. Саломатин, В.И. Дудорин , А.И. Ларионов и др.; Под ред. H.A. Саломатина.-М.:Экономика,1985.-248с.

3. Автоматизированная система управления "СИГМА": Технорабочий проект.-Новосибирск: Б.и., 1977.

4. Автоматизация управления/В.А. Абчук, А.Л.Лившиц, А.А.Федулов, Э.И.Кучитина; под ред. В.А. Абчука.-М.: Радио и связь, 1984.-264с.

5. Адаптивная АСУ производством: АСУ "СИГМА" / Г.И. Марчук, А.Г. Аганбегян, И.М. Бобко и др.; Под ред. Г.И. Марчука. -М.: Статистика, 1981.176 с.

6. Антонюк Б.Д. Информационные системы в управлении. М.:Радио и связь, 1986. - 240 с.

7. Аппак М.А. Автоматизированные рабочие места на основе персональных ЭВМ. М: Радио и связь, 1989. - 176с.

8. П.Барцев С.И., Гилев С.Е., Охонин В.А. Принцип двойственности в организации адаптивных систем обработки информации // Динамика химических и биологических систем. Новосибирск: Наука, 1989. - С .6-55.

9. Бешелев С.Л., Гурвич Ф.Г. Экспертные оценки в принятии плановых решений. М.: Экономика, 1986. -76с.

10. Блем А.Г., Пятковский О.И. Управление производственно-сбытовыми процессами в интегрированной АСУ // Автоматизация управления производством. Барнаул: АлтГТУ, 1986. - С.94-99.

11. Бобко И.М. Автоматизированные системы управления и их адаптация. -Новосибирск: Наука, СО АН СССР, 1983.- 112с.

12. Болдырев М. Нейросети для финансистов // Финансист. 1997. - № 2

13. Боэм Б.У. Инженерное проектирование программного обеспечения: Пер. с. англ. М.: Радио и связь, 1985. - 512 с.

14. Боровиков A.A. Математическая статистика.-Новосибирск:Наука;Изд-во Ин-та математики, 1997.-772 с.343

15. Бусленко В.H. Автоматизация имитационного моделирования сложных систем. М.: Наука, 1977. - 232с.

16. Бусленко Н.П., Калашников В.В., Коваленко И.П. Лекции по теории сложных систем. М.: Сов. Радио, 1973. - 440с.

17. Бусленко Н.П. Моделирование сложных систем. М.: Наука, 1988. -355с.

18. Вагнер Г. Основы исследования операций. В 3-х т. -М.: Мир, 1973г.

19. Васкевич Д. Стратегии клиент/сервер. Руководство по выживанию для специалистов по реорганизации бизнеса. -К.: "Диалектика", 1996.-384с.

20. Владовский И.М., Блем А.Г. Беседы об АСУ. Барнаул: Алт.кн. изд-во,1984. - 128 с.

21. Владовский И.М., Пятковский О.И. Имитационное моделирование производственно-сбытовых процессов в интегрированных АСУП // Интегрированные АСУ предприятиями: Тезисы докладов всесоюзной конференции. -Новосибирск: ВЦ СО АН СССР, 1985.- С.139-141.

22. Владовский И.М., Пятковский О.И. Имитационное моделировние процессов оперативного управления сбытом на предприятии // Совершенствование систем управления предприятиями.-Новосибирск: ВЦ СО АН СССР,1987.-С. 17-23.

23. Воленко Е.В., Квичанский A.B., Терехов С.А. и др. Генетическая оптимизация сложных иерархических систем // Нейроинформатика и ее приложения: Тезисы докладов IV Всероссийского семинара / Под ред. А.Н.Горбаня.-Красноярск: КГТУ, 1996 . С. 122

24. Воронов A.A., Кондратьев Г.А., Чистяков Ю.В. Теоретические основы построения АСУ. М.:Наука, 1977. -232с.

25. Гаврилова Т.А., Червинская K.P. Извлечение и структурирование знаний для экспертных систем. М.:Радио и связь, 1992.- 200с

26. Гаджинский A.M. Основы логистики: Учеб. Пособие. М.: ИВЦ "Маркетинг",1995. - 124с.344

27. Галанский Б.Л., Поляков В.И. Информационные системы . Томск: Изд-во Том. ун-та, 1989 .- 154с.

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

29. Галушкин А.И., Фомин Ю.И. Нейронные сети как линейные последовательные машины. М.: Изд-во МАИ, 1991.

30. Глушков В.М. Основы безбумажной информатики.-2-e изд., испр. -М.: Наука, 1987. 552с

31. Горбань А.Н. Обобщение аппроксимационной теоремы Стоуна // Нейроинформатика и ее приложения: Тезисы докладов 5 Всероссийского семинара, 3-5 октября 1997 г. / Под ред. А.Н.Горбаня.- Красноярск: изд. КГТУ, 1997.- С. 59-62.

32. Горбань А.Н. Обучение нейронных сетей.- М.: изд. СССР-США СП "ParaGraph", 1990. 160 с.

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

34. Горбань А.Н., Миркес Е.М. Логически прозрачные нейронные сети для производства знаний из данных.- Красноярск: ВЦ СО РАН, 1997.- 12 с. (Рукопись деп. в ВИНИТИ 17.07.97, № 2434-В97)

35. Горбань А.Н., Миркес Е.М. Контрастирование нейронных сетей // Нейроинформатика и ее приложения: материалы 3-го Всеросийского семинара.-Красноярск: Изд-во КГТУ.- С. 78-79

36. Горелик А.Л., Гуревич И.Б., Скрипник В.А. Современное состояние проблемы распознавния: Некоторые аспекты. М.: Радио и связь, 1985. - 160с.

37. Горланов A.B. Компьютерные программы для финансового менеджера // Мир ПК.- 1995 .- № 5-6.- С. 116-123

38. Гуляев А.И. Временные ряды в динамических базах данных. -М.: Радио и связь, 1989. -128 с.

39. Гуменюк C.B. Разработка и исследование алгоритмического обеспечения задач управления сбытом готовой продукции. Киев: Б.и., 1982. - 168 с.

40. Данильченко И.А., Мясников В.А., Четверников В.И. Автоматизированные системы управления предприятиями. М: Машиностроение, 1984. - 324 с.

41. Денинг В., Эссинг Г., Маас С. Диалоговые системы "человек-ЭВМ". Адаптация к требованиям пользователя: Пер. с англ. М.: Мир, 1984. - 112с.

42. Денисов A.A., Колесников Д.Н. Теория больших систем управления: Учебное пособие для вузов. -Л.:Энергоиздат, Ленингр. Отд-ние,1982. 288с., ил.

43. Димов Э.М., Калиновский Д.А., Качков Д.А. К вопросу о технологии имитационного моделирования в экономических экспертных системах //

44. Моделирование неравновесных систем 98: Тезисы докладов первого всероссийского семинара . - Красноярск: КГТУ.- С. 148-149.

45. Дмитренко И.П. Комплексный критерий эффективности подсистемы сбыта и реализации продукции предприятия // Изв. ВУЗов. Машиностроение. -1981.- №3. С.142-146.

46. Дунин-Барковский B.JI. Информационные процессы в нейронных структурах. М.: Наука, 1978.

47. Евланов Л.Г., Кутузов В.А. Экспертные оценки в управлении. М.Экономика, 1978.-133 с.

48. Евстигнеев В.В., О.И. Пятковский О.И. Технологии искусственного интеллекта в информационных системах хозяйствующих субъектов // Ползу-новский альманах. г.Барнаул : изд-во АлтГТУ, 1998. - № 1. - С. 16-26.

49. Евстигнеев В.В. , Пятковский О.И. Автоматизированная информационная система "Производственный менеджмент" // Информационные системы в экономике, экологии и образовании: Сборник научных трудов. Барнаул: изд-во АлтГТУ, 1997.- С.65-72.

50. Ежов A.A., Шумский С.А. Нейрокомпьютинг и его применения в экономике и бизнесе. М.: МИФИ, 1998. - 224с.

51. Ефимов В.М., Комаров В.Ф. Введение в управленческие имитационные игры. М.: Наука, 1980. -372с.

52. Жимерин Д.Г., Мясников В.А. Автоматизированные и автоматические системы управления.- М.:Энергия, 1975. -680с.

53. Загоруйко Н.Г. Самообучающийся генетический алгоритм прогнозирования (LGAP)// Искусственный интеллект и экспертные системы.- Новосибирск, 1997.-вып.160:Вычислительные системы. С.80-94.

54. Загоруйко Н.Г., Елкина В.Н., Лбов Г.С. Алгоритмы обнаружения эмпирических закономерностей. Новосибирск: Наука, 1985.-110с.

55. Иванов H.H. Моделирование системы управления сбытом готовой продукции: Дисс. канд.экон. наук.- Л., 1979.-169с.

56. Имери В. Как сделать бизнес в Internet.- К.:Комиздат; Диалектика, 1997. -256 с.

57. Имитационное моделирование производственных процессов: Сб.тр.теоретич.семинара /Под ред. Н.Б.Мироносецкого.-Новосибирск,1979. -154с.

58. Имитационное моделирование экономических систем: Сб. статей / Под ред. К.А. Багриновского .-М.: Наука, 1978. -222 с.

59. Имитационное моделирование производственных систем / Под общ.ред.А.А.Вавилова.-М. :Машиностроение;Берлин;Техника, 1983. 416с.346

60. Интеллектуальные системы принятия проектных решений/ Алексеев, Борисов, Э.Р. Вилюмс, H.H. Слядзь, С.А. Фомин.-Рига:3инатне,1997.-З20с.

61. Информационные системы в экономике: Учебник/Под ред. проф. В.В. Дика. М.: Финансы и статистика, 1986. -272 с.

62. Информационные системы для руководителей/Ф.И. Перегудов, В.П. Та-расенко, Ю.П. Ехлаков, И.Д. Блатт, В.П. Бондаренко, В.А. Силич; Под ред. Ф.И. Перегудова. М.: Финансы и статистика, 1989.-176 с.

63. Искусственный интеллект: Применение в интегрированных производственных системах / Под ред. Э. Кьюсиака; Пер с англ. А.П. Фомина; Под ред. А.И. Дащенко, Е.В. Левнера. М.: Машиностроение, 1991. - 544 с.

64. Искусственный интеллект: В 3-х кн. Кн. 2. Модели и методы: Справочник / под ред. Д.А. Поспелова.- М.: Радио и связь, 1990.- 304 с.

65. Искусственный интеллект: В 3-х кн. Кн. 1. Системы общения и экспертные системы: Справочник / под ред. Э.В.Попова.- М.: Радио и связь, 1990.464 с.

66. Конев Д.Г. Выбор критериев управления деятельностью хозяйствующих субъектов // Информационные системы в экономике, экологии и образовании / Под ред. А.А.Цхая. Барнаул: изд-во АлтГТУ, 1997. - 192 с

67. Калиниченко Л.А., Рыбкин В.М. Машины баз данных и знаний.- М.: Наука. Гл. ред. физ.-мат. лит., 1990.- 296 с.

68. Калянов Г.Н. CASE структурный системный анализ (автоматизация и применения).- М. : Изд-во "Лори", 1996. 242 с.

69. Каминский А.Л. Финансовым аналитикам на заметку // Бухгалтерия и банки.- 1996.-№1. с. 33-37

70. Кендалл М. Ранговые корреляции.-М.:Статистика,1975.

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

72. Клышинский Э.С. К вопросу о принятии решений в интеллектуальных системах // Новые информационные технологии: Тез. докл. пятой международной студенческой школы семинара.-М: МГИЭМ, 1997.-391 с.

73. Комаров В.Ф. Управленческие имитационные игры и АСУ/Под ред. Н.Б.Мироносецкого.-Новосибирск-.Наука, СО АН СССР,1979.-256с.347

74. Конев Д.Г., Кабб И.Л., Пятковский О.И. Концепция адаптации АСУ "СИГМА" к условиям рыночной экономики // Региональные проблемы информатизации: Труды республиканской научно-технической конференции .Барнаул: Изд-во АлтГТУ,1995.- С.3-4.

75. Конев Д.Г., Блем А.Г., Пятковский О.И., Кабб И.Л. Автоматизированная информационная система организационно-экономического управления предприятием. Учебное пособие .- Барнаул: Изд-во АлтГТУ, 1998.-142с.

76. Косарев Ю.А. Естественная форма диалога с ЭВМ.-Л. Машиностроение, Ленингр.отд-ние, 1989.-143 с.

77. Котлер Ф. Основы маркетинга: Пер. с англ./Общ. Ред. и вступ. Е.М. Пень-ковой.-М.: Прогресс, 1993.-736 с.

78. Коутс Р., Влеймик И. Интерфейс "человек-компьютер":Пер. с англ.-М.: Мир, 1990.-501 с.

79. Кохонен Т. Ассоциативная память. М.: Мир, 1980.

80. Кохонен Т. Ассоциативные запоминающие устройства. М.: Мир, 1982

81. Кузин В.П. Управление сбытом в АСУП. М.:Энергия,1973. - 81с.

82. Левин К.А., Пятковский О.И. Программное обеспечение экспертной системы анализа финансового состояния предприятия" //Информационные системы в экономике, экологии и образовании: Сборник научных трудов.-Барнаул: АлтГТУ, 1997.-С.95-96.

83. Линденбаум В.А. Управление сбытом промышленного предприятия с дискретным характером производства на базе ЭММ и ЭВМ: Дисс.канд.экон.наук.-Л.: Б.и., 1971.-132 с.

84. Литтл Р.Дж. А., Рубин Д.Б. Статистический анализ данных с пропусками/Пер. с англ.-М: Финансы и статистика,1991.-336с.

85. Лорьер Ж.-Л. Системы искусственного интеллекта: Пер. с франц.-М.:Мир,1991.-568 с.

86. Люблинский Р.Н., Оскорбин Н.М. Методы декомпозиции при оптимальном управлении непрерывными производствами.- Томск: Изд-во Томского ун-та, 1979. 221с.

87. Любарский Ю.А. Интеллектуальные информационные системы. М.: Наука. Гл. ред. физ. - мат. лит., 1990. - 232 с.

88. Льюис К.Д.Методы прогнозирования экономических показателей/ Пер. с англ. и предисл. Е.З. Демиденко.-М.: Финансы и статистика, 1986.-133 с.348

89. Макетирование, проектирование и реализация диалоговых информационных систем: Под ред. Е.И. Ломако/Л.И. Гуков, Е.И. Ломако, A.B. Морозова и др.-М.: Финансы и статистика, 1993.-320с.

90. Максимей И.В. Имитационное моделирование на ЭВМ.-М.:Радио и связь, 1988.-232 с.

91. Масалович А.И. Нейронные сети в арсенале банкира // Бухгалтерия и банки. 1996.- № 4.- С.40-44

92. Математика и кибернетика в экономике. Словарь справочник. Изд. 2-е перераб. и доп. - М.: Экономика, 1975. - 700 с.

93. М. Месарович, Я. Такахара Общая теория систем: математические основы / перевод с англ. Э.Л. Наппельбаума под ред. C.B. Емельянова. М.: Мир, 1978.-312 с.

94. Месарович М., МакоД., Такахара И. Теория иерархических многоуровневых систем.- М.: Мир, 1973. 344с.

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

96. Миркес Е.М. Нейрокомпьютер. Проект стандарта. Новосибирск: Наука, 1998 .- 188 с.

97. Миркес Е.М. Логически прозрачные нейронные сети и производство явных знаний из данных //Нейроинформатика.- Новосибирск: Наука, Сибирская издательская фирма РАН, 1998. С.283-292.

98. Нейлор Т. и др. Машинные имитационные эксперименты с моделями экономических систем.- М.:Мир, 1975.

99. Нейроинформатика / А.Н.Горбань, В.Л.Дунин-Барковский, А.Н.Кирдин, Е.М.Миркес, А.Ю.Новоходько, Д.А.Россиев, С.А.Терехов, М.Ю.Сенашова, В.Г.Царегородцевю-Новосибирск: Наука, Сибирская издательская фирма РАН, 1998.-296 с.

100. Нечипоренко В.И. Структурный анализ систем, эффективность и на-дежность.-М. -.Сов.радио, 1977.-216с.

101. Одинцов Б.Е. Проектирование экономических экспертных систем: Учебное пособие для вузов. М.: Компьютер, ЮНИТИ, 1996.-166с.

102. Ойхман Е.Г., Попов Э.В. Реинжиниринг бизнеса: Реинжиниринг организаций и информационные технологии. М.:Финансы и статистика, 1997.-336с.

103. Осипов Г.С. Построение баз знаний на основе взаимодействия интерактивных методов приобретения знаний. I. Концептуальные элементы мо349дели мира. // Известия РАН. Теория и системы управления.- 1995.- №3.- С. 160

104. Оскорбин Н.М. Построение и анализ эмпирических зависимостей методом центра неопределенности /Информационные системы в экономике, экологии и образовании: Сборник научных трудов.-Барнаул: АлтГТУ, 1997.-С. 97-104

105. Осуга С. Обработка знаний: Пер. с япон. М.: Мир, 1989. -293 с.

106. Охонин В.А., Симонов К.А., Иванкова Е.И. Нейросетевая алхимия нелинейной динамики финансовых систем// Нейроинформатика и ее приложения: Тез. докл. VI Всероссийского семинара. Красноярск: КГТУ, 1998.- 207 с.

107. Пайтген Х.О., Рихтер П.Х. Красота фракталов. Образы комплексных динамических систем.- М.: Мир, 1993. -176 с.

108. Перегудов Ф.И., Тарасенко Ф.П. Введение в системный анализ: Учеб. пособие для вузов. -М.: Высш. шк., 1989.- 367 с.

109. Попов Э. В. Экспертные системы: Решение неформализованных задач в диалоге с ЭВМ. М.: Наука. Гл.ред. физ.-мат.лит., 1987.-288с.

110. Поспелов Д.А. Ситуационное управление.- М.: Знание, 1975.

111. Поспелов Д.А. Ситуационное управление основа прикладных интеллектуальных систем // Вестник МГТУ. Сер. Приборостроение. - 1995. - № 2.-С.З

112. Поспелов Д.А. Моделирование рассуждений. Опыт анализа мыслительных актов. М.: Радио и связь, 1989. - 184 с.

113. Практическое введение в технологию искусственного интеллекта и экспертных систем с иллюстрациями на Бейсике / Р.Левин, Д.Дранг, Б.Эделсон: Пер. с англ.; Предисловие М.Л.Сальникова, Ю.В.Сальниковой. -М.: Финансы и статистика, 1990. 239 с.

114. Представление и использование знаний: Пер. с япон./ Под ред. X. Уэно, М. Исидзука.-М.: Мир, 1989. -220 с.

115. Приобретение знаний: Пер. с япон. /Под ред. С. Осуги, Ю. Саэки.-М.: Мир, 1990.-304 с.

116. Пятковский О.И. Управление сбытом и реализацией готовой продукции на предприятии // Моделирование производственных процессов: Сборник научных трудов.-Новосибирск: ИЭ и ОПП СО АН, 1983.-С.69-77.

117. Пятковский О.И. Прогнозирование выполнения плана реализации в АСУП // Экономико-математические методы в управлении производством. -Новосибирск: Наука, 1983.- С.40-47.

118. Пятковский О.И. Основные элементы комплекса "Сбыт и реализация готовой продукции АСУ "СИГМА"// Организация систем управления промышленным производством. Барнаул: Б.и., 1984. - С.130-135.

119. Пятковский О.И., Левин К.А., Автоматизация бухгалтерского учета хозяйствующих субъектов // Региональные проблемы информатизации: Труды республиканской научно-технической конференции. Барнаул: Изд-во Ал-тГТУ, 1995.- С. 86-87.

120. Пятковский О.И. Подходы к построению внешних и внутренних интерфейсов информационных систем предприятий // Региональные проблемы информатизации: Труды республиканской научно-технической конференции .- Барнаул: Изд-во АлтГТУ,1995, С. 16-20.

121. Пятковский О.И. Информационная система управления производственными процессами предприятия // Конверсия, приборостроение, рынок: Материалы Международной научно-технической конференции. -Владимир: Владим.гос. ун-т, 1997 . С.28-30

122. Пятковский О.И. , Бутаков C.B. Применение нейронных сетей в советующих информационных системах предприятий // Нейроинформатика и ее приложения: Тезисы докладов V Всероссийского семинара .- Красноярск: КГТУ, 1997.- С. 146.

123. Пятковский О.И. Интеллектуальные интерфейсы в информационных системах предприятий // Информационные системы в экономике, экологии и образовании: Сборник научных трудов.-Барнаул: изд-во АлтГТУ, 1997.-С.117-125.

124. Пятковский О.И. Имитационное моделирование системы поставок продукции потребителям // Моделирование неравновесных систем -98: Тезисы докладов Первого всероссийского семинара. Красноярск:КГТУ, 1998.-С.95-97.

125. Пятковский О.И. Информационная система поддержки принятия решений и оценки бизнеса предприятия // Экономика для менеджеров: Межвузовский сборник научных трудов. Барнаул: Издательство Алт.ГТУ, 1998.-С. 94-99.

126. Пятковский О.И. Вопросы построения интеллектуальных информационных систем предприятий // Первая краевая конференция по математике, посвященной 25-летию Алтайского госуниверситета: Материалы конференции. Барнаул: Изд-во АГУ, 1998.- С. 38-39.

127. Пятковский О.И. Информационная система производственно-финансового менеджмента предприятия // Информационные технологии в экономике: Сборник материалов межрегиональной научно-практической конференции.- Пенза: Приволжский Дом знаний, 1998 С.23-25.

128. Пятковский О.И. Нейросетевые технологии в интеллектуальных информационных системах предприятий // Искусственные нейронные сети в информационных технологиях: Тезисы третьего всероссийского семинара .-Снежинск: РФЯЦ-ВНИИТФ, 1998. С. 36-38.

129. Пятковский О.И. Приложения нейроинформатики в информационных системах предприятий // Нейроинформатика и ее приложения: Тезисы докладов VI Всероссийского семинара.- Красноярск: КГТУ, 1998.- С. 152.

130. Пятковский О.И. Имитационное моделирование системы поставок продукции потребителям // Моделирование неравновесных систем-98: Тезисы докладов I Всероссийского семинара.- Красноярск: КГТУ, 1998. С. 95-97

131. Пятковский О.И., Бутаков С.В. Реализация системы оценки финансово-хозяйственной деятельности с использованием методов искусственного интеллекта // Экономика и бизнес XXI век: Межвузовский сборник научных трудов.- Барнаул: АлтГТУ,1998. С. 136-141.

132. Пятковский О.И., Д.В. Рубцов, Бутаков С.В.,Левин К.А. Информационная система анализа экономического состояния предприятия. // Известия Алтайского государственного университета . 1998. - №4 .- С. 58-61.

133. Pyatkovsky O.I., Rubtsov D.V., Butakov S.V. The intellectual information system for financial analysis //The Third Russian-Korean International Symposium on Science and Technology, Vol. l,1999.-p.279

134. Пятковский О.И. Автоматизация поиска информации в глобальной сети INTERNET при организации внешних связей хозяйствующего субъекта // Глобализация в экономике и образовании: Сборник докладов Международной конференции. Барнаул: АлтГТУ,1999.- С.30 - 32.

135. О.И. Пятковский, Д.В. Рубцов, С.В. Бутаков Система анализа финансово-хозяйственных показателей деятельности предприятия // Информационные технологии. 1999.- №8. - С. 31-34.

136. Пятковский О.И. Разработка гибридных моделей с нейросетевыми компонентами в информационных системах поддержки принятия решений //353

137. Нейроинформатика и ее приложения: Тезисы докладов VII Всероссийского семинара/под ред. А.Н. Горбаня . Красноярск: КГТУ, 1999.- С. 116.

138. Пятковский О.И., Левин К.А. Интеллектуальные интерфейсы в информационных системах с нейросетевыми элементами // Нейроинформатика и ее приложения: Тезисы докладов VII Всероссийского семинара /под ред. А.Н. Горбаня. Красноярск: КГТУ, 1999.- С. 95.

139. Пятковский О.И. Интеллектуальные компоненты автоматизированных информационных систем управления предприятием: Монография -г.Барнаул": АлтГТУ.-1999.- 351 с.

140. Пятковский О.И., Бутаков C.B., Рубцов Д.В. Методы построения интеллектуальных информационных систем анализа хозяйственной деятельности предприятий. г.Барнаул: АлтГТУ. - 1999. - 168 с.

141. Пупков К.А. Интеллектуальные системы: проблемы теории и практики// Изв. вузов. Приборостроение.- 1994, т.37.- № 9 10.

142. Рахилькин A.B. Логистика фирмы.-Новосибирск:Новосибирское книжное издательство, 1997.-116с.

143. Редкозубов С.А. Статистические методы прогнозирования в АСУ.-М.:Энергоиздат, 1981.-152 с.

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

145. Россиев A.A. Моделирование данных при помощи кривых для восстановления пробелов в таблицах//"Методы нейроинформатики" :Сб. научн. трудов/ под ред.А.Н.Горбаня.- Красноярск:КГТУ,1998.-С.6-22.

146. Рустамов К.А., Бабанлы Д.Ю. Вероятностные модели прогноза реализации готовой продукции в условиях АСУП// Механизация и автоматизация управления.-1983.-№4.-С.8-11.

147. Силич М.П., Яримпилова Б.Б. Оболочка экспертных систем, ориентированных на функциональные сети // Природные и интеллектуальные ресурсы Сибири:Тезисы докладов 4-й международной НТК / Отв. Ред. В.Н.Масленников. Томск: ТУ СУР, 1998.- С. 277.

148. Силич М.П. Метод формирования гибридных моделей и инструментальный комплекс для построения экспертных систем. Дисс. . канд. техн. наук. - Томск, 1993. - 145 с.

149. Силич В.А. Проектирование автоматизированных систем управления на основе иерархических семантических моделей: Дисс. . д-ра техн. наук. -Томск, 1995.-348 с.

150. Системы R/2-Краткая информация о системах. -D-69190 Walldorf: АО S АР, 1993.-99с.

151. Соболева Н. Программа для финансового анализа предприятия// Аудиторские ведомости .- 1998.- № 1.355

152. Советов Б.Я., Цехановский B.B Автоматизированное управление современным предприятием.-JI. Машиностроение. Ленингр.отд-ние, 1988.-168с.

153. Советов Б.Я. Информационная технология: Учеб. для вузов по спец. "Автоматизир. системы обработки информ. и упр.". М.: Высш. шк., 1994. -368 с.

154. Сойер Б., Фостер Д.Л. Программирование экспертных систем на Паскале: Пер. с англ.; Предисловие В.П. Иванникова.-М.: Финансы и статистика, 1990.-191 с.

155. Соломатин, С.А. Мартынчик, Е.К. Пугачев и др. Куда идут экспертные системы?// Вестник МГТУ. Сер. Приборостроение.- 1995.- № 2

156. Статические и динамические экспертные системы: Учеб. Пособие/ Э.В. Попов, И.Б. Фоминых, Е.Б. Кисель, М.Д. Шапот.- М.: Финансы и статистика, 1996.-320с.

157. Стоянова Е.С. Финансовый менеджмент. Российская практика.-М.: Перспектива, 1995.-194с.

158. Таунсенд К., Фохт Д. Проектирование и программная реализация экспертных систем на персональных ЭВМ: Пер. с англ./Предисл. Г.С. Осипова. -М.: Финансы и статистика, 1990.-320 с.

159. Терехов С.А. Нейросетевые информационные модели сложных инженерных систем // Нейроинформатика.- Новосибирск: Наука, Сибирская издательская фирма РАН, 1998.-С. 101-136.

160. Терехов С.А. Прямые, обратные и смешанные задачи в нейросетевом моделировании сложных инженерных систем // Нейроинформатика и ее приложения: Тезисы докладов IV Всероссийского семинара / Под ред. А.Н. Горбаня.- Красноярск: КГТУ, 1996 .- С. 122.

161. Титов В.В. Системный анализ экономического состояния предприятия// Финансовая стратегия в управлении предприятием: Сборник научных трудов /Под ред. д.э.н. В. В. Титова ,к.э.н. З.В. Коробковой. -Новосибирск: ИЭ и ОПП СО РАН, 1997.- С. 5-12.

162. Уоссермен Ф. Нейрокомпьютерная техника.- М.: Мир, 1992

163. Федер Е. Фракталы. М., Мир, 1990.

164. Фещур Р.В. Совершенствование технологии планирования сбытовой деятельности предприятия// Механизация и автоматизация управления.-1987.-№2.- С.13-16.356

165. Фор А. Восприятие и распознавание образов/Пер. с фр. A.B. Середин-ского; под ред. Г.П.Катыса.-М. : Машиностроение, 1989.-272 с.

166. Форрестер Дж. Основы кибернетики предприятия-М.¡Прогресс, 1971.-340с.

167. Хант Э. Искусственный интеллект: Пер. с англ. Белова JI.A., Крюкова Ю.И. /Под ред. В.Л.Стефанюка.- М.: Мир, 1978.- 558 с.

168. Царегородцев В.Г. Нейроимитатор NEUROPRO // Нейроинформатика и ее приложения: Тез. докл. VI Всероссийского семинара, 2-5 октября 1998 г. / Под ред. А.Н.Горбаня.- Красноярск: КГТУ, 1998.- 207 с.

169. Черняк Ю.И. Системный анализ в управлении экономикой.-М:Экономика, 1975.-191 с.

170. Шеремет А.Д., Сайфулин P.C. Методика финансового анализа.-М. :ИНФРА-М, 1995.-176с.

171. Шеннон Р. Имитационное моделирование систем- искусство и наука.-М.:Мир, 1978.-422с.

172. Шилейко A.B., Кочнев В.Ф., Химушин Ф.Ф. Введение в информационную теорию систем / Под ред. A.B. Шилейко. М.: Радио и связь, 1985. - 280 с.

173. Шукис A.A. Системный подход и его основные принципы,-Барнаул:Б.и., 1980.-68с.

174. Шумский С.А., Яровой A.B., Лукьяница A.A. Нейросетевое предсказание финансовых временных рядов// Теория и приложения искусственных нейронных сетей : Тезисы III рабочего семинара.-Снежинск: РФЯЦ -ВНИИТФ, 1998.-С. 46.

175. Шуремов Е. Компьютерный анализ бизнеса// Мир ПК.- 1998.-№ 1.-С. 80-83.

176. Экономика, разработка и использование программного обеспечения ЭВМ: Учебник/ В.А. Благодатских, М.А.Енгибарян, Е.В. Ковалевская и др.-М.: Финансы и статистика, 1995.-288с.

177. Экономическая стратегия фирмы.Учебное пособие/Под ред. проф. Градова.- Санкт-Петербург:Специальная литература, 1995.-414 с.

178. Экспертные системы. Принципы работы и примеры/Пер. с англ.; под ред. Р.Форсайта.-М.: Радио и связь, 1987.-191с.

179. Элти Дж., Кумбс М. Экспертные системы: концепции и примеры/Пер. с англ. и предисл. Б.И. Шитикова.- М.: Финансы и статистика, 1987. -191 с.

180. Эрлих A.A. Технический анализ товарных и финансовых рынков. Прикладное пособие.-М.:ИНФРА.-М, 1996.-176с.

181. Юдин Д.Б. Задачи и методы стохастического программирования.-М.:Сов.радио. 1979.-392 с.

182. A.Famili, Wei-Min Shen, Richard Weber, Evangelos Simoudis. Data preprocessing and intelligent data analysis. / Intelligent data analysis vol. 1, Number 1, January 1997.357

183. Ferretti C., Mauri G. NNET: some tools for neural Networks simulation // 9th Annu. Int. Phoenix Conf. Comput. and Commun., Scottsdate, Ariz., March 2123, 1990.- Los Alamitos (Calif.) etc., 1990.- PP. 38-43.

184. Fu H.C., Shann J.J. A fuzzy neural network for knowledge learning // Int. J. Neural Syst.- 1994.- V.5, N.I.- P. 13-22.

185. Girosi F., Jones M., and Poggio T. "Regularization Theory and Neural Networks Architectures". Neural Computation, Vol.7, pp.219-269, 1995.

186. Heht-Nielsen R. Theory of the backpropagation neural network. Neural Networks for Human and Mashine Perception. H.Wechsler (Ed.). Vol. 2. Boston, MA: Academic Press, 1992.- PP. 65 -93.

187. Hopfield J.J. Neural Networks and physical systems with emergent collective computational abilities//Proc. Nat. Sci. USA.- 1982.- Vol.79.- P. 25542558.

188. Hristev R.M. The ANN Book.-1998.- 374 p. ftp.funet.fi/pub/sci/neural/books

189. John J. Murphi Technical Analysis of the Futures Markets, 1986

190. Jondarr C.G. Back propagation family album. Technical report C/TR96-05, Macquarie University, 1996.- 72 p.

191. Kohonen T., "Self-organized formation of topologically correct feature maps", Biological Cybernetics, Vol. 43, 1982.-pp.59-69,

192. Kohonen T., Self-Organizing Maps, Springer, 1995.

193. Newell A., Simon M.A. Humon problem solving.-Englewood Cliffs, New Jersey: Prentice-Hall, 1972.

194. O'Learly T.J., Brian K. Williams Computers and information systems, second edition, The Benjamin/Cummings publishing company, inc.-687p.

195. Sarle W. Stopped training and other remedies for overfitting. In Proc. of the 27th Symposium on the Interface, 1995/-10 p.

196. Sauer, T., Yorke, J.A., and Casdagli, M. (1991). "Embedology". Journal of Statistical Physics. 65 .- p.579-616.

197. Tin-Yau Kwok, Dit-Yan Yeung. Constructive feedforward neural networks for regression problems: A Survey- Tech. Rep. HKUST-CS95-43, University of Hong Kong, 1995.-30 p.

198. Svith Adrian and De Cani An Phillip algorithm to optimize the layout of boxes in pallets/ The Journal of the operational reseach Society.-1980.-№7.-p.573-578.

199. Honavar V., L. Uhr. Integrating Symbol Processing and Connectionist Networks. Invited chapter. In: Intelligent Hybrid Systems. 1995, pp. 177-208. Goonatilake, S. and Khebbal, S. (Ed.) London: Wiley.

200. Kemsley, D.H., T. R. Martinez. A Survey of Neural Network Research and Fielded Applications// International Journal of Neural Networks: Research and Applications, vol. 2, No. 2/3/4, 1992.- pp. 123-133

201. Sarle W. Frequent asked question on neural network, ftp ://ftp. sas. com/pub/neural/FAQ.html358

202. Sarle W. Neural networks and statistical models. In Proc. of 19th Annual SAS users group international conference, 1994, 13 p. ftp://ftp.sas.com/pub/neural/inter95.ps.

203. Маккалок Дж., Питтс У. Логические исчисления идей, относящихся к нервной деятельности// Автоматы.- М.: ИЛ, 1956.

204. Poggio T. and F. Girosi A Theory of Networks for Approximation and Learning MIT AI memo 1140, 1989.- 87 p.

205. Olmsted D. D. History and Principles of Neural Networks http://www.neurocomputing.org/history.htm

206. Bishop C.M. Theoretical foundation of neural networks. Aston Univ., UK Tech.Rep.NCRG-96-024, Neural computing research group, 1996.- 8p.

207. Lizhong Wu and John Moody. A Smoothing Regularizer for Feedforward and Recurrent Neural Networks Neural Computation 8:3, 1996.

208. Bishop C.M. Regularization and complexity control in feed-forward networks. Aston University, Tech.Rep.NCRG-95-022, Neural computing research group, 1995.- 8p

209. Amari, S., N. Murata, K.-R. Muller, M. Finke, H. Yang. Asymptotic Statistical Theory of Overtraining and Cross-Validation. METR 95-06, Department of Mathematical Engineering and Information Physics, University of Tokyo, 1995

210. Bishop C.M. Novelty Detection and Neural Network Validation. IEE Proceedings: Vision, Image and Signal Processing. 1995.- PP 217—222.

211. Fiesler E. Neural network classification and formalization. Computer Standarts and interfaces, v. 16, Elseiver Science publishers, Amsterdam, 1994.-13p.

212. Neural Bench. Теория по нейронным сетям. http://www.neuralbench.ru/theorv/

213. Honavar V., L. Uhr. Generative Learning structures for Generalized Connectionist Networks.-Information Sciences 70 (1-2): 1993.- PP 75-108

214. Parekh, R., Yang, J., Honavar, V. Constructive neural network learning algorithms for multi-category real-valued pattern classification. Tech.rep. ISU CS-TR 97-06. 1997.

215. Fahlman S., C. Lebiere. The cascade-correlation learning architecture. Tech.rep. CMU-CS-90-100, Carnegie Mellon University, 1990.359

216. Treatgold N., Т. Gedeon. A cascade network algorithm employing progressive RPROP. Gedeon, 1997. http://www.cse.unsw.edu.au

217. Mohraz K., P.Protzel. FlexNet a flexible neural network construction algorithm. 1996. http://www.physik.uni-marburg.de/bio/mitarbei/karim

218. Ash Т. Dynamic node creation in back-propagation networks. Technical report 8901. Institute for Cognitive Science, San-Diego, 1989

219. MacGarry K., S.Wermter, J.MacIntyre. Hybrid neural system: from simply coupling to fully integrated neural network// Neural computing surveys, 2, 1999.-PP. 62-93.

220. Towell G. G., J. W. Shavlik. The Extraction of Refined Rules from Knowledge-Based Neural Networks. Machine Learning, 13, 1993.-PP. 71-101

221. Mahoney J. J. Combining Symbolic and Connectionist Learning Methods to Refine Certainty-Factor Rule-Bases. Ph.D. Thesis, Department of Computer Sciences, University of Texas at Austin, 1996.

222. Sarle W. How to measure importance of inputs? SAS Institute Inc. 1998. ftp://ftp.sas.com/pub/neural/

223. Thgoh F.W. Semantic extraction using neural network modeling and sensitivity analysis. Institute of system science. Singapore. 1991. ftp://archive.cis.ohio-state.edu/pub/neuroprose

224. Коченов Д.А., Миркес E.M., Россиев Д.А. Метод подстройки параметров примера для получения требуемого ответа нейросети // Нейроинформа-тика и ее приложения. Тез. докл. Всероссийского рабочего семинара.- Красноярск: КГТУ, 1994.- С.39.

225. Kindermann, J., Linden, A. Inversion of Neural Networks by Gradient Descent//Parallel Computing, 14, 1990, pp. 277-286.

226. Гилева JI.В., Гилев С.Е., Горбань А.Н. Нейросетевой бинарный классификатор "CLAB" (описание пакета программ).- Красноярск: Ин-т биофизики СО РАН, 1992.- 25 с. Препринт № 194 Б.

227. Компания «Нейропроект». http://www.neuroproject.ru/

228. Нейроимитатор «Neural bench», http://www.neuralbench.ru/.

229. Пакет программ «NeuroOffice». http://canopus.lpi.msk.su/neurolab/

230. California Scientific Software, http://www.calsci.com/

231. Stuttgarter Neural Network Simulator. University of Tuebingen. Germany. http://www-ra.informatik.uni-tuebingen.de/SNNS.

232. MATLAB Neural Network Toolbox.360http://kalman.iau.dtu.dk/Projects/proj/nnsysid.html

233. Smieja F.J. Multiple Network System (MINOS) modules: task division and module discrimination. In Proc. of 8th AISB conference on Artificial Intelligence, Leeds, 1991

234. Jabri M. A users guide to the MUME system. Technical report. Systems engineering and design automation laboratory. University of Sydney, 1992.-135 p.

235. M.de Francesco. Functional network. A new computational framework for specification, simulation and algebraic manipulation of modular neural systems. PhD Thesis, University of Geneva. 1994.- 128 p.

236. Wilson D.R., T.R. Martinez. Improved heterogeneous distance functions. Journal of Artificial Intelligent Research No. 6, 1997.- 32 p.

237. Mathematical Markup Language (MathML) Version 2.0.W3C Working Draft, http://www.w3.org/TR/2000/WD-MathML2-20000211.

238. The SGML/XML Web Page Extensible Markup Language (XML). http://www.oasis-open.org/cover/xml.html.

239. MSDN XML Developer Center, http://msdn.microsoft.com/xml/default.asp.

240. Печерский А. Язык XML. Практическое введение, www.citforum.ru.

241. Document Object Model, http://www.w3 .org/DOM/.

242. Рубцов Д.В. Разработка стандартизованного формата описания нейро-сетевых моделей на основе средств XML // Материалы третьей краевой конференции по математике Барнаул: Изд-во АТУ, 2000. - С. 43-45.

243. XML Parser. ICOM Datenverarbeitungs GmbH, http://www.icom-dv.de/xml/.

244. Доррер М.Г. Аппроксимация многомерных функций полутораслойным предиктором с произвольными преобразователями // Методы нейроинформатики. Сб.научн.трудов./ Под ред. А.Н. Горбаня.- Красноярск: КГТУ, 1998.- С.130-151.

245. Гилева JI.B., Гилев С.Е., Горбань А.Н., Гордиенко П.В., Еремин Д.И., Коченов Д.А., Миркес Е.М., Россиев Д.А., Умнов Н.А. Нейропрограммы// Учебное пособие: В 2 ч. Красноярск: КГТУ, 1994.- 260 с.

246. ПЕРЕЧЕНЬ УСЛОВНЫХ ОБОЗНАЧЕНИЙ

247. Автоматизированная Система Управления Предприятием База Данных База Знаний

248. Декларативная Модель Предметной Области1. Естественный Язык1. Искусственный Интеллект

249. Искусственная Нейронная Сеть1. Информационная Система1. Информационная Технология

250. Локальная Вычислительная Сеть1. Лицо, Принимающее Решения

251. Ограниченный Естественный Язык

252. Объектно-ориентированное Программирование1. Представление Знаний1. Персональный Компьютер

253. Процедурная Модель Предметной Области

254. Поддержка Принятия Решений

255. Персональная Электронно-вычислительная Машина1. Семантическая Сеть

256. Система Управления Базами Данных

257. Финансово-Хозяйственная Деятельность

258. Хозяйственная Деятельность

259. Экономическая Информационная Система1. Экспертная Система364