НЕЙРОДИНАМИЧЕСКИЕ МЕТОДЫ И МОДЕЛИ ИДЕНТИФИКАЦИИ СЛОЖНЫХ ЭКОНОМИЧЕСКИХ СИСТЕМ

Краткое описание

МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ,
МОЛОДЕЖИ И СПОРТА УКРАИНЫ
ДОНЕЦКИЙ НАЦИОНАЛЬНЫЙ УНИВЕРСИТЕТ

На правах рукописи

ХМЕЛЁВ Александр Геннадиевич

УДК 330.46.161.7:04.7.28

НЕЙРОДИНАМИЧЕСКИЕ МЕТОДЫ И МОДЕЛИ ИДЕНТИФИКАЦИИ СЛОЖНЫХ ЭКОНОМИЧЕСКИХ СИСТЕМ

08.00.11 – математические методы, модели
и информационные технологии в экономике

Диссертация на соискание ученой
степени доктора экономических наук

Научный консультант:
доктор экономических наук, профессор
член-корреспондент НАН Украины
Лысенко Юрий Григорьевич

Донецьк – 2012

СОДЕРЖАНИЕ
Введение 5
Раздел 1. Нейросетевая идентификация сложных экономических систем 16
1.1. Проблемы идентификации сложных экономических систем. 24
1.2. Задачи и информационное обеспечение идентификации сложных экономических систем 27
1.3. Методы и средства идентификации сложных экономических систем 34
Выводы 50
Раздел 2. Концепция нейросетевой идентификации сложных экономических систем 51
2.1. Методы обработки экономической информации для нейросетевой идентификации сложных экономических систем 53
2.2. Декомпозиция информационных потоков сложных экономических систем 58
2.3. Идентификация скалярных динамических микромоделей СЭС 60
2.4. Характеристика средств комплексной нейросетевой идентификации сложных экономических систем 62
Выводы 68
Раздел 3. Методы предварительной обработки экономической информации в задачах нейросетевого моделирования 69
3.1. Обучающее множество нейросетевой идентификации сложных экономических систем 71
3.2. Анализ и фильтрация временных рядов сложных экономических систем 82
3.5. Идентификация динамических характеристик информационных каналов сложных экономических систем 102
3.4. Активная идентификация информационных каналов сложных экономических систем 112
Выводы 117
Раздел 4. Архитектура нейродинамических моделей идентификации сложных экономических систем 118
4.1. Идентификации экономических систем с применением ассоциативных нейромашин 118
4.2. Принципы архитектурной композиции информационных потоков сложных экономических систем в динамических нейросетевых моделях 132
4.3. Моделирование сложных экономических систем на основе локально рекуррентных нейронных сетей 137
4.3. Моделирование экономической динамики на основе нейронных сетей с временными задержками в обратных связях 148
4.4. Прогнозирование динамики сложных экономических систем с помощью нейронных сетей 156
Выводы 168
Раздел 5. Эволюционные методы и нейросетевые модели идентификации сложных экономических систем 169
5.1. Методы эволюционного формирования архитектуры нейросетевых моделей сложных экономических систем 169
5.2. Методы снижения вычислительной емкости многокритериального эволюционного поиска оптимальной структуры нейронной сети 182
5.3. Генетический алгоритм адаптивного формирования нейросетевых моделей сложных экономических систем. 189
Выводы 195
Раздел 6. Параметрическая идентификация нейросетевых моделей сложных экономических систем 196
6.1. Анализ методов обработки экономической информации в условиях априорной неопределенности 196
6.2. Методы нейросетевой параметрической идентификации сложных экономических систем 211
6.3. Методы оптимизации емкости нейросетевых моделей сложных экономических систем 220
6.4. Средства контроля адекватности нейросетевых моделей сложных экономических систем 237
Выводы 248
Раздел 7. Реализация нейросетевой идентификации сложных экономических систем в практике предприятий 249
7.1. Идентификация ключевых показателей производства угледобывающего предприятия 249
7.2. Нейросетевые модели динамического планирования производства сооружения выработок в изменчивых условиях 266
7.3. Оценка производительности труда на угледобывющих предприятиях с нейросетевым контуром управления в системах поддержки принятия решений 289
7.4. Моделирование процессов управления производственно-сбытовым контуром с использованием информационно-аналитической системы 294
Выводы 304
Заключение 305
Список использованных источников 309
Приложение А. Акты и справки о внедрении 337
Приложение Б. Параметрическая идентификация ИК СЭС 349
Приложение В. Листинг МФИ СЭС. 350

ВВЕДЕНИЕ
Актуальность темы. Факторы развития отечественной экономики в по-следнее десятилетие существенно зависят от решения проблемы своевременной и адекватной идентификации сложных экономических систем (предприятий, учреждений, организаций, и т.д.). Возможности эффективного решения этой проблемы на качественно новом уровне обусловлены ростом роли информационных технологий в сопровождении процессов принятия решений в последние десятилетия.
Определяющая роль информационных технологий в процессах управления сложными экономическими системами наблюдается в экономиках практически всех стран мира. Так, по информации Всемирного экономического форума рейтинг глобальной конкурентоспособности стран (GCI), в котором Украина за 2011-2012 г.г. занимает 82 место, напрямую зависит от индекса сетевой готовности (NRI). Рост уровня инвестиционной деятельности с 8045,5 млн. грн. в 2010 г. до 14333,9 млн. грн. в 2011 г. позволил переместиться Украине в индексе NRI с 90-го места на 75-е, что является позитивным сигналом. Однако это свидетельствует о росте объемов и размерности обрабатываемой информации при управлении сложными экономическими системами в Украине и не позволяет оценить уровень качества ее использования. Это обусловлено тем, что экономико-математические модели, которые используются в настоящее время, не отвечают обозначенным со-временным потребностям, что определяет существо проблемы идентификации сложных экономических систем.
Сложная экономическая система является множеством гиперсвязанных на коммуникационном, информационном, экономическом и техническом уровнях подсистем, в которых протекают соответствующие взаимосвязанные бизнес-процессы. Поэтому результатом идентификации сложных экономических систем должно быть конечное множество существенно многомерных, динамических и нелинейных экономико-математических моделей, предназначенных для последующего их использования в системах поддержки принятия решений. В связи с этим применение современных нейродинамических методов, моделей и вычислительных технологий для идентификации сложных экономических систем позволяет в значительной степени решить данную проблему или минимизировать ее остроту.
Нейродинамические методы базируются на теории нейронных сетей и предназначены в первую очередь для моделирования многомерных динамических процессов. Полученные с их помощью нейросетевые модели характеризуются большим объемом обрабатываемых данных, а также топологической и параметрической нестационарностью, возникающей в ходе их циклической идентификации. Именно поэтому данный математический аппарат является наиболее адекватным инструментом для решения проблемы идентификации сложных экономических систем, как в настоящее время, так и в ближайшей перспективе.
Теоретические и практические аспекты выбора формализованных методов генерации и использования экономико-аналитических функций нашли свое отражение в работах, в частности: В. Н. Андриенко, В. М. Гееца, Т. С. Клебановой, В. А. Забродского, Ю. Г. Лысенко, А. И. Пушкаря, Л. Н. Сергеевой и др., среди которых отмечаются перспективы построения, обучения и использования нейронных сетей для решения указанных задач.
Теоретические основы аппарата искусственных нейронных сетей в задачах моделирования были исследованы в работах украинских и российских ученых: А. И. Галушкина, В. А. Головко, А. Н. Горбаня, А. Н. Колмогорова, Б. Б. Нестеренко, М. А. Новотарского, С. А. Терехова и др. Среди зарубежных авторов спектр работ по данному направлению представлен шире. В течение последних лет мировое научное сообщество наиболее часто отмечает, что весо-мый вклад в развитие математических основ данного направления внесли исследователи: С. Амари, Т. Антасио, В. Вапник, С. Гросберг, К. Диамантарас., С. Дуглас, Ф. Усармен, Б. Уидроу, Т. Кохонен, С. Холден, Э. Осуна, Р. Тьюринг, Ф. Розенблат, Р. Линксер, В. Черкасский, М. Форкада, С. Хайкин, Д. Хеб., Р. Хехт-Нильсен, Д. Хопфилд, Х. Янг и др. Практический аспект нашел свое отражение, как в работах вышеназванных авторов, так и в публикациях В. В. Борисова, В. В. Круглова, Е. В. Харитонова, В. Г. Царегородцева и др.
Итак, современная экономика Украины имеет большой, но пока неиспользованный потенциал для экономического роста за счет внедрения нейродинамических методов и моделей идентификации бизнес-процессов, как на уровне предприятий, так и на макроуровне отраслей и регионов, которые в первую очередь ориентированы на эксплуатацию вычислительных возможностей существующих компьютерных парков предприятий и организаций.
Нейронные сети в силу своей нелинейности, многомерности и архитектурного разнообразия являются универсальным инструментом решения указанных задач, они являются эффективным инструментом, как для имитационного моделирования в исследовательских целях, так и для построения готовых систем поддержки принятия решений. Однако в экономической нейроматематике, как науке, много успешных решений получено на основании интуиции и опыта разработчиков, поэтому немалое количество практических реализаций нейросетевых решений на предприятиях и в организациях не имеет четких научно обоснованных концепций построения, обучения и использования нейронных сетей.
Таким образом, решение проблемы нейродинамической идентификации сложных экономических систем является актуальной задачей, что обусловило выбор темы диссертации, ее цели и задачи.
Связь работы с научными программами, планами, темами.
Диссертация выполнена в рамках госбюджетных тем кафедры экономической кибернетики Донецкого национального университета Министерства образования и науки, молодежи и спорта Украины (г. Донецк): Г-11/44 "Моделирование процессов управления предприятия", номер государственной регистрации 0111U005691 (разработана нейродинамическая модель прогнозирования ключевых показателей производства); Г-11/46 "Моделирование жизнеспособных систем", номер государственной регистрации 0111U005693 (разработана модель идентификации временных рядов жизнеспособных систем); Донбасского государственного технического университета Министерства образования и науки, молодежи и спорта Украины (г. Алчевск): 24-К "Нейросетевая идентификация сложных экономических систем", номер государственной регистрации 0110U007606 (разработаны методы и модели идентификации сложных экономических систем); 123-ГБ "Системное обоснование и разработка многоуровневой модели функционирования горнопроходческих работ", номер государственной регистрации 0103U002534 (разработаны методы, алгоритмы и программное обеспечение нейросетевого моделирования работ для выбора и оптимизации технологической схемы работ); 152-ГБ "Разработка теоретических основ управления метановыделения и прогноз добычи шахтного метана с учетом геомеханических процессов", номер государственной регистрации 0107U001471 (разработаны математические модели и программное обеспечение сингулярного спектрального анализа динамики производственных процессов на угледобывающем предприятии); 51-К "Нейродинамические методы, модели и технологии в оптимизации процессов управления на крупных промышленных предприятиях", номер государственной регистрации 0112U005565 (разработаны методы и программное обеспечение эволюционного поиска топологии нейросетей, предназначенные для оптимизации бизнес-процессов промышленных предприятий).
Цель и задачи исследования. Целью диссертационной работы является разработка комплекса нейродинамических моделей и методов идентификации сложных экономических систем для анализа, прогнозирования и оптимизации бизнес-процессов.
В соответствии с целью поставлены и решены следующие задачи:
– проведен анализ причин сложности экономических систем в архитектурном, функциональном и динамическом (временном) аспектах;
– исследованы архитектурные решения динамических нейросетевых моделей для использования в решении задач экономико-математического моделирования сложных экономических систем;
– разработана концепция нейродинамической идентификации сложных экономических систем с применением аппарата нейронных сетей, обучающихся на основе моделей отдельных информационных каналов;
– разработан метод многомерной декомпозиции бизнес-процессов предприятия как сложной экономической системы на отдельные информационные каналы;
– разработан метод формализованной классификации информационных каналов предприятия по характеру протекающих в них бизнес-процессов;
– разработаны нейродинамические модели на основе ассоциативных нейромашин, в которых учтена разрывность аппроксимирующих пространств сложных экономических систем непрерывно-дискретного типа, что позволяет повысить качество экономико-математического моделирования таких систем;
– разработан метод формализованной структурной и параметрической идентификации динамических процессов в информационных каналах сложных экономических систем;
– разработан метод идентификации динамических характеристик сложных экономических систем на основе сингулярного спектрального анализа временных рядов;
– разработаны модели прогнозирования и оценки состояния ключевых показателей производства и оптимизации системы бюджетирования предприятия на их основе;
– исследованы модели информационных каналов предприятия, как при непосредственном моделировании их динамических характеристик, так и в качестве источника данных для построения обобщающих массивов искусственных обучающих выборок;
– проведен анализ методов обучения нейронных сетей в задачах идентификации сложных экономических систем и оценка условий применения каждого из этих методов в зависимости от характеристик обобщенной обучающей выборки;
– разработан эволюционный метод обучения и формирования топологии нейронных сетей для управления сложными экономическими системами;
– разработана распределенная система обучения нейронных сетей, которая позволяет решить проблему вычислительной сложности процесса эволюционного построения обобщающей динамической нейросетевой модели масштаба предприятия;
– разработаны организационные методы внедрения нейродинамических систем поддержки принятия решений идентификации сложных экономических систем.
Объектом исследования является процесс идентификации сложных эко-номических систем.
Предметом исследования являются нейродинамические методы и модели идентификации динамических характеристик бизнес-процессов сложных экономических систем с применением аппарата искусственных нейронных сетей.
Методы исследования. Теоретической и методологической основой дис-сертационной работы послужило изучение и творческое переосмысление основных достижений современной экономической науки, работ отечественных и зарубежных ученых по проблемам экономико-математического моделирования сложных экономических систем. Для решения поставленных задач были использованы как общенаучные методы исследования — наблюдение, описание, измерение, сравнение, моделирование, эксперимент, так и специальные — экспертные, нормативные, матричные, корреляционные, методы функционально-стоимостного анализа, декомпозиции.
На основе методов системно-структурного, сравнительного анализа и синтеза разработан метод декомпозиции сложной экономической системы на отдельные информационные каналы. Комплексное применение методов нелинейной динамики, методов математического анализа временных рядов, методов теории автоматического управления позволило решить задачу нижнего иерархического уровня — исследование и моделирование динамических характеристик отдельных информационных каналов сложной экономической системы. Использование методов анализа и синтеза в совокупности с аппаратом искусственных нейронных сетей и теории эволюционных алгоритмов позволило решить задачу верхнего иерархического уровня — выполнить нейродинамическую идентификацию бизнес-процессов предприятия. Методы имитационного моделирования использовались для реализации оптимальных режимов работы предприятия и наряду с вышена-званными методами были реализованы в разработанном авторском программном обеспечении.
Информационной базой исследования являются материалы министерств и ведомств Украины, научно-исследовательских учреждений, монографическая литература, научные статьи отечественных и зарубежных ученых в периодических изданиях, материалы научно-практических конференций, данные отдельных предприятий Украины, материалы сети Интернет, официальная информация международных организаций, авторские разработки по проблемам, которые освещены в диссертационной работе.
Научная новизна полученных результатов. В диссертации поставлена и решена научно-теоретическая проблема нейродинамической идентификации сложных экономических систем и их составляющих. Проведенные исследования позволили получить результаты, имеющие научную новизну.
Впервые разработаны:
– концепция нейродинамической идентификации сложных экономических систем на основе теории нейронных сетей с формализованным циклическим обновлением нейросетевых моделей, что позволяет оптимизировать динамические характеристики таких систем в условиях нестационарности внешнего экономического окружения;
– эволюционные методы формирования нейродинамических моделей сложных экономических систем с инвариантным размером генома нейросетевой архитектуры на основе теории генетических алгоритмов, реализующие положения разработанной концепции и позволяющие повысить эффективность функционирования предприятия за счет снижения затрат производственных ресурсов и потерь от внедрения несовершенных управленческих решений;
– модель классификации информационных каналов предприятия по характеру динамических бизнес-процессов, которая позволяет выполнять структурную и параметрическую идентификацию таких процессов на основе теории автоматического управления, что повышает производительность нейросетевого экономико-математического моделирования и сокращает время адаптации нейросетевых моделей в течение их жизненного цикла;
– метод сингулярного спектрального анализа временных рядов с нейросетевой поиском компонент разложения на основе теории факторного анализа, который позволяет выполнить фильтрацию шумовых компонент, а также определить значимые тенденции бизнес-процессов предприятия и внешнего экономического окружения, что повышает качество принятия управленческих решений;
усовершенствованы:
– нейродинамические модели на основе ассоциативных нейромашин, в которых учтена разрывность аппроксимирующих пространств сложных экономических систем непрерывно-дискретного типа, что позволяет повысить качество экономико-математического моделирования таких систем;
– структура распределенной компьютерной системы предприятия, которая предназначена для компенсации вычислительной сложности процессов нейросетевой идентификации за счет реализации параллельных вычислений в рамках существующего компьютерного парка, что позволяет снизить затраты предприятия на компьютерное оборудование при внедрении предложенных нейродинамических моделей и методов идентификации сложных экономических систем;
– модели прогнозирования и оценки состояния ключевых показателей производства с периодической идентификацией структуры и параметров, которые позволяют оптимизировать систему бюджетирования предприятия за счет своевременной оценки влияния изменений отдельных бюджетов на ключевые показатели производства;
– методологические положения основных этапов декомпозиции бизнес-процессов предприятия как сложной экономической системы на отдельные ин-формационные каналы, что позволяет использовать их модели двояко: для локальной оптимизации и исследования бизнес-процессов в терминах системной динамики и/или в качестве источника данных для формирования обобщенной динамической модели предприятия;
получили дальнейшее развитие:
– классификация архитектурных решений нейродинамических моделей сложных экономических систем с последующим анализом преимуществ и недо-статков каждой архитектуры в задачах экономико-математического моделирования, классификация методов обучения и регуляризации нейронных сетей, а также оценка условий применения каждого из методов в зависимости от параметров обучающей выборки, что повышает адекватность нейродинамической идентификации;
– методы формирования, интеграции и оценки эффективности распреде-ленных вычислительных систем, позволяющие решать проблемы вычислительной сложности эволюционного построения обобщающих динамических нейросетевых моделей масштаба предприятия, а также обладающих свойствами масштабируемости вычислительной мощности за счет слияния со своими репликами на других предприятиях и организациях посредством глобальной сети Internet;
– модели оценки эффективности обработки экономической информации в условиях априорной неопределенности и контроля адекватности полученных нейросетевых моделей бизнес-процессов, позволяющих повысить производительность и точность систем поддержки принятия решений предприятий.
Практическое значение полученных результатов состоит в возможности использования основных теоретико-методологических и прикладных разработок в практической деятельности. Основные теоретические положения диссертационной работы прошли практическую проверку на предприятиях различных форм собственности, в частности на угледобывающих предприятиях Луганской области: шахта "Партизанская" ГП "Антрацит", г. Антрацит; шахта "Тошковская" ГП "Первомайскуголь", г.Первомайск; шахта "Краснокутская" ГП "Донбассантрацит", г. Красный Луч; а также на частных предприятиях ООО "DP Managment", г.Киев; предложены рекомендации по совершенствованию работы аналитического отдела ПАО "Мистобанк", г. Одесса; ПАО "Металлург-ЮГ", г. Днепропетровск с суммар-ным годовым экономическим эффектом 3090,32 тыс. грн., что подтверждено соответствующими актами о внедрении.
Научные результаты диссертационной работы используются в учебном процессе для методического обеспечения и преподавания учебных дисциплин "Экономическая кибернетика", "Моделирование экономики", "Корпоративные информационные системы" экономико-правового факультета Донецкого национального университета и факультета экономики и финансов Донбасского государственного технического университета, что подтверждено справкой об использовании результатов исследования.
Личный вклад соискателя заключается в самостоятельно выполненном научном исследовании, обосновании теоретических и методологических основ нейродинамической идентификации сложных экономических систем, обеспечи-вающих совершенствование процессов управления на современных предприятиях. В работах, опубликованных по теме диссертационной работы в соавторстве, соискателю принадлежат идеи и предложения, которые являются результатом личного исследования соискателя и указаны отдельно в списке публикаций. В смысле практического внедрения лично соискателю принадлежит программная реализация предложенных в диссертационной работе подходов, методов и алгоритмов.
Апробация результатов диссертации. Основные положения и результаты диссертационной работы прошли апробацию в ходе докладов и выступлений соискателя на 12 международных и всеукраинских научно-практических конференциях: VIII Всеукраинской научно-методической конференции "Проблемы экономической кибернетики" (Алушта, 2003 г.); VI Всеукраинской научно-практической конференции "Компьютерное моделирование и информационные системы в науке, экономике и образовании" (Кривой Рог, 2005 г.), VII Всеукраинской научно-практической конференции "Компьютерное моделирование и информационные системы в науке, экономике и образовании" (Кривой Рог, 2007 г.), II Всеукраинской научно-практической конференции "Современные тенденции развития информационных технологий в науке, образовании и экономике" (Луганск, 2008 г.); ХIV Всеукраинской научно-методической конференции "Проблемы экономической кибернетики" (Харьков, 2009 г.); II Международной научно-практической конференции "Современные проблемы моделирования социально-экономических систем" (Харьков, 2010), XV Международной научно-методической конференции "Проблемы экономической кибернетики" (Луганск - Евпатория, 2010 г.); I Международной научно-практической конференции "Актуальные проблемы развития электронного образования в области экономики" (Севастополь, 2011 г.), VIII Всеукраинской научно-практической конференции "Компьютерное моделирование и информационные технологии в науке, экономике и образовании" (Черкассы, 2011 г.), XVI Международной научно-методической конференции "Проблемы экономической кибернетики" (Одесса, 2011 г.), IV Международной научно-практической конференции "Современные проблемы моделирования социально-экономических систем" (Харьков, 2012), III Международной научно-практической конференции "Информационные технологии и моделирование в экономике" (Черкассы, 2012 г.).
Публикации. Основные результаты диссертационной работы опубликованы в 42 научных публикациях общим объемом 51,43 п. л. (личных 31,22 п. л.), в том числе: 2 монографии (в т. ч. одна единоличная − 17,21 п. л.), 29 статей в специализированных научных изданиях, 11 тезисов докладов.
Структура и объем диссертации. Диссертация состоит из введения, 7 глав, заключения, списка использованных источников и приложений. Общий объем работы составляет 358 страниц. Материал иллюстрируют 18 таблиц, 60 рисунков. Список использованной литературы включает 286 наименований.

Список литературы

ВЫВОДЫ
1. На примере задачи идентификации ключевых показателей производства угледобывающего предприятия показаны преимущества АНМ по сравнению с одиночной ИНС.
2. На примере задачи динамического планирования производства сооружения выработок в изменчивых условиях показано принципиальное преимущество нейросетевых моделей и методов в обработке эмпирических данных.
3. На примере задачи оценки производительности труда на угледобывающих предприятиях с нейросетевым контуром управления в системах поддержки принятия решений показаны причины роста скорости и качества принятия управленческих решений при использовании нейродинамических методов и моделей.
4. На примере задачи моделирования процессов управления производственно-сбытовым контуром с использованием информационно-аналитической системы металлургического предприятия доказано, что сфера применения средств нейросетевой идентификации шире рамок отдельной от-расли или предприятия.
5. Проведенное тестирование полученных моделей подтвердило их адек-ватность и высокую способность к обобщению, следовательно, перспективными направлениями использования моделей являются не только вопросы непосред-ственного прогнозирования ключевых показателей производства, но и методы имитационного моделирования для оптимизации режимов работы предприятия, разработки стратегий развития, принятия тактических решений.

ЗАКЛЮЧЕНИЕ
В диссертации выполнена постановка и определены пути решения научно-теоретической проблемы нейродинамической идентификации сложных экономических систем. Основные результаты проведенных исследований заключаются в нижеприведенных теоретических, методологических и организационно-методических положениях.
1. Для современной экономики Украины важной задачей является повышение эффективности работы субъектов предпринимательской деятельности в условиях возрастающей сложности бизнес-процессов. Анализ причин сложности экономических систем в архитектурном, функциональном и динамическом (временном) аспектах показал, что в результате роста роли информационных технологий в последнее десятилетие качественно изменяется объем, частота и размерность обрабатываемой информации при экономико-математическом моделировании бизнес-процессов сложных экономических систем. Эти изменения требуют разработки новых методов и моделей для идентификации таких процессов. Характер обрабатываемой информации позволил сделать вывод об эффективности применения нейродинамических методов и моделей для решения проблемы идентификации сложных экономических систем.
2. Для адекватного экономико-математического моделирования бизнес-процессов выполнены анализ и классификация соответствующих нейродинамических моделей. Исследованы существующие архитектурные решения нейродинамических моделей для использования в решении задач экономико-математического моделирования сложных экономических систем. Определено, что для идентификации бизнес-процессов непрерывно-дискретного типа нужен принципиально новый нейросетевой математический аппарат. Для решения задач регрессии и классификации бизнес-процессов обосновано применение нейронных сетей прямого распространения. Для анализа и прогнозирования временных рядов обосновано применение рекуррентных нейронных сетей с внутренними и внешними обратными связями.
3. Для минимизации влияния антропогенных факторов на процесс принятия решений разработана концепция нейродинамической идентификации сложных экономических систем с формализованным циклическим обновлением нейросетевых моделей, которая позволяет оптимизировать динамические характеристики таких систем в условиях нестационарности внешнего экономического окружения. В основу концепции положены методы предварительной обработки и декомпозиции информационных потоков и методы эволюционного поиска топологии и параметров нейродинамических моделей бизнес-процессов сложных экономических систем.
4. Для повышения качества процессов принятия решений разработан метод декомпозиции бизнес-процессов предприятия, как сложной экономической системы, на отдельные информационные каналы. Для проведения такой декомпозиции обоснованно разделение на классы бизнес-процессов после четырех видов предварительного экспертного анализа: является ли исследуемый процесс марковским; абсолютные или относительные изменения объекта отражают цель моделирования; относятся отдельные временные ряды к одному исследуемому объекту или ко многим; какова размерность предполагаемого пространства состояний исследуемого объекта.
5. Так как информационный канал в первую очередь характеризует динамику соответствующих бизнес-процессов, то разработана модель классификации информационных каналов предприятия по признакам обрабатываемых данных. Для каждого класса предложены соответствующие нейродинамические модели регрессии, классификации, прогнозирования и управления в пространстве состояний, что позволяет повысить адекватность моделей, полученных в ходе нейродинамической идентификации таких бизнес-процессов, и качество принимаемых на основе полученных моделей решений.
6. Для повышения точности и качества экономико-математического мо-делирования сложных экономических систем непрерывно-дискретного типа разработаны нейродинамические модели на основе ассоциативных нейромашин, в которых учтена разрывность аппроксимирующих пространств таких систем.
7. Повышение производительности нейросетевого экономико-математического моделирования в первую очередь зависит от сокращения времени обновления набора нейросетевых моделей в течение их жизненного цикла. Для этого разработаны формализованные методы структурной и параметрической идентификации динамических процессов в информационных каналах экономической системы на основе анализа их частотных характеристик. Результатом идентификации является передаточная функция такого процесса.
8. Для определения значимых тенденций бизнес-процессов предприятия и внешнего экономического окружения разработан метод сингулярного спектрального анализа временных рядов с нейросетевым поиском компонент разложения по правилу Хебба, который позволяет выполнять фильтрацию незначимых и шумовых компонент, что повышает качество принятия управленческих решений.
9. Для оптимизации систем бюджетирования предприятия необходимой компонентой является прогнозирование влияния изменений бюджетов на ключевые показатели производства методами имитационного моделирования. Разработаны нейродинамические модели такого прогнозирования и оценки состояния ключевых показателей производства с периодической идентификацией структуры и параметров, что позволяет выполнять указанную оптимизацию метаэвристическими методами.
10. Показано, что полученные в ходе структурной и параметрической идентификации модели информационных каналов предприятия имеют двойное назначение. Помимо непосредственного моделирования динамических и статических характеристик бизнес-процессов, такие модели использованы в качестве источника данных для построения массивов искусственных обучающих выборок для обобщающих нейродинамических моделей сложных экономических систем.
11. Для оценки эффективности обработки экономической информации в условиях априорной неопределенности и контроля адекватности полученных нейросетевых моделей бизнес-процессов разработаны модели и методы параметрической идентификации с применением регуляризации решения, что позволяет повысить производительность и точность систем поддержки принятия решений предприятий.
12. Для реализации положений предложенной концепции разработаны эволюционные методы формирования нейродинамических моделей сложных экономических систем с инвариантным размером генома нейросетевой архитектуры, которые позволяют повысить эффективность функционирования предприятия за счет снижения затрат производственных ресурсов и потерь от внедрения несовершенных управленческих решений.
13. Для снижения затрат предприятия на компьютерное оборудование при внедрении предложенных нейродинамических моделей разработана структура распределенной компьютерной системы предприятия, которая предназначена для компенсации вычислительной сложности процессов нейросетевой идентификации за счет реализации параллельных вычислений в рамках существующего компьютерного парка.
14. Для внедрения разработанных нейродинамических систем поддержки принятия решений идентификации сложных экономических систем предложены методы масштабирования вычислительной мощности за счет слияния со своими репликами на других предприятиях и организациях посредством глобальной сети Internet.
15. Основные теоретические и практические результаты диссертационной работы внедрены на угледобывающих предприятиях Луганской области: шахта "Партизанская" ГП "Антрацит", г. Антрацит; шахта "Тошковская" ГП "Первомайскуголь", г. Первомайск; шахта "Краснокутская" ГП "Донбассантрацит", г. Красный Луч; на частном предприятии ООО "DP Managment", г. Киев; в ПАО "Мистобанк", г. Одесса; в ПАО "Металлург-ЮГ", г. Днепропетровск с суммарным годовым экономическим эффектом 3090,32 тыс. грн., что подтверждено соответствующими актами.

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
1. Абдикеев Н.М. Проектирование интеллектуальных систем в экономике / Н.М. Абдикеев. — М.: Экзамен, 2004. — 526с. — ISBN 5-94692-847-3
2. Аведьян Э.Д. Каскадные нейронные сети / Э.Д. Аведьян, Г.В. Баркан, И.К. Левин // Автоматика и телемеханика. — 1999. — № 3. — С. 38–55.
3. Адаптивные фильтры / под ред. К. Ф. Н. Коуэна, П. М. Гранта. — М.: Мир, 1988. — 329 с.
4. Айвазян С.А. Прикладная статистика: Классификация и снижение размерности / С.А. Айвазян, В.М. Бухштабер, И.С. Енюков, Л.Д. Мешалкин; под ред. С.А. Айвазяна. — М.: Финансы и статистика, 1989. — 607 с.
5. Айвазян С.А. Прикладная статистика: исследование зависимостей / С.А. Айвазян, И.С. Енюков, Л.Д. Мешалкин; Под ред. С.А. Айвазяна. — М.: Финансы и статистика, 1985. — 487 с.
6. Айзерман М.А. Метод потенциальных функций в теории обучения машин / М.А. Айзерман, М.А. Браверман, Л.И. Розоноер. — М.: Наука, 1970. — 240 с.
7. Алгоритмы и программы восстановления зависимостей / под ред. В.Н. Вапника. — М.: Наука. Гл. ред. физ.-мат. лит., 1984. — 816 с.
8. Ананьин О.И. Структура экономико-теоретического знания: методологиче-ский анализ / О.И. Ананьин. — М.: Наука, 2005. — 348 с.
9. Андриенко В.Н. Модели реинжиниринга систем управления / В.Н. Андриенко. — Донецк: ДонНУ, 2001. — 184с.
10. Анзимиров Л.В. SCADA TRACE MODE — Новые технологии для современных АСУТП / Анзимиров Л. В. // Автоматизация в промышленности. 2007. — № 4. — С. 53–54.
11. Арнольд В.И. О представлении непрерывных функций нескольких переменных в виде суперпозиции функций меньшего числа переменных / В.И. Арнольд // Мат. просвещение. — 1957. — № 4. — С. 41 — 61.
12. Арсеньев Ю.Н. Информационные системы и технологии. Экономика. Управление. Бизнес / Ю.Н. Арсеньев, С.И. Шелобаев, Т.Ю. Давыдова. — Москва : Юнити-Дана, 2006. — 447с. — ISBN 5-238-01040-0
13. Афанасьев В.Н. Информационные технологии в управлении предприятием / В.Н. Афанасьев, А.И. Постников. — М.: МГИЭМ, 2003.
14. Бабак В.П. Обробка сигналів / В.П. Бабак, В.С. Хандецький, Е. Шрюфер. — К.: Либідь, 1999. — 496 с.
15. Бабиюк Г.В. Оптимизация организационно-технологической структуры горнопроходческих работ / Г.В. Бабиюк, Е.С. Смекалин, А.Г. Хмелёв // Економічні проблеми адаптації та розвитку вищої школи в умовах ринку: Зб. наук. праць, Ч. І. — Алчевськ: ДГМІ, 2004. — С. 23–32.
16. Баранов В.Г. Адаптация в системах цифровой радиосвязи / В.Г. Баранов, E.JI. Белоусов, В.Р. Милов. — Н. Новгород: Изд-во НГТУ, 2001. — 170 с.
17. Барсегян А.А. Методы и модели анализа данных : OLAP И Data Mining / А.А.Барсегян и др . — Санкт-Петербург : BHV-Санкт-Петербург, 2004. — 336с. — ISBN 5-94157-522-X
18. Бахтадзе H.H. Идентификационный анализ в задачах автоматизации технологического и логистического циклов производства: дисс. д-ра техн. наук / H.H. Бахтадзе. — Москва, 2005 г. — 272 с.
19. Блум Ф. Мозг, разум и поведение / Ф. Блум, А. Лейзерсон, Л. Хофстедтер. — М.: Мир, 1988.
20. Богдан С.А. Опыт внедрения MES «Магистраль Восток» в нефтегазодобывающей компании / С.А. Богдан, А.В. Кудинов, Н.Г. Марков // Автоматизация в промышленности. — 2010. — № 8. — С. 53–58.
21. Бодянский Е.В. Искусственные нейронные сети: архитектуры, обучение, применения / Е.В. Бодянский, О.Г. Руденко. — Харьков: Телетех, 2004. — 369 c.
22. Бочкарев А.А. Автоматизация планирования и моделирования цепи поставок / А.А. Бочкарев. — Санкт-Петербург : СПбГИЭУ, 2008. — 291с. —ISBN 978-5-88996-812-2
23. Бримсон Д. Процессно-ориентированное бюджетирование. Внедрение нового инструмента управления стоимостью компании / Д. Бримсон, Д. Антос. — Москва, Санкт Петербург : Вершина, 2007. — 336с. — ISBN 5-9626-0255-2.
24. Вальд А. Последовательный анализ / А. Вальд; пер. с англ. — М.: ИЛ., 1962. — 328 с.
25. Вапник В.Н. Теория распознавания образов / В.Н. Вапник, А.Я. Червоненкис. — М.: Наука, 1974. — 415 с.
26. Вапник В.Н. Восстановление зависимостей по эмпирическим данным / В.Н. Вапник. — М.: Наука, 1979. — 448 с.
27. Варганов А.Г. Нейросетевое краткосрочное прогнозирование финансовых временных рядов / А.Г. Варганов, А.Г. Хмелёв, А.В. Хмелёва // Комп’ютерне моделювання та інформаційні технології в науці, економіці та освіті: збірник наукових праць. — Кривий Ріг: Криворізький економічний інститут Київського національного економічного університету (КЕІ КНЕУ), 2007. — С. 31-–33.
28. Варшавский П.Р. Поиск решения на основе структурной аналогии для интеллектуальных систем поддержки принятия решений / П.Р. Варшавский, А.П. Еремеев // Известия РАН. Теория и системы управления. — 2005. — № 1. — С. 97 – 109.
29. Верба Р.В. Особенности анализа данных в информационных системах предприятий / Р.В. Верба, А.Г. Хмелёв // Економіка: проблеми теорії та практики: збірник наукових праць. — Дніпропетровськ, 2009. Вип. 255. — Том VII. — С. 1643–1647.
30. Верба Р.В. Информационные технологии моделирования производ-ственных систем с нейродинамическим управлением / Р.В. Верба, А.Г. Хмелёв // Економічна кібернетика: міжнародний науковий журнал. — Донецьк, 2009. — № 3–4 (57–58). — С. 99–103.
31. Верба Р.В. Моделирование процесса управления загрузкой производствен-ных мощностей предприятия с применением каскадных нейроподобных сетей / Р.В. Верба, А.Г. Хмелёв // Нове в економічній кібернетиці. — Донецьк, 2010. — №4. — С. 11–22.
32. Верба Р.В. Моделирование процессов управления производственно-сбытовым контуром с использованием информационно-аналитической системы / Р.В. Верба, А.Г. Хмелёв // Вісник СНУ ім. Володимира Даля. — 2010. — № 3. — С. 322–327.
33. Виссема Х. Менеджмент в подразделениях фирмы. Предпринимательство и координация в децентрализованной компании / Х. Виссема. — Москва : Инфра-М, 1996. — 288с. — ISBN 5-86225-343-2
34. Власов А.И. Применение нейросетевых методов в информационных и аналитических системах / А.И. Власов, Г.Л. Яковлева, В.Л. Яковлев. – М.: Наука, 2001 – 288 c.
35. Галушкин А.И. Нейроуправление: основные принципы и направления применения нейрокомпьютеров для решения задач управления динамическим объектами / А.И. Галушкин, А.С. Логовский // В сб. докладов Междунар. конференции по проблемам управления. — М.: ИПУ, 1999. — С. 118–131.
36. Галушкин А.И. Нейроуправление — базовое направление развития теории и практики управления сложными динамическими системами / А.И. Галушкин, С.В. Пантелеев // В сб. пленарных докладов Междунар. конференции «Идентификация систем и задачи управления (SICPRO'04)». — М., ИПУ РАН, 2004. — С. 56–73.
37. Галушкин А.И. Теория нейронных сетей. Кн. 1 / общая ред. А.И. Галушкина. — М.: ИПРЖР, 2000. — 416 с.
38. Гамильтон С. Управление цепочками поставок с Microsoft Axapta / С. Гамильтон. — М.: Альпина Бизнес Букс, 2005. — 349с. — ISBN 5-9614-0242-8
39. Гамильтон С. Управление цепочками поставок с Microsoft Navision / С. Гамильтон. — М.: Альпина Бизнес Букс, 2005. — 280с. — ISBN 5-9614-0239-8
40. Геец В.М. Уроки и перспективы рыночных реформ и долгосрочного экономического роста в Украине / В.М. Геец // Экономическая теория. — №3. — 2004. — С. 3–28.
41. Геец В.М. Экономическая кибернетика: учебник, в 2-х томах / В.М. Геец, Ю.Г. Лысенко, В.М. Вовк и др. — Донецк: ООО «Юго-Восток, Лтд», 2005. — Том 1. — 502 с.
42. Гиг Дж.Ван. Прикладная общая теория систем : пер. с англ. / Гиг Дж.Ван. — М.: Мир, 1981. — 733 с.
43. Голда О.А. Моделирование процессов приятия управленческих решений на основе теории игр / О.А. Голда, А.Г. Хмелёв // Новое в экономической кибернетике / Донецкий нац. ун-т. — Донецк: ДонНУ, 2010. — № 1. — C. 89–93.
44. Головко В.А. Нейронные сети: обучение, организация, применение. Кн. 4 / В.А. Головко; общ. ред. А.И. Галушкина. — М.: ИПРЖР, 2001. — 256 с.
45. Горбань А.Н. Нейроинформатика / А.Н. Горбань, В.Л. Дубинин-Барковский, А.Н. Кирдин. — Новосибирск: СП "Наука" РАН, 1998.
46. Горелик А.Л. Современное состояние проблемы распознавания. Не-которые аспекты / А.Л. Горелик, И.Б. Гуревич, В.А. Скрипкин. — М.: Радио и связь, 1985. — 162 с.
47. Гританс Я.М. Организационное проектирование и реструктуризация (реинжиниринг) предприятий и холдингов: экономическое, управленческие и правовые аспекты: (практ. пособие по управлен. и финанс. консультированию) / Я.М. Гританс. — М.: Волтерс Клувер, 2005. — 216 с. — ISBN 5-466-00086-8
48. Деврой Л. Непараметрическое оценивание плотности. L1-подход / Л. Деврой, Л. Дьерфи; пер. с англ. — М.: Мир, 1988. — 408 с.
49. Девятков В.В. Системы искусственного интеллекта / В.В. Девятков. — Москва: МГТУ им. Н.Э. Баумана, 2001. — 352 с.
50. Добровидов A.B. Непараметрическое оценивание сигналов / A.B. Добровидов, Г.М. Кошкин. — М.: Наука; Физматлит, 1997. — 336 с.
51. Дорогов А.Ю. Быстрые нейронные сети / А.Ю. Дорогов. — М.: Изд-во Санкт-Петербургского университета, 2002. — 77 с.
52. Дорогов А.Ю. Методы реконструкции регулярных многослойных нейронных сетей / А.Ю. Дорогов, Р.Г. Курбатов // Научная сессия МИФИ-2004: сб. науч. тр. — М.: МИФИ, 2004. — Ч. 2. — С. 30 – 38.
53. Дюк В.А. Data Mining: учебный курс / В.А. Дюк, А.П. Самойленко. — СПб.: Питер, 2001. — 314 с.
54. Ежов А.А. Нейрокомпьютинг и его применения в экономике и бизнесе / А.А. Ежов, С.А. Шумский ; под ред. проф. В.В. Харитонова. — М.: МИФИ, 1998. — 224 с. — (Серия «Учебники экономико-аналитического института МИФИ»).
55. Ефимов Е.Н. Информационные системы в экономике / Е.Н. Ефимов, С.М. Патрушина, Л.Ф. Панферова, Л.И. Хашиева. — М.: ИКЦ “МарТ”; Ростов на Дону : ИЦ “МарТ”, 2004. — 352 с.
56. Журавлев Ю.И. Алгоритмы распознавания, основанные на вычислении оценок / Ю.И. Журавлев, Б.Б. Никифоров // Кибернетика. — 1971. — № 3. — С. 1–11.
57. Журавлев Ю.И. Об алгебраических методах в задачах распознавания и классификации / Ю.И. Журавлев // Распознавание, классификация, прогноз. Математические методы и их применение. — М.: Наука, 1989. — Вып. 1.−С. 9–16.
58. Забродский В.А. Развитие крупномасштабных экономико-производственных систем / В.А. Забродский, Н.А. Кизим. — Харьков: Бизнес Информ, 1997. — 64 с.
59. Загидуллин Р.Р. Управление машиностроительным производством с помо-щью систем MES, APS, ERP/ Р. Р. Загидуллин. — Старый Оскол: ТНТ, 2011. — 372 с. — ISBN 978-5-94178-272-7
60. Заде Л.А. Размытые множества и их применение в распознавании образов и кластер-анализе / Л.А. Заде // Классификация и кластер / пер. с англ. — М: Мир, 1980. — С. 208–247.
61. Зайченко Ю.П. Нечеткие модели и методы в интеллектуальных системах / Ю.П. Зайченко. — К.: издательский дом «Слово», 2008. — 344 с.
62. Иванов Н.Н. Информационно-сервисные системы в управлении сложным экономическим объектом / Н.Н. Иванов. — Донецк: ООО «Юго-Восток, Лтд», 2005. — 265 с.
63. Каллан Р. Основные концепции нейронных сетей / Р. Каллан. — М. – Санкт-Петербург – Киев: Издательский дом «Вильямс», 2001. — 287 с.
64. Карпенко A.C. Многозначные логики / A.C. Карпенко // Логика и компьютер. Вып. 4. — М.: Наука, 1997.
65. Кизина И.Д. Математическое моделирование и прикладные информационные технологии для MES-уровня управления / И.Д. Кизина // Автоматизация, телемеханизация и связь в нефтяной промышленности. — М.: ОАО "ВНИИОЭНГ", 2008. — № 4. — С. 37–45.
66. Клебанова Т.С. Модели и методы координации в крупномасштабных экономических системах / Т.С. Клебанова, Е.В. Молдавская, Чанг Хонгвен. — X.: Бизнес Информ, 2002. — 148 с.
67. Клепиков В.Б. Применение методов нейронных сетей и генетических алго-ритмов в решении задач управления электроприводами / В.Б. Клепиков, К.В. Махотило, С.А. Сергеев, И.В. Обруч // Электротехника. — 1999. — № 5. С. 2–6.
68. Колмогоров А.Н. О представлении непрерывной функции нескольких переменных в виде суперпозиции непрерывных функций одного переменного и сложения / А.Н. Колмогоров // Доклады АН СССР. — 1957. — Т. 114. — № 5. — С. 953–956.
69. Колмогоров А.Н. Три подхода к понятию количества информации / А.Н. Колмогоров // Проблемы передачи информации. — 1965. — Т. 1. — Вып. 1. — С. 3–11.
70. Колосов А.И. Создание аналитического обзора информационных источников по применению нейронных сетей для задач газовой технологии // Отчет по научно-исследовательской работе. — М.: ВНИИГАЗ, 1995.
71. Конушин А. Эволюционные нейросетевые модели с незаданным заранее числом связей [Электронный ресурс] / А. Конушин // Компьютерная графика и мультимедиа. — 2003. — № 1 (2). — Режим доступа : http://cgm.Computergraphics.ru/issues/issue1.
72. Косс В.А. Условия соответствия модели управления системным требованиям объекта управления / В.А. Косс // Математичні машини і системи. – 2007. – № 1. – С. 3 – 15.
73. Крикавський Є.В. Логістика: компендіум і практикум / Є.В Крикавський, Н.І. Чухрай, Н.В. Чорнописька. — К. : Кондор, 2006. — 340 с.
74. Круглов В.В. Искусственные нейронные сети: Теория и практика / В.В. Круглов, В.В. Борисов. — 2-е изд., стереотип. — М.: Горячая линия–Телеком, 2002. — 382 с. : ил.
75. Куликов В.Н. Стратегия развития информационных технологий в промышленности / В.Н. Куликов // Мир компьютерной автоматизации. — 2001. — № 4. — С. 12–15.
76. Кутуков C.E. Генетический алгоритм диагностики осложнений технологических режимов нефтепродуктопроводов / C.E. Кутуков, P.H. Бахтизин // Известия вузов. Нефть и Газ. — 2003. — № 5. — С. 55−62.
77. Лапко A.B. Имитационные модели неопределенных систем / A.B. Лапко. — Новосибирск: ВО «Наука», 1993. — 112 с.
78. Левицкий С.И. Модели управления проектами в нестабильной экономиче-ской среде : монография, изд. 2-у, перераб. и доп. / С.И. Левицкий, Ю.Г. Лысенко, А.В. Филиппов и др.; под ред. Ю.Г. Лысенко. — Донецк: Юго-Восток, 2009. — 354 с.
79. Левицкий С.И. Моделирование динамики финансовой деятельности произ-водственно-экономических систем: дис. канд. экон. наук / С.И. Левицкий; Донецкий национальный ун-т. — Донецк, 2001. — 159 с.
80. Лефевр В.А. Рефлексия / В.А. Лефевр. — М., Когито-Центр, 2003. — 496 с.
81. Логистика и управление розничными продажами. Ведущие эксперты о современной практике и тенденциях / Под ред. Дж.Ферни, Л.Спаркса. — Новосибирск : Сибирское университетское издательство, 2006. — 262с. — ISBN 5-94087-402-9
82. Лотоцкий В.А. Перспективы применения виртуальных анализаторов в системах управления производством / В.А. Лотоцкий, В.М. Чадеев, Е.А. Максимов, H.H. Бахтадзе // Автоматизация в промышленности. 2004. № 5. С. 24–28.
83. Лысенко Ю.Г. Имитационное моделирование экономических систем: Учеб-ное пособие; изд. 1-е / Ю.Г. Лысенко, Г.С. Овечко, А.В. Овечко, В.Н. Кравченко, Д.В. Беленко; под ред. д-ра экон. наук, проф. Ю.Г. Лысенко, Донецкий национальный университет. — Донецк: ООО «Юго-Восток, Лтд», 2006. —259 с.
84. Лысенко Ю.Г. Управление маркетинговым потенциалом предприятия: монография / Ю.Г. Лысенко, Н.Г. Гузь, Н.Н. Иванов и другие; под общ. ред. проф. Ю.Г. Лысенко, проф. Н.Г. Гузя.—– Донецк: ООО «Юго-Восток, Лтд», 2005. — 352 с.
85. Лысенко Ю. Г. Моделирование технологической гибкости производственно-экономических систем / Ю.Г. Лысенко, Н.В. Румянцев. — Донецк : ДонГУ, 2007. — 238 с.
86. Лысенко Ю.Г. Методология моделирования жизнеспособных систем в экономике: монография / Ю.Г. Лысенко, В.Н. Тимохин, Р.А. Руденский и др. — Донецк: Юго-Восток, 2009. — 350 с.
87. Лысенко Ю.Г. Нечеткие модели и искусственные нейронные сети в управле-нии предприятием / Ю.Г. Лысенко, Е.Е. Бизянов, А.Г. Хмелёв // Економічна кібернетика: міжнародний науковий журнал. — Донецьк, 2012. — № 1–2 (65–66). — C. 85–91.
88. Лысенко Ю.Г. Экономика и кибернетика предприятия: Современные инструменты управления / Ю.Г. Лысенко. — Донецк: Юго-Восток, Лтд, 2006. — 356 с.
89. Льюнг Л. Идентификация систем. Теория для пользователя / Л. Льюнг; пер. с англ.; под ред. Я.З. Цыпкина. — М.: Наука; Гл. ред. физ.-мат. лит., 1991. — 432 с.
90. Ляхов А.Л. Проблема моделирования сложных социотехнических систем / А.Л. Ляхов, С.П. Алешин // Збірник доповідей науково-практичної конференції з міжнародною участю "Системи підтримки прийняття рішень. Теорія і практика (СППР’2009)". – Київ, 2009. – С. 31 – 34.
91. Магнус Я.Р. Эконометрика. Начальный курс / Я.Р. Магнус, П.К. Катышев, А.А. Пересецкий. — М.: Дело, 2007. — 504 с.
92. Мак-Каллок У.С. Логическое исчисление идей, относящихся к нервной ак-тивности. Автоматы / У.С. Мак-Каллок, У. Питтс; пер. с анг.; под ред. К.Э. Шеннона и Дж. Маккарти. — М.: Иностранная литература, 1956.
93. Максимов В.И. Структурно-целевой анализ развития социально- экономических ситуаций / В.И. Максимов // В сб. докладов 4-й Междунар. конференции «Когнитивный анализ и управление развитием ситуаций». — М.: ИПУ РАН, 2003. — С. 4–28.
94. Маркович Н.М. Трансформированные оценки плотностей распределения с тяжелыми хвостами и классификация / Н.М. Маркович // Автоматика и телемеханика. — 2002. — № 4. — С. 118−132.
95. Масалович А.И. Прогноз дает ... компьютер / А.И. Масалович // Софтмаркет. — 1996. — № 23. — С.6–14.
96. Матвейкин В.Г. Использование байесовского подхода в обучении нейронных сетей / В.Г. Матвейкин, С.В. Фролов // Информационные технологии. — 1998. — № 10. — С. 27 − 35.
97. Матвийчук А.В. Диагностика банкротства предприятий в условиях трансформационной экономики / А.В. Матвийчук // Экономическая наука современной России. — 2008. — №4 (43). — С. 90–104.
98. Матвийчук А.В. Прогнозирование банкротств предприятий с использованием инструментария нейронных сетей / А.В. Матвийчук // Управление финансовыми рисками.–2008.–№04 (16).–С. 280–288.
99. Матвійчук А. В. Дискримінантна модель оцінки ймовірності банкрутства / А.В. Матвійчук // Моделювання та інформаційні системи в економіці. — К.: КНЕУ, 2006. — Вип. 74. — С. 299–314.
100. Матвійчук А.В. Штучний інтелект в економіці: нейронні мережі, нечітка ло-гіка: Монографія / А.В. Матвійчук. — К.:КНЕУ, 2011. — 439 с.
101. Матвійчук А.В. Моделювання економічних процесів із застосуванням мето-дів нечіткої логіки / А.В. Матвійчук. — К.: КНЕУ, 2007.–264 с.
102. Милов В.Р. Структурно-параметрический синтез нейронных сетей с последовательными связями на основе байесовской методологии / Милов В.Р. // Нейроинформатика-2005. Сборник научных трудов. Ч. 1. − М.: МИФИ, 2005. − С. 18 − 25.
103. Милов В.Р. Структурно-параметрический синтез нейросетевых систем обработки информации: дисс. д-ра техн. наук / В.Р. Милов. — Нижний Новгород, 2003 — 310 с.
104. Минский М. Персептроны / М. Минский, С. Пейперт; пер. с англ. — М.: Мир, 1971.
105. Морозов А.А. Новые информационные технологии в системах принятия решений / А.А. Морозов // Управляющие системы и машины. – 1993. – № 3. – С. 13 – 32.
106. Надарая Э.А. Об оценке регрессии / Э.А. Надарая // Теория вероятности и ее применения. — 1964. — Т. 9. — № 1. — С. 157–159.
107. Наукова та іноваційна діяльність (1990-2011рр.) [Электронный ресурс] / Державна служба статистики України — Режим доступа: http://www.ukrstat.gov.ua/operativ/operativ2005/ni/ind_rik/ind_u/2002.html
108. Недосекин А.О. Методологические основы моделирования финансовой деятельности с использованием нечетко-множественных описаний: дисс. д-ра техн. наук / А.О. Недосекин. — Санкт-Петербург, 2003 — 302 с.
109. Недосекин А.О. Нечетко-множественный анализ рисков фондовых инвести-ций / А.О. Недосекин. — СПб.: Сезам, 2002. —181 с.
110. Нейронные сети. STATISTICA Neural Networks / пер. с англ. — М.: Горячая линия-Телеком, 2000. — 182 с.
111. Нестеренко Б.Б. Клеточные нейронные сети на циркулянтных графах / Б.Б. Нестеренко, М.А. Новотарский// Искусственный интеллект. — 2009. — № 3. — С. 132–138
112. Нечеткие множества в моделях управления и искусственного интеллекта / под ред. Д.А. Поспелова. — М.: Наука; Гл. ред. физ.-мат. лит., 1986.
113. Нечеткие модели и нейронные сети в анализе и управлении эконо-мическими объектами / Ю.Г. Лысенко, Е.Е. Бизянов, А.Г. Хмелев и др. — Донецк: Юго-Восток, 2012. — 388 с. — (Сер.: Жизнеспособные системы в экономике = Життєздатні системи в економіці).
114. О’Лири Д. ERP-системы. Современное планирование и управление ресурсами предприятия. / Д. О’Лири. —Вершина, 2004. — 368 с.
115. Омельченко В.А. Основы спектральной теории распознавания сигналов / В.А. Омельченко. — Харьков: Вища школа, 1983. — 156 с.
116. Осовский С.Нейронные сети для обработки информации / С. Осовский. — М.: Финансы и статистика, 2002. — 344 с. — ISBN 5-279-02567-4.
117. Пащенко Ф.Ф. Методы и системы управления и идентификации на основе знаний / Ф.Ф. Пащенко, К.Р. Чернышов // Автоматика и телемеханика. — 2000. — № 2. — С. 3–28.
118. Петров И.В. Программируемые контроллеры. Стандартные языки и приемы прикладного проектирования. / И.В. Петров. — М.: Солон-Пресс, 2004. — 256с. —ISBN 5-98003-079-4
119. Поляк Б. Т. Введение в оптимизацию / Б.Т. Поляк. — М.: Мир, 1984. — 541 с.
120. Порохня В.М. Моделювання багатомірних фінансово-господарських потоків / В.М. Порохня, Ю.О. Колісник. — Запоріжжя: ГУ «ЗІДМУ», 2007 — 243с.
121. Проблемы построения и обучения нейронных сетей / под ред. А.И. Галушкина и В.А. Шахнова. — М.: Машиностроение. Библиотечка журнала «Информационные технологии». — 1999. — № 1.
122. Пушкарь А.И. Антикризисное управление: модели, стратегии, механизмы / А.И. Пушкарь, А.Н. Тридед, А.Л. Колос. — Харьков: ООО «Модель Вселенной», 2001. — 452 с.
123. Райбман Н.С. Построение моделей процессов производства / Н.С. Райбман, В.М. Чадеев. — М.: Энергия, 1975. — 376 с.
124. Рамазанов С.К. Інноваційні технології антикризового управління економічними системами: монографія / С.К. Рамазанов, Г.О. Надьон, Н.І. Кришталь, О.П. Степаненко, Л.А. Тимашова; під ред. проф. С.К. Рамазанова. — Луганськ – Київ: вид-во СНУ ім. В. Даля, 2009. — 584 с.
125. Рамазанов С.К. Модели эколого-экономического управления производственной системой в нестабильной внешней среде / С.К. Рамазанов. — Луганск: Изд-во ВНУ им. В. Даля, 2004. — 384 с
126. Реклейтис Г. Оптимизация в технике. Кн. 1. / Г. Реклейтис, А. Рейвиндран, К. Рэгсдел. — М.: Мир, 1986. — 349 с.
127. Розенблат Ф. Принципы нейродинамики. Перцептроны и теория механизмов мозга / Ф. Розенблат; пер. с англ. — М.: Мир, 1965.
128. Ротштейн А.П. Интеллектуальные технологии идентификации: нечеткие множества, генетические алгоритмы, нейронные сети / А.П. Ротштейн. — Вінниця: Універсум-Вінниця, 1999. — 320 с.
129. Рубцов Д.В. Разработка технологии применения искусственных нейронных сетей в прикладных информационных системах: дис. на здобуття наукового ступеня канд. техн. наук / Д.В. Рубцов. — Барнаул, 2000. — 169 с.
130. Руденский Р.А. Антисипативное управление сложными экономическими си-стемами: модели, методы, инструменты: монография / Р.А Руденский. — Донецк: Юго-Восток, 2009. — 257 с.
131. Румянцев Н.В. Моделирование гибких производственно-логистических си-стем / Н.В. Румянцев. — Донецк : ДонНУ, 2004. — 235 с.
132. Рутковская Д. Нейронные сети, генетические алгоритмы и нечеткие системы / Д. Рутковская, М. Пилинський, Л. Рутковский; пер. с польск. И.Д. Рудинского. — М.: Горячая линия – Телеком, 2006. — 452 с.
133. Рыжов А.П. Элементы теории нечётких множеств и измерения нечёткости / А.П. Рыжов. — М.: Диалог – МГУ, 1998 — 116 с.
134. Савицкая Г.В. Анализ хозяйственной деятельности предприятия / Г.В. Савицкая; 2-е изд . перераб. и доп. — Мн.: ИП «Экоперспектива», 1998. — 498 с.
135. Сергеева Л.Н. Нелинейная экономика: модели и методы) / Л.Н. Сергеева. — Запорожье: Полиграф, 2003. — 217 с.
136. Сергеева Л.Н. Моделирование поведения экономических систем методами нелинейной динамики (теории хаоса) / Л.Н. Сергеева. — Запорожье: Запо-рожский гос. ун-т, 2002. — 227 с.
137. Снитюк В.Е. Эволюционно-параметрическая оптимизация RBF-сети / В.Е. Снитюк // Искусственный интеллект. — 2003. — № 4. — С. 493 – 501.
138. Снитюк В.Е. Еволюційні технології прийняття рішень в умовах невизначе-ності: автореф. дис. на здобуття наук. ступеня д-ра техн. наук: 05.13.06 / В.Е. Снитюк. – Київ, 2009. – 36 с.
139. Современные методы идентификации систем: пер. с англ. / под ред. Эйкхофа. — М.: Мир, 1983. — 400 с.
140. Стратонович P.JI. Принципы адаптивного приема / Р.Л. Стратанович. — М.: Сов. радио, 1973. — 144 с.
141. Субботін С.О. Неітеративні, еволюційні та мультиагентні методи синтезу нечіткологічних і нейромережних моделей / С.О. Субботін, А.О. Олійник, О.О. Олійник ; під заг. ред. С.О. Субботіна. — Запоріжжя: ЗНТУ, 2009. — 375 с.
142. Тархов Д.А. Нейронные сети. Модели и алгоритмы / Тархов Д.А. — М.: Радиотехника, 2005. — 256 с.
143. Тебекин А.В. Логистика . / А.В. Тебекин. М.: Дашков и К°, 2011. — 356с. — ISBN 978-5-394-00571-8
144. Терехов С.А. Нейросетевые информационные модели сложных инженерных систем / С.А. Терехов // Нейроинформатика. — Новосибирск: Наука —1998.
145. Терехов С.А. Технологические аспекты обучения нейросетевых машин / С.А. Терехов // Научная сессия МИФИ-2006: Лекции по нейроинформатике. — М.: МИФИ, 2006. — С. 13 – 73.
146. Терещенко О.О. Антикризове фінансове управління на підприємстві / О.О. Терещенко. — К.: КНЕУ, 2004. — 268 с.
147. Тимохин В.Н. Методология моделирования экономической динамики: монография / В.Н. Тимохин. — Донецк: ООО «Юго-Восток, Лтд», 2007. — 269 с.
148. Тихонов А.Н. Методы решения некорректных задач / А.Н. Тихонов, В.Я. Арсенин. — М.: Наука, 1979. — 288 с.
149. Тихонов В.И. Статистический анализ и синтез радиотехнических устройств и систем / В.И. Тихонов, В.Н. Харисов. — М.: Радио и связь, 1991. — 608 с.
150. Тюкин И.Ю. Адаптация в нелинейных динамических системах / И.Ю. Тюкин, В.А. Терехов. — Москва : Издательство ЛКИ, 2008. — 384с. — ISBN 978-5-382-00487-7
151. Уваров С.А. Логистика: общая концепция, теория и практика / С.А. Уваров. — СПб. : Инвест-НП, 1996. — 232 с.
152. Уидроу Б. Адаптивная обработка сигналов / Б. Уидроу, С. Стирнз. — М.: Радио и связь, 1989. — 440 с.
153. Указания по рациональному расположению, охране и поддержанию выработок на угольных шахтах СССР / Л.: ВНИМИ. —1986. — 222c.
154. Хайкин С. Нейронные сети: полный курс / С. Хайкин. — 2-е изд. — М.: Вильямс, 2006. — 1104 с.
155. Хехт-Нильсен Р. Нейрокомпьютинг: история, состояние, перспективы / Р. Хехт-Нильсен // Открытые системы. — 1998. — № 4.
156. Хмелёв А.Г. Data mining как часть рынка информационных технологий / А.Г. Хмелёв, А.В. Хмелёва // Економіка: проблеми теорії та практики: збір-ник наукових праць. — 2009. — Вип. 248. — Том V. — C. 1006–1011.
157. Хмелёв А.Г. Анализ методов эволюционного нейросетевого экономико-математического моделирования / А.Г. Хмелёв // Комп’ютерне моделювання та інформаційні технології в науці, економіці і освіті: матеріали VIII Всеукраїнській науково-практичній конференції, 25-27 травня 2011 р. — Черкаси: Брама, 2011. — С. 198–199.
158. Хмелёв А.Г. Вопросы применения OLAP-подхода в информационных системах предприятий / А.Г. Хмелёв, А.В. Хмелёва // Вісник СНУ ім. Володимира Даля. — Луганськ, 2012. — № 2 (173). — С. 318–322.
159. Хмелёв А.Г. Динамическая модель формирования инвестиционного портфеля на основе курсовой разницы / А.Г. Хмелёв, А.В. Хмелёва // Управління розвитком: збірник наукових статей. — Х.: Вид. Харківського національного економічного університету (ХНЕУ). — 2008. — № 14. — С. 19–21.
160. Хмелёв А.Г. Застосування нейромереж Кохонена в моделях вибору найкращого постачальника / А.Г. Хмелёв // Економіст: науковий журнал. — № 10. — 2009. — C. 29–30.
161. Хмелёв А.Г. Идентификация сложных экономических систем: нейросетевые методы, модели и технологии : монография / А.Г. Хмелев; научн. ред. проф. Ю.Г.Лысенко. — Донецк : Юго-Восток, 2012. — 296 c.
162. Хмелёв А.Г. Идентификация экономических объектов с применением ассоциативных нейромашин / А.Г. Хмелёв // Проблеми економічної кібернетики: матеріали XV Всеукраїнської науково-методичної конференції (4-8 травня 2010 р.), Луганськ — Євпаторія, 2010. — С. 68–69.
163. Хмелёв А.Г. Информационная система управления запасами на пред-приятиях пищевой промышленности / А.Г. Хмелёв, А.В. Хмелёва, Е.С. Смекалин // Сучасні тенденції розвитку інформаційних технологій в науці, освітв та економіці: матеріали ІІ Всеукраїнської науково-практичної конференції 8-10 квітня 2008 р., м. Луганськ. — Луганськ: "Альма-матер", 2008. — С.218–221.
164. Хмелёв А.Г. Информационные технологии в системе автоматизированного контроля знаний студентов / А.Г. Хмелёв, А.В. Хмелёва, Е.Е. Бизянов // Комп’ютерне моделювання та інформаційні технології в науці, економіці та освіті: збірник наукових праць. — Кривий Ріг: Криворізький економічний інститут Київського національного економічного університету (КЕІ КНЕУ). — 2005. — С. 227–228.
165. Хмелёв А.Г. Исследование структуры временных рядов методом сингулярного спектрального анализа / А.Г. Хмелёв // Прометей: регіональний збірник наукових праць з економіки. — 2009. — № 2 (29). — C. 164–166.
166. Хмелёв А.Г. Моделирование динамики валютных и фондовых рынков с генетической адаптацией / А.Г. Хмелёв // Економічна кібернетика: міжнародний науковий журнал. — 2009. — № 1–2 (55–56). — С. 79–82.
167. Хмелёв А.Г. Моделирование процессов управления запасами на предприятиях пищевой промышленности / А.Г. Хмелёв, А.В. Хмелёва, Е.С. Смекалин // Вісник Східноукраїнського національного університету (СНУ). — Луганськ, 2008. — № 12 (130). Ч. 2. — С. 141–145.
168. Хмелёв А.Г. Моделювання процесів бізнес-прогнозування за допомогою нейромережевих структур