И.А. Прокопенков1, А.С. Гарковенко2, В.В. Сухов3, М.А. Пучкова4

1,2 Военная академия войсковой ПВО ВС РФ (г. Смоленск, Россия)
3,4 МИРЭА – Российский технологический университет (Москва, Россия)
 

Постановка проблемы. Развитие информационных технологий привело увеличению количества данных, обмен которыми осуществляют сложные системы. Своевременное оценивание эффективности работы сложных систем позволяет оперативно принимать управленческие решения. Классические подходы по сбору, хранению и анализу данных эффективно применяются для решения задач оценивания систем, в которых наборы данных представлены ограниченным списком параметров. Функционирование сложных систем приводит к тому, что классические технологии хранения и обработки баз данных не позволяют реализовать их своевременный и качественный анализ для формирования оценки системы, так как зачастую для выявления новых зависимостей в данных необходимо сформировать новую метрику. Для повышения оперативности оценивания сложных систем на основе применения данного подхода обработку информации о функционировании системы осуществляют специалисты по анализу данных, что сказывается на экономической составляющей процесса оценивания. Оперативность оценивания информации о функционировании системы специалистами по анализу данных напрямую зависит от уровня их квалификации и знании ими предметной области.

Цель. Представить подход, позволяющий сократить время оценивания потребительских предпочтений за счет представления знаний проблемной области в виде онтологической модели, формирования относительно ее классов баз нечетких прецедентов, построения и обучения модели оценивания в виде нейро-нечеткого классификатора.

Результаты. Представлены результаты исследования подхода к оцениванию сложных систем, основанного на представлении знаний проблемной области в виде онтологической модели, формировании относительно ее классов баз нечетких прецедентов, построении и обучении модели оценивания в виде нейро-нечеткого классификатора.

Практическая значимость. Данный анализ позволяет исследовать комплекс факторов, влияющих на изменение потребительских предпочтений. Результаты оценивания потребительских предпочтений позволяют существенно сократить издержки на производство товара, а также повысить уровень продаж. Программная реализация предложенного подхода позволяет осуществлять формирование выводов в условиях неполных и неточных исходных данных, а также извлечение новых знаний, учитывать опыт в виде прецедентов в интересах повышения качества и оперативности оценивания сложных систем и процессов.

Прокопенков И.А., Гарковенко А.С., Сухов В.В., Пучкова М.А. Оценивание сложных систем и процессов на основе онтологии и нейро-нечеткого классификатора // Наукоемкие технологии. 2023. Т. 24. № 6. С. 61−71. DOI: https://doi.org/10.18127/j19998465-202306-07

1. Тиндова М. Г., Леднева О. В. Применение инновационных инструментов продвижения нового товара в конкурентной среде // Современная конкуренция. 2023. Т.17. №1(91). С.87–95. DOI: 10.37791/2687-0649-2023-17-1-87-95.
2. Халин В.Г., Калайда С.А., Чернова Г.В., Юрков А.В. Алгоритмы формирования моделей эффективного бизнеса // Прикладная информатика. 2023. Т. 18 №3(105). С. 5–21. DOI: 10.37791/2687-0649-2023-18-3-5-21.
3. Романов А.А., Басенко В.П., Жуков Б.М. Маркетинг: Учеб. пособие. М.: Издательско-торговая корпорация «Дашков и К°», 2012. 440 с.
4. Соловьева Ю.Н. Управление маркетинговой компетентностью: учебник для вузов / Под ред. Г.Л. Багиева. СПб.: Астерион. 2015. 285 с.
5. Годин А.М. Маркетинг: Учебник. М.: Издательско-торговая корпорация «Дашков и К°», 2013. 671 с.
6. Таранов В.В. Метод оценки привлекательности клиентов // Марктеинг в России и зарубежом. 2013. № 1. С. 47–51.
7. Романенкова О.Н. и др. Маркетинговые коммуникации. Учебник и практикум для прикладного бакалавриата: Учебник для вузов по экономическим направлениям и специальностям / Под ред. О.Н. Романенковой. М.: Юрайт. 2014. 455 с.
8. Официальный сайт Федеральной службы государственной статистики [Электронный ресурс]: Режим доступа: http://chelstat.gks.ru/html, свободный.
9. Ярушкина Н.Г. Анализ слабоструктурированных текстов на основе нечетких онтологий // Гибридные и синергетические интеллектуальные системы: ГИСИС 2018: материалы IV Всероссийской Поспеловской конференции с международным участием. Светлогорск. 14–19 мая / Под ред. А.В. Колесникова. Калининград: Изд-во БФУ им. И. Канта. 2018. С. 133–139.
10. Грибова В.В., Тимченко В.А. Концепция поддержки лазерного аддитивного производства на основе онтологического подхода // Онтология проектирования. 2020. Т. 10. № 2(36). С. 176–189.
11. Муромцев Д.И. Онтологический инжиниринг знаний в системе Protégé. СПб.: ИТМО. 2007. 62 с.
12. Загорулько Ю.А., Сидоров О.И., Боровикова О.И. Онтологический подход к построению систем информационной поддержки научной и производственной деятельности // Сб. трудов Всеросс. конф. с международным участием «ЗНАНИЯ – ОНТОЛОГИИ – ТЕОРИИ» (ЗОНТ-09). Новосибирск: Институт математики им. С.Л. Соболева СО РАН. 2009. Т.2. С. 93–102.
13. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. СПб.: Питер. 2001. 384 с.
14. Прокопенков И.А., Котов Д.В., Молявко А.А. Способ формирования обобщенных прецедентных решений на основе композиционного онтологического подхода // Сб. науч. трудов VIII Международной НПК «Нечеткие системы, мягкие вычисления и интеллектуальные технологии». Смоленск: Универсум, 2020. Ч. II. С. 128–135.
15. Борисов В.В., Федулов А.С., Зернов М.М. Основы нечеткой математики. Часть 4. Основы нечеткого логического вывода. Учебно-теоретическое пособие по дисциплине «Нечеткие модели и сети»: курс лекций. Смоленск: РИО филиала МЭИ в г. Смоленске. 2014. 102 с.
16. Борисов В.В., Федулов А.С., Зернов М.М. Основы нечеткой математики. Часть 5. Основы гибридизации нечетких моделей: Учеб. пособие. М.: Горячая линия – Телеком. 2016. 105 с.