Модели и методы интеллектуальной обработки данных для систем поддержки принятия решений (на примере систем экологической безопасности)

Во введении содержится обоснование актуальности задачи исследования, приводятся
основные научные положения и результаты.
В первой главе выполнен анализ основных видов систем поддержки принятия решений,
описаны их достоинства и недостатки, представлены базовые алгоритмы и решения. Проведен
анализ практических программных реализаций для оценки их функционирования с
использованием качественной информации. Сформулированы задачи исследования.
Во второй главе описывается разработка методов автоматизированного построения
моделей качественной оценки состояния объекта. Модели строятся на основе синергетического
подхода, объединяющего строгие математические методы и экспертные решения специалистов
конкретной предметной области. Полученная в результате модель способна обобщать
количественную, а также качественную неформализуемую информацию, что учтено на этапе ее
построения и обучения. На этапе применения модель способна работать полностью в
автоматическом режиме без привлечения человека и представляет эффективный аппарат
поддержки принятия решений для областей с качественными критериями принятия решений. В
соответствии с предложенным подходом разработаны модель и метод.
I. Модель каскадной нейросетевой классификации для интегрального качественного
оценивания многомерных количественных данных
Во многих областях критериями принятия решений служат не количественные, а
качественные оценки критериев. Для определения оценки разработан метод каскадной
классификации, заключающийся в многократном повторении процедуры декомпозиции
алгоритмом кластеризации для групп данных, детализация в которых недостаточна с точки зрения
эксперта-аналитика.
На первом этапе данные априорно относятся к единому кластеру (группе). Если по мнению
аналитика данные в кластере не являются однородными, то осуществляется разбиение группы на
заданное число кластеров. Таким образом формируются кластеры первого уровня каскада. Анализ
полученных в результате кластеризации групп и их дальнейшая кластеризация (формирование
уровней каскада с повышением степени детализации) продолжается до тех пор, пока для всех
выделенных групп не достигнута приемлемая по мнению аналитика степень однородности. В
качестве кластеризующего алгоритма в результате серии вычислительных экспериментов
выбрана нейросетевая кластеризация сетями Кохонена.
Введем обозначения: N – размерность входных векторов кортежей данных (кластеризуемые
данные); l ‒ номер уровня фильтрующего каскада; Рl ‒ множество идентификаторов кластеров
уровня l, для которых существуют потомки; K lpt (v ) ‒ кластер l-того уровня каскада с порядковым
l
номером v, порожденный кластером-предком рt предыдущего уровня; S pt – SOM-карта уровня l,
построенная для кластера-предка pt предыдущего уровня. Каждый кластер каскада на уровне l
характеризуется собственным идентификатором, т.е. порядковым номером v; идентификатором
кластера-предка. Кластер-предок задается парой индексов pt, где р ‒ номер кластера,
порождающего кластер-предок; t ‒ номер кластера, порождающего текущий. Алгоритм
построения модели каскадной нейросетевой классификации представляет структурная схема
на рис. 1. В результате работы предложенного алгоритма формируется модель каскадной
нейросетевой классификации, представляющая дерево, вершинами которого являются SOM-
карты Кохонена, порождающие кластеры, а дуги соединяют кластеры с недостаточной степенью
детализации с дочерними уточняющими SOM-картами (рис. 2). На вход модели подается вектор
X = (x1, x2, …, xN), содержащий значения признаков заданного объекта. Задача модели – отнести этот
объект к одному из кластеров, выделенных в результате вышеописанного алгоритма. На выходе
модели получаем ответ: вектор Х принадлежит кластеру K lpt (v ) . На практике модель применялась
для интегрального оценивания качества поверхностных вод, используемых для питьевого
водоснабжения на территории РТ.
II. Модификация модели каскадной нейросетевой классификации на основе
использования конечного детерминированного автомата для автоматического
распознавания класса объекта
Другой областью применения автоматизированных интеллектуальных моделей, структура
которых зависит от мнения экспертов, является определение меток классов в данных, которые
вначале не типизированы. Эта задача близка к предыдущей и является ее логическим
продолжением. Модель каскадной классификации для определения интегральных оценок
многомерных данных может быть модифицирована дополнительным алгоритмом интерпретации
таких оценок для каждого выделенного кластера, и формированием на основе интерпретации
лексических определений – меток, которые символизируют выделенный из неупорядоченного
множества класс. Затем к модели каскадного фильтра присоединяется модель-решатель,
относящая произвольный объект к одному из определенных ранее классов. В качестве модели-
решателя применен конечный детерминированный автомат.
При этом алгоритм построения каскадной модели классификации дополняется возможностью
формирования меток классов и видоизменяется для дальнейшего объединения с моделью-решателем.

Алгоритмвыделенияклассов
разнородныхобъектовнаоснове
нейросетевогокаскадапредставляет
структурная схема на рис. 3. В результате
строится дерево с множеством вершин-
SOM-карт S = {S0, S1, …, Sp}. C каждой SOM-
картойSrассоциированонепустое
множество кластеров, т.е. определено
множествоUrсодержащееномера
кластеров, входящих в Sr. При этом
множества Ur не пересекаются, а
объединение Ur обеспечивает в результате
множество номеров кластеров V = {0, 1,.., n}.
Каждый кластер может быть связан с SOM-
картой нижнего уровня. Связи между
кластерами и SOM-картами хранятся в виде
дискретной функции ().
Рисунок 1 – Структурная схема алгоритма построения модели каскадной нейросетевой классификации
Конечный детерминированный автомат для описания связи кластеров
Определим модель принятия решения о принадлежности некоторого входного вектора к
одному из выделенных классов как конечный детерминированный автомат вида: A = (х, V, S, S0,
()). Здесь х ‒ входное множество, V ‒
выходное множество, S ‒ множество возможных
состояний, S0 ‒ начальное состояние,() ‒
функция перехода.
На вход автомата подается вектор X = (x1,
x2, …, xN), принадлежащий входному множеству
х, т.е. декартову произведению множеств
D1D2…DN, где каждое Di является областью
определения или доменом i-го признака, признак
xi должен принадлежать домену Di. Выходом
автомата является метка класса ‒ номер кластера
v, к которому относится входной вектор X.
Таким образом, выходным множеством
автомата является множество возможных Рисунок 2 – Пример трехуровневой модели
номеров кластеров, т.е. целых чисел от 0 до n: каскадной нейросетевой классификации
V = {0, 1, …, n}, каждый из которых, в свою
очередь, представляет один из выделенных ранее классов.
Множеством возможных состояний S
является множество вершин (SOM-карт)
дерева, построенного в результате работы
алгоритма выделения классов разнородных
объектов на основе нейросетевого каскада: S
= {S0, S1, …, Sp}. Начальное состояние:
корневая SOM-карта S0, содержащая
кластер K0. Работа автомата заключается в
последовательном спуске от корневой
вершины S0 к вершинам нижнего уровня в
соответствии с функцией перехода (): V 
P{-1}, где P представляет множество
номеров SOM-карт, т.е. P={0, 1, …, p}, а –
1 означает конец работы автомата.
Обозначимвнутренниедействия
начального состояния как S0, остальных
состояний ‒ Sr. Здесь wij ‒ веса нейронов
SOM-карты j.
Модельописанногоконечного
автомата можно представить в виде
диаграммы состояний UML (State Machine
Diagram)(рис. 4).Врезультате
модифицированная модель каскадной
нейросетевой классификации на основе
конечного детерминированного автомата
представляет дерево каскадного фильтра
(пример ‒ рис. 2) с присоединенным
Рисунок 3 – Структурная схема модифицированногодетерминированным автоматом (рис. 4) в
алгоритма построения модели каскадной нейросетевой качестве решателя.
классификации
Разработаннаямодель
классификации многомерных объектов
апробирована для определения типов
поверхностных вод в 15 точках отбора
проб воды на реках Кама, Волга, Свияга,
Казанка, Ашит, Сулица, Меша, а также
для Куйбышевского водохранилища. Для
проверкиадекватностимодели
определены классы 25 тестовых
объектов, для которых модель правильно
определила классы в 100% случаев.
Длякорректного
функционированияразработанных
алгоритмов необходимо представлять
качественные данные в виде числовых, и
интерпретировать числовые ответы
алгоритмов как качественные описания
результата.Выяснилось,чтоне
Рисунок 4 – Диаграмма состояний классифицирующегосуществуетспособовадекватного
автомата по принципу нейросетевого каскадачислового кодирования качественных
данных, последовательность которых
чередуется в определенном порядке с определенными числовыми интервалами. Например,
последовательность качественных понятий «зима»-«весна»-«лето»-«осень» чередуется с
интервалами примерно в 90 дней. Введем следующее понятие: назовем данные (дата, время суток
и т.д.), качественные свойства которых повторяются с заданной периодичностью,
периодическими данными с лингвистической градацией. Необходимость корректных расчетов с
периодическими данными требует разработки специального численного метода определения
истинных расстояний между ними, адекватных с точки зрения близости их качественных свойств.
III. Метод кодирования периодических данных с лингвистической градацией на основе
нечеткой меры
Для представления качественных значений периодических данных в виде адекватного
числового выражения, предложен следующий метод.
Численный метод нечеткого кодирования
Пусть х – количественная переменная, обладающая набором из s качественных признаков
А = (a1, a2, …, as). Численный метод кодирования заключается в следующем:
1. Для каждого качественного признака ai ( i  1, s ) задать функцию-кодировщик f i (x ) :
a

a) определить числовое значение ci, в наибольшей степени отвечающее качественному
признаку ai;
b) определить числовое значение bi, ‒ максимальное отклонение от значения ci, при котором
качественное свойство ai сохраняется;
c) положить mi= ci,i=bi/3;
a
d) задать симметричную функцию-кодировщик f i (x ) в виде гауссиана:

f ai ( x)  exp  ( x  mi ) /  i  .

2. Вычислить значения функций f i (x ) , i  1, n для заданного значения переменной x.
a

3. Сформировать вектор Y=(y1, y2, … ys), где yi  f ai (x) .
4. Считать вектор Y закодированным представлением переменной x.
Используя числовой вектор Y вместо значения x, выполняются вычисления с парами
периодических переменных при условии одинаковой размерности кодирующих векторов.
Вкачествепримера
рассмотрена задача кластеризации
данных о замере концентраций 31-го
загрязняющеговеществав
поверхностных водах Республики
Татарстанспериодической
переменной «Дата». На рис. 5
графически представлены виды
кодирующихфункцийдля
качественных значений «зима»,
«весна», «лето» и «осень» для
Рисунок 5 – Пример графического представления кодирующихрешениярассмотренной
функций для переменной «Дата» с качественным признакомпрактической задачи. Эксперименты
«Время года»доказалиадекватность
предложенного метода.
В третьей главе описывается разработка методов автоматического построения моделей
качественной оценки состояния объекта. Модели основаны на системах нечеткого логического
вывода, для построения которых используются качественные элементы. На основе качественного
оценивания возможно генерировать вербальные рекомендации. Человек непосредственно не
участвует в процессе построения модели, т.е. ее структура не зависит от экспертных или других
человеческих мнений, однако качественная информация, например, элементы нормативных
актов, документов, распоряжений и т.п., встраивается в алгоритм в закодированном виде. На
основе имеющихся количественных данных, а также актуальных качественных определений и
понятий системы, необходимо построить систему ППР, которая генерирует рекомендации в
качественной форме на естественном языке. В соответствии с этим подходом разработаны модель
и метод.
I. Модель нечеткого логического вывода с качественным выходом
С учетом постановки задачи, имеющиеся в распоряжении исследователей данные
представляют вещественные многомерные кортежи, представленные в таблице 1:
Таблица 1 – Структура исходных данных для генерации модели ППР
Переменные системыВыходная
Входная переменная 1….Входная переменная n
переменная
Обозначениеx1xny
Качественная интерпретацияА1АnB
Здесь y ‒ измеренная, или однозначно вычисляемая на основе значений xi, количественная
величина, на основе значения которой даются качественные рекомендации системой ППР, xi –
измеренные количественные входные переменные системы, от которых зависит выходная
переменная y. Зависимость y от xi может быть явной, в виде формального описания или неявной.
Ai – известные качественные выражения количественных переменных xi (вербальные
определения в технической документации, нормативных актах, инструкциях и т.п.).
В – искомое качественное выражение выходной переменной y. Именно это качественное
значение (в виде лексической переменной) является ответом рекомендующей системы с учетом
качественной информации.
Из этого следует, что задачу создания рекомендующей модели с качественным выходом
следует решать в два этапа:
1. Определение решающего параметра y в виде количественного значения.
2. Анализ полученного результата и его интерпретация в виде качественной оценки.
Наибольшее распространение получили две системы нечеткого логического вывода: Такаги-
Сугено и Мамдани. Основное отличие в формировании правых частей правил вывода. Если
система Сугено выдает четкий (количественный) результат в виде значения линейной функции:
IF ( х1  А1 j ) AND ( х 2  А2 j ) AND … ( х n  Аnj ) THEN у=b j 0+b j1 x1+b j 2 x2+…  b jn xn ; j=1,2,…m; (1)
где хi – количественные значения входных переменных, Аij – нечеткие множества, bji ‒ заданные
числа. Система Мамдани в правых частях выводов содержит нечеткие правила принадлежности
выходной переменной заданному множеству – вербальному (качественному) описанию выходной
переменной.
IF ( х1  А1 j ) AND ( х 2  А2 j ) AND … AND ( х n  Аnj ) THEN у  С j ; j=1,2,…m; (2)
где Cj ‒ нечеткое множество выходной переменной.
Система Сугено (1) является предпочтительной, т.к. позволяет осуществлять настройку
алгоритма методами обучения нечетких нейронных сетей. Однако при этом ответ системы
численный и интерпретировать его в лингвистической форме не представляется возможным.
Несмотря на то, что вывод системы Мамдани получается дальнейшей дефаззификацией
качественных переменных в его правых частях, в классической форме также является числовым,
задание правых частей правил в виде нечетких термов позволяет использовать систему Мамдани
для получения качественного результата ‒ вербального описания результата вычислений. В этом
случае необходимо уметь преобразовывать имеющуюся систему Сугено в вид Мамдани так,
чтобы для одинаковых входных данных они генерировали одинаковый результат. Для этого
разработан специальный метод.
II. Численный метод преобразования модели TSK в модель типа Мамдани
1)Количество входных переменных двух систем, Такаги-Сугено и Мамдани, одинаковое.
2)Левые части правил Такаги-Сугено в части функций принадлежности нечетких множеств
входов становятся левыми частями правил системы Мамдани с требованием непрерывности
и дифференцируемости таких функций, в частности, гауссианы с заданными центрами a ji и
разбросами.
3)Определить нечеткие множества для выходной переменной системы Мамдани, количество
которых совпадает с таковым для выходной переменной системы Сугено. Задать функции

принадлежности для таких нечетких множеств в виде:  j ( y)  exp  ( y  c j ) /  j  .


j
4)Рассчитать значения центров c для функций принадлежности выходной переменной
N
системы Мамдани: c   b ji a ji  b j 0 .
j

i 1

5) Рассчитать значения  разбросов для функций принадлежности выходной переменной
j

системы Мамдани:
j
5.1) Упорядочить значения центров c функций принадлежности выходной переменной
системы Мамдани по возрастанию ( c  c  …  c ). Задать максимальные и
12M

минимальные теоретически возможные значения выходной переменной: c  a ,
c M 1  b .
5.2) Для всех функций принадлежности  s ( y ) , s  1, M :
ss 1
 Рассчитать расстояния от центра s-того гауссиана c до центра (s-1)-го: rL  c  c , а
s

s 1
также до (s+1)-го: rR  c  c .
s

 Рассчитать параметр разброса для s-того гауссиана:  s  max rL , rR  .
6) Заменить правые части правил вывода Такаги-Сугено на правила типа Мамдани с
найденными функциями принадлежности нечетких множеств выходной переменной.
Проведен численный эксперимент, показавший адекватность разработанного метода.
Далее для формирования Модели нечеткого логического вывода с качественным
выходом последовательно разработано 4 процедуры:
Процедура автоматического построения левых частей правил вывода системы TSK на
основании имеющихся кортежей числовых данных (Процедура 3.1)
1. Каждый элемент xi входного вектора X = (x1, x2, …, xn) по отдельности упорядочивается по
возрастанию и разбивается на S диапазонов, где S ‒ количество качественных значений Аik
параметра xi (k = 1, 2, …, S). Например, если параметр xi описывается четырьмя
качественными значениями (нечеткими множествами), представленными по возрастанию
выраженности критерия: «Аi1», «Аi2», «Аi3», «Аi4», то упорядоченное множество всех
возможных значений данного параметра следует разбить на 4 диапазона:
 первые 25% значений параметра xi – соответствуют качественному значению «Аi1»;
 от 25% до 50% значений ‒ соответствуют качественному значению «Аi2»;
 от 50% до 75% значений ‒ соответствуют качественному значению «Аi3»;
 от 75% значений ‒ соответствуют качественному значению «Аi4».
1
 s 
2. Каждое нечеткое множествоАik
ассоциируется с оценкой выраженности k   k  .
aik
 k 1 
Большее значение aik соответствует большей выраженности качественного значения нечеткого
множества Аik.
3. Для каждого нечеткого множества Аik определяется функция принадлежности типа гауссиан:

 Ai ( xi )  1  ( xi  ci ) /  i 2
k

1
.
4. В качестве центра с функции принадлежности принимается медиана диапазона значений xi,
соответствующего качественному значению Аik.
5. Разброс функции принадлежности  вычисляется как 25%-й внешний отступ от границ
соответствующего диапазона, деленный на три (согласно правилу трех сигма).
6. Формируется m левых частей полной базы правил TSK с полученными функциями
принадлежности.
Процедура автоматического построения правых частей правил вывода системы TSK на
основании имеющихся кортежей числовых данных (Процедура 3.2)
1. Кортежи данных «вход-выход», состоящие из входного вектора количественных параметров
объекта X = (x1, x2, …, xn) и соответствующего количественного значения выходного параметра y,
упорядочиваются по возрастанию значений параметра y. Затем кортежи данных разбиваются на
L блоков, где L‒ количество качественных значений Bp параметра y (p=1,2, …, L).
1
 L 
2. Каждое качественное значение Bp ассоциируется с оценкой выраженности bp  p  p  .
 k 1 
Большее значение bp соответствует большей выраженности качественного значения Bp.
3. Внутри каждого p-ого блока на основе попавшего в него набора данных «вход-выход» строится
линейная множественная регрессионная модель зависимости выходного параметра y от
входного вектора X = (x1, x2,… xn) по методу наименьших квадратов (МНК):
уp=bj0+bj1*x1+bj2*x2+…+bjn*xn.
4. Найденные в результате коэффициенты регрессионных зависимостей принимаются в качестве
коэффициентов правых частей правил вывода системы TSK.
Процедура формирования правил системы TSK на основании имеющихся кортежей числовых
данных (Процедура 3.3)
1. Для каждого элемента xi входного вектора X = (x1, x2, …, xn) находится статистическая мода:
Мо(xi)=vi.
1
 n 
2. Найденные значения vi нормализуются: vi   vi  .
viN
 i 1 
3. Для каждой левой части правила j (j = 1, 2, …, m), сформированной в результате Процедуры 3.1,
n
вычисляется значение степени выраженности Q j   aik viN как средневзвешенное значение
i 1
степени выраженности качественных значений Аik, имеющихся в j-том правиле, и
нормализованных значений viN .
1
m
4. Все значения степени выраженности левых частей правил нормализуются: Q j  Q j  .
Q Nj
 j 1 

Каждая j-я левая часть правила ассоциируется с соответствующим значением .
5. Для каждой j-й левой части правила определяется «ближайшая» правая часть – линейное
выражение yp, с минимальным расстоянием между и bp.
Согласно разработанной процедуре формируется полная база правил системы нечеткого
вывода TSK.
Процедура коррекции параметров системы TSK на основе нейронечеткого представления и
обучения (Процедура 3.4)
1. Сформулировать задачу корректировки параметров системы TSK как задачу оптимизации:
найти такие вектора Р = ( cij , i j ) и В=(bij), чтобы:


M
M 1  Yi*  F ( P, B, X i )  min .
i 1
*
Здесь М – количество кортежей данных, Yi ‒ эталонный ответ системы (значение из
обучающего кортежа), F ( P, B, X i ) ‒ ответ системы для набора входных параметров Xi.
2. Представить построенную на предыдущем этапе систему TSK в виде нейро-нечеткой сети.
3. Обучить нейро-нечеткую сеть согласно гибридному алгоритму обучения.
Обобщая приведенные исследования, процесс построения модели нечеткого логического
вывода с качественным выходом состоит в выполнении следующих этапов:
1. Получение количественных данных, описывающих систему, в виде набора кортежей типа
«многомерный вход-скалярный выход»: (X ,Y )=(x1 , x 2 ,… x 3 , y ) , k  1, M , где М –
k kk kkk

количество кортежей в наборе, X  (x1 , x 2 ,… x 3 ) ‒ конкретные значения параметров
kkkk

(x1 , x 2 ,… x 3 ) для k-того набора данных, y k ‒ конкретное значение выходной величины y для
k-того набора данных.
2. Получение вербальных описаний возможных качественных характеристик Аi для каждого
входного параметра xi.
3. Формирование левых частей правил системы TSK с функциями принадлежности типа гауссиан.
Параметры функций принадлежности (центр и разброс) определяются из условий конкретной
прикладной задачи на основании разработанной Процедуры 3.1.
4. Формирование правых частей правил системы TSK в виде линейных комбинаций входов
согласно разработанной Процедуре 3.2.
5. Соединение левых и правых частей правил в единую базу правил нечеткого вывода TSK
согласно Процедуре 3.3.
6. Повышение точности построенной системы TSK на основании Процедуры 3.4.
7. Формирование системы для вербальной интерпретации выхода построенной системы TSK на
основании Численного метода преобразования модели TSK в модель типа Мамдани.
В результате получается рекомендующая модель, представляющая систему нечеткого
логического вывода типа Сугено с выходом типа Мамдани. В качестве вычислительных
экспериментов сгенерирована система, определяющая качественное состояние окружающей
среды на основе кортежей данных измерений уровня загрязнения воздуха, почвы, снежного
покрова и биосред населения. Система продемонстрировала высокую адекватность принимаемых
решений в лингвистической форме на естественном языке.
В четвертой главе приводится описание разработки архитектуры программного
комплекса и программная реализация разработанных в главах 2÷3 методов и алгоритмов, а также
примеры практического применения разработанных программ для решения конкретных задач в
области экологической безопасности. Архитектура в рамках реализации структурного подхода к
программированию, включает три программных модуля, каждый является универсальной
компонентой, способной интегрироваться с другими программными модулями, в т.ч вначале не
входящими в разра-
ботанный програм-
мный комплекс. На
рис. 6 представлен
состав
разработанных
программных моду-
лей с указанием
реализованных в них
моделей и методов, а
также примеров их
практического ис-
пользования.
Программныймо-
дуль, реализующий
моделькаскадной
нейросетевой клас-
Рисунок 6 – Состав модулей разработанного программного комплексасификации, а также
его расширение, позволяющее применять в составе модуля дополнительные алгоритмы, применены
для решения задачи интегрального оценивания качества поверхностных вод. В результате работы
программы выделено 6 типов вод, соответствующих 6 однородным с точки зрения экспертов
кластерам (3 на первом уровне каскадного классификатора и три на втором). Каждому кластеру
сопоставлен собственный тип воды, т.е. интегральная оценка ее качества (рис. 7).
Программный модуль, реали-
зующий модель нечеткого логического
вывода с качественным выходом,
применен для выработки качественных
организационных рекомендаций по
управлению экологической безопас-
ностью по исследуемым объектам
(воздух, снежный и почвенный покровы,
биосреды населения) на охваченной
натурнымиизмерениямиуровня
загрязнения территории.Рисунок 7 – Схема детализации типов вод двухуровневым
каскадным классификатором
В зависимости от состояния
отдельных объектов, программный комплекс способен давать качественную оценку состояния
окружающей среды в целом, и выдавать соответствующие этой качественной оценке вербальные
рекомендации. Примеры интерпретации количественного ответа системы Сугено в качественные
лингвистические значения при помощи системы Мамдани для количественного входного вектора

Расчет системы Сугено: риск состоянияОценка системы Мамдани: состояние
окружающей среды равен Р=0.503окружающей среды «напряженное»
Рисунок 8 – Пример качественной интерпретации количественного ответа системы Сугено
Рвозд=0,1; Рснег=0,5; Рпочв=0,5; Рбиоср=0,5 демонстрирует рис. 8. Рекомендация: «Строительство
окружных автомобильных дорог, скоростных магистралей для уменьшения транспортных потоков
в черте города – снижение автотранспортной нагрузки».
В заключении сформулированы основные научные и практические результаты работы,
намечены направления перспективных исследований.
В приложении 1 представлены акты о внедрении и использовании результатов
диссертационного исследования.
В приложении 2 представлены свидетельства о регистрации программ для ЭВМ.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ И ВЫВОДЫ
В результате проведенных исследований решена актуальная научно-техническая задача
разработки специальных моделей, методов и алгоритмов на основе нейронных сетей и нечеткой
логики для создания систем поддержки принятия решений с учетом качественной информации.
Обоснована необходимость применения в СППР, в частности, в системах поддержки принятия
природоохранных решений, подобных методов и моделей для увеличения эффективности
принимаемых управленческих решений. Автором разработано две модели и два численных
метода, позволяющих получать оценки состояния объекта, в частности, экологического, с учетом
качественной информации при участии экспертов в процессе создания модели
(автоматизированные способы) и при отсутствии экспертов (автоматические способы).
Разработан оригинальный программный комплекс для систем поддержки принятия решений,
апробированный в системах поддержки принятия природоохранных решений, с возможностью
предоставления вербальных рекомендаций. В диссертационной работе получены следующие
основные новые научно-технические результаты.
1. Разработана модель каскадной нейросетевой классификации с возможностью
выделения классов из данных, представляющая дерево, вершинами которого являются SOM-
карты Кохонена, порождающие кластеры, а дуги соединяют кластеры с недостаточной (с точки
зрения специалистов предметной области) степенью детализации с дочерними уточняющими
SOM-картами. Модель применяется на практике для качественной интегральной оценки систем,
характеризующихся множеством разнородных и разноразмерных числовых параметров,
оказывающих различный вклад в интегральное состояние объекта, что подтверждается
вычислительными экспериментами.
2. Разработана модель нечеткого логического вывода с качественным выходом. Модель
применяется для качественной оценки объекта, качественный выход модели и является оценкой.
Предложено поэтапное построение модели: на первом этапе строится модель нечеткого
логического вывода типа Такаги-Сугено, имеющая количественный выход; на втором этапе
полученная модель преобразуется в модель типа Мамдани с качественным выходом. Построенная
модель может использоваться для автоматического выбора организационных управленческих
мероприятий, представленных в вербальной форме. Для этого необходимо описать соответствие
качественной оценки состояния объекта и требуемого перечня мероприятий.
3. Введено понятие периодических данных с лингвистической градацией, под которыми
понимаются количественные данные, качественные свойства которых повторяются с заданной
периодичностью. Для этого типа данных разработан метод кодирования на основе нечеткой меры,
позволяющий оценить близость количественных данных с точки зрения их качественной
интерпретации.
4. Разработан метод преобразования модели TSK в модель Мамдани. Метод позволяет на
основе скорректированных параметров модели Такаги-Сугено вычислять коэффициенты
функций принадлежностей правых частей правил для систем типа Мамдани, определяя нечеткие
множества – качественные интерпретации выхода системы.
5. Предложена архитектура оригинального комплекса программных модулей,
позволяющая реализовать модели, численные методы и алгоритмы. Архитектура включает три
программных модуля, разработанных в среде MatLab 7.9.0, Statistica 8.0, C# (Visual Web Developer
2010 Express) и Python.
В результате получена совокупность моделей, методов и алгоритмов, реализованных в виде
программных комплексов, для систем поддержки принятия решений, применяемых, в частности,
в области экологической безопасности. Возможность учета качественной информации и
получения рекомендаций в вербальной форме повысили эффективность принимаемых
специалистами предметной области управленческих решений из-за возможности неправильной
интерпретации количественных данных. Результативность подтверждена актами апробации
диссертационной работы в отделах профильных министерств.
Перспективы дальнейшей разработки темы. Перспективы диссертационного
исследования связаны с разработкой и внедрением в системы поддержки принятия решений по
организационному управлению рекуррентных нейро-сетевых моделей, способных решать задачи
оптимизации, а также осуществлять прогноз на основе временных рядов. Такой подход позволит
формировать рекомендации и принимать превентивные меры при организационном управлении
объектом.

ОСНОВНЫЕ ПОЛОЖЕНИЯ ДИССЕРТАЦИИ
ОПУБЛИКОВАНЫ В СЛЕДУЮЩИХ РАБОТАХ
В рецензируемых журналах из перечня ВАК РФ
1. Кремлева, Э.Ш. Роль качественных оценок в задачах экологического управления в зонах
действия полимерных производств / Ю.А. Тунакова, С.В. Новикова, Р.А. Шагидуллина, Э.Ш.
Кремлева // Вестник Казанского технологического университета. – 2013. – Т. 16. № 20. – С. 276‒279.
2. Кремлева, Э.Ш. Использование различных алгоритмов нейро-нечеткого управления
экологическим риском в зоне действия полимерных производств / С.В. Новикова, Ю.А. Тунакова,
Э.Ш. Кремлева // Вестник Казанского технологического университета. – 2013. – Т. 16. № 17. – С.
262‒264.
3. Кремлева, Э.Ш. Алгоритм построения модели каскадной нейросетевой фильтрации
данных с различной степенью детализации / Э.Ш. Кремлева, А.П. Кирпичников, С.В. Новикова,
Н.Л. Валитова // Вестник Технологического университета. – 2018. – Т. 21. № 8. – С. 109‒115.
4. Кремлева, Э.Ш. Кодирование мягких циклических данных при помощи псевдо-нечеткой
меры / Э.Ш. Кремлева, С.В. Новикова, Н.Л. Валитова // Вестник Тверского государственного
университета. Серия: Прикладная математика. – 2019. № 3. – С. 90‒101.
5. Кремлева, Э.Ш. Метод классификации нетипизированных объектов на основе каскадного
нейросетевого фильтра и конечного детерминированного автомата / Э.Ш. Кремлева // Вестник
Тверского государственного университета. Серия: Прикладная математика – 2019. № 1. – С. 83‒
100.
6. Кремлева, Э.Ш. Использование инновационных информационных технологий для
типизации поверхностных вод р. волга и питающих ее малых рек / С.В. Новикова, Ю.А. Тунакова,
А.Р. Шагидуллин, В.С. Валиев, Э.Ш. Кремлева, Г.Н. Габдрахманова, О.Н. Кузнецова // Вестник
Технологического университета – 2019. – Т. 22. № 2. – С. 150‒154.
7. Кремлева, Э.Ш. Методы математической статистики в педагогическом эксперименте / Е.С.
Белашова, Э.Ш. Кремлева // Вестник Казанского государственного энергетического
университета. – 2010. – № 1 (4). – С. 124‒126.
8. Кремлева, Э.Ш. Использование нейросетевых технологий для зонирования территории на
примере г. Казани / С.В. Новикова, Ю.А. Тунакова, А.Р. Шагидуллин, В.С. Валиев, Э.Ш.
Кремлева, Г.Н. Габдрахманова, О.Н. Кузнецова // Вестник технологического университета. –
2019. – Т. 22. № 5. – С. 128‒131.
9. Кремлева, Э.Ш. Повышение робастности нейросетевой модели мониторинга ГТД на
основе редукции / Э.Ш. Кремлева, С.В. Новикова // Crede Experto: транспорт, общество,
образование, язык. – 2019. – № 3. – С. 17‒26.
10. Кремлева, Э.Ш. Автоматическая генерация рекомендующих систем на основе
качественной интерпретации мониторинговой информации / Э.Ш. Кремлева, А.П. Снегуренко,
С.В. Новикова, Н.Л. Валитова // Вестник Тверского государственного университета. Серия:
Прикладная математика. – 2020. – № 3. – С. 50‒67.
В научных журналах и трудах конференций, индексируемых в SCOPUS и WoS
11. Kremleva, E.Sh. The specific aspects of designing computer-based tutors for future engineers in
numerical methods studying / S.V. Novikova, S.A. Sosnovsky, R.R. Yakhina, E.Sh. Kremleva, N.L
Valitova // Интеграция образования. – 2017. – Т. 21. № 2 (87). – С. 322‒343.
12. Kremleva, E.Sh. Using e-learning tools to enhance students-mathematicians’ competences in the
context of international academic mobility programmes / A.P. Snegurenko, S.A. Sosnovsky, S.V.
Novikova, R.R. Yakhina, N.L. Valitova, E.Sh. Kremleva // Интеграция образования. – 2019. – Т. 23.
№ 1 (94). – С. 8‒22.
13. Kremleva, E.Sh. Soft measurements of qualitative integral indicators for monitoring quantitative
dataset / S.V. Novikova, E.S. Kremleva, N.L.Valitova, A.P. Snegurenko // Journal of Physics: Conference
Series. – 2020. – 1703(1) – 012002
14. Kremleva, E.Sh. Multi-level hybrid recommender decision support system with verbal output /
S.V. Novikova, Y.A. Tunakova, A.R. Shagidullin, E.S. Kremleva // Journal of Physics: Conference
Series. – 2020. – 1703(1) – 012012.
Пособия
15. Кремлева, Э.Ш. Учебно-методическое пособие «Нейросетевые модели и алгоритмы» ‒
Методические указания к выполнению лабораторных работ [Электронный ресурс] / С.В. Новикова,
Н.Л. Валитова, Э.Ш. Кремлева – Казань: КНИТУ-КАИ – 2017. – 87 с. Режим доступа: http://e-
library.kai.ru/reader/hu/flipping/Resource-3017/949.pdf/index.html (Дата обращения 4.04.2021).
Свидетельства о регистрации программ для ЭВМ
16. Кремлева, Э.Ш. Свидетельство о государственной регистрации программы для ЭВМ №
2021612961. Программа «Нейросетевой каскадный фильтр» / Э.Ш. Кремлева, С.В. Новикова, П.И.
Тутубалин – М.: Роспатент, 2021.
17. Кремлева, Э.Ш. Свидетельство о государственной регистрации программы для ЭВМ №
2021614529. Программа «Гибридный многосетевой нейроэксперт» / Э.Ш. Кремлева, С.В.
Новикова, Н.Л. Валитова – М.: Роспатент, 2021.
В других журналах и материалах научных конференций
18. Кремлева, Э.Ш. Модель нейросетевого распознавания состояния окружающей среды на
основе рекуррентных бинарных сетей / Э.Ш. Кремлева, С.В. Новикова // В сборнике: Логистика и
экономика ресурсоэнергосбережения в промышленности (МНПК “ЛЭРЭП-8-2014”). Сборник
научных трудов по материалам VIII Международной научно-практической конференции. – 2014.
– С. 313‒315.
19. Кремлева, Э.Ш. Методика получения лингвистического ответа от логической системы с
количественным выходом / С.В. Новикова, Э.Ш. Кремлева // В сборнике: Актуальные вопросы
модернизации науки сборник статей Международной научно-практической конференции.
Научный Центр “Аэтерна”; Ответственный редактор: Сукиасян А.А. – 2014. – С. 24‒26.
20. Кремлева, Э.Ш. Нейросетевые подходы к поиску латентных связей в многомерных
данных / С.В. Новикова, Р.И. Ибятов, А.А. Валиев, Э.Ш. Кремлева // Математические методы в
технике и технологиях – ММТТ. – 2014. – № 6 (65). – С. 128‒131.
21. Кремлева, Э.Ш. Качественная интерпретация оценки состояния окружающей среды на
основе подхода Мамдани / С.В. Новикова, Э.Ш. Кремлева // В сборнике: Химия и инженерная
экология XVI международная научная конференция, посвященная 15-летию реализации
принципов Хартии Земли в Республике Татарстан. – 2016. – С. 374‒377.
22. Кремлева, Э.Ш. Интегральная оценка состояния окружающей среды с вербальной
интерпретацией / Э.Ш. Кремлева, С.В. Новикова // В сборнике: Новые технологии, материалы и
оборудование российской авиакосмической отрасли Материалы Всероссийской научно-
практической конференции с международным участием. Материалы докладов. – 2018. – С. 164‒167.
23. Кремлева, Э.Ш. Двухуровневая нейросетевая кластеризующая модель для типизации
поверхностных вод р. Волга и питающих ее малых рек / С.В. Новикова, Ю.А. Тунакова, Э.Ш.
Кремлева, А.Р. Шагидуллин, В.С. Валеев, Г.Н. Габдрахманова // В сборнике: Наука, образование,
производство в решении экологических проблем (Экология-2019) Материалы XV
Международной научно-технической конференции. – 2019. – С. 12‒21.
24. Кремлева, Э.Ш. Интегральная оценка состояния окружающей среды на основе
автоматического нейросетевого распознавателя / Э.Ш. Кремлева, С.В. Новикова,
А.Р. Шагидуллин // В сборнике: Химия и инженерная экология ‒ XIX сборник трудов
международной научной конференции, посвященной 150-летию периодической таблицы
химических элементов. – 2019. – С. 224‒227.