В.А. Истомин

Авторы

В.А. Истомин Липецкий государственный технический университет

Ключевые слова:

НЕЙРОННЫЕ СЕТИ, ОКРЕСТНОСТНЫЕ МОДЕЛИ, ИЕРАРХИЧЕСКИЕ ДИНАМИЧЕСКИЕ НЕЙРО-ОКРЕСТНОСТНЫЕ МОДЕЛИ, ПЕРЕМЕННЫЕ ОКРЕСТНОСТИ, МОДЕЛИРОВАНИЕ СЛОЖНЫХ СИСТЕМ, КОМПЛЕКС ПРОГРАММ, PYTHON

Аннотация

В статье представлены иерархические динамические нейро - окрестностные модели (ИДНО), объединяющие нейросетевые методы и окрестностные подходы для моделирования сложных систем. Разработан программный комплекс на Python с поддержкой нейросетей (RBF, TSK, MLP, CNN) и переменных окрестностей, реализована ручная и автоматическая настройка параметров моделей. Эффективность подхода подтверждена экспериментами в различных предметных областях, включая прогнозирование энергопотребления, анализ производственных процессов и оценку стоимости земельных участков.

Библиографические ссылки

Яглом И.М. Математические структуры и математическое моделирование. Москва: Ленанд, 2018. 144 с. -.

Yaglom I.M. Mathematical Structures and Mathematical Modeling. Moscow: Lenand. 2018. 144 p. -.

Горлач Б.А., Шахов В.Г. Математическое моделирование. Построение моделей и численная реализация: учебное пособие. 5-е изд. Санкт-Петербург: Лань, 2023. 272 с. -.

Gorlach B.A., Shakhov V.G. Mathematical Modeling. Model Construction and Numerical Implementation: тextbook. 5th ed. Saint Petersburg: Lan, 2023. 272 p. -.

Моделирование систем и процессов: учебник для вузов / под ред. В.Н. Волковой, В.Н. Козлова. 2-е изд., перераб. и доп. Москва: Юрайт, 2025. 510 с. (Высшее образование). -.

Modelirovanie sistem i protsessov Modeling of Systems and Processes: тextbook for Universities / ed. by V.N. Volkova, V.N. Kozlov. 2nd ed., revised and enlarged. Moscow: Yurait, 2025. 510 p. (Higher Education). -.

Exploring Mathematical Modeling with Young Learners / ed. by J.M. Suh, L.D. English, M.H. Wickstrom. Cham, Switzerland: Springer International Publishing, 2021. 453 р.

Власов М.В. Имитационное моделирование: учебно - методическое пособие для подготовки к лекционным и практическим занятиям. Новочеркасск: ЮРГПУ (НПИ), 2016. 60 с.

Vlasov M.V. Simulation Modeling: тeaching aid for lectures and practical classes. Novocherkassk: YRSPU (NPI), 2016. 60 p.

Колесов Ю.Б., Сениченков Ю.Б. Математическое моделирование сложных динамических систем. Санкт-Петербург: Политех-Пресс, 2019. 242 с. -.

Kolesov Yu.B., Senichenkov Yu.B. Mathematical Modeling of Complex Dynamic Systems. Saint Petersburg: Politekh-Press, 2019. 242 p. -.

Свидетельство о государственной регистрации программы для ЭВМ № 2021666960 Российская Федерация. Идентификация иерархических динамических нейро-окрестностных моделей: № 2021666078: заявл. 13.10.2021: опубл. 22.10.2021 / И.А. Седых, В.А. Истомин; заявитель Федеральное государственное бюджетное образовательное учреждение высшего образования "Липецкий государственный технический университет".

Certificate of State Registration of Computer Program № 2021666960 Russian Federation. Identification of Hierarchical Dynamic Neuro-Neighborhood Models: Application № 2021666078: filed 13.10.2021: published 22.10.2021 / I.A. Sedykh, V.A. Istomin; applicant Lipetsk State Technical University.

Свидетельство о государственной регистрации программы для ЭВМ № 2024660588 Российская Федерация. Автоматический подбор оптимальных параметров для идентификации иерархических динамических нейро-окрестностных моделей: № 2024618351: заявл. 18.04.2024: опубл. 08.05.2024 / И.А. Седых, В.А. Истомин; заявитель Федеральное государственное бюджетное образовательное учреждение высшего образования "Липецкий государственный технический университет".

Certificate of State Registration of Computer Program № 2024660588 Russian Federation. Automatic Selection of Optimal Parameters for Identification of Hierarchical Dynamic Neuro-Neighborhood Models: Application № 2024618351: filed 18.04.2024: published 08.05.2024 / I.A. Sedykh, V.A. Istomin; applicant Lipetsk State Technical University.

Седых И.А., Истомин В.А. Применение иерархических динамических нейро-окрестностных моделей // XIV Всероссийское совещание по проблемам управления: сборник научных трудов, Москва, 17-20 июня 2024 г. Москва, 2024. С. 3000-3004.

Sedykh I.A., Istomin V.A. Application of hierarchical dynamic neuro-neighborhood models // XIV All-Russian Conference on Control Problems: Proceedings, Moscow, June 17-20, 2024. Moscow, 2024. P. 3000-3004.

Седых И.А., Истомин В.А. Нейро-окрестностные модели как новый класс иерархических динамических окрестностных моделей. -DOI // Прикладная математика и вопросы управления. 2024. № 2. С. 34-48.

Sedykh I.A., Istomin V.A. Neuro-neighborhood models as a new class of hierarchical dynamic neighborhood models. -DOI // Applied Mathematics and Control Problems. 2024. № 2. Р. 34-48.

Цехановский В.В., Жукова Н.А., Бутырский Е.Ю. Искусственные нейронные сети: учебник. Москва: Кнорус, 2023. 352 с. -.

Tsekhanovsky V.V., Zhukova N.A., Butyrsky E.Yu. Artificial Neural Networks: тextbook. Moscow: Knorus, 2023. 352 p. -.

Николенко С.И., Кадурин А.А., Архангельская Е.О. Глубокое обучение. Погружение в мир нейронных сетей. Санкт-Петербург: Питер, 2018. 480 с. -.

Nikolenko S.I., Kadurin A.A., Arkhangelskaya E.O. Deep Learning. Immersion in the World of Neural Networks. Saint Petersburg: Piter, 2018. 480 p. -.

Chollet F. Deep Learning with Python. 2nd ed. Shelter Island, NY: Manning Publications, 2021. 384 p. -.

Жерон О. Прикладное машинное обучение с помощью Scikit-Learn, Keras и TensorFlow: концепции, инструменты и техники для создания интеллектуальных систем. 2-е изд. Санкт-Петербург: Диалектика, 2020. 1040 с.

Geron A. Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems. 2nd ed. Saint Petersburg: Dialektika, 2020. 1040 p. -.

Constructing Neural Network Based Models for Simulating Dynamical Systems / C. Legaard, T. Schranz, G. Schweiger [et al.]. -DOI 10.1145/3567591 // ACM Computing Surveys. 2023. Vol. 55 (11), № 236. Р. 1-34.

Галушкин А.И. Нейронные сети. Основы теории. Москва: Горячая Линия-Телеком, 2017. 496 с. -.

Galushkin A.I. Neural Networks. Fundamentals of Theory. Moscow: Goryachaya Liniya-Telekom, 2017. 496 p. -.

Аникин М.В., Никифоров М.Б., Таганов А.И. Нейросетевые системы искусственного интеллекта в задачах обработки изображений. Москва: Горячая линия-Телеком, 2017. 152 с. -.

Anikin M.V., Nikiforov M.B., Taganov A.I. Neural Network Artificial Intelligence Systems in Image Processing Tasks. Moscow: Goryachaya liniya-Telekom, 2017. 152 p. -.

Scaled cluster consensus of discrete-time multi-agent systems with general directed topologies / B. Hou, F. Sun, H. Li [at al.] // International Journal of Control. 2016. Vol. 89, № 47. P. 3839-3845.

Макаров К.Н., Седых И.А. Идентификация комплекснозначных окрестностных моделей с нечеткой кластеризацией данных // Математика и математическое моделирование: сборник материалов XVIII Всероссийской молодёжной научно-инновационной школы, Саров, 10-12 апр. 2024 г. Саров, 2024. С. 484.

Makarov K.N., Sedykh I.A. Identification of Complex-Valued Neighborhood Models with Fuzzy Data Clustering // Mathematics and Mathematical Modeling: Proc. of the XVIII All-Russian Youth Scientific and Innovative School, Sarov, April 10-12, 2024. Sarov. 2024. Р. 484.

Shang Y. Consensus in averager-copier-voter networks of moving dynamical agents. Text: electronic // Chaos. 2017. Vol. 27 (2). Р. 023116.

Седых И.А., Макаров К.Н. Сравнение методов нечеткой кластеризации данных при идентификации комплекснозначной динамической окрестностной модели // Управление большими системами: труды XX Всероссийской школы-конференции молодых ученых, Новочеркасск, 10-13 сент. 2024 г. Новочеркасск, 2024. С. 47-54.

Sedykh I.A., Makarov K.N. Comparison of Data Clustering Fuzzy Methods for Identification of Complex-Valued Dynamic Neighborhood Models // Large Systems Control: Proc. of the XX All-Russian Young Scientists School-Conference, Novocherkassk, September 10-13, 2024. Novocherkassk, 2024. Р. 47-54.