Основы вычислительного интеллекта, М. 3. Згуровский, Ю.П. Зайченко, Изд. «Наукова Думка». Киев, 2013.- 406 стр.

Основы вычислительного интеллекта, М.3. Згуровский, Ю.П. Зайченко

Настоящая монография является первой монографией изданной на Украине, в которой дано систематизированное изложение всех современных направлений в области вычислительного интеллекта. Во введении дается краткое изложение истории развития работ в области ВИ, дается авторское определение термина вычислительного интеллекта (ВИ), выделяются его основные компоненты: технологии, модели, методы и прикладные задачи ВИ- прогнозирование и предвидение, классификация и распознавание образов, кластеризация (автоматическая классификация) интеллектуальный анализ данных и знаний, дается их краткая характеристика, указываются взаимосвязи, отмечаются связи ВИ с мягкими вычислениями («софт-компьютингом»).
В первой главе излагается исторически первая технология ВИ – нейронные сети. Рассматривается классическая нейронная сеть с обратным распространением (НС BP), изложены основные алгоритмы обучения – градиентный, сопряженных градиентов и генетический, дан сравнительный анализ их достоинств и недостатков. Далее рассмотрен другой важный класс нейронных сетей – с радиально-базисными функциями (РБФ-нейросети), излагаются их свойства рассмотрены алгоритмы обучения, дается сравнительный анализ свойств и возможностей НС РБФ и НС BP и различных сферах применения, в частности задачах прогнозирования и классификации.

Вторая глава посвящена рассмотрению нейронных сетей с обратными связями и с самоорганизацией Хопфилда и Хемминга. Проанализированы их свойства методы настройки весов. Приводятся результаты сравнительных экспериментов по применению рекуррентных нейронных сетей в задачах классификации букв в условия высокого уровня шумов. Важным свойством интеллектуальных систем является их способность к самоорганизации. В монографии рассмотрены нейронные сети с самоорганизацией, описаны их структура, свойства. Изложены и проанализированы алгоритмы самоорганизации – базовый алгоритм Кохонена, а также модифицированные алгоритмы с памятью и функцией соседства. Данные алгоритмы широко используются в задачах автоматической классификации и кластерного анализа, а также анализа и визуализации многомерных данных.

В третьей главе рассмотрен новый важный класс технологий ВИ – системы с нечеткой логикой и нечеткие нейронные сети, .описаны основные этапы нечеткого вывода, а также основные алгоритмы нечеткого вывода: Мамдани, Цукамото, Сугено и Ларсена. Дан анализ свойств, достоинств и недостатков систем с нечеткой логикой на основе которого сделан вывод об интеграции двух технологий ВИ: нейронных сетей и систем нечеткой логики, в результате которой создана новая технология ВИ – нечеткие нейронные сети (ННС), сочетающая достоинства обеих составляющих технологий. Изложены алгоритмы обучения нечетких нейронных сетей (ННС). Далее рассматривается новый класс нечетких нейросетей – каскадные неофаззи – нейронные сети, их архитектура, свойства и алгоритмы обучения.

Излагаются различные применения нечетких нейронных сетей в макроэкономике и финансовом анализе. Рассматривается задача прогнозирования курсов акций в макроэкономике и финансовой сфере с использованием ННС с выводами Мамдани, Цукамото и Сугено, приводятся результаты сравнительных экспериментов, позволяющие определить наиболее эффективный метод прогнозирования на фондовых рынках.

Далее рассмотрена актуальная задача прогнозирования риска банкротства предприятий в условиях неполной и недостоверной информации. Описан классический метод Альтмана, а также новые методы, использующие технологии и методы вычислительного интеллекта – нечетко-множественный метод прогнозирования риска банкротства, а также нечеткие нейронные сети. В монографии приводятся новые результаты применения вышеуказанных нечетких методов для прогнозирования банкротства предприятий на примере Украины в условиях неопределенности, проведен их анализ и определен наиболее подходящий метод.

Рассматривается актуальная для банковской сферы задача анализа кредитоспособности юридических и физических лиц. Изложен новый метод анализа кредитоспособности заемщиков в условиях неопределенности – на основе применения ННС. Приводятся результаты сравнительных экспериментов по прогнозированию кредитоспособности с использованием скорингового и нечетких методов ВИ на примере решения реальных практических задач для юридических и физических лиц..
Далее рассматривается задача оценки риска банкротства банков в условиях неопределенности и приводятся результаты ее решения с использованием различных нечетких нейросетей для банковской системы Украины, также ведущих Европейских банков, полученные авторами.

В пятой главе рассматривается применение нейронных сетей в задачах классификации и распознавания образов. Рассмотрена ННС NEFClass, описаны ее архитектура, свойства и алгоритмы обучения, проанализированы недостатки. Далее описаны применения нечетких нейросетей в задачах распознавания электрооптических изображений, полученных с помощью мультиспектральных систем со спутников и других летательных аппаратов.
Шестая глава посвящена методу индуктивного моделирования- группового учета аргументов (МГУА). Рассмотрены общая схема и основные принципы метода группового учета аргументов. Изложен классический полиномиальный многорядный алгоритм МГУА, описаны его свойства. Далее рассматривается новый нечеткий метод МГУА, предложенный авторами и позволяющий работать в условиях неполной и нечеткой информации. Описаны его свойства и изложен алгоритм НМГУА. Рассмотрена проблема адаптации индуктивных моделей, полученных с использованием НМГУА, в процессе их эксплуатации. Приводятся результаты многочисленных сравнительных экспериментов классического и нечеткого МГУА в задачах прогнозирования на рынках ценных бумаг Украины, России и США.

В седьмой главе рассматриваются проблемы кластерного анализа (автоматической классификации). Здесь приводится постановка задачи кластерного анализа, описана классификация методов, используемые метрики и критерии кластерного анализа. Изложены четкие методы кластер-анализа: К-средних, ближайшего соседа, иерархические агломеративные и дивизимные методы и алгоритмы, проанализированы их свойства.

Далее описаны нечеткие методы кластер-анализа: К-средних, Густавссона -Кесселя. Описаны также новые адаптивные робастные методы кластерного анализа, работающие в условиях больших помех. Рассматриваются примеры применения методов кластерного анализа в задачах автоматической классификации стран ООН по показателям устойчивого развития, а также классификации экономических объектов по финансово-экономическим показателям.
Восьмая глава посвящена теории и применению эволюционного моделирования (ЭМ) и генетических алгоритмов (ГА). Рассмотрены общая схема и основные механизмы ГА, их основные свойства и достоинства. Изложены способы улучшения механизмов кроссинг-овера, мутаций и селекции, используемых в генетических алгоритмах. Изложены вопросы адаптации параметров генетических алгоритмов. Рассмотрено применение ГА в актуальной практической проблеме структурной оптимизации компьютерных сетей по критериям своевременности доставки и живучести.

Далее рассматриваются основная концепция и направления развития эволюционного моделирования (ЭМ). Изложены эволюционные стратегии в решении задач вычислительного и интеллекта. Особое внимание уделяется важной проблеме ускорения сходимости генетических и эволюционных алгоритмов.

В девятой главе рассмотрена актуальная проблема оптимизации инвестиционного портфеля в условиях неопределенности. Рассмотрена классическая задача портфельной оптимизации Марковича, проанализированы ее возможности и недостатки. Сформулирована новая постановка задачи портфельной оптимизации в условиях неопределенности, свободная от недостатков классической модели и разработана теория нечеткой портфельной оптимизации в условиях неопределенности. С целью повышения достоверности решений при составлении портфелей на рынках ценных бумаг разработан метод прогнозирования доходностей акций при составлении инвестиционных портфелей на основе нечеткого МГУА. Описана двойственная задача нечеткой портфельной оптимизации. Приводятся результаты применения данного подхода для определения портфелей из акций на рынках ценных бумаг Украины, России и США.
В заключение рассмотрены перспективы развития систем и технологий вычислительного интеллекта.

Особенностями предлагаемой монографии является наличие большого числа примеров практического применения методов вычислительного интеллекта для решения актуальных задач в макроэкономике, финансовой сфере, в частности прогнозирования, классификации и распознавания образов, оптимизации инвестиционных портфелей на фондовых рынках, анализа риска банкротства корпораций и банков, анализа кредитоспособности заемщиков в условиях неполноты и неопределенности, которые были получены авторами в ходе собственных исследований и публикуются в монографической литературе впервые. Именно изложение и системный анализ полученных экспериментальных и практических результатов позволяют оценить эффективность описанных методов и технологий вычислительного интеллекта.

Учитывая большую актуальность тематики монографии и ценность изложенных научных и практических результатов для зарубежного читателя издательством «Шпрингер» запланировано издание английского варианта данной монографии и подписан соответствующий договор между издательством и авторами.

2011-2017©, Національний технічний університет України "Київський політехнічний інститут імені Ігоря Сікорського"
Департамент науки та інноватики КПІ ім.Ігоря Сікорського
Адреса НДЧ КПI ім.Ігоря Сікорського: Україна, 03056, м.Київ-56, проспект Перемоги, 37, корпус 1, кімн. 138
тел.: 236-62-13, 204-92-00
e-mail: ndch@kpi.ua
http://science.kpi.ua, http://www.science.kpi.ua