Труды КНЦ вып.9 (ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ) вып. 9/2019(10)

неопределенность, приходится оперировать не отдельными событиями и даже не исчерпывающими множествами таких событий, а композициями таких множеств. Между событиями, принадлежащими различным множествам, возможна зависимость, порождающая сложные высказывания. В работе использованы модели управления запасами с учетом денежной стоимости денег (модель со скидками, с дефицитом, с заёмными денежными средствами), традиционные стратегии управления («наибольшей осмотрительности», «дополнительного резерва» «процент от спроса»), для принятия решений разработана логическая нейронная сеть под задачу. Решение задачи классификации [16] становится все более актуальным в связи с развитием технологии и разрастанием обрабатываемых объемов данных. Использование нейронных сетей обязательны при решении задач классификации, т.к. нейронные сети обладают способностью выявления значимых признаков и скрытых закономерностей. Преимуществами логической нейронной сети являются: более высокая точность классификации, большая скорость обучения и переобучения. Задача классификации встречается в самых разных областях человеческой деятельности и решается для последующего прогнозирования состояния исследуемой системы, например, в системах распознавания, в медицинской диагностике, банковской кредитной системы, контроля качества и т.д. и имеет практическую значимость. Существует огромное количество алгоритмов классификации, применяющиеся в решении определенных задач. Под задачу классификации легко подстраивается логическая нейронная сеть с булевыми выходами. Логические нейронные сети хорошо подходят, когда классов, в которые нужно определить тот или иной объект не очень много. Это утверждение обусловлено тем, что в такой нейронной сети на выходном слое нейронов столько, сколько классов, и принадлежность объекта классификации к данному классу определяется 1 на выходе данного нейрона и 0 на всех остальных. Нейронные сети обладают способностью выявления значимых признаков и скрытых закономерностей. Преимуществами логической нейронной сети являются: более высокая точность классификации, большая скорость обучения и переобучения. Недостатками такой модели является разрастание нейронной сети при большом количестве классов, к которым надо отнести тот или иной объект и большом количестве характеристик объектов. В работе [17] для синтеза антецедента (условия активации) решающих продукционных правил в случае представления характеризующих объект признаков в виде булевых переменных используются искусственные логические нейронные сети (ЛНС). Применяемый в настоящее время синтез ЛНС [18, 19] по сути, является итерационным процессом идентификации предикатов первого порядка, что не отвечает основным принципам самоорганизационного моделирования. Между тем сетевые принципы синтеза моделей, лежащие в основе метода группового учета аргументов (МГУА), доказали свою перспективность в аналогичных случаях при анализе сложных открытых систем в медицинской предметной области [20]. В связи с этим аналогично МГУА предлагается использовать нейроны логической сети с ограниченным и небольшим количеством входов, постепенно усложняя структуру логической функции, «продвигаясь внутрь» по рядам ЛНС. Ограничение на количество входных аргументов одного нейрона приближено к естественному интеллекту, который «одновременно удерживает» 105