Search

The object of the research is intelligent systems for collecting, processing and analyzing information about the state of national security. Investigated problem: The problem that is solved in the research is the problem of building intelligent systems for collecting, processing and analyzing information about the state of national security with limitations on the available computing resources, reliability and given speed of processing of various types of data circulating in it. The main scientific results obtained during the study by the authors are: proposed approach to the development of intelligent systems for the collection, processing and analysis of information on the state of the state's national security. The proposed approach takes into account the security of the system, available forces and means, purpose, system effect, method of formation, resource composition, structure, management, the process of functioning according to the purpose, resource consumption and the specified efficiency criterion. This will allow to justify the requirements for software and hardware of intelligent systems for collecting, processing and analyzing information about the state of the state's national security. proposed architecture of intelligent systems for collecting, processing and analyzing information about the state of national security of the state. Its approximate composition, functional purpose and structure of the database management system are substantiated. The area of practical use of the research results: It is advisable to use the proposed scientific results when conducting research and development works on the creation of intelligent systems for collecting, processing and analyzing information about the state of national security of the state, and developing requirements for hardware and software of this type of systems. Field of application: software, information systems, decision support systems.

Decision making support systems are actively used in the processing of large data sets, process forecasting, providing information support to the decision-making process by decision-makers. However, there are problems with the transmission of information: the transmission of information takes place in a complex electronic environment against the background of interference; radio communication systems are the objects of primary fire damage due to high radio visibility. This article develops the methodological principles of routing in special communication networks in the conditions of fire damage and electronic suppression. The purpose of this research is to increase the efficiency of information transfer under the influence of destabilizing factors. The proposed methodological principles are based on the theory of artificial intelligence. The research presents a mathematical formulation of the problem of routing in special-purpose radio networks and developed a method of routing in special-purpose radio networks. The efficiency of information processing is achieved through training in the architecture of artificial neural networks; taking into account the type of uncertainty of the information to be assessed; use of the ant algorithm. The approbation of the use of the offered technique on the example of the estimation of information transfer in the conditions of influence of destabilizing factors is carried out. The proposed methodological principles should be used in the development of software for programmable devices of communication and in the modernization of existing and development of new radio communication devices. This example showed an increase in the efficiency of information transmission in radio communication systems at the level of 15–25 % on the criterion of efficiency

Decision making support systems (DSS) are actively used in all spheres of human life. The system of the electronic environment analysis is not an exception. However, there are a number of problems in the analysis of the electronic environment, for example: the signals are analyzed in a complex electronic environment against the background of intentional and natural interference. Input signals do not match the standards, and their interpretation depends on the experience of the operator (expert), the completeness of additional information on a particular task (uncertainty condition). The best solution in this situation is found in the integration with the data of the information system analysis of the electronic environment, artificial neural networks and fuzzy cognitive models. Their advantages are also the ability to work in real time and quick adaptation to specific situations. The article develops a method for assessing and forecasting the electronic environment. Improving the efficiency of evaluation information processing is achieved through the use of evolving neuro-fuzzy artificial neural networks; learning not only the synaptic weights of the artificial neural network, the type and parameters of the membership function. The efficiency of information processing is also achieved through training in the architecture of artificial neural networks; taking into account the type of uncertainty of the information that has to be assessed; synthesis of rational structure of fuzzy cognitive model. It reduces the computational complexity of decision-making; has no accumulation of learning error of artificial neural networks as a result of processing the information coming to the input of artificial neural networks. The example of assessing the state of the electronic environment showed an increase in the efficiency of assessment at the level of 15–25 % on the efficiency of information processing

Artificial intelligence has become the backbone of modern decision support systems. This is why a complex method for finding solutions for neuro-fuzzy expert systems has been developed. The proposed complex method is based on a mathematical model for the analysis of the operational situation. The model makes it possible to determine the parameters of the analysis of the operational situation, their influence on the quality of assessment of the operational situation and to determine their number with units of measurement. An increase in the efficiency of information processing (error reduction) of the assessment is achieved by the use of evolving neuro-fuzzy artificial neural networks. Training of evolving neuro-fuzzy artificial neural networks is carried out by training not only synaptic weights of the artificial neural network, the type, parameters of the membership function, but also by applying the procedure for reducing the dimension of the feature space. The efficiency of information processing is also achieved by training the architecture of artificial neural networks; accounting for the type of uncertainty in the information to be assessed; work with both clear and fuzzy data. We achieved a reduction in computational complexity while making decisions; the absence of errors in training artificial neural networks as a result of processing information entering the input of artificial neural networks. The analysis of the operational situation as a whole occurs due to the improved clustering procedure, which allows working with both static and dynamic data. The proposed complex method was tested on the example of assessing the state of the operational situation. The mentioned example showed an increase in assessment efficiency at the level of 20–25 % in terms of information processing efficiency, Искусственный интеллект стал основой систем современных систем поддержки принятия решений. Именно поэтому в данной работе разработан комплексный метод поиска решений для нейро-нечетких экспертных систем. В основе предложенного комплексного метода положена математическая модель анализа оперативной обстановки. Модель позволяет определить параметры анализа оперативной обстановки, их влияние на качество оценки оперативной обстановки и определить их количество с единицами измерения. Повышение оперативности обработки информации (уменьшение погрешности) оценки достигается за счет использования нейро-нечетких искусственных нейронных сетей, которые эволюционируют. Обучение нейро-нечетких искусственных нейронных сетей, которые эволюционируют, происходит обучением не только синаптических весов искусственной нейронной сети, вида, параметров функции принадлежности, а также применение процедуры уменьшения размерности пространства признаков. Оперативность обработки информации также достигается за счет обучения архитектуры искусственных нейронных сетей; учета типа неопределенности информации, подлежащей оценке; работы как с четкими, так и нечеткими продукции. При этом достигается уменьшение вычислительной сложности при принятии решений; отсутствия накопления ошибки обучения искусственных нейронных сетей в результате обработки информации, поступающей на вход искусственных нейронных сетей. Анализ оперативной обстановки в целом происходит за счет усовершенствованной процедуры кластеризации, что позволяет работать как со статическими так и динамическими данными. Проведена апробация предложенного комплексного метода на примере оценки состояния оперативной обстановки. Указанный пример показал повышение оперативности оценки на уровне 20–25 % по оперативности обработки информации, Штучний інтелект став основою систем сучасних систем підтримки прийняття рішень. Саме тому в даній роботі розроблено комплексний метод пошуку рішень для нейро-нечітких експертних систем. В основі запропонованого комплексного методу покладено математичну модель аналізу оперативної обстановки. Модель дозволяє визначити параметри аналізу оперативної обстановки, їх вплив на якість оцінювання оперативної обстановки та визначити їх кількість з одиницями виміру. Підвищення оперативності обробки інформації (зменшення похибки) оцінювання досягається за рахунок використання нейро-нечітких штучних нейронних мереж, що еволюціонують. Навчання нейро-нечітких штучних нейронних мереж, що еволюціонують, відбувається навчанням не тільки синаптичних ваг штучної нейронної мережі, виду, параметрів функції належності, а також застосування процедури зменшення розмірності простору ознак. Оперативність обробки інформації також досягається за рахунок навчання архітектури штучних нейронних мереж; врахування типу невизначеності інформації, що підлягає оцінюванню; роботи як з чіткими так і нечіткими продукціями. При цьому досягається зменшення обчислюваної складності при прийнятті рішень; відсутності накопичення помилки навчання штучних нейронних мереж в результаті обробки інформації, що надходить на вхід штучних нейронних мереж. Аналіз оперативної обстановки в цілому відбувається за рахунок удосконаленої процедури кластеризації, що дозволяє працювати як з статичними так і динамічними даними. Проведено апробацію запропонованого комплексного методу на прикладі оцінки стану оперативної обстановки. Зазначений приклад показав підвищення оперативності оцінювання на рівні 20–25 % по оперативності обробки інформації

Nowadays, artificial intelligence has entered into all spheres of human activity. However, there are some problems in the analysis of objects, for example, there is a priori uncertainty about the state of objects and the analysis takes place in a difficult situation against the background of intentional (natural) interference and uncertainty. The best solution in this situation is to integrate with the data analysis of information systems and artificial neural networks. This paper develops an improved method for finding solutions for neuro-fuzzy expert systems. The proposed method allows increasing the efficiency and reliability of making decisions about the state of the object. Increased efficiency is achieved through the use of evolving neuro-fuzzy artificial neural networks, as well as an improved procedure for their training. Training of evolving neuro-fuzzy artificial neural networks is due to learning their architecture, synaptic weights, type and parameters of the membership function, as well as the application of the procedure of reducing the dimensionality of the feature space. The analysis of objects also takes into account the degree of uncertainty about their condition. In the proposed method, when searching for a solution, the same conditions are calculated once, which speeds up the rule revision cycle and instead of the same conditions of the rules, references to them are used. This reduces the computational complexity of decision-making and does not accumulate errors in the training of artificial neural networks as a result of processing the information coming to the input of artificial neural networks. The use of the proposed method was tested on the example of assessing the state of the radio-electronic environment. This example showed an increase in the efficiency of assessment at the level of 20–25 % by the efficiency of information processing, В настоящее время искусственный интеллект проник во все сферы человеческой деятельности. Однако возникает ряд проблем при анализе объектов, а именно присутствует априорная неопределенность о состоянии объектов и анализ происходит в сложной обстановке на фоне преднамеренных (природных) помех и в условиях неопределенности. Лучший выход в этой ситуации находят в интеграции с данными анализа информационных систем и искусственных нейронных сетей. Именно поэтому, в указанной статье разработан усовершенствованный метод поиска решений для нейро-нечетких экспертных систем. Предложенный метод позволяет повысить оперативность и достоверность принятия решений о состоянии объекта. Повышение оперативности достигается за счет использования нейро-нечетких искусственных нейронных сетей, которые эволюционируют, а также усовершенствованной процедуры их обучения. Обучение нейро-нечетких искусственных нейронных сетей, которые эволюционируют, происходит за счет обучения их архитектуры, синаптических весов, вида и параметров функции принадлежности, а также применения процедуры уменьшения размерности пространства признаков. Также при анализе объектов учитывается степень неопределенности об их состоянии. В предлагаемом методе при выполнении поиска решения одинаковые условия вычисляются однократно, что обеспечивает ускорение прохождения цикла пересмотра правил и вместо одинаковых условий правил используются ссылки на них. При этом достигается уменьшение вычислительной сложности при принятии решений и не происходит накопления ошибки при обучении искусственных нейронных сетей в результате обработки информации, поступающей на вход искусственных нейронных сетей. Проведена апробация использования предложенного метода на примере оценки состояния радиоэлектронной обстановки. Указанный пример показал повышение оперативности оценки на уровне 20–25% по оперативности обработки информации, На даний час штучний інтелект проникнув в усі сфери людської діяльності. Однак виникає ряд проблем при аналізі об’єктів, а саме присутня апріорна невизначеність про стан об’єктів та аналіз відбувається в складній обстановці на фоні навмисних (природніх) завад та в умовах невизначеності. Найкращий вихід в цій ситуації знаходять в інтеграції з даними аналізу інформаційних систем і штучних нейронних мереж. Саме тому, в зазначеній статті розроблено удосконалений метод пошуку рішень для нейро-нечітких експертних систем. Запропонований метод дозволяє підвищити оперативність та достовірність прийняття рішень про стан об’єкту. Підвищення оперативності досягається за рахунок використання нейро-нечітких штучних нейронних мереж, що еволюціонують, а також удосконаленої процедури їх навчання. Навчання нейро-нечітких штучних нейронних мереж, що еволюціонують, відбувається за рахунок навчання їх архітектури, синаптичних ваг, виду та параметрів функції належності, а також застосування процедури зменшення розмірності простору ознак. Також при аналізі об’єктів враховується ступінь невизначеності про їх стан. В запропонованому методі при виконанні пошуку рішення однакові умови обчислюються одноразово, що забезпечує прискорення проходження циклу перегляду правил та замість однакових умов правил використовуються посилання на них. При цьому досягається зменшення обчислюваної складності при прийнятті рішень та не відбувається накопичення помилки при навчанні штучних нейронних мереж в результаті обробки інформації, що надходить на вхід штучних нейронних мереж. Проведено апробацію використання запропонованого методу на прикладі оцінки стану радіоелектронної обстановки. Зазначений приклад показав підвищення оперативності оцінювання на рівні 20–25 % по оперативності обробки інформації

A method for training artificial neural networks for intelligent decision support systems has been developed. The method provides training not only of the synaptic weights of the artificial neural network, but also the type and parameters of the membership function, architecture and parameters of an individual network node. The architecture of artificial neural networks is trained if it is not possible to ensure the specified quality of functioning of artificial neural networks due to the training of parameters of an artificial neural network. The choice of architecture, type and parameters of the membership function takes into account the computing resources of the tool and the type and amount of information received at the input of the artificial neural network. The specified method allows the training of an individual network node and the combination of network nodes. The development of the proposed method is due to the need for training artificial neural networks for intelligent decision support systems, in order to process more information, with unambiguous decisions being made. This training method provides on average 10–18 % higher learning efficiency of artificial neural networks and does not accumulate errors during training. The specified method will allow training artificial neural networks, identifying effective measures to improve the functioning of artificial neural networks, increasing the efficiency of artificial neural networks through training the parameters and architecture of artificial neural networks. The method will allow reducing the use of computing resources of decision support systems, developing measures aimed at improving the efficiency of training artificial neural networks and increasing the efficiency of information processing in artificial neural networks, Разработан метод обучения искусственных нейронных сетей для интеллектуальных систем поддержки принятия решений. Метод проводит обучение не только синаптических весов искусственной нейронной сети, но и вида и параметров функции принадлежности; архитектуры и параметров отдельного узла сети. В случае невозможности обеспечить заданное качество функционирования искусственных нейронных сетей за счет обучения параметров искусственной нейронной сети происходит обучение архитектуры искусственных нейронных сетей. Выбор архитектуры, вида и параметров функции принадлежности происходит с учетом вычислительных ресурсов средства и с учетом типа и количества информации, поступающей на вход искусственной нейронной сети. Указанный метод позволяет проводить обучение отдельного узла сети и осуществлять комбинирование узлов сети. Разработка предложенного метода обусловлена необходимостью проведения обучения искусственных нейронных сетей для интеллектуальных систем поддержки принятия решений, с целью обработки большего количества информации, при однозначности решений, которые принимаются. Указанный метод обучения обеспечивает в среднем на 10–18% более высокую эффективность обучения искусственных нейронных сетей и не накапливает ошибок в ходе обучения. Указанный метод позволит проводить обучение искусственных нейронных сетей; определить эффективные меры для повышения эффективности функционирования искусственных нейронных сетей; повысить эффективность функционирования искусственных нейронных сетей за счет обучения параметров и архитектуры искусственных нейронных сетей. Метод позволит уменьшить использование вычислительных ресурсов систем поддержки и принятия решений; выработать меры, направленные на повышение эффективности обучения искусственных нейронных сетей; повысить оперативность обработки информации в искусственных нейронных сетях, Розроблено метод навчання штучних нейронних мереж для інтелектуальних систем підтримки прийняття рішень. Метод проводить навчання не тільки синаптичних ваг штучної нейронної мережі, але й виду та параметрів функції належності; архітектури та параметрів окремого вузла мережі. В разі неможливості забезпечити задану якість функціонування штучних нейронних мереж за рахунок навчання параметрів штучної нейронної мережі відбувається навчання архітектури штучних нейронних мереж. Вибір архітектури, виду та параметрів функції належності відбувається з врахуванням обчислювальних ресурсів засобу та з врахуванням типу та кількості інформації, що надходить на вхід штучної нейронної мережі. Зазначений метод дозволяє проводити навчання окремого вузла мережі та здійснювати комбінування вузлів мережі. Розробка запропонованого методу обумовлена необхідністю проведення навчання штучних нейронних мереж для інтелектуальних систем підтримки прийняття рішень, з метою обробки більшої кількості інформації, при однозначності рішень, що приймаються. Зазначений метод навчання забезпечує в середньому на 10–18 % більшу високу ефективність навчання штучних нейронних мереж та не накопичує помилок в ході навчання. Зазначений метод дозволить проводити навчання штучних нейронних мереж; визначити ефективні заходи для підвищення ефективності функціонування штучних нейронних мереж; підвищити ефективність функціонування штучних нейронних мереж за рахунок навчання параметрів та архітектури штучних нейронних мереж. Метод дозволить зменшити використання обчислювальних ресурсів систем підтримки та прийняття рішень; виробити заходи, що спрямовані на підвищення ефективності навчання штучних нейронних мереж; підвищити оперативність обробки інформації в штучних нейронних мережах