KNEU Logo Публікації КНЕУ імені Вадима Гетьмана Publications of KNEU named after Vadym Hetman
Switch to Ukrainian Switch to English
Neuro-Fuzzy Modeling Techniques in Economics

Neuro-Fuzzy Modeling Techniques in Economics

ISSN 2415-3516
Лисенко Юрій
Yuriy Lysenko
Мінц Олексій  
Oleksii Mints  

Моделювання інноваційних інтелектуальних систем прийняття рішень в економіці

Modeling of innovative intellectual decision-making systems in the economy

DOI:

10.33111/nfmte.2017.090

Анотація: У статті систематизовано та розширено теоретико-методологічні засади процесів синтезу інноваційних інтелектуальних систем прийняття рішень. Визначено концептуальні підходи до застосування методів інтелектуальних обчислень для моделювання систем прийняття рішень. Запропоновано класифікацію методів інтелектуальних обчислень і класифікацію задач з аналізу та обробки даних. Розглянуто методологічні підходи до реалізації процесів спостереження, моделювання, ідентифікації та оцінки ефективності результатів моделювання інноваційних інтелектуальних систем прийняття рішень в економіці.
Предметом дослідження є методологія моделювання інноваційних інтелектуальних систем прийняття рішень в економіці.
Метою дослідження є формалізація процесів синтезу інноваційних інтелектуальних систем прийняття рішень для підвищення ефективності функціонування суб’єктів економічної діяльності.
Результати дослідження дозволяють підвищити ефективність роботи із слабко структурованою інформацією, а також якість прийняття управлінських рішень в умовах невизначеності.
Abstract: The article systematizes and extends the theoretical and methodological foundations of the synthesis processes of innovative intellectual decision-making systems. Conceptual approaches to application of methods of intellectual calculations for modeling of systems of decision-making are defined. Classification of methods of soft computing, and classification of tasks of data analysis and data processing are offered. Methodological approaches to implementation of the processes of observation, modeling, identification and evaluation of effectiveness of the results of innovative intellectual decision-making systems modeling in the economy are considered.
The subject of study is the modeling of innovative intellectual decision-making systems in the economy.
The research objective is to formalize the synthesis processes of innovative intellectual decision-making systems to improve the efficiency of the functioning of economic systems.
The results of the research make it possible to improve the efficiency of poorly structured data processing and the quality of decision-making under uncertainty.
Ключові слова: інтелектуальні обчислення, інтелектуальні системи, прийняття рішень, нейронні мережі, аналіз даних, обробка даних, ідентифікація, моделювання, оцінка ефективності
Key words: intellectual calculations, decision making, neural networks, data analysis, data processing, identification, modeling, assessment of efficiency
УДК: 004.89:519.816
UDC: 004.89:519.816

JEL: C45 C51 C52 C81 D81

To cite paper
In APA style
Lysenko, Y., & Mints, O. (2017). Modeling of innovative intellectual decision-making systems in the economy. Neuro-Fuzzy Modeling Techniques in Economics, 6, 90-141. http://doi.org/10.33111/nfmte.2017.090
In MON style
Лисенко Ю., Мінц О. Моделювання інноваційних інтелектуальних систем прийняття рішень в економіці. Нейро-нечіткі технології моделювання в економіці. 2017. № 6. С. 90-141. http://doi.org/10.33111/nfmte.2017.090 (дата звернення: 11.12.2025).
With transliteration
Lysenko, Y., Mints, O. (2017) Modeliuvannia innovatsiinykh intelektualnykh system pryiniattia rishen v ekonomitsi [Modeling of innovative intellectual decision-making systems in the economy]. Neuro-Fuzzy Modeling Techniques in Economics, no. 6. pp. 90-141. http://doi.org/10.33111/nfmte.2017.090 [in Ukrainian] (accessed 11 Dec 2025).
# 6 / 2017 # 6 / 2017
Download Paper
400
Views
109
Downloads
1
Cited by

  1. Hilbert, M., & López P. (2011). The World’s Technological Capacity to Store, Communicate, and Compute Information. Science, 332(6025), 60–65.
  2. Bir, S. (2005). Mozg firmy. Moskow, Russia: Yeditorial URSS [in Russian].
  3. Vitlinskiy, V.V. (2012). Shtuchnyi intelekt u systemi pryinyattya upravlinskykh rishen. Neiro-nechitki tekhnologii modelyuvannya v ekonomitsi (Neuro-fuzzy modeling techniques in economics), 1, 97–118 [in Ukrainian].
  4. Anfilatov, V. S., Yemel’yanov, A. A., & Kukushkin, A. A. (2002). Sistemnyi analiz v upravlenii. Moskow, Russia: Finansy i statistika [in Russian].
  5. Matviychuk, A. V. (2011). Shtuchniy intelekt v ekonomitsi: neironni merezhi, nechitka logika. Kyiv, Ukraine: KNEU [in Ukrainian].
  6. Haykin, S. (2006). Neyronnye seti: Polnyy kurs. Moskow, Russia: Williams [In Russian].
  7. Setlak, G. (2004). Intellektualnye sistemy podderzhki prinyatiya resheniy. Kyiv, Ukraine: LOGOS [in Ukrainian].
  8. Copeland, J. (1993). Artificial Intelligence: A Philosophical Introduction. Oxford: Wiley-Blackwell.
  9. Subbotin, S. O. (2009) Neiteratyvni, evolyutsiyni ta multyagentni metody syntezu nechitkologichnykh i neyromerezhnykh modeley. Zaporizhzhya, Ukraine: ZNTU [in Ukrainian].
  10. Sarayev, A. D., & Shcherbina, O. A. (2006). Sistemnyy analiz i sovremennyye informatsionnyye tekhnologii. Simferopol, Ukraine: SONAT [in Russian].
  11. Makarov, I. M., Vinogradskaya, T. M., Rubchinskiy, A. A., & Sokolov, V. B. (1982). Teoriya vybora i prinyatiya resheniy. Moskow, Russia: Nauka [in Russian].
  12. Vapnik, V. N., & Chervonenkis, A. Ya. (1971). On the uniform convergence of relative frequencies of events to their probabilities. Theoretical Probability and Its Applications, 17, 264–280.
  13. Koiran, P., & Sontag, E. D. (1996). Neural networks with quadratic VC dimension. Advances in Neural Information Processing Systems, 8, 197–203.
  14. Baum, E. B., & Haussler, D. (1989). What sixe net gives valid generalization? Neural Computation, 1, 151–160.
  15. Kravchuk, E. V., & Khanter, E. (2000). Iskusstvennyye neyronnyye seti i geneticheskiye algoritmy. Donetsk, Ukraine: DonGU [in Russian].
  16. Reshef, D. N., Reshef, Y. A., Finucane, H. K., & others. (2011). Detecting Novel Associations in Large Data Sets. Science, 334(6062), 1518–1524.
  17. Murphy, K. P. (2012). Machine Learning: A Probabilistic Perspective. Cambridge, MA: MIT Press.
  18. Mints, A. Yu. (2011). Metody otbora dannykh dlya neirosetevogo modelirovaniya. Modelyuvannya ta informatsiini systemy v ekonomitsi (Modelling and information systems in economy), 84, 256–270 [in Russian].
  19. Quinlan, R. J. (1994). C4.5: Programs for Machine Learning. Machine Learning, 3(16), 235–240.
  20. Minsky, M. L., & Papert, S. A. (1969). Perceptrons. Cambridge, MA: MIT Press.
  21. Erlikh, A. (1996). Tekhnicheskiy analiz tovarnykh i fondovykh rynkov. Moskow, Russia: Yuniti [in Russian].
  22. Yezhov, A. A., & Shumskiy, S. A. (1998). Neyrokompyuting i yego primeneniya v ekonomike i biznese. Moskow, Russia: MIFI [in Russian].
  23. Altshuller, G. S. (1979). Tvorchestvo kak tochnaya nauka. Moskow, Russia: Sovetskoye radio [In Russian].
  24. Altshuller, G. S. (2011). Nayti ideyu: Vvedeniye v TRIZ – teoriyu resheniya izobretatel’skikh zadach. Moskow, Russia: Alpina Pablisherz [in Russian].
  25. Mints, A. Yu. (2012). Obshchiye voprosy postanovki zadach v neirosetevom modelirovanii. Neiro-nechitki tekhnologii modelyuvannya v ekonomitsi (Neuro-fuzzy modeling techniques in economics), 1, 189–206 [in Russian].
  26. Neelamadhab, P., Pragnyaban, M., & Panigrahi, R. (2012). The Survey of Data Mining Applications and Feature Scope. International Journal of Computer Science, Engineering and Information Technology, 3(2), 43–58.
  27. Seddawy, A. B. El, Turky, S., & Ayman, K. (2013). Enhanced K-mean Algorithm to Improve Decision Support System under Uncertain Situations. International Journal of Computer Science and Network Security, 7(13), 50–58.
  28. Sangameshwari, B., & Uma, P. A. (2014). Survey on Data Mining Techniques in Business Intelligence. International Journal of Engineering and Computer Science, 10(3), 8575–8582.
  29. Larose, D. T. (2004). Discovering Knowledge in Data: An Introduction to Data Mining. Hoboken, New Jersey: Wiley & Sons.
  30. Gartner Group Advanced Technologies and Applications Research Note. (1995). Evolution of data mining. Retrieved from http://www.thearling.com/text/dmwhite/dmwhite.htm.
  31. D’yakonov, V., & Kruglov, V. (2001). Matematicheskiye pakety rasshireniya Matlab. Spetsial’nyy spravochnik. St. Petersburg, Russia: Piter [in Russian].
  32. Mints, A. Yu. (2016). Metod uproshcheniya dinamicheskikh ryadov s ispolzovaniyem geneticheskikh algoritmov. Ekonomichnyi visnyk zaporizkoi derzhavnoi inzhenernoi akademii (Economic Bulletin of Zaporozhye State Engineering Academy), 4(2), 120–124 [in Russian].
  33. Mints, A. Yu. (2015). Intellektualnyye metody analiza nadezhnosti uchastnikov rynkov finansovykh uslug. Visnyk donetskogo universytetu ekonomiky ta prava (Bulletin of the Donetsk University of Economics and Law), 2, 85–90 [in Russian].
  34. Karpov, Yu. (2005). Imitatsionnoye modelirovaniye sistem. Vvedeniye v modelirovaniye s AnyLogic 5. St. Petersburg, Russia: BKHV-Peterburg [in Russian].
  35. Forrester, J. (1971). Osnovy kibernetiki predpriyatiya (Industrial’naya dinamika). Moskow, Russia: Progress [In Russian].
  36. Mints, A. Yu. (2016). Modelirovaniye tsenoobrazovaniya na rynke zhiloy nedvizhimosti metodami sistemnoy dinamiki. Tekhnologicheskiy audit i rezervy proizvodstva (Technology audit and production reserves), 5/4(31), 39–45 [in Russian].
  37. Mints, O. Yu. (2012). Modelyuvannya protsesiv restrukturyzatsii kredytiv. Visnik Universytetu bankivskoi spravy NBU (Bulletin of the University of Banking of the NBU), 2(14), 329–333 [in Ukrainian].
  38. Schauerhuber, M., Zeileis, A., & Meyer, D. (2007, March 7–9). Benchmarking Open-Source Tree Learners in R/RWeka. In Proceedings of the 31st Annual Conference of the Gesellschaft für Klassifikation e.V. (pp. 389–396). Freiburg: Albert-Ludwigs-Universität.
  39. Knut, D. (2006). Iskusstvo programmirovaniya. Tom 1. Osnovnyye algoritmy. Moskow, Russia: Williams [In Russian].
  40. Vatutin, E. I., Titov, V. S., & Yemel’yanov, S. G. (2016). Osnovy diskretnoy kombinatornoy optimizatsii. Moskow, Russia: Argamak-Media [in Russian].
  41. Karpenko, A. P. (2014). Sovremennyye algoritmy poiskovoy optimizatsii. Algoritmy, vdokhnovlennyye prirodoy. Moskow, Russia: MGTU im. N. E. Baumana [in Russian].
  42. Paklin, N. B., & Oreshkov, V. I. (2013). Biznes-analitika: ot dannykh k znaniyam. St. Petersburg, Russia: Piter [in Russian].
  43. Powers, D. M. W. (2011). Evaluation: From Precision, Recall and F-Measure to ROC, Informedness, Markedness & Correlation. Journal of Machine Learning Technologies, 2(1), 37–63.
  44. Mitchell, T. (1997) Machine learning. USA: McGraw-Hill.
  45. Lysenko, Yu. G. (2012). Nechetkiye modeli i neyronnyye seti v analize i upravlenii ekonomicheskimi obyektami. Donetsk, Ukraine: Yugo-Vostok [in Russian].