ВОЗМОЖНОСТИ НЕЧЕТКО-ЛОГИЧЕСКИХ МЕТОДОВ ДЛЯ УПРАВЛЕНИЯ РЕГИОНАЛЬНЫМИ ИННОВАЦИОННЫМИ СИСТЕМАМИ
DOI:
https://doi.org/10.25806/uu122022150-157Ключевые слова:
инновационные системы и процессы, инновационно-телекоммуникационная инфраструктура, цифровая экономика, сетевая инфраструктура, интеграция, научно-промышленные кластеры, LSTM-сетиАннотация
Охарактеризованы современные региональные инновационные процессы, выявлены их специфические черты и особенности реализации. Определены основные факторы развития таких систем и отмечены ключевые аспекты, оказывающие влияние на развитие и эффективное управление региональной инновационной системой. Обоснована необходимость межорганизационного кооперационного взаимодействия региональных субъектов на основе ИКТ и принципов цифровой экономики. Рассмотрены существующие методы по управлению развитием инновационных систем, описаны основные особенности инструментов, которые используются при управлении инновационными процессами в рамках нейросетевого подхода. Рассмотрены возможности прогнозирования на основе анализа временных рядов с помощью рекуррентных нейронных сетей, среди которых выделены LSTM сети.
Список литературы
Кириллова Е.А. Исследование теоретических подходов и практик управления взаимодействием основных субъектов, способствующих обеспечению устойчивого развития региона в стратегической перспективе // Наука Красноярья. 2021. Т. 10. № 4. С. 143-160.
Kirillova E.A., Lazarev A.I., Kultygin O.P. Neural network model to support decision-making on managing cooperative relations in innovative ecosystems. Journal of Applied Informatics. 2022. V. 17. № 2 (98). P. 79-92.
Апенько С.Н., Попова О.В. Объединение ресурсов в рамках совместных проектов как фактор включения малых предприятий в процессы инновационного развития региона // Наука о человеке: гуманитарные исследования. 2015. № 3 (21). C. 130-136.
Заенчковский А.Э. Контроллинг инновационных процессов в промышленных кластерах // Контроллинг. 2016. № 62. С. 58-65.
Заенчковский А.Э. Методы моделирования логистики инноваций в условиях трудноформализуемого описания внешней среды // Экономические науки. 2011. № 82. С. 145-148.
Мешалкин В.П., Дли М.И., Какатунова Т.В. Анализ эффективности инновационной деятельности региональных промышленных комплексов северо-западного федерального округа России // Север и рынок: формирование экономического порядка. 2013. № 4 (35). С. 66a-70.
Дли М.И., Какатунова Т.В. Процедура распространения результатов инновационной деятельности в регионах // Журнал правовых и экономических исследований. 2010. № 1. С. 5-9.
Kalayda S.A. Model of creating an economic ecosystem in the framework of economic convergence under the influence of digitalization. Journal of Applied Informatics. 2021. V. 16. № 6 (96). P. 28-42.
Chernova G.V., Kalayda S.A., Khalin V.G., Yurkov A.V. SBER ecosystem - the product of digitalization impact on intersectoral economic convergence. Journal of Applied Informatics. 2021. V.16. № 3 (93). P. 57-68.
Дерябина Г.Г., Трубникова Н.В. Диджитализация коммерческого направления деятельности российских компаний как фактор повышения их конкурентоспособности // Современная конкуренция. 2021. Т. 15. № 3(83). С. 131-143.
Масалимов К.А., Мунасыпов Р.А. Интеллектуальные модели на основе нейронных сетей с долгой кратковременной памятью для диагностики состояния станков в машиностроении // Вестник Уфимского государственного авиационного технического университета. 2018. Т. 22. № 2 (80). С. 138-145.
Hochreiter S., Schmidhuber J. Long Short-Term Memory. Neural Computation.1997. V. 9. Is. 8. P. 1735-1780.
Мочалов В.А., Мочалова А.В. Применение долгой краткосрочной памяти и управляемых рекуррентных блоков для прогнозирования значений геомагнитных индексов // Вестник КРАУНЦ. Физ.-мат. науки. 2020. Т. 33. № 4. С. 110-121.
Chung J., Gulcehre C., Cho K., Bengio Y. Empirical evaluation of gated recurrent neural networks on sequence modeling. NIPS 2014 Workshop on Deep Learning. 2014. [Электронный ресурс]. URL: https://arxiv.org/pdf/1412.3555v1.pdf (дата обращения: 20.11.2022).
Гринин И.Л. Работа модели генерации текста с помощью нейронных сетей как составной системы: модульный анализ. Модуль третий. Нейронные сети - структура и машинное обучение // Инновации и инвестиции. 2020. № 9. С. 140-143.
