POSSIBILITIES OF FUZZY-LOGIC METHODS FOR MANAGING REGIONAL INNOVATION SYSTEMS
DOI:
https://doi.org/10.25806/uu122022150-157Статья поступила в редакцию: 08.12.2022
Статья принята к публикации: 08.12.2022
Статья опубликована: 16.12.2022
Keywords:
innovative systems and processes, innovation and telecommunications infrastructure, digital economy, network infrastructure, integration, scientific and industrial clusters, LSTM-networksAbstract
The article presents the features of modern regional innovation processes, reveals their specific features and features of implementation in modern conditions. The key factors of the development of such innovation systems were identified and important aspects affecting this development and effective management of the regional innovation system were identified. The necessity of interdepartmental cooperation of regional entities based on the principles of information and communication technologies and the digital economy is substantiated. The existing methods of managing the development of innovative systems were also considered, the main characteristics of the tools that can be used in the management of innovative processes within the framework of the neural network approach were described. The possibilities of forecasting based on time series analysis using recursive neural networks, in which LSTS-networks are distinguished, are also considered.
Информация о публикации
Финансирование: Исследование выполнено без привлечения внешнего финансирования, если иное не указано авторами.
Вклад авторов: Все авторы внесли существенный вклад в подготовку статьи, ознакомились с окончательной версией рукописи и одобрили ее к публикации.
Конфликт интересов: Авторы заявляют об отсутствии конфликта интересов, если иное не указано в публикации.
Правообладатель: Издательский дом «Академический».
Лицензия: Статья распространяется на условиях лицензии Creative Commons Attribution 4.0 International (CC BY 4.0).
Машиночитаемый файл метаданных: JATS XML
References
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.
