ISSN 0236-235X (P)
ISSN 2311-2735 (E)

Публикационная активность

(сведения по итогам 2016 г.)
2-летний импакт-фактор РИНЦ: 0,493
2-летний импакт-фактор РИНЦ без самоцитирования: 0,389
Двухлетний импакт-фактор РИНЦ с учетом цитирования из всех
источников: 0,732
5-летний импакт-фактор РИНЦ: 0,364
5-летний импакт-фактор РИНЦ без самоцитирования: 0,303
Суммарное число цитирований журнала в РИНЦ: 5022
Пятилетний индекс Херфиндаля по цитирующим журналам: 355
Индекс Херфиндаля по организациям авторов: 499
Десятилетний индекс Хирша: 11
Место в общем рейтинге SCIENCE INDEX за 2016 год: 304
Место в рейтинге SCIENCE INDEX за 2016 год по тематике "Автоматика. Вычислительная техника": 11

Больше данных по публикационной активности нашего журнале за 2008-2016 гг. на сайте РИНЦ

Вход


Забыли пароль? / Регистрация

Добавить в закладки

Следующий номер на сайте

3
Ожидается:
16 Июня 2018

Оценка инновационного потенциала организаций региона на основе гибридных экспертных систем

Evaluation of innovative potential of organizations of the region based on hybrid expert systems
Статья опубликована в выпуске журнала № 2 за 2010 год.[ 27.05.2010 ]
Аннотация:В статье рассматриваются вопросы создания моделей и программного обеспечения для определения уровня ин-новационного потенциала организации с применением технологии гибридных экспертных систем и нейронных сетей.
Abstract:The article considers models and architecture of a special software system for determining the level of innovative potential of the organization based on hybrid expert systems technology and neural networks.
Авторы: Пятковский О.И. (poi1952@mai.ru) - Алтайский государственный технический университет им. И.И. Ползунова, г. Барнаул, , , доктор технических наук, Тишков О.И. (toi-business@yandex.ru) - Алтайский государственный технический университет им. И.И. Ползунова, г. Барнаул, ,
Ключевые слова: нейронные сети, гибридные экспертные системы, инновационный потенциал
Keywords: neural network, hybrid expert systems, innovative capacity
Количество просмотров: 9810
Версия для печати
Выпуск в формате PDF (4.97Мб)
Скачать обложку в формате PDF (1.38Мб)

Размер шрифта:       Шрифт:

Подпись:  Рис. 1. Информационное обеспечение системы управления инновационной деятельностью в регионеНа современном этапе экономического развития регионов страны актуальной задачей является разработка адаптивных программных комплексов для оценки инновационного потенциала промышленного предприятия (как основного производителя инновационной продукции) и научно-техни­ческой организации (НТО), занимающейся НИОКР и являющейся главным генератором инноваций, а также сопряжение их потенциалов.

Инновационный потенциал организации рассматривается как совокупность ее различных ресурсов Rin (интеллектуальных, производственных, финансовых и др.) и внешних факторов Rout, обусловливающих возможность реализации инновации: IPt=, где t – период, в котором производится измерение.

Система управления инновациями в организации предполагает оперативное взаимодействие со всеми участниками инновационного процесса. Обеспечить его можно с помощью интернет-тех­нологий, посредством которых каждый участник обращается к центральному web-порталу. Таким образом, может быть создана единая площадка для представления и сопряжения интересов участников инновационного процесса в регионе (научно-технических организаций, университетов, промышленных предприятий, инвесторов, предста­вительств федеральных, региональных и городских властей). Более сложно соотнести интересы промышленных предприятий и НТО, для чего необходимо оценивать инновационный потенциал обоих участников.

На рисунке 1 представлена общая структура программного комплекса, обеспечивающего взаимодействие производственных предприятий и НТО. Основным элементом комплекса является аналитическая подсистема «Бизнес-Аналитик», изображенная на рисунке 2 (Свид. об офиц. регистр. прогр. для ЭВМ № 2005611449 (Авторы: Тишков О.И., Пятковский О.И., Пятковский И.О., Авдеев А.С. и др.)).

Подпись:  Рис. 2. Структура аналитической подсистемыВажнейшее место в структуре аналитической подсистемы занимает блок построения модели решения задачи, реализующий технологию гибридных экспертных систем. В нем осуществляется настройка иерархического дерева решения задачи. Каждый узел дерева – это отдельная подзадача гибридной экспертной системы, для которой определяются метод решения и интервал допустимых значений [1].

В результате исследований выделен ряд факторов, позволяющих охарактеризовать инновационный потенциал предприятия. На их основе был сформирован массив входных данных X (77 показателей). Настоящая задача структурирована в виде иерархической модели (графа связей), в верхнем уровне которой определены 9 интегральных показателей, а также выделено 11 других промежуточных узлов. В таблице 1 представлены методы решения основных интегральных показателей верхнего уровня гибридной модели оценки инновационного потенциала промышленного предприятия, где НС – нейронная сеть, ЭС – продукционная экспертная система, Ф – формула.

Таблица 1

Показатель

Название показателя

Метод решения

Функция решения

Шкала измерения

 

Инновационный потенциал

Ф

0–10

P1

Финансовый потенциал

НС

0–10

P2

Интеллектуальный потенциал

НС

0–10

P3

Организационно-управлен­ческий потенциал

ЭС

0–3

P4

Маркетинговый потенциал

НС

0–10

P5

Информационно-методичес­кое обеспечение

НС

0–10

P6

Опыт реализации инновационных проектов

НС

0–10

P7

Внешний инновационный климат

ЭС

0–3

P8

Потенциал материально-тех­нической базы

НС

0–10

В модели оценки инновационного потенциала промышленного предприятия наиболее сложным с точки зрения степени неопределенности связей входных и выходных параметров является оценка интеллектуального потенциала. Модель данной подзадачи (рис. 3) представлена следующей формулой:

 (1)

где P2 – интегральные показатели в модели инновационного потенциала; fint, fkadr, fvz – функции нелинейного преобразователя нейронной сети, используемые для решения задач «Оценка интеллектуального потенциала», «Оценка кадрового потенциала», «Оценка взаимодействия с научными организациями»; N, M, L – количество нейронов в скрытых слоях; {x}ÎX – исходные данные; {w} – синаптические весовые коэффициенты; Pr:(x2111, …, x2116)®Decisionpodg – продукционная экспертная система по определению уровня подготовки специалистов, где (x2111, …, x2116)®Decisionpodg – правила продукции, отражающие причинное отношение предпосылки и заключения по поводу задачи Podg; Decisionstep, Decisionstag – заключения продукционной экспертной системы для подзадач «Оценка остепененности сотрудников», «Оценка стажа работников».

Программный комплекс обеспечивает адаптивность представленной модели за счет средств адаптивной настройки под предметную область. В частности, для нейросетевых решателей используются методы автоматического конструирования и дообучения.

Для оценки инновационного потенциала НТО используется другая модель с тем же принципом построения и расчета (см. рис. 4).

В концепции гибридных экспертных систем соотнесение потенциалов осуществляется по узлам построенных графов связей решения задач. Соотнесение можно выполнять между любыми узлами исходя из их характеристик и поставленных целей. В качестве целей соотнесения рассматриваются:

1) Á1 – создание тематического кластера для реализации инновационного проекта (в этом случае необходимо отобрать наиболее сильных участников с учетом особенностей проекта);

2) Á2 – подбор НТО для усиления слабых мест на предприятии (например, при низком интеллектуальном потенциале предприятия необходимо подобрать НТО для проведения НИОКР по инновационному проекту).

Для решения первой задачи может быть настроена гибридная экспертная система соотнесения НТО и промышленного предприятия для реализации инновационных проектов (рис. 5), которая способна функционировать автоматически по заранее настроенным правилам и в диалоговом режиме, когда пользователю-эксперту предлагается последовательно ответить на ряд вопросов.

Пусть R, T – соответственно множества показателей оценки инновационного потенциала предприятия и НТО, где R={Ppredpr, Xpredpr} и T={Pnto, Xnto}; Ppredpr, Pnto – множества интегральных показателей модели оценки инновационного потенциала; Xpredpr, Xnto – множества исходных показателей модели оценки; Q – множество показателей-характеристик проекта, оцениваемых экспертно. Тогда функция подбора выглядит следующим образом:

.                                            (2)

Для достижения второй цели процедура соотнесения потенциалов несколько проще. Достаточно определить список значимых факторов, по которым предприятие подбирает партнера, и граничные условия L:

.                                           (3)

Для решения данной задачи подойдет обычная продукционная экспертная система.

Представим процедуру соотнесения потенциалов предприятия и НТО с целью создания кластера.

1.  Подпись:  Рис. 3. Модель оценки интеллектуального потенциала предприятия в структуре модели оценки инновационного потенциала																															   Примечание: в названиях узлов в скобках указаны рекомендуемые методы решения: НС – нейронная сеть, ЭС – экспертная система, Ф – формула.Рис. 4. Интегральные показатели гибридной модели оценки инновационного потенциала НТОФормирование экспертной группы .

2.  Сбор данных об инновационном проекте, формирование массива .

3.  Подпись:  Рис. 5. Гибридная модель оценки соотнесения предприятия и НТОПредварительная оценка целесообразности проекта с помощью продукционной экспертной системы .

4.  Отбор предприятий по отрасли выбранного проекта.

5.  Оценка инновационного потенциала предприятий .

6.  Оценка инновационного потенциала научно-технических организаций .

7.  Цикл по соотнесению каждого предприятия с каждым НТО в соответствии с моделью Tasksootn, формирование результатов оценки .

8.  Выбор лучших пар Smax=max(Cij).

9.  Создание бизнес-плана реализации проекта, его обоснование и формирование кластера организаций.

Итоговая модель решения задачи оценки инновационного потенциала была получена в результате многочисленных экспериментов. При этом изменялись как методы решения в узлах графа, так и сама структура модели.

В таблице 2 отображены результаты соотнесения кафедр технического университета с предприятиями и проектами. К1, К2, …, К20 – кафедры университета; П1, П2 – предприятия; ПР1, ПР2 – инновационные проекты. В колонке «Оценка» указаны числовые значения результата соотнесения по шкале [0–10]. Исследования по соотнесению были проведены для создания кластеров по реализации инновационных проектов «Разработка двигателей на основе рапсового масла» на базе ООО «Сибэнергопром» (г. Барнаул) и «Производство двигателей на водороде» на базе ОАО «Барнаултрансмаш».

Таблица 2

Группа

Оценка

Группа

Оценка

К1-П1-ПР1

2,46

К1-П2-ПР1

1,16

К2-П1-ПР1

2,32

К2-П2-ПР1

1,14

К3-П1-ПР1

2,46

К3-П2-ПР1

1,39

К4-П1-ПР1

3,02

К4-П2-ПР1

2,66

К5-П1-ПР1

1,14

К5-П2-ПР1

1,14

К6-П1-ПР1

6,98

К6-П2-ПР1

6,34

К7-П1-ПР1

7,78

К7-П2-ПР1

7,38

К8-П1-ПР1

7,02

К8-П2-ПР1

6,08

К9-П1-ПР1

2,46

К9-П2-ПР1

2,53

….

….

К19-П1-ПР1

0,69

К19-П2-ПР1

0,66

К20-П1-ПР1

0,16

К20-П2-ПР1

0,16

К1-П1-ПР2

1,14

К1-П2-ПР2

0,73

К2-П1-ПР2

1,19

К2-П2-ПР2

0,88

К3-П1-ПР2

2,5

К3-П2-ПР2

2,78

К4-П1-ПР2

2,74

К4-П2-ПР2

3,33

К5-П1-ПР2

0,93

К5-П2-ПР2

1,14

К6-П1-ПР2

6,72

К6-П2-ПР2

6,56

К7-П1-ПР2

6,48

К7-П2-ПР2

7,149

К8-П1-ПР2

6,15

К8-П2-ПР2

6,72

К9-П1-ПР2

2,46

К9-П2-ПР2

3,27

….

К19-П1-ПР2

1,16

К19-П2-ПР2

0,72

К20-П1-ПР2

0,33

К20-П2-ПР2

0,27

Результат анализа можно интерпретировать следующим образом: и в первом, и во втором случаях предприятия и НТО К7 в большей степени подходят друг другу для совместной реализации инновационного проекта. Данное исследование подтверждено выводами экспертов.

Разработанный программный комплекс применяется для оценки инновационного потенциала научных центров Алтайского государственного технического университета и промышленных предприятий края. Представленные модели используются для создания web-портала поддержки инновационной деятельности в регионе. Данный портал позволит решать задачи оперативного сбора данных об инновационной деятельности, оценки инновационного потенциала региона и формирования научно-производственных кластеров.

Литература

1.   Пятковский О.И. Интеллектуальные компоненты аналитических информационных систем управления организацией. Барнаул: АлтГТУ, 2002. 219 с.

2.   Круглов В.В., Дли М.И. Интеллектуальные информационные системы: компьютерная поддержка систем нечеткой логики и нечеткого вывода. М.: Физматлит, 2002.

3.   Нейроинформатика / А.Н. Горбань [и др.]. Новосибирск: Наука, Сибирская издат. фирма РАН, 1998. 296 c.

4.   Попов Э.В. Экспертные системы: Решение неформализованных задач в диалоге с ЭВМ. М.: Наука, Физматлит, 1987. 288 с.


Постоянный адрес статьи:
http://swsys.ru/index.php?page=article&id=2509
Версия для печати
Выпуск в формате PDF (4.97Мб)
Скачать обложку в формате PDF (1.38Мб)
Статья опубликована в выпуске журнала № 2 за 2010 год.

Возможно, Вас заинтересуют следующие статьи схожих тематик: