Библиографическое описание:Нейросетевые технологии: моделирование в интеллектуальных системах управления : научное издание / А. А. Леонтьева, А. А. Ступина, О. В. Слиницына. - Текст : непосредственный // Инновации и инвестиции. - 2025. - № 7. - С. 629-631. - ISSN 2307-180X.
Аннотация:Стремительное усложнение управляемых технических систем на фоне цифровизации индустриальных и инфраструктурных процессов обусловило усиление потребности в разработке новых моделей, способных к адаптивной интерпретации ситуаций, неполноте данных в сочетании с функционированием в условиях высокой изменчивости среды. В этом контексте нейросетевые разработки становятся не просто инструментарием оптимизации, а весьма значимым базисом для построения интеллектуальных систем управления (ИСУ), которые обладают когнитивными признаками. Цель в данной статье - выявить методологические основания моделирования с применением нейросетей в ИСУ и обосновать архитектурные принципы их интеграции в управленческие контуры. Анализ научной литературы показал наличие расхождений между стремлением к универсальности нейросетевых решений и отсутствием формализованных подходов к структурированию моделей в прикладных системах. В статье делается вывод, что ключевым вектором служит построение гибридных архитектур, в которых нейросеть выполняет роль предиктора или координационного механизма, взаимодействующего с формализованной логикой управления.
The rapid increase in complexity of controlled technical systems, driven by the digitalization of industrial and infrastructure processes, has heightened the need for new models capable of adaptive situation interpretation, handling incomplete data, and operating in highly dynamic environments. In this context, neural network developments are no longer just optimization tools but a crucial foundation for building intelligent control systems (ICS) with cognitive capabilities. The aim of this article is to identify the methodological foundations of neural network-based modeling in ICS and justify the architectural principles of their integration into control frameworks. An analysis of scientific literature reveals discrepancies between the pursuit of universal neural network solutions and the lack of formalized approaches to structuring models in applied systems.
