Обоснование результатов судебных строительно-технических экспертиз в условиях неопределенности

ОБОСНОВАНИЕ РЕЗУЛЬТАТОВ СУДЕБНЫХ СТРОИТЕЛЬНО-ТЕХНИЧЕСКИХ ЭКСПЕРТИЗ В УСЛОВИЯХ НЕОПРЕДЕЛЕННОСТИ



В статье рассмотрены проблемы полноты и научной обоснованности заключений выполняемых при проведении судебных строительно-технических экспертиз с позиции действующего законодательства. Обозначены основные проблемы и группы неопределенностей с которыми может столкнуться судебный эксперт при проведении исследования и подготовке заключения.

Для разрешения вышеупомянутых проблем и учета неопределенностей предложено использовать  системы поддержки принятия решений (СППР). Приведен краткий обзор существующих систем (методов) поддержки принятия решений с оценкой их возможности использования при проведении судебных строительно-технических экспертиз. Определены оптимальные методы применимые при проведении судебных строительно-технических экспертиз. К ним можно отнести имитационное моделирование, генетические алгоритмы и нейронные сети. Подробно, на конкретных примерах рассмотрен опыт применения имитационного моделирования в практике проведения судебных строительно-технических экспертиз. Выявлены достоинства и недостатки каждого из методов.

По состоянию на сегодняшний день нейронные сети представляют собой новую и весьма перспективную вычислительную технологию. Способность к моделированию нелинейных процессов, работа с неопределенностями и адаптивность дают возможность применять нейронные сети для решения широкого класса задач судебной строительно-технической экспертизы.

Ключевые слова: судебная строительно-техническая экспертиза, техническая экспертиза, неопределенности, «человеческий фактор», система поддержки принятия решений, нейронная сеть.



Ранее было установлено [1], что при проведении судебных строительно-технических экспертиз, эксперт может столкнуться с одной или несколькими неопределенностями. «Набор» неопределенностей, с которыми приходится иметь дело эксперту, зависит от вида экспертизы, обстоятельств дела и других параметров. Наиболее распространенными неопределенностями являются [1-4]:

неоднозначность и нечеткость формулировок в законодательстве и нормативных документах - отсутствие регламентированных эстетических и архитектурных требований, несовершенство законодательства (наличия  множества погрешностей, неточностей, противоречий и прочих несовершенств) и разнородных требований; степень влияния оценивается на основе экспертного метода с установлением диапазонов; 

противоречия строительной практики и строительных норм - отсутствие тех. контроля и нарушение технологии производства работ; упрощение технологического процесса, экономия; непонимание физики процесса и отсутствие    осознания последствий; влияние привычек;

отсутствие исходной документации как доказательной базы – невнимательность или незнание; сознательное сокрытие информации; подлог;

неопределенность, возникающая при установлении причин аварийных ситуаций - недостаток информации; недостаточность технического оснащения; принятие ошибочных технических решений; нарушение безопасных условии труда.



Наличие неопределенностей или их групп приводит к нарушению логической обоснованности, появлению вероятностных умозаключений, некорректным промежуточным и окончательным выводам в заключение эксперта. Это в свою очередь может привести к  снижению степени достоверности заключения, повышению вероятности опротестования заключения оппонентами, усложнению или невозможности процедуры оценки заключения эксперта следователем или судом.

Согласно действующему законодательству заключения эксперта не имеет для суда заранее установленной силы и подлежит оценке наряду с другими видами доказательств. Следователю или суду необходимо дать оценку профессиональной компетентности эксперта; научной обоснованности проведенного исследования, примененных методов, средств и методик; проверить логическую обоснованность выводов эксперта, полноту проведенного исследования. Заключение эксперта как один из источников доказательств будет способствовать установлению истины по делу только при условии правильной его оценки и использования в сочетании с другими доказательствами. Экспертное заключение не может быть положено в основу судебного решения, если оно не подвергалось всестороннему исследованию с точки зрения процессуального характера. Реализуется это положение путем активного исследования доказательственной информации, содержащейся в заключении, сопоставлением ее с другими доказательствами, а иногда истребованием новых доказательств. При исследовании заключения эксперта как одного из видов доказательств внутренне убеждение суда о достоверности выводов формируются при ознакомлении с заключением. 

Ст. 8 Федерального закона от 31 мая 2001 г. № 73-ФЗ «О государственной судебно-экспертной деятельности в Российской Федерации» обязывает эксперта основывать заключение «на положениях, дающих возможность проверить обоснованность и достоверность сделанных выводов на базе общепринятых научных и практических данных». Согласно существующим требованиям, в исследовательской части заключения любой судебной экспертизы описывается процесс исследования и его результаты, а также дается научное объяснение установленным фактам. В заключении излагаются:

- методы и приемы исследований, которые описываются доступно для понимания лицами, не имеющими специальных познаний, подробно, чтобы при необходимости можно было проверить правильность выводов эксперта, повторив исследование; 

- научное обоснование и объяснение примененных методов, их валидность, погрешность; 

- справочно-нормативные материалы, которыми эксперт руководствовался при решении поставленных вопросов с указанием даты и места их издания;

- экспертная оценка результатов исследования с развернутой мотивировкой суждения, обосновывающего вывод по решаемому вопросу.

Суд, следователь или органы дознания, руководствуясь законом, оценивают заключение по своему внутреннему убеждению, основанному на всестороннем, полном и объективном рассмотрении всех обстоятельств дела в их совокупности. Это значит, что заключение эксперта формирует внутреннее убеждение у судьи. Заключение эксперта не является особым доказательством и оценивается по общим правилам оценки доказательств (ст. 88 УПК РФ; ст. 67 ГПК РФ; ст. 71 АПК РФ; ст. 26.11 КоАП РФ). Закон регламентирует, что заключение эксперта для суда не имеет преимущественного значения перед другими доказательствами и оценивается по общим правилам оценки доказательств, т.е. объективно, всесторонне, с учетом всех доказательств по делу в совокупности. Оценка следователем и судом заключения эксперта должна включать: анализ соблюдения процессуального порядка подготовки, назначения и проведения экспертизы; анализ соответствия заключения поставленным вопросам; определение полноты заключения; оценку научной обоснованности заключения, достоверности выводов, определение их места в системе другой информации по делу. В результате оценки заключения суд может признать его: 

1) полным, научно обоснованным и положить в основание решения суда наряду с другими доказательствами; 

2) недостаточно ясным или неполным и назначить определением дополнительную экспертизу; 

3) необоснованным и назначить повторную экспертизу мотивированным определением.

Суд может не согласиться с выводами эксперта и, не назначая повторной экспертизы, решить дело на основании других доказательств, если они в совокупности позволяют сделать истинный вывод о фактических обстоятельствах по делу. В мотивировочной части решения должны содержаться убедительная критика экспертного заключения и приводиться доводы, по которым отвергаются выводы исследования. В практике встречаются заключения, где выводы экспертов основаны только на собственных субъективных впечатлениях и догадках, носят характер гипотезы, а не научно установленных фактов и, соответственно не могут быть использованы в качестве средства доказывания. 

В данной ситуации при подготовки экспертных заключений рациональным представляется использование систем поддержки принятия решений (СППР) - специализированных информационно-управляющих систем, предназначенных для помощи в работе лиц, принимающих решения [5]. Для выработки решений в СППР используются методы из различных областей знаний, в том числе разработанные в рамках концепции вычислительного интеллекта. В случае, если в качестве базы СППР заложены методы искусственного интеллекта, то говорят об интеллектуальной СППР [6]. Рассмотрим основные классические и базирующиеся на теории искусственного интеллекта методы, применяющиеся в СППР [7] и оценим их на предмет возможности применения в задачах судебной строительно-технической экспертизы:

Информационный поиск (information retrieval) [8] – совокупность методов формирования на основе массива информации записей, удовлетворяющих сформулированному запросу или условию поиска. Изучениям методов информационного поиска посвящена междисциплинарная область науки, объединяющая информатику, информационный дизайн, лингвистику, семиотику. 

Глубинный анализ данных (data mining) [9] – совокупность методов обнаружения в данных ранее неизвестных, нетривиальных и обладающих практической пользой знаний, доступных для интерпретации и необходимых для принятия решений в различных сферах деятельности. Основу глубинного анализа данных составляют методы классификации, моделирования и прогнозирования, основанные на применении деревьев решений, ИНС, ассоциативной памяти, нечеткой логики [10]. К методам глубинного анализа данных также относятся статистические методы анализа, среди которых: дескриптивный, корреляционный, регрессионный, факторный, дисперсионный, компонентный, дискриминантный, анализ временных рядов [11] и т.д. 

Поиск знаний в базах данных (KDD, Knowledge Discovery in Databases) [11] – совокупность методов поиска полезных знаний в массивах данных. Методами KDD реализуются процессы подготовки данных, выбора информативных признаков, очистки данных, применения глубинного анализа данных, постобработки и интерпретации полученных результатов. 

Рассуждение на основе прецедентов (CBR – Case-Based Reasoning) [12] – совокупность методов ИИ, позволяющих использовать накопленный СППР опыт при решении новых, неизвестных задач и помогающих ЛПР осуществлять адекватный выбор при управлении процессами различной природы и сложными объектами в условиях временных ограничений и различного типа неопределенностей [13]. 

Имитационное моделирование [14] – совокупность методов математического моделирования, применяющихся в исследовании систем, для которых отсутствуют аналитические модели. Суть данных методов состоит в замене изучаемой системы моделью, с достаточной точностью ее описывающей, над которой проводятся эксперименты для получения информации о системе [15]. 

Когнитивное моделирование [16] – совокупность методов анализа и принятия решений в плохо определенных ситуациях, основанная на моделировании субъективных представлений экспертов о ситуации. 

Эволюционные алгоритмы [17] – это раздел эволюционного моделирования, имитирующий принципы естественного отбора в задачах оптимизации. Эволюционные алгоритмы отличаются тем, что легко могут быть описаны в терминах математики [18]. К данной области относятся следующие направления исследований, нашедшие применение в реализации СППР: 

Генетические алгоритмы – эвристические методы поиска, используемые для решения задач оптимизации и моделирования путем случайного подбора, комбинирования и вариации искомых параметров. 

Эволюционные стратегии – эвристические методы, схожие с генетическими алгоритмами за исключением того, что в последующие поколения передаются только положительные мутации. 

Генетическое программирование – методы автоматической генерации и модификации структуры исходного кода программ с помощью генетических алгоритмов. 

Эволюционное программирование – методы автоматической модификации параметров исходного кода программ с помощью генетических алгоритмов. 

Дифференциальная эволюция – стохастический метод многомерной оптимизации, использующий идеи генетических алгоритмов для нахождения экстремума недифференцируемых, нелинейных, мультимодальных функций [19]. 

Программирование с экспрессией генов [20] – методы, объединяющие идеи генетического программирования и алгоритмов для оптимизации особей, представляющих собой префиксные записи выражений и хранящихся в виде строк фиксированной длины. 

Системы обучающихся классификаторов (LCS, Learning Classifier Systems) [21] – методы создания эволюционирующих обучающихся систем, строящихся на основе множества правил, алгоритмов вычисления вознаграждений, адаптивного усиливающего обучения и генетических алгоритмов. В зависимости от способа применения генетических алгоритмов данные системы делятся на два типа: Питтсбургские и Мичиганские LCS [22].  

Искусственные нейронные сети (ИНС). ИНС классифицируются на основании следующих параметров: характер входных сигналов (двоичные или аналоговые) [23], вид связей нейросети (ИНС прямого распространения и рекуррентные [24]), тип обучения (с учителем или самоорганизация), структура (полносвязные, многослойные, слабосвязные). 



Априори, на основе анализа вышеприведенных алгоритмов, к методам применимым при проведении судебных строительно-технических экспертиз можно отнести имитационное моделирование, генетические алгоритмы и нейросети.

Рассмотрим эти методы более подробно.  

Имитационное моделирование при проведении строительно-технических экспертиз заключается в построении модели комплексного оценивания на основе статистическом анализе данных имеющихся на момент разработки модели. Применение данного вида моделирования возможно для ограниченного круга задач, как правило, связанных с рассмотрением технических аспектов экспертизы. При этом для снижения степени статичности модели целесообразно предусмотреть возможность оперативного внесения изменений в модель по мере появлении новых (уточняющих или дополняющих) данных, т.е. использование упрощенных зависимостей (линейных моделей). Снижение влияния «человеческого фактора» в подобных моделях достигается  с помощью использования функций приведения построенных по результатам опроса экспертной группы.

В качестве примера рассмотрим нелинейную модель комплексного оценивания спортивных полов на предмет соответствия качества материалов и монтажа конструкций требованиям нормативных документов и условиям технического задания разработанную в ходе проведения строительно-технической экспертизы.

Как правило, экспертиза качества строительно-монтажных работ проводится в отношении соответствия проверяемых строительных работ требованиям нормативных документов в области строительства, а также требованиям проекта, требованиям, зафиксированным в договорах о поставке, выполнении работ, технических условиях, стандартах, паспортах на изделия и других документах. Качество строительно-монтажных работ предполагает совокупность свойств, являющихся разнородными по отношению друг к другу, каждое из которых регламентировано нормативно-техническими требованиями. При интегральной оценке качества необходимо, прежде всего, выяснить взаимосвязи между его  свойствами, роль и весомость каждого из них, а также возможность определения этих свойств в конкретных условиях методами количественного измерения. Во многих случаях реализовать это на практике бывает затруднительно, кроме того значительно возрастает роль опыта и высокой квалификации эксперта.

Для построения модели комплексной оценки качества материалов и монтажа спортивных паркетных полов в качестве математического аппарата был выбран механизм комплексного оценивания. На первом этапе были проанализированы требования нормативных и иных документов и определены значимые критерии – К1.1-К1.6. Затем с  помощью метода парных сравнений определены индексы важности и значимости критериев К1.1-К1.6. По результатам экспертной оценки, составлена матрица парных сравнений  критериев оценки качества, определены индексы важности и весовые коэффициенты критериев (см. табл. 1).



Таблица 1 - Матрица парных сравнений критериев К1.1-К1.6



Учитывая  близость  факторов,  влияющих  на  характеристики качества материалов и монтажа конструкций пола, выполнено  их  агрегирование  на основе  линейной  свертки. Данный вид свертки оптимален для внесения новых данных или корректировки полученной модели. В общем случае элементарная  линейная  (аддитивная) свертка  по  методу  взвешенных  коэффициентов имеет вид функции 



X = fL (X1, X2, … Хn) = К1X1 + К2X2+… КnXn,



где  Х – комплексная оценка качества;

X1, X2, … Хn –  частные  критерии,  сворачиваемые  в  комплексную  оценку  X;  

К1, К2, … Кn –  весовые  коэффициенты,  устанавливающие долевое  участие  каждого  из  критериев  в  формировании  свертки fL. 

Процедура комплексного оценивания основана на приведении всех существенных характеристик, влияющих на оценку качества объекта экспертизы, к единой шкале комплексного оценивания. Преобразование количественных значений частных критериев из шкалы измерения в шкалу комплексного оценивания осуществляется  с  помощью функций  приведения,  связывающих  между  собой  универсальную  шкалу  с  разнообразными (размерными,  безразмерными) шкалами частных критериев. 

Линейная зависимость комплексной оценки качества материалов представлена в следующем виде



КО1=qК1.1 х Х1+ qК1.2 х Х2 + qК1.3 х Х3 + qК1.4 х Х4 + qК1.5 х Х5 + qК1.6 х Х6



Подставив взвешенные коэффициенты критериев, получаем:



КО1=0,4хХ1+ 0,09хХ2 + 0,12хХ3 + 0,21хХ4 + 0,06хХ5 + 0,12хХ6,



где Хi (Х1, …Х6) – частные критерии существующих характеристик качества материалов, измеренные в единой шкале комплексного оценивания от 1 до 4.

Преобразование количественных значений частных критериев из шкалы измерения в некоторую  универсальную  качественную  шкалу характеристик – шкалу комплексного оценивания – осуществляется  с  помощью функций  приведения,  связывающих  между  собой  универсальную  шкалу  с  разнообразными (размерными,  безразмерными) шкалами частных критериев. В данном случае предлагается использовать шкалу от 1 до 4.

Функции приведения по своей сути нелинейные, но в отдельных случаях поддаются линеаризации. 

 Построение  функции  приведения  сводится  к  указанию минимального  и  максимального  количественных  значений критериев (интервала  различимых  по  качественной  оценке значений  критерия).

Критерий К1.1- Форма и размеры планок

Критерий К1.1 «Форма и размеры планок» включает в себя рад следующих контролируемых параметров:

толщина планки,

ширина планки, 

длина планки, 

толщина слоя износа, 

высота паза,  

толщина гребня, 

глубина паза, 

ширина гребня,

скос грани по толщине слоя износа,

уменьшение размера нижней части планки со стороны скоса слоя износа.

Выделим основные параметры, оказывающие наибольшее значение на форму и размеры планок (см. табл. 2).



Таблица 2 – Основные критерии, характеризующие форму и размеры планок.

Номер критерия

Наименование показателей

К1.1.1

Толщина, мм

К1.1.2

Ширина, мм

К1.1.3

Длина, мм



Относительная важность критериев определяется методом парного сравнения (табл. 3).

Таблица 3 – Относительная важность критериев

 

К1.1.1

К1.1.2

К1.1.3

I Кi

qКi

К1.1.1

1

2

5

2,15

0,56

К1.1.2

1/2

1

5

1,36

0,35

К1.1.3

1/5

1/5

1

0,34

0,09



К1.1=Х1 –  комплексная оценка по критерию «Форма и размеры планок»:

Х1= qК1.1.1 х Х1.1+ q К1.1.2 х Х1.2+ q К1.1.3 х Х1.3 

Подставив в формулу взвешенные коэффициенты получаем:

Х1= 0,56хХ1.1+ 0,35хХ1.2+ 0,09хХ1.3, 

где Х1.1, Х1.2, Х1.3 – качественные значения показателей «толщина», «ширина» и «длина»,  определяемые по соответствующим функциям приведения (рис. 1).

Толщина паркетной планки регламентируется требованиями ГОСТ 862.1-85 и должна составлять 15 мм (18мм – для древесины хвойных пород). Предельные отклонения должны составлять ±0,2. По условиям технического задания толщина планки нормируется 20мм.

Ширина планки согласно ГОСТ 862.1-85, с градацией в 5мм должна составлять от 30 до 90мм. Предельные отклонения должны составлять ±0,2. По условиям технического задания ширина планки нормируется 82мм.

Согласно п. 8.15.3. «Руководство по техническим требованиям, предъявляемым к полам, их проектированию, устройству и правилам приемки» [25],  ширина паркетной планки во избежание возможного поперечного коробления не должна превышать пяти толщин. Следовательно, при толщине паркетной планки 20м (19мм после шлифовки), максимальная ширина паркетной планки должна составлять не более 100мм.

Длина паркетной планки согласно ГОСТ 862.1-85 «Изделия паркетные. Паркет штучный. Технические условия», с градацией в 50мм должна составлять от 150 до 500мм. Предельные отклонения должны составлять ±0,3. По условиям технического задания длина планки составляет 305, 458, 610, 762мм.

Поскольку требования к размерам планок согласно ГОСТ 862.1-85 и условиям технического задания имеют различия, то в качестве количественно-измеряемой характеристики принимается соответствие определяемых параметров нормируемым значениям (в данном случае – условиям технического задания) в процентном соотношении.



Рис. 1. Функция приведения качества паркетных планок от размеров планок (толщины, ширины, длины, мм)



Аналогичным способом (на основе функций приведения) получают комплексные оценки для критериев: 

К1.2 - отклонения от формы планок - К1.2=Х2=(Х2.1+Х2.2+Х2.3+Х2.4)/4;

К1.3 - порода древесины - К1.3=Х3;

К1.4 - наличие пороков древесины - К1.4=Х4;

К1.5 - шероховатость поверхности К1.5=Х5=0,6хХ5.1+0,4хХ5.2;

К1.6 - влажность древесины при отгрузке - К1.6=Х6.

Комплексная оценка качества материалов в относительной шкале 1-4 будет определяться выражением

КО1=0,4хХ1+ 0,09хХ2 + 0,12хХ3 + 0,21хХ4 + 0,06хХ5 + 0,12хХ6

Аналогичным образом была получена модель определения качества монтажа спортивных полов

КО2=0,03хХ1+ 0,36хХ2 + 0,06хХ3 + 0,36хХ4 + 0,19хХ5

где К1.2 - отклонения от формы планок - Х2=(Х2.1+Х2.2+Х2.3+Х2.4)/4;

К2.1 - соответствие установки основания из лаг К2.1=Х1

К2.2 - соответствия заданным размерам, толщинам, отметкам, плоскостям и уклонам – К2.2=Х2=(Х2.1+Х2.2+Х2.3)/3;

К2.3 - соответствия температурного и влажностного режима – К2.3=Х3= (Х3.1+Х3.2+Х3.3)/3;

К2.4 - соответствие соединений паркетных планок К2.4=Х4 = (Х4.1+Х4.2)/2;

К2.5 - соответствие примыканий полов к вертикальным конструкциям – К2.5=Х5.



Для проверки адекватности полученной модели она была опробована на нескольких объектах. Получена удовлетворительная сходимость результатов на небольшом отрезке времени. 

Таким образом, на основании анализа нормативных требований, разработана комплексная модель оценки спортивных полов, которая позволяют оценить качество и получить количественный результат -  комплексную оценку в процентном соотношении. Опираясь на данную модель, эксперт может аргументировать свое заключение, ссылаясь на качественные показатели. Однако модель имеет существенные недостатки, а именно: 

- модель является «статичной», то есть она не учитывает изменений законодательства и всех обстоятельств конкретного дела; внесение изменений вручную возможно.

-  модель имеет удовлетворительную сходимость не небольшом интервале времени;

- учет неопределенностей в модели осуществляется через механизм опроса экспертной группы; обоснование результатов этого опроса затруднительно.

Также в процессе исследований были разработаны модели комплексного оценивания на основе матричных сверток (рис. 2) для решения отдельных многокритериальных технических задач, например, для комплексной оценки качества проектной документации, обоснования необходимости сноса здания. Модели реализованы в программном комплексе «Декон». Модели показали хорошую сходимость. Достоинством данных моделей является возможность непосредственного качественного и количественного учета неопределенностей через отдельные функции приведения. Существенными недостатками модели являются:

- модель является «статичной», то есть она не учитывает изменений законодательства и всех обстоятельств конкретного дела; внесение изменений вручную затруднительно.

- очень узкая область применения;

- сложность обоснования полученных результатов.





Рис. 2. Модель комплексного оценивания на основе матричных сверток для комплексной оценки качества проектной документации



Генетические алгоритмы основаны на случайном подборе, комбинировании и вариации искомых параметров. Результаты работы подобных моделей будут являться непредсказуемыми, их обоснование в рамках судебной строительно-технической экспертизы  будет невозможным. 

Нейросетевые модели получают все большую популярность при разрешении вопросов с высокой степенью неопределенности. В 2015-2016 годах подобные системы показали свое преимущество, обыграв человека в шахматы ГО и покер [26-28]. Нейронная сеть – параллельно распределенная структура обработки информации, состоящия из нейронов, которые соединены между собой связями. Данные модели действует не только в соответствии с заданным алгоритмом и формулами, но и на основании прошлого опыта [29-31]. 

Нейронные сети, в отличие от статистических методов многомерного классификационного анализа, базируются на параллельной обработке информации и обладают способностью к самообучению, то есть получать обоснованный результат на основании данных, которые не встречались в процессе обучения. Эти свойства позволяют нейронным сетям решать сложные (масштабные) задачи, которые на сегодняшний день считаются трудноразрешимыми. Основными достоинствами нейронных сетей перед традиционными вычислительными методами являются [31-38]:

1. Процесс создания нейронной сети больше относится к процессу обучения, нежели к программированию. 

2. Нейрокомпьютеры особенно эффективны там, где нужно подобие человеческой интуиции, в частности к таким задачам относятся принятие решений в процессе оценки финансового состояния некоторого экономического объекта. 

3. Гибкость структуры нейронных сетей позволяет различными способами комбинировать простые составляющие нейрокомпьютеров – нейроны и связи между ними. За счет этого один нейрокомпьютер можно применять для решения различных задач, зачастую, никак не связанных между собой. 

4. Нейронные сети позволяют создать эффективное программное обеспечение для высокопараллельных компьютеров. Создавая математическое обеспечение на базе нейронных сетей, можно для широкого класса задач решить проблему эффективности одновременного решения параллельных задач. 

5. Решение задач в условиях неопределенности – способность обучения нейронной сети позволяет решать задачи с неизвестными закономерностями и зависимостями между входными и выходными данными, что позволяет работать с неполными данными. Кроме того, взаимоотношения между величинами заранее не устанавливаются, поскольку метод предусматривает изучение существующих взаимосвязей на готовых моделях. 

6. Устойчивость к шумам во входных параметрах – нейронная сеть может самостоятельно определять неинформативные для анализа параметры и производить их отсев, в связи с чем, пропадает необходимость дополнительного анализа информационного вклада входных данных. 

7. Адаптирование к изменениям окружающей среды – нейронные сети могут быть переучены в новых условиях окружающей среды, описываемых незначительными колебаниями параметров этой среды. То есть можно производить переобучение нейронных сетей на основе незначительных колебаний параметров среды. Если задача решается в условиях нестационарной среды (где статистика изменяется с течением времени), то могут быть созданы нейронные сети, переучивающиеся в реальном времени. Чем выше адаптивные способности системы, тем более устойчивой будет ее работа в нестационарной среде. 

8. Потенциальная отказоустойчивость нейронных сетей обоснована незначительным снижением их производительности при неблагоприятных условиях. Эта особенность объясняется распределенным характером хранения информации в нейронной сети, благодаря чему можно утверждать, что только серьезные повреждения структуры нейронной сети существенно повлияют на ее работоспособность. 

Таким образом, нейронные сети представляют собой новую и весьма перспективную вычислительную технологию, дающую новые подходы к исследованию динамических задач,  в различных областях. Способность к моделированию нелинейных процессов, работа с неопределенностями и адаптивность дают возможность применять нейронные сети для решения широкого класса задач судебной строительно-технической экспертизы.

Конфигурация структуры нейронной сети определяется особенностями и сложностями решаемой задачи. Для решения многих классов задач уже предложены и хорошо исследованы различные топологии нейронных сетей. Однако, если задача не может быть сведена к одному из известных типов, требуется решать нетривиальную проблему выбора новой конфигурации или топологии нейронной сети. 













Библиографический список



Голубев К.В. Вопросы неопределенности, возникающие при проведении строительно-технических экспертиз// Вестник Пермского национального исследовательского политехнического университета. Урбанистика. – 2016. - №1(21). - С. 120-130.

Рощин В.М. Управление проектами/ учеб. пособие. - Владивосток: ТГЭУ, 2007. - 204 с.

Судебная экспертиза: типичные ошибки/ Е. Р. Россинская, Е. Н. Дмитриев, И. Н. Подволоцкий и др.; под ред. Е.Р. Россинской. М.: Проспект, 2014. – 544 с.

Кудрявцев Е. М. Методы решения организационных задач/ изд-во АСВ, 2015. – 336 с. 

Андрейчиков, А.В. Экспертная система для прогнозирования стратегических инноваций / А.В. Андрейчиков, О.Н. Андрейчикова, А.А. Хорычев // Качество. Инновации. Образование. – 2011. – № 12. – С. 26-36.	

Дик В.В. Развитие методов представления знаний в системах поддержки принятия решений / В.В. Дик, А.И. Уринцов, И.В. Павлековская. – М.: Вольное экономическое общество России, 2014. – № 186. – С. 463-470.

Одинцов, Б.Е. О классификации знаний с позиций интеллектуализации информационных систем / Б.Е. Одинцов, А.Н. Романов // Вестник финансового университета. – 2013. – № 1(73). – С. 124-132.

Александров А.Г. Оптимальные и адаптивные системы: Учеб. пособие. М.: Высшая школа, 1989. 263 с.

Wong, M.L. Data mining using grammar based genetic programming and applications / M.L. Wong, K.S. Leung // N.Y.: Kluwer Academic Publishers. – Vol 3. – 2002. – 228 p.

Фельдбаум А.А. Основы теории оптимальных автоматических систем. 2-е изд. М.: Наука, 1966. 623 с.

Арнольд В.И. Математические методы классической механики. М.: Наука, 1989.

Олейников В.А. Оптимальное управление в нефтяной и газовой промышленности. Д.: Недра, 1982. 216 с.

Гордиенко Е.К., Лукьяница А.А. Искусственные нейронные сети: I. Основные определения и модели/ Изв. РАН. Техническая кибернетика. 1994. № 5. С. 79-92.

Ефимов Д.В., Терехов В .А., Тюкин И.Ю. Адаптивная система управления с нейронной сетью// Сб. науч. трудов "Системы обработки информации и управления"/ Изв. ЛЭТИ. СПб, 1996. Вып. 490. С. 32-35.

Болтянский В.Г. Математические методы оптимального управления. М.: Наука, 1966. 408 с.

Демидович В. П. Лекции по математической теории устойчивости. М.: МГУ, 1998. 480 с.

Krstic M., Kanellakopoulos I., Kokotovic P.V. Nonlinear and Adaptive Control Design. Wiley & Sons, Inc. 1995, P. 563.

Marino R., Tomei P. Global adaptive observers and output-feedback stabilization for a class of nonlinear systems// Foundations of adaptive control. Berlin: Springer-Verlag, 1991.

Burkov I.V., Zaremba A.T. Adaptive control for angle speed oscillations generated by periodic disturbances //Proc. 6th St. Petersburg Symp. on Adaptive Systems Theory (SPAS'99). September 7-9, 1999. Vol 1. P. 34-36.

P. Sun, B. Powell, D. Hrovat. Optimal Idle Speed Control of an Automative Engine// Proc. of American Control Confernce 200. 26-30 Jun. Chicago, 2000, P. 1018-1026.

Valsalam, V. Constructing good learners using evolved pattern generators / V. Valsalam, J. Bednar, R. Miikkulainen. // Washington: Genetic and Evolutionary Computation Conference (GECCO), 2005. – pp. 189-203.

Rysdyk R., Calise A.J., R.T.N. Chen. Nonlinear Control of Til-trotor Aircraft Using Neural Networks.// SAE/AIAA World Aviation Congress, October. 1997.

Солодовников А.И., Спиваковский A.M. Основы теории и методы спектральной обработки информации. Ленинград: Издательство ЛГУ, 1986. 272 с.

Yao, X. volving artificial neural networks / X. Yao // Tokyo: Proceedings of the IEEE, 1999. – Vol 87. – № 9. – pp. 1423-1447.

Рей У. Методы управления технологическими процессами, М.: Мир, 1983.

Руководство по техническим требованиям, предъявляемым к полам, их проектированию, устройству и правилам приемки. ОАО ЦНИИпромзданий, 2001г.

https://meduza.io/feature/2017/01/12/kompyuter-protiv-cheloveka-na-etot-raz-v-poker

https://meduza.io/feature/2016/03/15/neyroseti-mozhno-ne-ob-yasnyat-pravila-igry-v-go-ona-sama-ih-vyuchit

https://hi-news.ru/technology/ii-alphago-ot-deep-mind-obygral-chempiona-mira-po-logicheskoj-igre-go.html

Горбатков С.А., Полупанов Д.В., Макеева Е.Ю., Бирюков А.Н. Методологические основы разработки нейросетевых моделей экономических объектов в условиях неопределенности / Под ред. д.т.н., профессора Горбаткова С.А: Монография. – М.: Издательский дом «Экономическая газета», 2012. – 494с., 

Хлопкова О. А. Методы и алгоритмы интеллектуализации принятия решений в условиях неопределенности на базе аппарата нейронных сетей и эволюционного моделирования: дис. на соискание канд. тех. наук по специальности 05.13.17 – Теоретические основы информатики, Москва, 2016.

Артёмкин, Д.Е. Разработка математического и программного обеспечения автоматизированного прогнозирования временных рядов на основе нейрокомпьютерных технологий: дис. канд. тех. наук/ Д.Е. Артёмкин. – Рязань, 2003. – 140 с.

Боровиков, В.П. Нейронные сети. Statistica Neural Networks. Методология и технологии современного анализа данных / В.П. Боровиков. – 2- е изд. – М.: Горячая линия – Телеком, 2008. – 392 с. 

Бэстенс, Д.-Э. Нейронные сети и финансовые рынки. Принятие решений в торговых операциях/ Д.-Э. Бэстенс, В.-М. Ван Ден Берг, Д. Вуд . – М.: ТВП, 1997. – 236с. 

Ендовицкий, Д.А. Анализ и оценка кредитоспособности заёмщика: уч.- практ. пос./ Д.А. Ендовицкий, И.В. Бочарова. - М.: Кнорус, 2005. -272 с. 

Илларионов, А. В. Разработка математических моделей и алгоритмов принятия решения по кредитованию предприятий малого (среднего) бизнеса на основе аппарата теории нечётких множеств: дис. канд. экон. наук / А. В. Илларионов. - Владимир, 2006. – 231с. 

Комашинский В.И. Нейронные сети и их применение в системах управления и связи./ В.И. Комашинский , Д.А Смирнов.– М: Горячая линия Телеком 2003. – 94с. 

Кричевский М.Л. Интеллектуальный анализ данных в менеджменте: Учеб. пособие/ М.Л. Кричевский. – СПбГУАП. СПб., 2005. – 208с. 

Современные математические методы анализа финансово- экономического состояния предприятия: монографи.......................