В работе рассматривается ряд моделей, которые могут быть использованы для поддержки принятия решений в динамических ситуациях, характеризующихся слабой структурированностью, основанной на гибридной системе, интегрирующей нечеткую иерархическую модель оценивания и нечеткую когнитивную модель ситуации. Описываются нейронные сети, в основе которых лежат самоорганизующиеся карты Кохонена и которые могут быть успешно применены для решения задач поддержки принятия решений и прогнозирования временных рядов, а также новые, разработанные и успешно примененные для идентификации динамических объектов модульные нейронные сети, их архитектура, алгоритмы обучения и работы. В статье рассмотрены примеры работы полученных нейронных сетей, а также проведен их сравнительный анализ с рядом других нейросетевых алгоритмов идентификации динамических объектов.

В настоящей работе предлагается гибридный подход к разработке систем прогнозирования временных рядов, а также поддержки принятия решений, основанный на модулярной архитектуре построения систем прогнозирования, базирующийся на гибридизации нейро-нечеткой нейронной сети ANFIS и нечетких когнитивных картах. С помощью подобной гибридной архитектуры система прогнозирования способна оперировать как качественными данными (субъективными мнениями экспертов), так и количественными (характеристиками исследуемого процесса). В данной работе подробно описан модуль с нечеткой когнитивной картой. Для облегчения задачи настройки весов когнитивной карты использован генетический алгоритм для обучения когнитивной карты, благодаря чему она способна самостоятельно обучиться и производить настройку.