Вестник Нижегородского университета им. Н.И. Лобачевского. Серия: Социальные науки

16+

Название статьи

ПОСТРОЕНИЕ ИННОВАЦИОННЫХ РЕЙТИНГОВ РЕГИОНОВ В РАДИОЭЛЕКТРОННОЙ ПРОМЫШЛЕННОСТИ С ПРИМЕНЕНИЕМ ДОЛГОЙ КРАТКОСРОЧНОЙ ПАМЯТИ

Тип статьи	научная статья	Коды УДК	332.142.2
Страницы	104-112	Ключевые слова

Авторы

Яшин С.Н.Кошелев Е.В.Иванов А.А.

Место работы

Яшин С.Н. Нижегородский институт управления – филиал Российской академии народного хозяйства и государственной службы при Президенте Российской ФедерацииNizhny Novgorod branch of the Russian Presidential Academy of National Economy and Public Administration
Кошелев Е.В. Нижегородский государственный университета им. Н.И. ЛобачевскогоLobachevsky State University of Nizhny Novgorod
Иванов А.А. Нижегородский государственный университета им. Н.И. ЛобачевскогоLobachevsky State University of Nizhny Novgorod

Аннотация

Целью исследования является построение инновационных рейтингов регионов в радиоэлектронной промышленности (РЭП). Для этого применяется нейронная сеть долгой краткосрочной памяти (LSTM) как один из методов машинного обучения. Исследуются следующие инновационные рейтинги регионов в отрасли РЭП: 1) рейтинг A – регионы-лидеры; 2) рейтинг B – регионы со средним уровнем инновационного развития; 3) рейтинг C – регионы со слабым уровнем инновационного развития; 4) рейтинг D – депрессивные регионы. Вся обучающая выборка разделяется на 5 датасетов, где в каждом будут присутствовать данные по двум переменным из 10. Порядок обучения датасетов устанавливаем так, чтобы обучались сначала наиболее шумящие датасеты, а затем наименее шумящие. Это позволяет более качественно обучать сеть LSTM. В результате построена географическая карта рейтингов инновационного счета (I-score) регионов и на ней сравниваются их прогнозные и фактические значения. Процент совпадений прогнозов и фактов принимается за меру точности (Accuracy) обученной сети LSTM на верификации. Она составила 85.54% против точности использования «точного гауссовского SVM», которая составила 81.93%. Это говорит о преимуществе применения нейронной сети с долгой краткосрочной памятью.

Загрузить статью

Библиографический список

1 . Shi W.L. Industrial Electronics: Its Importance in the Manufacturing Industries // J. Ind. Electron. Appl. 2023. Vol. 7 (1). https://doi.org/10.4172/JIEA.1000016.
2 . Доброва К.Б., Сахненко С.С. Предприятия радиоэлектронной промышленности в структуре высокотехнологичного сектора экономики // Экономика: вчера, сегодня, завтра. 2022. № 12 (10А). С. 240–246. https://doi.org/10.34670/AR.2022.91.63.054.
3 . Квинт В.Л., Хворостяная А.С., Сасаев Н.И. Авангардные технологии в процессе стратегирования // Экономика и управление. 2020. № 26 (11). С. 1170–1179. https://doi.org/10.35854/1998-1627-2020-11-1170-1179.
4 . Hikmah A., Sulistiyono M. The Best Parameter Tuning on RNN Layers for Indonesian Text Classification// 2020 3rd International Seminar on Research of Information Technology and Intelligent Systems. 2021. P. 94–99. https://doi.org/10.1109/ISRITI51436.2020.9315425.
5 . Krichen M., Mihoub A. Long Short-Term Memory Networks: A Comprehensive Survey // AI. 2025. Vol. 6 (9). https://doi.org/10.3390/ai6090215.
6 . Lindemann B., M?ller T., Vietz H. et al. A Survey on Long Short-term Memory Networks for Time Series Prediction // Procedia CIRP. 2021. Vol. 99. P. 650–655. https://doi.org/10.1016/j.procir. 2021.03.088.
7 . Arifin S., Wijaya A., Nariswari R. et al. Long Short-Term Memory (LSTM): Trends and Future Research Potential // International Journal of Emerging Technology and Advanced Engineering. 2023. Vol. 13. P. 24–35. https://doi.org/10.46338/ijetae0523_04.
8 . Ghislieri M., Cerone G.L., Knaflitz M., Agostini V. Long Short-term Memory (LSTM) Recurrent Neural Network for Muscle Activity Detection // J. NeuroEngineering Rehabil. 2021. Vol. 18. https://doi.org/10.1186/ s12984-021-00945-w.
9 . Hong J., Hwang Y.M. Long Short-term Memory Networks in Learning Memory Inconsistencies of Stock Markets // Financ. Innov. 2025. Vol. 11. https://doi.org/ 10.1186/s40854-025-00875-9.
10 . Liu C. Long Short-term Memory (LSTM)-based News Classification Model // PLoS ONE. 2024. Vol. 19 (5). https://doi.org/10.1371/journal.pone.0301835.
11 . Chau K.W. Green Roof Hydrological Modelling with GRU and LSTM Networks // Water Resources Management. 2022. Vol. 36 (3). P. 1107–1122. https: //doi.org/10.1007/S11269-022-03076-6.
12 . Rabby M.K.M. Epileptic Seizure Detection Using EEG Signal Based LSTM Models // IEEE International Conference on Artificial Intelligence and Knowledge Engineering (AIKE). 2021. P. 133–134. https://doi.org/ 10.1109/AIKE52691.2021.00028.
13 . Chien Sh., Turek J., Beckage N. et al. Long Short-Term Memory with Slower Information Decay // LatinX in AI at International Conference on Machine Learning 2021. https://doi.org/10.52591/2021072418.
14 . Feng Zh., Zhang J., Niu W. A State-of-the-art Review of Long Short-Term Memory Models with Applications in Hydrology and Water Resources // Applied Soft Computing. 2024. Vol. 167. Part B. https://doi.org/10. 1016/j.asoc.2024.112352.
15 . Yang Z., Khairuddin A., Chuah J. et al. A Review of Short-Term, Long-Term, and Memory Consolidation Mechanisms in the Hippocampus and Cerebral Cortex // IEEE Access. 2025. Vol. 13. P. 63248–63283. https://doi. org/10.1109/ACCESS.2025.3555539.
16 . Kontogiannis S., Kokkonis G., Pikridas C. Proposed Long Short-Term Memory Model Utilizing Multiple Strands for Enhanced Forecasting and Classification of Sensory Measurements // Mathematics. 2025. Vol. 13 (8). https://doi.org/10.3390/math13081263.
17 . Duan J., Zhang P.-F., Qiu R., Huang Z. Long Short-term Enhanced Memory for Sequential Recommendation // World Wide Web. 2023. Vol. 26. P. 561–583. https://doi.org/10.1007/s11280-022-01056-9.
18 . Kohonen T. Self-Organizing Feature Maps // In: Self-Organization and Associative Memory. Springer Series in Information Sciences. 1989. Vol. 8. Springer, Berlin, Heidelberg. https://doi.org/10.1007/978-3-642-88163-3_5.
19 . Яшин С.Н., Зенькова Л.П., Кошелев Е.В., Иванов А.А. Инновационный рейтинг регионов в радиоэлектронной промышленности: построение и верификация с использованием машинного обучения // Регионология. 2025. Vol. 33 (4). С. 678–696. https://doi.org/ 10.15507/2413-1407.129.033.202504.678-696.