Показана актуальность задачи разработки способов прогноза состояния объекта сопровождения, так как результаты её решения влияют на качество его функционирования в целом. Представлен способ прогноза функционального состояния объекта сопровождения в условиях поведенческой неопределенности, основанный на градиентном спуске в пространстве функциональных состояний.

Целью работы является анализ долгосрочных последствий взаимодействия нематериальных активов крупных предприятий на основе статистических и экспертных данных. Результаты мониторинга предназначены для анализа оценок взаимного влияния факторов и формирования управляющих воздействий. В работе предлагается метод оценки синергетического эффекта. Для того, чтобы повысить показатель этого эффекта, формулируется оптимизационная задача, позволяющая вычислять сбалансированные пропорции объемов нематериальных активов рассматриваемых видов экономической деятельности.

Рассмотрено влияние комбинаторной сложности функциональной интеграции разнородных ресурсов глобальной компьютерной среды на создание распределённых крупномасштабных систем. Показаны возможности формирования в глобальной компьютерной среде универсального алгоритмического пространства распределённых вычислений и сетецентрического управления.

Рассматривается задача оценки значений критической толщины миокарда левого желудочка сердца, при которой происходит наиболее быстрое снижение сократительной способности сердца. Разработана методика математического анализа данных, включающая в себя построение регрессионной зависимости и оценку производной функции регрессии, как некорректно поставленной задачи. На основе разработанного алгоритма производится вычисление критической толщины миокарда по выборке из 49 пациентов, и строится функция плотности распределения вероятностей с целью определения доверительного интервала вариации искомого значения.

Агрегированные данные –простой и удобный способ хранения информации в сжатом виде, но часто, для детальных исследований демографических процессов, такой вид данных неудобен. Так, для анализа рождаемости по годам, необходимо из сгруппированных пятилетних данных восстановить однолетние. На примере вычисления повозрастного коэффициента рождаемости описывается процедура пересчёта агрегированных по пятилетним возрастным группам данных в данные по однолетним возрастным группам с использованием нейронной сети.