Сложность. Разум. Постнеклассика, 2014, №2

DOI 10.12737/issn.2306-174X                 
ISSN  2306-174X 
 
Сложность. Разум. Постнеклассика 
Периодический научно-теоретический журнал  

 
Основан в Сентябре 2012 г. 
(Сертификат регистрации  
от 26 сентября 2012 г., номер FS77-51292) 

ежеквартальное опубликование. 

№ 2 ■ 2014 

Учредители 

Еськов Валерий Матвеевич  

(Россия, Сургут, Valery.Eskov@Gmail.com). 
Тульское отделение межрегиональной 

общественной организации 

«Академия медико-технических наук» 

(Россия, Тула). 

При поддержке 

Европейской Академии Естественных Наук 

(Германия, Ганновер). 

Исполнительный редактор номера 

 
Филатов Михаил Александрович 
Адрес: 628412, Россия, ХМАО, Сургут,  
проспект Ленина, 1,  
«Сургутский государственный университет»,  
тел.: +7 (3462) 76-30-79, e-mail: filatovmik@yandex.ru. 
 

Секретариат редколлегии 

 
Еськов Валерий Валериевич 
(Россия, Сургут, admin@thirdglobalparadigm.com). 
Дронова Евгения Валерьевна  
(Россия, Тула) 
 
Редакционный адрес 
 
300028, Россия, Тула, Смидович,12 
Тел.: +7 (4872) 33-10-16. 
E-mail:  cmp.journal@yandex.ru 
Сайт: http://cmp.esrae.ru/

Издательство «Академия Естествознания» 
Адрес: 105037, Россия, Москва, а/я 47 
 

Главный редактор 

Еськов Валерий Матвеевич 

(Россия, Сургут). 

Редакционный совет 

Хадарцев Александр Агубечирович – заместитель 
главного редактора по кластеру «Биомедицинские науки и 
синергетика» (Россия, Тула); 
Буданов 
Владимир 
Григорьевич 
– 
заместитель 

главного 
редактора 
по 
кластеру 
«Философия 
и 

гуманитарные 
науки 
в 
общей 
постнеклассической 

парадигме» (Россия, Москва); 
Малинецкий Георгий Геннадиевич – заместитель 
главного редактора по кластеру «Математика в 
описании хаоса и синергетических систем» (Россия, 
Москва); 
Алуха Джэйм Джил (Испания, Барселона); 
Волов Вячеслав Теодорович (Россия, Самара); 
Гастелло Стивен (США, Санта-Фе); 
Заславский Борис Григорьевич (США, Мэриленд); 
Карпин Владимир Александрович (Россия, Сургут); 
Майнцер Клаус (Германия, Мюнхен); 
Розенберг Геннадий Самуилович (Россия, Тольятти); 
Смолянинов 
Владимир 
Владимирович 
(Россия, 

Пущино); 
Талеб Нассим Николас (США, Нью-Йорк); 
Твердислов 
Всеволод 
Александрович 
(Россия, 

Москва);  
Тыминский 
Владимир 
Георгиевич 
(Германия, 

Ганновер); 
Филатова Ольга Евгеньевна (Россия, Сургут); 
Хакен Герман (Германия, Штуттгарт); 
Хацкель Мойша Генрикович (Израиль, Ариэль);  
Хорган Джон (США, Хобокен); 
Эбелинг Вернер (Германия, Берлин); 
Яхно Владимир Григорьевич (Россия, Нижний 
Новгород). 

Редакционная коллегия 

Председатель: Стёпин Вячеслав Семёнович (Россия, 
Москва); 
Аршинов Владимир Иванович (Россия, Москва); 
Зилов Вадим Георгиевич (Россия, Москва); 
Иваницкий Генрих Романович (Россия, Пущино); 
Новиков Александр Михайлович (Россия, Москва); 
Трубецков Дмитрий Иванович (Россия, Саратов); 
Фесенко Евгений Евгеньевич (Россия, Пущино); 
Фудин Николай Андреевич (Россия, Москва); 
Хромушин Виктор Александрович (Россия, Тула); 
Чернавский Дмитрий Сергеевич (Россия, Москва).

СУРГУТ – ТУЛА – ГАННОВЕР – ВАШИНГТОН ■ 2014 

DOI 10.12737/issn.2306-174X                  
ISSN  2306-174X 
 
COMPLEXITY. MIND. POSTNONCLASSIC 
Periodic theoretical and scientific journal 

 
Founded in September 2012 
(Certificate of mass media registration  
on September 26, 2012 PI number FS77-51292) 

Publishing quarterly. 

№ 2 ■ 2014 

Founders 

Eskov Valery Mathew  

(Russia, Surgut, Valery.Eskov@Gmail.com) 

Tula regional branch of the Interregional Public 

Organization "Academy of Medical  

and Technical Sciences"  

(Russia, Tula). 

With the support of 

Europäische Akademie der Naturwissenschaften (Hannover) 

Executive Editor of the issue 

 
Michael A. Filatov 
Address: 628412, Russia, KhMAO, Surgut,  
Lenina prospect, 1, «Surgut State University», 
Phone: +7 (3462) 76-30-79, e-mail: filatovmik@yandex.ru. 
 

Secretary of the Editorial Board 

 
Valery V. Eskov 
(Russia, Surgut, admin@thirdglobalparadigm.com) 
Evgeniia V. Dronova (Russia, Tula) 
 
Editorial address 
 
300028, Russia, Tula, Smidovich,12 
Phone: +7 (4872) 33-10-16. 
E-mail:  cmp.journal@yandex.ru 
Website: http://cmp.esrae.ru/  
 
Publisher "Academy of Natural Sciences"  
Address: 105037, Russia, Moscow, PO Box 47 

Editor in Chief 

Eskov Valery Mathew (Russia, Surgut); 

Editorial Council 

Khadartsev Alexander Agubechirovich – Deputy Editor on 
the cluster: Biomedical Sciences and Synergetics (Russia, 
Tula); 
Budanov Vladimir Grigorievich – Deputy Editor on the 
cluster: 
Philosophy 
and 
Humanities 
in 
general 

postnonclassical Paradigm (Russia, Moscow); 
Malineckiy Georgii Gennadievich – Deputy Editor on the 
cluster: Mathematics in describing of Chaos and 
Synergistic Systems (Russia, Moscow); 
Aluja Jaime Jil (Spain, Barcelona); 
Filatova Olga Evgenievna (Russia, Surgut); 
Guestello Stephen (USA, SFI); 
Hackel Moishe Henrich (Israel, Ariel);  
Haken Herman (Germany, Stuttgart); 
Horgan John   (USA, Hoboken); 
Karpin Vladimir Alexanderovich (Russia, Surgut); 
Mainzer Klaus (Germany, Munich); 
Rozenberg Gennadiy Samuil (Russia, Togliatti); 
Smolyaninov 
Vladimir 
Vladimirovich 
(Russia, 

Pushchino); 
Taleb Nassim Nicholas (USA, New-York); 
Tverdislov Vsevolod Alexanderovich (Russia, Moscow);  
Tyminskiy  Vladimir Georgievich (Germany, Hannover); 
Volov Vyacheslav Teodorovich (Russia, Samara); 
Werner Ebeling (Germany, Berlin); 
Yachno 
Vladimir 
Grigorievich 
(Russia, 
Nizhny 

Novgorod); 
Zaslavsky Boris Gregorievich (USA, Washington DC). 

Editorial Board 

Chairman: Vyacheslav Semenovich Stepin (Russia, 
Moscow); 
Arshinov Vladimir Ivanovich (Russia, Moscow); 
Chernavskiy Dmitriy Sergeevich (Russia, Moscow); 
Fesenko Eugeniy Eugenievich (Russia, Pushchino); 
Fudin Nikolay Andreevich (Russia, Moscow); 
Khromushin Viktor Aleksandrovich (Russia, Tula); 
Ivanickiy Genry Romanovich (Russia, Pushchino); 
Novikov Alexander Michaylovich (Russia, Moscow); 
Trubeckov Dmitriy Ivanovich (Russia, Saratov); 
Zilov Vadim Georgievich (Russia, Moscow). 

SURGUT – TULA – HANNOVER – WASHINGTON ■ 2014 

 

 Сложность. Разум. Постнеклассика. 2014 – № 2  
3

Содержание 
Стр.

I. БИОМЕДИЦИНСКИЕ НАУКИ И 

СИНЕРГЕТИКА 

 
М.А. 
Филатов, 
Д.Ю. 
Филатова, 
Д.А. Сидоркина, С.М. Нехайчик. Идентификация параметров порядка в психофизиологии 

4 

 
В.В. Козлова, Д.К. Берестин, С.М. Нехайчик, А.А. Прасолова. Использование 
нейро-ЭВМ в оценке хаотической динамики параметров нервно-мышечной системы человека при различных акустических воздействиях 

13 

 
В.В. Еськов, О.О. Рыбалка, Д.В. Синенко, Н.Г. Шевченко. Биоинформационный анализ показателей функции 
внешнего дыхания у больных бронхиальной астмой с сопутствующим сахарным диабетом 2-го типа на фоне применения реабилитационных мероприятий

29 

 

II. ФИЛОСОФИЯ  

И ГУМАНИТАРНЫЕ НАУКИ В ОБЩЕЙ 

ПОСТНЕКЛАССИЧЕСКОЙ 

ПАРАДИГМЕ 

К.А. 
Хадарцева, 
Ю.В. 
Вохмина, 
Л.Б. Джумагалиева, О.Е. Филатова. 
Философские аспекты понятия гомеостаза для биосистем: от организма человека 
к социумам и биосфере Земли 

34 

 
В.М. Еськов, О.Е. Филатова,  С.А. Гудкова. Философские и социальные аспекты динамики развития образования и науки в Югре – типичный пример региональных процессов во всей России 

45 

 

III. МАТЕМАТИКА В ОПИСАНИИ 
ХАОСА И СИНЕРГЕТИЧЕСКИХ 

СИСТЕМ 

 
Ю.М. Попов, Д.К. Берестин, Ю.В. Вохмина, К.А. Хадарцева. Возможности 
стохастической обработки параметров 
систем с хаотической динамикой 

59 

 
Г.С. Козупица, Д.Д. Даянова, Ю.Г. Бурыкин, Д.К. Берестин. Компартментнокластерное моделирование неопределённостей в рамках детерминизма 

68 

Contents 
Page

I. BIOMEDICAL SCIENCES AND 

SYNERGETICS 

 
M.A. Filatov, D.Yu. Filatova, D.A. Sidorkina, S.M. Nekhaichik. Order parameter identification in psychophysiology

4 

V.V. Kozlova, D.K. Berestin, S.M. Nekhaichik, A.A. Prasolova. Use of neural 
computer in estimation of chaotic dynamics of neuromuscular system under acoustic impact

13 

V.V. Eskov, О.О. Rybalka, D.V. Sinenko, N.G. Shevchenko. Bioinfromation 
analysis of external respiration function 
values in patients with bronchial asthma 
and concomitant type 2 diabetes mellitus 
with applying rehabilitation in the north

29 

II. PHILOSOPHY AND THE HUMANITIES 

IN GENERAL POSTNONCLASSICAL 

PARADIGM 

K.A.
Khadartseva, Yu.V. Vochmina, 
L.B. Dzhumagalieva, O.E. Filatova. Phylosophical aspects of homeostasis for biosystems: from human body to societies and 
Earth biosphere

34 

V.M. Eskov, O.E. Filatova, S.A. Gudkova. Phylosophical and social aspects of 
development of education and science in 
Ugra – typical example of regional 
processes in Russia

45 

III. MATHEMATICS IN DESCRIPTION OF 

CHAOS AND SYNERGETIC SYSTEMS

 
Yu.M. Popov, D.K. Berestin, Yu. Vochmina, A.A. Khadartseva. Possibilities of 
stochastic processing of system parameters 
with chaotic dynamics

59 

G.S.
Kozupitsa, 
D.D. 
Dayanova, 
Yu.G. Burykin, D.K. Berestin. Compartment-cluster modeling of uncertainties according to determinism

68 

 
 
 
 
 
 

Филатов М.А. и др. / Сложность. Разум. Постнеклассика. 2014 – №2 – С.4-13. 
4

I. БИОМЕДИЦИНСКИЕ НАУКИ И СИНЕРГЕТИКА 

 
DOI: 10.12737/5514 
 
ИДЕНТИФИКАЦИЯ ПАРАМЕТРОВ ПОРЯДКА В ПСИХОФИЗИОЛОГИИ 
 
М.А. ФИЛАТОВ, Д.Ю. ФИЛАТОВА, Д.А. СИДОРКИНА, С.М. НЕХАЙЧИК  
 
ГБОУ ВПО «Сургутский государственный университет ХМАО-Югры», пр. Ленина, д.1, 
г. Сургут, Россия, 628412 
 
Аннотация. При использовании набора диагностических признаков xi, которые представляют общий вектор состояния системы x=x(t), возникает задача выбора из общего числа 
m таких признаков в наиболее значимых числом l<<m. На сегодня общее решение таких задач отсутствуют и в работе представлен метод ее решения для оценки различий в психофизиологических состояниях двух больших групп испытуемых (находящихся в условиях изменения факторов экосреды) с использованием нейроэмуляторов. При решении задачи бинарной классификации на основе анализа сенсомоторных параметров двух обследуемых групп 
предложена процедура, обеспечивающая реальное ранжирование xi и выделение из них наиболее значимых. Делаются аналогии в такой работе нейроэмулятора с работой нейросетей 
гиппокампа при эвристической деятельности мозга.  
Ключевые слова: биологические динамические системы, фазовое пространство состояний, теория хаоса – самоорганизации.  
 
ORDER PARAMETER IDENTIFICATION IN PSYCHOPHYSIOLOGY 
 
M.A. FILATOV, D.YU. FILATOVA, D.A. SIDORKINA, S.M. NEKHAICHIK  
 
Surgut State University, Lenina, 1, Surgut, Russia, 628412 
 
Abstract. While using a set of diagnostic characters xi, which form a total system state vector 
x=x(t), there emerges problem of selections such characters with more significant number l<<m 
from the total number m. Today such problems are still not solved, therefore, the paper presents method of its solving for assessment of distinctions in psychophysiological state of two big groups of 
subjects (under changing ecological factors) using neuroemulators. While binary classification 
problem solving based on analysis of sensomotor parameters of two groups the procedure, providing real ranking xi and choosing more significant l, is produced. The work of neuroemulator is similar to work of neural networks of hippocampus while heuristic brain activity. 
Key words: biological dynamic systems, phase space of states, theory of chaos and selforganization.  
 
Общеизвестно, что различные внешние воздействия, в том числе и действие 
экологических факторов внешней среды, 
способны существенно изменят психофизиологический статус испытуемого. Более 
того, в последние годы мы говорим о состоянии экологического стресса у жителей 
северных регионов РФ, которые находятся в 

особых условиях климата, продолжительности светового дня и в гипокинезии. Попытки 
изменения негативного психофизиологического состояния жителей Севера РФ, путем 
их перемещения в лечебно-оздоровительные 
зоны РФ, приводят к определенным изменениям в параметрах экологического стресса. 
Однако качественная и количественная 

Филатов М.А. и др. / Сложность. Разум. Постнеклассика. 2014 – №2 – С.4-13. 
5

оценка эффективности подобных оздоровительных мероприятий наталкивается на определенные трудности. Главная из них – невозможность применения статистических 
методов для такой оценки. 
Очень часто эта ситуация демонстрируется незначительными статистическими 
различиями в параметрах вектора состояния психофизиологических функций человека (ВСПФЧ) x=x(t)=(x1, x2,…,xm)T до и после проведения лечебно-оздоровительных 
мероприятий или при смене экофакторов 
среды (например, при переезде с севера на 
юг и обратно). Для объективного установления таких различий нами сейчас разработаны два новых подхода: на базе теории 
хаоса-самоорганизации (ТХС) (путем анализа параметров квазиаттракторов) и на базе нейроэмуляторов. Последняя и рассматривается в настоящем сообщении. 
Отметим, что идентификация параметров порядка (наиболее важных диагностических признаков из всех m, которые изучаются) – основа системного синтеза, а значит и 
одна из главных проблем естествознания вообще. Один из ответов на этот фундаментальный вопрос естествознания мы предлагаем в рамках решения задачи бинарной классификации с помощью нейроэмулятора (нейро-ЭВМ или НЭВМ), как некоторой модели 
принятия правильного решения мозгом человека, его нейронными сетями. При этом для 
нейроэмулятора создавались определенные 
условия в виде многократного представления 
на вход НЭВМ двух одинаковых обучающих 
выборок, которые нейросеть устойчиво разделяла на два разных объекта, т.е. выполняла 
процедуры бинарной классификации. Однако, сама нейросеть каждый раз (в исходном 
состоянии, до начала деятельности) получала 
хаотичный набор wi0 весов признаков xi (перед настройкой) для конкретного вектора состояний x=x(t) исходной (исследуемой) биологической системы. В общем случае в качестве последней брали группы больных и здоровых людей, или группы больных одинаковым заболеванием, но для которых применялось два вида лечения, или бралась одна экспериментальная группа до воздействия и после воздействия. Всего было обследовано 
более 20-ти тысяч человек в виде наблюде
ний и экспериментов в рамках задачи бинарной классификации, из них более 8-ми 
тысяч – по параметрам психофизиологических функций. Результаты во всех случаях 
были получены однотипные в отношении 
общих закономерностей. Сами эти закономерности в работе НЭВМ при идентификации параметров порядка мы представляем в 
нашем сообщении.  
Применение НЭВМ для ранжирования значимости диагностических признаков, т.е. для понимания размерности фазового пространства с m до l, где l<<m, используется в физиологии, психологии, медицине уже на протяжении последних 3035 лет. Однако, однократное решение задачи бинарной классификации представляет 
только одну возможную реализацию весов 
wi признаков (компонент xi вектора состояния системы). Разовая диагностика может 
быть ошибочной (и обычно она ошибочна!). Поэтому мы предлагаем особую процедуру такого ранжирования, которая подобна работе мозга человека [7,8]. 
Общеизвестно, что любая когнитивная деятельность человека сопровождается 
многократными реверберациями в нейронных сетях гиппокампа. Возникает закономерный вопрос: зачем нужны мозгу эти реверберации и каково их значение при наших попытках градации умного человека (с 
хорошей памятью и наличием признаков 
эвристической деятельности) от глупого 
человека (у него эти характеристики отсутствуют). При этом, в различных многочисленных исследованиях (более 20-ти тысяч 
испытуемых) мы доказали, что одинаковых 
состояний в эфферентных и афферентных 
системах человека не существует. Тремор, 
кардиоинтервалы, теппинг, миограммы и 
электроэнцефалограммы постоянно изменяют свои параметры. Тогда очевидно, что 
и входные потоки информации (биоэлектрические сигналы, поступающие в нейросети мозга) не будут одинаковы, они будут 
постоянно изменяться, оставаясь в пределах некоторых квазиаттракторов. 
Фактически, нейросети мозга постоянно находятся в хаотическом режиме своих 
динамических 
характеристик 
(возбудимость, параметры биопотенциалов и т.д.), но 

Филатов М.А. и др. / Сложность. Разум. Постнеклассика. 2014 – №2 – С.4-13. 
6

при этом из этого хаоса рождается порядок. 
Мы мыслим, принимаем решения, создаем 
цивилизацию. Однако главное во всем этом 
– это ответ на вопрос: как мы выбираем параметры порядка, как мы решаем что главное, а что – второстепенное, как из огромного числа xi (параметров внешней среды) выбрать их необходимое число l? Для ответа 
на этот вопрос рассмотрим как работает 
аналог мозга – НЭВМ в режиме малого числа итераций i, когда i=1,2,…,P и P<<100. 
1. Нейросеть при малом числе повторов работает с низкой эффективностью.  Если использовать генератор чисел в 
рамках равномерного распределения на интервале (0,1) и для каждого конкретного 
значения весов wi признаков xi,, которые образуют m-мерное фазовое пространство состояний (i=1,2,…,m), задавать конкретные 
значения весов wi0 хаотическим образом 
(т.е. 0<wi0<1 из генератора равномерного 
распределения в интервале (0,1)), то после 
решения задачи бинарной классификации, 
на выходе нейроэмулятора, мы будем получать наборы wij весовых значений каждого 
диагностического признака xi, где i – номер 
координаты, аj – номер итераций (j=1,2,...,p). 
Эти наборы после каждой j-й итерации будут различными и они образуют матрицу 
W= {wij}i=1,..,m
j=1,..,p. Если таких p будет невелико (p<100), то мы будем получать конкретные выборки этих весовых коэффициентов xi, (для каждого отдельного pl, где l – 
номер серии итераций из числа p). Однако 
попытки выделения из них наиболее значимых признаков (т.е. ранжирование xi) обречены на провал. Веса диагностических признаков wij будут хаотически изменяться для 
разных серий итераций l=1,2,…,r и мы не 
сможем выделить главные из них. При малых p≤100 мы для каждого значения l будем получать свой набор ранжирования wij 
и свои значения средних весов <wil> для 
каждой выборки l. Задача идентификации 
параметров порядка не будет решена. 
Состояние 
психофизиологических 
функций зависит от большого комплекса 
воздействий природного, техногенного и 
социально-психологического 
характера. 
Особенно в последнее десятилетие мы наблюдаем массовое возрастание информа
ционного «загрязнения» и прессинга на 
сенсорные системы (интернет, СМИ) человека, которое по большей своей части содержит не ликвидную и не значимую информацию. Такое «загрязнение» вызывает 
сложные ответные реакции психофизиологических функций (изменения в поведении, 
памяти, пороге восприятия информации) 
человека. У современной молодежи наблюдается зависимость от потребности постоянного прослушивания музыки, просмотра 
телевизора, игры в телефоне и на планшете 
(выполнение домашнего задания «под телевизор», что непосредственно снижает усвоение и закрепление новой информации). 
Физиологические или патологические смещения функциональных систем организма 
(ФСО) особенно четко проявляются у растущего организма под воздействием факторов техногенного, экологического характера. В пубертатном периоде эмоциональная 
компонента играет ведущую роль в работе 
сенсорных и психофизиологических систем 
восприятия информации. Известно, что 
«информационными» структурами мозга 
является комплекс гиппокамп-миндалинагипоталамус, которые выполняют существенную роль в организации восприятия, 
памяти и переработки информации, соответственно смещение движения вектора 
сенсорных и психофизиологических функций в m-мерном фазовом пространстве в 
условиях широтных перемещений, указывает на косвенное изменения в работе этих 
функций [2,3]. Таким образом, решающую 
роль в деятельности любой адаптирующейся системы играет способность человека 
корректировать свои реакции согласно изменениям воздействующего стимула на основе уже имеющегося опыта, а также накопления и хранения вновь поступающей информации. Именно поэтому приспособление (усвоение новой информации) возможно лишь при условии сохранности и четкой 
работы психофизиологических механизмов. 
В рамках применения нейро-ЭВМ были поставлены задачи по идентификации 
различий в работе психофизиологических 
функций в разных экологических условиях 
групп детей (мальчики и девочки) до отъезда в санаторий «Юный Нефтяник» и после 

Филатов М.А. и др. / Сложность. Разум. Постнеклассика. 2014 – №2 – С.4-13. 
7

приезда в г. Сургут. В табл. 1-2 представлены результаты 30-ти 100 и 1000-кратного 
обучения нейросети для определения ранговой значимости признаков (P4-P7).  
 

 

 
Как видно из табл. 1-2 с увеличением 
количества итераций обучений нейросети 

интервал вариации весовых коэффициентов сужается. Следует отметить, что при 50ти кратном, 100-кратном обучении и более, 
в результате обучения нейросеть будет выдавать тоже разные результаты ранговой 
значимости, т.е. вклад каждого 
признака в процедуру идентификации важных диагностических 
признаков при каждой итерации 
(настройке нейроэмулятора) будет различным. Однако, при увеличении числа повторов итераций p, т.е. повторов решения задачи бинарной классификации в 
рамках исходного задания хаотичного набора весов признаков 
хi0, и при переходе к 102<p<103, 
картина начинает существенно 
изменяться.Веса wij признаков хi 
продолжают 
демонстрировать 
хаотические вариации (их законы 
распределения не совпадают!), 
но эти хаотические изменения 
выходных значений весов xi (после разделения двух групп) проявляются в пределах некоторого 
квазиаттрактора для всех компонент вектора х. Иными словами 
возникает некоторая устойчивая 
первая цифра, а последующие 
две цифры (для p≥100) могут изменяться от минимума до максимума, образуя интервал изменения ∆wi=wi max-wi min для каждого 
набора итераций l, где l=1,2,…,N. 
Характер их изменения подобен 
изменению весов признаков при 
p<100. Это значит, что отдельные 
наборы (выборки весов признаков W
l
ij , где j – номер порядка 
итерации, а l – номер набора (выборки) итераций) демонстрируют 
ненормальное 
распределение 
(хотя нормальные законы распределения 
тоже 
возможны). 
Возникающие 
непараметрические распределения при этом постоянно изменяются (при переходе от p1 (l=1) к другому p2 (l=2). Для каждой выборки pl, где l – номер серии повторов настройки нейроэмулятора для задачи 

Таблица 1

Усредненные значения отдельных координат весов  
признаков wi вектора  состояния системы (параметры  
wi – показатели психофизиологических функций детей  
(P4-P7), отъезд из Сургута на юг) полученные в процессе 
идентификации параметров порядка нейроэмулятором 
после p≥ 1000 итераций (настроек ЭВМ) в режиме бинарной классификации 
 
Нейросети c p≤ 400=4×100

Расчеты итераций по выборкам (p≥ 1000) 

Средние значения весов признаков <wi> 
для координат вектора состояния системы xi  
по наибольшим и наименьшим весам 

 
ZK=<w1>
CHIS=<w2> 
OP=<w3>
SIMB=<w4>

p=4000 

j=(1,…,100) 
1 
0,6009 
0,5264 
0,2524 

p=1000 

j=(0,…,1000) 
1 
0,6122 
0,5196 
0,2526 

p=1000 

j=(1000,…,2000) 
1 
0,6007 
0,5245 
0,2461 

p=1000 

j=(2000,…,3000) 
1 
0,5930 
0,5329 
0,2527 

p=1000 

j=(3000,…,4000) 
1 
0,5976 
0,5288 
0,2579 

Интервалы изменений <Δwi> 
0 
0,0192 
0,0133 
0,0118 

Таблица 2

Усредненные значения отдельных координат весов  
признаков wi вектора состояния системы (параметры  
wi – показатели психофизиологических функций детей  
(P4-P7), приезде в Сургут из санатория) полученные в 
процессе идентификации параметров порядка  
нейроэмулятором после p≥ 1000 итераций (настроек ЭВМ) 
в режиме бинарной классификации 
 
Нейросети c p≤ 400=4×100

Расчеты итераций по выборкам (p≥ 1000) 

Средние значения весов признаков <wi> 
для координат вектора состояния системы xi  
по наибольшим и наименьшим весам 

 
ZK=<w1>
CHIS=<w2> 
OP=<w3>
SIMB=<w4>

p=4000 

j=(1,…,100) 
1 
0,4384 
0,3343 
0,2891 

p=1000 

j=(0,…,1000) 
1 
0,4474 
0,3296 
0,2889 

p=1000 

j=(1000,…,2000) 
1 
0,4343 
0,3339 
0,2919 

p=1000 

j=(2000,…,3000) 
1 
0,4366 
0,3374 
0,2828 

p=1000 

j=(3000,…,4000) 
1 
0,4351 
0,3365 
0,2927 

Интервалы изменений <Δwi> 
0 
0,0131 
0,0078 
0,0099 

Филатов М.А. и др. / Сложность. Разум. Постнеклассика. 2014 – №2 – С.4-13. 
8

бинарной классификации, мы будем иметь 
свои функции распределения f(pl), то есть 
при N повторах (l=1,…,N), мы можем получить N различных функций распределения. 
Ниже мы представляем объединенные 
результаты применения новых биофизических методов в рамках ТХС и нейро-ЭВМ в 
сравнительном аспекте для психофизиологических функций в 4-х мерном фазовом пространстве состояний (ФПС). Как показано 
выше, на основе полученных экспериментальных данных было доказано, что 30-ти 
кратная итерация нейрокомпьютерного анализа не позволяет идентифицировать параметры порядка (наиболее важные диагностические признаки), а новые биофизические 
методы в рамках ТХС (метод исключения 
отдельных признаков) обеспечивают идентификацию параметров порядка, предложен 
метод одиночного исключения для эффективного использования нейроэмулятора.  
 

 
 
Рис. 1. Средние значения весов диагностических признаков нейронной сети (30-ти кратное 
обучение) параметров психофизиологических 
(P4-P7) функций учащихся в условиях широтных перемещений (столбцы соответствуют порядку этапов тестирования 

 
 
Рис. 2. Средние значения весов  
диагностических признаков нейронной сети 
(4000 обучений нейросети) параметров  
психофизиологических (P4-P7)  
функций учащихся в условиях широтных  
перемещений (столбцы соответствуют порядку 
этапов тестирования 
 

Наиболее значимый весовой коэффициент идентифицированный в нейроЭВМ до отъезда в санаторий является P4, 
однако на четвертом этапе при 30-ти кратном обучении происходит смещение значимости и параметром порядка является P5 
(при p=1000 обучении этого не происходит 
– рис. 1 и 2. Оба теста направлены на концентрацию внимания, но в пятом тесте добавляется новая задача в распознавании 
четных и нечетных чисел, соответственно 
для решения поставленной задачи задействованы память, мышление. Как видно из 
рис. 1 и 2, инверсия весовых коэффициентов при увеличении количества итераций 
обучения нейросети происходит для параметра P4 во втором и четвертом измерении, 
для параметра P5 в 2-4 измерении; для параметра P6 в 1-м измерении, для параметра 
P7 во всех измерениях веса коэффициентов 
значимости принципиально не изменились. 
Определение параметром порядка в нейроЭВМ – показателя P5 говорит о том, что 
после приезда в г. Сургут у учащихся повысился контроль над произвольным вниманием и решение поставленной задачи сопровождается 
высокой 
устойчивостью 
внимания и внутренней мотивацией.  
 

 
 
Рис. 3. Результаты 30-ти итераций (крупный 
пунктир), 1000 итераций (мелкий пунктир) усредненные значения)) нейронной сети и результаты системного синтеза (идентификация параметров порядка, сплошная линия) параметров 
психофизиологических функций учащихся в условиях широтных перемещений (до отъезда в 
санаторий). Примечание: P4 – ЛП реакции на появление зеленого/красного квадрата в произвольном месте экрана, (с); P5 – ЛП распознавания 
чётных и нечётных чисел, (с); P6 – ЛП распознавания символа, (с); P7 – сосредоточенность внимания, (с) 

Филатов М.А. и др. / Сложность. Разум. Постнеклассика. 2014 – №2 – С.4-13. 
9

 
 
Рис. 4. Результаты 30-ти обучений  
(усредненные значения) нейронной сети 
(сплошная линия) и результаты системного 
синтеза (идентификация параметров порядка) 
параметров психофизиологических функций 
учащихся в условиях широтных перемещений 
(приезд в г. Сургут) 
 
Сравнительный анализ весовых коэффициентов и результатов идентификации 
параметров порядка с помощью новых методов на базе ТХС в условиях широтных 
перемещений представлены на рис. 1 и 2.  
На рис. 3 и 4 представлены усредненные весовые коэффициенты полученные в 
результате 30-ти кратного обучения и 1000кратного. В сравнении с результатами применения методов ТХС в этом случае мы 
видим диаметрально противоположные результаты. Однако в случае исключения 
признаков параметр P6 изначально был 
идентифицирован как параметр определяющий ВСС.  
Таким образом, полученная детальная 
обработка числовых массивов новыми биофизическими методами позволила получить 
точные количественные данные о динамике 
изменения психофизиологических функций 
человека в условиях широтных перемещений. Подобный подход целесообразно производить перед направлением в оздоровительный комплекс, чтобы иметь конкретные 
рекомендации для каждого ребенка с целью 
проведения специфических и строго дозированных индивидуально физиотерапевтических, кинезиологических, психологических (разгрузочные тренинги) и других лечебных мероприятий в санатории. 
Представлены результаты 30-ти кратного обучения нейросети для определения 
ранговой значимости признаков (P1-P7).  
Для иллюстрации представим основные результаты 4-го блока исследований 
настоящей работы, в частности, пример ре
шения одинаковой задачи бинарной классификации (например, различие параметров 
сенсомоторных и психофизиологических 
функций мальчиков и девочек в 1-м измерении), которая повторялась 30 раз, и 30 раз 
мы получали разные наборы весовых коэффициентов и разные наборы значимости xi.  
Из приведенных выше примеров следует, что 30-ти кратная настройка нейросети не даёт ответ на вопрос об идентификации параметров порядка из всех xi. В случае 
с нейроэмулятором для p<100 мы будем 
получать наборы выборок для каждого xi, 
но функции распределения (для каждого 
набора p1=p2=…=pN) будут получаться 
разными. При переходе к p≥100 возникает 
устойчивость в значениях весов признаков 
xi в первой значащей цифре (после запятой) 
и далее, с ростом p (p≥103, p≥104), мы будем иметь хаотические вариации двух последних значащих цифр. Конкретный пример для p=100 мы представляем в табл. 1, 
где производится сравнение пяти выборок 
по p=100 итераций в каждой. При переходе 
к p≥1000 мы получаем сходную устойчивость уже по первым двум значащим цифрам после запятой (табл. 2) для всех четырёх значимых цифр после запятой. Очень 
часто этими хаотическими изменениями в 
биологии пренебрегают, если мы оперируем с большими цифрами. 
 2. Нейро-ЭВМ идентифицирует параметры порядка при большом числе 
итераций. В качестве примера реализации 
таких процедур мы предлагаем результаты 
ранжирования весовых значений <wi> признаков xi для решения задачи разделения 
(бинарной классификации) группы испытуемых из 19-ти человек, которые проходили обследование по параметру сердечнососудистой системы (ССС) до работы в 
ночную смену и после такой работы (сходные данные были получены и для психофизиологических параметров человека). При 
многократных повторах процедуры бинарной классификации (разделения двух обучающих выборок, т.е. состояний xi для ССС 
перед ночной сменой и после смены) нейросеть каждый раз четко обучается в этом 
разделении по 15-ти диагностическим признакам xi (i=1,2,3,…,15) указанных двух 

Филатов М.А. и др. / Сложность. Разум. Постнеклассика. 2014 – №2 – С.4-13. 
10

групп (до и после смены). При этом каждый раз выдает свой уникальный (и неповторимый) набор весов признаков xi, то 
есть Wij, где j – номер итерации (j=1,…,p), а 
i – номер признака (компартмента xi для 
ВСС). В табл. 1 мы представляем результаты расчёта четырёх выборок по p=100 итераций в каждой и их общую выборку 
(p=400) для наглядности динамики изменения <wil> при p=100. 
Результаты одной серии из 50-ти повторов представлены на рис.1, для m=11 
(были выбраны наиболее важные параметры 
из биологических признаков). Очевидно, что 
веса признаков (все xi) изменяются при каждой настройке и эти вариации (распределения каждого xi) НЭВМ не попадают под закон нормального распределения. Особым 
образом себя ведут и средние значения весов для разных наборов выборок, т.е. с увеличением l и p для всех признаков (на рис. 1 
их число m=11) мы получаем разные законы 
распределения и для разных выборок из xi 
мы тоже имеем существенные различия. 
Подобную картину описала группа ученых 
Стэнфорда при анализе выполнения движения при якобы произвольном (целевом) 
движении (reaching) [1]. Любое движение 
человека повторить невозможно. Более того 
постуральный тремор – это тоже неповторимое (невоспроизводимое) движение, которое произвольное по сути (есть цель!), но 
оно выполняется непроизвольно, т.е. хаотически. Этот хаос начинается с афферентов, с 
хаоса в нейросетях мозга и заканчивается 
хаосом в эфферентных сигналах и в эффекторном органе (в мышцах для тремора).  
Более того, непараметрические распределения для каждой серии (из p=50) тоже получаются разными. Мы имеем просто 
некоторые наборы выборок, которые генерируются как бы из разных генеральных 
совокупностей. Подобную картину мы наблюдаем при анализе треморограмм (на интервале Т=5 сек каждый интервал τi=1 сек, 
где τ1=τ2=τ3=τ4=τ5=Т/5 генерирует свою 
выборку) и здесь статистические функции 
распределения не совпадают, они как бы 
получаются из разных генеральных совокупностей [4-6]. Аналогичную закономерность имеем и для теппинграмм, кардио
грамм, электроэнцефалограмм, миограмм 
и даже из анализа биохимических параметров больных. При длительном мониторинге 
параметров крови имеются. В общем случае мы сейчас в рамках ТХС говорим о 
хаотической динамике всех параметров гомеостаза любого жителя планеты Земля. В 
целом, мы можем говорить, что при малых 
повторах неопределенность значимости xi 
велика, а для НЭВМ определить параметры 
порядка для p<100 невозможно! 
 3. Переход хаоса в порядок реализуется за счёт ревербераций в нейросетях 
мозга. Из предыдущего параграфа следует, 
что разовая настройка нейросети не даёт 
ответ на вопрос об идентификации параметров порядка из всех xi. При увеличении 
числа повторов итераций p, т.е. повторов 
решения задачи бинарной классификации в 
рамках исходного задания хаотичного набора весов признаков хi0, и при переходе к 
102<p<103, картина начинает существенно 
изменяться. Веса wij признаков хi продолжают демонстрировать хаотические вариации (их законы распределения не совпадают!), но эти хаотические изменения выходных значений весов xi (после разделения 
двух групп) проявляются в пределах некоторого квазиаттрактора для всех компонент 
вектора х. Иными словами возникает некоторая устойчивая первая цифра, а последующие две цифры (для p≥100) могут изменяться от минимума до максимума, образуя интервал изменения ∆wi=wi max-wi min для 
каждого набора итераций l, где l=1,2,…,N. 
Характер их изменения подобен изменению 
весов признаков при p<100. Это значит, что 
отдельные наборы (выборки весов признаков W
l
ij , где j – номер порядка итерации, а l 
– номер набора (выборки) итераций) демонстрируют ненормальное распределение 
(хотя нормальные законы распределения 
тоже возможны). Возникающие непараметрические распределения при этом постоянно изменяются (при переходе от p1 (l=1) к 
другому p2 (l=2). Для каждой выборки pl, 
где l – номер серии повторов настройки 
нейроэмулятора для задачи бинарной классификации, мы будем иметь свои функции 
распределения f(pl), то есть при N повторах 
(l=1,…,N), мы можем получить N различ