Нейросетевое управление рентабельностью предприятия

• Автор: Бычков, Андрей Витальевич
• Шифр специальности: 05.13.01
• Научная степень: Кандидатская
• Год защиты: 2001
• Место защиты: Краснодар
• Количество страниц: 163 с.

СОДЕРЖАНИЕ
ВВЕДЕНИЕ
1 ИСПОЛЬЗОВАНИЕ И ПОЛУЧЕНИЕ ЗНАНИЙ В НЕЙРОСЕТЕВЫХ МОДЕЛИРУЮЩИХ СИСТЕМАХ
1.1 Обзор современных нейросетевых программных продуктов
1.2 Методы создания многослойных нейронных сетей на основе знаний
1.2.1 Классический способ генерации архитектуры нейросети
с бинарными входами и выходами
1.2.2 Особенности обучения многослойных нейросетей
1.2.3 Анализ методов построения логически прозрачных нейросетей
1.3 Создание многослойных нейронных сетей при недостаточном размере обучающего множества
1.4 Выводы
2 СОЗДАНИЕ НЕЙРОСЕТЕВОГО АППРОКСИМАТОРА НА ОСНОВЕ АЛГЕБРАИЧЕСКОЙ ФОРМУЛЫ
2.1 Теоретические основы метода РВАИИ
2.1.1 Приведение силы взаимного влияния переменных в нейросетевой и линейной алгебраической моделями
2.1.2 Сохранение семантических связей в нейросети с
помощью частотного контрастирования
2.2 Метод создания нейросетевого аппроксиматора на основе алгебраической формулы
2.2.1 Назначение и условия применения метода РВАМИ
2.2.2. Алгоритм создания нейросетевой модели по методу РВАМИ
2.3 Выводы
3 ОЦЕНКА ЭФФЕКТИВНОСТИ МЕТОДА Ь ВАГЧ ПРИ НЕЙРОСЕТЕВОМ МОДЕЛИРОВАНИИ РЕНТАБЕЛЬНОСТИ ПРЕДПРИЯТИЙ МОЛОЧНОЙ ПРОМЫШЛЕННОСТИ КРАСНОДАРСКОГО КРАЯ
3.1 Целесообразность использования искусственных нейросетей для моделирования функциональных зависимостей
экономических процессов
3.2 Показатели оценки эффективности методов создания нейросетевой модели
3.3 Моделирование рентабельности промышленного предприятия
3.3.1 Актуальность нейросетевого моделирования рентабельности
3.3.2 Формализация модели рентабельности промышленного предприятия
3.4 Экспериментальная оценка эффективности методов моделирования рентабельности
3.4.1 Выбор методов и средств моделирования
3.4.2 Создание и исследование моделей
3.5 Выводы
ЗАКЛЮЧЕНИЕ
СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ
ПРИЛОЖЕНИЯ
Приложение 1. Шкалы дискретизации переменных нейросетевых моделей
рентабельности
Приложение 4. Краткое описание и руководство пользователя программы МЛТоо! версии

ВВЕДЕНИЕ
Математическое моделирование является неотъемлемой частью автоматизированных систем управления и обработки информации, применяемых в различных областях человеческой деятельности. Использование математического моделирования для оперативного прогнозирования и адекватного управления процессами, в научных исследованиях и опережающих АСУ позволяет реализовать базовый принцип автоматизации - повышение производительности процессов. Высокое качество управления достигается путем прогнозирования течения процесса, осуществления упреждающего или оперативного управления и, в результате, минимизации потерь.
Сложность многих объектов управления и необходимость регулирования в реальном масштабе времени накладывает жесткие требования не только к вычислительной мощности и быстродействию АСУ, но и к эффективности самих методов математического моделирования.
Среди направлений математического моделирования выделяется относительно новое научное направление - методы моделирования на основе искусственных нейроподобных сетей (нейросетей). Основными преимуществами нейросетевого моделирования перед другими направлениями являются [13,73]:
а) инвариантность (независимость от влияния) методов синтеза нейронных сетей к размерности пространства признаков и размерам нейронной сети;
б) адекватность современным перспективным технологиям;
в) отказоустойчивость в смысле монотонного (постепенного), а не катастрофического изменения качества решения задачи в зависимости от числа вышедших из строя элементов;
г) высокая скорость формирования результата за счет естественного массового параллелизма функционирования;
д) высокая помехоустойчивость и адекватность;

Методы извлечения правил типа М из N
Метод разработанный Товеллом и Шавликом [78,100,101,102] ищет не конъюнктивные правила, а правила включающие выражения тип "М из Ы". Выражения М из N это булевы выражения, определяющие целочисленный порог М и набор N булевых переменных, из которых может состоять правило. Такое выражение имеет значение истинно, если как минимум М из N переменных истинны. Например, имеем три булевых переменных XI, Х2 и ХЗ, количество истинных переменных равно двум, тогда М из N правило имеет вид: "Если 2 из {XI,-Х2,ХЗ}=истинно тогда... " , что логически эквивалентно выражению (XI И -Х2)ИЛИ(Х 1 И ХЗ)ИЛИ(-Х2 И ХЗ).
Есть два преимущества извлечения М из N правил по сравнению с конъюнктивными правилами. Первое - М из N правило определяет часто более краткие и понятные правила, чем их коньюктивные аналоги. Второе преимущество в том, что когда используются локальные методы, комбинаторику поиска правил можно упростить. Подход разработанный Товеллом и Шавликом извлекает М из N правила из нейрона для первого кластеризованого веса и затем кластера весов как эквивалентные классы. Кластеризация значений весов понижает проблему поиска правил с определения N приближенно равных весов к определению С (С «М) кластеров. Этот подход предполагает, что веса хорошо кластеризуются после обучения. Метод был разработан для использования с логически прозрачными многослойными нейросетями. В результате применения данного метода получается база знаний, представляющая собой иерархический набор правил типа "М из И" в терминах понятийных меток нейронов.
Областью применения метода являются задачи классификации.