Нікітіна Катерина , 4 курс ЕЕП-409

cnikitina@gmail.com

Вдосконалення системи діагностики результативності діяльності підприємства

Актуальність. Діагностика – це аналіз і оцінювання стану та результативності діяльності підприємства за допомогою реалізації комплексу дослідницьких процедур, виявлення конкурентних переваг і слабких ланок з метою посилення перших і нівелювання впливу других при обґрунтуванні стратегії підприємства.

Практичне застосування  діагностики, як і будь якого системного аналізу пов’язане з рядом проблем:

• Обробка великого обсягу вхідної  інформації потребує значних затрат людських ресурсів та часу;
• Інформація оброблюється та аналізується спеціалістами різного рівня та зовнішніми експертами на різних етапах проведення діагностики, що зумовлює високий рівень суб’єктивності кінцевих результатів;

Тобто, для ефективного використання діагностики як основного засобу аналізу функціонування підприємства необхідно максимально виключити людський фактор, проте максимально зберегти спектр інтелектуальних ресурсів.

Постановка проблеми.Метою цієї статті є вирішення проблем, пов’язаних з практичним застосуванням діагностики результативності діяльності підприємства, за допомогою використання ШНМ.

Результати дослідженняОптимальним та найефективнішим рішенням на даний час є застосування штучних нейронних мереж.

Штучна нейронна мережа (ANN - artificial neural network))являє собою обчислювальну архітектуру для обробки складних даних за допомогою безлічі пов'язаних між собою процесорів та обчислювальних шляхів.

Штучні нейронні мережі (ШНМ)в ширшому розумінні це математичні моделі, а також їх програмні або апаратні реалізації, побудовані за принципом організації й функціонування біологічних нейронних мереж – мереж нервових кліток живого організму. Це поняття виникло при вивченні процесів, що протікають у мозку, і при спробі змоделювати ці процеси.

Нейронні мережі- це адаптивні системи для обробки і аналізу даних, які представляють собою математичну структуру, яка імітує деякі аспекти роботи людського мозку і демонструють такі його можливості, як здатність до неформального навчання, здатність до узагальнення і кластеризації некласифікований інформації, здатність самостійно будувати прогнози на основі вже пред'явлених часових рядів.

Штучні нейронні мережі, створені за аналогією з людським мозком, здатні навчатися й аналізувати великі і складні набори даних, які з допомогою більш лінійних алгоритмів обробити вкрай складно.

Для процесу навчання необхідно мати модель зовнішнього середовища, у якій функціонує нейронна мережа – потрібну для вирішення задачі інформацію. По-друге, необхідно визначити, як модифікувати вагові параметри мережі. Алгоритм навчання означає процедуру, в якій використовуються правила навчання для налаштування ваг.

   Існують три загальні парадигми навчання:

• "з вчителем",
• "без вчителя" (самонавчання)
• і змішана.

У першому випадку нейромережа має у своєму розпорядженні правильні відповіді (виходи мережі) на кожен вхідний приклад. Ваги налаштовуються так, щоб мережа виробляла відповіді як можна більш близькі до відомих правильних відповідей.

Навчання "без вчителя" не вимагає знання правильних відповідей на кожен приклад навчальної вибірки. У цьому випадку розкривається внутрішня структура даних та кореляція між зразками в навчальній множині, що дозволяє розподілити зразки по категоріях.

При змішаному навчанні частина ваг визначається за допомогою навчання зі вчителем, у той час як інша визначається за допомогою самонавчання.

У загальному використанні є багато правил навчання, але більшість з цих правил є деякою зміною відомого та найстаршого правила навчання, правила Хеба. Дослідження різних правил навчання триває, і нові ідеї регулярно публікуються в наукових та комерційних виданнях. Представимо декілька основних правил навчання.

Правило Хеба . Опис правила з'явився у його книзі "Організація поведінки" у 1949 р. "Якщо нейрон отримує вхідний сигнал від іншого нейрону і обидва є високо активними (математично мають такий самий знак), вага між нейронами повинна бути підсилена". При збудженні одночасно двох нейронів з виходами (хj, уі) на t-тому кроці навчання вага синаптичного з'єднання між ними зростає, в інакшому випадку - зменшується, тобто

де r - коефіцієнт швидкості навчання.

Може застосовуватись при навчанні "з вчителем" і "без вчителя".

Правило Хопфілда  Є подібним до правила Хеба за винятком того, що воно визначає величину підсилення або послаблення. "Якщо одночасно вихідний та вхідний сигнал нейрона є активними або неактивними, збільшуємо вагу з'єднання оцінкою навчання, інакше зменшуємо вагу оцінкою навчання".

Правило "дельта".

Це правило є подальшою зміною правила Хеба і є одним із найбільш загально використовуваних. Це правило базується на простій ідеї неперервної зміни синаптичних ваг для зменшення різниці ("дельта") між значенням бажаного та біжучого вихідного сигналу нейрона.

За цим правилом мінімізується середньоквадратична похибка мережі. Це правило також згадується як правило навчання Відрова-Хофа та правило навчання найменших середніх квадратів.

У правилі "дельта" похибка отримана у вихідному прошарку перетворюється похідною передатної функції і послідовно пошарово поширюється назад на попередні прошарки для корекції синаптичних ваг. Процес зворотного поширення похибок мережі триває до досягнення першого прошарку.

При використанні правила "дельта" важливим є невпорядкованість множини вхідних даних. При добре впорядкованому або структурованому представленні навчальної множини результат мережі може не збігтися до бажаної точності і мережа буде вважатись нездатною до навчання.

Правило градієнтного спуску

Це правило подібне до правила "дельта" використанням похідної від передатної функції для змінювання похибки "дельта" перед тим, як застосувати її до ваг з'єднань. До кінцевого коефіцієнта зміни, що діє на вагу, додається пропорційна константа, яка пов'язана з оцінкою навчання. І хоча процес навчання збігається до точки стабільності дуже повільно, це правило поширене і є загально використовуване.

Доведено, що різні оцінки навчання для різних прошарків мережі допомагає процесу навчання збігатись швидше. Оцінки навчання для прошарків, близьких до виходу, встановлюються меншими, ніж для рівнів, ближчих до входу.

Нижче перераховані області, в яких ефективність застосування нейронних мереж доведено на практиці:

Для фінансових операцій:

1. Прогнозування поведінки клієнта

2. Прогнозування і оцінка ризику майбутньої угоди

3. Прогнозування можливих шахрайських дій

4. Прогнозування залишків коштів на кореспондентських рахунках банку

5. Прогнозування руху готівки, обсягів оборотних коштів

6. Прогнозування економічних параметрів і фондових індексів

Для планування роботи підприємства:

1. Прогнозування обсягів продажів

2. Прогнозування завантаження виробничих потужностей

3. Прогнозування попиту на нову продукцію

Для бізнес-аналітики та підтримки прийняття рішень:

1. Виявлення тенденцій, кореляцій, типових зразків і винятків у великих обсягах даних

2. Аналіз роботи філій компанії

3. Порівняльний аналіз конкуруючих фірм

Інші програми:

1. Оцінка вартості нерухомості

2. Контроль якості продукції, що випускається

3. Системи спостереження за станом обладнання

4. Проектування та оптимізація мереж зв'язку, мереж електропостачання

5. Прогнозування споживання енергії

6. Розпізнавання рукописних символів, в т.ч. автоматичне розпізнавання і аутентифікація підпису

7. Розпізнавання та обробка відео та аудіо сигналів

Кометарі до матеріалу можна залишитут тут: http://vk.com/topic-36835937_26263857 )