Содержание к диссертации
Введение
1 Особенности сбыта многоассортиментной продукции на примере корпорации «глория джинс» 7
1.1 Анализ особенностей сбыта многоассортиментрой продукции 7
1.2 Исследование предприятий рассматриваемого класса с позиции теории сложных систем 11
1.3 Анализ сбыта многоассортиментной продукции корпорации «Глория Джине» 18
2 Исследование сбыта многоассортиментной продукции на основе модели временных рядов 27
2.1 Обзор литературы по численным методам исследования сбыта продукции 27
2.2 Анализ методологии прогнозирования временных рядов Бокса-Дженкинса 64
2.3 Разработка концептуального метода динамически адаптируемого прогноза объемов сбыта многоассортиментной продукции на основе модели временных рядов 68
2.4 Исследование динамически адаптируемых моделей прогнозирования сбыта многоассортиментной продукции 80
3 Разработка нейроимитатора для динамической адаптации прогноза 84
3.1 Анализ методов исследования временных рядов с применением нейронных сетей 84
3.2 Разработка алгоритма нейросетевого моделирования динамически адаптируемого прогноза объемов сбыта многоассортиментной продукции 93
4 Нейросетевое моделирование временных рядов объемов сбыта многоассортиментной продукции 98
4.1 Подготовка данных для нейроимитационного моделирования временных рядов 98
4.2 Нейроимитационное моделирование прогноза сбыта многоассортиментной продукции на примере данных корпорации «Глория Джине» 101
5 Создание программного комплекса «solaris» для нейроимитационного моделирования экономических временных рядов» 104
5.1 Анализ структуры хранилища данных корпорации «Глория Джине»... 104
5.2 Разработка структуры программного нейроимитатора 109
5.3 Внедрение пользовательского интерфейса программного нейроимитатора 117
Заключение 123
Литература
- Исследование предприятий рассматриваемого класса с позиции теории сложных систем
- Анализ методологии прогнозирования временных рядов Бокса-Дженкинса
- Разработка алгоритма нейросетевого моделирования динамически адаптируемого прогноза объемов сбыта многоассортиментной продукции
- Нейроимитационное моделирование прогноза сбыта многоассортиментной продукции на примере данных корпорации «Глория Джине»
Введение к работе
' I
Актуальность. Планирование объема сбыта многоассортиментной
продукции, включающее маркетинговое исследование рынка, прогнозирова
ние спроса покупателей на основе данных за предыдущие периоды и опреде
ляющее на будущее вероятностные характеристики процесса управления
предприятием, позволяет получить такие показатели эффективности функ
ционирования компании как величину доходов, прибыль и уровень рента-
Т" бельности.
Критерии оптимизации процесса управления предприятием, включающие планируемые объемы сбыта многоассортиментной продукции и формализующиеся в виде целевой функции, позволяют определить стратегию развития компании с учетом ограничений экономического характера.
Задачам прогнозирования на основе моделей временных рядов посвящено большое количество исследований. Имеются успешные решения по построению прогноза с использованием вероятностных методов, нейросете-вого моделирования, субъективных знаний экспертов. В частности исследованиям в данной области посвящены работы Бокса Дж., Дженкинса Г., Боровикова В.П., Ивченко Г.И., Лукашина Ю.П., Оссовского С, Комарцовой Л.Г., Максимова А.В. и др. Однако в случае применения рассматриваемых методов к особенностям предприятия, реализующего многоассортиментную продукцию, возникает необходимость в прогнозе по целевым группам, который позволит эффективно адаптироваться к меняющимся рыночным условиям и изменениям данных за предыдущие периоды.
В связи с этим все более актуальной является разработка новых методов и алгоритмов и программно-математических инструментариев на их основе, делающих возможным получение эффективных решений в вопросах снижения погрешности прогнозирования объемов сбыта многоассортиментной продукции, сокращения времени обработки данных.
Цель диссертационной работы состоит в повышении эффективности программно-моделирующих комплексов прогнозирования экономических временных рядов объемов сбыта многоассортиментной продукции.
Для достижения поставленной цели необходимо решить следующие научные задачи:
1. Провести анализ особенностей предприятий, реализующих многоассортиментную продукцию, и состояния вопросов прогнозирования объе-
мов их сбыта в условиях меняющейся рыночной конъюнктуры для определе-
> ния требований к методике прогнозирования объемов сбыта и программно-
* математическому инструментарию.
Разработать метод предварительной обработки исходной информации по категориям переменных многоассортиментной продукции с целью повышения точности прогноза.
Разработать концептуальный метод динамически адаптируемого прогноза объемов сбыта на основе модели временных рядов и создать спе-
а циализированный программно - математический инструментарий.
Разработать модель и алгоритм нейросетевого моделирования динамически адаптируемого прогноза объемов сбыта многоассортиментной продукции.
Создать нейроимитатор прогноза объемов сбыта многоассортиментной продукции на основе анализа статистических данных большой размерности с большим числом исходных данных и нелинейными зависимостями.
g> Методы исследования. В диссертации научные исследования осно-
ваны на методах системного анализа, математического моделирования, нейросетевого моделирования, математической статистики, искусственного интеллекта и экспертных оценок, при широком использовании программно-математического инструментария. Научная новизна:
1. Предложен метод предварительной обработки исходной информа
ции на основе динамической кластеризации многоассортиментной продук
ті ции позиционированием по целевым группам потребителей с учетом экс
пертных оценок, позволяющий повысить точность прогноза.
2. Построена математическая модель на основе методики Бокса-
Дженкинса для получения прогноза объемов сбыта многоассортиментной
продукции, отличающаяся введением дополнительной совокупности коэф
фициентов временного ряда, что позволяет осуществлять динамическую
адаптацию к изменениям текущих рыночных условий и данных за предыду
щие периоды.
3. Создана нейросетевая модель для построения прогноза объемов
'р сбыта многоассортиментной продукции, отличающиеся введением дополни
тельной динамически адаптируемой совокупности связанных коэффициентов
сезонности и временного ряда, позволяющая повысить точность прогноза.
Разработан концептуальный метод моделирования прогноза объемов сбыта многоассортиментной продукции на основе модели временных рядов, отличающийся использованием механизма динамической адаптации к текущим рыночным условиям и изменениям данных за предыдущие периоды.
Разработан алгоритм нейросетевого моделирования прогноза объемов сбыта многоассортиментной продукции на основе метода обучения обратного распространения ошибки, позволяющий сократить время обработки данных и повысить точность прогноза.
Обоснованность и достоверность научных положений и выводов подтверждается применением системного подхода, корректным использованием современного математического аппарата, проверкой на основе имитационных исследований.
Практическая ценность работы. Разработана методика моделирования прогноза объемов сбыта многоассортиментной продукции на основе модели временных рядов, отличающаяся использование механизма динамической адаптации к изменениям данных за предыдущие периоды и текущим рыночным условиям.
Создан программно - математический инструментарий, включающий модель на основе методики Бокса-Дженкинса для построения прогноза объемов сбыта многоассортиментной продукции с учетом дополнительной совокупности коэффициентов временного ряда и позволивший автоматизировать процесс прогнозирования, сократить время обработки данных, повысить точность прогноза.
Разработан нейроимитатор на основе нейросетевой модели для построения прогноза объемов сбыта многоассортиментной продукции с учетом дополнительной динамически адаптируемой совокупности связанных коэффициентов сезонности и временного ряда, обладающий существенными преимуществами при анализе статистических данных большой размерности с большим числом исходных данных, а также при построении нелинейных зависимостей и позволивший автоматизировать процесс прогнозирования, сократить время обработки данных и повысить точность прогноза.
С использованием предложенных программно-математических инст-рументариев построены прогнозы объемов сбыта многоассортиментной продукции на ЗАО «Корпорация «Глория Джине». Результаты исследования нашли свое применение при определении стратегии развития компании и по-
строении комплексного мастер плана сбыта многоассортиментной продукции, оформлены в виде технической документации и переданы вместе с программно-моделирующими комплексами для использования в соответствующие подразделения компании. Материалы диссертации использованы в учебном процессе на факультете высоких технологий Ростовского государственного университета для подготовки магистров по направлению «Системный анализ и управление» и специальности «Менеджмент высоких технологий».
Апробация работы. Основные положения работы докладывались и обсуждались на 6-ти конференциях, в том числе, на 51-й научно-технической конференции студентов и аспирантов (ЮРГТУ (НПИ)), май 2002 г.; на XVI Международной конференции «Математические методы в технике и технологиях» (Ростов н/Д), май 2003 г.; на III- й Международной научно-технической конференции «Автоматизация технологических объектов и процессов. Поиск молодых» (Донецк), май 2003 г.; на региональных конференциях «Управление в технических, технологических, социально-экономических и медико-биологических системах», (ЮРГТУ (НПИ)), апрель 2003, 2004 г.г.; на XXX воєнно - научной конференции (Новочеркасск, НВИС), март 2003 г.; на международной научно-технической конференции «Новые технологии управления движением технических объектов» (Новочеркасск, 2003 г.).
Индивидуально или в соавторстве опубликованы в журналах и сборниках научных трудов 15 печатных работ. Из них 7 научных статей, 4 тезиса докладов и 4 свидетельства об официальной регистрации программы для ЭВМ. В работах, написанных в соавторстве, основные научные положения получены диссертантом лично.
Исследование предприятий рассматриваемого класса с позиции теории сложных систем
Современное предприятие — сложный для управления производственно — хозяйственный комплекс. С позиции теории сложных систем предприятие является технико - экономической системой, то есть сложной производственной системой, управляемой по технико - экономическим показателям [7-8].
Предприятие как ТЭС - совокупность техники, технологий, материальных, финансовых и трудовых ресурсов, находящихся в определённых организационных и экономических отношениях между собой и с внешним миром, предназначенная для целенаправленного производства конкурентоспособной продукции.
Критерии управления предприятием как ТЭС - комплекс технико -экономических показателей. Цель управления (функционирования) ТЭС -достижение оптимальных ТЭП. Техноко - экономические процессы - совокупность процессов, протекающих в ТЭС.
"Технико - экономические показатели" - это система показателей работы предприятия, применяемая для анализа и оценки его производственно -хозяйственной деятельности, планирование организационного, технического и технологического уровней производства, рационального (эффективного) использования производственных фондов и трудовых ресурсов.
На основе кибернетического подхода процесс управления предприятием может быть представлен в виде схемы (рисунок. 1.1), где: t - время; ХИзм.(0 _ вектор измеряемых (контролируемых) параметров, характеризующих состояние ОУ (измеряемая часть вектора фазовых координат); ZH3M.(t) -вектор измеряемых (контролируемых) параметров, характеризующих состояние окружающей среды; U — управляющее воздействие; V - неконтролируемое воздействие окружающей среды; W — информационные возмущения [9-Ю].
Применительно к промышленному предприятию кибернетический подход предполагает, что при управлении предприятием должны использоваться следующие принципы: управление предприятием рассматривается в рамках системы, включающей в себя помимо предприятия и внешнюю среду; цель управления формируется в количественных терминах; действующие в системе механизмы связи и управления анализируются с учётом как детерминированности, так и стохастических изменений; одним из важнейших элементов системы управления является человек, то есть субъективный фактор, который играет, с одной стороны, существенную роль в управлении, а с другой - вносит в неё определённые возмущения.
Управление производством всегда подчинено некоторой цели, поэтому всегда можно говорить об управлении, оптимальном в известном смысле, например, цель: максимизация прибыли за заданный период времени, снижение издержек производства и т. п.
Для получения предсказуемых результатов управления сложенными объектами и накопления полезных, полученных опытным путём, знаний применяется ряд упрощений, которые могут быть формализованы в рамках теории управления. То есть, сначала производится структуризация задачи (проблемы) управления предприятием, как сложным объектом (ТЭС), а затем решаются её отдельные этапы, подзадачи. Налицо технологический подход к решению проблем, проблемных ситуаций и задач. Управление представляют две составляющие: программные управляющие воздействия, зависящие только от времени; корректирующие управляющие воздействия, формируемые по принципу обратной связи, то есть зависящие от рассогласований между текущими значениями контролируемых параметров и прогнозируемыми программами. Поведение контролируемых параметров деятельности изображено на рисунке 1.2. Поведение контролируемых параметров деятельности
Здесь: Хпл(і) - программное, планируемое значение параметра; Хф(і) -фактическое значение параметра; Xp(t) - регулирование (переход Хф і) в ХФ(12)).
Методы формирования программной составляющей управляющих воздействий и прогнозирования поведения предприятия. При реализации этих воздействий в экономике и в области управления предприятием, дали начало развитию такого направления, как методы планирования. Дополнение методов планирования способами периодического формирования корректирующих составляющих управляющих воздействий легло в основу направления - управление проектами.
После введения этих упрощений (структуризация проблемы) процесс управления предприятием можно представить в виде рисунке 1. Как видно, налицо очень важная составляющая процесса управления -план, прогноз, ориентир (естественно, оптимальный на определённый момент), а затем учёт, контроль отклонений (из-за внешних и внутренних возмущений) и корректировка процесса функционирования предприятия (причём степень вмешательства и способы управляющих воздействий зависят от дХ).
Планирование заключается в выработке плановой "траектории" процесса X(t) на период планирования (X0(t), Хпл(0}. Учёт, то есть измерение, в производственных системах состоит в определении в заданные моменты времени истинного состояния процесса X j,(t). Контроль позволяет определить отклонение Хф(1) от ХплО), то есть по существу является решением задачи планирования при новых начальных условиях.
Схема (рисунок 1.3) является универсальной и применима ко всем процессам в производственных системах. Компонентами вектор — функции X(t) могут быть любые технико - экономические показатели, характеризующие ход производства и работу предприятия в целом, например, состояние доходов, расходов, мощностей, запасов, кадров и т. п.
Анализ методологии прогнозирования временных рядов Бокса-Дженкинса
Современные финансовые рынки открывают широкий простор для применения методов математического моделирования, которые позволяют не только провести необходимые расчеты, но и выработать оптимальные правила действий. Статистические модели - важный класс моделей, которые предлагает математика исследователю. С помощью этих моделей описываются явления, в которых присутствуют статистические факторы, не позволяющие объяснить явление в чисто детерминистских терминах. Типичные примеры такого рода моделей представляют временные ряды в экономике и финансовой сфере, имеющие тренд-циклическую компоненту и случайную составляющую. Хочет того или нет, исследователь не может исключить случайную составляющую и должен строить свои выводы, учитывая ее наличие. Прогнозирование, нахождение скрытых периодичностеи в данных, анализ зависимостей, оценка рисков при принятии решений и другие задачи решаются в рамках статистических моделей. Существующие модели позволяют исследовать экономические процессы, хотя и не всегда возможно выполнить все условия и ограничения, накладываемые на эти модели.
В качестве экспериментальных данных для этих моделей зачастую используют временные ряды. Во временных рядах главный интерес представляет описание или моделирование их структуры.
Наблюдения над некоторым явлением, характер которого меняется во времени, порождает упорядоченную последовательность, называемую временным рядом. Теоретически измерения могут регистрироваться непрерывно, но обычно они осуществляются через равные промежутки времени и нумеруются аналогично выборке: х = { хь х2,..., хп }. Временной ряд является, таким образом, совокупностью наблюдений случайного процесса.
В каждый момент времени (или временной интервал) s значение исследуемой величины, являющейся числовой характеристикой явления, может формироваться под совокупным воздействием большого числа факторов как случайного, так и неслучайного характера.
Изменение условий развития явления ведет к ослаблению действия одних факторов и усилению других и в конечном счете к варьированию изучаемого признака во времени. Характерным для временного ряда xti, xt2,..., xsn является то, что порядок в последовательности Si, S2, ...,sn существен для анализа, т.е. время выступает как один из определяющих факторов. Это отличает временной ряд от случайной выборки yls у2, ..., уп, где индексы служат лишь для удобства идентификации.
Применяемые при обработке временных рядов методы во многом опираются на методы и характеристики, разработанные математической статистикой. Последние базируются на достаточно жестких требованиях к исходным данным (таким как однородность данных, предположения о типе их распределения и т. д.). В то же время при исследовании временных рядов (особенно экономических данных) проверка выполнимости этих требований в должной мере зачастую невозможна. Поэтому выводы, полученные на базе формально-статистического инструментария, должны восприниматься с осторожностью и дополняться содержательным анализом.
Следует иметь в виду, что конечной целью анализа временных рядов (как и статистического анализа вообще), является достижение более глубокого понимания тех причинных механизмов, которые обусловливают появление этих рядов.
Можно выделить три основных задачи исследования временных рядов: описание изменения исследуемого признака во времени и выявление свойств исследуемого ряда; объяснение механизма изменения уровней ряда; статистическое прогнозирование значений изучаемого признака для будущих моментов времени.
Рассмотрение реальных ситуаций позволяет прийти к выводу, что типичные временные ряды могут, быть представлены как декомпозиция из четырех составляющих Xt=f(St,Tt,Ct,Rt), где: Ss - эффект сезонности; Ts - тренд, или систематическое движение; Cs - колебания относительно тренда с большей или меньшей регулярностью (цикличность); Rs - случайная (несистематическая) остаточная компонента. Любой ряд можно описать в виде одной из таких составляющих или суммы нескольких из них. Надо, однако, помнить, что такая операция разложения, допустимая с математической точки зрения и часто полезная для осознания механизма формирования изучаемого явления, может в некоторых случаях ввести в заблуждение. В частности, при таком подходе чрезмерным упрощением может оказаться предположение о независимом действии указанных составляющих.
Наиболее легок для обнаружения и выделения эффект сезонности. Под сезонностью понимают влияние внешних факторов, действующих циклически с заранее известной периодичностью. Типичными примерами являются эффекты, связанные с астрономическими либо календарными причинами. Так, в ряду ежемесячных данных естественно ожидать наличие сезонных эффектов с периодом 12 месяцев, в квартальных рядах - с периодом 4 месяца, в свою очередь, в информации, собираемой с интервалом 1 час, вполне могут возникнуть сезонные эффекты с периодом 24 часа.
Разработка алгоритма нейросетевого моделирования динамически адаптируемого прогноза объемов сбыта многоассортиментной продукции
Разработанный автором алгоритм нейросетевого моделирования динамически адаптируемого прогноза объемов сбыта многоассортиментной продукции, включающий этапы построения прогноза на основе нейросетевой модели, корректировки за счет введения коэффициентов динамической адаптации, получения итогового результата, послужил основой для разработки программно-математического инструментария с возможностью эффективной работы со статистическими данными большой размерности с большим числом исходных данных, а также при построении нелинейных зависимостей.
Для данного алгоритма характерна та же последовательность шагов, что и в приведенном ранее алгоритме прогнозирования на основе модели Бокса-Дженкинса, существенное отличие начинается с п. 2.
2. Нейросетевое моделирование прогноза объемов сбыта многоассортиментной продукции ведется отдельно по каждому из полученных кластеров в ходе динамической кластеризации.
В качестве инструмента для нейросетевого моделирования применяется разработанный автором нейроимитатор «Solaris», предназначенный для построения динамически адаптируемого прогноза объемов сбыта многоассортиментной продукции.
Для начала работы пользователем в среде «Solaris» в диалоговом окне задается временной период анализа, критерии остановки обучения, параметры сети и обучающая выборка. После подтверждения начала обучения нейроимитатор моделирует временной ряд объемов сбыта многоассортиментной продукции на основе считанных из корпоративного хранилища данных и выдает предварительный прогноз на будущий период времени, заданный пользователем. Качество модели оценивается путем построения прогноза за известный период. В случае неудовлетворительного результата проводятся более детальные исследования по конкретной целевой группе. Параметры нейросетевой модели сохраняются на отдельном листе.
Число нейронов в каждом слое выбирается автоматически равное сезонному лагу+1 (с учетом нейрона смещения), что в случае построения помесячного прогноза соответствует 12+1. При обучении на выход сети предъявляется для сравнения очередной тренировочный образ, содержащий для случая расчета месячного прогноза значение следующего за обучающей выборкой месяца.
Полный алгоритм обучения нейронной сети с помощью процедуры обратного распространения состоит из следующих шагов:
2.1.1. По заданному диапазону изменения входной переменной [xmjn, xmax] выполняется простейший вид преобразования по формуле: где [а, Ь] — диапазон приемлемых входных сигналов; [xmin(t), xmax(t)] - диапазон изменения переменной xs(t); ps(t) - преобразованный входной сигнал, подаваемый на вход нейронной сети. При моделировании экономических временных рядов предложено максимальное значение диапазона изменения переменных выбирать на 50-70% больше, чем реальное значение xmax(t) для эффективной экстраполяции динамики временного ряда на будущие моменты времени. 2.1.2. На входы подается один из возможных образов и в режиме обыч ного функционирования нейронной сети, когда сигналы распространяются от входов к выходам, рассчитываются значения последних: yjn) =Лт}п\ (3.6) гдеД) - сигмоид; sum{p = у\" Х) -w)p ; jy -pq, гдерд - q-ая. компонента вектора /=о входного образа; Q - число нейронов в слое п-1 с учетом нейрона с постоянным выходным состоянием +1, задающего смещение.
2.1.3. Рассчитываются S для выходного слоя по формуле: sr=(y -d,).- -, (3.7) dswn, где y\N) - реальное выходное состояние нейрона 1 выходного слоя N нейронной сети; d, — идеальное (желаемое) выходное состояние этого нейрона. Рассчитываются изменения весов Aw(N слоя N по формуле Н } —n-sT-уГ (3.8) 2.1.4. Рассчитываются 6п) для всех остальных слоев, n=N-1,...1 по фор муле Sf = L (3.9) dsuttij Расчет Aw производиться по формуле (3.8). 2.1.5. Корректируются все веса в нейронной сети по формуле (г) = Чг-1) + дЦп)0-). (ЗЛО) 2.1.6. Если ошибка сети существенна, осуществляется переход на шаг 2.1.2. В противном случае, для преобразования результатов работы сети в формат пользователя, используется следующая формула:
Нейроимитационное моделирование прогноза сбыта многоассортиментной продукции на примере данных корпорации «Глория Джине»
Использование программного нейроимитатора для решения задач распознавания образов, классификации, аппроксимации неизвестной функции, предсказания значений временного ряда, заполнения пробелов в таблицах данных, построения ассоциативной памяти, логического вывода и т.д. требует проведения ряда предварительных процедур, связанных с кодированием входной и выходной информации, выбором архитектуры нейронной сети, алгоритмов обучения, способов оценки и интерпретации получаемых результатов и т.д., т.е. настройки нейроимитатора на конкретную задачу пользователя.
Разработанный автором на кафедре «Системный анализ и управление» нейроимитатор SOLARIS предназначен для построения динамически адаптируемых прогнозов на будущие моменты времени в среде Microsoft Excel.
Каждая прикладная задача, решаемая на нейроимитаторе, имеет определенные особенности в средствах обработки и представления данных, поэтому вначале необходимо выполнить априорный анализ объекта исследования. Если этот этап будет исключен, то возможно получение неадекватных действительных результатов на этапе эксплуатации нейроимитатора. Технология априорного анализа предметной области и решаемой прикладной задачи при неиросетевом моделировании отличается от аналогичных процедур при статистическом моделировании и включает следующие действия: обобщение опыта и профессиональных знаний об объекте, получение предварительных рекомендаций от экспертов, изучение литературных источников и существующих прототипов, сбор данных и формирование обучающей выборки для нейросети.
В состав нейроимитатора входят следующие основные блоки (рисунок 5.3): менеджер (управляющий модуль), интерфейсы ввода и вывода, пре-добработчик (препроцессор), интерпретатор, нейроимитатор. В свою очередь, в нейроимитатор включает нейросеть (НС), учитель (при реализации стратегии обучения с учителем), конструктор, блок оценки и блок отбора информативных признаков. Основным компонентом нейроимитатора является искусственная НС.
Конструктор НС предназначен для формирования сети, соответствующей модели предметной области.. В связи с тем, что отсутствует формальная процедура определения архитектуры НС (число слоев, число нейронов в каждом слое, вид связи между нейронами и т.д.), используются эвристические процедуры, которые основываются на предшествующем опыте работы с аналогичными нейросетевьми моделями предметной области. Если такой опыт отсутствует, выбор архитектуры выполняется путем перебора большого количества возможных вариантов построения НС.
Учитель, используемый в сетях с обучением, может иметь множество возможных реализации. При выборе определенной стратегии обучения необходимо учитывать класс решаемых задач, планируемую точность и ходимо учитывать класс решаемых задач, планируемую точность и время получения результатов. Для каждого вида нейронных сетей разработаны алгоритмы обучения, которые более подробно будут рассмотрены в следующих главах.
Блок отбора информативных признаков представляет собой надстройку над учителем и предназначен для определения минимально необходимого или «разумного» числа связей и нейронов сети. С помощью этого блока также удается уменьшить число градаций входной переменной. Наиболее важным следствием применения процедуры отбора (контрастирования) является получение логически прозрачных сетей, т.е. таких сетей, функционирование которых можно описать и понять на языке логики.
Качество обучения НС определяется оценкой (ошибкой обучения) на примерах из обучающей выборки, а эффективность решения конкретной задачи предметной области определяется оценкой (ошибкой обобщения) на тестовой (контрольной) выборке. Эти оценки вычисляются в блоке оценки. В случае, если указанные ошибки превышают заданные допустимые пределы, необходимо вернуться на предыдущие этапы построения нейросетевой модели и изменить ее параметры.
Наиболее важным блоком НК является база данных, содержащая примеры для обучения и контроля функционирования НС. Важность этого блока определяется тем, что обучение сетей всех видов с использованием любых алгоритмов обучения выполняется на известных примерах решения поставленной задачи. Кроме того, база данных содержит правильные ответы для НС, обучаемых с учителем. Очевидно невозможно предусмотреть все варианты интерфейса между пользователем и базой данных, так как примеры могут иметь числовые поля, содержать графическую информацию или представлять собой текст. Наиболее подходящим форматом представления входной информации является формат табличных (реляционных) баз данных.
Сигналы, подаваемые на вход НС, должны быть представлены в соответствующем формате данных, при этом очень часто приходится их масш табировать, чтобы в максимальной степени использовать диапазон их изменения. Поэтому необходимо проводить предобработку (препроцессирование) входных сигналов, причем для каждого вида должен быть реализован определенный способ предобработки.
Формат ответов НС в явном виде часто оказывается непонятным для интерпретации человеком получаемых результатов. Ответ, выдаваемый НС, как правило, является вещественным числовым вектором. Если при решении какой-то прикладной задачи требуется получить ответ, например, в градусах по шкале Кельвина или в дюймах, то необходимо преобразование выходного вектора.
Управление операциями подготовки входных данных, обучения, тестирования НС, интерпретации выходных данных осуществляется менеджером проекта сети.
Похожие диссертации на Нейросетевое моделирование динамически адаптируемого прогноза объемов сбыта многоассортиментной продукции
