Рисунок 1 - Нейрон
Факультет: комп'ютерних інформаційних технологій і автоматики
Спеціальність: iнформаційні управляючі системи та технології
Вступ
Актуальність теми
Зв'язок роботи з науковими програмами, планами, темами
Мета і завдання розробки і дослідження
Планована наукова новизна
Практичне значення отриманих результатів
Огляд досліджень і розробок по темі
Опис розроблюваної підсистеми
Штучні нейронні мережі
Архітектура штучної нейронної мережі
Навчання штучної нейронної мережі
Висновок
Список літератури
Прогнозування попиту являє собою визначення можливого майбутнього попиту на товари та послуги з метою кращого пристосування суб'єктів господарювання до складається кон'юнктури ринку. Прогноз попиту - це теоретично обгрунтована система показників про ще невідомому обсязі і структурі попиту. Прогнозування пов'язує накопичений в минулому досвід про обсяг і структуру попиту з пророкуванням майбутнього їх стану. Прогноз попиту розглядається як прогноз фізичного обсягу реалізації товару (послуги). Він може диференціюватися за категоріями споживачів та регіонах. Прогнозування може здійснюватися з будь-якого періоду попередження. Головний акцент у короткостроковому прогнозі робиться на кількісної, якісної та цінової оцінках змін обсягу і структури попиту; враховуються тимчасові і випадкові чинники. Довгострокові прогнози попиту визначають насамперед можливий фізичний обсяг продажу товару (послуги) і динаміку зміни цін. Попит прогнозується на окремий товар або товарну групу. Такий прогноз дає уявлення про реальний рівні попиту на товар у майбутньому на конкретний період. Причому чим коротший період, тим точніше прогноз. Прогноз попиту (обсягу продажу) є фундаментом для планування і всіх інших економічних розрахунків.
Прогнозування - це обов'язок, яку в явною або неявно формі неминуче повинні виконувати всі організації. Крім одержання можливих майбутніх оцінок тих чи інших досліджуваних параметрів, метою прогнозування також є спонукання до роздумів про те, що може статися у зовнішньому середовищі і до яких наслідків для фірми це приведе. Прогнозування підвищує пильність менеджерів і, отже, їхня здатність реагувати на зміни.
Для забезпечення ефективної діяльності та збільшення конкурентоспроможності підприємства на ринку, необхідно грамотно використовувати такий інструмент як прогнозування, заснований на аналізі та оцінці стану та перспектив розвитку попиту, пропозиції, цін, конкуренції на ринку, де діють потенційні партнери і де передбачається функціонування підприємства.
Управління процесом прогнозування попиту продукції підприємства є особливо актуальною і важливою задачею, що вимагає пильної уваги й рішення.
Дана робота виконується протягом 2008-2009 рр. за напрямком кафедри АСУ. Робота пов'язана з
науковою програмою по оптимізації процесів прогнозування та планування на підприємстві.
Мета роботи полягає в розробці комп'ютерної підсистеми прогнозування попиту на обладнання для ТВ кабельних мереж в умовах підприємства ТОВ «Бета ТВ ком», розробці практичних рекомендацій з управління процесом прогнозування попиту, з урахуванням специфіки його функціонування в умовах зростаючої конкуренції. Для вирішення даного завдання можна виділити наступні завдання:
- Проаналізувати діяльність підприємства;
- Дослідити специфіку та особливості процесу прогнозування, а також методів і засобів прогнозування попиту на продукцію підприємства;
- Проаналізувати існуючі комп'ютерні системи та програмні засоби для прогнозування попиту на продукцію;
- Обгрунтувати основні напрямки вдосконалення управління процесом прогнозування в контурі системи управління підприємством з застосуванням сучасних комп'ютерних інформаційних технологій;
- Формалізувати поставлену задачу.
На підприємстві ТОВ «Бета ТВ ком» ще не було розроблено комп'ютерної підсистеми прогнозування попиту на продукцію. Програмні продукти, що використовують традиційні методи прогнозування володіють рядом істотних недоліків. До них можна віднести: велику погрішність, а також необхідність використання для розрахунків всіх попередніх значень вхідних змінних.
Планована новизна полягає у створенні такого алгоритму, який буде використовувати сучасні методи прогнозування (нейронні мережі), які адаптовані до будь-яких змін зовнішнього і внутрішнього середовища (сезонність, потреби споживачів, завантаження обладнання, матеріальні, трудові, фінансові ресурси, нестабільність в економіці країни та інші ).
Практична значимість роботи полягає в розробці комп'ютерної підсистеми прогнозування попиту на обладнання для ТВ кабельних мереж в умовах підприємства ТОВ «Бета ТВ ком». Дана підсистема не буде враховувати сезонність, потреби споживачів, завантаження обладнання, матеріальні, трудові, фінансові ресурси, нестабільність в економіці країни та інші фактори.
У своїй магісторской роботі Пономаренко Ігор Валентинович «Розробка комп'ютерної підсистеми підтримки прийняття рішень у маркетинговій діяльності підприємства» досліджував маркетингової діяльності підприємства, процеси планування і прогнозування на підприємствах.
Мною були розглянуті і проаналізовані статті та публікації, такі як:
Ефективне прогнозування попиту (коментарі: Ірина Марченкова, член Асоціації виробничої логістики, CPIM) / / "Логістика & система". - 2007. - 5 травня.
Система моделей прогнозування попиту на продукцію сфери послуг (коментарі: Єгорова Н.Є., д.е.н., професор, ЦЕМІ РАН, Мудунов А.С., професор, заслужений економіст РД Московський державний індустріальний університет) / / Корпоративний менеджмент. - 2007.
Мною були розглянуті і проаналізовані статті та публікації, такі як:
Оцінка та прогнозування попиту з допомогою панельних маркетингових досліджень. Джерело: www.willbe.ru.
Середньострокове прогнозування попиту для цілей стратегічного управління. Джерело: www.logistpro.ru
Людський мозок працює більш ефективно та іншим чином, ніж будь-яка обчислювальна машина. Саме це спонукало вчених до вивчення мозку, а зокрема роботу нейронах мозку - найменшу частку мозку людини.
До перших розкрити секрет високої ефективності мозку можна віднести Рамон-і-Кахаля (1911) [1], у своїй роботі він висловив ідею про нейрони як про структурної одиниці мозку, але за дослідженнями Нейрон має на 5-6 порядків меншу швидкість спрацьовування, ніж напівпровідниковий логічний елемент. Висока продуктивність досягається шляхом великої кількості нейронів і зв'язками між ними.
мережу нейронів, що утворюють людський мозок, представляє собою високоефективну, комплексну, нелінійну, істотно паралельну систему Обробки інформації [2]. Вона здатна організувати свої нейрони таким чином, щоб реалізувати сприйняття образу, його розпізнання або управління рухом, у багато разів швидше, ніж ці завдання будуть вирішені найсучаснішими Комп'ютерами [3].
штучних нейронних мережа є спрощеною моделлю мозку. Вона будується на основі штучних нейронів, які володіють пластичністю. Пластичність дозволяє штучної нейронної мережі стати універсальною системою обробки інформації. У загальному випадку штучних нейронних мережа - це машина, моделюючих спосіб роботи мозку. Зазвичай іскусттвенная нейронних мережа реалізуються у вигляді електронних пристроїв чи комп'ютерних програм. Серед багатьох можна виділити визначення штучної нейронної мережі як адаптивної машини, дане в [4]: штучних нейронних мережа - це істотно паралельно розподілений процесор, який володіє природною схильністю до збереження досвідченого знання і можливістю Надання нам. Вона подібна з мозком у двох аспектах: знання здобувається мережею в процесі навчання, щоб зберегти знання використовуються сили межнейронних сполук, які називаються також сінаптіческімі вагами.
процедура, яка використовується для здійснення процесу навчання, називається Алгоритмом навчання. Її функція полягає в модифікації сінаптіческіх ваг штучної нейронної мережі певним чином так, щоб вона набула Необхідні властивості. Модифікація ваг є традиційним способом навчання штучної нейронної мережі. Такий підхід близький до теорії адаптивних лінійних фільтрів, які вже давно й успішно Застосовуються в управлінні. Однак для штучних нейронних мереж існує ще і можливість модифікації власної топології, що грунтуються на тому факті, що в живому мозку нейрони можуть з'являтися, вмирати і змінювати свої зв'язки з іншими нейронами.
Можна зробити висновок, що нейронні мережі мають таке широке поширення і можливості з-за своєї здатності до навчання (поповненню знань), а також за рахунок своєї розподіленої Структурі.
Нейрон є елементарним функціональним модулем,
який є аналогом функцій перетворення (дії) нейронах
Головного мозку. Існують різні моделі нейронів, серед яких
виділяють три основних: логічні, безперервні і імпульсні. В
структурі нейронах Можна виділити три основні частини:
Адаптивний суматори, який обчислює скалярное твір вектора
вхідного сигналу на вектор параметрів.
Нелінійний перетворювач сигналу - отримує скалярний вхідний
сигнал і відповідним чином його перетворює.
Точка галуження служить для розсилки одного сигналу по декільком
напрямками, в основному використовується для великої кількості вихідних
Параметрів.
Структура нейронах представлена на малюнку 1.
| Рисунок 1 - Нейрон |
Нейрон реалізує функцію представлену нижче.
 | (1) |
нейрони об'єднують у групи чи шар. Один шар або кілька утворюють нейронних мережу. Нейрони вхідного шару отримують сигнали, які перетворюють їх і потім передають нейронів прихованого шару. Далі спрацьовує наступний шар аж до вихідного. Вихідний шар видає сигнали для користувача. Кожен висновок нейронів будь-якого шару подається на вхід всіх нейронів наступного шару. Число нейронів у шарі може бути будь-яким. Схема нейронної мережі представлена на малюнку 2.
 Рисунок 2 - Передатна функція |
Инс можуть навчатися, тобто поліпшувати свою роботу під впливом навколишнього середовища, змінює її параметри. Існує безліч визначень терміну "навчання", однак стосовно до Инс найбільше підходить наступне, дане Мендель і Маклареном [5]: навчання - це процес, при якому вільні параметри нейронної мережі адаптуються в результаті її безперервної стимуляції зовнішнім оточенням. Тип навчання визначається тим способом, яким виробляються зміни параметрів.
У сучасній літературі крім терміну "навчання" також використовуються рівноправні поняття "тренування мережі" і "налаштування параметрів мережі".
При рішенні задач управління зазвичай використовується контрольоване навчання Инс, яке передбачає наявність "вчителі", який спостерігає реакцію мережі та направляє зміни її параметрів.
Існує два різновиди контрольованого навчання: пряме контрольоване навчання і стимулюється навчання. Так як перший вид з'явився раніше другого і більш поширений, то зазвичай на нього посилаються просто як на контрольоване навчання.
Инс спочатку ніякими знаннями не володіє. У процесі навчання "учитель" і мережа піддаються впливу з боку зовнішнього середовища, тобто на їх входи надходить тренувальний сигнал, що співпадає з одним із вхідних шаблонів. "Учитель" повідомляє мережі, яка повинна бути правильна (бажана) реакція на надійшло вплив, видаючи відповідний вихідний шаблон. На підставі величини помилки між реальним та бажаним виходами мережі за певним правилом проводиться настроювання її параметрів. Повторюючи цей процес Ітеративний можна налаштувати Инс так, що вона буде емулювати "вчителя", то є його знання про зовнішньому середовищі перейдуть до неї.
Типовими завданнями, що вирішуються за допомогою прямого навчання, є апроксимація невідомої функції, що описується набором даних, та ідентифікація динамічного об'єкта. У цих завданнях відомі вхідні сигнали і правильна реакція на них, тобто тренувальний набір шаблонів.
Найбільш відомим методом прямого контрольованого навчання слойний прямонаправленних Инс є алгоритм зворотного поширення помилки (backpropagation algorithm), що представляє собою узагальнення методу найменших квадратів.
Стимулюється навчання не використовує знання "вчителя" про бажаний вихід Инс, замість цього навчання проводиться за результатами оцінки проведеного мережею перетворення вхід-вихід. Оцінку виконує зовнішнє оточення після подачі на вхід мережі тренувального впливу. При цьому настроювання параметрів Инс проводиться так, щоб максимізувати скалярний індекс цієї оцінки, що зветься стимулом (reinforcement signal).
Ідея такого способу спирається на реальний процес навчання, що проходить у живих істот. У психології він відомий, як закон дії Торндайка. Стосовно до стимулюється навчання Инс цей закон може бути перефразувавши наступним чином: якщо дія, розпочате системою навчання, призводить до задовільного результату, то тенденція системи проводити цей же дію збільшується (система стимулюється). В іншому випадку тенденція виробляти така дія зменшується.
Найбільш характерним прикладом системи стимулюється навчання є адаптивна система управління. У ній навчаються частиною є контролер, а об'єкт управління, зовнішні впливи і сигнали завдання виступають його зовнішньої середовищем. В результаті впливу з цього середовища контролер виробляє певний керуючий сигнал, який переводить об'єкт управління в нове стан. При цьому якість управління можна оцінити лише з вихідного сигналу об'єкта. Так як необхідна реакція контролера, що забезпечує певний стан об'єкта, заздалегідь невідома, то не можна сформувати тренувальний набір шаблонів, і, отже, застосувати пряме контрольоване навчання. В цьому випадку можливе лише стимулюється навчання контролера за якістю роботи всієї системи управління в цілому, тобто з оцінки стану навколишнього середовища.
Можливі два реалізації стимулюється навчання: з безпосереднім стимулюванням і з затриманим стимулюванням. У першому випадку оцінка роботи та відповідна їй настройка параметрів Инс проводиться на кожному кроці роботи системи навчання. У другому випадку, при затриманому стимулювання настройка мережі виконується так, щоб максимізувати кумулятивному оцінку роботи системи на певній послідовності кроків.
Хотя непосредственное стимулирование более свойственно классическим схемам адаптивного управления, в последнее время большое внимание уделяется методам задержанного стимулирования. Для сходимости метода непосредственного стимулирования необходимо, чтобы каждое последующее положение внешней среды определялось лишь ее предыдущим положением и предыдущим воздействием, оказанным ИНС. При задержанном обучении такое ограничение снимается. С другой стороны, гораздо проще сформулировать критерий определяющий оптимальное поведение системы управления в целом, по результатам какого-то действия, чем критерий, направляющий ее движение на каждом шагу. В общем, можно заметить, что система, обучающаяся лишь по результатам своего взаимодействия с внешней средой, является более интеллектуальной, чем использующая дополнительную информацию "учителя".
Существует множество модификаций классического алгоритма обратного распространения ошибки для использования его как метода прямого или стимулируемого обучения ИНС. Однако существенной проблемой, возникающей при использовании его и других методов настройки параметров ИНС, основанных на методе наименьших квадратов или наискорейшего спуска, является их локальность. В то же время целевая функция (суммарная ошибка на тренировочном наборе шаблонов или кумулятивная оценка эффективности работы обучаемой системы) не унимодальная. Количество локальных оптимумов для большинства практических задач обучения исчисляется миллионами при размерности поискового пространства порядка 100-1000. Вследствие этого результат обучения зависит от правильности выбора стартовой точки, и возникает необходимость многократного повторения процедуры настройки параметров ИНС.
Перечисленные проблемы могут быть решены при использовании методов глобальной оптимизации. Наиболее эффективным из них является генетический алгоритм (ГА). Рассматривая ИНС как единый набор параметров, ГА способен осуществлять ее оптимальную настройку при размерности поискового пространства достаточной для решения большинства практических задач. При этом спектр рассматриваемых приложений гораздо превосходит возможности алгоритма обратного распространения ошибки.
В последние десять лет разработано множество способов контролируемого обучения ИНС с помощью ГА. Полученные результаты доказывают большие возможности такого симбиоза. Совместное использование ИНС и ГА алгоритмов имеет и идеологическое преимущество потому, что они относятся к методам эволюционного моделирования и развиваются в рамках одной парадигмы заимствования техникой природных методов и механизмов как наиболее оптимальных.
В результаті виконаної роботи, після постановки задачі, були проаналізовані існуючі програмні пакети, що працюють у такому напрямку, методи для прогнозу в умовах підприємства, їх недоліки. Після детального аналізу було обрано метод прогнозування на основі нейронних мереж, який дає найбільш точні та оптимальні прогнози. Розробляється підсистема прогнозування попиту на обладнання для ТВ кабельних мереж повинна враховувати набір наступних чинників:
- Сезонність;
- Потреби споживачів;
- Завантаження устаткування;
- Матеріальні ресурси;
- Трудові ресурси;
- Фінансові ресурси;
- Нестабільність в економіці країни.
Після детального аналізу можна навести приблизну структуру нейронної мережі для вирішення поставленої задачі.
Таким чином виділивши основні вхідні та вихідні змінні отримали нейронну мережу на малюнку 3.
 Рисунок 3 - Структура нейронной сети (анімація: обсяг -17,5 КБ, розмір - 854x317, кількість кадрів - 4, затримка між кадрами - 1000 мс; затримка між останнім і першим кадрами - 1000 мс; кількість циклів повторення - безперервний цикл повторення) |
1. Ramon y Cajal S. Histologie du systeme nerveux de
l'homme et des vertebres. — Paris: Maloine, 1911. — 714p.
2. Shepherd G. M., Koch C. Introduction to synaptic
circuits // The Synaptic Organization of the Brain (G. M. Shepherd,
ed.). — New York: Oxford University Press, 1990. — 3—31p.
3. Churchland P. S. Neurophilosophy: Toward a Unified Science
of the Mind/Brain. — Cambridge, MA: MIT Press, 1986. — 127p.
4. Aleksander I., Morton H. An Introduction to Neural
Computing. — London: Chapman & Hall, 1990. — 218p.
5. Бокун И.А., Темичев А.М. "Прогнозирование и планирование экономики". - М.: Наука, 2002.
6. Бухалков М.И. Внутрифирменное планирование: Учебник. - 2-е издание., испр. и доп. - М.: ИНФРА-М, 2000.
7. Фогель Л., Оуэнс А., Уолш М. Искусственный интеллект и эволюционное моделирование. - М.: Мир, 1969.
8. Д. Рутковская, М. Пилиньский, Л. Рутковский "Нейронные сети, генетические алгоритмы и нечеткие системы " [Електронний ресурс]: книга / Д. Рутковская - Киев: Горячая линия -Телеком, 2008. - Режим доступу:
http://goods.marketgid.com/
9. Саймон Хайкин "Нейронные сети. Полный курс" [Електронний ресурс]: книга / Саймон Хайкин - Киев: Вильямс, 2006 г.
. - Режим доступу:
http://www.ozon.ru/
10. Кричевский М.Л. "Интеллектуальные методы в менеджменте: Нейронные сети; Нечеткая логика; Генетические алгоритмы; Динамические системы" [Електронний ресурс]: книга / СПб: Питер, 2005 г.
. - Режим доступу:
http://www.char.ru/
При написанні даного автореферату магістерська робота ще не завершена. Остаточне завершення: 1 грудня 2009 р. Повний текст роботи й матеріали по темі можуть бути отримані в автора або його керівника після зазначеної дати.
Руководство по разработке сайта