Рисунок 1 - Нейрон
Факультет: комп'ютерних інформаційних технологій і автоматики
Кафедра: автоматизовані системі управління
Спеціальність: iнформаційні управляючі системи та технології
Введення
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
Під час економічної кризи більша частина населення не хоче залишити свої кошти в банках. Тому, згідно із законодавством у разі виплат більше п'яти відсотків капіталу банку, вони мають право не виплачувати всю суму, а тільки ту, яку встановлено чинним законодавством.
Страхова компанія УАСК «АСКА» являє собою юридична особа, яка займається страхуванням, іншими ніж страхування життя. Основним джерелом обов'язкового страхування якої є страхування цивільної відповідальності власників транспортних засобів. Відповідно до законодавства кожна страхова компанія обов'язково повинна мати страховий запас - гроші для покриття страхових випадків, інші гроші компанія має право використовувати на власний розсуд. Найчастіше компаній інвестують ці гроші на депозитні рахунки, строком більше шести місяців. Для розрахунку цього запасу використовуються валові надходження страхових платежів (вхідні дані).
В умовах кризи ці надходження все більше відклоняються від виду лінійної функції - функції першого порядку, а переходять до виду функції більш високих порядків.
Значний вплив на страхову діяльність має той фактор, що ринок майже наситився автомобільної продукцією великих концернів. Цей висновок можна зробити з виступу по телебаченню власника одного з таких концернів. За його словами, на четвертий квартал 2008 року покупка автотранспорту знизилася втричі згідно з показником на перше січня 2008 року. На зниження автотранспорту впливає також той фактор, що банківська структура в значній мірі зазнала збитків у зв'язку з кризою. Для зменшення отриманого шкоди, банки збільшили кредитні відсотки на вже видані кредити майже вдвічі, а також тимчасово призупинили видачу кредитів на купівлю житла або автотранспорту.
В умовах такої не стабільної ситуації прогноз ВНСП і страхових виплат, а також розрахунок страхового запасу, який повинен перекрити всі страхові виплати (відшкодування) для страхової компанії не довелося знімати кошти з депозитних рахунків і тим самим втратити депозитні нарахування, є дуже актуальною темою .
У цій магісторской роботі будуть проаналізовані методи прогнозу внесків і виплат в умовах страхової компанії УАСК «АСКА». Також проаналізовано методи розрахунку страхових запасів і вибір більш вигідного для компанії.
Однією з цілей також виступає система підтримки та прийняття рішення з питання прибутковості та подальшого розвитку деяких видів страхування.
Пошук найбільш точного і чіткого прогнозу прибутку є найбільш необхідною завданням. Основним джерелом доходу для страхової компанії внески, а витрат - виплати. Прогноз цих двох параметрів дозволить найбільш чітко розрахувати можливий дохід.
Після цього можна визначити яку суму і на який період можна вкласти. Чим більший період, тим більший прибуток можна отримати, але і більший ризик.
завдяки методам прогнозу можна точно обчислити яку суму можна вкласти на депозит і на яких термін. Серед багатьох методів прогнозу виділяють прогнозування з використанням нейронних мереж, які дають досить точні прогнози і швидко адаптуються до швидко зміюючім параметрами.
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.
Основні завдання:
1. Аналіз існуючих методів прогнозування,
2. Аналіз існуючих програмних продуктів,
3. Визначення їх недоліків,
4. Вибір методу прогнозу,
5. Розробка програмного продукту.
Ідея роботи полягає у створенні комп'ютерної системи підтримки прийняття рішення, яке адекватно робить висновки по існуючих даних та їх динаміку зміни.
проаналізував і виділив основні фактори, що впливають на внески і виплати можна зробити висновок, які фактори є найбільш впливовими. Віділівши їх динаміку зміни можна зробити висновки про подальщі зміна внесків і виплат.
Після цього зробити розрахунок прибутку та страхового запасу. І на основі цих даних можна зробити висновок яку суму і на який термін рекомендовано вкласти в депозитні рахунки.
В УАСК "АСКА" для вирішення поставленої задчі не була спроектована така система. Аналогом такої системи в інших компаніях є 1С: Підприємство або інші програмні продукти, які використовують для розрахунку традиційні методи прогнозу.
Програмні продукти, що використовують традиційні методи прогнозу отримали своє широке поширення в 80-х роках. До їх недоліків можна віднести велику погрішність, а також необхідність використання для розрахунків всіх попередніх значень вхідних змінних.
Планована новизна полягає в створенні такої системи яка буде використовувати сучасні методи прогнозу (штучні нейронні мережі), які адаптивних до будь-яких змін зовнішнього середовища (сезону, середнього заробітку та інших). Штучні нейронні мережі для прогнозу дозволять виробляти навчання без учителя, що дозволить не втручатися в роботу підсистеми. Також розрахункове час і похибки будуть дуже малі.
Практична значимість роботи полягає у створенні підсистеми підтримки прийняття рішення при розподілі фінансових коштів в умовах страхової компанії УАСК «АСКА». Дана підсистема не буде враховувати сезонність, динаміку зміни ринку збуту автомобільної продукції, середню заробітну плату населення, попит на автомобілі та інші фактори.
Досліджував інвестиції та прогнозування у своїй магісторской роботі Бодня Дмитро Миколайович "Розробка експертної системи оцінювання ефективності інвестиційних проектів за критерієм ставки дисконтування"
Банкіри стримати щедрість (коментар Павла Крапівіна, заступника Голови Правління ВАТ ТФБ "Контракт") / / Дело. - 2009. - 30 квітня.
"Тюнінг" депозитних вкладів (коментар Катерини Горбач, начальника Управління клієнтської політики ВАТ ТФБ "Контракт") / / Banki.ua. - 2009. - 15 квітня.
Навіщо банки в Україні нарощують капітал (коментар Павла Крапівіна, заступника Голови Правління ВАТ ТФБ "Контракт") / / Дело. - 2009. - 13 березня.
Приріст депозитів в російських банках склав у січні 3,6%. Джерело: www.willbe.ru.
структурний аналіз фінансових потоків у Росії в посткрізісний період. Автор: Московським Громадським Науковим Фондом
Російський ринок банківських вкладів та депозитів. Грудень. 2007. Джерело: http://www.businessvision.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 результате проделанной работы были проанализированы существующие программные пакеты, методы для прогноза в условиях страховой компании, их недостатки. После детального анализа был выбран метод прогноза на основе нейронных сетей, который дает наиболее точные и оптимальные прогнозы.
Также были проанализированы виды страхования. Из них выделили основные виды страхования и факторы, которые влияют на эти виды страхования.
Основные видов страхования:
• Страхование наземного транспорта (кроме железнодорожного);
• Страхование от огненных рисков и рисков стихийных бедствий;
• Страхование имущества;
• Страхование гражданской ответственности владельцев транспортных средств.
Основные факторы:
• Время;
• Количество страховых случаев;
• Средний заработок;
• Процент кредита;
• Стаж водителей;
• Изменение стоимости машин;
• Количество приобретаемых машин;
• Уровень;
Была проанализирована динамика изменения этих факторов за период с 2004 – 2008 года.
 Рисунок 3 - Структура нейронной сети (анімація складається з 4 кадрів, частота зміни яких 2 Гц, має безперервний цикл повторення, обсяг - 22 847 байт) |
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 " [Электронный ресурс]: книга / Д. Рутковская - Киев: Горячая линия -Телеком, 2008. - Режим доступа:
http://goods.marketgid.com/
9. Саймон Хайкин "Нейронные сети. Полный курс" [Электронный ресурс]: книга / Саймон Хайкин - Киев: Вильямс, 2006 г.
. - Режим доступа:
http://www.ozon.ru/
10. Кричевский М.Л. "Интеллектуальные методы в менеджменте: Нейронные сети; Нечеткая логика; Генетические алгоритмы; Динамические системы" [Электронный ресурс]: книга / СПб: Питер, 2005 г.
. - Режим доступа:
http://www.char.ru/
При написанні даного автореферату магістерська робота ще не завершена. Остаточне завершення: грудень 2009 р. Повний текст роботи й матеріали по темі можуть бути отримані в автора або його керівника після зазначеної дати.
Руководство по разработке сайта