- •Оглавление
- •Введение
- •Раздел 1 информационная поддержка принятия инвестиционных решений на малом предприятии. Постановка научной задачи
- •1.1. Определение, функции и классификация инвестиций
- •1.2. Управление финансовыми инвестициями
- •1.3. Классификация общих управленческих решений
- •1.4. Классификация инвестиционных управленческих решений
- •1.5. Характеристика технологического процесса принятия управленческих решений на малом предприятии
- •1.6. Требования, предъявляемые к системе поддержки принятия инвестиционных решений
- •1.7. Определение критериев оптимизации функционирования системы поддержки принятия инвестиционных решений. Постановка научной задачи
- •1.8. Общая схема решения задачи
- •Раздел 2 оценка экономической эффективности облигаций и определение их параметров
- •2.1. Общие принципы оценки эффективности финансовых инвестиций
- •2.2. Классификация облигаций
- •2.3. Оценка эффективности облигаций
- •2.4. Определение параметров облигаций
- •Раздел 3
- •3.2. Модели оптимизации распределения финансовых инвестиций
- •3.2.1. Геометрическая интерпретация модели Марковица
- •3.2.2. Постановка задачи определения распределения финансовых ресурсов в оптимальном портфеле Марковица
- •3.2.3. Обобщенный алгоритм реализации модели Марковица
- •3.2.4. Одноиндексная модель Шарпа
- •3.2.5. Нейромодифированная одноиндексная модель Шарпа
- •Раздел 4
- •Разработка автоматизированного рабочего места
- •Поддержки принятия инвестиционных решений
- •Малого предприятия
- •4.1. Состав и структура автоматизированного рабочего места поддержки принятия инвестиционных решений малого предприятия
- •4.2. Характеристика аппаратной платформы, общего программного обеспечения, технологической среды реализации и среды разработки автоматизированного рабочего места
- •4.2.1. Выбор операционной системы
- •4.2.2. Выбор технологической среды реализации
- •4.2.3. Выбор среды разработки программного обеспечения
- •4.3. Выбор системы управления базой данных автоматизированного рабочего места
- •4.4. Алгоритм обмена данными между бд
- •4.5. Эвристическая оптимизация структуры базы данных
- •4.6. Обоснование методов и инструментов архивации данных
- •4.7. Резервное копирование данных
- •4.7.1. Требования, предъявляемые к резервному копированию данных
- •4.7.2. Классификация типов резервного копирования
- •4.7.3. Реализация резервного копирования данных
- •4.8. Типизация искусственных нейронных сетей
- •4.9. Анализ методов и алгоритмов адаптации архитектуры искусственной нейронной сети
- •4.9.1. Предварительный подбор архитектуры сети
- •4.9.2. Подбор оптимальной архитектуры сети
- •4.9.3. Алгоритм каскадной корреляции Фальмана
- •4.9.4. Методы редукции сети с учетом чувствительности
- •4.9.5. Методы редукции сети с использованием штрафной функции
- •4.10. Совершенствование технологии моделирования искусственных нейронных сетей на основе визуального контактора
- •4.11. Модификация алгоритма обратного распространения ошибки
- •4.12. Эвристическая оптимизация функционирования алгоритма обратного распространения ошибки
- •4.13. Порядок функционирования автоматизированного рабочего места
- •Заключение
- •Библиографический список
- •394006 Воронеж, ул. 20-Летия Октября, 84
4.10. Совершенствование технологии моделирования искусственных нейронных сетей на основе визуального контактора
Один из этапов создания работоспособной эффективной ИНС заключается в разработке ее модели (структуры). Как показал анализ современной литературы, в существующей технологии моделирования ИНС такому вопросу, как оперативная корректировка структуры сети, уделено недостаточно внимания. Открытые публикации, посвященные реализации данной процедуры, практически отсутствуют. Тем не менее значимость ее в практике принятия инвестиционных решений достаточно велика.
Известно, что в нервных системах реальных биологических объектов, откуда берут свое начало ИНС, некоторые связи между нейронами могут отсутствовать. Более того, отдельные нейроны (и даже группы) могут не действовать. При этом нервная система способна достаточно эффективно функционировать, не «обращая внимания» на существующие «неисправности». Применительно к ИНС данный момент в настоящее время малоизучен. Представляет интерес учесть вышеизложенные особенности в рамках существующей технологии моделирования ИНС, чтобы восполнить этот пробел. Для этой цели в качестве инструмента совершенствования технологии моделирования ИНС для исследователей-неспециалистов в области программирования предлагается использовать визуальный контактор (ВК).
ВК представляет собой визуализированную матрицу размером , где n – число нейронов в слое, а m – количество слоев. Каждый элемент матрицы, представляющий собой факт наличия или отсутствия связи на k - м слое между i- м и j- м нейронами, может принимать значение либо «0» - связь отсутствует, либо «1» - связь присутствует.
В качестве примера моделируемой ИНС (рис. 4.22) представлен персептрон, имеющий 4 входа, входной (0-й) слой, два скрытых слоя с 4-мя нейронами в каждом и выходной слой с 2-мя нейронами.
Введем матрицу связей для данной ИНС:
. (4.19)
Рассмотрим элемент матрицы . Верхний индекс указывает на номер слоя (в данном случае 0-й, т.е входной). В нижнем индексе указаны номера взаимодействующих нейронов (в данном случае оценивается взаимодействие 1-го нейрона 0-го слоя с 1-м нейроном 1-го скрытого слоя).
Если рассматривается случай, когда имеются взаимодействия между всеми нейронами ИНС, представленный на рис.4.18, то матрица связей с установленными значениями примет вид
. (4.20)
Если рассматривается случай, когда в ИНС, представленной на рис. 4.18, отсутствует взаимодействие между 2 - м нейроном 1-слоя и 4-м нейроном 2-го слоя, то матрица связей с установленными значениями примет вид
. (4.21)
Матрица (4.21) используется при проведении расчетов в рамках последующих действий с ИНС, в частности при обучении, проверке и эксплуатации (по усмотрению пользователя). Значения установленных коэффициентов используются в качестве сомножителей при определении значений суммарных сигналов, поступающих на нейроны с различных входов (в качестве входов рассматриваются нейроны предыдущего слоя). Нулевые значения коэффициентов исключают из рассмотрения соответствующие входы, что эквивалентно разрыву связи между соответствующими нейронами.
В интересах упрощения взаимодействия с данной матрицей исследователей-неспециалистов в области программирования был разработан визуальный контактор.
В нешний вид ВК для вышеописанной ИНС (см. рис.4. 22) приведен на рис. 4.23.
Рис. 4.23. Внешний вид визуального контактора
ВК прошел апробацию в рамках подсистемы нейросетевого прогнозирования временных рядов. Для его реализации на программном уровне использовался компонент программной среды разработки Delphi 7.0 StringGrid, позволяющий обрабатывать большие массивы данных.
Разработанный ВК снабжен компонентом Hint, который обеспечивает отображение реквизитов (номер строки и столбца) на сфокусированном элементе матрицы, что обеспечивает удобство поиска необходимой связи с целью последующего изменения ее состояния.
Применение визуального контактора позволило более гибко моделировать структуру ИНС и обеспечило проведение исследований класса малоизученных (так называемых «изъянных») ИНС.