Круглов В.В., Борисов В.В. - Искусственные нейронные сети (ИНС) Теория и практика (778918), страница 43
Текст из файла (страница 43)
В результате ряд следующих показателей был исключен из дальнейшего рассмотрения ° объем реализации по линии бюджета — поскольку данные являются неполными, содержат пропуски, ° затраты — поскольку более целесообразно рассматривать основные составляющие затрат; затраты на материалы и заработную плату, ° объем реализованной продукции — так как он связан жесткой аналитической зависимостью с другими показателями (прибыль = объем реализованной продукции — затраты), ° численность — из-за постоянства этого показателя в течение года; ° цена единицы продукции — фактор малоинформативен; ° рентабельность — этот показатель исключен по тем же причинам, что объем реализованной продукции. В результате для дальнейшего анализа оставлены факторы: ° затраты на материалы; ° объем заработной платы; ° производительность; ° курс доллара США.
Выбор метода исследования. Учитывая, что в рассматриваемой ситуации ни о каких вероятностных предпосылках говорить не приходится (данных мало, скорее всего по годам объект исследования — нестационарен, непонятно, как определить генеральную совокупность и соответствующий закон распределения), в данном случае неприменимы известные статистические методы исследования В соответствии с этим, в качестве метода исследования принят нейросетевой подход с использованием в качестве инструментального средства пакета НейроПро. 6.3.3. Анализ данных В соответствии с отобранными показателями и выходной величиной (валовой прибылью) с помощью МВ Ехсе), составляется таблица вида табл.
6.7 При ее подготовке указывается числовой формат ячеек с двумя знаками после запятой, а сама таблица сохраняется в формате 0Ьаве, например, с именем Предприятие.дбб 277 Таблица 6 7 Таблица данных дли аналиаа П ибыль к сз за плата П оиааодстао Мате иалы 6003,00 53 00 122 00 99 20 600 29,10 5002 00 126,00 6,10 58,00 126,00 4474, 00 41,60 610 44 00 4798,00 104,00 610 51 30 63,00 111 90 112,00 5273,00 620 38 00 74,00 3410,00 4237, 00 В 40 32,00 620 54 70 41,00 102,00 620 -3 60 2673, 00 7,90 33,00 76,00 123,00 4406,00 16,10 45,40 45 00 117 00 107,00 4711,00 4833,00 16 00 30,10 50,00 65,50 39,00 17 90 -149 30 5253,00 58,00 218,00 20,10 278 Структура нейронной сети определяется так же, как и в предыдущем примере будем полагать что сеть содержит один скрытый спой при числе входов — 4, числе выходов — 1, требуемое число нейронов И рассчитывается по формулам (1 5), (1 б), где в данном случае И, = 12, И„= 4, И„= 1 При расчете получаем значение И = 0,52, округляя, принимаем число нейронов И = 1 Запускаем программу НейроПро На экране появляется окно программы В меню Файл выбираем опцию Создать Появляется окно с заголовком Без имени, в котором нажимаем клавишу Открыть файл данных Затем находим и открываем файл созданной таблицы (Предприятие 001) Далее в окне Без имени выбираем опцию Новая сеть Появляется окно с заголовком Создание нейронной сети В данном окне сначала проверяем правильность определения программой входных факторов и выхода, а затем выбираем опцию Структура сети с указанием числа слоев нейронов — 1, числа нейронов — 1 Далее в этом же окне указываем имя сети и нажимаем клавишу Создать Затем обучим созданную сеть, выбрав опции Нейросеть и Обучение Откроется окно Обучение Предприятие, демонстрирующее процесс обучения нейронной сети После его завершения нажимаем клавишу Готово Затем в меню программы можно выбрать опции Нейросеть и Тестирование, чтобы убедиться в качестве работы обученной сети В нашем случае это приведет к выдаче таблицы вида рис 8 4 В первой колонке — результаты, используемые при обучении, во второй — прогноз сети Как видно, точность прогноза не очень высока, что объясняется малым объемом обучающей выборки изза невыполнения условия значительной малости числа оставленных показателей по сравнению с объемом выборки Рис 5 4 Реэуяьтаты тестирования нейронной сети В комментариях полученное, по-видимому, не нуждается После зтого опять необходимо щелкнуть мышью по окну Без имени, войти в меню программы и выбрать опции Нейросеть, Значимость входов Получим окно, отражающее результаты анализа (рис 6 5) Рис 5 5 Значимость Факторов Очевидно, наибольшее влияние на ежемесячную прибыль предприятия оказывает общий объем месячной заработной платы сотрудников Вдвое меньше влияет производительность Расходы 279 на материалы и курс доллара США на прибыль практически не влияют.
Данный вывод завершает проведенное исследование и может быть использован руководством предприятия для принятия каких-либо решений. 6.4. Задача об ирисах Фишера Данная задача относится к классическим задачам классификации; ее содержательная постановка взята из книги Бэстенс Д -Э., ван ден Берг В.-М., Вуд Д. Нейронные сети и финансовые рынки: принятие решений в торговых операциях. — М.: ТВП, 1997. 6.4.1.
Содержательная постановка задачи Имеются данные измерений для трех видов ирисов (1пз Бе1оза, гпз чег8100!Ог, 1пз И179101са), в равных пропорциях (по 50 штук). Известны величины измерений четырех признаков: длина чашелистика (8(.), ширина чашелистика (Вуу), длина лепестка (Р(.) и ширина лепестка (РУ9). Требуегпся: используя все или часть этих данных и применяя нейросетевой подход, построить автоматический классификатор, относящий каждый вновь предъявляемый цветок к одному из трех видов на основании перечисленных признаков.
6.4.2. Построение нейросетевого классификатора Выполним решение задачи, используя описанный выше нейропакет МРП.. 1) Подготовка исходных данных Используя 120 из 150 данных измерений, подготовим текстовый файл 1п62.пе1 для обучения нейронной сети.
В соответствии с изложенным в разд. 5 б, начало файла будет иметь вид: 280 М1пре1а 4 Монгрп14 3 Мтга1пвврапегпа 120 0222 0 625 0 ОБ8 0 042 01Б7 0.41? 0 068 0.042 0.111 0 500 0 051 0 042 0 000 0 417 0 017 0 000 0.41? 0.833 0.034 0.042 0.389 1.000 0 085 0.125 0 ЗОБ 0 792 0 051 0.125 0 222 0 625 0 068 0 083 0 389 0 750 0 119 0 083 10 00 00 1.0 0 0 0.0 1.0 0 0 0.0 1 0 О О О О 1 О О О О О 1 О О О О О 1 О О О О.О 1 О О О 0 О 1 0 О О О О Первые четыре столбца соответствуют числовым значениям четырех входных переменных, а три последующих — трем видам ириса.
Единица означает принадлежность цветка к данному виду. Используя все исходные данные, подготовим файл для тестирования сети (см. Разд. 5.6) — (гйз.(ез (отметим, что файлы ~пз2.пе(, (пзйез поставляются в комплекте с программой МР)(.). 2) Обучение сети Запустим программу МР)(.. Используя правила работы с программой, описанные в разд. 5.6, обучим нейронную сеть, сохраняя опции обучения по умолчанию. Используя, далее, файл (пзйез, проанализируем точность классификации обученной сети, выбирая для этого опцию меню Тези)тесй Ассигасу и указывая в диалоге в качестве тестирующего файла )гЫез, а в качестве файла протокола — )пз.оц(. Результат тестирования отражается сообщением вида рис.
6.6. Рис. б б Сообщение о результате тестирования обученной нейронной сети Из данного сообщения следует, в частности (и зто подтверждается при просмотре файла )г)з оц(), что из 150 предъявленных ошибочно классифицирован только один пример. Полученную точность можно считать очень высокой. Заметим, что при обучении сети в режиме Мр))-2 генерируется набор из 13 логических правил классификации ириса. Теперь обученную сеть можно сохранить и использовать далее по назначению.
Точно так же строится классификатор для других подобных задач 6.5. Задача о землекопах Задача о землекопах представляет собой простой пример нахождения оптимального решения с использованием нейросетевого подхода. Соответствующие файлы и постановка задачи приведены как иллюстрация для нейропакета р)еига! Р)аппег. 281 6.5.1. Содержательное описание задачи Предположим, что землекопам необходимо выкопать яму определенного диаметра.
Возможное количество землекопов от 1 до 3, количество лопат у них от 1 до 4. Выходной величиной является производительность работы землекопов, выражающаяся в весе вынутого за час работы грунта, т е. в кг/час На производительность влияют не только количество землекопов и имеющихся лопат, но и диаметр ямы, состав грунта (камни, глина) и температура окружающей среды. Действительно, землекопы работают лучше, если каждый из них имеет по лопате, чем когда имеется одна лопата на всех. Каменистую почву рыть труднее, но камни весят больше, чем земля, а в качестве показателя процесса выступает величина, связанная с весом, а не с объемом.
Глинистую почву также копать труднее, но глина тоже имеет больший удельный вес, чем земля. хотя не настолько, сколько камни. Холодную почву рыть труднее; еще труднее рыть замерзшую почву. С другой стороны, землекопы нуждаются в большем числе перерывов на отдых, когда температура воздуха высока.
Если диаметр ямы слишком мал, число работающих землекопов ограничено. С другой стороны землекопы могут отдыхать по очереди. Таким образом, на производительность труда (Кцгпз(лонг) в данном случае влияет, по крайней мере, шесть входных факторов: число землекопов (0(цоегв), число лопат (Врабез), диаметр ямы (0(агпе(ег, Сгпз), скалистость грунта (Босха, '/~), глинистость почвы (С!ау, %), температура воздуха (Тегпр, С). Требуегпся: определить, при каких значениях перечисленных факторов из ряда возможных вариантов производительность труда будет наивысшей. Заметим, что аналитическим путем задача вряд ли может быть решена с приемлемой точностью, однако, аппарат нейронных сетей позволяет получить решение достаточно легко. 8.5.2. Решение задачи Для решения поставленной задачи воспользуемся нейропакетом (хейга) Р!аппег и файлом Жодегз.й, который, как отмечено, поставляется вместе с пакетом.
Содержание файла приведено ниже; его структура соответствует описанию в разд. 5.4. Как видно, обучающая выборка (секция файла (ТРА)М(чС]) содержит 17 образцов; секция опроса ((((чТЕВВООАТ)МО]) — 11 возможных вариантов, из которых и нужно определить наилучший. 282 огддгпд (го(ев 1аг МР!ап [(Авеьз] [0!Оде!в) [Зрааев] [огагпе!ег(сгпвЦ [йосхв ('/.]] [С!ау('4]] [Тагор (С)) [КдпгвГЬоог] [ем о] [ТЕЗТ(МО) (ем о( д.!м!тз] » » > > < (П!дев) 3 4 300 50 2600 [говгв) 1 1 150 О 1000 [ЕМ0] Определим топологию сети. Выберем нейронную сеть с одним скрытым слоем.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
