На бирже курсовых и дипломных проектов можно найти образцы готовых работ или получить помощь в написании уникальных курсовых работ, дипломов, лабораторных работ, контрольных работ, диссертаций, рефератов. Так же вы мажете самостоятельно повысить уникальность своей работы для прохождения проверки на плагиат всего за несколько минут.

ЛИЧНЫЙ КАБИНЕТ 

 

Здравствуйте гость!

 

Логин:

Пароль:

 

Запомнить

 

 

Забыли пароль? Регистрация

Повышение уникальности

Предлагаем нашим посетителям воспользоваться бесплатным программным обеспечением «StudentHelp», которое позволит вам всего за несколько минут, выполнить повышение уникальности любого файла в формате MS Word. После такого повышения уникальности, ваша работа легко пройдете проверку в системах антиплагиат вуз, antiplagiat.ru, etxt.ru или advego.ru. Программа «StudentHelp» работает по уникальной технологии и при повышении уникальности не вставляет в текст скрытых символов, и даже если препод скопирует текст в блокнот – не увидит ни каких отличий от текста в Word файле.

Результат поиска


Наименование:


реферат Нейронные сети и их применение для задач управления

Информация:

Тип работы: реферат. Добавлен: 05.06.2012. Сдан: 2010. Страниц: 7. Уникальность по antiplagiat.ru: < 30%

Описание (план):


Министерство  образования и науки Российской Федерации
Государственное образовательное учреждение высшего  профессионального образования
Пермский  государственный технический университет 

Факультет электротехнический
Кафедра микропроцессорных  средств автоматизации 
 
 
 

    Реферат по предмету «Автоматизированное управление ЖЦП»
    Тема: Нейронные сети и их применение для задач управления. 
 
 
 

                                            Выполнил: студент гр. АУЦ-06
                                            Кашапов М.Р.
                                            Проверил: ассистент  каф. МСА
                                            Елтышев Д.К. 
 
 
 
 
 

     Пермь, 2010 г.
 

     Оглавление

 

     Введение

    Уже сегодня искусственные нейронные  сети используются во многих областях, но прежде чем их можно будет применять  там, где на карту поставлены человеческие жизни или значительные материальные ресурсы, должны быть решены важные вопросы, касающиеся надежности их работы. Поэтому уровень допустимых ошибок следует определять исходя из природы самой задачи. Некоторые проблемы с анализом вопросов надежности возникают из-за допущения полной безошибочности компьютеров, тогда как искусственные нейронные сети могут быть неточны даже при их правильном функционировании. На самом же деле компьютеры, как и люди, тоже могут ошибаться. Первые – в силу различных технических проблем или ошибок в программах, вторые – из-за невнимательности, усталости или непрофессионализма. Следовательно, для особо критических задач необходимо, чтобы эти системы дублировали и страховали друг друга. А это значит, при решении таких задач нейронные сети должны выступать не в качестве единственных средств, а в качестве дополнительных, предупреждающих особые ситуации или берущих на себя управление, когда проблема не решается стандартным образом и какие-либо задержки могут привести к катастрофе.
    Другая  трудность использования нейронных  сетей состоит в том, что традиционные нейронные сети неспособны объяснить, каким образом они решают задачу. Внутреннее представление результатов  обучения зачастую настолько сложно, что его невозможно проанализировать, за исключением некоторых простейших случаев, обычно не представляющих интереса.
    В последнее время предпринимаются  активные попытки объединения искусственных  нейронных сетей и экспертных систем. В такой системе искусственная нейронная сеть может реагировать на большинство относительно простых случаев, а все остальные передаются для рассмотрения экспертной системе. В результате сложные случаи принимаются на более высоком уровне, при этом, возможно, со сбором дополнительных данных или даже с привлечением экспертов [2].
    Что такое нейронная  сеть
    В последнее время все чаще стали  говорить о нейронных сетях. Развиваются  целые сегменты математики, изучающие  нейронные сети, а на основе созданных  моделей строятся различные автоматические системы анализа и распознавания информации. Остановимся кратко на тех принципах, которые заложены в автоматических нейронных сетях.
    Нервная система и мозг человека состоят  из нейронов, соединенных между собой  нервными волокнами. Нервные волокна  способны передавать электрические импульсы между нейронами. Все процессы передачи раздражений от нашей кожи, ушей и глаз к мозгу, процессы мышления и управления действиями - все это реализовано в живом организме как передача электрических импульсов между нейронами. Рассмотрим строение биологического нейрона. Каждый нейрон имеет отростки нервных волокон двух типов: дендриты, посредством которых принимаются импульсы, и аксон (он единственный), по которому нейрон может передавать импульс. Аксон контактирует с дендритами других нейронов через специальные образования - синапсы, которые влияют на силу импульса. Можно считать, что при прохождении синапса сила импульса меняется определенное число раз, которое называют весом синапса. Импульсы, поступившие к нейрону одновременно по нескольким дендритам, суммируются. Если суммарный импульс превышает некоторый порог, нейрон возбуждается, формирует собственный импульс и передает его далее по аксону. Важно отметить, что веса синапсов могут изменяться со временем, а значит, меняется и поведение соответствующего нейрона.
    Таким образом, создание автоматических систем на основе нейронной сети заключается  в выборе архитектуры сети и подборе  весов сети. Подбор весов - это "обучение" сети. Получается, что нейронные  сети представляют собой нечто среднее между центральным процессором и человеческим мозгом.
    Краткая история исследования нейронных сетей
    История исследования нейронных сетей помнит взлеты и падения. Первый всплеск  исследовательского энтузиазма приходится на 1940-1960-е гг. Его можно связать с работами Дж. фон Неймана по концептуальному сравнительному анализу работы биологических нейронных сетей и компьютеров и по разработке принципов построения надежных вычислительных систем из ненадежных компонент (фактически формальных нейронов). Сравнительно небольшой прогресс нейрокибернетики (особенно в области практического применения) 1940-1960-х гг. привел к тому, что период энтузиазма сменился периодом спада активности исследований искусственных нейронных сетей. Многие исследователи ушли в те области, которые показались им более привлекательными. Однако в середине 1980-х гг. снова возник нейросетевой бум. Причиной бума, по-видимому, послужил постоянный интерес человечества к изучению работы нервной системы и ряд новых интересных моделей, разработанных к этому времени. Одной из таких "стимулирующих" моделей стали работы, которые позволили привлечь методы теоретической физики к исследованию нейронных сетей. Во второй половине 1980-х гг. был предложен целый ряд интересных и содержательных моделей нейронных сетей. В моделях строятся нейросети, выполняющие различные алгоритмы обработки информации: ассоциативная память, категоризация, то есть разбиение множества образов на кластеры, состоящие из подобных друг другу, топологически корректное картирование, распознавание зрительных образов, инвариантное относительно деформаций и сдвигов в пространстве решение задач комбинаторной оптимизации. Хотя ряд исследований и был посвящен анализу характеристик нейронных сетей с целью понимания свойств естественных нейронных систем, однако, в отличие от первой волны, подавляющее количество работ относилось к исследованию алгоритмов нейросетей с прагматическими целями, что позволило привлечь дополнительные финансовые ресурсы для их поддержки. Все это привело к тому, что в 1990-х гг. нейросетевые автоматические системы прочно вошли в инженерный обиход, и сейчас продолжается активная работа по их реализации для различных задач анализа и распознавания информации.

    1. Искусственные нейронные сети

    Искусственные нейронные сети (ИНС) – математические модели, а также их программные или аппаратные реализации, построенные по принципу организации и функционирования биологических нейронных сетей – сетей нервных клеток живого организма. Это понятие возникло при изучении процессов, протекающих в мозге, и при попытке смоделировать эти процессы. Первой такой попыткой были нейронные сети Маккалока и Питтса. Впоследствии, после разработки алгоритмов обучения, получаемые модели стали использовать в практических целях: в задачах прогнозирования, для распознавания образов, в задачах управления и др. [3].
    ИНС представляют собой систему соединённых  и взаимодействующих между собой  простых процессоров (искусственных  нейронов). Такие процессоры обычно довольно просты, особенно в сравнении  с процессорами, используемыми в персональных компьютерах. Каждый процессор подобной сети имеет дело только с сигналами, которые он периодически получает, и сигналами, которые он периодически посылает другим процессорам. И тем не менее, будучи соединёнными в достаточно большую сеть с управляемым взаимодействием, такие локально простые процессоры вместе способны выполнять довольно сложные задачи. На Рис.1. приведен пример простой нейросети, где зелёным обозначены входные элементы, жёлтым – выходной элемент.

Рис. 1. Схема простой нейросети
    С точки зрения машинного обучения, нейронная сеть представляет собой  частный случай методов распознавания  образов, дискриминантного анализа, методов  кластеризации и т. п. С математической точки зрения, обучение нейронных  сетей – это многопараметрическая задача нелинейной оптимизации. С точки зрения кибернетики, нейронная сеть используется в задачах адаптивного управления и как алгоритмы для робототехники. С точки зрения развития вычислительной техники и программирования, нейронная сеть – способ решения проблемы эффективного параллелизма. А с точки зрения искусственного интеллекта, ИНС является основой философского течения коннективизма и основным направлением в структурном подходе по изучению возможности построения (моделирования) естественного интеллекта с помощью компьютерных алгоритмов.
    Нейронные сети не программируются в привычном  смысле этого слова, они обучаются. Возможность обучения – одно из главных преимуществ нейронных сетей перед традиционными алгоритмами. Технически обучение заключается в нахождении коэффициентов связей между нейронами. В процессе обучения нейронная сеть способна выявлять сложные зависимости между входными данными и выходными, а также выполнять обобщение. Это значит, что, в случае успешного обучения, сеть сможет вернуть верный результат на основании данных, которые отсутствовали в обучающей выборке, а также неполных и/или «зашумленных», частично искаженных данных.

    2. Классификация нейронных сетей

    Классификация по типу входной информации:
    Аналоговые нейронные сети (используют информацию в форме действительных чисел);
    Двоичные нейронные сети (оперируют с информацией, представленной в двоичном виде).
    Классификация по характеру обучения:
    Обучение с учителем – выходное пространство решений нейронной сети известно;
    Обучение без учителя – нейронная сеть формирует выходное пространство решений только на основе входных воздействий. Такие сети называют самоорганизующимися;
    Обучение с подкреплением – система назначения штрафов и поощрений от среды.
    Классификация по характеру связей:
    Сети прямого распространения (Feedforward)
    Все связи направлены строго от входных  нейронов к выходным. Примерами таких  сетей являются перцептрон Розенблатта, многослойный перцептрон, сети Ворда.

    3. Известные применения нейронных сетей

    3.1. Распознавание образов и классификация

    В качестве образов могут выступать  различные по своей природе объекты: символы текста, изображения, образцы  звуков и т. д. При обучении сети предлагаются различные образцы образов с  указанием того, к какому классу они относятся. Образец, как правило, представляется как вектор значений признаков. При этом совокупность всех признаков должна однозначно определять класс, к которому относится образец. В случае, если признаков недостаточно, сеть может соотнести один и тот же образец с несколькими классами, что неверно. По окончании обучения сети ей можно предъявлять неизвестные ранее образы и получать ответ о принадлежности к определённому классу.
    Топология такой сети характеризуется тем, что количество нейронов в выходном слое, как правило, равно количеству определяемых классов. При этом устанавливается соответствие между выходом нейронной сети и классом, который он представляет. Когда сети предъявляется некий образ, на одном из её выходов должен появиться признак того, что образ принадлежит этому классу. В то же время на других выходах должен быть признак того, что образ данному классу не принадлежит. Если на двух или более выходах есть признак принадлежности к классу, считается что сеть «не уверена» в своём ответе.

    3.2. Принятие решений и управление

    Эта задача близка к задаче классификации. Классификации подлежат ситуации, характеристики которых поступают на вход нейронной  сети. На выходе сети при этом должен появится признак решения, которое  она приняла. При этом в качестве входных сигналов используются различные критерии описания состояния управляемой системы.

    3.3. Кластеризация

    Под кластеризацией понимается разбиение  множества входных сигналов на классы, при том, что ни количество, ни признаки классов заранее не известны. После обучения такая сеть способна определять, к какому классу относится входной сигнал. Сеть также может сигнализировать о том, что входной сигнал не относится ни к одному из выделенных классов – это является признаком новых, отсутствующих в обучающей выборке, данных. Таким образом, подобная сеть может выявлять новые, неизвестные ранее классы сигналов. Соответствие между классами, выделенными сетью, и классами, существующими в предметной области, устанавливается человеком. Кластеризацию осуществляют, например, нейронные сети Кохонена.

    3.4. Прогнозирование и аппроксимация

    Способности нейронной сети к прогнозированию  напрямую следуют из ее способности  к обобщению и выделению скрытых  зависимостей между входными и выходными  данными. После обучения сеть способна предсказать будущее значение некой последовательности на основе нескольких предыдущих значений и/или каких-то существующих в настоящий момент факторов. Следует отметить, что прогнозирование возможно только тогда, когда предыдущие изменения действительно в какой-то степени предопределяют будущие. Например, прогнозирование котировок акций на основе котировок за прошлую неделю может оказаться успешным (а может и не оказаться), тогда как прогнозирование результатов завтрашней лотереи на основе данных за последние 50 лет почти наверняка не даст никаких результатов.

    3.5. Сжатие данных и Ассоциативная память

    Способность нейросетей к выявлению взаимосвязей между различными параметрами дает возможность выразить данные большой  размерности более компактно, если данные тесно взаимосвязаны друг с другом. Обратный процесс – восстановление исходного набора данных из части информации – называется (авто)ассоциативной памятью. Ассоциативная память позволяет также восстанавливать исходный сигнал/образ из зашумленных/поврежденных входных данных. Решение задачи гетероассоциативной памяти позволяет реализовать память, адресуемую по содержимому [4].

    4. Этапы решения задач на основе нейронных сетей

    Выделяют  этапы:
    сбор данных для обучения
    подготовка и нормализация данных
    выбор топологии сети
    экспериментальный подбор характеристик сети
    экспериментальный подбор параметров обучения
    собственно обучение
    проверка адекватности обучения
    корректировка параметров, окончательное обучение
    вербализация сети с целью дальнейшего использования
 
    Следует рассмотреть подробнее некоторые из этих этапов.

    4.1. Сбор данных для обучения

    Выбор данных для обучения сети и их обработка  является самым сложным этапом решения  задачи. Набор данных для обучения должен удовлетворять нескольким критериям:
    Репрезентативность – данные должны иллюстрировать истинное положение вещей в предметной области;
    Непротиворечивость – противоречивые данные в обучающей выборке приведут к плохому качеству обучения сети;
    Исходные  данные преобразуются к виду, в  котором их можно подать на входы сети. Каждая запись в файле данных называется обучающей парой или обучающим вектором. Обучающий вектор содержит по одному значению на каждый вход сети и, в зависимости от типа обучения (с учителем или без), по одному значению для каждого выхода сети. Обучение сети на «сыром» наборе, как правило, не даёт качественных результатов. Существует ряд способов улучшить «восприятие» сети.
    Нормировка  выполняется, когда на различные  входы подаются данные разной размерности. Например, на первый вход сети подается величины со значениями от нуля до единицы, а на второй – от ста до тысячи. При отсутствии нормировки значения на втором входе будут всегда оказывать существенно большее влияние на выход сети, чем значения на первом входе. При нормировке размерности всех входных и выходных данных сводятся воедино;
    Квантование выполняется над непрерывными величинами, для которых выделяется конечный набор дискретных значений. Например, квантование используют для задания  частот звуковых сигналов при распознавании  речи;
    Фильтрация выполняется для «зашумленных» данных.
    Кроме того, большую роль играет само представление  как входных, так и выходных данных. Предположим, сеть обучается распознаванию  букв на изображениях и имеет один числовой выход – номер буквы в алфавите. В этом случае сеть получит ложное представление о том, что буквы с номерами 1 и 2 более похожи, чем буквы с номерами 1 и 3, что, в общем, неверно. Для того, чтобы избежать такой ситуации, используют топологию сети с большим числом выходов, когда каждый выход имеет свой смысл. Чем больше выходов в сети, тем большее расстояние между классами и тем сложнее их спутать.

    4.2. Выбор топологии сети

    Выбирать  тип сети следует исходя из постановки задачи и имеющихся данных для  обучения. Для обучения с учителем требуется наличие для каждого элемента выборки «экспертной» оценки. Иногда получение такой оценки для большого массива данных просто невозможно. В этих случаях естественным выбором является сеть, обучающаяся без учителя, например, самоорганизующаяся карта Кохонена или нейронная сеть Хопфилда. При решении других задач, таких как прогнозирование временных рядов, экспертная оценка уже содержится в исходных данных и может быть выделена при их обработке. В этом случае можно использовать многослойный перцептрон или сеть Ворда.

    4.3. Экспериментальный подбор характеристик сети

    После выбора общей структуры нужно  экспериментально подобрать параметры  сети. Для сетей, подобных перцептрону, это будет число слоев, число  блоков в скрытых слоях (для сетей  Ворда), наличие или отсутствие обходных соединений, передаточные функции нейронов. При выборе количества слоев и нейронов в них следует исходить из того, что способности сети к обобщению тем выше, чем больше суммарное число связей между нейронами. С другой стороны, число связей ограничено сверху количеством записей в обучающих данных.

    4.4. Экспериментальный подбор параметров обучения

    После выбора конкретной топологии, необходимо выбрать параметры обучения нейронной  сети. Этот этап особенно важен для  сетей, обучающихся с учителем. От правильного выбора параметров зависит не только то, насколько быстро ответы сети будут сходиться к правильным ответам. Например, выбор низкой скорости обучения увеличит время схождения, однако иногда позволяет избежать паралича сети. Увеличение момента обучения может привести как к увеличению, так и к уменьшению времени сходимости, в зависимости от формы поверхности ошибки. Исходя из такого противоречивого влияния параметров, можно сделать вывод, что их значения нужно выбирать экспериментально, руководствуясь при этом критерием завершения обучения (например, минимизация ошибки или ограничение по времени обучения).

    4.5. Собственно обучение сети

    В процессе обучения сеть в определенном порядке просматривает обучающую выборку. Порядок просмотра может быть последовательным, случайным и т. д. Некоторые сети, обучающиеся без учителя, например, сети Хопфилда просматривают выборку только один раз. Другие, например, сети Кохонена, а также сети, обучающиеся с учителем, просматривают выборку множество раз, при этом один полный проход по выборке называется эпохой обучения [5]. При обучении с учителем набор исходных данных делят на две части – собственно обучающую выборку и тестовые данные; принцип разделения может быть произвольным. Обучающие данные подаются сети для обучения, а проверочные используются для расчета ошибки сети (проверочные данные никогда для обучения сети не применяются). Таким образом, если на проверочных данных ошибка уменьшается, то сеть действительно выполняет обобщение. Если ошибка на обучающих данных продолжает уменьшаться, а ошибка на тестовых данных увеличивается, значит, сеть перестала выполнять обобщение и просто «запоминает» обучающие данные. Это явление называется переобучением сети или оверфиттингом. В таких случаях обучение обычно прекращают. В процессе обучения могут проявиться другие проблемы, такие как паралич или попадание сети в локальный минимум поверхности ошибок. Невозможно заранее предсказать проявление той или иной проблемы, равно как и дать однозначные рекомендации к их разрешению

    4.6. Проверка адекватности обучения

    Даже  в случае успешного, на первый взгляд, обучения сеть не всегда обучается  именно тому, чего от неё хотел создатель. Известен случай, когда сеть обучалась  распознаванию изображений танков по фотографиям, однако позднее выяснилось, что все танки были сфотографированы на одном и том же фоне. В результате сеть «научилась» распознавать этот тип ландшафта, вместо того, чтобы «научиться» распознавать танки. Таким образом, сеть «понимает» не то, что от неё требовалось, а то, что проще всего обобщить.

    5. Применение нейронных сетей

    В каждой предметной области при ближайшем  рассмотрении можно найти постановки задач для нейронных сетей. Вот  список отдельных областей, где решение такого рода задач имеет практическое значение уже сейчас.
    Экономика и бизнес: прогнозирование временных  рядов (курсов валют, объемов продаж,..), автоматический трейдинг, оценка рисков невозврата кредитов, предсказание банкротств, оценка стоимости недвижимости, выявление переоцененных и недооцененных компаний, автоматическое рейтингование, оптимизация товарных и денежных потоков, автоматическое считывание и распознавание чеков и документов, безопасность транзакций по пластиковым картам.
    Медицина: постановка диагноза, обработка медицинских изображений, мониторинг состояния пациента, анализ эффективности лечения, очистка показаний приборов от шумов.
    Авионика: обучаемые автопилоты, распознавание  сигналов радаров, адаптивное пилотирование  сильно поврежденного самолета, беспилотные летательные аппараты.
    Связь: сжатие видеоинформации, быстрое кодирование-декодирование, оптимизация сотовых сетей и схем маршрутизации пакетов.
    Интернет: ассоциативный поиск информации, электронные секретари и агенты пользователя в интернете, фильтрация информации, блокировка спама, автоматическая рубрикация новостевых лент, адресные реклама и маркетинг для электронной торговли [6].
    Автоматизация производства: оптимизация режимов  производственного процесса, контроль качества продукции, мониторинг и визуализация многомерной диспетчерской информации, предупреждение аварийных ситуаций, робототехника.
    Политологические  и социологические технологии: предсказание результатов выборов, анализ опросов, предсказание динамики рейтингов, выявление значимых факторов, кластеризация электората, исследование и визуализация социальной динамики населения.
    Безопасность  и охранные системы: распознавание  лиц; идентификация личности по отпечаткам пальцев, голосу, подписи, лицу; распознавание  автомобильных номеров, анализ аэрокосмических снимков, мониторинг информационных потоков в компьютерной сети и обнаружение вторжений, обнаружение подделок.
    Ввод  и обработка информации: распознавание  рукописных текстов, почтовых, платежных, финансовых и бухгалтерских документов.
    Геологоразведка: анализ сейсмических данных, ассоциативные  методики поиска полезных ископаемых, оценка ресурсов месторождений [1].
    Обилие  приведенных выше применений нейронных  сетей - не рекламный трюк. Просто нейросети - это новый, гибкий и мощный инструмент решения разнообразных задач обработки и анализа данных.

    6. Примеры задач решаемых с помощью нейронных сетей

    6.1. Задачи медицинской диагностики

    В роли объектов выступают пациенты. Признаки характеризуют результаты обследований, симптомы заболевания и применявшиеся методы лечения. Примеры бинарных признаков: пол, наличие головной боли, слабости. Порядковый признак – тяжесть состояния (удовлетворительное, средней тяжести, тяжёлое, крайне тяжёлое). Количественные признаки – возраст, пульс, артериальное давление, содержание гемоглобина в крови, доза препарата. Признаковое описание пациента является, по сути дела, формализованной историей болезни. Накопив достаточное количество прецедентов в электронном виде, можно решать различные задачи:
    классифицировать вид заболевания (дифференциальная диагностика);
    определять наиболее целесообразный способ лечения;
    предсказывать длительность и исход заболевания;
    оценивать риск осложнений;
    находить синдромы – наиболее характерные для данного заболевания совокупности симптомов.
    Ценность  такого рода систем в том, что они  способны мгновенно анализировать  и обобщать огромное количество прецедентов – возможность, недоступная специалисту-врачу.

    6.2. Предсказание месторождений полезных ископаемых

    Признаками  являются данные геологической разведки. Наличие или отсутствие тех или иных пород на территории района кодируется бинарными признаками. Физико-химические свойства этих пород могут описываться как количественными, так и качественными признаками. Обучающая выборка составляется из прецедентов двух классов: районов известных месторождений и похожих районов, в которых интересующее ископаемое обнаружено не было. При поиске редких полезных ископаемых количество объектов может оказаться намного меньше, чем количество признаков. В этой ситуации плохо работают классические статистические методы. Задача решается путём поиска закономерностей в имеющемся массиве данных. В процессе решения выделяются короткие наборы признаков, обладающие наибольшей информативностью – способностью наилучшим образом разделять классы. По аналогии с медицинской задачей, можно сказать, что отыскиваются «синдромы» месторождений. Это важный побочный результат исследования, представляющий значительный интерес для геофизиков и геологов.

    6.3. Оценивание кредитоспособности заёмщиков

    Эта задача решается банками при выдаче кредитов. Потребность в автоматизации  процедуры выдачи кредитов впервые  возникла в период бума кредитных  карт 60-70-х годов в США и других развитых странах. Объектами в данном случае являются физические или юридические лица, претендующие на получение кредита. В случае физических лиц признаковое описание состоит из анкеты, которую заполняет сам заёмщик, и, возможно, дополнительной информации, которую банк собирает о нём из собственных источников. Примеры бинарных признаков: пол, наличие телефона. Номинальные признаки – место проживания, профессия, работодатель. Порядковые признаки – образование, занимаемая должность. Количественные признаки – сумма кредита, возраст, стаж работы, доход семьи, размер задолженностей в других банках. Обучающая выборка составляется из заёмщиков с известной кредитной историей. В простейшем случае принятие решений сводится к классификации заёмщиков на два класса: «хороших» и «плохих». Кредиты выдаются только заёмщикам первого класса. В более сложном случае оценивается суммарное число баллов (score(англ.)) заёмщика, набранных по совокупности информативных признаков. Чем выше оценка, тем более надёжным считается заёмщик. Отсюда и название – кредитный скоринг. На стадии обучения производится синтез и отбор информативных признаков и определяется, сколько баллов назначать за каждый признак, чтобы риск принимаемых решений был минимален. Следующая задача – решить, на каких условиях выдавать кредит: определить процентную ставку, срок погашения, и прочие параметры кредитного договора. Эта задача также может быть решения методами обучения по прецедентам.

    6.4. Прогнозирование потребительского спроса

    Решается  современными супермаркетами и торговыми  розничными сетями. Для эффективного управления торговой сетью необходимо прогнозировать объёмы продаж для каждого товара на заданное число дней вперёд. На основе этих прогнозов осуществляется планирование закупок, управление ассортиментом, формирование ценовой политики, планирование промоакций (рекламных кампаний). Специфика задачи в том, что количество товаров может исчисляться десятками или даже сотнями тысяч. Прогнозирование и принятие решений по каждому товару «вручную» просто немыслимо. Исходными данными для прогнозирования являются временные ряды цен и объёмов продаж по товарам и по отдельным магазинам. Современные технологии позволяют снимать эти данные непосредственно с кассовых аппаратов. Для увеличения точности прогнозов необходимо также учитывать различные внешние факторы, влияющие на потребительский спрос: уровень инфляции, погодные условия, рекламные кампании, социально-демографические условия, активность конкурентов. В зависимости от целей анализа в роли объектов выступают либо товары, либо магазины, либо пары «магазин, товар». Ещё одна особенность задачи – несимметричность функции потерь. Если прогноз делается с целью планирования закупок, то потери от заниженного прогноза существенно выше потерь от завышенного.
и т.д.................


Перейти к полному тексту работы


Скачать работу с онлайн повышением уникальности до 90% по antiplagiat.ru, etxt.ru или advego.ru


Смотреть полный текст работы бесплатно


Смотреть похожие работы


* Примечание. Уникальность работы указана на дату публикации, текущее значение может отличаться от указанного.