Шиболденков В.А.

МГТУ им. Н.Э. Баумана, Россия

Система нейросетевого анализа
показателей деятельности предприятия

Для успешного и плодотворного развития экономики Российской Федерации требуется техническое перевооружение и модернизация производства, значительное повышение эффективности применяемых технологий и выполняемых операций, создание и внедрение действенных автоматических систем во все сферы деятельности организации: производство, менеджмент, маркетинг, финансы и прочие направления политики компании.

Для совершения перехода на новый уровень необходимо проанализировать, а впоследствии оптимизировать и улучшить весь процесс деловой активности предприятия, изучить все вспомогательные процессы и всю структуру компании в целом.

Для данной задачи необходимо мощное информационное средство анализа данных, которое будет удовлетворять группе взаимообратных ограничений: необходимо рассматривать предприятие всеобъемлюще, подробно, но при этом соблюдая важные требования к оперативности, экономичности и простоте работы для конечного пользователя. Существует целая группа математических алгоритмов, рассчитанных на интеллектуальный анализ данных различной природы. Но проблема в том, что большая часть из них доступна лишь специалистам с профессиональными знаниями в области математики и программирования. По этой причине большую популярность сыскал метод нейросетевого картирования Кохонена, который доступен широкой аудитории, так как не требует непрофильных умений. Применения описанного приёма позволяет высшему руководству экономить затраты времени и сил при определении действительно значимых явлений и не останавливаться на бессмысленных занятиях обработки больших объёмов «пустой» информации.

Нейросетевая карта Кохонена (Self-Organising Maps, SOM) представляет собой особую нейросетевую архитектуру топологической карты, т.е. в ней дополнительно учитывается геометрическое положение элементарных нейронов в физическом пространстве. [1] Нейроны встраиваются в узлы двумерной решётки. В процессе обучения нейроны упорядочиваются относительно друг друга и формируют значимую систему координат, создавая таким образом искусственную нейронную сеть (ИНС) с топографической структурой. В них координаты, другими словами местоположение, узлов сети соответствуют наблюдаемым закономерностям во входных данных.

Это позволяет использовать нейросеть такого типа, как очень наглядный инструмент визуализации. Сама карта представляет собой двумерную дискретную матрицу с одной из часто употребляемых топологий, квадратной или гексагональной. На ней отчётливо видно положение изучаемых объектов относительно друг друга. Дополнительное окрашивание также улучшает наглядность, отображает границы кластеров или вспомогательные измерения для многомерных данных [2]. Посредством обучения и формирования структуры нейрокарты, можно выявить сконцентрированные совокупности в представленных данных и проанализировать родство и близость между ними. Также можно обособить новую информацию, если заранее обученная сеть в процессе работы обнаружит неизвестные ей образцы. [1,3]

Рисунок 1. Устройство двумерной карты

Нейронная сеть Кохонена относится к самообучающимся типам ИНС. Это означает, что в обучающем множестве содержаться только входы, а желаемые цели отсутствуют. Алгоритм работает до тех пор, пока близкие входные воздействия не будут давать схожий выход, т.е. происходит статистическое усреднение и группируются классы данных.

Сеть Кохонена имеет два принципа реализации. Первый принцип – вероятностная принадлежность объектов к классам. Для этого используется специальная функция активации для поддержания суммы выходов со всех нейронов равной единице. Второй принцип – «победитель забирает всё». Осуществляется, как придание выходам значений 0 или 1, иначе говоря один объект будет принадлежать только одному классу. В процессе обучения слоя Кохонена вычисляются скалярные произведения входного вектора и вектора весов. «Победителем» считают нейрон с его максимальным значением и подстраивают веса.

β – коэффициент обучения сети, который формируют для алгоритмизации данного процесса. Обычно его изменяют в процессе обучения, что позволяет делать быстрые начальные шаги в фазе упорядочивания и меньшие шаги в фазе окончательной подстройки. Часто такую функциональность организуют с помощью расписания с обучением, т.е. β = β(t). [2]

В результате исследования при помощи нейрокарты у нас есть общие знания по параметрам компаний, но также мы можем детально рассмотреть отличия, рассматривая компонентные плоскости при последующем анализе.

Рисунок 2. Результат нейрокартирования. Многомерный набор экономической информации по предприятиям сформировал их группировку на карте

Применение карты Кохонена выгодна по двум причинам. Во-первых, визуальное изображение расположения кластеров сводится к плоской картинке с учётом относительной схожести, а не абсолютной. Такой механизм гораздо нагляднее и понятнее, чем отражение реального расположения данных в нескольких плоскостях или, тем более в многомерном пространстве. Во-вторых, с продуктом нейрокартирования можно работать далее, а это означает возможность уже дополнительного экспертного выявления скрытых данных, которые мы не могли обнаружить в громоздком числовом наборе.

Список использованной литературы

1. Kohonen, T. Self-Organizing Maps. 3 ed. Berlin-New York: Springer-Verlag, 2001.

2. Хайкин C. Нейронные сети: полный курс. 2-е издание. М: Вильямс, 2006. 1104с.

3. Гаврилов А.И. Искусственные нейронные системы в задачах системного анализа. Ч. 1. 2000. 103с.