Нейросетевая модель оценки эффективности инновационных проектов Текст научной статьи по специальности «Компьютерные и информационные науки»

ЖИЛОИ КОМПЛЕКС

' вшк-п1 "

Р I * II И I ■

•едя

СТАРТ ПРОДАЖ ДОМ №6

1В1Ш

П0СМ0ТРЕ1

Проектная декларац Застройщиц С

Информационное агентство INNOV.RU | Вторник, 28 марта 2017 г 14:06

INNOV

РОССИИСКИИ БИЗНЕС ON-LINE

Иннов: электронный научный журнал

Главная страница журнала Экономические науки

Технические науки

О журнале Редакция Общая лента Выпуски

Опубликовать статью. Авторам

Нейросетевая модель оценки эффективности инновационных ] Neural network model of evaluating the effectiveness innovative projects

УДК 004.8

Яндекс.Директ

Заработать на бирже может каждый!

Проверьте свои силы без вложений! Откройте демо-счетс с бонусом до 100000р.

Бесплатное обучение Брокерский счет +18,25%

Тариф брокера 0,0177% finam.ru Адрес и телефон

Инновационные проекты характеризуются высокой степенью неопределенности и риска, поэтому при прове< эффективности проектов данного вида целесообразно применять лишь методы экспресс-анализа, основанные теории нечетких множеств и искусственных нейронных сетей.

Annotation: Innovative projects are characterized by a high degree of uncertainty and risk, so when evaluating the ej of this type it is advisable to use only the methods of Express-analysis based on the theory of fuzzy sets and artificial neu

Инновационные проекты

характеризуются высокой степенью неопределенности и риска, поэтому при проведении оценки эффективности проектов данного вида целесообразно применять лишь методы экспресс-анализа, основанные на аппарате теории нечетких множеств и искусственных нейронных сетей [1, 2].

Предлагаемая нейросетевая модель оценки эффективности основана на сетях гибридной структуры, объединяющих в себе нейросетевые и нечетко-множественные подходы [3]. Применительно к экспресс-анализу инновационных проектов

нейронечеткие сети позволяют учесть одновременно и знания, и

28.03.2017

Нейросетевая модель оценки эффективности инновационных проектов предположения экспертов, и

статистическую информацию, накопленную в базе данных, тем самым уменьшая субъективность оценки п| параметров определяется автоматически в процессе обучения [4, 5].

Метод расчета эффективности проекта основан на построении и обучении нейронной сети, инструментальным среда Matlab и ее приложение Neural Network Toolbox [6].

Источником данных для определения эффективности инновационных проектов является информация об ан оценка эффективности которых уже известна, т.е. имеет место так называемый процесс обучения с учителем. будет определяться индивидуально для каждого исследуемого проекта и содержать небольшое количество анал

Важным этапом в построении нейросетевой модели является выбор топологии сети. Для решения данной г обзор границ применимости, преимуществ и недостатков сетей различной архитектуры. По результатам сра выбор был сделан в пользу сети прямого распространения с тремя скрытыми слоями на основе алгорит Мамдани, поскольку сети данного класса широко используются для проведения экспертной оценки параме" проектов.

В структуре используемой сети нейроны первого слоя передают входной сигнал, выполняя транзитную фу нейронов выполняет фазификацию (приведение к нечеткости), то есть моделирует функции принадлежности. нейронов, равного общему количеству нечетких множеств, описывающих возможные значения входных пере отвечает за определение степени истинности правил нечеткого вывода. На начальном этапе, когда база количество правил равно количеству сочетаний всех нечетких значений входных переменных. Каждый из ней получает по два входных сигнала от нейронов второго слоя и реализует логическую связку «И» с помощью фун слой нейронов играет роль нечеткой операции «ИЛИ». Нейрон выходного слоя вместе с вектором весов, выходными сигналами предыдущего слоя, выполняет дефазификацию, то есть приведение к четкости, опреде выходной переменной.

Применительно к поставленной задаче количество входных переменных соответствует числу известных парамет множество возможных значений входных переменных содержит следующие термы: {очень малый, малый, сред большой}. Функции принадлежности, задающие каждое из пяти нечетких множеств, имеют трапециевидную фор

Обучающая выборка определяется согласно следующему алгоритму действий:

1. Определяется тип инноваций исследуемого проекта [7, 8].

2. Среди инновационных проектов соответствующего типа ищутся проекты с известными показателями эф заданных входных параметров которых совпадает с исследуемым.

3. Из найденных проектов отбираются наиболее близкие к исследуемому проекту по евклидовому расстоя признаков.

Существует ряд методов обучения искусственных нейронных сетей, которые различаются по времени схо обучающей выборки. Классическим методом обучения сети считается метод обратного распространения ош распространении сигналов ошибки от выходов сети к её входам, в направлении, обратном прямому распрос обычном режиме работы. Также разработаны модифицированные методы обучения, обеспечивающие более эс задач.

В процессе проведения сравнительного анализа методов обучения, для используемой сети был выбран метод регуляризации, который наиболее соответствует условиям задачи, так как обучающая выборка относительно связей в изначально выбранной структуре сети велико, и автоматическое выделение из них лишь наиболее избежать переобучения.

После определения структуры и параметров нейронной сети, а также проектов, входящих в обучающую вы модель была реализована в среде Matlab.

Сравнение результатов тестирования предложенной модели с существующими аналогами показало наличие бо более быстрой сходимости.

Библиографический список

1. Бирюков А.Н., Глущенко О.И. Алгоритм построения нейросетевой многофакторной нелинейной модели г бюджета // Вестник Пермского университета. Серия: Экономика. 2011. № 2. С. 24-35.

2. Чугунов А.А., Зайцева Е.Ю. Формирование стратегии вывода существующего товара на новый рынок // времени. 2011. Т. 1. № 1 (1). С. 42-46.

3. Саитгареева Р.Ш., Колесников А.А. Применение механизмов нечеткой логики для оценки фина состоятельности предприятия // Вестник ВЭГУ. 2009. № 2. С. 77-83.

4. Баталов А.С. Методы повышения эффективности обучения нейронной сети Кохонена // Вестник Пермского Математика. Механика. Информатика. 2012. № 3 (11). С. 86-93.

5. Лила В.Б. Алгоритм и программная реализация адаптивного метода обучения искусственных нейронных вестник Дона. 2012. Т. 19. № 1. С. 55-59.

6. Булатов Ю.Н., Попик В.А. Разработка модели микропроцессорного автоматического регулятора возбужден оптимизация его настроек // Труды Братского государственного университета. Серия: Естественные и инженер| С. 3-8.

7. Лялин В.Е., Соловьева С.А. Экономическая концепция планирования расходной части бюджета муниципа. многоуровневой системе бюджетирования с учетом различных принципов распределения субвенций на различн финансовый анализ. 2009. № 4. С. 227-255.

8. Хлыстова О.В. Стратегическое управление на основе нейросетевого моделирования // Менеджмент в Россш № 3. С. 18-24.

References

1. Birjukov A.N., Glushhenko O.I. Algoritm postroenija nejrosetevoj mnogofaktornoj nelinejnoj modeli prognoza Vestnik Permskogo universiteta. Serija: Jekonomika. 2011. No 2. P. 24-35.

2. Chugunov A.A., Zajceva E.Ju. Formirovanie strategii vyvoda sushhestvujushhego tovara na novyj rynok Jekonomiki T. 1. No 1 (1). P. 42-46.

3. Saitgareeva R.Sh., Kolesnikov A.A. Primenenie mehanizmov nechetkoj logiki dlja ocenki finansovo-hozjajst predprijatija Vestnik VJeGU. 2009. No 2. P. 77-83.

4. Batalov A.P. Metody povyshenija jeffektivnosti obuchenija nejronnoj seti Kohonena Vestnik Permskogo universitel Mehanika. Informatika. 2012. No 3 (11). P. 86-93.

5. Lila V.B. Algoritm i programmnaja realizacija adaptivnogo metoda obuchenija iskusstvennyh nejronnyh setej Inzh 2012. T. 19. No 1. P. 55-59.

6. Bulatov Ju.N., Popik V.A. Razrabotka modeli mikroprocessornogo avtomaticheskogo reguljatora vozbuzhder optimizacija ego nastroek Trudy Bratskogo gosudarstvennogo universiteta. Serija: Estestvennye i inzhenernye nauki. 2

7. Ljalin V.E., Solov'eva P.A. Jekonomicheskaja koncepcija planirovanija rashodnoj chasti bjudzheta munici| mnogourovnevoj sisteme bjudzhetirovanija s uchetom razlichnyh principov raspredelenija subvencij na razlichnyh urov analiz. 2009. No 4. P. 227-255.

8. Hlystova O.V. Strategicheskoe upravlenie na osnove nejrosetevogo modelirovanija Menedzhment v Rossii i za rub 18-24.

& Tweet Jj Нравится

|<} 0 I Яндекс. Виджет IN NOV

архив: 2013 2012 2011 1999-2011 новости ИТ гость портала 2013 тема недели 2013 поздравления

иль Ое ботэ

Online-магазт

В | Г I

1 960 руб.

4 380 руб.

4 840 руб.

1

1 940 руб.

i

4 940 руб.

470 руб

Реклама на INNOV.RU Партнеры История компании О компании Услуги Создать сайт Стена памяти Поиск

© 1996-2017 INNOV.RU (Иннов.ру) - информационное агентство, ООО «Иннов».

* - правила пользования

Свидетельство Управления Федеральной службы по надзору в сфере связи, информационных технологий и массовых коммуникаций по Нижегородской области ИА № ТУ 52-0604 от 29 февраля 2012 г ISSN: 2414-5122

Веб-студия «INNOV» - продвижение и разработка сайта