О применении искусственных нейронных сетей к прогнозированию закупок на торговом предприятии Текст научной статьи по специальности «Компьютерные и информационные науки»

состав компонентов и процессы, протекающие в них. Выбранный способ наглядно демонстрирует и значительно облегчает понимание процессов, протекающих при проведении лабораторной работы. Также ведется работа по расширению возможностей удаленных пользователей при проведении работ на данном оборудовании.

Подводя итог, отметим, что авторами ведется доработка существующего автоматизированного лабораторного комплекса с целью повышения его эффективности, расширение возможностей как пользователей, так и преподавателей вуза и администраторов сети.

Библиографические ссылки

1. Кирсанов А. Ю. Методика экспериментального исследования динамики работы системы дистанционного управления экспериментом через информационные сети общего пользования // Электронное приборостроение : научно-практ. сборник. 2005. № 3(44). С. 42-49.

2. Кирсанов А. Ю. Дистанционный эксперимент на основе совмещения телекоммуникационных и измерительно-управляющих систем : дис. Казань. 2007.

3. Образовательные, научные и инженерные приложения в среде Lab VIEW и технологии National Instruments : сб. тр. Междунар. науч.-практич. конф. M., 2006.

References

1. Kirsanov A. Ju. Metodika jeksperimental'nogo issledovanija dinamiki raboty sistemy distancionnogo upravlenija jeksperimentom cherez informacionnye seti obshhego pol'zovanija // Jelektronnoe priborostroenie. Nauchno-prakticheskij sbornik. 2005. № 3(44). S. 42-49.

2. Kirsanov A. Ju. Distancionnyj jeksperiment na osnove sovmeshhenija telekommunikacionnyh i izmeritel'no-upravljajushhih sistem. Dissertacija. Kazan'. 2007.

3. Obrazovatel'nye, nauchnye i inzhenernye prilozhenija v sredeLabVIEW i tehnologii National Instruments. Sb. tr. Mezhdunar. nauch.-praktich. konf. M.: , 2006.

© Каменева Ю. С., Сысоев Е. А., Лева В. А., 2013

УДК 669.713.7

О ПРИМЕНЕНИИ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ К ПРОГНОЗИРОВАНИЮ ЗАКУПОК НА ТОРГОВОМ ПРЕДПРИЯТИИ

А. Н. Лебедев, В. С. Тынченко

Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Россия, 660014, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 Е-mail: [email protected]

Рассматривается проблема планирования закупок на торговом предприятии. В качестве способа ее решения предлагается применение искусственных нейронных сетей.

Ключевые слова: нейронные сети, торговая деятельность, прогнозирование закупок.

APPLICATION OF ARTIFICIAL NEURAL NETWORKS IN FORECASTING PROCUREMENT IN THE COMMERCIAL ENTERPRISE

A. N. Lebedev, V. S. Tynchenko

Siberian State Aerospace University named after academician M. F. Reshetnev 31, "Krasnoyarsky Rabochy" Av., Krasnoyarsk, 660014, Russia. E-mail: [email protected]

The problem of procurement planning for a commercial enterprise is considered. As a method to solve it the use of artificial neural networks is proposed.

Keywords: neural networks, trading activities, forecasting procurement.

В современном бизнесе к компаниям предъявляются все более высокие требования по конкурентоспособности и эффективности. Добиться требуемого уровня можно благодаря соблюдению основных принципов управления предприятием, одним из которых является планирование [1].

На торговом предприятии задачей планирования является определение максимально точного объема будущих продаж, на основе которого рассчитывается периодичность и объемы закупок товаров на склад. При этом издержки предприятия при хранении товаров на складе должны быть минимальными, а запас

Информационно-управляющие системы

товаров должен обеспечить потребности покупателей до следующей закупки.

Для определения закономерностей в данных по продажам строится временной ряд, который впоследствии анализируется. В процессе анализа выявляется структура временного ряда, на основе которой строится математическая модель, используемая для прогноза будущих значений временного ряда [2].

Использование статистических методов прогнозирования подходит для линейных математических моделей, во многих же случаях модели данных нелинейные, и именно поэтому статистические методы не всегда могут прогнозировать поворотные точки в цикле продаж. В свою очередь, временной ряд, имеющий нелинейную математическую модель, можно прогнозировать при помощи нейронной сети, что обосновано способностью нейронных сетей аппроксимировать нелинейные функции.

Для реализации нейронной сети необходимо выполнить следующие задачи:

- собрать данные, которые каким-либо образом могут влиять на будущие;

- подготовить данные, т. е. привести их к одной размерности, обеспечить непротиворечивость и т. п.;

- выбрать структуру искусственной нейронной сети;

- обучить нейронную сеть.

Для прогнозирования закупок на торговом предприятии данными, влияющими на результаты в будущем, могут являться следующие:

- объемы продаж за предыдущие периоды;

- объемы закупок за предыдущие периоды;

- количество нереализованных товаров;

- тенденция появления новинок в той или иной группе товаров;

- изменение цен у поставщиков;

- рекламная политика;

- количество точек продаж;

- сезонность.

После определения и подготовки входных и выходных данных необходимо перейти к задаче выбора структуры нейронной сети. Выбор структуры нейронной сети определяется количеством нейронов и слоев, наличием или отсутствием связей между нейронами и передаточной функцией. В большинстве случаев структура нейронной сети выбирается исходя из данных для обучения и поставленной задачи. Для прогнозирования закупок подходит многослойный пер-септрон, состоящий из входного слоя, образованного несколькими входными узлами, скрытого слоя и выходного слоя. Количество скрытых слоев может увеличиваться, но на начальном этапе можно использовать один. Архитектура многослойного персептрона представлена на рисунке [3].

Целью обучения нейронной сети является наилучшее решение поставленной задачи, которое обеспечивается определением оптимальных весовых коэффициентов.

По характеру обучения искусственные нейронные сети бывают «с учителем», «без учителя» и смешанные. Среди разнообразия алгоритмов обучения одним из самых распространенных является алгоритм об-

ратного распространения ошибки. При таком способе обучения вес нейронов изменяется в зависимости от их влияния на общую ошибку. В данном алгоритме применяется один из способов градиентного спуска, у которого есть и свои недостатки, которые необходимо учитывать. К этим недостаткам относят возможность попадания в локальный минимум, чрезмерное увеличение весов (паралич сети) и большое значение выбора размера шага [4].

Архитектура многослойного персептрона

Последовательность действий в данном алгоритме следующая:

- определить веса малыми случайными значениями;

- на вход отправить следующий по порядку входной вектор;

- вычислить выход сети;

- вычислить разность между полученным выходом и целевым (из обучающей пары);

- с целью минимизации ошибки откорректировать веса;

- повторять предыдущие четыре пункта до тех пор, пока ошибка не будет соответствовать минимальной допустимой погрешности прогноза.

После достижения минимальной погрешности нейронная сеть будет являться обученной и может быть запущена в пробную эксплуатацию, с обязательным контролем качества прогноза данной сети [5].

Реализация рассмотренного подхода в рамках автоматизированной системы прогнозирования продаж и закупок на торговом предприятии позволит снизить затраты на содержание большого штата сотрудников, занимающихся планированием, тем самым снизив фактор человеческой ошибки. А такие свойства, как самообучаемость и масштабируемость системы, смогут обеспечить возможность ее использования продолжительный период времени и, в конечном итоге, повысить конкурентоспособность и эффективность работы предприятия.

Библиографические ссылки

1. Арзуманова Т. И., Мачабели М. Ш. Экономика и планирование на предприятиях торговли и питания : учеб. пособие для вузов. М. : Дашков и К., 2011. 274 с.

2. Кондратов В. М. Управление продажами : учеб. пособие. М. : Юнити-Дана, 2012. 319 с.

3. Метод обратного распространения ошибки [Электронный ресурс]. URL: http://ru.wikipedia.org/ ■тЫ/Метод_обратного_распространения_ошибки.

4. Терехов С. А. Лекции по теории и приложениям искусственных нейронных сетей / Лаборатотория Искусственных нейронных сетей НТО-2, ВНИИТФ, [Электронный ресурс] Снежинск. URL: http://alife.narod.ru/lectures/neural/Neu_ch06.htm.

5. Хайкин С. Нейронные сети: Полный курс / пер. с англ. Н. Н. Куссуль, А. Ю. Шелестова. 2-е изд., испр. М. : Вильямс, 2008, 1103 с.

References

1. Arazumanova T. I., Machabeli M. Sh. Economica I planirovaniye na predpriyatiyah torgovli I pitaniya

(Economics and Planning in the trade and food) Moscow, 2011. 274 p.

2. Kondrashov V. M. Upravleniye prodazhami (Management of sales) Moscow, 2012. 319 p.

3. Wikipedia Backpropagation Available at: http://ru.wikipedia.org/wiki/Backpropagation (accessed 7 September 2013)

4. Snezhinsk, Terehov S. A. Lectures on the theory and applications of artificial neural networks // Laboratotory Artificial Neural Networks, Available at: http://alife.narod.ru/lectures/neural/Neu_ch06.htm

5. Simon Haykin Neural Networks translate by Shelestova A. Yu., Moscow, 2008, 1103 p.

© Лебедев А. Н., Тынченко В. С., 2013

УДК 621.791.722

АВТОМАТИЗИРОВАННАЯ ЭЛЕКТРОННО-ЛУЧЕВАЯ СВАРКА ТЕПЛОВЫХ ТРУБ

Р. В. Липатов, Е. Ю. Меньщиков, В. Д. Лаптенок

Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Россия, 660014, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 Е-mail: [email protected]

Приводится описание тепловых труб. Выделяются основные трудности при сварке алюминиевых тепловых труб. Приводится описание электронно-лучевой сварки. Выделяются основные преимущества и возможные проблемы рассматриваемого метода. Приведена структурная схема электронно-лучевой установки. Выделены проблемы ручного выполнения операций. Предлагается автоматизировать процесс электронно-лучевой сварки.

Ключевые слова: ЭЛУ, электронно-лучевая сварка, тепловые трубы, сварка, автоматизация.

AUTOMATED ELECTRON BEAM WELDING OF HEAT PIPES

R. V. Lipatov, E. Yu. Men'shchikov, V. D. Laptenok

Siberian State Aerospace University named after academician M. F. Reshetnev 31, "Krasnoyarsky Rabochy" Av., Krasnoyarsk, 660014, Russia. E-mail: [email protected]

The description of the heat pipe is given. The main difficulties in welding aluminum heat pipes are highlighted. The electron-beam welding is depicted. The main advantages and potential problems of this method are outlined. The block diagram of the electron beam installation is presented. The problem of manual operations is determined. Automating the process of electron beam welding is proposed.

Keywords: electron beam unit (EBU), electron beam welding, heat pipes, welding, automation.

Спутники производства ОАО «Информационные спутниковые системы им. академика М. Ф. Решетне-ва» в своем составе имеют порядка ста тепловых труб (ТТ) при размещении бортовой аппаратуры в открытом космическом пространстве.

ТТ предназначены для отвода тепла от тепловыделяющих приборов к радиационным поверхностям и выравнивания поля температур. ТТ устанавливаются внутри сотовых панелей в заправленном состоянии после подтверждения их работоспособности.

ТТ должны обеспечивать передачу тепловой мощности от зоны испарения к зоне конденсации в опре-

делённом диапазоне рабочих температур с требуемой разностью температур между ними [1].

Основные трудности при сварке алюминиевых тепловых труб:

- окисная пленка на поверхности свариваемого металла и пленка, образующаяся при сварке на поверхности капли металла, отделяемой от электрода и ванны, препятствует сплавлению частей металла и загрязняет сварной шов;

- затрудняется управление процессом сварки при большой разнице в температурах плавления окисной пленки и металла;