CC BY
43их объем по отдельным подразделениям; маршруты движения и жизненный цикл документов. Одним из основных достоинств данного метода является большая ориентированность на использование средств вычислительной техники, поскольку они используют структуры данных, обработка которых хорошо реализована на алгоритмическом уровне. Наиболее приемлемым является использование графических методов в совокупности с формализованными методами, допускающих переход от одного метода к другому и методы компьютерного графического моделирования.
Из множества вышеперечисленных методов наибольшее предпочтение можно отдать графическому методу, в частности одной из методологий семейства IDEF - IDEF1. Данная методология применяется для построения информационной модели, при создании которой решаются преимущественно следующие задачи:
- определение самой информации и структуры ее потоков, имеющей отношение к деятельности предприятия;
— определение существующих правил и законов, по которым осуществляется движение информационных потоков, а также принципов управления ими;
— выяснение взаимосвязей между существующими информационными потоками в рамках предприятия;
— выявление проблем, возникающих вследствие недостатка качественного информационного менеджмента.
Т.е. с помощью IDEF1 происходит анализ существующей информации о различных объектах в области деятельности предприятия. Характерно то, что IDEFl-модель включает в рассмотрение не только автоматизированные компоненты, базы данных и соответствующую им информацию, но также и реальные объекты, такие как сами сотрудники, кабинеты, телефоны и т.д. Методология IDEF1 позволяет на основе простых графических изображений моделировать информационные взаимосвязи и различия между реальными объектами, используемыми для приобретения, накопления, применения и управления информацией.
список литературы
1. Садовников В.И., Эпштейн П.Л. Потоки информации в системах управления. М.: Энергия, 1973. 240 с.
2. Системный анализ в управлении // под ред. А.А. Емельянова. М.: Финансы и статистика, 2002. 368 с.
ПОРТНОВ Михаил Семенович - кандидат социологических наук, доцент кафедры математических и инструментальных методов экономики. Чебоксарский кооперативный институт (филиал) Российского университета кооперации. Россия. Чебоксары. E-mail: kaf-mime@yandex.ru
PORTNOV, Mikhail Semenovich - Candidate of Sociological Sciences, Associate Professor of Mathematical and Tool Methods of Economy. Cheboksary Cooperative Institute (branch) of Russian University of Cooperation. Russia. Cheboksary. E-mail: kaf-mime@yandex.ru
уцк 519.211
применение нейронных сетей для классификационного анализа
А.в. Речнов
Рассмотрено применение нейронных сетей в процессе информатизации сферы российского образования с целью совершенствования учебно-воспитательного процесса. Выявлены узловые проблемы их применения, отмечено повышение роли классификационного анализа во всех сферах деятельности образовательных, управленческих и хозяйствующих субъектов. Даны отдельные рекомендации по внедрению новых информационных технологий в учебный процесс Чебоксарского кооперативного института (филиала) Российского университета кооперации.
Ключевые слова: компьютер; информационные технологии; нейронные сети; учебный процесс; классификационный анализ; задача; решение; оптимизация.
A.V. Rechnov. APPLICATION OF NEURAL NETWORKS FOR THE CLASSIFICATION ANALYSIS
The article discusses the use of neural networks in the process of informatization of the Russian
142
Вестник Российского УНИВЕРСИТЕТА КООПЕРАЦИИ. 2013. №4(14)
sphere of education in order to improve the educational process. Identified the key problems of their application, was an increase in the role of classification analysis in all areas of education , management and business entities. Given some recommendations for the implementation of new information technologies in the educational process of the Cheboksary Cooperative Institute (branch) of the Russian University of Cooperation.
Keywords: computer; information technology; neural network learning process; classification analysis; problem; solution optimization.
Современный период развития сферы российского образования характеризуется процессом информатизации, который предполагает реализацию возможностей информационных технологий (ИТ) с целью совершенствования учебно-воспитательного процесса, организационных форм и методов обучения, воспитания, обеспечивающих развитие обучающегося, формирование умений по осуществлению самостоятельной учебной деятельности по сбору, обработке, передаче информации об изучаемых объектах, явлениях и процессах.
Современный уровень развития общества характеризуется постоянно развивающимися средствами информационных технологий (ИТ), отличительными чертами которых является их интеграция с научными и производственными сферами. Объективно происходящий процесс информатизации общества существенным образом влияет на цели и содержание образования, предъявляет новые требования к ним.
Одним из наиболее важных требований, предъявляемым к профессиональной подготовке студентов экономических специальностей, является умение применять различные программные продукты для достижения поставленной цели, а так же знание функциональных и дидактических возможностей средств ИТ. Как следствие процесса информатизации общества, информатизация сферы образования способствует поиску путей использования потенциала средств ИТ с целью повышения эффективности учебного процесса, развитию у студентов экономических специальностей навыков использования средств ИТ в будущей профессиональной деятельности.
В условиях современной рыночной экономики повышается роль классификационного анализа во всех сферах деятельности, решение задач, связанных с классификацией, становится неотъемлемой частью системы управления экономическим развитием государства на всех уровнях принятия решений. Кроме того, повышается роль классификационного анализа как инструмента контроля за ходом реализации планов и программ в масштабах предприятия, региона и экономики в целом. В странах с развитой рыночной моделью экономики классификационный анализ и планирование являются важнейшим
инструментом государственного регулирования экономики. Применяя такой инструмент, эти страны добились большого успеха в техническом прогрессе, повышении уровня жизни населения и других социально-экономических областях. В виду этого, обучение студентов экономических специальностей навыкам использования современных средств ИТ для классификационного анализа является приоритетным направлением вузовского образования.
Решение задач классификации является одним из важнейших применений нейронных сетей. Задача классификации представляет собой задачу отнесения образца к одному из нескольких попарно не пересекающихся множеств. Примером таких задач может быть, например, задача определения кредитоспособности клиента банка, медицинские задачи, в которых необходимо определить, например, исход заболевания, решение задач управления портфелем ценных бумаг (продать, купить или «придержать» акции в зависимости от ситуации на рынке), задача определения жизнеспособных и склонных к банкротству фирм.
Нейронные сети являются наиболее эффективным способом классификации, потому что генерируют большое число регрессионных моделей (которые используются в решении задач классификации статистическими методами).
Однако, в применении нейронных сетей в практических задачах возникает ряд проблем. Во-первых, заранее неизвестно какой сложности (размера) может потребоваться сеть для достаточно точной реализации отображения. Эта сложность может оказаться чрезмерно высокой, что потребует сложной архитектуры нейронной сети.
При решении задач классификации необходимо отнести имеющиеся статические образцы (характеристики ситуации на рынке, данные медосмотра, информация о клиенте) к определенным классам. Возможно несколько способов представления данных. Наиболее распространенным является способ, при котором образец представляется вектором. Компоненты этого вектора представляют собой различные характеристики образца, которые влияют на принятие решения о том, к какому классу можно отнести данный образец. Напри-
мер, для медицинских задач в качестве компонентов этого вектора могут быть данные из медицинской карты больного. Таким образом, на основании некоторой информации об образце, необходимо определить, к какому классу его можно отнести. Классификатор таким образом относит объект к одному из классов в соответствии с определенным разбиением ^мерного пространства, которое называется пространством входов, и размерность этого пространства соответствует количеству компонент вектора.
Для построения классификатора необходимо определить, какие параметры влияют на принятие решения о том, к какому классу принадлежит образец. При этом могут возникнуть две проблемы. Во-первых, если количество параметров мало, то может возникнуть ситуация, при которой один и тот же набор исходных данных соответствует образцам, находящимся в разных классах. Тогда невозможно обучить нейронную сеть, и система не будет корректно работать (невозможно найти минимум, который соответствует такому набору исходных данных). Исходные данные обязательно должны быть непротиворечивы. Для решения этой проблемы необходимо увеличить размерность пространства признаков (количество компонент входного вектора, соответствующего образцу). Но при увеличении размерности пространства признаков может возникнуть ситуация, когда число образцов может стать недостаточным для обучения сети, и она вместо обобщения просто запомнит примеры из обучающей выборки и не сможет корректно функционировать. Таким образом, при определении признаков необходимо найти компромисс с их количеством.
Далее необходимо определить способ представления входных данных для нейронной сети, то есть определить способ нормирования. Нормировка необходима, поскольку нейронные сети работают с данными, представленными числами в диапазоне 0...1, а исходные данные могут иметь произвольный диапазон или вообще быть нечисловыми данными. При этом возможны различные способы, начиная от простого линейного преобразования в требуемый диапазон и заканчивая многомерным анализом параметров и нелинейной нормировкой в зависимости от влияния параметров друг на друга.
Задача классификации при наличии двух классов может быть решена на сети с одним нейроном в выходном слое, который может принимать одно из двух значений 0 или 1, в зависимости от того, к какому классу принадлежит образец. При наличии нескольких классов воз-
никает проблема, связанная с представлением этих данных на выходе нейронной сети. Наиболее простым способом представления выходных данных в таком случае является вектор, компоненты которого соответствуют различным номерам классов. При этом /-я компонента вектора соответствует /'-му классу. Все остальные компоненты при этом устанавливаются в 0. Тогда, например, второму классу будет соответствовать 1 на 2 выходе сети и 0 на остальных.
При интерпретации результата обычно считается, что номер класса определяется номером выхода сети, на котором появилось максимальное значение. Например, если в сети с тремя выходами мы имеем вектор выходных значений (0.2, 0.6, 0.4), то мы видим, что максимальное значение имеет вторая компонента вектора, значит класс, к которому относится этот пример - 2. При таком способе кодирования иногда вводится также понятие уверенности сети в том, что пример относится к этому классу. Наиболее простой способ определения уверенности заключается в определении разности между максимальным значением выхода и значением другого выхода, которое является ближайшим к максимальному. Например, для рассмотренного выше примера уверенность сети в том, что пример относится ко второму классу, определится как разность между второй и третьей компонентой вектора и равна 0.6-0.4=0.2. Соответственно, чем выше уверенность, тем больше вероятность того, что сеть дала правильный ответ. Этот метод кодирования является самым простым, но не всегда самым оптимальным способом представления данных.
Следующим важным моментом при решении задач классификации является правильный выбор архитектуры нейронной сети. Построить небольшую и качественную нейронную сеть часто бывает просто невозможно, а большая нейронная сеть будет просто запоминать примеры из обучающей выборки и не производить аппроксимацию, что, естественно, приведет к некорректной работе классификатора. Существуют два основных подхода к построению нейронной сети - конструктивный и деструктивный.
При первом из них вначале берется нейронная сеть минимального размера, и постепенно увеличивают ее до достижения требуемой точности. При этом на каждом шаге ее заново обучают. Также существует так называемый метод каскадной корреляции, при котором после окончания эпохи происходит корректировка архитектуры нейронной сети с целью минимизации ошибки. При деструктивном подходе вначале берется нейронная сеть завышенного объема, и
144
вестник Российского университета кооперации. 2013. №4(14)
затем из нее удаляются узлы и связи, мало влияющие на решение. При этом полезно помнить следующее правило: число примеров в обучающем множестве должно быть больше числа настраиваемых весов. Иначе вместо обобщения нейронная сеть просто запомнит данные и утратит способность к классификации - результат будет не определен для образцов, которые не вошли в обучающую выборку.
При выборе архитектуры сети обычно опробуется несколько конфигураций с различным количеством элементов. При этом основным показателем является объем обучающего множества и обобщающая способность нейронной сети.
В Чебоксарском кооперативном институте Российского университета кооперации идет активное внедрение бесплатного программного обеспечения, распространяемого на условиях лицензии GPL, позволяющего обучать студентов экономических специальностей в рамках дисциплины «Интеллектуальные информационные системы» навыкам классификационного анализа с использованием бесплатной библиотеки «Fas tArtificialNeuralNetworkLibrary», имеющей следующие особенности:
• многослойная искусственная нейронная сеть;
• использование метода обратного распространения ошибки обучения;
• простота и удобство использования;
• высокая скорость работы (до 150 раз быстрее, чем выполнение других аналогичных коммерческих библиотек);
• универсальность (можно настроить множество параметров и особенностей в любой момент работы библиотеки);
• хорошая документированность;
• кросс-платформенность;
• несколько различных функций активации нейронной сети;
• возможность сохранения и загрузки нейронной сети;
• возможность использования чисел, как с фиксированной точкой, так и плавающей;
• оптимизированный внутренний кэш (для увеличения скорости работы нейронной сети);
• открытый исходный код (лицензирован под GPL).
список литературы
1. Речнов А.В. Интеллектуальные информационные системы: учеб. пособие. Чебоксары: ЧКИ РУК, 2010.
2. Лапыгин Ю.Н. Крылов В.Е., Чернявский А.П. Экономическое прогнозирование: учеб. пособие. М.: Эксмо, 2009.
3. Ширяев В.И. Финансовые рынки. Нейронные сети, хаос и нелинейная динамика. М.: Ли-броком, 2009.
РЕЧНОВ Алексей Владимирович - кандидат педагогических наук, доцент кафедры математических и инструментальных методов экономики. Чебоксарский кооперативный институт (филиал) Российского университета кооперации. Россия. Чебоксары. E-mail: kaf-mime@yandex.ru
RECHNOV, Alexey Vladimirovich - Candidate of Pedagogical Sciences, Associate Professor of Mathematical and Tool Methods of Economy. Cheboksary Cooperative Institute (branch) of Russian University of Cooperation. Russia. Cheboksary. E-mail: kaf-mime@yandex.ru
удк 574: 658
отчетности организации в сфере охраны окружающей среды
А.г. соколова
Рассматриваются вопросы охраны окружающей среды, методические подходы к определению зависимости экономического и финансового положения предприятия от экологического состояния региона, размера природоохранных затрат предприятия в зависимости от количества потребляемых природных ресурсов и уровня осуществляемого предприятием загрязнения. Предложены меры специального учетного стандарта, посвященного природоохранным затратам.
Ключевые слова: охрана окружающей среды; экология; отчетность; методические подходы; организации; финансы; статистика; эффективность управления.
