Актуальные проблемы авиации и космонавтики. Информационные технологии
почты на бумажном носителе и электронной почты в виде файла формата Excel.
Необходимость проведения работы по автоматизации процесса управления выполнением плана государственного задания связана с потребностью Центра в упорядочении и более четкой координации деятельности его подразделений, а также продиктована потребностью в повышении качества и скорости сбора оперативных данных, учета, контроля и координации работ по выполнению плана, обобщая информацию по выполнению в единой базе данных, применяя для этого современную компьютерную технику, средства коммуникации и программное обеспечение, что даст возможность централизованного ведения, хранения, обработки информации и коллективного доступа к ней посредством WEB-интерфейса с использованием каналов связи Интернет.
Создание автоматизированной системы управления выполнением плана государственного задания в рассматриваемом учреждении требует решения ряда задач, к числу которых относятся разработка базы данных и программного обеспечения для работы с ней. В качестве системы управления базы данных выбрана СУБД Microsoft SQL Server от корпорации Microsoft с используемым языком запросов Transact-SQL. Программное обеспечение реализуется с использованием технологии ASP.NET, конкретнее, MVC 3 Framework [3], который используется для создания веб-приложений и веб-сервисов.
Внедрение в Центре гигиены и эпидемиологии разрабатываемой автоматизированной системы управления позволит:
- решить вопросы оперативного учета по работе с государственным заданием и выдачей необходимого потока информации в виде отчетных документов;
-- оперативно работать с актуальной информацией подразделениям учреждения и филиалам и осуществлять текущий контроль;
— избавиться от бумажных носителей внутри организации;
-- сократить процесс обработки и формирования информации по плану.
Однако проводимая автоматизация осложняется наличием в Центре гигиены и эпидемиологии Красноярского края определенных организационных проблем, требующих в настоящее время своего решения для того, чтобы внедрение разрабатываемой системы оказалось в конечном счете успешным. Это, во-первых, необходимость в актуальной онлайн-информации на текущий день, связанной с работой службы в целом, что требует наличия в каждом территориальном подразделении специалиста по актуализации информации или целого отдела в центральном аппарате. Во-вторых, - отсутствие утвержденной формы отчета по выполнению государственного задания и его финансового обеспечения в учреждении.
Библиографические ссылки
1. Официальный сайт Роспотребнадзора по Красноярскому краю. URL: http://24. rospotrebnadzor.ru /center/
2. URL: http://bus.gov.ru/public/agency/agency.html? agency=151423&activeTab=2
3. URL: http://msdn.microsoft.com/ru-ru/library/gg41 6514(v=VS. 98). aspx.
4. Шилдт, Герберт. С# 4.0: полное руководство : пер. с англ. М. : Вильямс, 2011. 1056 с.: ил. Парал. тит. англ.
5. Троелсон Э. Язык программирования С# 2010 и платформа .NET 4.0. 5-е изд. : пер. с англ. М. : Вильямс, 2011. 1392 с.: ил. - Парал. тит. англ.
© Тычков С. А., 2013
УДК 004.942
В. С. Хохлова Научный руководитель - И. В. Лёзина Самарский государственный аэрокосмический университет имени академика С. П. Королёва (национальный исследовательский университет), Самара
ПРИМЕНЕНИЕ РАЗЛИЧНЫХ АЛГОРИТМОВ ИНИЦИАЛИЗАЦИИ ВЕСОВЫХ КОЭФФИЦИЕНТОВ НЕЙРОННОЙ СЕТИ ДЛЯ ПРОГНОЗИРОВАНИЯ БИРЖЕВОГО ИНДЕКСА HANG SENG
Оописано исследование 2 стохастических методов численной оптимизации для инициализации весов нейронной сети (алгоритм имитации отжига и эволюционный алгоритм).
В наши дни возрастает необходимость в системах, которые способны не только выполнять однажды запрограммированную последовательность действий над заранее определенными данными, но и способны сами анализировать вновь поступающую информацию, находить в ней закономерности, производить прогнозирование и т. д. В этой области приложений самым лучшим образом зарекомендовали себя так
называемые нейронные сети. Нейронные сети не программируются в привычном смысле этого слова, они обучаются. Для обучения сети использовался алгоритм наискорейшего спуска с моментами и метод обратного распространения ошибки [1]. Необходимым условием для обучения нейронной сети является начальная инициализация синаптических весов нейронов. В данной работе были исследованы два метода
Секция «Информационные системы и технологии»
инициализации: алгоритм имитации отжига и эволюционный метод.
Рассмотрим конфигурацию нейронной сети для прогнозирования индекса Hang Seng [2]. Прогноз осуществляется на 4 дня при наличии статистики по индексу за предыдущие 6 месяцев работы биржи (для обучения и тестирования сети). Оптимальная конфигурация сети и начальные данные выборки: тестовая выборка - 100 индексов, число итераций обучения 1000, коэффициент обучения - 0,6, момента - 0,2, входной слой - 5 нейронов, выходной - 4.
Алгоритм имитации отжига
Метод имитации отжига представляет собой алгоритмический аналог физического процесса управляемого охлаждения [3]. Исследуем зависимость СКО тестирования от метода имитации отжига, функцией активации нейрона и начальной температурой. Параметр метода: изменение температуры - 0,5. Результаты представлены в табл. 1.
Таблица 1
Зависимость СКО от функции активации нейрона и начальной температурой
Таким образом, оптимальное значение начальной температуры - 50.
Эволюционный метод инициализации Метод многомерной математической оптимизации, относящийся к классу стохастических алгоритмов оптимизации (то есть работает с использованием случайных чисел) и использующий некоторые идеи генетических алгоритмов. Это прямой метод оптимизации, то есть он требует только возможности вычислять значения целевой функций, но не её производных [4]. Исследуем зависимость СКО тестирования от эволюционного метода инициализации весов, функцией активации нейрона и количества поколений. Основные параметры эволюционного метода: число векторов - 5, коэффициент - 1, вероятность мутации - 0,5. Результаты представлены в табл. 2.
Таким образом, оптимальное значение количества поколений для данного метода - 10.
Была разработана автоматизированная система для прогнозирования индексов, с помощью которой был получен прогноз индекса Hang Seng, представленный на рисунке. Для получения прогноза использовались выборка значений индекса за период с 25.09.2012 по 25.02.2013.
Таблица 2
Зависимость СКО от функции активации нейрона и числа поколений
Функция ^^■^^..активации Число поколений Сигмоидальная Тангенс
10 0,0031 0,0023
50 0,0059 0,0074
150 0,0073 0,0084
300 0,0071 0,0079
500 0,0071 0,0089
HSI
tljl4lt7|4.....................................................
Прогноз индекса Hang Seng после дообучения сети на один день
Библиографические ссылки
1. Хайкин С. Нейронные сети: полный курс. М. : Вильямс, 2006. 1104 с.
2. Автоматизированная система прогнозирования изменения индекса Hang Seng с применением многослойного персептрона / Современное общество, образование и наука : сб. науч. тр. Междунар. заоч. науч.-практ. конф. в 3 ч.. Ч. 2; Мин. образования и науки РФ. Тамбов : Бизнес-Наука-Общество, 2012. С. 87-88.
3. Осовский С. Нейронные сети для обработки информации. М. : Финансы и статистика, 2002. 344 с.
4. Дифференциальная эволюция. URL: http://en. wikipedia.org/wiki/Differential_evolution.
© Хохлова В. С., 2013
Функция ^^^■^.активации Начальная t Сигмоидальная Тангенс
10 0,0024 0,0018
25 0,0018 0,0023
50 0,0007 0,0002
100 0,0017 0,0012
250 0,0017 0,0018