CC BY
27
МЕЖДУНАРОДНЫЙ НАУЧНЫЙ ЖУРНАЛ «ИННОВАЦИОННАЯ НАУКА» №6/2016 ISSN 2410-6070
социальной структуре общества и включения потребителей как ролевой группы в систему социальных отношений и социального взаимодействия. Данный подход позволяет рассматривать рациональность и иррациональность потребительского поведения в зависимости от действия конкретных социальных и экономических условий. Немецкий социолог Г. Зиммель выдвинул ряд ключевых идей потребления в контексте теории моды. Потребление рассматривается в контексте его социальной природы: в процессе социального самоутверждения и идентификации. Социолог Т.Веблен предложил теорию показного, или престижного потребления. С развитием идей постиндустриального общества, все больше внимания исследователей стало привлекать воздействие «культурного капитала». Представители этого подхода -французские социологи П. Бурдье и Ж. Бодрийяр[1, с. 75]. Бурдье в предложенной теории «поля» акцент делает на индивидуальных особенностях реакции на стимулы внешней среды.
Социально-психологический подход
Социально-психологический подход сформировался при изучении иррациональной природы потребительского поведения, а также глубинных мотивов поведения человека. Большой вклад в развитие данного направления внёс З.Фрейд. Сторонник крайнего индивидуализма, он считает, что мораль и стереотипы поведения навязываются человеку обществом, тем самым подавляя его индивидуальность, его естественные влечения. При анализе потребительского поведения важно учитывать все вышеперечисленные модели в комплексе, так как феномен потребительского поведения - сложное, многофакторное образование.
Список использованной литературы:
1.Котлер, Ф. Основы маркетинга: пер. с англ. - М. «Бизнес-книга»/Ф. Котлер. - «ИМА - Кросс. Плюс». -1995г. - с.155
2.Радаев, В.В. Социология потребления: основные подходы.// СоцИс.2005.№1,с.5
© Тихонова А.А., 2016
УДК 004.8
Шевчун В.А.
Магистрант 1 курса факультета математики и информационных технологий
Научный руководитель: Семёнов А.М. к.т.н. доцент кафедры программного обеспечения вычислительной техники и автоматизированных систем Оренбургский государственный университет, г. Оренбург, Российская Федерация
ВЫБОР МЕТОДА АВТОМАТИЗАЦИИ ПРОЦЕССА ПРОГНОЗИРОВАНИЯ ДЕМОГРАФИЧЕСКОЙ СИТУАЦИИ В ОРЕНБУРГСКОЙ ОБЛАСТИ
Основой для прогнозирования демографической ситуации Оренбургской области являются демографические данных прошедших лет, такие как уровни рождаемости, смертности и естественный прирост населения. Эти данные представляют собой временные ряды и загружаются программным средством из файла. Для их обработки и использования в обучении сети и дальнейшем прогнозировании их необходимо представить в определенной форме. Данные в программе представлены в форме двумерного массива.
Для решения задачи прогнозирования демографической ситуации Оренбургской области имеется три метода: нейронный метод прогнозирования, нечеткий метод и нейро-нечеткий метод прогнозирования.
Нейронный метод прогнозирования основывается на нейронной сети. Нейронная сеть может быть представлена направленным графом с взвешенными связями, в котором искусственные нейроны являются вершинами, а синаптические связи - дугами. Нейронные сети широко используются для решения
_МЕЖДУНАРОДНЫЙ НАУЧНЫЙ ЖУРНАЛ «ИННОВАЦИОННАЯ НАУКА» №6/2016 ISSN 2410-6070_
разнообразных задач, в частности задачи прогнозирования. Для нейронной сети задача прогнозирования может быть поставлена таким образом: найти наилучшее приближение функции, заданной конечным набором входных значений (обучающих примеров) [1].
Нечеткий метод. Нечетким временным рядом (НВР) называют упорядоченную в равноотстоящие моменты времени последовательность наблюдений над некоторым процессом, состояния которого изменяются во времени, если значение состояния процесса в момент ti может быть выражено с помощью нечеткой метки xi. Под нечеткой меткой будем понимать нечеткое множество, терм некоторой лингвистической переменной, соответствующий экспертной оценке состояния объекта исследования. Нечеткая метка может быть сформирована непосредственно экспертом или получена на основе преобразования исходного временного ряда [1].
Нейро-нечеткий метод. ANFIS (Adaptive-Network-Based Fuzzy Inference System) - адаптивная сеть нечеткого вывода, реализует нечёткую систему Такаги - Сугено и представляет собой пятислойную нейронную сеть прямого распространения сигнала. Структура ANFIS гарантирует, что каждый лингвистический термин представлен только одним нечётким множеством.
Для реализации математического аппарата выбран третий рассмотренный метод: нейро-нечеткий.
Моделирующий аппарат используется следующим образом: выполняется кластеризация на наборах данных x и y, где x - это входные данные, представляющие собой обучающую выборку демографических данных, а y - выходные данные, то есть прогноз демографической ситуации. Далее проводится инициализация нечетких множеств Ai и Bi с использованием полученных ранее кластеров. Настраиваются параметры с помощью обратного распространения ANFIS - сети с целью улучшения логического вывода системы. Если во время обучения сети на входе не обрабатывается никакое правило, то можно добавить новое правило в базу правил, или исправить уже существующее правило, чтобы исправить проблему.
Поддерживаются следующие функции принадлежности: треугольная, фколоколообразная и гауссовская функция.
Рисунок 1 - Схема ANFIS-сети
Введем обозначения, необходимые для дальнейшего изложения: х1, %2,... хп - входы сети, представляющие собой демографические данные (смертность, рождаемость). у - выход сети - прогноз демографической ситуации (прогноз смертности и рождаемости) Яг: если х1 = а1г и ... и хп = ап г, то у = Ь0х1 + Ьп гхп -нечеткое правило с порядковым номером г; т - количество правил ,г = 1, т;
щ,г - нечеткий терм с функцией принадлежности ^г(х;), применяемый для лингвистической оценки переменной х± в г-ом правиле (г = 1 , т, I = 1 , п);
Ьч г - действительные числа в заключении г-го правила (г = 1, т,ц = 0 , п). АКБК-сеть функционирует следующим образом.
Слой 1. Каждый узел первого слоя представляет один терм с колокообразной функцией принадлежности. Входы сети х1, Х2,... хп соединены только со своими термами. Количество узлов первого слоя равно сумме мощностей терм-множеств входных переменных. Выходом узла являются степень принадлежности значения входной переменной соответствующему нечеткому терму:
^Г(Х()
IX.--C
1+М-
I а
.-с|2Ь'
где a, b и c - настраиваемые параметры функции принадлежности.
_МЕЖДУНАРОДНЫЙ НАУЧНЫЙ ЖУРНАЛ «ИННОВАЦИОННАЯ НАУКА» №6/2016 ISSN 2410-6070_
Слой 2. Количество узлов второго слоя равно m. Каждый узел этого слоя соответствует одному нечеткому правилу. Узел второго слоя соединен с теми узлами первого слоя, которые формируют антецеденты соответствующего правила. Следовательно, каждый узел второго слоя может принимать от 1 до n входных сигналов. Выходом узла является степень выполнения правила, которая рассчитывается как произведение входных сигналов. Обозначим выходы узлов этого слоя через тг, г = 1, т.
Слой 3. Количество узлов третьего слоя также равно m. Каждый узел этого слоя рассчитывает относительную степень выполнения нечеткого правила:
^7=1 ,тТ]
Слой 4. Количество узлов четвертого слоя также равно т. Каждый узел соединен с одним узлом третьего слоя, а также со всеми входами сети (на рис. 1 связи с входами не показаны). Узел четвертого слоя рассчитывает вклад одного нечеткого правила в выход сети:
Уг = ,Г + Й1,Г*1 + '■■ + Ьп,ГХп)-
Слой 5. Единственный узел этого слоя суммирует вклады всех правил:
У = У1 + ш" + Уг + ш" + Ут ■ Данная методика используется в разработанном программном средстве в качестве математического аппарата. Экранная форма разработанного программного средства представлена на рисунке 2.
X
г
Рисунок 2 - Экранная форма разработанного программного средства
Список использованной литературы:
1. Афанасьева, Т. В. Моделирование нечетких тенденций временных рядов / Т. В. Афанасьева. - Ульяновск : УлГТУ, 2013. - 215 с.
2. Ярушкина, Н. Г. Интеллектуальный анализ временных рядов / Н. Г. Ярушкина, Т.В. Афанасьева, И.Г. Перфильева. - Ульяновск : УлГТУ, 2010. - 320 с.
3. Электронны ресурс. Демографическое прогнозирование как разновидность социального прогнозирования. УДК 314. Дрепа Е.Н.
© Семёнов А.М, Шевчун В.А, 2016
