Главная Обратная связь

Дисциплины:

Архитектура (936)
Биология (6393)
География (744)
История (25)
Компьютеры (1497)
Кулинария (2184)
Культура (3938)
Литература (5778)
Математика (5918)
Медицина (9278)
Механика (2776)
Образование (13883)
Политика (26404)
Правоведение (321)
Психология (56518)
Религия (1833)
Социология (23400)
Спорт (2350)
Строительство (17942)
Технология (5741)
Транспорт (14634)
Физика (1043)
Философия (440)
Финансы (17336)
Химия (4931)
Экология (6055)
Экономика (9200)
Электроника (7621)






Для проведення конкурентного аналізу. Для проведення контролю рівня конкурентоспроможності підприємства необхідно побудувати нейромережну модель на основі багатошарового нейронного персептрона



Для проведення контролю рівня конкурентоспроможності підприємства необхідно побудувати нейромережну модель на основі багатошарового нейронного персептрона [14]. При проведенні кластерного аналізу проведено градацію всіх досліджуваних підприємств на три кластери з високим, несталим та низьким рівнем їх конкурентоспроможності. Таке групування виступає якісними характеристиками, які повинні обов’язково бути при проведенні моделювання на основі нейронного персептрона. При проведенні конкурентного аналізу доцільно побудувати багатошаровий нейронний персептрон з елементами самонавчання.

При побудові нейронної моделі задається навчальна, контрольна й тестова множини підприємств. Загальна ідея завдання навчальної вибірки полягає в такому: спочатку на вхід мережі подається навчальна вибірка з відомими результатами (величини Х) і спостерігаються відгуки Y = F(X). Міняючи ваги й значення порогу активації для кожного нейрона, будується мережа, іншими словами, знаходимо як можна більш точне наближення функції F.

Далі на тестовій вибірці екзаменується побудована мережа або мережі, якщо їх небагато. Якщо мережа пройшла іспит, ми можемо використати її для аналізу даних, провести класифікацію. Майстер рішення завдань розбиває вибірку на навчальну (чорні кольори значень), контрольну (сині кольори) і тестову вибірки (червоні кольори).

Також варто задати типи мереж, серед яких буде організований пошук. Для даної моделі виберемо лінійну модель, що дозволяє зрівняти якість побудованих мереж і визначити параметри, що дають абсолютний мінімум помилок; і задамо багатошаровий персептрон, за допомогою якого можливий більш точний і правильний результат моделі.

Після цього необхідно задати кількість нейронів у прихованому шарі тришарового персептрона. Визначення числа прихованих шарів і числа нейронів у кожному шарі для конкретного завдання є неформальною проблемою, при рішенні якої можна використати евристичне правило: число нейронів у наступному шарі у два рази менше, ніж у попередньому.

Побудована нейронна мережа на основі заданих значень має такий вигляд (рис. 6.19).

З рис. 6.19 видно, що в багатошарових мережах установлюються зв'язки тільки між нейронами сусідніх шарів. Кожний елемент може бути з'єднаний зв'язком, що модифікує, з будь-яким нейроном сусідніх шарів, але між елементами одного шару зв'язку немає. При розпізнаванні образів вхідний вектор відповідає набору ознак, а вихідний – образам, які розпізнаються. Прихований шар призначений для відбиття специфіки знань.

У табл. 6.5 показано 10 кращих мереж, знайдених радником. У стовпці Type зазначений тип мереж: Linear – лінійний, MLP – багатошаровий персептрон. Далі в таблиці результатів ідуть стовпці:

Рис. 6.19. Архітектура мережі нейронного персептрона

 

Отримані результати обчислень при побудові мережі представлено в табл. 6.5.

 

Таблиця 6.5


Эта страница нарушает авторские права

allrefrs.ru - 2019 год. Все права принадлежат их авторам!