Добірка наукової літератури з теми "Нео-фаззі нейрон"

Метою статті є дослідження модульної ділянки ґрунту як об’єкту керування, яка є складною ро-зподіленою у просторі системою. Однією з характерних ознак складності об’єкта керування є неви-значеність у представленні його структури та поведінки. У рамках сучасної методології системно-го моделювання невизначеність може характеризувати наступні аспекти модельних уявлень: неяс-ність або нечіткість границі системи; неоднозначність семантики окремих термінів; неповнота модельних уявлень щодо певної складної системи; наявність протиріч між окремими компонентами модельних уявлень або вимог, які повинна задовольняти модель складної системи; невизначеність настання певних подій, які належать до можливості знаходження системи ‒ оригіналу в певному стані в майбутньому; лінгвістична невизначеність. На модульну ділянку ґрунту як об’єкт керування здійснюють вплив змінні збурення − погодні умови (температура й вологість повітря, швидкість ві-тру, сонячна радіація, опади). Від них залежить вихідний параметр − всмоктуючий тиск (вологість) ґрунту. Цьому об՚єкту керування притаманна стохастична невизначеність, оскільки його властиво-сті змінюються випадково. На сьогодні, крім класичних нейронних мереж, розвиваються гібридні, зокрема, нечіткі нейронні мережі. Вони об’єднують у собі переваги нейронних мереж і систем нечі-ткого виведення. Тому для моделювання ненасиченої зони модульної ділянки ґрунту як об’єкту керу-вання ґрунту застосовано саме гібридну нейро-нечітку мережу на основі нео-фаззі нейрона. Розроб-лені нео-фаззі моделі ненасиченої зони модульної ділянки ґрунту як об’єкта керування для прогнозу-вання всмоктуючого тиску ґрунту забезпечують вищу точність роботи, ніж багатошарові мережі прямого поширення. Водночас вони мають простішу архітектуру, що забезпечує легшу практичну реалізацію та більшу швидкість навчання. Розроблені нео-фаззі моделі можуть бути використані у складі автоматизованого робочого місця диспетчера зрошувальної системи і слугувати зручним ін-струментом для планування й керування режимами зволоження сільськогосподарських культур.

Having received a series of medical data that was pre-treated, the multidimensional neo-phase neuronal training was conducted on these data. The percentage of errors in training and testing of this system is obtained. For visibility of the results, a web application was created

В роботі розглянуто розподіл реальних медичних даних на діагнози для кожного з пацієнтів та розрахунок відсотку помилки при навчанні системи та при її тестуванні. Для розподілу медичних даних використано алгоритми навчання нео- фаззі мереж, на основі багатовимірного нео-фаззі нейрона. Так як медичні дані мають нелінійний розподіл, слід використовувати нейронні мережі з нелінійним розподілом даних.

Дисертацію присвячено розробці моделей та алгоритмів аналізу фінансового стану та прогнозування ризику банкрутства підприємств та банків в умовах невизначеності, неповної та недостовірної інформації на прикладі економіки України. Проаналізовано класичні статистичні методи прогнозування ризику банкрутства підприємств на основі методів багатовимірного дискримінантного аналізу, зокрема метод Альтмана. Виявлено його недоліки та недоцільність використання в умовах економіки України, оскільки він базується на використанні достовірної інформації про стан підприємств. Тому в роботі обгрунтовано використання для прогнозування ризику банкрутства в умовах неповноти та невизначеності нечітких нейронних мереж (НММ) з виведеннями Мамдані та Цукамото. В дисертації розроблено базу правил для вирішення задачі аналізу фінансового стану та прогнозування ризику банкрутства підприємств в умовах невизначеності для нейромереж Мамдані та Цукомото. Оскільки загальний розмір повної бази нечітких правил великий, що не дає можливості її навчання за короткий час, запропоновано спосіб скорочення розмірів бази правил та її наглядне представлення шляхом використання бальних оцінок. Розроблено алгоритми прогнозування ризику банкрутства підприємств з використанням ННМ Мамдані та Цукамото. Далі в роботі розглянуто нео-фаззі каскадні мережі для аналізу фінансового стану та прогнозуванню ризику банкрутства підприємств в умовах невизначеності. Їх особливостями є відсутність бази правил висновку, а також те, що функції належності фіксовані і не потребують навчання, навчаються лише лінійні параметри – ваги зв’язків ННМ. Тому ці мережі мають прискорену збіжність навчання в порівнянні з ННМ з висновками Мамдані та Цукамото. Проведено експериментальні дослідження запропонованих моделей та алгоритмів для прогнозування ризику банкрутства підприємств України та порівняльний аналіз з класичними методами. Результати експериментів показали, що точність прогнозування ризику банкрутства складає методом Альтмана - 68-70%, матричним методом - 80%, нео-фазі каскадною нейромережею - 87%, а ННМ Мамдані та Цукамото -88-90 %. В роботі також було досліджено проблему прогнозування ризику банкрутства в банківській сфері України в умовах невизначеності. Для вирішення цієї проблеми запропоновано використання ННМ TSK та ANFIS. Проведено експериментальні дослідження ефективності використання ННМ для прогнозування ризику банкрутства банків та порівняння зі статистичними моделями ARIMA, logit-model та probit–model, а також із нечітким МГУА. В результаті експериментів встановлено, що найбільшу точність прогнозування забезпечує використання ННМ TSK (2%) та нечіткого МГУА (4%), тоді як статистичні моделі мають точність: logit-model - 16%, probit –model - 14%) та ARIMA - 18%. В процесі експериментів також було визначено адекватні фінансово-економічні показники банків для прогнозування ризику банкрутства.
The thesis is devoted to the development of models and algorithms for analysis of financial state and forecasting of bankruptcy risk of enterprises and banks in condition of uncertainty, incomplete and unreliable information on the example of the Ukrainian economy. Classical statistical methods for predicting the risk of bankruptcy on the basis of multivariate discriminant analysis, in particular the method of Altman, are analyzed. It revealed its deficiencies and inappropriateness of its use in Ukraine's economy, since it is based on the use of reliable information on the state enterprises. Therefore, the use of fuzzy neural networks (FNN) with the conclusions Mamdani and Tsukamoto to forecast the risk of bankruptcy in the conditions of incompleteness and uncertainty is entirely justified. In the thesis rule base is developed for solving the problem of financial analysis and forecasting the risk of bankruptcy of enterprises for neural networks Mamdani and Tsukamoto. Since the total size of the comprehensive fuzzy rule base is great that does not allow its training in a short time, a method of reducing the size of the rule base and its visual representation through the use of scores is suggested. Algorithms for predicting the risk of bankruptcy of enterprises with FNN Mamdani and Tsukamoto are developed. Further in the paper the cascade neo-fuzzy network (CNFN) for predicting the risk of bankruptcy in condition of uncertainty is suggested. Its features is the absence of the rule base, as well as the fact that the membership functions are fixed and does not need training. Therefore, these networks have accelerated the convergence of training compared with FNN Mamdani and Tsukamoto. Experimental studies of the proposed models and algorithms for the forecasting of the risk of bankruptcy in Ukraine and comparative analysis with classical methods are presented. The experimental results showed that the accuracy of predicting the bankruptcy risk by Altmana- by 68- 70%, matrix method - 80%, cascade neo-fuzzy neural network - 87% and FNN Mamdanі and Tsukamoto - 88-90%. The paper also studied the problem of forecasting the risk of bankruptcy in the banking sector of Ukraine in conditions of uncertainty. To solve this problem using FNN TSK and ANFIS is proposed. Experimental research of effectiveness of using FNN to predict the risk of bank failures and comparison with statistical models ARIMA, logit-model, probit-model and fuzzy GMDH are presented. The experiment established that the greatest prediction accuracy allows the use of FNN TSK (2%) and fuzzy GMDH (4%), while the statistical models: logit-model - 16%, probit-model - 14% and ARIMA - 18%. During the experiments adequate financial and economic indicators of banks to predict the risk of bankruptcy were determined.
Диссертация посвящена разработке моделей и алгоритмов анализа финансового состояния и прогнозирования риска банкротства предприятий и банков в условиях неопределенности, неполной и недостоверной информации на примере экономики Украины. Проанализированы классические статистические методы прогнозирования риска банкротства предприятий на основе методов многомерного дискриминантного анализа, в частности метод Альтмана. Выявлено его недостатки и нецелесообразность использования в условиях экономики Украины, поскольку он базируется на использовании достоверной информации о состоянии предприятий. Поэтому в работе обосновано использование для прогнозирования риска банкротства в условиях неполноты и неопределенности нечетких нейронных сетей (ННС) с выводами Мамдани и Цукамото. В дисертации разработана база правил для решения задачи анализа финансового состояния и прогнозирования риска банкротства предприятий в условиях неопределенности для нейросетей Мамдани и Цукамото. Поскольку общий размер полной базы нечетких правил большой, что не дает возможности ее обучения за короткое время, предложен способ сокращения размеров базы правил и ее наглядное представление путем использования балльных оценок. Разработаны алгоритмы прогнозирования риска банкротства предприятий с использованием ННС Мамдани и Цукамото. Далее в работе рассмотрены каскадные нео-фаззи сети для прогнозирования риска банкротства предприятий в условиях неопределенности. Их особенностями является отсутствие базы правил вывода, а также то, что функции принадлежностей фиксированные и не нуждаются в обучении, обучаются лишь линейные параметры – веса связей ННС. Поэтому эти сети имеют ускоренную сходимость обучения в сравнении с ННС Мамдани и Цукамото. Проведены экспериментальные исследования предложенных моделей и алгоритмов для прогнозирования риска банкротства предприятий Украины и сравнительный анализ с классическими методами. Результаты экспериментов показали, что точность прогнозирования риска банкротства составляет методом Альтмана - 68-70%, матричным методом - 80%, нео-фаззи каскадной нейросетью - 87%, а ННМ Мамдани и Цукамото -88-90 %. В работе также была исследована проблема прогнозирования риска банкротства в банковской сфере Украины в условиях неопределенности. Для решения этой проблемы предложено использование ННС TSK и ANFIS. Проведены экспериментальные исследования эффективности использования ННС для прогнозирования риска банкротства банков и сравнение со статистическими моделями ARIMA, logit-model и probit–model, а также с нечетким МГУА. В результате экспериментов установлено, что самую большую точность прогнозирования обеспечивает использование ННМ TSK (2%) и нечеткий МГУА (4%), тогда как статистические модели имеют точность: logit-model - 16%, probit–model - 14% и ARIMA - 18%. В процессе экспериментов были также определены адекватные финансово-экономические показатели банков для прогнозирования риска банкротства.