Помощь в написании студенческих работ
Антистрессовый сервис

Разработка алгоритмов комплексного анализа деятельности угольных предприятий с применением метода нейронных сетей

Диссертация: Разработка алгоритмов комплексного анализа деятельности угольных предприятий с применением метода нейронных сетей
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Разработан программный нейросетевой комплекс, моделирующий характер зависимости исследуемого показателя-объекта от показателей-аргументов, позволяющий осуществлять прогнозирование и анализ последовательностей технико-экономических показателей работы предприятий угледобычи и обеспечивающий наименьшую погрешность прогнозирования при сравнении с методом экспоненциального сглаживания… Читать ещё >

Разработка алгоритмов комплексного анализа деятельности угольных предприятий с применением метода нейронных сетей (реферат, курсовая, диплом, контрольная)

Содержание

  • Глава 1. Современное состояние методов анализа и прогнозирования производственно-экономических показателей работы промышленных предприятий
    • 1. 1. Анализ традиционных методов и систем прогнозирования как способа определения производственно-экономических показателей работы предприятий на перспективу
    • 1. 2. Возможности методов искусственного интеллекта (и метода нейронных сетей) в решении задач прогнозирования и управления
    • 1. 3. Существующий опыт использования нейронных сетей в промышленности
  • Глава 2. Разработка программного комплекса и интегрированной системы анализа параметров работы угольных предприятий, основанных на технологии нейронных сетей
    • 2. 1. Сравнительный анализ существующего нейросетевого программного обеспечения
    • 2. 2. Программная реализация компонентов программного комплекса
  • Глава 3. Разработка алгоритмов нейросетевого моделирования параметров работы угольных предприятий
    • 3. 1. Разработка алгоритма определения степени влияния показателей-аргументов
    • 3. 2. Разработка алгоритма нейросетевого прогнозирования

Важным условием получения объективной оценки работы угольной отрасли, необходимой как для возможной корректировки характера ее функционирования, так и для разработки программ перспективного развития, является наличие достоверной информации о состоянии отдельных угледобывающих предприятий.

Применение традиционных методов анализа состояния угледобывающих предприятий и оценки перспектив их развития не позволяет обеспечить требуемой в современных условиях хозяйствования степени глубины и детализации получаемой информации.

В данной работе предлагается в качестве одного из направлений в решении проблемы осуществления комплексного анализа технико-экономического состояния угольных предприятий и прогнозирования возможного изменения основных показателей их деятельности в перспективе, использовать создание проблемно-ориентированных программных комплексов на основе метода нейронных сетей.

Интенсивные исследования в области нейронных сетей и полученные теоретические и практические результаты привели к возникновению принципиально новых технологий создания интеллектуальных систем в различных областях знаний. Способность нейронных сетей к самоорганизации, адаптации и обучению позволяет создавать качественно новые прикладные системы, обладающие рядом преимуществ по сравнению с традиционными: меньшей процедурной сложностью, толерантностью к ошибкам, высокой точностью решения сложных задач. Одним из фундаментальных свойств нейронных сетей является способность их после обучения к обобщению и пролонгации результатов. Это создает предпосылки для создания на базе их различного рода прогнозирующих систем для разных сфер применения, в т. ч. для угольной промышленности.

Нейронные сети позволяют организовать высоко адаптивные нелинейные прогнозные модели, позволяющие во многих случаях моделировать и выполнять прогнозы сложных временных зависимостей с большей эффективностью и точностью по сравнению с известными статистическими методами.

По этой причине осуществляемая в данной работе разработка программного комплекса оценки технико-экономической деятельности угольных предприятий с использованием метода нейронных сетей является актуальной научной задачей.

Работа выполнялась в соответствии с проектом «Объектно-ориентированные модели горно-технологических информационных систем» плана НИР Института угля и углехимии СО РАН на 2001 — 2002 гг., проектом «Разработка научно-методических основ создания нового поколения геоинформационных систем» плана НИР Института угля и углехимии СО РАН на 2003 — 2005 гг., региональной программой «Сибирь», комплексом работ по стратегии развития угольной промышленности Кузбасса до 2020 г., отдельные этапы работы использовались в хоздоговорах по тематике Института угля и углехимии СО РАН.

Целью диссертационной работы является разработка алгоритмов комплексного анализа технико-экономической деятельности угольных предприятий с использованием метода нейронных сетей.

Идея работы заключается в том, что повышение качества оценки состояния угольных предприятий и анализ возможностей их перспективного развития достигается посредством использования метода нейронных сетей.

Для достижения поставленной цели необходимо решить следующие задачи:

— исследовать возможности нейросетевых методов для оценки технико-экономического состояния угледобывающих предприятий и перспектив его развития в условиях динамически развивающейся среды функционирования;

— разработать метод формирования обучающей выборки для нейросетевого прогнозирования отдельных показателей по совокупности остальных технико-экономических показателей, обеспечивающий формирование нейронной сетью последовательности прогнозируемых значений;

— разработать нейросетевой алгоритм определения неявных взаимосвязей между технико-экономическими показателями работы угольных предприятий;

— разработать программный нейросетевой комплекс для прогнозирования и анализа последовательностей технико-экономических показателей работы угольных предприятий;

— разработать на основе нейронных сетей комплексную интегрированную систему обработки и визуализации информации для анализа параметров работы угольных предприятий.

В исследованиях применялись следующие методы:

— численные методы для формирования обучающих множеств нейронных сетей на базе статистических показателей периодической отчетности угледобывающих предприятий;

— теории нейронных сетей и математического моделирования для разработки алгоритма определения неявных взаимосвязей между технико-экономическими показателями работы угольных предприятий и программных нейросетевых комплексов;

— структурного и объектно-ориентированного программирования для разработки комплекса программ интегрированной системы анализа параметров работы угольных предприятий.

Научные положения, выносимые на защиту:

— эффективность решения задач анализа и прогноза технико-экономических показателей угольных предприятий, определяемая погрешностью прогнозирования, повышается в результате применения метода нейронных сетей;

— предложенный метод формирования обучающей выборки для нейронной сети, генерируя матрицу прогнозируемых элементов, обеспечивает создание последовательности прогнозируемых значений параметров деятельности угледобывающих предприятий;

— разработанный нейросетевой алгоритм определения степени влияния показателей-аргументов, моделируя характер зависимости исследуемого показателя-объекта от показателей-аргументов, выявляет и идентифицирует неявные взаимосвязи между технико-экономическими показателями угледобывающих предприятий и степень влияния одних показателей на другие;

— интегрированная с нейросетевым программным комплексом система обеспечивает обработку и визуализацию анализируемых показателей деятельности угледобывающих предприятий.

Достоверность научных положений подтверждается:

— корректным использованием в качестве фактологической базы расчетов значительного объема (36 параметров — по угольным шахтам, и 33 — по разрезам) технико-экономических показателей периодической отчетности российских угольных шахт и угольных разрезов (для различных видов расчетов — за периоды от 3 до 20 лет);

— существующим положительным опытом использования: метода нейронных сетей для решения задач моделирования сложных процессов и установления неизвестных закономерностей в угольной промышленности;

— сходимостью фактических данных и моделируемых нейронной сетью значений при определении степени взаимного влияния между основными технико-экономическими показателями работы угледобывающих предприятий (значения коэффициента линейной корреляции составляют от 0,78 до 0,95);

— достаточной точностью прогнозирования, определяемой по средней норме разности между векторами прогнозируемых и фактических значений исследуемого показателя, порог максимального значения которой (с учетом нормирования показателей в интервале [-1,1]) составляет 0,04;

— общей сходимостью результатов оценки выявленных взаимосвязей между технико-экономическими параметрами, а также выводов практических рекомендаций, с результатами экспертного опроса по проблеме оптимизации работы предприятий угольной промышленности.

Научная новизна полученных результатов состоит в следующем:

— установлена возможность использования метода нейронных сетей к решению задач анализа и прогнозирования технико-экономических показателей деятельности угледобывающих предприятий;

— разработан метод формирования обучающей выборки для нейронной сети, при использовании в качестве аргумента нейросети совокупности технико-экономических показателей работы угольных шахт и разрезов;

— разработан и обоснован алгоритм определения неявных взаимосвязей между основными технико-экономическими показателями работы угледобывающих предприятий и степени их взаимного влияния;

— разработан программный нейросетевой комплекс для анализа последовательностей показателей производственной деятельности угледобывающих предприятий;

— разработана и интегрирована в нейросетевой комплекс система обработки и визуализации показателей угледобывающих предприятий.

Личный вклад автора состоит:

— в установлении зависимости между последовательностью прогнозируемых значений исследуемого показателя и временными рядами показателей-аргументов в ретроспективе для формирования обучающего множества нейронной сети;

— в разработке алгоритма определения весов взаимосвязей между показателями работы угольных предприятий, позволяющего выбирать наиболее информативные входные переменные на этапе подготовки данных для обучения нейросетей;

— в разработке математических моделей прогнозирования деятельности угледобывающих предприятий, определяющих временной ряд исследуемого показателя в краткосрочной перспективе;

— в установлении адекватности нейросетевых прогнозных моделей угольных предприятий и сравнении их эффективности с известными экстраполяционными методами;

— в определении значения максимальной погрешности алгоритма прогнозирования, обеспечивающего эффективное использование вычислительных ресурсов;

— в разработке интегрированной системы моделирования и анализа технико-экономических процессов угольных предприятий, включающей в себя программный комплекс нейросетевого прогнозирования и интерфейсные приложения.

Практическая ценность диссертационной работы заключается:

— в расширении области применения нейронных сетей за счет использования их при анализе и прогнозировании технико-экономических показателей угледобывающих предприятий;

— в совершенствовании существующих и обосновании новых технических возможностей математического моделирования с использованием нейросетей;

— в разработке базирующегося на использовании нейросетей программного комплекса, способного решать практические задачи по анализу и прогнозированию деятельности угольных предприятий;

— в выявлении и анализе практически значимых взаимосвязей между основными технико-экономическими параметрами производственной деятельности предприятий угольной промышленности, дающих возможность определять направления и способы повышения их эффективности.

Результаты научных исследований, приведенные в диссертации, докладывались и получили одобрение на VII Международной научно-практической конференции «Перспективы развития горнодобывающей промышленности в третьем тысячелетии» (Новокузнецк, 2000 г.), Международных научных симпозиумах «Неделя горняка — 2002», «Неделя горняка — 2003» (Москва, 2002 — 2003 гг.), IV и V Международных научно-практических конференциях «Энергетическая безопасность России. Новые подходы к развитию угольной промышленности» (Кемерово, 2002 — 2003 гг.), Международной научно-практической конференции «Наукоемкие технологии разработки и использования минеральных ресурсов» (Новокузнецк, 2003 г.), Международной конференции «Вычислительные и информационные технологии в науке, технике и образовании» (Усть-Каменогорск, Казахстан, 2003 г.).

Основные результаты диссертационной работы опубликованы в соавторстве с В. П. Потаповым, С. Н. Лазаренко. По результатам выполненных исследований опубликовано десять печатных работ, отражающих основное содержание диссертации.

Выводы по главе.

В результате проведенного программного моделирования разработан алгоритм определения неявных взаимосвязей между технико-экономическими показателями работы угольных предприятий, позволяющий выбирать наиболее информативные входные переменные на этапе подготовки данных для обучения нейросетей при оценке и прогнозировании показателей работы угледобывающих предприятий.

Разработан оригинальный алгоритм прогнозирования значений технико-экономических показателей работы угольных предприятий на краткосрочную перспективу, основанный на технологии искусственных нейронных сетей. Выполнена апробация алгоритма прогнозирования по четырем шахтам Кузбасса на период с 2002 по 2008 гг.

При этом имеются достаточные основания оценить полученные результаты прогноза объемов добычи угля и себестоимости его добычи как вполне объяснимые с технической и экономической точек зрения и не противоречащие объективно существующим тенденциям в развитии рассматривавшихся предприятий угольной промышленности — что, в свою очередь, предполагает считать правомерным использование метода нейронных сетей для решения задач подобного рода.

Заключение

.

В диссертационной работе содержится решение задачи разработки алгоритмов анализа и прогноза технико-экономических показателей деятельности угледобывающих предприятий с использованием метода нейронных сетей, имеющей существенное значение для математического моделирования современных процессов экономического развития предприятий угледобычи.

Основные научные выводы и практические результаты заключаются в следующем:

1. Обоснована положительным опытом применения метода нейронных сетей в угольной промышленности возможность использования этого метода для анализа технико-экономических показателей работы угледобывающих предприятий и осуществления задач прогнозирования указанных показателей.

2. Разработанный метод формирования обучающей выборки для нейросетевого прогнозирования отдельных показателей по совокупности остальных технико-экономических показателей, обеспечивает формирование нейронной сетью последовательности прогнозируемых значений и производит среднюю норму разности между векторами прогнозируемых и фактических значений, не превосходящую значения 0,04.

3. Обоснован и создан алгоритм определения неявных взаимосвязей между отдельными технико-экономическими показателями работы угледобывающих предприятий, использующий для расчета коэффициентов влияния изменение внутренней структуры нейросети.

4. Разработан программный нейросетевой комплекс, моделирующий характер зависимости исследуемого показателя-объекта от показателей-аргументов, позволяющий осуществлять прогнозирование и анализ последовательностей технико-экономических показателей работы предприятий угледобычи и обеспечивающий наименьшую погрешность прогнозирования при сравнении с методом экспоненциального сглаживания и кусочно-кубической эрмитовой интерполяцией.

5. В результате применения разработанного алгоритма определения неявных взаимосвязей между технико-экономическими показателями работы угольных предприятий выявлены параметры, оказывающие наибольшее влияние на изменение значений объема добытого угля, себестоимости добычи угля и производительности труда работающих, и количественно оценена степень влияния на названые показатели каждого из параметров, включенных в статистическую отчетность по работе угольных шахт и разрезов Кузбасса.

6. Разработана интегрированная в нейросетевой программный комплекс система, обеспечивающая обработку и визуализацию показателей работы угольных предприятий.

Показать весь текст

Список литературы

  1. ЧетыркинЕ. М. Статистические методы прогнозирования. — М.: Статистика, 1977. — 200 с.
  2. ТейлГ. Прикладное экономическое прогнозирование. — М.: Прогресс, 1970. — 509 с.
  3. В. М., Сыркашев А. В. Прогнозирование технико-экономических показателей работы шахт. — Кемерово: Филиал ТГУ при КГУ, 1991.— 174 с.
  4. Математическое моделирование и статистический анализ временных рядов: Сб. науч. работ. / Под ред. ТрушаН.Н. и Вакульчика П. А. — Минск: Белорус, гос. ун-т, ВЦ, 1993. — 120 с.
  5. Н. К. Математическая статистика в экономике. М.: Статистика, 1971. —264 с.
  6. Дж., Дженкинс Г. Анализ временных рядов. Прогноз и управление. — М.:Мир, 1974. —198 с.
  7. Н. А., Хованов И. А. Методы анализа временных рядов. — Саратов: Изд-во Гос. учебно-науч. центра «Колледж», 2001. — 119 с.
  8. Н. К. Основные математико-статистические методы в экономических исследованиях. — М.: Статистика, 1968.
  9. И. И., Юзбашев М. М. Общая теория статистики. М.: Финансы и статистика, 1999. — 480 с.
  10. В. Н., Юзбашев М. М. Анализ временных рядов и прогнозирование. — М.: Финансы и статистика, 2001. — 227 с.
  11. Э. А. Анализ временных рядов. — М.: Моск. гос. ин-т электрон, техники, 1997. — 55 с.
  12. В. С., Житников И. В. Анализ временных рядов и прогнозирование. — Ростов н/Д: Рост. гос. экон. акад., 1998. — 161 с.
  13. Математические методы прогнозирования экономических показателей / Саяпова А. Р., Гусельникова Е. А., Лакман И. А., Шамуратов Н. М. — Уфа: Башк. гос. ун-т, 2000. — 126 с.
  14. В. А. О прогнозирующих системах. — М.: Знание, 1969.
  15. ДобровГ. М. Прогнозирование науки и техники. — М.: Наука, 1969.— 208 с.
  16. В. А. Теория и практика прогностики. Методологические аспекты. — М.: Наука, 1972.
  17. Янч Э. Прогнозирование научно-технического прогресса. — М.: Прогресс, 1974. —586 с.
  18. Методические направления перспективного планирования и прогнозирования развития и размещения угольной промышленности / Стугарев А. С., Данилова Л. А., Ковш Б. П., Чумаков Е. В. — М.: изд. ЦНИЭИ уголь, 1971.
  19. К. К. Методика определения погрешности результатов технико-экономических расчетов. Труды ЦНИИС. — Вып. 54. — М.: Транспорт, 1964. —52 с.
  20. О. Будущее науки. В кн.: Горизонты науки и техники. — М.: Мир, 1969. —322 с.
  21. В. А. Прогнозирование в науке и технике. — М.: ЦНИИТЭИ приборостроения, 1968. — 107 с.
  22. А. С., Соснов В. Д., Чумаков Е. В. Прогнозирование развития угольной промышленности. — М.: Недра, 1976. — 208 с.
  23. С. Д., Гурвич Ф. Г. Математико-статистические методы экспертных оценок. — М.: Статистика, 1980. — 263 с.
  24. В. М. О прогнозировании на основе экспертных оценок. Науковедение прогнозирование — информатика. — Киев: Наукова думка, 1970. —С. 201−204.
  25. Gordon Т. J., Helmer О. Report on a Long-Range Tefecasting Study, report p. 2982. The Rand Corporation, Santa Monica, California, Sept. 1964.
  26. Gordon Т. J. The Future, St. Martins Press, N.-Y., 1965.
  27. . H. Определение тенденций и прогнозирование научно-технического прогресса с помощью качественно-количественного анализа динамики выдачи патентов. В кн.: Тематический патентно-информационный поиск. — М., 1967.
  28. ФесенкоР.А., Лисичкин В. А. Прогнозирование научно-технического прогресса на основе переработки научно-технической информации. — М.: Информстандартэлектро, 1968. — 214 с.
  29. В. Г. Использование патентной информации для оценки уровня производства и прогнозирования развития техники. В сб.: Анализ закономерностей и прогнозирования развития науки и техники. — Киев, 1967.
  30. Обухов В, Методика научно-технического прогнозирования на основе патентной информации. В кн.: Материалы совещания специалистов стран — членов СЭВ и СФРЮ по обмену опытом при составлении научно-технических прогнозов. — Прага, 1967.
  31. Ю. Модель. Философская энциклопедия. Т. 1. — М., 1964.
  32. Л., Бирюков Б., Штофф В. Моделирование. Философская энциклопедия. Т. 3. — М., 1964.
  33. Статистическое моделирование и прогнозирование / Гамбаров Г. М., Журавель Н. М., Королев Ю. Г. и др. — М.: Финансы и статистика, 1990.
  34. В. Н., Голиченко О. Г, Квон О. Ф. Моделирование экономической динамики: риск, оптимизация, прогнозирование. 1997.
  35. П.П. Методологические и логические аспекты прогнозирования. — Рига: Зинатне, 1985. — 216 с.
  36. Рабочая книга по прогнозированию / Под ред. И. В. Бестужева-Лада. — М.: Мысль, 1983. — 300 с.
  37. К. Д. Методы прогнозирования экономических показателей / Пер. с англ. — М.: Финансы и статистика, 1986.
  38. В. А. О достоверности прогнозов. — М.: Знание, 1979. — 64 с.
  39. М. П. Об оценках точности прогнозов технико-экономических параметров. Науковедение и информатика: Респ. межвед. сб. — Вып. 17, 1977, С. 20−26.
  40. Г. Экономические прогнозы и принятие решений / Пер. с англ. — М.: Статистика, 1971. — С. 39 40.
  41. Вопросы математико-статистического анализа краткосрочных экономических процессов. Сборник / Ред. Т. В. Рябушкин, И. М. Айзинова. — М., 1977. — 149 с.
  42. Р. Е., Троп В. А. Теоретический критерий эффективности методов прогноза. Сб. науч. тр. Перм. политехи, ин-та. — 1976. — № 180. — С. 73 -74.
  43. Н. Принципы искусственного интеллекта. — М.: Радио и связь, 1985. —376 с.
  44. Г. С. Искусственный интеллект — основа новой информационной технологии. — М.: Наука, 1988. — 280 с.
  45. П. Искусственный интеллект / Пер. с англ. — М.: Мир, 1980. — 520 с.
  46. Будущее искусственного интеллекта / Под ред. К. Е. Левитина, Д. А. Поспелова. — М.: Наука, 1991. — 302 с.
  47. Логический подход к искусственному интеллекту: от классической логики к логическому программированию / А. Тейз, П. Грибомон, Ж. Луи и др. — М.: Мир, 1990. —432 с.
  48. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности / Вороновский Г. К., Махотило К. В., Петрашев С. Н., Сергеев С. А. — Харьков: Основа, 1997. — 112 с.
  49. В. В., Борисов В. В. Искусственные нейронные сети. Теория и практика. — М.: Горячая линия Телеком, 2001. — 382 с.
  50. В. М. Генетические алгоритмы. Обзор и состояние // Новости искусственного интеллекта. — 1998. — № 3.
  51. Прикладные нечеткие системы / К. Асаи, Д. Ватада, С. Иваи и др. / Под ред. Т. Тэрано, К. Асаи, М. Сугено. — М.: Мир, 1993. — 368 с.
  52. А. Введение в теорию нечетких множеств. — М.: Радио и связь, 1982.-432 с.
  53. А. Н., Глушков В. И. Использование нечеткой информации в экспертных системах / Новости искусственного интеллекта.— 1991.— № 3. —С.13−41.
  54. Нечеткие множества в моделях управления и искусственного интеллекта / Аверкин А. Н., Блишун А. Ф., Батыршин И. 3., Силов В. Б., Тарасов В. Б. —М.: Наука, 1986. —312 с.
  55. Нечеткие множества и теория возможностей. Последние достижения / Под ред. Р. Р. Ягера. — М.: Радио и связь, 1986. — 408 с.
  56. Обработка нечеткой информации в системах принятия решений / Борисов А. Н., Алексеев А. В., Меркурьева Г. В. и др. — М.: Радио и связь, 1989. — 304 с.
  57. Jang J. S. R. and Sun C.-T. Neuro-fuzzy modelling and control // The Proceedings of the IEEE. — Vol. 83. — Mar. 1995. — P. 378 406.
  58. Nauck D. Neuro-fuzzy systems: review and prospects // Proc. Fifth Europan Congress on Intelligent Techniques and Soft Computing. — 1997. — P. 1044 -1053.
  59. Jang J. S. R. ANFIS: Adaptive network based fuzzy interface systems // IEEE trans, on Systems, Man, and Cybernetics. — May 1993. — P. 665 685.
  60. Zadeh L. A. Fuzzy Sets // Information and Control. — 11. — 1965. — N 8. — P. 338−353.
  61. ЭлтиДж., КумбсМ. Экспертные системы: концепции и примеры. — М.: Финансы и статистика, 1987. — 191 с.
  62. НейлорК. Как построить свою экспертную систему. — М.: Энергоатомиздат, 1991. — 286 с.
  63. В. А., Похлебаев В. И. Базы знаний (экспертные системы). — М.: Изд-во стандартов, 1993. — 37 с.
  64. Т. А., Червинская К. Р. Извлечение и структурирование знаний для экспертных систем. — М.: Радио и связь, 1982. — 200 с.
  65. Э. В. Экспертные системы. — М: Наука, 1987. — 288 с.
  66. Г. В. Технология проектирования прикладных экспертных систем. — М.: МИФИ, 1991. — 104 с.
  67. ТаунсендК., ФохтД. Проектирование и программная реализация экспертных систем на персональных ЭВМ. — М.: Финансы и статистика, 1990. — 320 с.
  68. Д. Руководство по экспертным системам. — М: Мир, 1989. — 388 с.
  69. С. А. Лекции по теории и приложениям искусственных нейронных сетей. — Снежинск: ВНИИТФ, 1994. — 182 с.
  70. Знать бы, где упадешь. / Вышинский Л., Дунин-Барковский В., Флеров Ю., Новодворский И. // Сумма технологий. — 2002. — http://www.sumtech.ru/.
  71. С. Халид М. Юсоф Р. Нейроуправление и его приложения / Пер. с англ. Батина Н. В.- Под общ. ред. Галушкина А. И., Птичкина В. А. — М.: ИПРЖР, 2000. —271 с.
  72. А. И., Яковлева Г. Л., Яковлев В. Л. Применение нейросетевых методов в информационных и аналитических системах 7 Под ред. А. И. Галушкина. — М.: ИПРЖР, 2001.
  73. А. Н., Россиев Д. А. Нейронные сети на персональном компьютере. — Новосибирск: Наука, 1996. — 276 с.
  74. McCulloch W. S., Pitts W. A logical calculus of the ideas immanent in nervous activity // Bulletin of Mathematical Biophysics. — 1943. — N5. — P. 115 133.
  75. Hebb D. O. The Organization of Behavior: A Neuropsychological Theory. — N. Y.: Wiley, 1949. —358 p.
  76. Rochester N., Holland J. H., Haibt L. H., Duda W. L. Tests on a cell assembly theory of the action of the brain, using a large digital computer // IRE Transactions on Information Theory. — 1956. — NIT-2. — P. 80 93.
  77. Uttley A. M. A theory of the mechanism of learning based on conditional probabilities // Proc. of the 1st International Conference on Cybernetics. — Paris: Namur, Gauthier-Villars, 1956. — P. 83 92.
  78. Uttley A. M. Information Transmission in the Nervous System. — London: Academic Press, 1979. — 215 p.
  79. MinskyM. L. Theory of neural-analog reinforcement systems and its application to the brain-model problem: Ph. D. Thesis. — Princeton: Princeton University, N. J., 1954. — 143 p.
  80. Minsky M. L. Steps toward artificial intelligence // Proceedings of the Institute of Radio Engineers. — 1961. — N 49. — P. 8 30.
  81. Winograd S., Cowan J. D. Reliable Computation in the Presence of Noise. — Cambridge, MA: MIT Press, 1963. — 247 p.
  82. Rosenblatt F. The Perceptron: A probabilistic model for information storage and organization in the brain // Psychological Review. — 1958. — N 65. — P. 386 -408.
  83. Widrow В., Hoff M.E., Jr. Adaptive switching circuits // IRE WES-CON Convention Record. — 1960. — P. 96 104.
  84. Widrow В. Generalisation and information storage in networks of adaline «neurons» / Yovitz M. C., Jacobi G. Т., and Goldstein G. D. // Self-Organizing Systems. — Washington, D. C.: Sparta, 1962. — P. 435 461.
  85. Cowan J. D. A Mathematical Theory of Central Nervous Activity: Ph. D. Thesis. — University of London, UK, 1967. — 178 p.
  86. M., Пейперт С. Персептроны. — M.: Мир, 1971. — 261 с.
  87. Willshaw D. J., von der Malsburg С. How patterned neural connections can be set up by self-organization // Proceedings of the Royal Society of London. — 1976. — Series B. — N 194. — P. 431 445.
  88. Kohonen Т. Self-organized formation of topologically correct feature maps // Biological Cybernetics. — 1982. — N43. — P. 59 69.
  89. Rumelhart D. E., Hinton G. E., Williams R. J. Learning representations by back-propagating errors // London: Nature, 1986. — N 323. — P. 533 536.
  90. Broomhead D. S., Lowe D. Multivariable functional interpolation and adaptive networks // Complex Systems. — 1988. — N 2. — P. 321 355.
  91. Patterson D. Artificial Neural Networks. — Singapore: Prentice Hall, 1996.
  92. Fausett L. Fundamentals of Neural Network. N< Y.: Prentice Hall, 1994.
  93. Bishop C. Neural Networks for Pattern Recognition. —Oxford: University Press, 1995.
  94. Goldberg D. E. Genetic Algorithms. Reading, MA: Addison wesley, 1989.
  95. Geropp В., Seeliger A., Kebler H.-W. Neural Net for Diagnosis of Antifriction Bearings in Mining Machines // АРСОМ XXV. Application of computers and operations research in the minerals industries. — July 1995. — P. 49 52.
  96. Ю. В. Математическое моделирование элементов геосистем угольных шахт адаптированным методом нейронных сетей: Автореф. дис. канд. техн. наук: 05.13.18. — Кемерово, 2001. — 27 с.
  97. В. Б., Сергеев С. А., Махотило К. В., Обруч И. В. Применение методов нейронных сетей и генетических алгоритмов в решении задач управления электроприводами // Электротехника. — М., 1999. — № 5. — С. 2−5.
  98. Д. В., Савельев А. А. Применение нейронных сетей для анализа пространственных данных // Материалы пятой конференции ГИС-Ассоциации «Геоинформатика и образование». — М., 2001.
  99. Г. И., Букарев А. А., Костюк В. П. Нейросетевые и генетические модели и методы анализа данных // www.neuroproject.ru.
  100. К. В., Сергеев С. А., СушковА. В. Дискретная нейросетевая система управления нелинейным динамическим объектом // Вестник Харьковского государственного политехнического университета. — Вып. 10. — Харьков: ХГПУ, 1997. — С. 13 18.
  101. MATLAB. Getting Started with MATLAB. Version 5. The MathWorks, Inc., 1998. — 70 p.
  102. MATLAB. Release 11 New Features. The MathWorks, Inc., 1999.
  103. MATLAB. Using MATLAB. The MathWorks, Inc., 1999.
  104. В. С., Потемкин В. Г. Нейронные сети: Matlab 6. — М.: Диалог-МИФИ, 2002. —489 с.
  105. В. Г. Система MATLAB. Справочное пособие. — М: Диалог-МИФИ, 1997. —350 с.
  106. В. П., Лазаренко С. Н., Алферов М. В. Прогнозирование развития угольной отрасли с использованием метода нейронных сетей // Горный информационно-аналитический бюллетень. — М.: МГГУ, 2002. — № 7. — С. 173 -175.
  107. В. Г. Введение в MATLAB. — М.: Диалог-мифи, 1999. — 247 с.
  108. ЕжовА. А. Нейрокомпьютинг и его применения в экономике и бизнесе: Учеб. пособие / Ежов А. А., Шумский С. А. — М., 1998. — 222 с.
  109. В. П., Лазаренко С. Н., Алферов М. В. Математическое моделирование технико-экономических показателей работы угольных шахт методом нейронных сетей // Вычислительные технологии. — Новосибирск: ИВТ СО РАН, 2003. — № 4. — С. 75 80.
  110. В. А. Нейронные сети: обучение, организация и применение. — Кн. 4. — М.: ИПРЖР, 2001. — 256 с.
  111. Экономические показатели угледобывающих предприятий Кемеровской области за 1997 г.
  112. Результаты моделирования прибыли угледобывающего предприятия, полученной с 1 тдобытого угля
  113. АО Черниговец 25,6 -2,86 3,92 -6,36 4,4079 ш. Тайбинская -47,34 -12,72 4,77 -34,30 1,8080 ш. Красногорская 12,01 -4,78 2,31 -11,44 3,2381 ш. № 12 -22,51 -13,99 1,17 -34,92 1,7182 ш. Коксовая -77,58 -52,34 3,48 -329,29 34,66
  114. Прим.: серым фоном выделены проверочные множества.
  115. Проверка адекватности моделирования an = sim (net, pn) — m, b, r. = postreg (an, tn)
  116. W = net. IW{l, l}- % Сохранение параметров нейросети WO = zeros (n, к) — % Матрица нулевых параметров net. IW{l, l} = WO- % Обнуление параметров нейросети % i индекс показателя-аргумента for i=l:кj индекс нейрона скрытого слоя for j=l:n
  117. Выход сети константа poly (i:) = 0 таха (i).- elseif
  118. Интерполяция полиномом первой степениpoly (i:) = polyfit (pnOl (i:), a (i:), 1)-end
  119. Сохранение коэффициентов полинома fid = fopen ('data.out','w') — fprintf (fid, '%20.2 fn', poly (, 1)) — fclose (fid) — % Конец
  120. Сохраняем среднее, максимальное и минимальноезначения времени обученияtrtime (k, l) = mean (trvec)-trtime (k, 2) = max (trvec)-trtime (k, 3) = min (trvec) —
  121. Вектор y{k} содержит последовательность значений % MSE (mean squared error) последней итерации обучения, % x{k} соответствующие значения времени обучения у{к} = tr. perf- m, n. = size (у{к})-х{к} = 0: trtime (k, l)/(n-l):trtime (к, 1).-
  122. Чтение коэффициентов приведения coeff = xlsread ('statistics.xlsCo') — for i=l:yearcnt
  123. Приведение стоимостных показателей к ценам % текущего годаstat (2,1:) = stat (2,i:) * coeff (i, 2) — stat (3,i:) = stat (3,i:) * coeff (i, 2)-end
  124. Вычисление прогнозируемых значенийpred массив прогнозируемых значенийppn = tramninxipp^inp/maxp) -aan = sim (net, ppn)-аа = postmnmx (aan, mint, maxt)'-
  125. Взвешивание с использованием коэффициентов к for j=l:hpred (q, j, m) = 1 / sum (k (j:h))-tmp = 0-for i=l:h-j + 1tmp = tmp + k (j+i-l) * aa (j+i-l, h-i+l)-endpred (q, j, m) = pred (q, j, m) * tmp-endelsepred (q, m) =0- % Неудачная попыткаendend
  126. Сохранение результатов прогнозирования fid = fopen ('statistics.out','w') — fprintf (fid,¦%20.2fn', pred) — fclose (fid) — % Конец
Заполнить форму текущей работой

Сессия? Спокойно!