Нейросеть эффективности творческих поисков специалистов фирмы

Моделирование эффективности творческих поисков специалистов фирмы, направленных на ее конкурентоспособность, представлено нейросетью GRNN. Наш опыт работы с информационными нейросетями, характеризующими разные аспекты деятельности главного руководителя, позволяет утверждать, что наиболее приемлемыми являются обобщенно-регрессионные (GRNN) нейросети. Они имеют ряд свойств, существенных для работы с массивами информации, характеризующими состояние производственной системы.

Первая проблема, которая возникает при построении сетей, - исходная информация. При бумажной технологии управления фирмой производственная информация фиксируется для обеспечения нужд бухгалтерского учета, оперативного регулирования производства и статистической отчетности. Как правило, этого недостаточно для разработки информационных моделей. Преимущества сетей GRNN в этом случае состоят в том, что их можно построить непосредственно по обучающим данным. Такие сети почти не требуют обучения. Это достоинство (как и всякое другое) порождает и недостаток. Специалисты по нейросетям утверждают, что сети такого типа имеют очень большой размер, который приводит к тому, что она занимает много памяти и сравнительно медленно работает[1]. Однако влияние этого недостатка можно существенно уменьшить специальными приемами. Во-первых, за счет содержательного анализа ситуации и выбора минимально возможного числа переменных на входе задачи. Во-вторых, при построении сетей GRNN можно использовать штраф за элемент. Это число будет умножаться на количество элементов в сети, и результат будет при оценке качества сети прибавляться к уровню ошибки, таким образом, большие по размеру сети будут штрафоваться. Обычно значения этого параметра берутся в интервале от 0,01 до 0,001.

Первый промежуточный слой сетей GRNN состоит из радиальных элементов. В GRNN-сети большое число центров - кластеров. Кластеры в задачах прогнозирования объемов производства представляют собой характеристику истории, эволюции его развития. Кластер объединяет моменты времени (временные периоды), родственные между собой.

Подстановка рекомендаций специалистов фирмы по укреплению конкурентоспособности продукции позволяет проанализировать ряд сценариев и дает возможность выбрать наиболее обоснованное решение стратегических ориентиров фирмы. Число кластеров обычно сравнимо с размером обучающего подмножества. Выходной сигнал такого радиального элемента представляет собой гауссову функцию активации с центром в той точке, которая хранится в данном элементе (тем самым свидетельствуя, что у моделируемой функции имеется некоторая плотность вероятности в окрестности данной точки). В последующих слоях из этих сигналов составляется оценка плотностей вероятностей для зависимой переменной в регрессии (для GRNN-сети).

Высокая скорость обучения GRNN-сети чрезвычайно удобна для проведения предварительных экспериментов, а их качество обычно сравнимо с качеством сетей других типов.

  • [1] См.: Заенцев И.В. Нейронные сети: Основные модели: Учеб, пособие; Суровцев И.С.Нейронные сети. - Воронеж: Изд-во Воронеж, ун-та, 1994; Мкртчян С.О. Нейронныесети: Введение в теорию формальных нейронов. - М.: Энергия, 1971.
 
Посмотреть оригинал
< Пред   СОДЕРЖАНИЕ   ОРИГИНАЛ     След >