Лесохин В.З. Разработка бизнес-процессов совместных инвестиций с применением ППП МАТЛАБ

Подождите немного. Документ загружается.

Рис. 2.1

- Для учета возврата инвестиций, выданных банком на подгото-

вительные работы 1000 у.е., добавим эту сумму к абсолютной величине

сдвига 1-го слоя 1-й ветви сети рис. 2.17.

- Для учета возврата инвестиций банку 1-м и 2-м участком аб-

солютные величины сдвигов 1-го слоя 2-й и 3-й ветви уменьшим соот-

ветственно на 500 у.е. каждую (табл. 2.1).

- Произведем расчет величин и времени возврата инвестиций,

полагая, что по времени возврат от второй ветви соответствует 2-му

году, от третьей ветви 3-му году. Веса связей сети при вычитании из

них начальных значений в денежном выражении соответствуют суммам

возврата инвестиций, а знак весов определяет направление возврата.

- Выводим на экран дисплея не заполненное окно менеджера

рис. 2.2.

1000

2000

3000

-500

-1000

-1500

500

1000

1500

500

1000

1500

-Для заполнения окна рис. 2.2 выводим окно New Data 1

рис. 2.3 входы в нейронную сеть (inputs), где каждый вход соответству-

ет ценностям на 1-м, 2-м и 3-м участке (табл. 2.1).

Рис. 2.3

Рис. 2.2

- Выводим окно New Data рис. 2.4 цели (targets), где каждая

цель соответствует прибыли на 1-м, 2-м и 3-м участке (табл. 2.1).

Рис. 2.4

- В окне рис. 2.2 заполнятся два левых верхних окна.

- Для контроля правильности введенных данных выводим окна

рис. 2.5, 2.6 путем активизации data 1 и data 2 и при помощи View.

Если значения в этих окнах не совпадают с введенными значе-

ниями, то значения в этих окнах необходимо скорректировать. Затем не-

обходимо приступить к формированию двухслойной линейной нейрон-

ной сети с прямым распространением сигнала Feed-forward backprop.

Рис. 2.5 Рис. 2.6

- Для формирования двухслойной нейронной сети Feed-forward

backprop, выводим на экран окно network1 при помощи New Network в

соответствии с рис. 2.7. При этом необходимо ввести data1, установить

3 нейрона (Number of neurons) и линейную функцию (PURELIN) для 1-

го слоя нейронной сети Layer1. Для 2-го слоя Layer2 также устанавлива-

ется 3 нейрона и линейная функция. При вводе Create в окне менеджера

рис.2.2 появится network1

- После активизации network1 в окне менеджера рис. 2.2 и при

помощи View выводим на экран окно со схемой нейронной сети рис. 2.8.

Рис. 2.7

Рис. 2.8

- Проверяется, чтобы сеть имела три входа и по три нейрона в

каждом слое, а также линейный сигнал (наклонные прямые линии).

- При помощи Weights выводим на экран окна весов связей сети

рис.2.1 и заполняем их в соответствии с рис. 2.9, 2.10, 2.11, 2.12 не за-

бывая после заполнения каждого окна устанавливать Set Weights.

- Веса связей нижней части сети располагаются в окне рис. 2.1.

- В окне рис. 2.10 устанавливаются веса связей верхней части

сети рис. 2.1.

- 1-я строка рис. 2.9 соответствует весам трех связей, входящих

в 1-й нейрон. Значения разделяются пробелом, а строка заканчивается

точкой с запятой. Аналогично заполняется 2-я и 3-я строка, а также

строки окна рис. 2.10.

Рис. 2.9

Рис. 2.10

- Сдвиги 1-го слоя рис. 2.1 располагаются в окне рис. 2.11.

Рис. 2.11

- Сдвиги 2-го слоя рис. 2.1 располагаются в окне рис. 2.12.

Рис. 2.12

- При помощи Train переходим к окну рис. 2.13, вводим data1,

data2 и затем производим расчет Train Network.

В результате расчета выводится окно графика ошибки рис. 2.14.

По оси ординат откладывается среднеквадратическое значение откло-

нения выходов от целей, а по оси абсцисс – количество итераций расче-

та. Начальная ошибка равна нулю, если сдвиги рис.2.11 равны значени-

ям сети рис.2.1. В этом случае при Train Network окно ошибки не появ-

ляется. Установленные значения для сети рис. 2.17 с учетом инвестиций

вызывают начальную ошибку. Расчет заключается в подборе значений

весов, при которых ошибка стремится нулю. Уже при семи итерациях

ошибка близка нулю.

Рис. 2.14

Рис. 2.13

- Возвращаемся в Weights и получаем в окнах рис. 2.9-2.12 ре-

зультаты расчета весов, представленных табл. 2.2-2.5.

- Результаты расчета весов сети рис. 2.9, скопированные в EX-

CEL, представлены табл. 2.2.

Таблица 2.2

1.0533 0.10651 0.15977

-0.026527 0.94695 -0.07958

-0.026486 -0.052972 0.92054

- Результаты расчета весов сети рис. 2.10, скопированные в

EXCEL, представлены табл. 2.3.

Таблица 2.3

0.97646 0.078564 0.10528;

0.011704 0.96031 -0.053222;

0.011679 -0.03985 0.94655

- Результаты расчета весов сети рис. 2.11, скопированные в

EXCEL, представлены в табл. 2.4. Величина их не изменилась, что соот-

ветствует условиям решаемой задачи.

Таблица 2.4

-1500

-500

-1000

- Результаты расчета весов сети рис. 2.12, скопированные в

EXCEL, представлены в табл. 2.5. Величина их несколько отлична от

нуля, что приведет к незначительной ошибке в дальнейших расчетах

возврата инвестиций в подготовительные работы 2-го и 3-го участка.

Если ошибка окажет существенное влияние на конечные результаты

расчета, то имеется возможность ее уменьшить за счет пропорциональ-

ного увеличения всех исходных значений, кроме сдвигов второго слоя.

Таблица 2.5

5.3437e-005

-2.7069e-005

-2.7209e-005

- Возвращаемся в окно менеджер рис. 2.1 и активизируем ре-

зультаты расчета в окнах рис. 2.15, 2.16.

Убеждаемся, что значения на выходах нейронной сети рис. 2.15

равны целям рис. 2.4, а ошибка на всех выходах рис. 2.16 близка нулю.

Рис. 2.15 Рис. 2.16

Расчетные значения весов связей наносим на схему сети

рис. 2.17.

Рис. 2.17

1000

2000

3000

-1500

-500

-1000

500

1000

1500

1,0533

-0,02649

-0,07958

0,92054

-0,02653

0,94695

-0,05297

0,15977

0,10651

0,94655

-0,05322

-0,03985

0,96031

0,011679

0,011704

0,78564

0,10528

0,97646

500

1000

1500

- Располагаем расчетные значения весов табл. 2.6, 2.7, заменяя

точки, отделяющие целую часть числа, запятыми. Первое значение в

скобках номер нейрона, второе – номер входа. Каждое значение весов

табл. 2.6, 2.7 переносим в отдельную ячейку EXCEL.

Таблица 2.6

1 вход

2 вход

3 вход

1 нейрон верхнего слоя

0,97646(11)

0,078564(12)

0,10528(13)

2 нейрон верхнего слоя

0,011704(21)

0,96031(22)

-0,05322(23)

3 нейрон верхнего слоя

0,011679(31)

-0,03985(32)

0,94655(33)

Таблица 2.7

1 вход

2 вход

3 вход

1 нейрон нижнего слоя

1,0533(11)

0,10651(12)

0,15977(13)

2 нейрон нижнего слоя

-0,02653(21)

0,94695(22)

-0,07958(23)

3 нейрон нижнего слоя

-0,02649(31)

-0,05297(32)

0,92054(33)

2.1.3. Преобразование в EXCEL весов связей нейронной сети

в денежную форму

- Дальнейшие преобразования полученных весов связей в их

приращения к начальным значениям и переводом в денежную форму в

соответствии со схемой расчетов нейронной сети осуществляются в

EXCEL и представляются в виде табл. 2.8-2.17, также наносятся на схе-

му нейронной сети рис. 2.18.

- Преобразованные веса верхнего слоя нейронов табл. 2.8, ниж-

него слоя нейронов табл. 2.9. Знак плюс означает направление стрелки к

нейрону, а знак минус – от нейрона. В скобках ячеек таблиц даны номе-

ра связей. Первая цифра означает номер нейрона, а вторая цифра – но-

мер входа (входного нейрона). Пунктиром отмечены связи, создаю-

щие «петли», характеризующие откладывание возврата инвести-

ций со 2-го на 3-й период в количестве 83,83 у.е. в верхней части и

238,74 у.е. в нижней части сети. Пунктиром с двумя точками обо-

значены «циклы» избыточного возврата инвестиций в количестве

2,87 у.е. и 2,86 у.е.

Лесохин В.З. Разработка бизнес-процессов совместных инвестиций с применением ППП МАТЛАБ - нейронные сети

Подождите немного. Документ загружается.