1.4 Постановка задачі
1.5 Висновки
2 Розробка інформаційної моделі процесу прогнозування щоденної зайнятості
Для розробки математичної моделі процесу прогнозування щоденної зайнятості розглянемо математичну модель багатошарового персептрона.
У рецепторному полі утворюється сигнал, який відповідає зовнішньому подразнику, який задається деяким вектором x. Кожне нервове закінчення передає досить простий сигнал - або посилає чи не посилає імпульс. Це означає, що вектор x бінарний, тобто його координати можуть приймати тільки два значення: 0 і 1.
Букет імпульсів поширюється до тих пір, поки за допомогою нейронів другого шару не буде перетворений в новий букет імпульсів (бінарний вектор x перетвориться в бінарний вектор y). Уточнимо характер перетворень y=f(x):
а) перетворення здійснюється пороговими елементами;
б) входи порогових елементів, які пройшли етап перетворення, з’єднані з рецепторами випадково.
3. Вважається, що персептрон
відносить вхідний вектор до p-го
поняття, якщо збуджується p-й
нейрон, який реагує, і не збуджуються
інші нейрони, які реагуючі. Формально
це означає, що для вектора виконується
система нерівностей
для усіх
,
де
– коефіцієнти посилення t-го нейрона,
який реагує.
4. Створення коефіцієнтів (ваг) кожного з елементів R.
Розглянемо детально процес побудови ваг елементів R.
Нехай для даного моменту
існують деякі ваги елементів R
ваги p-го
елементу Rр.
В момент часу τ
для класифікації на вхід персептрона
поступає сигнал, що описує вектор xτ.
Вектор xτ
може відповідати
чи не відповідати поняттю p.
У випадку, якщо відповідає поняттю p,
виконується нерівність
.
При цьому реакція буде збудженням.
Як уже зазначалось, математична
модель виглядає так:
,
де pz — прогноз; p — подія; w — приорітет;
a — коефіцієнт скидання.
Розглянемо, з яких елементів складатиметься інформаційна модель прогнозування щоденної зайнятості.
Вхідними даними є інформація про завдання: назва завдання, дата завдання, час початку завдання, приблизний час завершення завдання, пріоритет завдання, зайнятий час. Ці дані зберігаються в базі даних і знань, і потім підлягають аналізу за допомогою психодіагностики і прогнозуванню за допомогою нейронної мережі. Нейронною мережею виступає багатошаровий персептрон.
Вихідними даними є результати аналізу у вигляді графіку та звіт з рекомендацією, як краще розподілити навантаження на день.
Дані блоки показані на рисунку 2.1.
Рисунок 2.1 – Інформаційна модель прогнозування щоденної зайнятості
3 Розробка алгоритму роботи інтелектуального модуля прогнозування щоденної зайнятості робітників банка
Розглянемо етапи роботи інтелектуального модуля прогнозування щоденної зайнятості.
Спочатку необхідно запустити програмний додаток з інтелектуальним модулем прогнозування щоденної зайнятості. Блок входу передбачає авторизацію/реєстрацію користувача. Якщо користувач проходить реєстрацію, дані зберігаються в базі даних і знань. Але в будь-якому випадку користувачу необхідно пройти авторизацію. Введемо додаткове позначення d, де d = true – дані авторизації вірний, і робота з системою дозволяється.
Якщо користувач не може авторизуватись, йому необхідно пройти реєстрацію.
Після того користувач повинен перейти в меню, де обере ту функцію, яка його цікавить серед запропонованих. Відповідно, в нього повинен бути вибір повернутися в головне меню за бажанням.
В «Розпорядку дня» зберігаються дані про завдання, які має виконати робітник банка протягом дня. Робітник банка галочками проставляє, які саме завдання йому необхідно виконати в найближчий час. Також необхідно ввести, який час може бути затрачено на виконання завдання.
Аналіз даних на виході повинен відобразити статистичну інформацію про систему.
Після аналізу даних відповідно психотипів особистості дані надсилаються для обробки нейронною мережею. В даному випадку це багатошаровий персептрон.
На виході користувач може отримати звіт з рекомендаціями відповідно психотипу особитості, де вказано, як краще йому розподілити свій час, аби завантаженість робочого часу була не занадто важкою.
Зобразимо схему алгоритму роботи інтелектуального модуля прогнозування щоденної зайнятості на рисунку 3.1.