Файловый архив студентов. Файловый архив студентов.
1301 вуз, 5073 предмет.
/ Регистрация
FAQ Обратная связь Вопросы и предложения
Добавил:
Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз:
Сибирская государственная автомобильно-дорожная академия
Предмет:
[НЕСОРТИРОВАННОЕ]
Файл:

2567

.pdf
Скачиваний:
22
Добавлен:
07.01.2021
Размер:
19.12 Mб
Скачать
☆

кредитного мониторинга на базе Омскогофилиала ОАО «Банк Москвы». Разрабатываемая системадолжна полностью автоматизировать процесс взыскания задолженности с момента ее появления до погашения или реструктуризации.

Система призвана решить проблемы связанные с тем что:

-информация о клиентах разрознена, хранится в различных файлах, дублируется, не защищена;

-сотрудники теряют много времени на поиски уже собранной информации, история взаимодействия не отслеживается;

-много времени тратится на разрешение стандартных ситуаций, процесс взыскания затягивается, становится нерентабельным.

Информационная система обладает следующими функциональными возможностями, которые охватывают различные работы на разных стадиях кредитного мониторинга: претензионная работа, исковая работа, исполнительное производство, реструктуризация задолженности.

На стадии претензионной работы автоматизируется:

-формирование списка дебиторов;

-регистрация событий работы с дебитором (уведомление, телефонный звонок, письмо);

-расчет сумм неустойки;

-формирование претензионного письма;

-формирование "предварительного" иска;

-учет расчетных документов находящихся в состоянии "досудебного урегулирования долга";

-формирование списка выполненныхдействий по урегулированию долга. На стадии исковой работы автоматизируется:

-расчет суммы госпошлины;

-составление "Искового заявления";

-регистрация событий исковой работы;

-регистрация результата рассмотрения искового заявления;

-учет расчетныхдокументов находящихся в состоянии "исковая работа". На стадии исполнительного производства автоматизируется:

-регистрация исполнительных листов;

-отражение передачи исполнительного листа в производство;

-регистрация факта исполнительного производства;

-учет расчетных документов находящихся в состоянии

"исполнительное производство".

На стадии реструктуризации задолженности автоматизируется:

-составление графика погашения задолженности;

-контроль выполнения графика погашения задолженности;

-регистрация расторжения соглашения о реструктуризации задолженности;

309

- учет расчетных документов находящихся в состоянии "мирового соглашения".

В конечном итоге автоматизированная система кредитного мониторинга путем создания единой базы данных позволит получить целостную картину о клиентах, а также всю историю взаимодействия с ними, что приведет к сокращению сроков и себестоимости работ по взысканию задолженности. Таким образом, максимально оптимизируется деятельность руководителя и специалистов отдела кредитного мониторинга.

Библиографический список

1.Кредитный мониторинг [Электрон. ресурс] : [статья] - Режим доступа: http://www.stroyverno.ru/construction/investments09/economics22.php

2.Омичи задолжали банкам свыше 3,6 млрд рублей [Электрон. ресурс] : [статья] -

Режим доступа: http://www.omskinform.ru/main.php?id=1&nid=38425

3.Обзор рынка коллекторских систем и автоматизация работ с просроченной задолженностью [Электрон. ресурс] : [статья] - Режим доступа: http://www.rfinance.ru/magazine/?id=6933&aid=6940&tid=15

Научный руководитель канд. техн. наук, доцент каф. «ПИЭ» Т. А. Мызникова

УДК 519.2

ПРИМЕНЕНИЕ МЕТОДОВ ДИНАМИЧЕСКИХ ИГР В КОМПЬЮТЕРНЫХ СИСТЕМАХ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ

А.А. Коблик, аспирант Сибирская государственная автомобильно-дорожная академия, г. Омск

Пусть существует пара ( ,J), где - конечномерная СУ c функционалом качества:

tf

J(x,u) (x(tf )) (t,x(t),u(t))dt .

(1)

t0

 

Поставим задачу нахождения такого управления u* U , что для траектории вектора состояния функционал J(x,u) min. Пара ( ,J) называется линейной квадратичной оптимальной СУ, если

J x,u x

 

tf

 

 

 

 

 

T

 

T

(t)Q(t)x(t) u

T

(t)R(t)u(t)

 

 

(tf )Kf x(tf ) x

 

 

dt;

 

 

t0

 

 

 

 

(2)

R RT 0;Q QT 0; t T.

Введем функцию Беллмана стоимости системы:

310

 

 

 

 

tf

 

ˆ

 

 

 

 

ˆ

 

 

 

 

 

V t,x

inf

 

 

 

 

 

)

 

.

(3)

 

 

 

 

,x( ),u(

) d

 

x(t

f

 

 

 

u U;xˆ s(t, ,x,u)

 

 

 

 

 

 

 

 

 

 

 

 

 

t

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Управление u* U - является оптимальным для x(t

) x

если и

 

 

 

 

 

 

 

 

 

 

 

 

0

 

 

0

 

только если J(x*,u*) V(t

,x ). Уравнение Hamilton-Jacobi-Bellman (HJB)

 

 

0

 

0

 

 

 

 

 

 

 

 

 

 

 

 

для оптимальной СУ ( ,J) с функцией стоимости V(t,x) имеет вид:

 

 

dV t,x*(t)

 

 

*

 

*

(t) 0;

 

 

 

 

 

(4)

 

 

 

 

dt

t,x

(t),u

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

где: u* - оптимальное управление; x* - оптимальная траектория вектора состояния.

Уравнение Риккати (RDE) для линейной квадратичной СУ с R t 0;

Q t 0:

E AT t E KA t Q t ES t E;S t B t R 1 t BT t .

(5)

Если RDE допускает такое решение E, что E tf Kf , то

 

оптимальное управление обратной связи:

 

u* t R 1 t BT t E t x t .

(6)

Рассмотрим пример «черного ящика» с двумя входами u1,u2 . Предположим, что игроки, формирующие управления u1,u2 , не общаются во время игры и следовательно, стратегия первого не известна второму и наоборот. Как определить оптимальные стратегии? Первый прямой путь: игрок 1 выбрал u10 , игрок 2 u20 : система примет u10,u20 и игроки получают более высокие затраты, чем ожидали. Игрок 2 думает: «Если бы я использовал u2* u10 , то я получил бы меньше затрат, потому что у игрока 1

нет информации относительно выбора игрока 2 и он не может изменить свой выбор». Игрок 2 не сожалеет об его решении, если и только если он выбирает стратегию, которая обеспечивает

J2 u1,u2

*

u1 , где

J2 u1,u2 - функционал качества

 

0 curve u2

 

u2

 

 

игрока 2. Если отсутствует коммуникация между игроками, то игрок 1

также выбирает стратегию на линии J1 u1,u2 u1 0 curve u1* u2 , где

J1 u1,u2 - функционал качества игрока 1. Nash равновесие – пересечение кривых u2* u1 и u1* u2 . Предположим теперь, что у игроков есть другое

правило: первый игрок выбирает закон управления и объявляет об этом второму игроку; второй игрок выбирает управление, используя это знание u2* u1 . Игрок 1 знает, что, если он выбирает u1, Игрок 2 будет играть

311

u2* u1 и игрок 1 выберет управление, для которого J1 u1,u2* u1 u1 0:

он находит оптимум там, где кривая u2* u1 касается линии уровня J1;

получим Stackelberg равновесие.

Рассмотрим теперь игруN игроковс функциями f t,x,u1,...,uN

непрерывными по t,x,u1,...,uN . Тогда существует единственное решение DE [1]:

 

 

 

(7)

x t f t,x t ,u1 t ,...,uN t ;

 

с функциями f t,x,u1,...,uN

непрерывными по t,x,u1,...,uN .

 

Игра N игроков на конечном интервале времени с функциями:

 

 

N

 

 

f t,x,u1,...,uN A t x Bi t ui;

 

(8)

 

i 1

 

A t Rn n;B t Rn mi ;i 1,...,N;

 

 

и функционалами качества:

i

 

 

 

 

 

Ji u1,...,uN xT tf Kif x tf

 

 

tf

N

 

 

xT t Qi t x t uTj t Rij t uj t dt;

(9)

t0

j 1

 

 

Qi t Rn n;Rij t Rmj mj ;

является линейной квадратичной дифференциальной игрой N игроков. Построим уравнения Гамильтона-Понтрягина для дифференциальной

игры N игроков в соответствии с принципом максимума:

Hi

 

 

 

T

 

 

 

 

 

 

 

 

 

i

 

x ;

 

 

 

 

 

 

 

 

Hi

 

 

 

T

 

 

x

 

i

;

(10)

 

 

 

 

 

 

Hi

 

 

0;

 

 

ui

 

 

 

 

u u*

 

 

 

 

 

 

i

i

 

 

 

 

Ji*

 

 

 

T

tf ; i 1,...,N;

 

i

x tf

где Hi t,x,ui, i функция Гамильтона i-го игрока:

312

N

Hi t,x,ui, i xTQi t x uiT Rii t ui u*jT Rij t u*j

j 1 j i

 

 

 

 

 

 

 

N

 

 

 

 

 

 

 

 

T

 

 

 

 

 

 

 

*

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

i

A t x Bi t ui

Bj t uj .

 

 

 

 

 

 

 

 

 

 

 

j 1

 

 

 

 

 

 

 

 

Откуда:

 

 

 

 

 

 

j i

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

*

 

 

 

Hi

 

 

 

 

 

 

N

 

 

 

 

 

 

 

 

 

 

T

 

T

 

 

 

*T

 

 

 

 

uj

 

 

 

 

 

 

 

x Qi t uj Rij

t

 

 

 

 

x

i

x

 

 

 

 

 

 

 

 

 

j 1

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

j i

 

 

 

 

 

 

 

 

 

 

 

 

 

N

 

 

*

 

 

 

 

 

 

 

 

 

 

T

 

 

Bj t

uj

 

 

 

 

 

 

 

 

i

A t

 

 

;

 

 

 

 

 

 

 

x

 

 

 

 

 

 

 

 

 

 

 

 

j 1

 

 

 

 

 

 

 

 

 

 

 

 

 

 

j i

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Hi

uT R

t T B

t

 

 

 

0;;

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

ui

 

i

ii

 

i i

 

u u*

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

i

i

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

при Rii t 0, получим требуемые оптимальные управления:

ui* t Rii1 t BiT t i t .

(11)

(12a)

(12b)

(13)

Пример дифференциальной игры для двух игроков [2]. Рассмотрим нелинейную управляемую систему:

dx / dt f x g1 x w g2 x u; f 0 0;

и целевую функцию:

infsupJ u, w ;

u

w

 

 

 

J(u,w) q(x) uTu wTw dt.

0

 

Достаточноеусловиедляформированияоптимальногоуправления– существованиетакойнеотрицательнойфункции V t,x ,чтовыполняется уравнениеHJB:

0 minmax Vx f x g1 x w g

2 x u q x uTu wTw

u w

 

 

 

 

 

u 0,5 g TV T

 

 

 

2

 

 

 

 

 

w 0,5 g TV T

 

 

 

2

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

2

x

 

 

 

 

 

 

 

 

 

 

 

 

1 x

 

 

 

 

minmax

 

 

 

 

x

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

g g

T g

g T

V T

q

u w 0,5 V

 

1 1

 

 

 

 

 

2

2

x

 

 

 

 

 

Оптимальное управление достигается при:

u* 0,5 g2TVxT;

w* 0,5 g1TVxT;

Vx f .

(14)

(15)

(16)

(17)

при этом уравнение HJB:

313

Vx f 0,25 Vx(g1g1T g2g2T )VxT q 0.

Для линейной системы:

dx / dt Ax Bx; q xTQx; V xTx;

уравнение HJB преобразуется к уравнению Риккати:

A AT BBT Q 0; A 12 Q BBT S ,

где S – кососимметрическая матрица.

Библиографический список

(18)

(19)

(20)

1.Basar T., Bernhard P. H -optimal control and related mini-max problems. Berlin: Birkhauser, 1991.

2.Doyle J., Primbs J., Shapiro B., Nevistic C. Nonlinear Games: examples and counterexamples. // Decision and Control, 1996., Proceedings of the 35th IEEE, vol.4, pp.3915-3920.

Научныйруководительд-ртехн.наук,профессорС.Н.Чуканов

УДК 004.8

НЕЙРОКОМПЬЮТЕРЫ, НЕЙРОННЫЕ СЕТИ: СФЕРЫ ПРИМЕНЕНИЯ И ВЕКТОР РАЗВИТИЯ

Р.И. Курманов, П.А. Байбара, студенты Сибирская государственная автомобильно-дорожная академия, г. Омск

Актуальность такого направления как нейрокомпьютеры и нейросети обусловлена рядом преимуществ:

-параллельная работа большого числа простых вычислительных устройств (что является одним из основных принципов работы нейрокомпьютеров) обеспечивает огромное быстродействие;

-Система способна обучаться и самостоятельно адаптироваться

кизменяющимся условиям;

-устойчивые и надежные нейросистемы могут создаваться из ненадежных элементов, имеющих значительный разброс параметров. Актуальность применения нейронных сетей многократно

возрастает, когда появляется необходимость решения плохо формализованных задач.

Цель данной работы - выявить перспективы развития рассматриваемого направления. Для этого требуется выполнить следующие задачи:

-рассмотреть историю возникновения нейрокомпьютеров, определить вектор развития;

-определить текущее положение на данном векторе;

314

- выявить следующую ступень.

Приступим к рассмотрению данных вопросов.

1. История возникновения.

Основы нейроматематики были заложены в 1943 году в работе У. Маккалока и У. Питтса “Логическое исчисление идей, относящихся к нервной деятельности”. В статье была представлена модель нейрона как простейшего процессорного элемента, а также предложена конструкция сети таких элементов, используемая для выполнения математических и логических операций. Кроме этого, было сделано предположение о том, что такая сеть способна обучаться, обобщая полученную информацию. Следующим этапом развития области нейроинтеллекта стало создание в 1958 году Ф.Розенблатом модели персептрона - однослойной нейронной сети. В 1969г. вышла в свет книга М. Мински и С. Паперта «Персептроны», в которой был доказан ряд теорем, объясняющих неспособность решения многих простых задач, например реализации логической операции «или», при помощи однослойных сетей. Масштабная работа над нейросетями вновь началась в 1982 году, когда Д. Хопфилд представил модель ассоциативной памяти нейронной сети. Очередной скачок в развитии нейрокомпьютеров произошел в 1986 году в связи с разработкой Д. Румельхатом метода обучения многослойного персептрона, названного им “Error Back-Propagation” (Обратное распространение ошибки).

2.Практическое использование нейрокомпьютеров.

Всвязи с рядом преимуществ, нейрокомпьютеры могут быть успешно использованы в различных областях:

— Управление в режиме реального времени;

— Биометрическая идентификация личности;

— Распознание изображений,букв, иероглифов, сигналов радара;

— Прогнозирование различных ситуаций, как то: курса акций, итогов политических событий, реакции потребителей на нововведения;

— Поиск оптимальных решений.

Рассмотрим примеры практического применения нейрокомпьютеров.

Распознавание краденных кредитных карт.

Данное направление одним из первых получило признание благодаря использованиюнейросетей. Так, еще с конца 80-х – начала 90-

хкомпания HNC Software Corp (основатель – РобертХехт-Нильсен) являлась лидером на рынке контроля транзакций по пластиковым картам. Ее основной продукт Falcon, выпущенный в сентябре 1992г., контролировал более 240 млн. карточных счетов, при этом система

315

анализировала типичное поведение клиентов и отмечала резкую смену характера покупок, сигнализируя о возможной краже.

Обработка информации на финансовых рынках.

C начала 90-x годов нейронные сети стали активно использоваться фирмами – владельцами крупного капитала. Американский “Citibank” использует нейросетевые предсказания с 1990 года. Как показывает статистика, доходность банка возросла на 25% годовых. “Fidelity of Boston” использует нейросети при управлении портфелями с суммарным объемом $3 миллиарда. Полностью автоматизированные системы ведения портфелей с использованием нейросетей применялись банками “Deere & Co” и “LBS Capital”, обладающими суммарным капиталом в $500 млн.

Системы безопасности в аэропортах.

Американская фирма SAIC использовала нейронные сети в своем проекте TNA. TNA представляет собой устройство, способное обнаруживать взрывчатку в запакованном багаже. Немаловажен тот факт, что SAIC получила контракт на разработку TNA от Федерального Управления по Авиации (FAA) в силу преимущества системы на основе нейросетей над классической.

Обработка изображений.

Ассоциативнаяработа нейросетей помогаетнаосновестатистики производитьразличныеоперациинад изображениями.Одним из примеровможетслужитьпрограмма Сигнейро(Signneuro1.2.0 Professional).Данный программныйпродуктнаправленнавыполнение такихзадач, какреставрацияархивныхдокументов,поисклиц, распознание текста ианализ изображении наналичиеспама, восстановление цвета изображенийи удалениедефектов.Стоитотметить, чтодемо-версия программыдоступнадлязагрузки насайтеразработчика.

Обработка сигналов.

В первую очередь это класс задач, связанных с прогнозированием.

Примером можетслужить прогнозирующая нейросетевая система компании“GoalAssist”. На входы даннойнейронной сети подаются различные параметры товарови рекламной политики. Результатом работы является прогноз вероятного отклика потребителей.

Управление динамическими объектами.

США и Финляндия ведут работы по использования нейрокомпьютеров для управления химическими реакторами. В нашей стране этим не занимались, в частности, по причине морального устаревания существующих реакторов и отсутствия целесообразности совершенствования их систем управления.

3. Нейросистемы: состояние на 2011 год, перспективы развития.

316

В настоящее время экспертами предлагается использование нейронных сетей для решения более широкого спектра задач. Так, в журнале «Нейрокомпьютеры: разработка, применение» за 2011 предложен ряд проектов:

-«Адаптивное светофорное регулирование на перекрестке на основе нейро-нечеткой системы управления с подкрепляющим обучением». В данной работе не только была рассмотрена данная система, но и проведено ее сравнение с системой с фиксированными параметрами светофоров на основе ряда тестов.

-«Использование принципов модульной онтологической системной технологии в интеллектуальных медицинских информационных системах».

-«Программы поведения и потоки информации: нейроэволюционный подход к оптимизации управления экономическими системами».

-«Статистические и нейросетевые методы прогнозирования электорального поведения на примере президентских выборов во Франции». В данной работе представлена регрессионная модель прогнозирования результатов политических выборов.

Кроме этого, и в других источниках публикуется множество статей, направленных на практическое применение нейрокомпьютеров. Так, например, Е.В.Нурмановой, к.т.н. МГУ приборостроения и информатики, предложена система рейтинговой оценки студентов на основе нейросетей.

Стоит отметить, что внастоящее время уровень развития вычислительной техники стал адекватен аппаратным требованиям, необходимым для работы сложных нейросистем, что указывает на перспективу проникновения нейрокомпьютеров в различные области. Так, если всередине 80-х годов разработка проектов, связанных с прикладным применением нейронных сетей, являласьпрерогативой государственных ведомств, например Агентства перспективных военных исследований (DARPA) США, то спустя 10 лет он уже активно использовалисьнаиболее финансово обеспеченными фирмами– различными банками. К началу двухтысячных годовденежный порог, необходимыйдля использования рассматриваемых вданной работе технологий снизился, что привело квнедрению нейрокомпьютеров в различные сферы производства и маркетинга. К 2010-2011 году различными компаниями-разработчиками предлагаются проекты и программные продукты, использующие модельнейронных сетей для решения таких обыденных задач, как регулировка дорожногодвижения или реставрациядомашнего фотоальбома.На основе этих данных стоит полагать, что дальнейшее развитие производительности компьютеров

317

приведеткмасштабному внедрению нейрокомпьютеров на уровне персонального использования для решения бытовых вопросов, например в системах “умного дома”.

Библиографический список

1.Бодянский Е.В., Руденко О.Г. «Искусственные нейронные сети: архитектуры, обучение, применения». Харьков: Телетех, 2004.

2.Галушкин А.И. «Нейрокомпьютеры и их применение. Книга 1». Учеб. пособие для вузов. М.: ИПРЖР; 2000. -416 с: ил.

3.Каллан Роберт. «Основные концепции нейронных сетей». М. : Издательский дом "Вильямc", 2001. — 287 с.

4.Круг П.Г. «Нейронные сетии компьютеры», Издательство МЭИ, Москва, 2002.

5.Шумский С.А. «Нейрокомпьютинг – состояние и перспективы»

6.Журнал «Хакер» #38, январь 2004 г.

7.Журнал «Нейрокомпьютеры: разработка, применение» № 1-3, 2011 г.

Научныйруководительд-ртехн.наук,профессорС.Н.Чуканов

УДК 004.455.1:342.553

ПРОБЛЕМНЫЙ АНАЛИЗ СПРАВОЧНО-ПОИСКОВЫХ СИСТЕМ ДЛЯ МУНИЦИПАЛЬНЫХ ОРГАНОВ ВЛАСТИ

О.А. Попова, канд. экон. наук, доцент; М.А. Казаченко, студент Сибирская государственная автомобильно-дорожная академия, г. Омск

Деятельность современного экономиста,юриста и бухгалтера базируется на нормативных документах. Объем правовой информации неуклонно растет,

иобщее число выпущенных на сегодня в России федеральных, региональных

иведомственных документов приближается кмиллиону. Если хранить все эти документы вбумажном виде, потребуется целаябиблиотека.

Колоссальный объем и динамика изменений российского законодательства требуют от специалистов юридических специальностей, студентов, бизнесменов и любых, заинтересованных в достоверной и своевременной правовой информации лиц, использования современных инструментов для работы с юридической информацией. Сейчас такими инструментами стали справочные правовые системы (далее СПС).

Компьютерная справочно-правовая система -это программный комплекс, включающий в себя массив правовой информации и программные инструменты, позволяющие специалисту работатьс этим массивом информации:производить поиск конкретных документов или ихфрагментов, формировать подборки необходимых документов, выводить информациюна печать [1].

318

Соседние файлы в предмете [НЕСОРТИРОВАННОЕ]
Помощь Обратная связь Вопросы и предложения Пользовательское соглашение Политика конфиденциальности