Применение аппарата нейронных сетей при решении управленческих задач

1. Формализованные задачи, для которых известен алгоритм

2. Слабоструктурированные задачи (стратегия)

Нейронные сети - система, которая стимулирует работу головного мозга.

Свойства:

1. Гибкость

2. Высокая приспосабливаемость к новой среде

3. Малые размеры и компактность

4. Высокая степень параллельности

Передача информации в головной мозг является сложным электрохимическим процессом.

1943 год, Маккаллок и Питтс «Перцептроны»

Основные упрощения данной модели:

• Реальные нейроны не представляют собой пороговые устройства. Они вырабатывают ответы на свой вход непрерывно

• Многие реальные клетки осуществляют нелинейное суммирование своих входов и логическую обработку.

Совокупность нейронов (входные) получает информацию из окружающего мира. Они связаны с другой (скрытой) группой, которые могут располагаться слоями.

С труктура нейронной сети:

Каждая связь (соединение) имеет численную величину (вес).

Обучение – процесс подбора весов в сети для получения требуемых выходов по конкретным входам

Экономические приложения нейронных сетей

1. Классификация

2. Прогнозирование

3. Анализ чувствительности

Индекс финансовой устойчивости:

, где

С – краткосрочные активы

NC – чистый капитал

CL – текущие пассивы

LTI – основные фонда

TA – общ. активы

TL – общ. Пассив

Основной алгоритм обучение сети – алгоритм обратного распространения. (1974г., Пол Верба) Основная идея этого метода состоит в распространении сигналов ошибки от выходов сети к её входам, в направлении, обратном прямому распространению сигналов в обычном режиме работы. Барцев и Охонин предложили сразу общий метод («принцип двойственности»), приложимый к более широкому классу систем, включая системы с запаздыванием, распределённые системы, и т.п.