КВАНТИЛЬНАЯ ДИСПЕРСИОННАЯ МЕРА КАЧЕСТВА ОБУЧЕНИЯ НЕЙРОННОЙ СЕТИ КОХОНЕНА ПРИ РЕШЕНИИ ЭКОНОМИЧЕСКИХ ЗАДАЧ
Дата публикации
28.05.2020
Издательство
Ассоциация «Профессиональные аналитики аутопойэйзисных систем
Наименование издания
Азимут научных исследований: экономика и управление, № 2(31) 28.05.2020
DOI
10.26140/anie-2020-0902-0033
Автор(ы)
Аникин Валерий Иванович - Поволжский государственный университет сервиса
Аникина Оксана Владимировна - Тольяттинский государственный университет
Гущина Оксана Михайловна - Тольяттинский государственный университет
Аннотация(ии)
Одним из приоритетных направлений исследования в настоящее время являются нейронные сети, которые в решении экономических задач позволяют минимизировать риски возникновения множества проблем, связанных с отсутствием четкой методологии и математической модели. Наряду с классическими методами экономического моделирования и анализа нейросетевые технологии являются мощными инструментами для распознавания образов и прогнозирования в области финансов и экономики, предлагают генетические алгоритмы и естественные способы развития решений в компьютере, позволяют извлекать правила, выбирать входные данные, разрабатывать стратегии и оптимизировать финансово-экономические системы, нацеленные на достижение нескольких целей в различных условиях. Целью данного исследования являлась разработка критерия и методики оценки качества обучения искусственной нейронной сети Кохонена в задачах кластеризации и визуализации многомерных экономических данных, а также разработка сценария для исследования и сравнения качества разных алгоритмов обучения SOM. Основным методом, применяемым для оценки качества обученных SOM являлся критерий минимизации вычислительно эффективной интегральной квантильной меры дисперсии QDM. Исследование и сравнение качества алгоритмов обучения SOM с использованием QDM осуществлялось с помощью разработанного авторами сценария на языке программирования R. Результаты модельных экспериментов показали, что качество обучения SOM клеточным автоматом на использованной тестовой обучающей выборке данных существенно превышает качество ее обучения классическим пакетным алгоритмом Кохонена.
Полный текст статьи
| 35-anikin.pdf |
|---|