before – значення ВГПУ, млн.грн., що передує даті оцінки на 2 місяці;
now – значення ВГПУ, млн.грн. на початок останнього місяця, що передує даті оцінки.
В обох моделях штучного інтелекту вихідною змінною є значення індикатору ВГПу. Зупинимось детальніше на функціонуванні гібридних нейрон-нечітких моделей, які в результаті численних експериментів ми рекомендуємо покласти в основу розробки методик прогнозування індикаторів ефективності вартісного управління банками.
Хоча подібні системи деякою мірою позбавлені прозорості, користувачеві, якого насамперед цікавить фінансовий результат банку, не надто інтересні складні математичні викладки та обчислення. Як зазначалось раніше, уникнути надмірних труднощів під час візуального аналізу та економічної інтерпретації моделі стане можливим завдяки проектуванню систем із кількістю вхідних змінних, не більшою, ніж З (позначення вхідних змінних для систем обох типів наведено вище). Крім того, у [12] зазначено, що для великого масиву вхідних даних- спостережень гібридні нейро-нечіткі моделі дозволяють отримати прийнятні результати короткострокових прогнозів, значно кращі, порівняно з моделями авторегресії. Остання настанова якнайкраще підтверджує доцільність виконаної розробки на підставі щомісячних
даних по всій вітчизняній банківській системі. Тому детальніше зупинимось на результатах використання ANFIS-моделей (Adaptive- Network-based Fuzzy Inference System) під час проектування систем нечіткого висновку. Адаптивні системи нечіткого висновку являють собою систему типу Сугено, в якій кожне правило нечітких продукцій має постійну вагу, рівну одиниці. Проте, досвід удосконалення процедури проектування систем нечіткого висновку свідчить, що саме за рахунок корегування вагових коефіцієнтів правил, присутніх у базі знань, досягається витончене налаштування алгоритму. Отже, гібридні мережі вимагають додаткових налаштувань вагових коефіцієнтів правил, отриманих в результаті багатоітераційного навчання мережі. Архітектура ANFIS-моделі, представлена на рис. 3.14 [73, 88], являє собою п'ятишарову нейронну мережу прямого розповсюдження сигналу. При цьому першому шару (із подвійним точковим контуром та символічним зображенням гаусові кривої) відповідають терми вхідних змінних, які найчастіше задаються Гаусовими, чи трикутними. Кількість нейронів першого шару визначається сумарною кількістю термів вхідних змінних у системі нечіткого висновку, причому самі вхідні змінні, присутні у структурі у вигляді нейронів, розташованих у крайньому лівому "стовпчику", в окремий шар не виділяються – це входи системи. Кожен вхід з'єднаний із такою кількістю нейронів першого шару, скільки терм- множин визначено для відповідної вхідної мережі. З виходів першого шару інформаційні сигнали відповідно із лініями-зв'язками надходять до другого, який містить передумови нечітких правил.
Звичайно один і той же терм вхідної змінної може бути використаним у кількох правилах, тому кількість виходів кожного нейрону першого шару відповідає кількості посилань на нього у правилах нечіткого логічного висновку. Якщо структура нейромережі побудована за допомогою генератору ANFIS-систем середовища MATLAB, колір нейронів другого шару відповідає типу логічної зв'язки, використаної при побудові правила. Виходом кожного нейронного вузла є міра виконання правила, що обчислюється як добуток міри істинності всіх наявних у правилі передумов, тому на схемі (рис. 3.14) нейрони другого шару мають позначення "П" – символу добутку аргументів.
Рис. 3.14. Структурна модель гібридної нейрон-нечіткої мережі Розроблено на підставі [73, с. 49 – 52]
Нейрони третього шару акумулюють інформацію про міру істинності висновків кожного з правил. Кількість нейронів другого та третього шарів збігається і дорівнює кількості правил у базі знань. Єдиний нейрон четвертого шару – це суматор, який виконує агрегацію виходів всіх правил, наявних у базі знань, саме тому його позначено символом "Σ". Нарешті п'ятий шар, також позначений темним кольором, є виходом мережі. Він теж містить єдиний нейрон, який видає чітке значення вихідної змінної. У спеціалізованій науковій літературі, зокрема [60] обґрунтовано принципи побудови та функціонування значно складніших нейро-нечітких моделей, порівняно із варіантом структури, яку генерує підсистема MATLAB ANFIS-editor Побудова гібридних нейро-нечітких моделей здійснюється у результаті розрахунку таких параметрів функцій належності, що дозволили б якнайкраще відобразити кількісні та структурні характеристики існуючої вибірки даних.
Під час обчислення параметрів функцій належності використовують відомі процедури навчання нейронних мереж. Зазвичай, використовують комбінацію градієнтного спуску у вигляді алгоритму зворотного розповсюдженні помилки. Алгоритм зворотного розповсюдження помилки налаштовує параметри функцій належності.
Крім того, може застосовуватись і метод найменших квадратів, що дозволяє оцінити коефіцієнти висновків правил, оскільки ANFIS-модель реалізує систему нечіткого висновку Сугено, у якій вхідні змінні лінійно пов'язані із виходами мережі. Кожна ітерація процедури налаштування виконується в два етапи. На першому етапі на входи подається навчальна вибірка і за нев'язкою між бажаною і дійсною поведінкою мережі методом найменших квадратів обчислюються оптимальні параметри лінійних функцій належності вихідної змінної, які у структурній моделі мережі (рис. 3.14) е нейронам третього шару. На другому етапі остаточна нев'язка передається з виходів мережі на входи і методом зворотного розповсюдження модифікуються параметри функцій належності вхідних змінних – вузлів першого шару. При цьому обчислені коефіцієнти функцій належності вихідної змінної залишаються без змін. Ітераційна процедура налаштування триває доти, доки нев'язка перевищує заздалегідь встановлений поріг.
Програмна реалізація нейро-нечітких мереж засобами MATLAB спрощується у випадку роботи не у режимі командного рядку, а в разі застосування вбудованого редактору ANFIS, який шляхом обробки тренувальної вибірки даних обирає якнайкращі, з точи зору узгодження фактичних і розрахункових результатів, параметри функцій належності. При цьому вагові коефіцієнти всіх правил встановлюються на рівні одиниці. Отримана в результаті подібного налаштування система може виявитися надто складною, проте для невеликих систем, що містять одну вихідну і 2 – 3 вхідних змінних, налаштування вагових коефіцієнтів правил за допомогою нейронних мереж надає прийнятні результати. Редактор нейро-нечіткої мережі (ANFIS-editor) дозволяє автоматично синтезувати з експериментальних або експертних даних нейро-нечіткі мережі та налаштовувати їх [73, с. 126 – 130]. ANFIS-editor викликається у результаті друку слова anfisedit та натискання клавіші ENTER в командному рядку MATLAB. У результаті виконання цієї команди з'являється інтерактивне діалогове вікно (рис. 3.15).
Відповідно до рис. 3.15, на якому також наведено призначення функціональних полів ANFIS-редактору, під час створення або налаштування гібридних нейро-нечітких систем використовують:
• команди меню: File, Edit, View;
• область візуалізації;
• область властивостей ANFIS;
• область завантаження даних;
• область генерування вихідної системи нечіткого висновку;
• область навчання;
Сторінки
В нашій електронній бібліотеці ви можете безкоштовно і без реєстрації прочитати «Інноваційні методи оцінки банківського капіталу» автора Автор невідомий на телефоні, Android, iPhone, iPads. Зараз ви знаходитесь в розділі „Гібридні нейро-нечіткі мережі у контексті оцінювання потенціалу нагромадження вартості банківського капіталу“ на сторінці 2. Приємного читання.
