Разработка алгоритмов комплексного анализа деятельности угольных предприятий с применением метода нейронных сетей тема диссертации и автореферата по ВАК РФ 05.13.18, кандидат технических наук Алферов, Максим Владимирович

• Алферов, Максим Владимирович
• кандидат технических наук
• 2004

Оглавление диссертации кандидат технических наук Алферов, Максим Владимирович

Введение.

Глава 1. Современное состояние методов анализа и прогнозирования производственно-экономических показателей работы промышленных предприятий.

1.1. Анализ традиционных методов и систем прогнозирования как способа определения производственно-экономических показателей работы предприятий на перспективу.

1.2. Возможности методов искусственного интеллекта (и метода нейронных сетей) в решении задач прогнозирования и управления.

1.3. Существующий опыт использования нейронных сетей в промышленности.

Глава 2. Разработка программного комплекса и интегрированной системы анализа параметров работы угольных предприятий, основанных на технологии нейронных сетей.

2.1. Сравнительный анализ существующего нейросетевого программного обеспечения.

2.2. Программная реализация компонентов программного комплекса.

Глава 3. Разработка алгоритмов нейросетевого моделирования параметров работы угольных предприятий.

3.1. Разработка алгоритма определения степени влияния показателей-аргументов.

3.2. Разработка алгоритма нейросетевого прогнозирования.

Введение диссертации (часть автореферата) на тему «Разработка алгоритмов комплексного анализа деятельности угольных предприятий с применением метода нейронных сетей»

Важным условием получения объективной оценки работы угольной отрасли, необходимой как для возможной корректировки характера ее функционирования, так и для разработки программ перспективного развития, является наличие достоверной информации о состоянии отдельных угледобывающих предприятий.

Применение традиционных методов анализа состояния угледобывающих предприятий и оценки перспектив их развития не позволяет обеспечить требуемой в современных условиях хозяйствования степени глубины и детализации получаемой информации.

В данной работе предлагается в качестве одного из направлений в решении проблемы осуществления комплексного анализа технико-экономического состояния угольных предприятий и прогнозирования возможного изменения основных показателей их деятельности в перспективе, использовать создание проблемно-ориентированных программных комплексов на основе метода нейронных сетей.

Интенсивные исследования в области нейронных сетей и полученные теоретические и практические результаты привели к возникновению принципиально новых технологий создания интеллектуальных систем в различных областях знаний. Способность нейронных сетей к самоорганизации, адаптации и обучению позволяет создавать качественно новые прикладные системы, обладающие рядом преимуществ по сравнению с традиционными: меньшей процедурной сложностью, толерантностью к ошибкам, высокой точностью решения сложных задач. Одним из фундаментальных свойств нейронных сетей является способность их после обучения к обобщению и пролонгации результатов. Это создает предпосылки для создания на базе их различного рода прогнозирующих систем для разных сфер применения, в т. ч. для угольной промышленности.

Нейронные сети позволяют организовать высоко адаптивные нелинейные прогнозные модели, позволяющие во многих случаях моделировать и выполнять прогнозы сложных временных зависимостей с большей эффективностью и точностью по сравнению с известными статистическими методами.

По этой причине осуществляемая в данной работе разработка программного комплекса оценки технико-экономической деятельности угольных предприятий с использованием метода нейронных сетей является актуальной научной задачей.

Работа выполнялась в соответствии с проектом «Объектно-ориентированные модели горно-технологических информационных систем» плана НИР Института угля и углехимии СО РАН на 2001 - 2002 гг., проектом «Разработка научно-методических основ создания нового поколения геоинформационных систем» плана НИР Института угля и углехимии СО РАН на 2003 — 2005 гг., региональной программой «Сибирь», комплексом работ по стратегии развития угольной промышленности Кузбасса до 2020 г., отдельные этапы работы использовались в хоздоговорах по тематике Института угля и углехимии СО РАН.

Целью диссертационной работы является разработка алгоритмов комплексного анализа технико-экономической деятельности угольных предприятий с использованием метода нейронных сетей.

Идея работы заключается в том, что повышение качества оценки состояния угольных предприятий и анализ возможностей их перспективного развития достигается посредством использования метода нейронных сетей.

Для достижения поставленной цели необходимо решить следующие задачи:

- исследовать возможности нейросетевых методов для оценки технико-экономического состояния угледобывающих предприятий и перспектив его развития в условиях динамически развивающейся среды функционирования;

- разработать метод формирования обучающей выборки для нейросетевого прогнозирования отдельных показателей по совокупности остальных технико-экономических показателей, обеспечивающий формирование нейронной сетью последовательности прогнозируемых значений;

- разработать нейросетевой алгоритм определения неявных взаимосвязей между технико-экономическими показателями работы угольных предприятий;

- разработать программный нейросетевой комплекс для прогнозирования и анализа последовательностей технико-экономических показателей работы угольных предприятий;

- разработать на основе нейронных сетей комплексную интегрированную систему обработки и визуализации информации для анализа параметров работы угольных предприятий.

В исследованиях применялись следующие методы:

- численные методы для формирования обучающих множеств нейронных сетей на базе статистических показателей периодической отчетности угледобывающих предприятий;

- теории нейронных сетей и математического моделирования для разработки алгоритма определения неявных взаимосвязей между технико-экономическими показателями работы угольных предприятий и программных нейросетевых комплексов;

- структурного и объектно-ориентированного программирования для разработки комплекса программ интегрированной системы анализа параметров работы угольных предприятий.

Научные положения, выносимые на защиту:

- эффективность решения задач анализа и прогноза технико-экономических показателей угольных предприятий, определяемая погрешностью прогнозирования, повышается в результате применения метода нейронных сетей;

- предложенный метод формирования обучающей выборки для нейронной сети, генерируя матрицу прогнозируемых элементов, обеспечивает создание последовательности прогнозируемых значений параметров деятельности угледобывающих предприятий;

- разработанный нейросетевой алгоритм определения степени влияния показателей-аргументов, моделируя характер зависимости исследуемого показателя-объекта от показателей-аргументов, выявляет и идентифицирует неявные взаимосвязи между технико-экономическими показателями угледобывающих предприятий и степень влияния одних показателей на другие;

- интегрированная с нейросетевым программным комплексом система обеспечивает обработку и визуализацию анализируемых показателей деятельности угледобывающих предприятий.

Достоверность научных положений подтверждается:

- корректным использованием в качестве фактологической базы расчетов значительного объема (36 параметров — по угольным шахтам, и 33 — по разрезам) технико-экономических показателей периодической отчетности российских угольных шахт и угольных разрезов (для различных видов расчетов — за периоды от 3 до 20 лет);

- существующим положительным опытом использования: метода нейронных сетей для решения задач моделирования сложных процессов и установления неизвестных закономерностей в угольной промышленности;

- сходимостью фактических данных и моделируемых нейронной сетью значений при определении степени взаимного влияния между основными технико-экономическими показателями работы угледобывающих предприятий (значения коэффициента линейной корреляции составляют от 0,78 до 0,95);

- достаточной точностью прогнозирования, определяемой по средней норме разности между векторами прогнозируемых и фактических значений исследуемого показателя, порог максимального значения которой (с учетом нормирования показателей в интервале [-1,1]) составляет 0,04;

- общей сходимостью результатов оценки выявленных взаимосвязей между технико-экономическими параметрами, а также выводов практических рекомендаций, с результатами экспертного опроса по проблеме оптимизации работы предприятий угольной промышленности.

Научная новизна полученных результатов состоит в следующем:

- установлена возможность использования метода нейронных сетей к решению задач анализа и прогнозирования технико-экономических показателей деятельности угледобывающих предприятий;

- разработан метод формирования обучающей выборки для нейронной сети, при использовании в качестве аргумента нейросети совокупности технико-экономических показателей работы угольных шахт и разрезов;

- разработан и обоснован алгоритм определения неявных взаимосвязей между основными технико-экономическими показателями работы угледобывающих предприятий и степени их взаимного влияния;

- разработан программный нейросетевой комплекс для анализа последовательностей показателей производственной деятельности угледобывающих предприятий;

- разработана и интегрирована в нейросетевой комплекс система обработки и визуализации показателей угледобывающих предприятий.

Личный вклад автора состоит:

- в установлении зависимости между последовательностью прогнозируемых значений исследуемого показателя и временными рядами показателей-аргументов в ретроспективе для формирования обучающего множества нейронной сети;

- в разработке алгоритма определения весов взаимосвязей между показателями работы угольных предприятий, позволяющего выбирать наиболее информативные входные переменные на этапе подготовки данных для обучения нейросетей;

- в разработке математических моделей прогнозирования деятельности угледобывающих предприятий, определяющих временной ряд исследуемого показателя в краткосрочной перспективе;

- в установлении адекватности нейросетевых прогнозных моделей угольных предприятий и сравнении их эффективности с известными экстраполяционными методами;

- в определении значения максимальной погрешности алгоритма прогнозирования, обеспечивающего эффективное использование вычислительных ресурсов;

- в разработке интегрированной системы моделирования и анализа технико-экономических процессов угольных предприятий, включающей в себя программный комплекс нейросетевого прогнозирования и интерфейсные приложения.

Практическая ценность диссертационной работы заключается:

- в расширении области применения нейронных сетей за счет использования их при анализе и прогнозировании технико-экономических показателей угледобывающих предприятий;

- в совершенствовании существующих и обосновании новых технических возможностей математического моделирования с использованием нейросетей;

- в разработке базирующегося на использовании нейросетей программного комплекса, способного решать практические задачи по анализу и прогнозированию деятельности угольных предприятий;

- в выявлении и анализе практически значимых взаимосвязей между основными технико-экономическими параметрами производственной деятельности предприятий угольной промышленности, дающих возможность определять направления и способы повышения их эффективности.

Результаты научных исследований, приведенные в диссертации, докладывались и получили одобрение на VII Международной научно-практической конференции «Перспективы развития горнодобывающей промышленности в третьем тысячелетии» (Новокузнецк, 2000 г.), Международных научных симпозиумах «Неделя горняка - 2002», «Неделя горняка - 2003» (Москва, 2002 - 2003 гг.), IV и V Международных научно-практических конференциях «Энергетическая безопасность России. Новые подходы к развитию угольной промышленности» (Кемерово, 2002 - 2003 гг.), Международной научно-практической конференции «Наукоемкие технологии разработки и использования минеральных ресурсов» (Новокузнецк, 2003 г.), Международной конференции «Вычислительные и информационные технологии в науке, технике и образовании» (Усть-Каменогорск, Казахстан, 2003 г.).

Основные результаты диссертационной работы опубликованы в соавторстве с В. П. Потаповым, С. Н. Лазаренко. По результатам выполненных исследований опубликовано десять печатных работ, отражающих основное содержание диссертации.

Заключение диссертации по теме «Математическое моделирование, численные методы и комплексы программ», Алферов, Максим Владимирович

Выводы по главе

В результате проведенного программного моделирования разработан алгоритм определения неявных взаимосвязей между технико-экономическими показателями работы угольных предприятий, позволяющий выбирать наиболее информативные входные переменные на этапе подготовки данных для обучения нейросетей при оценке и прогнозировании показателей работы угледобывающих предприятий.

Разработан оригинальный алгоритм прогнозирования значений технико-экономических показателей работы угольных предприятий на краткосрочную перспективу, основанный на технологии искусственных нейронных сетей. Выполнена апробация алгоритма прогнозирования по четырем шахтам Кузбасса на период с 2002 по 2008 гг.

При этом имеются достаточные основания оценить полученные результаты прогноза объемов добычи угля и себестоимости его добычи как вполне объяснимые с технической и экономической точек зрения и не противоречащие объективно существующим тенденциям в развитии рассматривавшихся предприятий угольной промышленности — что, в свою очередь, предполагает считать правомерным использование метода нейронных сетей для решения задач подобного рода.

Заключение

В диссертационной работе содержится решение задачи разработки алгоритмов анализа и прогноза технико-экономических показателей деятельности угледобывающих предприятий с использованием метода нейронных сетей, имеющей существенное значение для математического моделирования современных процессов экономического развития предприятий угледобычи.

Основные научные выводы и практические результаты заключаются в следующем:

1. Обоснована положительным опытом применения метода нейронных сетей в угольной промышленности возможность использования этого метода для анализа технико-экономических показателей работы угледобывающих предприятий и осуществления задач прогнозирования указанных показателей.

2. Разработанный метод формирования обучающей выборки для нейросетевого прогнозирования отдельных показателей по совокупности остальных технико-экономических показателей, обеспечивает формирование нейронной сетью последовательности прогнозируемых значений и производит среднюю норму разности между векторами прогнозируемых и фактических значений, не превосходящую значения 0,04.

3. Обоснован и создан алгоритм определения неявных взаимосвязей между отдельными технико-экономическими показателями работы угледобывающих предприятий, использующий для расчета коэффициентов влияния изменение внутренней структуры нейросети.

4. Разработан программный нейросетевой комплекс, моделирующий характер зависимости исследуемого показателя-объекта от показателей-аргументов, позволяющий осуществлять прогнозирование и анализ последовательностей технико-экономических показателей работы предприятий угледобычи и обеспечивающий наименьшую погрешность прогнозирования при сравнении с методом экспоненциального сглаживания и кусочно-кубической эрмитовой интерполяцией.

5. В результате применения разработанного алгоритма определения неявных взаимосвязей между технико-экономическими показателями работы угольных предприятий выявлены параметры, оказывающие наибольшее влияние на изменение значений объема добытого угля, себестоимости добычи угля и производительности труда работающих, и количественно оценена степень влияния на названые показатели каждого из параметров, включенных в статистическую отчетность по работе угольных шахт и разрезов Кузбасса.

6. Разработана интегрированная в нейросетевой программный комплекс система, обеспечивающая обработку и визуализацию показателей работы угольных предприятий.

Список литературы диссертационного исследования кандидат технических наук Алферов, Максим Владимирович, 2004 год

1. ЧетыркинЕ. М. Статистические методы прогнозирования. — М.: Статистика, 1977. — 200 с.

2. ТейлГ. Прикладное экономическое прогнозирование. — М.: Прогресс,1970. — 509 с.

3. Поршнев В. М., Сыркашев А. В. Прогнозирование технико-экономических показателей работы шахт. — Кемерово: Филиал ТГУ при КГУ, 1991.— 174 с.

4. Математическое моделирование и статистический анализ временных рядов: Сб. науч. работ. / Под ред. ТрушаН.Н. и Вакульчика П. А. — Минск: Белорус, гос. ун-т, ВЦ, 1993. — 120 с.

5. Дружинин Н. К. Математическая статистика в экономике. М.: Статистика,1971. —264 с.

6. Бокс Дж., Дженкинс Г. Анализ временных рядов. Прогноз и управление. — М.:Мир, 1974. —198 с.

7. Хованова Н. А., Хованов И. А. Методы анализа временных рядов. — Саратов: Изд-во Гос. учебно-науч. центра «Колледж», 2001. — 119 с.

8. Дружинин Н. К. Основные математико-статистические методы в экономических исследованиях. — М.: Статистика, 1968.

9. Елисеева И. И., Юзбашев М. М. Общая теория статистики. М.: Финансы и статистика, 1999. — 480 с.

10. Афанасьев В. Н., Юзбашев М. М. Анализ временных рядов и прогнозирование. — М.: Финансы и статистика, 2001. — 227 с.

11. Вуколов Э. А. Анализ временных рядов. — М.: Моск. гос. ин-т электрон, техники, 1997. — 55 с.

12. Князевский В. С., Житников И. В. Анализ временных рядов и прогнозирование. — Ростов н/Д: Рост. гос. экон. акад., 1998. — 161 с.

13. Математические методы прогнозирования экономических показателей / Саяпова А. Р., Гусельникова Е. А., Лакман И. А., Шамуратов Н. М. — Уфа: Башк. гос. ун-т, 2000. — 126 с.

14. Лисичкин В. А. О прогнозирующих системах. — М.: Знание, 1969.

15. ДобровГ. М. Прогнозирование науки и техники. — М.: Наука, 1969.— 208 с.

16. Лисичкин В. А. Теория и практика прогностики. Методологические аспекты. — М.: Наука, 1972.

17. Янч Э. Прогнозирование научно-технического прогресса. — М.: Прогресс, 1974. —586 с.

18. Методические направления перспективного планирования и прогнозирования развития и размещения угольной промышленности / Стугарев А. С., Данилова Л. А., Ковш Б. П., Чумаков Е. В. — М.: изд. ЦНИЭИ уголь, 1971.

19. Таль К. К. Методика определения погрешности результатов технико-экономических расчетов. Труды ЦНИИС. — Вып. 54. — М.: Транспорт, 1964. —52 с.

20. Хелмер О. Будущее науки. В кн.: Горизонты науки и техники. — М.: Мир,1969. —322 с.

21. Лисичкин В. А. Прогнозирование в науке и технике. — М.: ЦНИИТЭИ приборостроения, 1968. — 107 с.

22. Стугарев А. С., Соснов В. Д., Чумаков Е. В. Прогнозирование развития угольной промышленности. — М.: Недра, 1976. — 208 с.

23. Бешелев С. Д., Гурвич Ф. Г. Математико-статистические методы экспертных оценок. — М.: Статистика, 1980. — 263 с.

24. Глушков В. М. О прогнозировании на основе экспертных оценок. Науковедение прогнозирование - информатика. — Киев: Наукова думка,1970. —С. 201-204.

25. Gordon Т. J., Helmer О. Report on a Long-Range Tefecasting Study, report p. 2982. The Rand Corporation, Santa Monica, California, Sept. 1964.

26. Gordon Т. J. The Future, St. Martins Press, N.-Y., 1965.

27. Тардов Б. H. Определение тенденций и прогнозирование научно-технического прогресса с помощью качественно-количественного анализа динамики выдачи патентов. В кн.: Тематический патентно-информационный поиск. — М., 1967.

28. ФесенкоР.А., Лисичкин В. А. Прогнозирование научно-технического прогресса на основе переработки научно-технической информации. — М.: Информстандартэлектро, 1968. — 214 с.

29. Гомошинский В. Г. Использование патентной информации для оценки уровня производства и прогнозирования развития техники. В сб.: Анализ закономерностей и прогнозирования развития науки и техники. — Киев, 1967.

30. Обухов В, Методика научно-технического прогнозирования на основе патентной информации. В кн.: Материалы совещания специалистов стран — членов СЭВ и СФРЮ по обмену опытом при составлении научно-технических прогнозов. — Прага, 1967.

31. Гастеев Ю. Модель. Философская энциклопедия. Т. 1. — М., 1964.

32. Баженов Л., Бирюков Б., Штофф В. Моделирование. Философская энциклопедия. Т. 3. — М., 1964.

33. Статистическое моделирование и прогнозирование / Гамбаров Г. М., Журавель Н. М., Королев Ю. Г. и др. — М.: Финансы и статистика, 1990.

34. Бурков В. Н., Голиченко О. Г, Квон О. Ф. Моделирование экономической динамики: риск, оптимизация, прогнозирование. 1997.

35. Лакис П.П. Методологические и логические аспекты прогнозирования. — Рига: Зинатне, 1985. — 216 с.

36. Рабочая книга по прогнозированию / Под ред. И. В. Бестужева-Лада. — М.: Мысль, 1983. — 300 с.

37. Льюис К. Д. Методы прогнозирования экономических показателей / Пер. с англ. — М.: Финансы и статистика, 1986.

38. Лисичкин В. А. О достоверности прогнозов. — М.: Знание, 1979. — 64 с.

39. Малая М. П. Об оценках точности прогнозов технико-экономических параметров. Науковедение и информатика: Респ. межвед. сб. — Вып. 17, 1977, С. 20-26.

40. Тейл Г. Экономические прогнозы и принятие решений / Пер. с англ. — М.: Статистика, 1971. — С. 39 40.

41. Вопросы математико-статистического анализа краткосрочных экономических процессов. Сборник / Ред. Т. В. Рябушкин, И. М. Айзинова. — М., 1977. — 149 с.

42. Леонов Р. Е., Троп В. А. Теоретический критерий эффективности методов прогноза. Сб. науч. тр. Перм. политехи, ин-та. — 1976. — № 180. — С. 73 -74.

43. Нильсон Н. Принципы искусственного интеллекта. — М.: Радио и связь, 1985. —376 с.

44. Поспелов Г. С. Искусственный интеллект — основа новой информационной технологии. — М.: Наука, 1988. — 280 с.

45. Уинстон П. Искусственный интеллект / Пер. с англ. — М.: Мир, 1980. — 520 с.

46. Будущее искусственного интеллекта / Под ред. К. Е. Левитина, Д. А. Поспелова. — М.: Наука, 1991. — 302 с.

47. Логический подход к искусственному интеллекту: от классической логики к логическому программированию / А. Тейз, П. Грибомон, Ж. Луи и др. — М.: Мир, 1990. —432 с.

48. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности / Вороновский Г. К., Махотило К. В., Петрашев С. Н., Сергеев С. А. — Харьков: Основа, 1997. — 112 с.

49. Круглов В. В., Борисов В. В. Искусственные нейронные сети. Теория и практика. — М.: Горячая линия Телеком, 2001. — 382 с.

50. Курейчик В. М. Генетические алгоритмы. Обзор и состояние // Новости искусственного интеллекта. — 1998. — № 3.

51. Прикладные нечеткие системы / К. Асаи, Д. Ватада, С. Иваи и др. / Под ред. Т. Тэрано, К. Асаи, М. Сугено. — М.: Мир, 1993. — 368 с.

52. Кофман А. Введение в теорию нечетких множеств. — М.: Радио и связь, 1982.-432 с.

53. Борисов А. Н., Глушков В. И. Использование нечеткой информации в экспертных системах / Новости искусственного интеллекта.— 1991.— №3. —С.13-41.

54. Нечеткие множества в моделях управления и искусственного интеллекта / Аверкин А. Н., Блишун А. Ф., Батыршин И. 3., Силов В. Б., Тарасов В. Б. —М.: Наука, 1986. —312 с.

55. Нечеткие множества и теория возможностей. Последние достижения / Под ред. Р. Р. Ягера. — М.: Радио и связь, 1986. — 408 с.

56. Обработка нечеткой информации в системах принятия решений / Борисов А. Н., Алексеев А. В., Меркурьева Г. В. и др. — М.: Радио и связь, 1989. — 304 с.

57. Jang J. S. R. and Sun C.-T. Neuro-fuzzy modelling and control // The Proceedings of the IEEE. — Vol. 83. — Mar. 1995. — P. 378 406.

58. Nauck D. Neuro-fuzzy systems: review and prospects // Proc. Fifth Europan Congress on Intelligent Techniques and Soft Computing. — 1997. — P. 1044 -1053.

59. Jang J. S. R. ANFIS: Adaptive network based fuzzy interface systems // IEEE trans, on Systems, Man, and Cybernetics. — May 1993. — P. 665 685.

60. Zadeh L. A. Fuzzy Sets // Information and Control. — 11. — 1965. — N 8. — P. 338-353.

61. ЭлтиДж., КумбсМ. Экспертные системы: концепции и примеры. — М.: Финансы и статистика, 1987. — 191 с.

62. НейлорК. Как построить свою экспертную систему. — М.: Энергоатомиздат, 1991. — 286 с.

63. Маковский В. А., Похлебаев В. И. Базы знаний (экспертные системы). — М.: Изд-во стандартов, 1993. — 37 с.

64. Гаврилова Т. А., Червинская К. Р. Извлечение и структурирование знаний для экспертных систем. — М.: Радио и связь, 1982. — 200 с.

65. Попов Э. В. Экспертные системы. — М: Наука, 1987. — 288 с.

66. Рыбина Г. В. Технология проектирования прикладных экспертных систем. — М.: МИФИ, 1991. — 104 с.

67. ТаунсендК., ФохтД. Проектирование и программная реализация экспертных систем на персональных ЭВМ. — М.: Финансы и статистика, 1990. — 320 с.

68. Уотермен Д. Руководство по экспертным системам. — М: Мир, 1989. — 388 с.

69. Терехов С. А. Лекции по теории и приложениям искусственных нейронных сетей. — Снежинск: ВНИИТФ, 1994. — 182 с.

70. Знать бы, где упадешь. / Вышинский Л., Дунин-Барковский В., Флеров Ю., Новодворский И. // Сумма технологий. — 2002. — http://www.sumtech.ru/.

71. Омату С. Халид М. Юсоф Р. Нейроуправление и его приложения / Пер. с англ. Батина Н. В.; Под общ. ред. Галушкина А. И., Птичкина В. А. — М.: ИПРЖР, 2000. —271 с.

72. Власов А. И., Яковлева Г. Л., Яковлев В. Л. Применение нейросетевых методов в информационных и аналитических системах 7 Под ред. А. И. Галушкина. — М.: ИПРЖР, 2001.

73. Горбань А. Н., Россиев Д. А. Нейронные сети на персональном компьютере. — Новосибирск: Наука, 1996. — 276 с.

74. McCulloch W. S., Pitts W. A logical calculus of the ideas immanent in nervous activity // Bulletin of Mathematical Biophysics. — 1943. — N5. — P. 115133.

75. Hebb D. O. The Organization of Behavior: A Neuropsychological Theory. — N. Y.: Wiley, 1949. —358 p.

76. Rochester N., Holland J. H., Haibt L. H., Duda W. L. Tests on a cell assembly theory of the action of the brain, using a large digital computer // IRE Transactions on Information Theory. — 1956. — NIT-2. — P. 80 93.

77. Uttley A. M. A theory of the mechanism of learning based on conditional probabilities // Proc. of the 1st International Conference on Cybernetics. — Paris: Namur, Gauthier-Villars, 1956. — P. 83 92.

78. Uttley A. M. Information Transmission in the Nervous System. — London: Academic Press, 1979. — 215 p.

79. MinskyM. L. Theory of neural-analog reinforcement systems and its application to the brain-model problem: Ph. D. Thesis. — Princeton: Princeton University, N. J., 1954. — 143 p.

80. Minsky M. L. Steps toward artificial intelligence // Proceedings of the Institute of Radio Engineers. — 1961. — N 49. — P. 8 30.

81. Winograd S., Cowan J. D. Reliable Computation in the Presence of Noise. — Cambridge, MA: MIT Press, 1963. — 247 p.

82. Rosenblatt F. The Perceptron: A probabilistic model for information storage and organization in the brain // Psychological Review. — 1958. — N 65. — P. 386 -408.

83. Widrow В., Hoff M.E., Jr. Adaptive switching circuits // IRE WES-CON Convention Record. — 1960. — P. 96 104.

84. Widrow В. Generalisation and information storage in networks of adaline «neurons» / Yovitz M. C., Jacobi G. Т., and Goldstein G. D. // Self-Organizing Systems. — Washington, D. C.: Sparta, 1962. — P. 435 461.

85. Cowan J. D. A Mathematical Theory of Central Nervous Activity: Ph. D. Thesis. — University of London, UK, 1967. — 178 p.

86. Минский M., Пейперт С. Персептроны. — M.: Мир, 1971. — 261 с.

87. Willshaw D. J., von der Malsburg С. How patterned neural connections can be set up by self-organization // Proceedings of the Royal Society of London. — 1976. — Series B. — N 194. — P. 431 445.

88. Kohonen Т. Self-organized formation of topologically correct feature maps // Biological Cybernetics. — 1982. — N43. — P. 59 69.

89. Rumelhart D. E., Hinton G. E., Williams R. J. Learning representations by back-propagating errors // London: Nature, 1986. — N 323. — P. 533 536.

90. Broomhead D. S., Lowe D. Multivariable functional interpolation and adaptive networks // Complex Systems. — 1988. — N 2. — P. 321 355.

91. Patterson D. Artificial Neural Networks. — Singapore: Prentice Hall, 1996.

92. Fausett L. Fundamentals of Neural Network. N< Y.: Prentice Hall, 1994.

93. Bishop C. Neural Networks for Pattern Recognition. —Oxford: University Press, 1995.

94. Goldberg D. E. Genetic Algorithms. Reading, MA: Addison wesley, 1989.

95. Geropp В., Seeliger A., Kebler H.-W. Neural Net for Diagnosis of Antifriction Bearings in Mining Machines // АРСОМ XXV. Application of computers and operations research in the minerals industries. — July 1995. — P. 49 52.

96. Дубовик Ю. В. Математическое моделирование элементов геосистем угольных шахт адаптированным методом нейронных сетей: Автореф. дис. канд. техн. наук: 05.13.18. — Кемерово, 2001. — 27 с.

97. Клепиков В. Б., Сергеев С. А., Махотило К. В., Обруч И. В. Применение методов нейронных сетей и генетических алгоритмов в решении задач управления электроприводами // Электротехника. — М., 1999. — № 5. — С. 2-5.

98. Добрынин Д. В., Савельев А. А. Применение нейронных сетей для анализа пространственных данных // Материалы пятой конференции ГИС-Ассоциации «Геоинформатика и образование». — М., 2001.

99. Францкевич Г. И., Букарев А. А., Костюк В. П. Нейросетевые и генетические модели и методы анализа данных // www.neuroproject.ru.

100. Махотило К. В., Сергеев С. А., СушковА. В. Дискретная нейросетевая система управления нелинейным динамическим объектом // Вестник Харьковского государственного политехнического университета. — Вып. 10. — Харьков: ХГПУ, 1997. — С. 13 18.

101. MATLAB. Getting Started with MATLAB. Version 5. The MathWorks, Inc., 1998. — 70 p.

102. MATLAB. Release 11 New Features. The MathWorks, Inc., 1999.

103. MATLAB. Using MATLAB.The MathWorks, Inc., 1999.

104. Медведев В. С., Потемкин В. Г. Нейронные сети: Matlab 6. — М.: Диалог-МИФИ, 2002. —489 с.

105. Потемкин В. Г. Система MATLAB. Справочное пособие. — М: Диалог-МИФИ, 1997. —350 с.

106. Потапов В. П., Лазаренко С. Н., Алферов М. В. Прогнозирование развития угольной отрасли с использованием метода нейронных сетей // Горный информационно-аналитический бюллетень. — М.: МГГУ, 2002. — № 7. — С. 173 -175.

107. Потемкин В. Г. Введение в MATLAB. — М.: Диалог-мифи, 1999. — 247 с.

108. ЕжовА. А. Нейрокомпьютинг и его применения в экономике и бизнесе: Учеб. пособие / Ежов А. А., Шумский С. А. — М., 1998. — 222 с.

109. Потапов В. П., Лазаренко С. Н., Алферов М. В. Математическое моделирование технико-экономических показателей работы угольных шахт методом нейронных сетей // Вычислительные технологии. — Новосибирск: ИВТ СО РАН, 2003. — № 4. — С. 75 80.

110. Головко В. А. Нейронные сети: обучение, организация и применение. — Кн. 4. — М.: ИПРЖР, 2001. — 256 с.

111. Экономические показатели угледобывающих предприятий Кемеровской области за 1997 г.

112. Результаты моделирования прибыли угледобывающего предприятия, полученной с 1 тдобытого угля

113. АО Черниговец 25,6 -2,86 3,92 -6,36 4,4079 ш. Тайбинская -47,34 -12,72 4,77 -34,30 1,8080 ш. Красногорская 12,01 -4,78 2,31 -11,44 3,2381 ш. №12 -22,51 -13,99 1,17 -34,92 1,7182 ш. Коксовая -77,58 -52,34 3,48 -329,29 34,66

114. Прим.: серым фоном выделены проверочные множества.

115. Проверка адекватности моделирования an = sim(net,pn); m,b,r. = postreg(an,tn)

116. W = net.IW{l,l}; % Сохранение параметров нейросети WO = zeros(n,к); % Матрица нулевых параметров net.IW{l,l} = WO; % Обнуление параметров нейросети % i индекс показателя-аргумента for i=l:кj индекс нейрона скрытого слоя for j=l:n

117. Выход сети константа poly(i,:) = 0 таха(i).; elseif

118. Интерполяция полиномом первой степениpoly(i,:) = polyfit(pnOl(i,:),a(i,:),1);end

119. Сохранение коэффициентов полинома fid = fopen('data.out','w'); fprintf(fid, '%20.2 f\n',poly(:,1)); fclose(fid); % Конец

120. Сохраняем среднее, максимальное и минимальноезначения времени обученияtrtime(k,l) = mean(trvec);trtime(k,2) = max(trvec);trtime(k,3) = min(trvec);

121. Вектор y{k} содержит последовательность значений % MSE (mean squared error) последней итерации обучения, % x{k} соответствующие значения времени обучения у{к} = tr.perf; m,n. = size(у{к});х{к} = 0:trtime(k,l)/(n-l):trtime (к,1).;

122. Чтение коэффициентов приведения coeff = xlsread('statistics.xlsCo'); for i=l:yearcnt

123. Приведение стоимостных показателей к ценам % текущего годаstat(2,1,:) = stat(2,i,:) * coeff(i,2); stat(3,i,:) = stat(3,i,:) * coeff(i,2);end

124. Вычисление прогнозируемых значенийpred массив прогнозируемых значенийppn = tramninxipp^inp/maxp) ;aan = sim(net, ppn);аа = postmnmx(aan,mint,maxt)';

125. Взвешивание с использованием коэффициентов к for j=l:hpred(q,j,m) = 1 / sum(k(j:h));tmp = 0;for i=l:h-j + 1tmp = tmp + k(j+i-l) * aa(j+i-l,h-i+l);endpred(q,j,m) = pred(q,j,m) * tmp;endelsepred(q,:,m) =0; % Неудачная попыткаendend

126. Сохранение результатов прогнозирования fid = fopen('statistics.out','w'); fprintf(fid,■%20.2f\n',pred); fclose(fid); % Конец