РАЗРАБОТКА МОДУЛЯ АИС ДЛЯ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ О ВЫДАЧЕ КРЕДИТНЫХ ЗАЙМОВ НА БАЗЕ МНОГОСЛОЙНОГО ПЕРЦЕПТРОНА.

DEVELOPMENT OF AN AIS MODULE TO SUPPORT DECISION-MAKING ON ISSUING CREDIT LOANS BASED ON A MULTI-LAYER PERCEPTRON

Ilyas Khubbatulin

student, Department of Computer Systems, Kazan national research technical university Named after A.N. Tupolev - KAI,

Russia, Kazan

Elena Belashova

scientific director, candidate of physico-mathematical sciences, associate professor at the Department of Computer Systems, Kazan national research technical university Named after A.N. Tupolev - KAI,

Russia, Kazan

АННОТАЦИЯ

В данной работе предлагаются методы и алгоритмы интеллектуальной поддержки принятия управленческих решений на основе нейронных сетей. Разработан алгоритм автоматической генерации базы знаний в соответствии с разработанными критериями полноты и минимальности. Произведено редуцирование пространства признаков на основе экспертных оценок специалистов.

ABSTRACT

In this paper, we propose methods and algorithms for intellectual support of management decision-making based on neural networks. An algorithm for automatic generation of the knowledge base is developed in accordance with the developed criteria of completeness and minimality. The feature space was reduced based on expert assessments of specialists.

Ключевые слова-система управления; принятие решений; интеллектуальная поддержка; нейронные сети.

Keywords- management system; decision-making; intelligent support; neural networks.

В современном мире все чаще встречается необходимость автоматизации различных процессов. Будь то оцифровка рукописного текста, его перевод на другой язык, помощи в принятии быстрых решений на основе большого количества параметров – так или иначе, данная возможность значительно облегчает жизнь человека. Реализовать алгоритм помогающий принять правильное решение возможно с помощью искусственных нейронных сетей. Нейронная сеть — математическая модель, а также её программное или аппаратное воплощение, построенная по принципу организации и функционирования биологических нейронных сетей. По сути, в итоге мы получаем программный продукт, имитирующий человеческое мышление. [1]

Обучающая выборка — конечный набор входных сигналов (иногда вместе с правильными выходными сигналами), по которым происходит обучение сети.

После обучения сети, то есть, когда сеть выдает корректные результаты для всех входных сигналов из обучающей выборки, ее можно использовать на практике.

Однако прежде, чем сразу использовать нейронную сеть, обычно производят оценку качества ее работы на так называемой тестовой выборке.

Тестовая выборка — конечный набор входных сигналов (иногда вместе с правильными выходными сигналами), по которым происходит оценка качества работы сети.

Под обучением искусственных нейронных сетей понимается процесс настройки архитектуры сети и весов синаптических связей для эффективного решения поставленной задачи. Обучение нейронной сети осуществляется на некоторой выборке. По мере процесса обучения сеть должна лучше реагировать на входные сигналы.

Использование нейронных сетей обеспечивает полезное свойство как отказоустойчивость. Нейронные сети потенциально отказоустойчивы. Следовательно, при неблагоприятных условиях их производительность падает незначительно. При повреждении какого-либо нейрона или его связи, извлечение запомненной информации затрудняется. Но повлиять на ее работоспособность могут только серьезные повреждения структуры нейронной сети. Поэтому снижение качества работы нейронной сети протекает достаточно медленно. Если же повреждение структуры является незначительным, то оно никогда не вызывает катастрофических последствий. Для гарантирования отказоустойчивости работы нейронной сети. в алгоритмы обучения необходимо закладывать соответствующие поправки.[2]

Актуальность этой работы заключается в том, что сети в общем случае представляют собой дальнейшее развитие многослойных персептронов и интегрируют различные парадигмы обучения нейронных сетей. Такие сети, благодаря многослойной архитектуре, позволяют обрабатывать и анализировать большой объем данных, а также моделировать когнитивные процессы в различных областях.

Практическая ценность работы заключается в разработке алгоритмического и программного обеспечения автоматизированной интеллектуальной поддержки принятия решений о выдаче кредитных займов.

Список литературы:

1. Николаева Ю.В. Математическая постановка задачи обучения многослойного перцептрона для классификации рыночных ситуаций/ Журнал «Интеллектуальные системы в производстве» Издательство: Ижевский государственный технический университет имени М.Т. Калашникова № 3, 2016. 10-12 с.
2. Колпаков В.Е. Нейронные сети как инструмент определения технического состояния автотракторных двигателей/ Журнал «Известия Санкт-Петербургского государственного аграрного университета» Издательство: Санкт-Петербургский государственный аграрный университет (Санкт-Петербург) № 40, 2015. 240-243 с.