Системы и методы искусственного интеллекта в экономике

Массив финансовых показателей. Оценка финансовой устойчивости предприятия. Перевод качественных характеристик объектов в количественные. Расчет значения функций сходства с каждым эталонным образом по формулам Рассела и Рао, Жокара, Нидмена и Дайса.

Рубрика Программирование, компьютеры и кибернетика
Вид контрольная работа
Язык русский
Дата добавления 08.12.2010
Размер файла 50,9 K

Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже

Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.

КОНТРОЛЬНАЯ РАБОТА

По дисциплине: «Системы и методы искусственного интеллекта в экономике»

Задание 1

1. Выбираем массив финансовых показателей по которым будем оценивать финансовую устойчивость предприятия. Устанавливаем эталонные значения данных показателей в каждой группе риска в соответствие с предложенными диапазонами значений финансовых показателей:

x1

x2

x3

x4

Показатели

Эталоны

критическая зона

зона опасности

зона относительной стабильности

зона благо-получия

Коэф. абсолютной ликвидности

0,18

0,24

0,38

0,47

Коэф. оборачиваемости собст-венных средств

0,71

0,85

0,96

1,7

Коэф. обеспеченности денежных средств и расчетов

0,03

0,08

0,14

0,21

Рентабельность использования всего капитала

0,02

0,09

0,12

0,19

Рентабельность продаж

0,05

0,14

0,26

0,31

2. Задаем характеристики исследуемого предприятия. Веса показателям устанавливаются экспертами.

s

n

Показатели

Исследуемое предприятие

Вектор весов показателей (выбирается экспертами)

Коэф. абсолютной ликвидности

0,57

9

Коэф. оборачиваемости собст-венных средств

0.49

3

Коэф. обеспеченности денежных средств и расчетов

0,53

7

Рентабельность использования всего капитала

2,4

4

Рентабельность продаж

1,8

5

3. Рассчитываем разницу между составляющими векторов исследуемого предприятия и каждого эталонного образа:

(s-xi)

0,39

0,33

0,19

0,10

-0,22

-0,36

-0,47

-1,21

0,50

0,45

0,39

0,32

2,38

2,31

2,28

2,21

1,75

1,66

1,54

1,49

4. Рассчитываем квадрат разницы между составляющими векторов исследуемого предприятия и каждого эталонного образа:

(s-xi)^2

0,1521

0,1089

0,0361

0,0100

0,0484

0,1296

0,2209

1,4641

0,2500

0,2025

0,1521

0,1024

5,6644

5,3361

5,1984

4,8841

3,0625

2,7556

2,3716

2,2201

5. Таким образом, расстояния по Эвклиду () между исследуемым предприятием и эталонными образами будут равны:

х1

х2

х3

х4

Расстояния по Эвклиду

9,1774

8,5327

7,9791

8,6807

Минимальное расстояние между исследуемым предприятием и эталоном свидетельствует о принадлежности исследуемого предприятия к области риска х3 (зона относительной стабильности).

6. Рассчитываем разницу между составляющими векторов исследуемого предприятия и каждого эталонного образа, возведенную в степень л=4:

(s-xi)^л, л=4

0,02313441

0,01185921

0,00130321

0,00010000

0,00234256

0,01679616

0,04879681

2,14358881

0,06250000

0,04100625

0,02313441

0,01048576

32,08542736

28,47396321

27,02336256

23,85443281

9,37890625

7,59333136

5,62448656

4,92884401

7. Таким образом, расстояния по Минковскому () между исследуемым предприятием и эталонными образами будут равны:

х1

х2

х3

х4

Расстояние по Минковскому

41,55231058

36,13695619

32,72108355

30,93745139

Минимальное расстояние между исследуемым предприятием и эталоном свидетельствует о принадлежности исследуемого предприятия к области риска х4 (зона благополучия).

8. Рассчитываем модуль разницы между составляющими векторов исследуемого предприятия и каждого эталонного образа:

|s-xi|

0,39

0,33

0,19

0,10

0,22

0,36

0,47

1,21

0,50

0,45

0,39

0,32

2,38

2,31

2,28

2,21

1,75

1,66

1,54

1,49

9. Таким образом, расстояния по модулю разницы () между исследуемым предприятием и эталонными образами будут равны:

х1

х2

х3

х4

Расстояние по модулю разности

5,24

5,11

4,87

5,33

Минимальное расстояние между исследуемым предприятием и эталоном свидетельствует о принадлежности исследуемого предприятия к области риска х3 (зона относительной стабильности).

10. Рассчитываем произведение весов коэффициентов и квадрата разницы между составляющими векторов исследуемого предприятия и каждого эталонного образа:

nj*(s-xi)^2

1,0647

0,7623

0,2527

0,0700

0,2904

0,7776

1,3254

8,7846

0,7500

0,6075

0,4563

0,3072

22,6576

21,3444

20,7936

19,5364

15,3125

13,7780

11,8580

11,1005

11. Таким образом, расстояния по Эвклиду с весами () между исследуемым предприятием и эталонными образами будут равны:

х1

х2

х3

х4

Расстояние по Эвклиду (c весами)

40,0752

37,2698

34,6860

39,7987

Минимальное расстояние между исследуемым предприятием и эталоном свидетельствует о принадлежности исследуемого предприятия к области риска х3 (зона относительной стабильности).

12. Рассчитываем произведение весов коэффициентов и разницы между составляющими векторов исследуемого предприятия и каждого эталонного образа, возведенной в степень л=4:

nj*(s-xi)^л, л=4

0,16194087

0,08301447

0,00912247

0,0007

0,01405536

0,10077696

0,29278086

12,86153286

0,1875

0,12301875

0,06940323

0,03145728

128,3417094

113,8958528

108,0934502

95,41773124

46,89453125

37,9666568

28,1224328

24,64422005

13. Таким образом, расстояния по Минковскому с весами () между исследуемым предприятием и эталонными образами будут равны:

х1

х2

х3

х4

Расстояние по Минковскому (c весами)

175,5997369

152,1693198

136,5871896

132,9556414

Минимальное расстояние между исследуемым предприятием и эталоном свидетельствует о принадлежности исследуемого предприятия к области риска х4 (зона благополучия).

14. Рассчитываем произведение весов коэффициентов и модулей разницы между составляющими векторов исследуемого предприятия и каждого эталонного образа:

nj*|s-xi|

2,73

2,31

1,33

0,7

1,32

0,4752

0,223344

0,27024624

1,5

1,35

1,17

0,96

9,52

9,24

9,12

8,84

8,75

8,3

7,7

7,45

15. Таким образом, расстояния по модулю разницы с весами () между исследуемым предприятием и эталонными образами будут равны:

х1

х2

х3

х4

Расстояние по модулю разности (c весами)

23,82

21,6752

19,543344

18,22024624

Минимальное расстояние между исследуемым предприятием и эталоном свидетельствует о принадлежности исследуемого предприятия к области риска х4 (зона благополучия).

16. Рассчитываем сумму между составляющими векторов исследуемого предприятия и каждого эталонного образа:

(s+xi)

0,75

0,24

0,77

0,80

1,20

0,85

0,74

1,34

0,56

0,08

0,64

0,66

2,42

0,09

2,50

2,50

1,85

0,14

2,01

1,97

17. Рассчитываем модуль отношения (s-xi)/(s+xi) для каждой составляющей векторов исследуемого предприятия и каждого эталонного образа:

|(s-xi)/(s+xi)|

0,52

1,375

0,246753

0,125

0,183333

0,423529

0,635135

0,902985

0,892857

5,625

0,609375

0,484848

0,983471

25,66667

0,912

0,884

0,945946

11,85714

0,766169

0,756345

18. Таким образом, расстояния по Камберру () между исследуемым предприятием и эталонными образами будут равны:

х1

х2

х3

х4

Расстояние по Камберру

3,525607

44,94734

3,169433

3,153179

Минимальное расстояние между исследуемым предприятием и эталоном свидетельствует о принадлежности исследуемого предприятия к области риска х4 (зона благополучия).

ВЫВОД: В результате проведенного анализа можно сделать вывод о том, что уровень финансовой устойчивости исследуемого предприятия характеризуется относительной стабильностью и благополучием.

Задание 2

1. Задаем эталонные объекты, исследуемый образ и признаки, по которым будем оценивать сходство:

Вектор признаков

в него можно класть вещи

сделано преимущественно из одного материала

имеет дверцу

в него можно увидеть свое отражение

на нем сидят

окно

X1

да

да

нет

да

нет

шкаф

X2

да

да

да

нет

нет

стул

X3

да

да

нет

нет

да

диван

X4

да

нет

нет

нет

да

стол *

S

да

да

да

нет

нет

* Цветом выделен исследуемый образ.

2. Переводим качественные характеристики объектов в количественные. В результате формируется двоичный массив:

Вектор признаков

в него можно класть вещи

сделано преимущественно из одного материала

имеет дверцу

в него можно увидеть свое отражение

на нем сидят

окно

X1

1

1

0

1

0

шкаф

X2

1

1

1

0

0

стул

X3

1

1

0

0

1

диван

X4

1

0

0

0

1

стол *

S

1

1

1

0

0

3. Рассчитываем число совпадений наличия признаков объектов Xj, и S. Она может быть вычислена с помощью соотношения (n - количество признаков). Для этого используем функцию СУММПРОИЗВ, указывая в ней массивы векторов значений признаков исследуемого образа и каждого из эталонного образов.

Таким образом:

A (количество совпадений присутствия признаков у исследуемого объекта и эталона Xj)

окно

X1

2

шкаф

X2

3

стул

X3

2

диван

X4

1

4. С помощью переменной b подсчитывается число случаев, когда объекты Xj, и S . не обладают одним и тем же признаком, . Для упрощения расчетов необходимо рассчитать матрицу значений (1-xk) для всех исследуемых объектов:

(1-xk)

окно

X1

0

0

1

0

1

шкаф

X2

0

0

0

1

1

стул

X3

0

0

1

1

0

диван

X4

0

1

1

1

0

стол *

X5

0

0

0

1

1

Рассчитываем значение переменной b аналогично методу расчета переменной a, используя значения матрицы, полученной в п.4:

B (количество совпадений отсутствия признаков у исследуемого объекта и эталона Xj)

окно

X1

1

шкаф

X2

2

стул

X3

1

диван

X4

1

5. Аналогичным образом рассчитывает переменные g и h по формулам

, :

G

H

окно

X1

1

1

шкаф

X2

0

0

стул

X3

1

1

диван

X4

2

1

6. Проверяем правильность произведенных расчетов по формуле:

a + b + g + h = n

где n - количество анализируемых признаков (в нашем случае n = 5)

a

b

g

h

n

2

1

1

1

5

3

2

0

0

5

2

1

1

1

5

1

1

2

1

5

Следовательно, расчеты произведены верно.

7. Рассчитываем значения функций сходства с каждым эталонным образом по формулам Рассела и Рао, Жокара и Нидмена, Дайса, Сокаля и Снифа, Сокаля и Мишнера, Кульжинского, Юла:

(функция сходства Рассела и Рао),

(функция сходства Жокара и Нидмена),

(функция сходства Дайса),

(функция сходства Сокаля и Снифа),

(функция сходства Сокаля и Мишнера),

(функция сходства Кульжинского),

(функция сходства Юла).

Рассела и Рао

Жокара и Нидмена

Дайса

Сокаля и Снифа

Сокаля и Мишнера

Кульжинского

Юла

Эталоны

0,4

0,5

0,333333

0,333333

0,6

1

0,333333333

окно

0,6

1

0,5

1

1

#ДЕЛ/0!

1

шкаф

0,4

0,5

0,333333

0,333333

0,6

1

0,333333333

стул

0,2

0,25

0,2

0,142857

0,4

0,33333

-0,333333333

диван

При распознавании образов с помощью функций сходства, исследуемый образ можно отнести к эталону, если значение функции сходства между ними максимально. Следовательно, наиболее близким эталоном к исследуемому образу является «шкаф», «стул», «окно».

8. Рассчитаем расстояние по Хеммингу между исследуемым образом и эталонами Расстояние по Хеммингу между двумя двоичными векторами равно числу несовпадающих двоичных компонент векторов. Используя переменные g и h его можно рассчитать по следующей формуле:

SH = g + h

SH = g + h

Окно

X1

2

Шкаф

X2

0

Стул

Х3

2

Диван

X4

3

При распознавании образов с помощью вычисления расстояния между объектами в качестве критерия принятия решения о принадлежности к конкретному эталону используется минимальное расстояние от исследуемого образа до эталона. Согласно данному критерию, наиболее близким к исследуемому образу является эталон «шкаф», «стул», «окно».

ВЫВОД: В результате проведенного анализа, согласно всех используемых функций сходства и расстояния по Хеммингу, исследуемый образ «стол» имеет наибольшее сходство с эталоном «шкаф», «стул», «окно».

9. Используя знания о логическом смысле переменных a, b, g, h предлагаю следующий вариант функции сходства:

Используя её для оценивания сходства между исследуемым образом и эталонами, получим:

Эталоны

Предложенная функция

Окно

0,4

Шкаф

1

Стул

0,4

Диван

0,2

Как видим, результат предложенный функции совпадает с результатами функций Рассела и Рао, Жокара и Нидмена, Дайса, Сокаля и Снифа, Сокаля и Мишнера, Кульжинского, Юла, что свидетельствует о её достаточной достоверности.


Подобные документы

  • Сущность и проблемы определения искусственного интеллекта, его основных задач и функций. Философские проблемы создания искусственного интеллекта и обеспечения безопасности человека при работе с роботом. Выбор пути создания искусственного интеллекта.

    контрольная работа [27,9 K], добавлен 07.12.2009

  • Искусственный интеллект – научное направление, связанное с машинным моделированием человеческих интеллектуальных функций. Черты искусственного интеллекта Развитие искусственного интеллекта, перспективные направления в его исследовании и моделировании.

    реферат [70,7 K], добавлен 18.11.2010

  • Понятие искусственного интеллекта как свойства автоматических систем брать на себя отдельные функции интеллекта человека. Экспертные системы в области медицины. Различные подходы к построению систем искусственного интеллекта. Создание нейронных сетей.

    презентация [3,0 M], добавлен 28.05.2015

  • Понятие искусственного интеллекта. Представление знаний и разработка систем, основанных на знаниях. Распознавание образов и машинный перевод. Нейрокомпьютеры и сети. Экспертные системы, их структура,классификация и инструментальные средства построения.

    курсовая работа [922,1 K], добавлен 12.01.2009

  • Сущность искусственного интеллекта, сферы человеческой деятельности, в которых он распространен. История и этапы развития данного явления. Первые идеи и их воплощение. Законы робототехники. Использование искусственного интеллекта в коммерческих целях.

    реферат [40,8 K], добавлен 17.08.2015

  • История развития искусственного интеллекта. Экспертные системы: их типы, назначение и особенности, знания и их представление. Структура идеальной и инструменты построения экспертных систем. Управление системой продукции. Семантические сети и фреймы.

    реферат [85,7 K], добавлен 20.12.2011

  • Стабильность деятельности в свете долгосрочной перспективы как одна из важнейших характеристик финансового состояния. Знакомство с этапами разработки программного продукта, выполняющего анализ финансовой устойчивости предприятия, рассмотрение функций.

    курсовая работа [784,4 K], добавлен 28.05.2013

  • Разработка базы знаний и её тестирование с помощью оболочки экспертных систем Little Helper. Оценка технических характеристик телевизора, ценового фактора. Практическое применение искусственного интеллекта на машиностроительных предприятиях и в экономике.

    курсовая работа [1,0 M], добавлен 19.09.2012

  • Эволюция систем искусственного интеллекта. Направления развития систем искусственного интеллекта. Представление знаний - основная проблема систем искусственного интеллекта. Что такое функция принадлежности и где она используется?

    реферат [49,0 K], добавлен 19.05.2006

  • Понятие и суть нечеткой логики и генетических алгоритмов. Характеристика программных пакетов для работы с системами искусственного интеллекта в среде Matlab R2009b. Реализация аппроксимации функции с применением аппарата нечеткого логического вывода.

    курсовая работа [2,3 M], добавлен 23.06.2012

Работы в архивах красиво оформлены согласно требованиям ВУЗов и содержат рисунки, диаграммы, формулы и т.д.
PPT, PPTX и PDF-файлы представлены только в архивах.
Рекомендуем скачать работу.