Инновационные проекты характеризуются высокой степенью неопределенности и риска, поэтому при проведении оценки эффективности проектов данного вида целесообразно применять лишь методы экспресс-анализа, основанные на аппарате теории нечетких множеств и искусственных нейронных сетей.
Инновационные проекты характеризуются высокой степенью неопределенности и риска, поэтому при проведении оценки эффективности проектов данного вида целесообразно применять лишь методы экспресс-анализа, основанные на аппарате теории нечетких множеств и искусственных нейронных сетей [1, 2].
Предлагаемая нейросетевая модель оценки эффективности основана на сетях гибридной структуры, объединяющих в себе нейросетевые и нечетко-множественные подходы [3]. Применительно к экспресс-анализу инновационных проектов нейронечеткие сети позволяют учесть одновременно и знания, и предположения экспертов, и статистическую информацию, накопленную в базе данных, тем самым уменьшая субъективность оценки проекта, так как часть параметров определяется автоматически в процессе обучения [4, 5].
Метод расчета эффективности проекта основан на построении и обучении нейронной сети, инструментальным средством являются среда Matlab и ее приложение Neural Network Toolbox [6].
Источником данных для определения эффективности инновационных проектов является информация об аналогичных проектах, оценка эффективности которых уже известна, т.е. имеет место так называемый процесс обучения с учителем. Обучающая выборка будет определяться индивидуально для каждого исследуемого проекта и содержать небольшое количество аналогов.
Важным этапом в построении нейросетевой модели является выбор топологии сети. Для решения данной задачи был проведен обзор границ применимости, преимуществ и недостатков сетей различной архитектуры. По результатам сравнительного анализа выбор был сделан в пользу сети прямого распространения с тремя скрытыми слоями на основе алгоритма нечеткого вывода Мамдани, поскольку сети данного класса широко используются для проведения экспертной оценки параметров инвестиционных проектов.
В структуре используемой сети нейроны первого слоя передают входной сигнал, выполняя транзитную функцию. Второй слой нейронов выполняет фазификацию (приведение к нечеткости), то есть моделирует функции принадлежности. Он состоит из числа нейронов, равного общему количеству нечетких множеств, описывающих возможные значения входных переменных. Третий слой отвечает за определение степени истинности правил нечеткого вывода. На начальном этапе, когда база правил не задана, количество правил равно количеству сочетаний всех нечетких значений входных переменных. Каждый из нейронов третьего слоя получает по два входных сигнала от нейронов второго слоя и реализует логическую связку «И» с помощью функции min. Четвертый слой нейронов играет роль нечеткой операции «ИЛИ». Нейрон выходного слоя вместе с вектором весов, связывающих его с выходными сигналами предыдущего слоя, выполняет дефазификацию, то есть приведение к четкости, определяя точное значение выходной переменной.
Применительно к поставленной задаче количество входных переменных соответствует числу известных параметров каждого проекта, множество возможных значений входных переменных содержит следующие термы: {очень малый, малый, средний, большой, очень большой}. Функции принадлежности, задающие каждое из пяти нечетких множеств, имеют трапециевидную форму .
Обучающая выборка определяется согласно следующему алгоритму действий:
1. Определяется тип инноваций исследуемого проекта [7, 8].
2. Среди инновационных проектов соответствующего типа ищутся проекты с известными показателями эффективности, набор заданных входных параметров которых совпадает с исследуемым.
3. Из найденных проектов отбираются наиболее близкие к исследуемому проекту по евклидовому расстоянию в пространстве признаков.
Существует ряд методов обучения искусственных нейронных сетей, которые различаются по времени сходимости и объемам обучающей выборки. Классическим методом обучения сети считается метод обратного распространения ошибки, основанный на распространении сигналов ошибки от выходов сети к её входам, в направлении, обратном прямому распространению сигналов в обычном режиме работы. Также разработаны модифицированные методы обучения, обеспечивающие более эффективное решение задач.
В процессе проведения сравнительного анализа методов обучения, для используемой сети был выбран метод на основе байесовой регуляризации, который наиболее соответствует условиям задачи, так как обучающая выборка относительно мала, а количество связей в изначально выбранной структуре сети велико, и автоматическое выделение из них лишь наиболее значимых позволяет избежать переобучения.
После определения структуры и параметров нейронной сети, а также проектов, входящих в обучающую выборку, предложенная модель была реализована в среде Matlab.
Сравнение результатов тестирования предложенной модели с существующими аналогами показало наличие более точных оценок и более быстрой сходимости.
архив: 2013 2012 2011 1999-2011 новости ИТ гость портала 2013 тема недели 2013 поздравления