КВАНТИЛЬНАЯ ДИСПЕРСИОННАЯ МЕРА КАЧЕСТВА ОБУЧЕНИЯ НЕЙРОННОЙ СЕТИ КОХОНЕНА ПРИ РЕШЕНИИ ЭКОНОМИЧЕСКИХ ЗАДАЧ

QUANTILE DISPERSION MEASURE OF QUALITY TRAINING OF THE KOHONEN NEURAL NETWORK IN SOLVING ECONOMIC TASKS

Аникин Валерий Иванович, Аникина Оксана Владимировна, Гущина Оксана Михайловна

Anikin Valerii Ivanovich, Anikina Oksana Vladimirovna, Gyshchina Oksana Mihailovna

Азимут научных исследований: экономика и управление, № 2(31) 28.05.2020

Одним из приоритетных направлений исследования в настоящее время являются нейронные сети, которые в решении экономических задач позволяют минимизировать риски возникновения множества проблем, связанных с отсутствием четкой методологии и математической модели. Наряду с классическими методами экономического моделирования и анализа нейросетевые технологии являются мощными инструментами для распознавания образов и прогнозирования в области финансов и экономики, предлагают генетические алгоритмы и естественные способы развития решений в компьютере, позволяют извлекать правила, выбирать входные данные, разрабатывать стратегии и оптимизировать финансово-экономические системы, нацеленные на достижение нескольких целей в различных условиях. Целью данного исследования являлась разработка критерия и методики оценки качества обучения искусственной нейронной сети Кохонена в задачах кластеризации и визуализации многомерных экономических данных, а также разработка сценария для исследования и сравнения качества разных алгоритмов обучения SOM. Основным методом, применяемым для оценки качества обученных SOM являлся критерий минимизации вычислительно эффективной интегральной квантильной меры дисперсии QDM. Исследование и сравнение качества алгоритмов обучения SOM с использованием QDM осуществлялось с помощью разработанного авторами сценария на языке программирования R. Результаты модельных экспериментов показали, что качество обучения SOM клеточным автоматом на использованной тестовой обучающей выборке данных существенно превышает качество ее обучения классическим пакетным алгоритмом Кохонена.
One of the priority areas of research at present is neural networks, which in solving economic problems can minimize the risks of many problems associated with the lack of a clear methodology and mathematical model. Along with the classical methods of economic modeling and analysis, neural network technologies are powerful tools for pattern recognition and forecasting in the field of finance and economics, they offer genetic algorithms and natural ways of developing solutions in a computer, they allow you to extract rules, choose input data, develop strategies and optimize financial and economic systems aimed at achieving several goals in different conditions. The aim of the work was to develop a criterion and methodology for assessing the quality of training of the Kohonen artificial neural network in the problems of clustering and visualization of multidimensional economic data, as well as developing a scenario for studying and comparing the quality of different SOM training algorithms. The main method used to assess the quality of trained SOM was the criterion for minimizing the computationally effective integrated quantile dispersion measure QDM. The study and comparison of the quality of SOM training algorithms using QDM was carried out using a script developed by the authors in the programming language R. The results of model experiments showed that the quality of SOM training by a cellular automaton on the test training data sample used significantly exceeds the quality of its training with the Kohonen classic batch algorithm.