सिस्टम विश्लेषण की सूचना विश्लेषणात्मक प्रणाली और कृषि-औद्योगिक परिसर के विकास का पूर्वानुमान

तंत्रिका नेटवर्क के साथ काम करने के लिए सॉफ्टवेयर विकसित करने की प्रक्रिया पर विचार किया जाता है। रूसी संघ के कृषि क्षेत्रों को चिह्नित करने वाले संकेतकों का सबसे सटीक पूर्वानुमान सुनिश्चित करने के लिए इष्टतम प्रशिक्षण मापदंडों और तंत्रिका नेटवर्क के प्रकार का चयन किया गया था।

एक प्रणाली के रूप में AIC को नियंत्रण और अवलोकन मानकों का उपयोग करके नियंत्रित किया जा सकता है। नियंत्रित कारकों में हेरफेर करते समय मनाया मापदंडों में परिवर्तन की गतिशीलता का पता लगाने के लिए, तंत्रिका नेटवर्क प्रौद्योगिकी का उपयोग किया गया था, जो इस समस्या को हल करने के लिए उपयुक्त है।
तंत्रिका नेटवर्क के इष्टतम प्रकार और मापदंडों को खोजना आवश्यक है। नेटवर्क प्रकार और पैरामीटर भविष्य के संदर्भ के लिए सहेजे जाने चाहिए।

सॉफ्टवेयर उत्पाद विकास

यह एक सॉफ्टवेयर उत्पाद विकसित करने का निर्णय लिया गया था जो तंत्रिका नेटवर्क के साथ काम करने की अनुमति देता है, लचीले ढंग से प्रशिक्षण मापदंडों को समायोजित करता है, और प्रशिक्षण के दौरान ही एक तंत्रिका नेटवर्क के प्रशिक्षण की प्रक्रिया के बारे में जानकारी प्राप्त करता है। अपने आगे के उपयोग के लिए एक तंत्रिका नेटवर्क की तैयार फाइलों को सहेजने की क्षमता प्रदान करें, इनपुट मापदंडों को सामान्य करें, परीक्षण और प्रशिक्षण नमूनों के अनुपात को समायोजित करें, तंत्रिका नेटवर्क के प्रकार और इसके परत सक्रियण कार्यों का चयन करें, तैयार तंत्रिका नेटवर्क के कनेक्शन का एक नक्शा प्रदर्शित करें। कई मोड में मूल्यों की भविष्यवाणी करने के लिए एक तंत्रिका नेटवर्क का उपयोग करने की क्षमता:

1. इनपुट मापदंडों के आधार पर एकल मूल्य की भविष्यवाणी;
2. मूल्यों की बहुलता का चक्रीय पूर्वानुमान, जब अनुमानित मूल्य को नेटवर्क के इनपुट को आपूर्ति की जाती है और पुनरावृत्तियों की संख्या निर्धारित करने की संभावना के साथ पूर्वानुमान फिर से शुरू होता है;
3. तंत्रिका नेटवर्क द्वारा वास्तविक और प्राप्त मूल्यों की तुलना;
4. एक साथ कई संकेतकों पर साजिश रच रहा है।

सॉफ्टवेयर उत्पाद बोरलैंड सी ++ बिल्डर 6 के वातावरण में विकसित किया गया था। तंत्रिका नेटवर्क प्रौद्योगिकी के लिए समर्थन प्रदान करने के लिए, एफएएनएन ओपन सोर्स लाइब्रेरी का उपयोग किया गया था। फास्ट आर्टिफिशियल न्यूरल नेटवर्क (FANN) एक पुस्तकालय है जो प्रोग्रामिंग भाषाओं C, C ++, PHP, Python, Delphi और Mathematica का समर्थन करता है और सॉफ्टवेयर डेवलपर्स के लिए एक शक्तिशाली उपकरण है। (1) पुस्तकालय का उपयोग कंप्यूटर गेम में कृत्रिम बुद्धि विकसित करने, वस्तुओं और छवियों की पहचान करने, एक्सचेंजों पर स्टॉक ब्रोकरों की मदद करने और रुझानों और बाजार के रुझानों की पहचान करने के लिए किया जा सकता है, और निश्चित रूप से, समस्या को हल करने के लिए।
सॉफ्टवेयर उत्पाद के कई स्क्रीन रूप हैं। प्रत्येक फॉर्म एक अलग एप्लीकेशन मोड प्रदान करता है।
"नेटवर्क क्रिएशन", चित्र 1 के मुख्य रूप में, तंत्रिका नेटवर्क के सामान्यीकरण के समूह तत्व हैं, प्रशिक्षण मापदंडों का स्वत: चयन, तंत्रिका नेटवर्क और लॉग ऑपरेशन के मापदंडों को सेट करना। ऑपरेटिंग मोड (स्क्रीन फॉर्म) के बीच स्विच करना मेनू "टूल्स" के माध्यम से किया जाता है।


चित्र 1. आवेदन का मुख्य रूप। "नेटवर्किंग"

निम्न प्रकार और ऑपरेशन के मोड को "लिंक का मानचित्र", चित्रा 2 कहा जाता है। इस मोड में, जब आप पहले से बनाए गए न्यूरल नेटवर्क फ़ाइल का चयन करते हैं, तो आप न्यूरल नेटवर्क के बारे में निम्नलिखित जानकारी देख सकते हैं:

• परतों की संख्या;
• न्यूरॉन्स की कुल संख्या;
• इनपुट परत में न्यूरॉन्स की संख्या;
• छिपी हुई परतों में न्यूरॉन्स की संख्या;
• आउटपुट परत में न्यूरॉन्स की संख्या;
• नेटवर्क में कनेक्शन की कुल संख्या।

तैयार न्यूरल नेटवर्क में न्यूरॉन्स के बीच कनेक्शन की संरचना और ताकत पर एक तालिका प्रदर्शित करने के लिए स्क्रीन फॉर्म का मुख्य भाग फ़ील्ड द्वारा कब्जा कर लिया जाता है। प्रपत्र पर, तालिका प्रदर्शित करने के लिए फ़ील्ड में एक फ़ॉन्ट आकार नियंत्रण ब्लॉक होता है, यदि नेटवर्क में बड़ी संख्या में न्यूरॉन्स और परतें होती हैं और इसकी संरचना और इसमें कनेक्शन की ताकत के बारे में जानकारी निर्दिष्ट फ़ील्ड में फिट नहीं होती है।


चित्र 2. "संचार का मानचित्र" रूप

तंत्रिका नेटवर्क में न्यूरॉन्स के बीच कनेक्शन की ताकत और संरचना की जानकारी एक तंत्रिका नेटवर्क की आंतरिक संरचना के सुविधाजनक देखने के लिए एक कॉम्पैक्ट मैट्रिक्स के रूप में प्रस्तुत की गई है।
इस तंत्रिका नेटवर्क में केवल 15 न्यूरॉन्स, 3 परतें (इनपुट, आउटपुट और छिपी परत) हैं। इनपुट परत में 9 न्यूरॉन्स होते हैं, छिपे हुए 5 में, आउटपुट 1 में। नेटवर्क में कनेक्शन की कुल संख्या 34 है। मैट्रिक्स में न्यूरॉन्स के बीच कनेक्शन प्रस्तुत किए जाते हैं। "।" (अवधि) का अर्थ है कोई संबंध नहीं। बांड की ताकत एज़ अक्षर द्वारा विशेषता है। छिपी हुई परत में 3 वास्तविक न्यूरॉन्स (परत 1 में न्यूरॉन्स 10, 11 और 12) में पिछली परत से 10 न्यूरॉन्स के साथ संबंध हैं, जैसा कि मैट्रिक्स की पहली तीन पंक्तियों में देखा जा सकता है। आउटपुट परत में न्यूरॉन 14 छिपी हुई परत 11-14 न्यूरॉन्स के चार न्यूरॉन्स से जुड़ा हुआ है, जैसा कि मैट्रिक्स की पांचवीं पंक्ति पर देखा जा सकता है।
मैट्रिक्स को सरल बनाने के लिए, इनपुट परत और पूर्वाग्रह न्यूरॉन्स में न्यूरॉन्स और उनके कनेक्शन मैट्रिक्स में प्रदर्शित नहीं होते हैं।
चित्रा 2 1995 से 2005 तक 10 वर्षों के लिए निम्नलिखित संकेतकों के लिए "एआईसी के आधार" के डेटा से एक नमूने के आधार पर निर्मित नेटवर्क की संरचना के बारे में जानकारी का उत्पादन दिखाता है:

1. कुल जनसंख्या, हजार लोग;
2. कृषि में कार्यरत लोगों की औसत वार्षिक संख्या, लाख लोग;
3. अर्थव्यवस्था में नियोजित लोगों की औसत वार्षिक संख्या, कुल हजार;
4. जनसंख्या की नकद आय (प्रति माह औसत प्रति व्यक्ति), रूबल;
5. जनसंख्या का नकद खर्च (प्रति माह औसत प्रति व्यक्ति), हजार रूबल;
6. कृषि उद्यमों, इकाइयों की संख्या ।;
7. कृषि भूमि का कुल क्षेत्रफल, हजार हेक्टेयर;
8. सब कुछ का बोया हुआ क्षेत्र;
9. खेतों की सभी श्रेणियों में, वास्तव में सकल कृषि उत्पादन। मूल्य, लाख रूबल 1998 के बाद;
10. किसान (खेत) घरों, इकाइयों की संख्या;
11. किसान (किसान) परिवारों को दी जाने वाली भूमि का क्षेत्रफल, हजार हेक्टेयर;
12. कृषि फसलों का बोया गया क्षेत्र, हजार हेक्टेयर;
13. अचल संपत्तियों में निवेश, लाख रूबल;
14. संघीय बजट से पूंजी निवेश, लाख रूबल;
15. फेडरेशन के घटक संस्थाओं के बजट से पूंजी निवेश, लाख रूबल;
16. उनकी कुल संख्या में लाभहीन उद्यमों का अनुपात,%;
17. कृषि उद्यमों, मिलियन रूबल की सभी गतिविधियों के लिए लाभ (कर से पहले);
18. घरेलू परिणामों के लिए बजट सब्सिडी। कृषि मंत्रालय के कृषि उद्यमों की गतिविधियाँ, लाख रूबल;
19. कृषि उद्यमों (सब्सिडी और क्षतिपूर्ति के साथ) की सभी गतिविधियों के लिए लाभप्रदता का स्तर,%;
20. अधिकृत पूंजी, हजार रूबल;
21. कर से पहले लाभ, हजार रूबल ।;
22. कर से पहले नुकसान, हजार रूबल;
23. सकल आय, हजार रूबल

नमूना में 2006 के अखिल रूसी कृषि जनगणना के परिणामों के आधार पर कोहेनन आत्म-व्यवस्थित मानचित्रों की विधि द्वारा क्लस्टर विश्लेषण का उपयोग करके पिछले अध्ययनों (2), (3) में चयनित रूसी संघ के क्षेत्र शामिल थे। प्रमुख क्षेत्रों में निम्नलिखित क्षेत्र शामिल थे, जिनमें से संकेतक तंत्रिका नेटवर्क के प्रशिक्षण में उपयोग किए गए थे:

1. आर्कान्जेस्क क्षेत्र;
2. अस्त्राखान क्षेत्र;
3. बेलगोरोद क्षेत्र;
4. ब्रायनस्क क्षेत्र;
5. व्लादिमीर क्षेत्र;
6. वोल्गोग्राड क्षेत्र;
7. वोलोग्दा ओब्लास्ट;
8. वोरोनिश क्षेत्र;
9. इवानोवो क्षेत्र;
10. काबर्डिनो-बाल्केरियन गणराज्य;
11. कैलिनिनग्राद क्षेत्र;
12. कलुगा क्षेत्र;
13. करचाय-चर्कासी गणराज्य;
14. किरोव क्षेत्र;
15. कोस्त्रोमा क्षेत्र;
16. क्रास्नोडार क्षेत्र;
17. कुर्स्क क्षेत्र;
18. लेनिनग्राद क्षेत्र;
19. लिपेत्स्क क्षेत्र;
20. मास्को क्षेत्र;
21. मरमंस्क क्षेत्र;
22. निज़नी नोवगोरोड क्षेत्र;
23. नोवगोरोड क्षेत्र;
24. ऑरेनबर्ग क्षेत्र;
25. ओरीओल क्षेत्र;
26. पेन्ज़ा क्षेत्र;
27. परमिट क्षेत्र;
28. प्सकोव क्षेत्र;
29. Adygea गणराज्य (Adygea);
30. बश्कोर्तोस्तान गणराज्य;
31. दागिस्तान का गणराज्य;
32. इंगुशेटिया गणराज्य;
33. कल्मकिया गणराज्य;
34. करेलिया गणराज्य;
35. कोमी गणराज्य;
36. मैरी एल गणतंत्र;
37. मोर्दोविया गणराज्य;
38. उत्तर ओसेशिया-अलानिया गणराज्य;
39. तातारस्तान गणराज्य;
40. रोस्तोव क्षेत्र;
41. रियाज़ान क्षेत्र;
42. समारा क्षेत्र;
43. सरतोव क्षेत्र;
44. स्मोलेंस्क क्षेत्र;
45. स्टावरोपोल क्षेत्र;
46. तम्बोव क्षेत्र;
47. Tver क्षेत्र;
48. तुला क्षेत्र;
49. Udmurt रिपब्लिक;
50. उल्यानोस्क क्षेत्र;
51. चेचन रिपब्लिक
52. चुवाश रिपब्लिक-चुवाशिया;
53. यारोस्लाव क्षेत्र।

ऑपरेशन के अगले मोड (स्क्रीन फॉर्म) को "नेटवर्क उपयोग" कहा जाता है। तंत्रिका नेटवर्क अनुप्रयोग का उपयोग करता है:

1. एकल मूल्य पूर्वानुमान, चित्रा 3;
2. कई मानों की चक्रीय भविष्यवाणी दी गई समय की संख्या, आंकड़ा 4;
3. वास्तविक मूल्यों की तुलना और एक तंत्रिका नेटवर्क का उपयोग करके प्राप्त, चित्रा 5।

चित्र 3. "नेटवर्क उपयोग" फ़ॉर्म। एक ही मूल्य का पूर्वानुमान।

इस मोड में एक प्रशिक्षित तंत्रिका नेटवर्क का उपयोग करना बहुत सरल है। सहेजी गई तंत्रिका नेटवर्क फ़ाइल का चयन करें। ब्लॉक में सामान्य मान दर्ज करें "पूर्वानुमान मान"। "इनपुट" कॉलम में, आपको कई मानों को दर्ज करने की आवश्यकता है क्योंकि तंत्रिका नेटवर्क इनपुट के रूप में प्राप्त करता है और "चेक" बटन पर क्लिक करता है। अनुमानित मान आउटपुट कॉलम में दिखाई देता है।


चित्र 4. "नेटवर्क उपयोग" फ़ॉर्म। रेखांकन के साथ कई मूल्यों की चक्रीय भविष्यवाणी।

कई मूल्यों की भविष्यवाणी आपको कई संकेतकों के लिए तुरंत एक सीएसवी फ़ाइल से असामान्य मूल्यों को आयात करने की अनुमति देती है। उन्हें सामान्य करें। भविष्यवाणी पुनरावृत्तियों की आवश्यक संख्या दर्ज करें। प्राप्त मूल्यों के ग्राफ बनाएँ।


चित्र 5. "नेटवर्क उपयोग" फ़ॉर्म। मूल की तुलना और एक तंत्रिका नेटवर्क मूल्यों का उपयोग करके प्राप्त की। तंत्रिका नेटवर्क प्रशिक्षण और पूर्वानुमान की गुणवत्ता का आकलन।

आपको प्रशिक्षण डेटा के साथ एक फ़ाइल का चयन करना होगा जो तंत्रिका नेटवर्क के लिए इनपुट मान के रूप में उपयोग किया जाएगा, और "तुलना" बटन पर क्लिक करें। मूल्यों की तुलना की सुविधा के लिए, एक ग्राफ प्लॉट किया जाता है।

तंत्रिका नेटवर्क के इष्टतम प्रकार और मापदंडों का चयन

रैखिक सक्रियण समारोह के साथ दो-परत तंत्रिका नेटवर्क

पहले प्रकार के तंत्रिका नेटवर्क का परीक्षण किया गया है जो एक रैखिक दो-परत तंत्रिका नेटवर्क है। नेटवर्क पैरामीटर चित्र 6 में दिखाए गए हैं।
सीखने की विधि - FANN_TRAIN_RPROR। अधिक उन्नत शिक्षण एल्गोरिथ्म जो अधिकांश कार्यों पर अच्छे परिणाम दिखाता है। RPROP लर्निंग एल्गोरिथम अनुकूली है। कुछ प्रशिक्षण मापदंडों को बदला जा सकता है, हालांकि, यह केवल उन उपयोगकर्ताओं के लिए करने की सिफारिश की जाती है जो RPROP एल्गोरिदम के संचालन को समझते हैं। अधिक सटीक होने के लिए, यह iRPROP एल्गोरिथ्म का कार्यान्वयन है।
छिपी और आउटपुट परत सक्रियण कार्य FANN_LINEAR। न्यूरॉन के आउटपुट पर संकेत रैखिक रूप से इसके इनपुट पर संकेतों के भारित राशि से संबंधित है।
f (x) = tx
जहां t फ़ंक्शन का पैरामीटर है। एक स्तरित संरचना के साथ कृत्रिम तंत्रिका नेटवर्क में, इस प्रकार के हस्तांतरण कार्यों के साथ न्यूरॉन्स, एक नियम के रूप में, इनपुट परत का गठन करते हैं। (4) मानों की श्रेणी (-∞, of) है।


चित्रा 6. छिपे और आउटपुट परतों के सक्रियण के रैखिक कार्य के साथ एक दो-परत तंत्रिका नेटवर्क का प्रशिक्षण

नेटवर्क 5 में न्यूरॉन्स की संख्या, कनेक्शन 6, परतें 2. सीखने की त्रुटि 0.167253659566243 काफी बड़ी है। त्रुटि बिट्स की संख्या 123 है। त्रुटि बिट्स की संख्या, अनुमानित मूल्य और प्रशिक्षण के दौरान वास्तविक मूल्य के बीच अधिकतम स्वीकार्य अंतर की अधिकता की संख्या को इंगित करता है। रैखिक सक्रियण फ़ंक्शन के साथ इस प्रकार के तंत्रिका नेटवर्क द्वारा दिखाए गए परिणाम इस तंत्रिका नेटवर्क के उपयोग को कार्य के मूल्यों की पर्याप्त रूप से भविष्यवाणी करने की अनुमति नहीं देते हैं।

एक छिपे हुए परत (तीन-परत) के साथ एक तंत्रिका नेटवर्क

अगले प्रकार के तंत्रिका नेटवर्क का परीक्षण किया गया है, एक तंत्रिका नेटवर्क है जिसमें एक छिपी हुई परत (तीन-परत) है। नेटवर्क पैरामीटर और सीखने के परिणाम चित्र 7. FANN_TRAIN_RPROR सीखने की विधि में दिखाए गए हैं। छिपी और आउटपुट परत सक्रियण कार्य FANN_SIGMOID_SYMMETRIC हैं। सिग्मोइडल सक्रियण फ़ंक्शन इस समय सबसे अधिक सक्रिय प्रकार के सक्रियण कार्यों में से एक है। सिग्मोइडल प्रकार के कार्यों की शुरूआत न्यूरॉन्स की सक्रियता के एक थ्रेशोल्ड फ़ंक्शन के साथ तंत्रिका नेटवर्क की सीमा के कारण थी - इस सक्रियण फ़ंक्शन के साथ, नेटवर्क का कोई भी आउटपुट या तो शून्य या एक है, जो नेटवर्क के उपयोग को वर्गीकरण समस्याओं में नहीं सीमित करता है। सिग्मोइडल फ़ंक्शन का उपयोग करके हमें न्यूरॉन के बाइनरी आउटपुट से एनालॉग आउटपुट तक स्विच करने की अनुमति दी गई है। इस प्रकार के स्थानांतरण कार्य, एक नियम के रूप में, तंत्रिका नेटवर्क की आंतरिक परतों में स्थित न्यूरॉन्स में निहित हैं। (4)


चित्रा 7. एक छिपे हुए परत (तीन-परत) के साथ एक तंत्रिका नेटवर्क

नेटवर्क में न्यूरॉन्स की संख्या 15 है, नेटवर्क में कनेक्शन की संख्या 34 है, परतें 3. सीखने की त्रुटि 0,000978241524388713 है। त्रुटि बिट्स की संख्या 0 है।


चित्रा 8. एक छिपी हुई परत (तीन-परत) के साथ तंत्रिका नेटवर्क का मानचित्र

एक छिपी हुई परत (तीन-परत) के साथ एक तंत्रिका नेटवर्क में न्यूरॉन्स के बीच कनेक्शन की ताकत और संरचना पर जानकारी चित्र 8 में एक कॉम्पैक्ट मैट्रिक्स के रूप में प्रस्तुत की गई है।
इस तंत्रिका नेटवर्क में केवल 15 न्यूरॉन्स, 3 परतें (इनपुट, आउटपुट और छिपी परत) हैं। इनपुट परत में 9 न्यूरॉन्स होते हैं, छिपे हुए 5 में, आउटपुट 1 में। नेटवर्क में कनेक्शन की कुल संख्या 34 है। मैट्रिक्स में न्यूरॉन्स के बीच कनेक्शन प्रस्तुत किए जाते हैं। "।" (अवधि) का अर्थ है कोई संबंध नहीं। बांड की ताकत एज़ अक्षर द्वारा विशेषता है। छिपी हुई परत में 3 वास्तविक न्यूरॉन्स (परत 1 में न्यूरॉन्स 10, 11 और 12) में पिछली परत से 10 न्यूरॉन्स के साथ संबंध हैं, जैसा कि मैट्रिक्स की पहली तीन पंक्तियों में देखा जा सकता है। आउटपुट परत में न्यूरॉन 14 छिपी हुई परत 11-14 न्यूरॉन्स के चार न्यूरॉन्स से जुड़ा हुआ है, जैसा कि मैट्रिक्स की पांचवीं पंक्ति पर देखा जा सकता है। सभी कनेक्शन पर्याप्त मजबूत हैं।
नेटवर्क द्वारा मूल और प्राप्त मूल्यों की तुलना के उदाहरण का उपयोग करके एक तंत्रिका नेटवर्क को प्रशिक्षित करने की गुणवत्ता को चित्र 9 में दिखाया गया है।


चित्रा 9. एक छिपे हुए परत (तीन-परत) के साथ तंत्रिका नेटवर्क का उपयोग करके मूल और प्राप्त मूल्यों की तुलना

निष्कर्ष

निम्न प्रकार और मापदंडों के तंत्रिका नेटवर्क के आगे के उपयोग (संकेतकों के मूल्यों की भविष्यवाणी) के लिए उपयुक्तता का परीक्षण किया गया परीक्षण:

• प्रशिक्षण विधि FANN_TRAIN_RPROR;
• छिपी और आउटपुट परतों के सक्रियण कार्य - FANN_SIGMOID_SYMMETRIC;
• परतों की संख्या 3;
• प्रशिक्षण और परीक्षण नमूनों का अनुपात 60/40 है।

संदर्भ

1. निसेन, स्टेफेन। तंत्रिका नेटवर्क सरल बना दिया। सॉफ्टवेयर 2.0। 2005, 2, पी। 14।
2. वोरोनिन, एवगेनी अलेक्सेविच और ज़खारोव, दिमित्री निकानोरोविच। कृषि जनगणना के परिणामों का क्लस्टर विश्लेषण। मास्को राज्य कृषि विश्वविद्यालय के बुलेटिन। 2010, 41, पी 90।
3. वोरोनिन, एवगेनी अलेक्सेविच और ज़खारोव, दिमित्री निकानोरोविच। कृषि-औद्योगिक परिसर की कृषि जनगणना के परिणामों का विश्लेषण। अंतर्राष्ट्रीय वैज्ञानिक पत्रिका। आर्थिक मुद्दे। 2010, 3, पी। 31।
4. विकिपीडिया। कृत्रिम न्यूरॉन। विकिपीडिया एक मुक्त विश्वकोश है। [ऑनलाइन] २०११. ru.wikipedia.org/wiki/Artific_Neuron