автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.18, диссертация на тему:Разработка алгоритмов комплексного анализа деятельности угольных предприятий с применением метода нейронных сетей

На правах рукописи

Алферов Максим Владимирович

РАЗРАБОТКА АЛГОРИТМОВ КОМПЛЕКСНОГО АНАЛИЗА ДЕЯТЕЛЬНОСТИ УГОЛЬНЫХ ПРЕДПРИЯТИЙ С ПРИМЕНЕНИЕМ МЕТОДА НЕЙРОННЫХ СЕТЕЙ

специальность 05.13.18 — Математическое моделирование, численные методы и

комплексы программ

Автореферат

диссертации на соискание ученой степени кандидата технических наук

Кемерово 2004

Работа выполнена в Институте угля и углехимии СО РАН

Научный руководитель:

доктор технических наук Потапов Вадим Петрович

Официальные оппоненты:

доктор технических наук Преслер Вильгельм Теобальдович

кандидат физико-математических наук, доцент Захаров Юрий Николаевич

Ведущая организация:

Кузбасский государственный технический университет

Защита состоится 19 февраля 2004 года в 14 часов на заседании диссертационного совета Д 003.036.01 в Институте угля и углехимии СО РАН (650610, Кемерово, ГСП, ул. Рукавишникова, 21). Факс: (384-2) 21-18-38

С диссертацией можно ознакомиться в библиотеке Института угля и углехимии СО РАН

Автореферат разослан 15 января 2004 г.

Ученый секретарь

диссертационного совета

доктор технических наук, профессор

Власенко Б. В.

3 ^В^/ ^

25088

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность работы. Важным условием получения объективной оценки работы угольной отрасли, необходимой как для возможной корректировки характера ее функционирования, так и для разработки программ текущего и перспективного развития, является наличие достоверной информации о состоянии отдельных угледобывающих предприятий.

Применение традиционных методов анализа состояния угледобывающих предприятий для оценки перспектив их развития не позволяет обеспечить требуемой в современных условиях хозяйствования степени глубины и детализации получаемой информации.

В данной работе предлагается в качестве одного из направлений в решении проблемы осуществления комплексного анализа технико-экономического состояния угольных предприятий и прогнозирования возможного изменения основных показателей их деятельности в перспективе, использовать создание проблемно-ориентированных программных комплексов на основе метода нейронных сетей.

Интенсивные исследования в области нейронных сетей и полученные теоретические и практические результаты привели к возникновению принципиально новых технологий создания интеллектуальных систем в различных областях знаний. Способность нейронных сетей к самоорганизации, адаптации и обучению позволяет создавать качественно новые аналитические системы, обладающие рядом преимуществ по сравнению с традиционными: меньшей процедурной сложностью, толерантностью к ошибкам, высокой точностью решения сложных задач. Одним из фундаментальных свойств нейронных сетей является их способность после обучения к обобщению и пролонгации результатов. Это создает предпосылки для создания на их базе различных систем принятия решений, в т. ч. для угольной промышленности.

Нейронные сети позволяют создавать высоко адаптивные нелинейные прогнозные модели, позволяющие во многих случаях моделировать и выполнять прогнозы сложных временных зависимостей с большей эффективностью и точностью по сравнению с известными статистическими методами.

По этой причине разработка программного комплекса для оценки технико-экономической деятельности угольных предприятий с использованием метода нейронных сетей является актуальной научной задачей.

Работа выполнялась в соответствии с проектом «Объектно-ориентированные модели горно-технологических информационных систем» плана НИР Института угля и углехимии СО РАН на 2001-2002 гг., проектом «Разработка научно-методических основ создания нового поколения геоинформационных систем» плана НИР Института угля и углехимии СО РАН на 2003 - 2005 гг., региональной программой «Сибирь», комплексом работ по стратегии развития угольной промышленности Кузбасса до 2020 г., отдельные этапы работы использовались в хоздоговорах по тематике Института угля и углехимии СО РАН. |.0с31ац'и0НАЛЬНАЯ

БИБЛИОТЕКА I С-Птрйгрг, л

09 - л

Цель работы: разработка алгоритмов комплексного анализа технико-экономической деятельности угольных предприятий с использованием метода нейронных сетей.

Идея работы заключается в том, что повышение качества оценки состояния угольных предприятий и анализ возможностей их перспективного развития достигается посредством использования метода нейронных сетей.

Задачи исследований:

1) исследовать возможности нейросетевых методов для оценки технико-экономического состояния угледобывающих предприятий и перспектив его развития в условиях динамически развивающейся среды функционирования;

2) разработать метод формирования обучающей выборки для нейросетевого прогнозирования отдельных показателей по совокупности остальных технико-экономических показателей, обеспечивающий формирование нейронной сетью последовательности прогнозируемых значений;

3) разработать нейросетевой алгоритм определения неявных взаимосвязей между технико-экономическими показателями работы угольных предприятий;

4) разработать программный нейросетевой комплекс для прогнозирования и анализа последовательностей технико-экономических показателей работы угольных предприятий;

5) разработать на основе нейронных сетей комплексную интегрированную систему обработки и визуализации информации для анализа параметров работы угольных предприятий.

Методы исследований:

- численные методы для формирования обучающих множеств нейронных сетей на базе статистических показателей периодической отчетности угледобывающих предприятий;

- теории нейронных сетей и математического моделирования для разработки алгоритма определения неявных взаимосвязей между технико-экономическими показателями работы угольных предприятий и программных нейросетевых комплексов;

- структурного и объектно-ориентированного программирования для разработки комплекса программ интегрированной системы анализа параметров работы угольных предприятий.

Научные положения, выносимые на защиту:

- эффективность решения задач анализа и прогноза технико-экономических показателей угольных предприятий, определяемая погрешностью прогнозирования, повышается в результате применения метода нейронных сетей;

- предложенный метод формирования обучающей выборки для нейронной сета, генерируя матрицу прогнозируемых элементов, обеспечивает создание последовательности прогнозируемых значений параметров деятельности угледобывающих предприятий;

- разработанный нейросетевой алгоритм определения степени влияния показателей-аргументов, моделируя характер зависимости исследуемого показателя-объекта от показателей-аргументов, выявляет и идентифицирует

неявные взаимосвязи между технико-экономическими показателями угледобывающих предприятий и степень влияния одних показателей на другие;

- интегрированная с нейросетевым программным комплексом система обеспечивает обработку и визуализацию анализируемых показателей деятельности угледобывающих предприятий.

Достоверность научных положений подтверждается:

- корректным использованием в качестве фактологической базы расчетов значительного объема (36 параметров — по угольным шахтам, и 33 — по разрезам) технико-экономических показателей периодической отчетности российских угольных шахт и угольных разрезов (для различных видов расчетов — за периоды от 3 до 20 лет);

- существующим положительным опытом использования метода нейронных сетей для решения задач моделирования сложных процессов и установления неизвестных закономерностей в угольной промышленности;

- сходимостью фактических данных и моделируемых нейронной сетью значений при определении степени взаимного влияния между основными технико-экономическими показателями работы угледобывающих предприятий (значения коэффициента линейной корреляции составляют от 0,78 до 0,95);

- достаточной точностью прогнозирования, определяемой по средней норме разности между векторами прогнозируемых и фактических значений исследуемого показателя, порог максимального значения которой (с учетом нормирования показателей в интервале [-1,1]) составляет 0,04;

- общей сходимостью результатов оценки выявленных взаимосвязей между технико-экономическими параметрами, а также выводов практических рекомендаций, с результатами экспертного опроса по проблеме оптимизации работы предприятий угольной промышленности.

Научная новизна работы заключается в следующем:

- установлена возможность использования метода нейронных сетей к решению задач анализа и прогнозирования технико-экономических показателей деятельности угледобывающих предприятий;

- разработан метод формирования обучающей выборки для нейронной сети, при использовании в качестве аргумента нейросети совокупности технико-экономических показателей работы угольных шахт и разрезов;

- разработан и обоснован алгоритм определения неявных взаимосвязей между основными технико-экономическими показателями работы угледобывающих предприятий и степени их взаимного влияния;

- разработан программный нейросетевой комплекс для анализа последовательностей показателей производственной деятельности угледобывающих предприятий;

- разработана и интегрирована в нейросетевой комплекс система обработки и визуализации показателей угледобывающих предприятий.

Личный вклад автора состоит:

- в установлении зависимости между последовательностью прогнозируемых значений исследуемого показателя и временными рядами показателей-

аргументов в ретроспективе для формирования обучающего множества нейронной сети;

- в разработке алгоритма определения весов взаимосвязей между показателями работы угольных предприятий, позволяющего выбирать наиболее информативные входные переменные на этапе подготовки данных для обучения нейросетей;

- в разработке математических моделей прогнозирования деятельности угледобывающих предприятий, определяющих временной ряд исследуемого показателя в краткосрочной перспективе;

- в установлении адекватности нейросетевых прогнозных моделей угольных предприятий и сравнении их эффективности с известными экстраполяционными методами;

- в определении значения максимальной погрешности алгоритма прогнозирования, обеспечивающего эффективное использование вычислительных ресурсов;

- в разработке интегрированной системы моделирования и анализа технико-экономических процессов угольных предприятий, включающей в себя программный комплекс нейросетевого прогнозирования и интерфейсные приложения.

Практическая ценность результатов работы заключается:

- в расширении области применения нейронных сетей за счет использования их при анализе и прогнозировании технико-экономических показателей угледобывающих предприятий;

- в совершенствовании существующих и обосновании новых технических возможностей математического моделирования с использованием нейросетей;

- в разработке базирующегося на использовании нейросетей программного комплекса, способного решать практические задачи по анализу и прогнозированию деятельности угольных предприятий;

- в выявлении и анализе практически значимых взаимосвязей между основными технико-экономическими параметрами производственной деятельности предприятий угольной промышленности, дающих возможность определять направления и способы повышения их эффективности.

Апробация работы. Результаты диссертационной работы докладывались и получили одобрение на VII Международной научно-практической конференции «Перспективы развития горнодобывающей промышленности в третьем тысячелетии» (Новокузнецк, 2000 г.), Международных научных симпозиумах «Неделя горняка - 2002», «Неделя горняка - 2003» (Москва, 2002 - 2003 гг.), IV и V Международных научно-практических конференциях «Энергетическая безопасность России. Новые подходы к развитию угольной промышленности» (Кемерово, 2002 - 2003 гг.), Международной научно-практической конференции «Наукоемкие технологии разработки и использования минеральных ресурсов» (Новокузнецк, 2003 г.), Международной конференции «Вычислительные и информационные технологии в науке, технике и образовании» (Усть-Каменогорск, Казахстан, 2003 г.).

Публикации. По результатам выполненных исследований опубликовано 10 печатных работ, отражающих основное содержание диссертации.

Структура и объем работы. Диссертация состоит из введения, 3 глав, заключения, списка литературы из 119 наименований и 5 приложений, содержит 14 рисунков и 12 таблиц. Объем диссертации — 160 страниц машинописного текста.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Анализ современного состояния методов определения и прогнозирования производственно-экономических показателей работы промышленных предприятий при всем разнообразии методов позволяет выделить три основные класса — методы экстраполяции, методы экспертных оценок и методы моделирования.

Все приемы и методы экстраполяции основываются на предположении об относительной неизменности или, по крайней мере, стабильности проявившихся тенденций развития, т. е. на представлении о воображаемом будущем как о прямом и непосредственном продолжении прошлого и настоящего. Математически метод экстраполяции интерпретируется как перенесение определенного закона изменения функции из ее ретроспективной области в область предвидимую.

Метод экспертных оценок позволяет строить прогнозы, разработка которых невозможна другими методами, особенно когда речь идет о прогнозах более отдаленного будущего, т. е. долгосрочных. Этот метод может быть применен для получения прогнозов по самому широкому кругу вопросов от общеотраслевых, таких, например, как прогноз научно-технического прогресса отрасли, до сугубо конкретных — прогноз способов преодоления «вентиляционного барьера» в очистных забоях, прогноз значимости и перспективности отдельных направлений научных исследований и т. д.

Методы моделирования являются наиболее перспективными и широко применяются при разработке прогнозов. Они делятся (по Г. М. Доброву) на три вида: логические модели-образы (группы: исторические аналогии и методы «сценариев»); математические модели (группы: статистико-вероятностные модели, экономико-математические модели и функционально-иерархические модели); информационные модели (группы: модели на основе патентной информации, модели потоков научно-технических публикаций и модели междунаучного взаимодействия). Экономико-математические и функционально-иерархические модели во многих случаях используются при прогнозировании тех или иных объектов и параметров развития угольной промышленности.

Большой вклад в развитие методов и систем анализа объектов угольной промышленности внесли В. Н. Вылегжанин, Э. И. Гойзман, Г. И. Грицко, С. П. Казаков, В. М. Калинченко, А. Б. Логов, А. А. Пешков, В. М. Поршнев, В. П. Потапов, Л. А. Пучков, А. Д. Рубан, С. В. Сластунов, А. С. Стугарев, К. И. Трубецкой, В. Н. Фрянов, Э. И. Витковский и другие ученые.

Вместе с тем необходимо отметить, что имеющийся научно-методический и практический отечественный и зарубежный опыт прогнозирования не может быть

успешно полностью перенесен в угольную промышленность (прежде всего, в силу специфических особенностей отрасли), и в области разработки научных основ прогнозирования се развития необходимы многообразные и глубокие исследования, в том числе связанные с привлечением новых технологий на базе искусственного интеллекта.

С другой стороны, из числа методов и систем прогнозирования можно выделить прогрессивно развивающиеся методы, основанные на технологии искусственного интеллекта. К их числу относят искусственные нейронные сети, экспертные системы, нечеткую логику, генетические алгоритмы. Лежащие в их основе идеи существенно отличаются от общепринятых методов вычислений, имитируя «человеческие», т. е. более понятные технологу, чем «чистому» специалисту по вычислительной технике, пути решения проблем либо «природное», «генетическое» развитие процессов. Существенные перспективы в области разработки новых методов моделирования и прогнозирования характеристик сложных процессов связаны с применением искусственных нейронных сетей. Высокая эффективность нейросетевого моделирования обуславливает необходимость создания новых специальных программных систем на основе нейронных сетей.

Существующий опыт использования нейронных сетей в промышленности показывает наличие потенциальной возможности адаптации метода к условиям деятельности угольных предприятий при решении задач прогнозирования и управления.

Исследование возможности нейросетевых методов для оценки технико-экономического состояния угледобывающих предприятий и перспектив его развития в условиях динамически развивающейся среды функционирования

Одно из известных направлений использования искусствешгых нейронных сетей в горной промышленности — это диагностика подшипников горнодобывающих машин. Проверки амплитуд характеристик подшипника на разных частотах недостаточно для надежной диагностики. Поэтому эксперты сравнивают изображение спектров характеристик подшипников с изображениями типичных дефектов. Описываемая система прогнозирования дефектов подшипников имитирует действия эксперта. Используя нейронную сеть, система различает не только типичные дефекты подшипников, но также и другие виды неисправностей техники, такие как несбалансированность или биение свободных частей механизмов. Нейронная сеть тренируется на 50 типичных исправных и поврежденных подшипниках. Этого достаточно для успешной работы сети.

Известен опыт применения нейронных сетей для прогнозирования величины деформации пород в окрестности штрека в угольных шахтах Китая. Расположение и техническое обслуживание штрека прямо отражается на качестве продукции и улучшении экономической выгоды шахты и определяется результатами прогнозирования деформаций породы. Взаимосвязь между деформацией и входными факторами классическими математическими методами определить сложно в силу нелинейной природы этих характеристик. Для моделирования этой взаимосвязи использовали нейронную сеть. После

определения структуры иейросети проводили обучение несколькими различными способами. Сравнивая результаты нейросети с результатами классических математических методов, было определено, что нейронная сеть более точно прогнозирует деформации пород в окрестности штрека.

Также известен опыт применения нейронных сетей для прогнозирования процессов деформации во времени. Оптимальное и безопасное извлечение руды из недр требует тщательной разработки и анализа качества исполнения горной выработки. Основная задача — охарактеризовать направление деформации породы вокруг выработки, зависящей как от напряжений в массиве горных пород до проведения выработки, так и от вновь возникших после ее проведения. В процессе тренировки нейросеть изучает поведение деформации породы в трехмерном или п-мерном случае, получая данные из цифровой серво-контрольной аппаратуры. Основываясь на обученной нейросети разрабатывается интегрированная система тестирования породы. Выходные данные сети прямо используются в численных методах. Цель — улучшить качество входных данных для численного моделирования механизма добычи породы. Основное преимущество этой схемы — исключение каких либо требований на предположение о модели деформации.

Известен опыт математического моделирования элементов геосистем угольных шахт адаптированным методом нейронных сетей (работа Ю. В. Дубовик). Снижение погрешности и повышение оперативности прогноза возможно за счет использования результатов оперативного мониторинга и математического моделирования технологических процессов методом нейронных сетей. Адаптированный для моделирования и прогноза параметров геомеханических и газодинамических процессов метод нейронных сетей реализован на примере метановыделения в исходящую общешахтную вентиляционную струю для пласта 16 Байдаевского месторождения на базе исходных данных по выемочным участкам 16-12 шахты «Абашевская», 16-05 шахты «Зыряновская», 16-12 шахты «Юбилейная». Из 141 элемента множества данных с предварительно обработанными грубыми ошибками и пропусками 105 использовалось для обучения сети, 15 для контроля обучения и 21 последний в хронологическом порядке — для оценки качества экстраполяции. При решении задачи применялась топология многослойного персептрона с одним скрытым слоем, содержащим 11 элементов, в сочетании с алгоритмом обратного прохождения ошибки.

Таким образом, положительный опыт применения нейронных сетей в угольной промышленности дает основания к применению данного метода для проведения анализа технико-экономических показателей работы угольных шахт и разрезов и осуществления задач прогнозирования.

Разработка метода формирования обучающей выборки для нейросетевого прогнозирования отдельных показателей по совокупности остальных технико-экономических показателей, обеспечивающего формирование нейронной сетью последовательности прогнозируемых значений

Исследованию подвергались статистические данные технико-экономических показателей работы угольных шахт за определенные периоды их деятельности, представленные в виде матриц 5',/ = 1,/, каждая из которых имеет размерность тхп:

(1)

где: / — общее количество исследуемых угольных предприятий; т — количество исследуемых показателей; п — количество периодов статистической отчетности. Столбцы каждой из матриц (1) представляют собой вектора показателей одного периода статистической отчетности соответствующего предприятия. Элементы строк матриц (1) являются распределенными во времени исследуемыми показателями. Для прогнозирования выбирается один из показателей и, соответственно, строки матриц (1), соответствующие выбранному показателю. Используя аппарат нейронных сетей, для каждого предприятия находились значения прогнозируемых показателей в перспективе из к периодов.

Для моделирования зависимости последовательности к идущих подряд значений прогнозируемого параметра с индексом V предприятия г (обозначенной от вектор-столбца показателей, предыдущего перед первым прогнозируемым

значением, (обозначенного использовали нейронную сеть, размерность

входного и выходного пространства которой соответственно равна т и Ь. Пары векторов (г^,у,):' = 1,71 — й составляли обучающее множество А для нейронной сети:

/

XI =

< = 1.и,

(2)

Л:

-А

= 1.71 —Й,

(3)

(4)

/=1

После обучения и тестирования нейронной сети, прогнозирование исследуемого параметра сводится к подстановке в обученную сеть векторов (2) при / = 71 — й + 1,п. Вычисленные нейронной сетью строки формируют матрицу Я, I-я строка которой образована подстановкой в нейронную сеть вектора из множества (2) с индексом ] — п-к + 1. Для элемента р, вектора значений

прогнозируемого показателя р = (р1,..., рн) получаются к прогнозируемых значений, от каждого вектора (2) при '1 — п — к + \,п. Для элемента р2 получаются ^1 прогнозируемых значений, и т.д., для элемента ph — одно прогнозируемое значение:

Элементы диагоналей (5), сформированные векторами (2) с меньшим индексом, имеют большую вероятность прогноза, чем элементы диагоналей, сформированные векторами с большим индексом. Тогда, для вычисления значений вектора р, целесообразно ввести коэффициенты взвешивания

и вычислять компоненты вектора как средневзвешенную

сумму элементов диагоналей (5).

В общем виде формула для расчета компонент вектора р записывается в

виде

1 —

Р,=-и— = (6)

Таким образом, разработан метод формирования обучающей выборки для нейронной сети, позволяющий обеспечить создание нейронной сетью последовательности прогнозируемых значений исследуемого параметра при использовании в качестве аргумента нейронной сети совокупности технико-экономических показателей работы угольных предприятий. При этом элементы последовательности прогнозируемых значений исследуемого параметра вычисляются как средневзвешенная сумма сформированных диагоналей матрицы прогнозируемых значений, что позволяет учитывать влияние нескольких вектор-столбцов технико-экономических показателей.

Разработка нейросетевого алгоритма определения неявных взаимосвязей между технико-экономическими показателями работы угольных предприятий

Важной для оптимизации работы угольной отрасли является проблема оценки уровня технико-экономического состояния угледобывающих предприятий. В качестве одного из направлений в решении ряда задач, связанных с данной проблематикой, может рассматриваться выявление и последующее использование неявных, «скрытых» взаимосвязей между производственно-экономическими показателями деятельности угольных шахт.

Актуальность задачи выявления скрытых взаимосвязей между производственно-экономическими показателями угольных предприятий и высокая эффективность нейросетевого моделирования при решении подобного

рода задач обусловливают необходимость создания новых специальных программных систем на основе нейронных сетей.

Сложность обучения нейронных сетей быстро возрастает с ростом числа входов. Еще важнее,, что с увеличением числа входов падает точность предсказаний, т. к. увеличение числа весов в сети снижает предсказательную способность последней. Таким образом, количество входов приходится ограничивать, и выбор наиболее информативных входных переменных представляет важный этап подготовки данных для обучения нейросетей.

Задача определения степени влияния каждого из многочисленных существующих производственно-экономических показателей работы угледобывающих предприятий на выбранные изучаемые показатели решалась с помощью нейронной сети, аппроксимирующей зависимость исследуемого параметра от остальных показателей. Для оценки адекватности моделирования нейронной сетью этой зависимости было использовано тестовое множество, количество элементов которого составляло = 25 % от всех имеющихся данных. Обучающее множество для нейронной сети формировалось в зависимости от исследуемого параметра и для параметра с индексом v определялось по формуле

(7)

Сходимость производимых нейронной сетью значений и фактических данных на примере моделирования показателя объема добычи угля по разрезам Кузбасса продемонстрирована на рис. 1. График наилучшего линейного приближения (НЛП) построен для пар «моделируемое значение — точное значение», произведенных на объединении множества тестирования и тренировочного множества. Значение коэффициента корреляции составило 0,91. Компоненты входных и выходных векторов нормировались в интервале [-1, 1].

После обучения и тестирования нейросети изменяли веса нейронов входного слоя по следующему алгоритму: в цикле по всем нейронам входного слоя (каждый из них соответствует одному показателю) изменяли вектор входных весов на такой, у которого компонента текущей итерации остается неизменной, а все остальные компоненты заменялись нулевыми значениями. На каждой итерации через сеть пропускалась вся выборка, и полученная последовательность выходов сети сохранялась в денормализованном виде для дальнейшего анализа. Для получившихся пар (текущий входной параметр — выход сети) рассчитывался методом наименьших квадратов полином первой степени, аппроксимирующий зависимость выходных значений нейросети от нормированного текущего показателя. Искомый коэффициент показателя равнялся коэффициенту при старшем элементе вычисленного полинома. После завершения цикла коэффициенты нормировались по максимальному из них. Полученные оценки

обозначались К и для текущего показателя с индексом и исследуемого параметра с индексом V рассчитывались по формулам:

К = к'т

"V ш, пих

Л„

п I

к,„, —

5,. =

п I

Х2Х

-,и = 1,771, и ^ У;

а*

1=1 )=1

п + 1

п + 1

(8)

(9)

(10)

где:

нормированные в интервале [-1, 1] элементы матриц (1), а'

денормализованные выходные значения неиросети.

Рис 1 График наилучшего линейного приближения для

моделирования показателя объема добычи угля по разрезам Кузбасса

Таким образом, воспользовавшись полученными коэффициентами,

представляется возможность выполнения сравнительного анализа степени

влияния одних показателеи на другие (т. к. входные параметры были

нормированы в интервале [-1,1]). В данном случае знак коэффициента К

указывает на то, имеет место прямая или же обратная зависимость, а его абсолютная величина показывает степень этого влияния.

Рассчитав значения степеней влияния каждого из включенных в статистическую отчетность технико-экономических показателей работы предприятий на величины объема добычи угля, себестоимости его добычи и производительности труда работающих для последующего анализа были отобраны «наиболее влияющие» показатели, т. е. имеющие наибольшее абсолютное значение коэффициента К. В табл. 1 приведены отобранные показатели, влияющие на объем добычи угля, в табл. 2 — показатели, влияющие на значение себестоимости добычи угля, а в табл. 3 — показатели, влияющие на величину производительности труда рабочего по добыче угля (во всех случаях — раздельно для шахт Кузбасса и шахт остальной России).

Таблица 1

Степень влияния технико-экономических показателей на объем

_добычи угля_

Наименование параметра Степень влияния К, усл. ед.

Шахты Кузбасса

Протяженность горных выработок 0,920

Проведение подготовительных выработок за год (в т.ч. требующих погрузки) 0,913

Среднесписочная численность по добыче угля (а т ч рабочих) 0,719

Производительность труда рабочего по добыче угля 0,487

Среднесуточная добыча из одного действующего очистного забоя 0,471

Средняя вынимаемая мощность пласта 0,351

Себестоимость добычи 1 т уггя -0,154

Количество разрабатываемых шахтопластов -0,207

Шахты России

Производительность труда рабочего по добыче угля 0,532

Среднемесячное подвигание линии очистных забоев 0,518

Среднемесячная зарплата рабочего по добыче угля 0,480

Себестоимость добычи 1 т угля 0.433

Протяженность горных выработок 0,403

Средняя вынимаемая мощность пласта 0,395

Количество разрабатываемых шахтопластов -0,161

Таблица 2

Степень влияния технико-экономических показателей на уровень

Наименование параметра Степень влияния К, усл. ед.

Шахты Кузбасса

Число действующих очистных забоев 0,750

Среднемесячная зарплата рабочего по добыче угля 0,453

Длина дейстаующих очистных забоев 0,391

Общая добыча угля -0,704

Среднесписочная численность по добыче угля (ппп) -0,754

Производительность труда рабочего по добыче угля -0,935

Шахты России

Среднемесячная зарплата рабочего по добыче угпя 1,000

Количество разрабатываемых шахтопластов 0,695

Максимальная глубина разработки 0,650

Проведение подготовительных выработок за год 0,495

Средняя вынимаемая мощность пласта -0,775

Число действующих очистных забоев -0,831

Производительность труда рабочего по добыче угля -0,986

Таблица3

Степень влияния технико-экономических показателей на величину

производительности труда рабочего по добь че угля

Наименование параметра Степень влияния К, усл. ед.

Шахты Кузбасса

Общая добыча угля 0,816

Среднемесячная зарплата рабочего по добыче угля 0,660

Число действующих очистных забоев 0,511

Максимальная глубина разработки -0,180

Среднесписочная численность по добыче угля (ппп) -0,762

Шахты России

Среднесуточная добыча из одного действующего очистного забоя 0,420

Проведение подготовительных выработок за год 0,177

Категория по газу -0,218

Среднедействующее за год количество очистных забоев -0,261

Среднесписочная численность по добыче угля (ппп) -0,576

Абсолютные значения оценки степени влияния остальных (т. е. не вошедших в табл. 1, 2 и 3) исследовавшихся технико-экономических характеристик работы предприятий на показатели объема добычи угля, себестоимости добычи и производительности труда работающих (число которых составляло до 80 % от их общего количества) находились в диапазоне от 0 до 0,15, и их степень влияния на вышеназванные показатели была признана пренебрежительно малой.

Основным практическим результатом описанных исследований с позиции математического моделирования является создание программного комплекса исследования поведения сложных экономических, производствешгых, технических систем, основанного на технологии нейронных сетей.

Кроме того, анализ результатов проведенного нейросетевого моделирования позволяет заключить, что данный метод дает возможность выявить — и, что особенно важно, оценить количественно — объективно существующие, но в большой степени скрытые взаимосвязи между многими производственно-экономическими параметрами работы угольных предприятий.

Так, было установлено, что степень влияния одних и тех же технико-экономических параметров на показатели объема добычи и себестоимости добычи угля на кузбасских шахтах — с одной стороны, и шахтах «остальной» России — с другой, может очень значительно различаться между собой. К примеру, такой показатель, как «среднесписочная численность работников по добыче угля», на шахтах Кузбасса в целом очень сильно влияет на объем добычи угля (К = 0,719 усл. ед.), и в то же время на шахтах остальных угольных регионов России степень его влияния на объем добычи весьма низка (К = 0,255 усл. ед.).

Заметно отличаются шахты Кузбасса от шахт «остальной» России и по уровню влияния на объем добываемого шахтой угля такого показателя, как «себестоимость добычи»: как показало моделирование, себестоимость добычи угля оказывает заметное влияние на объем добычи угля на шахтах России (К = 0,433 усл. ед.), и крайне слабое — на шахтах Кузбасса (К = 0,154 усл. ед.).

К важным для анализа определенных технологических вопросов шахтной угледобычи результатам применения нейросетсвого моделирования можно отнести и следующий вывод: такой важный производственный показатель, как «категорийность шахты по уровню газовыделения», характеризующий уровень выделения шахтного метана в горные выработки при добыче угля, согласно проведенным расчетам, практически не оказывает влияния на объем добываемого шахтой угля и себестоимость добычи, и весьма незначительно влияет на величину производительности труда работников (значение К изменялось, в зависимости от категории шахты по газу, от 0,023 до 0,218 усл. ед.).

Расчеты, аналогичные тем, результаты которых представлены в табл. 1 - 3, и которые отражают ситуацию с наличием взаимосвязей между отдельными технико-экономическими параметрами на угольных шахтах, были выполнены также и для угольных разрезов (и тоже по отдельности — для разрезов Кузбасса и разрезов «остальной» России).

Результаты выполненного нейросетевого моделирования должны являться исходным материалом для последующего анализа специалистами с позиции технологии угледобычи.

В результате проведенного программного моделирования разработан алгоритм определения неявных взаимосвязей между технико-экономическими показателями работы угольных предприятий, позволяющий выбирать наиболее информативные входные переменные на этапе подготовки данных для обучения пейросетей при оценке и прогнозировании показателей работы угледобывающих предприятий.

Разработка нейросетевых моделей прогнозирования и анализа последовательностей технико-экономических показателей работы угольных предприятий

Апробация алгоритмов системы прогнозирования выполнялась с использованием статистических данных технико-экономических показателей работы 34-х угольных шахт Кузбасса, сформированных на основании ежегодной статистической отчетности о деятельности этих предприятий за 1982, 1984, 1985, 1988, 1989, 1995, 1999 и 2001 гг. Для исследования были использованы следующие показатели: годовая добыча угля, себестоимость 1 т угля, отношение производственных затрат к трудовым затратам, средняя мощность пласта, марка угля, число очистных забоев, среднесуточная нагрузка на забой, глубина разработки, категория по газу, зольность угля.

Статистические показатели, измеряемые в рублях, были приведены к ценам 2002 года при помощи расчетных коэффициентов приведения.

В качестве главных объектов оценки уровня состояния и прогнозирования их деятельности на перспективу были выбраны два следующих показателя — годовая добыча угля и себестоимость добычи 1 т угля. Период выполнения прогноза составлял с 2002 по 2008 гг. Формирование обучающей выборки для нейронной сети производилось в соответствии с методикой, описанной выше. Коэффициенты взвешивания ^ = l,h определялись по формуле

Для проверки адекватности моделирования нейронной сети алгоритм прогнозирования на этапе ее обучения предусматривал наличие тестового подмножества обучающего множества Л, количество элементов которого, также как и для определения скрытых взаимосвязей между производственно-экономическими показателями угольных предприятий, составляло = 25 % от количества элементов множества А. Элементы тестового подмножества не участвовали в процессе обучения нейросети. Процесс обучения нейросети выполнялся итерационным методом, при этом на каждой итерации рассчитывалась погрешность прогнозирования на всем множестве А, определяемая как средняя норма разности между векторами прогнозируемых и фактических значений исследуемого показателя. Если полученная на определенной итерации погрешность превосходила порог максимального значения погрешности, то выполнялась следующая итерация обучения нейросети с другими заново сгенерированными начальными параметрами обучения нейросети. Экспериментально установлено, что эффективная погрешность прогнозирования, рассчитанная в среднем по всем исследовавшимся угольным предприятиям, не превосходит значения 0,04. Зависимость погрешности прогнозирования от количества итераций обучения нейросети оказалась такой, при которой уменьшение погрешности прогнозирования ниже уровня 0,04 влечет за собой значительное увеличение количества итераций и соответственно машинного времени. Поэтому, в алгоритме прогнозирования значение порога максимальной погрешности было выбрано 0,04. На рис. 2 показан график зависимости погрешности прогнозирования от количества итераций обучения нейросети в алгоритме прогнозирования.

Рис.2. График зависимости погрешности прогнозирования от количества итераций

Количество элементов входного слоя нейронной сети определяется количеством исследуемых показателей и равно десяти, количество элементов в

выходном слое нейронной сети равно семи и соответствует периоду прогнозирования. Результаты прогнозирования технико-экономических показателей шахт приведены в табл. 4.

Таблица 4

Результаты прогнозирования показателей годовой добычи угля и

№ | Название шахты | 2003 г. | 2004 г. | 2005 г. | 2006 г. | 2007 г. | 2009 г.

Годовая добыча угля, млн. т

1 Сибирская 0 82 0,90 0 96 0,99 0,97 0,90

2 Первомайская 1,44 1,33 1,31 1,35 1,66 1,68

3 им Кироза 2,22 2,11 2,60 3 27 3 66 3 86

4 им 7 Ноября 2,13 2,35 2,43 2,37 2,35 2,51

Себестоимость 1 т угля, руб.

1 Сибирская 489 524 537 568 582 612

2 Первомайская 340 287 306 356 341 375

3 им Кирова 301 323 333 328 327 342

4 им 7 Ноября 339 272 263 277 279 264

При сравнении результатов прогноза технико-экономических показателей работы угольных шахт на 2008 г. со статистическими данными за 2001 г. можно установить, что максимальное значение темпов прироста показателя годовой добычи угля было получено для шахты Первомайская, составившее 35,8 %, а минимальное значение темпов прироста показателя себестоимости 1 т угля — для шахты им. 7 Ноября, которое составило - 8,2 %. На рис. 3 приведены рассчитанные по результатам прогнозирования изучавшихся показателей кривые максимальных и минимальных прогнозируемых значений для двух угольных шахт: а) — показателя годовой добычи угля шахты Первомайская, б) — показателя себестоимости 1 т угля шахты им. 7 Ноября. Кривые максимальных (минимальных) прогнозируемых значений формировались с использованием подмножества наибольших (наименьших) значений изучавшихся показателей периода прогнозирования.

а) б)

Рис. 3. Результаты прогнозирования показателей годовой добычи угля шахты Первомайская (а) и себестоимости 1 т угля шахты им. 7 Ноября (б)

На рис. 4 показан выполненный с помощью нейросетей прогноз изменения себестоимости добычи угля в Кузбассе на ближнюю перспективу (а именно на период до 2006 г.), причем в качестве исходных данных использовались значения себестоимости добычи угля в бассейне в период 1988-2001 гг., выраженные в долл./т. Прогнозирование выполнялось с использованием нейронной сети обратного распространения Элмана. Данные за пропущенные годы были получены с использованием линейного сплайна. Для тестирования результатов прогноза было предусмотрено тестовое множество, количество элементов которого составляло = 30 % от имеющихся данных. Результаты прогноза себестоимости добычи угля сравнивались на тестовом множестве с двумя методами: экспоненциального сглаживания и кусочно-кубической эрмитовой интерполяцией. В табл. 5 приведены результаты сравнения методов по критериям среднеквадратической и средней относительной ошибок.

Таблица 5

Сравнение методов экстраполяи 1ии_временных рядов

№ Название метода Среднеквадра- тическая ошибка, долл/г Средняя относительная ошибка, %

1 Метод экспоненциального сглаживания 3,9 18,0

2 Кусочно-кубическая эрмитовая интерполяция 3,6 20,2

3 Нейронная сеть Элмана 1,9 11,1

По табл. 5 можно определить, что нейронная сеть показывает наилучшие результаты прогнозирования, — это вытекает из минимальной погрешности прогнозирования на тестовом множестве. На рис. 4 показан временной ряд фактических значений себестоимости добычи угля и график моделируемой нейронной сетью зависимости себестоимости добычи угля от времени.

Рис. 4. Фактические и моделируемые нейросетью значения себестоимости добычи угля

Согласно результатам данного прогноза, в краткосрочной перспективе себестоимость добычи угля в Кузбассе будет увеличиваться.

Таким образом, разработана оригинальная система прогнозирования значений технико-экономических показателей работы угольных предприятий на краткосрочную перспективу, основанная на технологии искусственных нейронных сетей.

При этом имеются достаточные основания оценить полученные результаты прогноза объемов добычи угля и себестоимости его добычи как вполне объяснимые с технической и экономической точек зрения и не противоречащие объективно существующим тенденциям в развитии рассматривавшихся предприятий угольной промышленности — что, в свою очередь, предполагает считать правомерным использование метода нейронных сетей для решения задач подобного рода.

Разработка программного комплекса и интегрированной системы обработки и визуализации информации для анализа параметров работы угольных предприятий

Разработанный программный комплекс анализа параметров работы угольных предприятий состоит из функционального ядра, содержащего алгоритм определения степени влияния показателей-аргументов и алгоритм нейросетевого прогнозирования, а также дополнительных интерфейсных приложений — программы анализа коэффициентов влияния входных показателей и графического интерпретатора результатов прогноз 1грования. Компоненты ядра программного комплекса реализованы в системе MatLab (ver. 6 Release 12) с установленным пакетом прикладных программ Neural Network Toolbox (ver. 4). На рис. 5 показаны компоненты интегрированной системы и направления потоков передачи данных между ними.

Рис. 5. Обобщенная схема взаимодействия компонентов интегрированной системы

Процесс обработки статистических данных программным комплексом состоит из следующих последовательно выполняющихся этапов: загрузки

статистических данных в программный комплекс, анализа влияния каждого из показателей-аргументов на прогнозируемый показатель, нейросетевого прогнозирования и визуализации полученных результатов.

На первом этапе выполняется формирование обучающих выборок для нейронных сетей. Выборки представляют собой переменные операционной среды системы MatLab — генерируемые по разработанному алгоритму формирования обучающей выборки матрицы. Исходные данные для формирования матриц загружаются из подготовленных с использованием официальной периодической статистической отчетности угольных предприятий текстовых файлов.

Главная цель второго этапа работы со статистическими данными — выявить и количественно оценить существующие зависимости между прогнозируемым показателем и остальными показателями-аргументами. Это позволяет выделить подмножество показателей, имеющих наименьшее (или наибольшее) влияние на исследуемый показатель, что, в свою очередь, дает возможность уменьшить размерность входного пространства и упростить внутреннюю структуру нейронной сети. Результаты вычислений алгоритма определения степеней влияния показателей-аргументов экспортируются при помощи средства коммуникаций между приложениями Dynamic Data Exchange в разработанное для операционной системы MS Windows интерфейсное приложение визуализации и анализа коэффициентов влияния.

Нейросетевое прогнозирование исследуемого показателя выполняет разработанный с использованием пакета прикладных программ Neural Network Toolbox алгоритм, генерирующий нейронную сеть необходимой для выбранных параметров прогнозирования структуры и проводящий обучение и тестирование созданной нейросети при помощи подготовленной выборки.

Графический интерпретатор результатов прогнозирования формирует и отображает графики временных рядов прогнозируемых значений исследуемых параметров, получая исходные данные через переменные операционной среды системы MatLab. Основные функции графического интерпретатора заключаются в визуализации последовательностей значений прогнозируемых параметров и сохранении выполненной работы в форматах, доступных другим приложениям.

ЗАКЛЮЧЕНИЕ

В диссертационной работе содержится решение задачи разработки алгоритмов анализа и прогноза технико-экономических показателей деятельности угледобывающих предприятий с использованием метода нейронных сетей, имеющей существенное значение для математического моделирования современных процессов экономического развития предприятий угледобычи.

Основные научные выводы и практические результаты заключаются в следующем:

1. Обоснована положительным опытом применения метода нейронных сетей в угольной промышленности возможность использования этого метода для анализа технико-экономических показателей работы угледобывающих предприятий и осуществления задач прогнозирования указанных показателей.

2. Разработанный метод формирования обучающей выборки для нейросстевого прогнозирования отдельных показателей по совокупности остальных технико-экономических показателей, обеспечивает формирование нейронной сетью последовательности прогнозируемых значений и производит среднюю норму разности между векторами прогнозируемых и фактических значений, не превосходящую значения 0,04.

3. Обоснован и создан алгоритм определения неявных взаимосвязей между отдельными технико-экономическими показателями работы угледобывающих предприятий, использующий для расчета коэффициентов влияния изменение внутренней структуры нейросети.

4. Разработан программный нейросетевой комплекс, моделирующий характер зависимости исследуемого показателя-объекта от показателей-аргументов, позволяющий осуществлять прогнозирование и анализ последовательностей технико-экономических показателей работы предприятий угледобычи и обеспечивающий наименьшую погрешность прогнозирования при сравнении с методом экспоненциального сглаживания и кусочно-кубической эрмитовой интерполяцией.

5. В результате применения разработанного алгоритма определения неявных взаимосвязей между технико-экономическими показателями работы угольных предприятий выявлены параметры, оказывающие наибольшее влияние на изменение значений объема добытого угля, себестоимости добычи угля и производительности труда работающих, и количественно оценена степень влияния на названые показатели каждого из параметров, включенных в статистическую отчетность по работе угольных шахт и разрезов Кузбасса.

6. Разработана интегрированная в нейросетевой программный комплекс система, обеспечивающая обработку и визуализацию показателей работы угольных предприятий.

Основное содержание диссертации опубликовано в работах:

1. Потапов В. П., Алферов М. В. Нейронные сети для определения приоритетов экономических показателей угледобывающих предприятий Кузбасса // Перспективы развития горнодобывающей промышленности в третьем тысячелетии. Материалы VII Международной научно-практической конференции. — Новокузнецк, 2000. — С. 52 - 53.

2. Потапов В. П., Лазаренко С. Н., Алферов М. В. Прогнозирование развития угольной отрасли с использованиехМ метода нейронных сетей // Горный информационно-аналитический бюллетень. — М.: МГГУ, 2002. — № 7. — С. 173-175.

3. Алферов М. В. Определение факторов, влияющих на возникновение аварийных ситуаций на угольных шахтах методом нечетких нейронных сетей// Энергетическая безопасность России. Новые подходы к развитию угольной промышленности. Труды международной научно-практической конференции. — Кемерово, 2002. — С. 61 - 63.

4. Алферов М. В. Разработка информационно-аналитической системы прогнозирования экономических показателей угольных предприятий с

использованием методов нейронных сетей // Горный информационно -аналитический бюллетень. — М.: МГТУ, 2003. — № 4. — С. 126 - 127.

5. Алферов М. В. Комплексный анализ перспективного развития угольной отрасли на базе использования методов искусственного интеллекта // Наукоемкие технологии разработки и использования минеральных ресурсов. Материалы международной научно-практической конференции. Сборник научных статей. — Новокузнецк, 2003. — С. 3 - 8.

6. Потапов В. П., Лазаренко С. Н., Алферов М. В. Математическое моделирование технико-экономических показателей работы угольных шахт методом нейронных сетей // Вычислительные технологии. — Новосибирск: ИВТ СО РАН, 2003. — № 4. — С. 75 - 80.

7. Потапов В. П., Лазаренко С. Н., Алферов М. В. Применение нейросетевого моделирования при определении неявных взаимосвязей между технико-экономическими показателями работы угольных шахт // Вычислительные и информационные технологии в науке, технике и образовании. Труды Международной конференции. — Усть-Каменогорск: Издательство ВКГУ, 2003. — Ч.З. — С. 52-57.

8. Потапов В. П., Лазаренко С. Н., Алферов М. В. Применение нейросетевого моделирования для осуществления комплексного анализа деятельности угольных шахт // Энергетическая безопасность России. Новые подходы к развитию угольной промышленности. Труды V международной научно-практической конференции. — Кемерово, 2003. — С. 22 - 25.

9. Алферов М. В. Разработка программного комплекса и информационной системы анализа параметров работы угольных предприятий, основанных на технологии нейронных сетей // Энергетическая безопасность России. Новые подходы к развитию угольной промышленности. Труды V международной научно-практической конференции. — Кемерово, 2003. — С. 20 - 21.

10. Потапов В. П., Лазаренко С. Н., Алферов М. В. Возможности прогнозирования добычи угля в России с использованием математических методов // Региональные проблемы перехода к устойчивому развитию: ресурсный потенциал и его рациональное использование в целях устойчивого развития. — Кемерово: Полиграф, 2003. — Т. 2. — С. 115 - 122.

Подписано в печать 13.01.2004. Формат 60x84 Объем 1,0 усл. печ. л. Тираж 100 экз. Редакционно-издательский отдел Института угля и углехимии СО РАН. 650610, Кемерово, ГСП-610, ул. Рукавишникова, 21. Тел.(384 2)210-500

Введение.

Глава 1. Современное состояние методов анализа и прогнозирования производственно-экономических показателей работы промышленных предприятий.

1.1. Анализ традиционных методов и систем прогнозирования как способа определения производственно-экономических показателей работы предприятий на перспективу.

1.2. Возможности методов искусственного интеллекта (и метода нейронных сетей) в решении задач прогнозирования и управления.

1.3. Существующий опыт использования нейронных сетей в промышленности.

Глава 2. Разработка программного комплекса и интегрированной системы анализа параметров работы угольных предприятий, основанных на технологии нейронных сетей.

2.1. Сравнительный анализ существующего нейросетевого программного обеспечения.

2.2. Программная реализация компонентов программного комплекса.

Глава 3. Разработка алгоритмов нейросетевого моделирования параметров работы угольных предприятий.

3.1. Разработка алгоритма определения степени влияния показателей-аргументов.

3.2. Разработка алгоритма нейросетевого прогнозирования.

Важным условием получения объективной оценки работы угольной отрасли, необходимой как для возможной корректировки характера ее функционирования, так и для разработки программ перспективного развития, является наличие достоверной информации о состоянии отдельных угледобывающих предприятий.

Применение традиционных методов анализа состояния угледобывающих предприятий и оценки перспектив их развития не позволяет обеспечить требуемой в современных условиях хозяйствования степени глубины и детализации получаемой информации.

В данной работе предлагается в качестве одного из направлений в решении проблемы осуществления комплексного анализа технико-экономического состояния угольных предприятий и прогнозирования возможного изменения основных показателей их деятельности в перспективе, использовать создание проблемно-ориентированных программных комплексов на основе метода нейронных сетей.

Интенсивные исследования в области нейронных сетей и полученные теоретические и практические результаты привели к возникновению принципиально новых технологий создания интеллектуальных систем в различных областях знаний. Способность нейронных сетей к самоорганизации, адаптации и обучению позволяет создавать качественно новые прикладные системы, обладающие рядом преимуществ по сравнению с традиционными: меньшей процедурной сложностью, толерантностью к ошибкам, высокой точностью решения сложных задач. Одним из фундаментальных свойств нейронных сетей является способность их после обучения к обобщению и пролонгации результатов. Это создает предпосылки для создания на базе их различного рода прогнозирующих систем для разных сфер применения, в т. ч. для угольной промышленности.

Нейронные сети позволяют организовать высоко адаптивные нелинейные прогнозные модели, позволяющие во многих случаях моделировать и выполнять прогнозы сложных временных зависимостей с большей эффективностью и точностью по сравнению с известными статистическими методами.

По этой причине осуществляемая в данной работе разработка программного комплекса оценки технико-экономической деятельности угольных предприятий с использованием метода нейронных сетей является актуальной научной задачей.

Работа выполнялась в соответствии с проектом «Объектно-ориентированные модели горно-технологических информационных систем» плана НИР Института угля и углехимии СО РАН на 2001 - 2002 гг., проектом «Разработка научно-методических основ создания нового поколения геоинформационных систем» плана НИР Института угля и углехимии СО РАН на 2003 — 2005 гг., региональной программой «Сибирь», комплексом работ по стратегии развития угольной промышленности Кузбасса до 2020 г., отдельные этапы работы использовались в хоздоговорах по тематике Института угля и углехимии СО РАН.

Целью диссертационной работы является разработка алгоритмов комплексного анализа технико-экономической деятельности угольных предприятий с использованием метода нейронных сетей.

Идея работы заключается в том, что повышение качества оценки состояния угольных предприятий и анализ возможностей их перспективного развития достигается посредством использования метода нейронных сетей.

Для достижения поставленной цели необходимо решить следующие задачи:

- исследовать возможности нейросетевых методов для оценки технико-экономического состояния угледобывающих предприятий и перспектив его развития в условиях динамически развивающейся среды функционирования;

- разработать метод формирования обучающей выборки для нейросетевого прогнозирования отдельных показателей по совокупности остальных технико-экономических показателей, обеспечивающий формирование нейронной сетью последовательности прогнозируемых значений;

- разработать нейросетевой алгоритм определения неявных взаимосвязей между технико-экономическими показателями работы угольных предприятий;

- разработать программный нейросетевой комплекс для прогнозирования и анализа последовательностей технико-экономических показателей работы угольных предприятий;

- разработать на основе нейронных сетей комплексную интегрированную систему обработки и визуализации информации для анализа параметров работы угольных предприятий.

В исследованиях применялись следующие методы:

- численные методы для формирования обучающих множеств нейронных сетей на базе статистических показателей периодической отчетности угледобывающих предприятий;

- теории нейронных сетей и математического моделирования для разработки алгоритма определения неявных взаимосвязей между технико-экономическими показателями работы угольных предприятий и программных нейросетевых комплексов;

- структурного и объектно-ориентированного программирования для разработки комплекса программ интегрированной системы анализа параметров работы угольных предприятий.

Научные положения, выносимые на защиту:

- эффективность решения задач анализа и прогноза технико-экономических показателей угольных предприятий, определяемая погрешностью прогнозирования, повышается в результате применения метода нейронных сетей;

- предложенный метод формирования обучающей выборки для нейронной сети, генерируя матрицу прогнозируемых элементов, обеспечивает создание последовательности прогнозируемых значений параметров деятельности угледобывающих предприятий;

- разработанный нейросетевой алгоритм определения степени влияния показателей-аргументов, моделируя характер зависимости исследуемого показателя-объекта от показателей-аргументов, выявляет и идентифицирует неявные взаимосвязи между технико-экономическими показателями угледобывающих предприятий и степень влияния одних показателей на другие;

- интегрированная с нейросетевым программным комплексом система обеспечивает обработку и визуализацию анализируемых показателей деятельности угледобывающих предприятий.

Достоверность научных положений подтверждается:

- корректным использованием в качестве фактологической базы расчетов значительного объема (36 параметров — по угольным шахтам, и 33 — по разрезам) технико-экономических показателей периодической отчетности российских угольных шахт и угольных разрезов (для различных видов расчетов — за периоды от 3 до 20 лет);

- существующим положительным опытом использования: метода нейронных сетей для решения задач моделирования сложных процессов и установления неизвестных закономерностей в угольной промышленности;

- сходимостью фактических данных и моделируемых нейронной сетью значений при определении степени взаимного влияния между основными технико-экономическими показателями работы угледобывающих предприятий (значения коэффициента линейной корреляции составляют от 0,78 до 0,95);

- достаточной точностью прогнозирования, определяемой по средней норме разности между векторами прогнозируемых и фактических значений исследуемого показателя, порог максимального значения которой (с учетом нормирования показателей в интервале [-1,1]) составляет 0,04;

- общей сходимостью результатов оценки выявленных взаимосвязей между технико-экономическими параметрами, а также выводов практических рекомендаций, с результатами экспертного опроса по проблеме оптимизации работы предприятий угольной промышленности.

Научная новизна полученных результатов состоит в следующем:

- установлена возможность использования метода нейронных сетей к решению задач анализа и прогнозирования технико-экономических показателей деятельности угледобывающих предприятий;

- разработан метод формирования обучающей выборки для нейронной сети, при использовании в качестве аргумента нейросети совокупности технико-экономических показателей работы угольных шахт и разрезов;

- разработан и обоснован алгоритм определения неявных взаимосвязей между основными технико-экономическими показателями работы угледобывающих предприятий и степени их взаимного влияния;

- разработан программный нейросетевой комплекс для анализа последовательностей показателей производственной деятельности угледобывающих предприятий;

- разработана и интегрирована в нейросетевой комплекс система обработки и визуализации показателей угледобывающих предприятий.

Личный вклад автора состоит:

- в установлении зависимости между последовательностью прогнозируемых значений исследуемого показателя и временными рядами показателей-аргументов в ретроспективе для формирования обучающего множества нейронной сети;

- в разработке алгоритма определения весов взаимосвязей между показателями работы угольных предприятий, позволяющего выбирать наиболее информативные входные переменные на этапе подготовки данных для обучения нейросетей;

- в разработке математических моделей прогнозирования деятельности угледобывающих предприятий, определяющих временной ряд исследуемого показателя в краткосрочной перспективе;

- в установлении адекватности нейросетевых прогнозных моделей угольных предприятий и сравнении их эффективности с известными экстраполяционными методами;

- в определении значения максимальной погрешности алгоритма прогнозирования, обеспечивающего эффективное использование вычислительных ресурсов;

- в разработке интегрированной системы моделирования и анализа технико-экономических процессов угольных предприятий, включающей в себя программный комплекс нейросетевого прогнозирования и интерфейсные приложения.

Практическая ценность диссертационной работы заключается:

- в расширении области применения нейронных сетей за счет использования их при анализе и прогнозировании технико-экономических показателей угледобывающих предприятий;

- в совершенствовании существующих и обосновании новых технических возможностей математического моделирования с использованием нейросетей;

- в разработке базирующегося на использовании нейросетей программного комплекса, способного решать практические задачи по анализу и прогнозированию деятельности угольных предприятий;

- в выявлении и анализе практически значимых взаимосвязей между основными технико-экономическими параметрами производственной деятельности предприятий угольной промышленности, дающих возможность определять направления и способы повышения их эффективности.

Результаты научных исследований, приведенные в диссертации, докладывались и получили одобрение на VII Международной научно-практической конференции «Перспективы развития горнодобывающей промышленности в третьем тысячелетии» (Новокузнецк, 2000 г.), Международных научных симпозиумах «Неделя горняка - 2002», «Неделя горняка - 2003» (Москва, 2002 - 2003 гг.), IV и V Международных научно-практических конференциях «Энергетическая безопасность России. Новые подходы к развитию угольной промышленности» (Кемерово, 2002 - 2003 гг.), Международной научно-практической конференции «Наукоемкие технологии разработки и использования минеральных ресурсов» (Новокузнецк, 2003 г.), Международной конференции «Вычислительные и информационные технологии в науке, технике и образовании» (Усть-Каменогорск, Казахстан, 2003 г.).

Основные результаты диссертационной работы опубликованы в соавторстве с В. П. Потаповым, С. Н. Лазаренко. По результатам выполненных исследований опубликовано десять печатных работ, отражающих основное содержание диссертации.

Выводы по главе

В результате проведенного программного моделирования разработан алгоритм определения неявных взаимосвязей между технико-экономическими показателями работы угольных предприятий, позволяющий выбирать наиболее информативные входные переменные на этапе подготовки данных для обучения нейросетей при оценке и прогнозировании показателей работы угледобывающих предприятий.

Разработан оригинальный алгоритм прогнозирования значений технико-экономических показателей работы угольных предприятий на краткосрочную перспективу, основанный на технологии искусственных нейронных сетей. Выполнена апробация алгоритма прогнозирования по четырем шахтам Кузбасса на период с 2002 по 2008 гг.

При этом имеются достаточные основания оценить полученные результаты прогноза объемов добычи угля и себестоимости его добычи как вполне объяснимые с технической и экономической точек зрения и не противоречащие объективно существующим тенденциям в развитии рассматривавшихся предприятий угольной промышленности — что, в свою очередь, предполагает считать правомерным использование метода нейронных сетей для решения задач подобного рода.

Заключение

В диссертационной работе содержится решение задачи разработки алгоритмов анализа и прогноза технико-экономических показателей деятельности угледобывающих предприятий с использованием метода нейронных сетей, имеющей существенное значение для математического моделирования современных процессов экономического развития предприятий угледобычи.

Основные научные выводы и практические результаты заключаются в следующем:

1. Обоснована положительным опытом применения метода нейронных сетей в угольной промышленности возможность использования этого метода для анализа технико-экономических показателей работы угледобывающих предприятий и осуществления задач прогнозирования указанных показателей.

2. Разработанный метод формирования обучающей выборки для нейросетевого прогнозирования отдельных показателей по совокупности остальных технико-экономических показателей, обеспечивает формирование нейронной сетью последовательности прогнозируемых значений и производит среднюю норму разности между векторами прогнозируемых и фактических значений, не превосходящую значения 0,04.

3. Обоснован и создан алгоритм определения неявных взаимосвязей между отдельными технико-экономическими показателями работы угледобывающих предприятий, использующий для расчета коэффициентов влияния изменение внутренней структуры нейросети.

4. Разработан программный нейросетевой комплекс, моделирующий характер зависимости исследуемого показателя-объекта от показателей-аргументов, позволяющий осуществлять прогнозирование и анализ последовательностей технико-экономических показателей работы предприятий угледобычи и обеспечивающий наименьшую погрешность прогнозирования при сравнении с методом экспоненциального сглаживания и кусочно-кубической эрмитовой интерполяцией.

5. В результате применения разработанного алгоритма определения неявных взаимосвязей между технико-экономическими показателями работы угольных предприятий выявлены параметры, оказывающие наибольшее влияние на изменение значений объема добытого угля, себестоимости добычи угля и производительности труда работающих, и количественно оценена степень влияния на названые показатели каждого из параметров, включенных в статистическую отчетность по работе угольных шахт и разрезов Кузбасса.

6. Разработана интегрированная в нейросетевой программный комплекс система, обеспечивающая обработку и визуализацию показателей работы угольных предприятий.

1. ЧетыркинЕ. М. Статистические методы прогнозирования. — М.: Статистика, 1977. — 200 с.

2. ТейлГ. Прикладное экономическое прогнозирование. — М.: Прогресс,1970. — 509 с.

3. Поршнев В. М., Сыркашев А. В. Прогнозирование технико-экономических показателей работы шахт. — Кемерово: Филиал ТГУ при КГУ, 1991.— 174 с.

4. Математическое моделирование и статистический анализ временных рядов: Сб. науч. работ. / Под ред. ТрушаН.Н. и Вакульчика П. А. — Минск: Белорус, гос. ун-т, ВЦ, 1993. — 120 с.

5. Дружинин Н. К. Математическая статистика в экономике. М.: Статистика,1971. —264 с.

6. Бокс Дж., Дженкинс Г. Анализ временных рядов. Прогноз и управление. — М.:Мир, 1974. —198 с.

7. Хованова Н. А., Хованов И. А. Методы анализа временных рядов. — Саратов: Изд-во Гос. учебно-науч. центра «Колледж», 2001. — 119 с.

8. Дружинин Н. К. Основные математико-статистические методы в экономических исследованиях. — М.: Статистика, 1968.

9. Елисеева И. И., Юзбашев М. М. Общая теория статистики. М.: Финансы и статистика, 1999. — 480 с.

10. Афанасьев В. Н., Юзбашев М. М. Анализ временных рядов и прогнозирование. — М.: Финансы и статистика, 2001. — 227 с.

11. Вуколов Э. А. Анализ временных рядов. — М.: Моск. гос. ин-т электрон, техники, 1997. — 55 с.

12. Князевский В. С., Житников И. В. Анализ временных рядов и прогнозирование. — Ростов н/Д: Рост. гос. экон. акад., 1998. — 161 с.

13. Математические методы прогнозирования экономических показателей / Саяпова А. Р., Гусельникова Е. А., Лакман И. А., Шамуратов Н. М. — Уфа: Башк. гос. ун-т, 2000. — 126 с.

14. Лисичкин В. А. О прогнозирующих системах. — М.: Знание, 1969.

15. ДобровГ. М. Прогнозирование науки и техники. — М.: Наука, 1969.— 208 с.

16. Лисичкин В. А. Теория и практика прогностики. Методологические аспекты. — М.: Наука, 1972.

17. Янч Э. Прогнозирование научно-технического прогресса. — М.: Прогресс, 1974. —586 с.

18. Методические направления перспективного планирования и прогнозирования развития и размещения угольной промышленности / Стугарев А. С., Данилова Л. А., Ковш Б. П., Чумаков Е. В. — М.: изд. ЦНИЭИ уголь, 1971.

19. Таль К. К. Методика определения погрешности результатов технико-экономических расчетов. Труды ЦНИИС. — Вып. 54. — М.: Транспорт, 1964. —52 с.

20. Хелмер О. Будущее науки. В кн.: Горизонты науки и техники. — М.: Мир,1969. —322 с.

21. Лисичкин В. А. Прогнозирование в науке и технике. — М.: ЦНИИТЭИ приборостроения, 1968. — 107 с.

22. Стугарев А. С., Соснов В. Д., Чумаков Е. В. Прогнозирование развития угольной промышленности. — М.: Недра, 1976. — 208 с.

23. Бешелев С. Д., Гурвич Ф. Г. Математико-статистические методы экспертных оценок. — М.: Статистика, 1980. — 263 с.

24. Глушков В. М. О прогнозировании на основе экспертных оценок. Науковедение прогнозирование - информатика. — Киев: Наукова думка,1970. —С. 201-204.

25. Gordon Т. J., Helmer О. Report on a Long-Range Tefecasting Study, report p. 2982. The Rand Corporation, Santa Monica, California, Sept. 1964.

26. Gordon Т. J. The Future, St. Martins Press, N.-Y., 1965.

27. Тардов Б. H. Определение тенденций и прогнозирование научно-технического прогресса с помощью качественно-количественного анализа динамики выдачи патентов. В кн.: Тематический патентно-информационный поиск. — М., 1967.

28. ФесенкоР.А., Лисичкин В. А. Прогнозирование научно-технического прогресса на основе переработки научно-технической информации. — М.: Информстандартэлектро, 1968. — 214 с.

29. Гомошинский В. Г. Использование патентной информации для оценки уровня производства и прогнозирования развития техники. В сб.: Анализ закономерностей и прогнозирования развития науки и техники. — Киев, 1967.

30. Обухов В, Методика научно-технического прогнозирования на основе патентной информации. В кн.: Материалы совещания специалистов стран — членов СЭВ и СФРЮ по обмену опытом при составлении научно-технических прогнозов. — Прага, 1967.

31. Гастеев Ю. Модель. Философская энциклопедия. Т. 1. — М., 1964.

32. Баженов Л., Бирюков Б., Штофф В. Моделирование. Философская энциклопедия. Т. 3. — М., 1964.

33. Статистическое моделирование и прогнозирование / Гамбаров Г. М., Журавель Н. М., Королев Ю. Г. и др. — М.: Финансы и статистика, 1990.

34. Бурков В. Н., Голиченко О. Г, Квон О. Ф. Моделирование экономической динамики: риск, оптимизация, прогнозирование. 1997.

35. Лакис П.П. Методологические и логические аспекты прогнозирования. — Рига: Зинатне, 1985. — 216 с.

36. Рабочая книга по прогнозированию / Под ред. И. В. Бестужева-Лада. — М.: Мысль, 1983. — 300 с.

37. Льюис К. Д. Методы прогнозирования экономических показателей / Пер. с англ. — М.: Финансы и статистика, 1986.

38. Лисичкин В. А. О достоверности прогнозов. — М.: Знание, 1979. — 64 с.

39. Малая М. П. Об оценках точности прогнозов технико-экономических параметров. Науковедение и информатика: Респ. межвед. сб. — Вып. 17, 1977, С. 20-26.

40. Тейл Г. Экономические прогнозы и принятие решений / Пер. с англ. — М.: Статистика, 1971. — С. 39 40.

41. Вопросы математико-статистического анализа краткосрочных экономических процессов. Сборник / Ред. Т. В. Рябушкин, И. М. Айзинова. — М., 1977. — 149 с.

42. Леонов Р. Е., Троп В. А. Теоретический критерий эффективности методов прогноза. Сб. науч. тр. Перм. политехи, ин-та. — 1976. — № 180. — С. 73 -74.

43. Нильсон Н. Принципы искусственного интеллекта. — М.: Радио и связь, 1985. —376 с.

44. Поспелов Г. С. Искусственный интеллект — основа новой информационной технологии. — М.: Наука, 1988. — 280 с.

45. Уинстон П. Искусственный интеллект / Пер. с англ. — М.: Мир, 1980. — 520 с.

46. Будущее искусственного интеллекта / Под ред. К. Е. Левитина, Д. А. Поспелова. — М.: Наука, 1991. — 302 с.

47. Логический подход к искусственному интеллекту: от классической логики к логическому программированию / А. Тейз, П. Грибомон, Ж. Луи и др. — М.: Мир, 1990. —432 с.

48. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности / Вороновский Г. К., Махотило К. В., Петрашев С. Н., Сергеев С. А. — Харьков: Основа, 1997. — 112 с.

49. Круглов В. В., Борисов В. В. Искусственные нейронные сети. Теория и практика. — М.: Горячая линия Телеком, 2001. — 382 с.

50. Курейчик В. М. Генетические алгоритмы. Обзор и состояние // Новости искусственного интеллекта. — 1998. — № 3.

51. Прикладные нечеткие системы / К. Асаи, Д. Ватада, С. Иваи и др. / Под ред. Т. Тэрано, К. Асаи, М. Сугено. — М.: Мир, 1993. — 368 с.

52. Кофман А. Введение в теорию нечетких множеств. — М.: Радио и связь, 1982.-432 с.

53. Борисов А. Н., Глушков В. И. Использование нечеткой информации в экспертных системах / Новости искусственного интеллекта.— 1991.— №3. —С.13-41.

54. Нечеткие множества в моделях управления и искусственного интеллекта / Аверкин А. Н., Блишун А. Ф., Батыршин И. 3., Силов В. Б., Тарасов В. Б. —М.: Наука, 1986. —312 с.

55. Нечеткие множества и теория возможностей. Последние достижения / Под ред. Р. Р. Ягера. — М.: Радио и связь, 1986. — 408 с.

56. Обработка нечеткой информации в системах принятия решений / Борисов А. Н., Алексеев А. В., Меркурьева Г. В. и др. — М.: Радио и связь, 1989. — 304 с.

57. Jang J. S. R. and Sun C.-T. Neuro-fuzzy modelling and control // The Proceedings of the IEEE. — Vol. 83. — Mar. 1995. — P. 378 406.

58. Nauck D. Neuro-fuzzy systems: review and prospects // Proc. Fifth Europan Congress on Intelligent Techniques and Soft Computing. — 1997. — P. 1044 -1053.

59. Jang J. S. R. ANFIS: Adaptive network based fuzzy interface systems // IEEE trans, on Systems, Man, and Cybernetics. — May 1993. — P. 665 685.

60. Zadeh L. A. Fuzzy Sets // Information and Control. — 11. — 1965. — N 8. — P. 338-353.

61. ЭлтиДж., КумбсМ. Экспертные системы: концепции и примеры. — М.: Финансы и статистика, 1987. — 191 с.

62. НейлорК. Как построить свою экспертную систему. — М.: Энергоатомиздат, 1991. — 286 с.

63. Маковский В. А., Похлебаев В. И. Базы знаний (экспертные системы). — М.: Изд-во стандартов, 1993. — 37 с.

64. Гаврилова Т. А., Червинская К. Р. Извлечение и структурирование знаний для экспертных систем. — М.: Радио и связь, 1982. — 200 с.

65. Попов Э. В. Экспертные системы. — М: Наука, 1987. — 288 с.

66. Рыбина Г. В. Технология проектирования прикладных экспертных систем. — М.: МИФИ, 1991. — 104 с.

67. ТаунсендК., ФохтД. Проектирование и программная реализация экспертных систем на персональных ЭВМ. — М.: Финансы и статистика, 1990. — 320 с.

68. Уотермен Д. Руководство по экспертным системам. — М: Мир, 1989. — 388 с.

69. Терехов С. А. Лекции по теории и приложениям искусственных нейронных сетей. — Снежинск: ВНИИТФ, 1994. — 182 с.

70. Знать бы, где упадешь. / Вышинский Л., Дунин-Барковский В., Флеров Ю., Новодворский И. // Сумма технологий. — 2002. — http://www.sumtech.ru/.

71. Омату С. Халид М. Юсоф Р. Нейроуправление и его приложения / Пер. с англ. Батина Н. В.; Под общ. ред. Галушкина А. И., Птичкина В. А. — М.: ИПРЖР, 2000. —271 с.

72. Власов А. И., Яковлева Г. Л., Яковлев В. Л. Применение нейросетевых методов в информационных и аналитических системах 7 Под ред. А. И. Галушкина. — М.: ИПРЖР, 2001.

73. Горбань А. Н., Россиев Д. А. Нейронные сети на персональном компьютере. — Новосибирск: Наука, 1996. — 276 с.

74. McCulloch W. S., Pitts W. A logical calculus of the ideas immanent in nervous activity // Bulletin of Mathematical Biophysics. — 1943. — N5. — P. 115133.

75. Hebb D. O. The Organization of Behavior: A Neuropsychological Theory. — N. Y.: Wiley, 1949. —358 p.

76. Rochester N., Holland J. H., Haibt L. H., Duda W. L. Tests on a cell assembly theory of the action of the brain, using a large digital computer // IRE Transactions on Information Theory. — 1956. — NIT-2. — P. 80 93.

77. Uttley A. M. A theory of the mechanism of learning based on conditional probabilities // Proc. of the 1st International Conference on Cybernetics. — Paris: Namur, Gauthier-Villars, 1956. — P. 83 92.

78. Uttley A. M. Information Transmission in the Nervous System. — London: Academic Press, 1979. — 215 p.

79. MinskyM. L. Theory of neural-analog reinforcement systems and its application to the brain-model problem: Ph. D. Thesis. — Princeton: Princeton University, N. J., 1954. — 143 p.

80. Minsky M. L. Steps toward artificial intelligence // Proceedings of the Institute of Radio Engineers. — 1961. — N 49. — P. 8 30.

81. Winograd S., Cowan J. D. Reliable Computation in the Presence of Noise. — Cambridge, MA: MIT Press, 1963. — 247 p.

82. Rosenblatt F. The Perceptron: A probabilistic model for information storage and organization in the brain // Psychological Review. — 1958. — N 65. — P. 386 -408.

83. Widrow В., Hoff M.E., Jr. Adaptive switching circuits // IRE WES-CON Convention Record. — 1960. — P. 96 104.

84. Widrow В. Generalisation and information storage in networks of adaline «neurons» / Yovitz M. C., Jacobi G. Т., and Goldstein G. D. // Self-Organizing Systems. — Washington, D. C.: Sparta, 1962. — P. 435 461.

85. Cowan J. D. A Mathematical Theory of Central Nervous Activity: Ph. D. Thesis. — University of London, UK, 1967. — 178 p.

86. Минский M., Пейперт С. Персептроны. — M.: Мир, 1971. — 261 с.

87. Willshaw D. J., von der Malsburg С. How patterned neural connections can be set up by self-organization // Proceedings of the Royal Society of London. — 1976. — Series B. — N 194. — P. 431 445.

88. Kohonen Т. Self-organized formation of topologically correct feature maps // Biological Cybernetics. — 1982. — N43. — P. 59 69.

89. Rumelhart D. E., Hinton G. E., Williams R. J. Learning representations by back-propagating errors // London: Nature, 1986. — N 323. — P. 533 536.

90. Broomhead D. S., Lowe D. Multivariable functional interpolation and adaptive networks // Complex Systems. — 1988. — N 2. — P. 321 355.

91. Patterson D. Artificial Neural Networks. — Singapore: Prentice Hall, 1996.

92. Fausett L. Fundamentals of Neural Network. N< Y.: Prentice Hall, 1994.

93. Bishop C. Neural Networks for Pattern Recognition. —Oxford: University Press, 1995.

94. Goldberg D. E. Genetic Algorithms. Reading, MA: Addison wesley, 1989.

95. Geropp В., Seeliger A., Kebler H.-W. Neural Net for Diagnosis of Antifriction Bearings in Mining Machines // АРСОМ XXV. Application of computers and operations research in the minerals industries. — July 1995. — P. 49 52.

96. Дубовик Ю. В. Математическое моделирование элементов геосистем угольных шахт адаптированным методом нейронных сетей: Автореф. дис. канд. техн. наук: 05.13.18. — Кемерово, 2001. — 27 с.

97. Клепиков В. Б., Сергеев С. А., Махотило К. В., Обруч И. В. Применение методов нейронных сетей и генетических алгоритмов в решении задач управления электроприводами // Электротехника. — М., 1999. — № 5. — С. 2-5.

98. Добрынин Д. В., Савельев А. А. Применение нейронных сетей для анализа пространственных данных // Материалы пятой конференции ГИС-Ассоциации «Геоинформатика и образование». — М., 2001.

99. Францкевич Г. И., Букарев А. А., Костюк В. П. Нейросетевые и генетические модели и методы анализа данных // www.neuroproject.ru.

100. Махотило К. В., Сергеев С. А., СушковА. В. Дискретная нейросетевая система управления нелинейным динамическим объектом // Вестник Харьковского государственного политехнического университета. — Вып. 10. — Харьков: ХГПУ, 1997. — С. 13 18.

101. MATLAB. Getting Started with MATLAB. Version 5. The MathWorks, Inc., 1998. — 70 p.

102. MATLAB. Release 11 New Features. The MathWorks, Inc., 1999.

103. MATLAB. Using MATLAB.The MathWorks, Inc., 1999.

104. Медведев В. С., Потемкин В. Г. Нейронные сети: Matlab 6. — М.: Диалог-МИФИ, 2002. —489 с.

105. Потемкин В. Г. Система MATLAB. Справочное пособие. — М: Диалог-МИФИ, 1997. —350 с.

106. Потапов В. П., Лазаренко С. Н., Алферов М. В. Прогнозирование развития угольной отрасли с использованием метода нейронных сетей // Горный информационно-аналитический бюллетень. — М.: МГГУ, 2002. — № 7. — С. 173 -175.

107. Потемкин В. Г. Введение в MATLAB. — М.: Диалог-мифи, 1999. — 247 с.

108. ЕжовА. А. Нейрокомпьютинг и его применения в экономике и бизнесе: Учеб. пособие / Ежов А. А., Шумский С. А. — М., 1998. — 222 с.

109. Потапов В. П., Лазаренко С. Н., Алферов М. В. Математическое моделирование технико-экономических показателей работы угольных шахт методом нейронных сетей // Вычислительные технологии. — Новосибирск: ИВТ СО РАН, 2003. — № 4. — С. 75 80.

110. Головко В. А. Нейронные сети: обучение, организация и применение. — Кн. 4. — М.: ИПРЖР, 2001. — 256 с.

111. Экономические показатели угледобывающих предприятий Кемеровской области за 1997 г.

112. Результаты моделирования прибыли угледобывающего предприятия, полученной с 1 тдобытого угля

113. АО Черниговец 25,6 -2,86 3,92 -6,36 4,4079 ш. Тайбинская -47,34 -12,72 4,77 -34,30 1,8080 ш. Красногорская 12,01 -4,78 2,31 -11,44 3,2381 ш. №12 -22,51 -13,99 1,17 -34,92 1,7182 ш. Коксовая -77,58 -52,34 3,48 -329,29 34,66

114. Прим.: серым фоном выделены проверочные множества.

115. Проверка адекватности моделирования an = sim(net,pn); m,b,r. = postreg(an,tn)

116. W = net.IW{l,l}; % Сохранение параметров нейросети WO = zeros(n,к); % Матрица нулевых параметров net.IW{l,l} = WO; % Обнуление параметров нейросети % i индекс показателя-аргумента for i=l:кj индекс нейрона скрытого слоя for j=l:n

117. Выход сети константа poly(i,:) = 0 таха(i).; elseif

118. Интерполяция полиномом первой степениpoly(i,:) = polyfit(pnOl(i,:),a(i,:),1);end

119. Сохранение коэффициентов полинома fid = fopen('data.out','w'); fprintf(fid, '%20.2 f\n',poly(:,1)); fclose(fid); % Конец

120. Сохраняем среднее, максимальное и минимальноезначения времени обученияtrtime(k,l) = mean(trvec);trtime(k,2) = max(trvec);trtime(k,3) = min(trvec);

121. Вектор y{k} содержит последовательность значений % MSE (mean squared error) последней итерации обучения, % x{k} соответствующие значения времени обучения у{к} = tr.perf; m,n. = size(у{к});х{к} = 0:trtime(k,l)/(n-l):trtime (к,1).;

122. Чтение коэффициентов приведения coeff = xlsread('statistics.xlsCo'); for i=l:yearcnt

123. Приведение стоимостных показателей к ценам % текущего годаstat(2,1,:) = stat(2,i,:) * coeff(i,2); stat(3,i,:) = stat(3,i,:) * coeff(i,2);end

124. Вычисление прогнозируемых значенийpred массив прогнозируемых значенийppn = tramninxipp^inp/maxp) ;aan = sim(net, ppn);аа = postmnmx(aan,mint,maxt)';

125. Взвешивание с использованием коэффициентов к for j=l:hpred(q,j,m) = 1 / sum(k(j:h));tmp = 0;for i=l:h-j + 1tmp = tmp + k(j+i-l) * aa(j+i-l,h-i+l);endpred(q,j,m) = pred(q,j,m) * tmp;endelsepred(q,:,m) =0; % Неудачная попыткаendend

126. Сохранение результатов прогнозирования fid = fopen('statistics.out','w'); fprintf(fid,■%20.2f\n',pred); fclose(fid); % Конец