| Русский Русский | English English |
   
Главная Архив номеров
23 | 09 | 2019
10.14489/vkit.2016.12.pp.010-018

DOI: 10.14489/vkit.2016.12.pp.010-018

Дроговоз П. А., Садовская Т. Г., Шиболденков В. А.
ИСПОЛЬЗОВАНИЕ ЭМЕРДЖЕНТНЫХ НЕЙРОСЕТЕВЫХ КАРТ В БИЗНЕС-АНАЛИЗЕ ПОРТФЕЛЯ КЛИЕНТОВ
(c. 10-18)

Аннотация. Рассмотрено информационное средство поддержки управленческих решений – эмерджентная самоорганизующаяся нейрокарта Кохонена. Показана концепция работы с эмерджентной картой в задачах интеллектуального анализа данных и визуального исследования выборки. Даны описания практической и прагматической сторон применения данного средства интеллектуального анализа информации: изучение его удобства, доступности для широкого круга пользователей, наглядности и легкости восприятия визуального результата. Проведено сравнение возможностей графических средств отражения сложной информации с принципом нейросетевого картирования. Указаны топологические проблемы нейросетевого картирования. Показано влияние масштаба карты на результат группировки и эмерджентные свойства большой структуры, формирующейся по разработанному алгоритму. Проведено исследование и идентификация типов клиентов компьютерного магазина на основе сведений о приобретенных ими конфигурациях оборудования.

Ключевые слова:  организационно-экономический анализ; самоорганизующаяся карта Кохонена; искусственная нейронная сеть; интеллектуальный анализ данных; средства бизнесанализа; инновационная деятельность; самоорганизация; кластеризация; визуальный анализ; визуальный анализ кластеров; эмерджентная самоорганизующаяся карта.

 

Drogovoz P. A., Sadovskaya T. G., Shiboldenkov V. A.
USING THE EMERGENT NEURAL NETWORK MAPS IN CUSTOMER PORTFOLIO BUSINESS ANALYSIS
(pp. 10-18)

Abstract. The article deals with the information decision support system – Kohonen emergent self-organizing map. It elaborated the emergent neural map tools concept in the data mining and visual pattern mining tasks. This article describes practical and pragmatic application aspects in the intelligent data analysis: of convenience study, accessibility for a wide users range, visibility and visual perception results ease. Analyzed the complex graphical tools features in comparison with the neural network mapping principle. Shown neural network map’s topological problems. Neural networks do not need prejudgment and apriority hypotheses about the space study data patterns. Neural networks own “trained ” to seek out the relationship in the proposed particulars. A higher level of abstraction allows a systematic look at the overall data structure and identify new and unknown features. Input data topological patterns saving is the emergent map’s primary advantage. It is not lost information on an external interdependence, mutual arrangement and the clusters relationship, as well as about the internal clusters patterns. The map size gain (the neurons number to the data points number) increases its resolution, which in many cases reduces topological distortions arising due to the projection of the multidimensional object into two-dimensional pattern. Analyzed the scale map effect on the grouping result and exhibit emergent properties of a large and whole structure. Produced by the computer store clients types research and identification based on information acquired by them equipment configurations. Kohonen map is a multifunctional tool, since in addition to powerful tools for data analysis, based on the properties of learning, generalization and abstraction, has significant infographic qualities that allow it to clearly and simply to provide information for future users.

Keywords: Organizational and economic analysis; Kohonen self-organizing map; Artificial neural network; Data mining; Business analysis tools; Innovation; Self-organization; Clustering; Visual mining; Visual cluster analysis; Emergent self-organizing map.

Рус

П. А. Дроговоз, Т. Г. Садовская, В. А. Шиболденков (Московский государственный технический университет им. Н. Э. Баумана, Москва, Россия) E-mail: Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript  

Eng


P. A. Drogovoz, T. G. Sadovskaya, V. A. Shiboldenkov (Bauman Moscow State Technical University, Moscow, Russia) E-mail: Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript

 

Рус

1. Зиновьев А. Ю. Визуализация многомерных данных. Красноярск: Изд-во Красноярского гос. техн. ун-та, 2000. 180 с.
2. Russel S. J., Norvig P. Artificial Intelligence. A Modern Approach. Prentice Hall, Pearson Education, Inc., 2010. 1132 p.
3. Анализ данных и процессов: учеб. пособие / А. А. Барсегян и др. 3-е изд., перераб. и доп. СПб.: БХВ-Петербург, 2009. 512 с.
4. Bishop C. M. Pattern Recognition and Machine Learning. New York: Springer, 2006. 738 p.
5. Дебок Г., Кохонен Т. Анализ финансовых данных с помощью самоорганизующихся карт: пер. с англ. М.: АЛЬПИНА, 2001. 317 с.
6. Mitrokotsa A., Douligeris C. Detecting Denial of Service Attacks Using Emergent Self-Organizing Maps // Proc. of the 5th IEEE International Symposium on Signal Processing and Information Technology. 2005. Р. 375 – 380.
7. Шуметов В. Г., Гудов В. А. Применение нейронных сетей для анализа риска производственного предприятия // Нейросетевые технологии и их применение: сб. докл. Междунар. науч. конф. Краматорск, 2003. С. 257 – 266.
8. Машков А. В., Афанасьева Е. В., Сокоркина А. А. Сегментирование целевой аудитории рекламно-информационных изданий с помощью самоорганизующихся карт Кохонена // Электронный научный журнал APRIORI. Сер.: Гуманитарные науки. URL: http: // www.apriori-journal.ru /seria1/1-2013/ Mashkov-Afanasieva-Sokorkina.pdf. 2013. №. 1. С. 1 – 10.
9. Ultsch A. Clustering with SOM: U*C // Proc. of the 5th Workshop on Self-Organizing Maps. 2005. V. 2. P. 75 – 82.
10. Ultsch A., Herrmann L. The Architecture of Emergent Self-Organizing Maps to Reduce Projection Errors // Proc. of the 13th European Symposium on Artificial Neural Networks, Bruges, Belgium, April 27 – 29, 2005. P. 1 – 6.
11. Раменская А. В., Вязмитинов А. В. Моделирование кредиторской задолженности заемщиков коммерческого банка // Экономика и современный менеджмент: теория и практика: сб. ст. по матер. XXX Междунар. науч.-практ. конф. № 10(30). Новосибирск, 2013. С. 33 – 43.
12. Система интеллектуальной поддержки принятия решений при управлении макроэкономическим воспроизводственным процессом на основе имитационного моделирования / Ильясов Б. Г. и др. // Вестник Уфимского государственного авиационного технического университета. 2012. Т. 16, № 3(48). С. 221 – 229.
13. Resta M. Early Warning Systems: an Approach via Self Organizing Maps with Applications to Emergent Markets // New Directions in Neural Networks: 18th Italian Workshop on Neural Networks: WIRN 2008. IOS Press, 2009. V. 193. P. 176 – 185.
14. Садовская Т. Г., Шиболденков В. А., Иванов П. Д. Оптимизация портфеля партнеров с помощью инструментов интеллектуального анализа данных // Экономика и предпринимательство. 2015. № 9 (ч. 2). С. 1094 – 1097.
15. Разработка нейросетевых инструментов интеллектуального анализа экономических показателей / П. А. Дроговоз и др. // Аудит и финансовый анализ. 2015. № 3. С. 431 – 440.

Eng

1. Zinov'ev A. Iu. (2000). Visualization of multivariate data. Krasnoiarsk: Izdatel'stvo KGTU. [in Russian language]
2. Russel S. J., Norvig P. (2010). Artificial intelligence.
A modern approach. 3rd Ed. Prentice Hall, Pearson Education, Inc.
3. Barsegian A. A. (2009). Analysis of the data and processes: textbook. 3rd Ed. (revised and complemented). St. Petersburg: BKhV-Peterburg. [in Russian language]
4. Bishop C. M. (2006). Pattern recognition and machine learning. New York: Springer.
5. Debok G., Kohonen T. (2001). The analysis of financial data using self-organizing maps. Moscow: AL''PINA. [in Russian language]
6. Mitrokotsa A., Douligeris C. (2005). Detecting denial of service attacks using emergent self-organizing maps. Proc. of the 5th IEEE International Symposium on Signal Processing and Information Technology, pp. 375-380.
7. Shumetov V. G., Gudov V. A. (2003). Application of neural networks for the analysis of the risk of industrial enterprise. Neural network technology and its application: proceedings of the International scientific conference. Kramatorsk, pp. 257-266. [in Russian language]
8. Mashkov A. V., Afanas'eva E. V., Sokorkina A. A. (2013). Segmentation of target audience of advertising and information publications using Kohonen self-organizing maps. APRIORI. Seriia Gumanitarnye nauki, (1), pp. 1-10. Available at: http: // www.apriori-journal.ru /seria1/1-2013/ Mashkov-Afanasieva-Sokorkina.pdf [in Russian language]
9. Ultsch A. (2005). Clustering with SOM: U*C. Proc. of the 5th Workshop on Self-Organizing Maps, Vol. 2, pp. 75-82.
10. Ultsch A., Herrmann L. (2005). The architecture of emergent self-organizing maps to reduce projection errors. Proc. of the 13th European Symposium on Artificial Neural Networks, Bruges, Belgium, April 27 – 29. 2005, pp. 1-6.
11. Ramenskaia A. V., Viazmitinov A. V. (2013). Modeling of the debts of commercial bank borrowers. Economics and modern management: theory and practice: proceedings of the XXX International scientific and practical conference. 30(10). Novosibirsk, pp. 33-43. [in Russian language]
12. Il'iasov B. G. et al. (2012). Intellectual support system of decisionmaking in the management of macroeconomic reproduction process based on simulation. Vestnik Ufimskogo gosudarstvennogo aviatsionnogo tekhnicheskogo universiteta, Vol. 16, 48(3), pp. 221-229. [in Russian language]
13. Resta M. (2009). Early warning systems: an approach via self organizing maps with applications to emergent markets. New Directions in Neural Networks: 18th Italian Workshop on Neural Networks: WIRN 2008. IOS Press, 193, pp. 176-185.
14. Sadovskaia T. G., Shiboldenkov V. A., Ivanov P. D. (2015). Optimization of the partner’s portfolio using the tools of data mining. Ekonomika i predprinimatel'stvo, (9), (part 2), pp. 1094-1097. [in Russian language]
15. Drogovoz P. A. et al. (2015). Development of neural network tools of intellectual analysis of economic indicators. Audit i finansovyi analiz, (3), pp. 431-440. [in Russian language]

Рус

Статью можно приобрести в электронном виде (PDF формат).

Стоимость статьи 350 руб. (в том числе НДС 18%). После оформления заказа, в течение нескольких дней, на указанный вами e-mail придут счет и квитанция для оплаты в банке.

После поступления денег на счет издательства, вам будет выслан электронный вариант статьи.

Для заказа статьи заполните форму:

{jform=1,doi=10.14489/vkit.2016.12.pp.010-018}

.

Eng

This article  is available in electronic format (PDF).

The cost of a single article is 350 rubles. (including VAT 18%). After you place an order within a few days, you will receive following documents to your specified e-mail: account on payment and receipt to pay in the bank.

After depositing your payment on our bank account we send you file of the article by e-mail.

To order articles please fill out the form below:

{jform=2,doi=10.14489/vkit.2016.12.pp.010-018}

 

 

 

 

 

.

.

 

 

 
Поиск
Баннер
Баннер
Баннер
Баннер
Баннер
Журнал КОНТРОЛЬ. ДИАГНОСТИКА
Rambler's Top100 Яндекс цитирования