Referat.me
/ / Системы и методы искусственного интеллекта в экономике

Название: Системы и методы искусственного интеллекта в экономике

Вид работы: контрольная работа

Рубрика: Информатика

Размер файла: 67.49 Kb

Скачать файл: referat.me-129972.docx

Краткое описание работы: КОНТРОЛЬНАЯ РАБОТА По дисциплине: «Системы и методы искусственного интеллекта в экономике» Задание 1 1. Выбираем массив финансовых показателей по которым будем оценивать финансовую устойчивость предприятия. Устанавливаем эталонные значения данных показателей в каждой группе риска в соответствие с предложенными диапазонами значений финансовых показателей:

Системы и методы искусственного интеллекта в экономике

КОНТРОЛЬНАЯ РАБОТА

По дисциплине: «Системы и методы искусственного интеллекта в экономике»

Задание 1

1. Выбираем массив финансовых показателей по которым будем оценивать финансовую устойчивость предприятия. Устанавливаем эталонные значения данных показателей в каждой группе риска в соответствие с предложенными диапазонами значений финансовых показателей:

x1 x2 x3 x4
Показатели Эталоны
критическая зона зона опасности зона относительной стабильности зона благо-получия
Коэф. абсолютной ликвидности 0,18 0,24 0,38 0,47
Коэф. оборачиваемости собст-венных средств 0,71 0,85 0,96 1,7
Коэф. обеспеченности денежных средств и расчетов 0,03 0,08 0,14 0,21
Рентабельность использования всего капитала 0,02 0,09 0,12 0,19
Рентабельность продаж 0,05 0,14 0,26 0,31

2. Задаем характеристики исследуемого предприятия. Веса показателям устанавливаются экспертами.

s n
Показатели Исследуемое предприятие Вектор весов показателей (выбирается экспертами)
Коэф. абсолютной ликвидности 0,57 9
Коэф. оборачиваемости собст-венных средств 0.49 3
Коэф. обеспеченности денежных средств и расчетов 0,53 7
Рентабельность использования всего капитала 2,4 4
Рентабельность продаж 1,8 5

3. Рассчитываем разницу между составляющими векторов исследуемого предприятия и каждого эталонного образа:

(s-xi)
0,39 0,33 0,19 0,10
-0,22 -0,36 -0,47 -1,21
0,50 0,45 0,39 0,32
2,38 2,31 2,28 2,21
1,75 1,66 1,54 1,49

4. Рассчитываем квадрат разницы между составляющими векторов исследуемого предприятия и каждого эталонного образа:

(s-xi)^2
0,1521 0,1089 0,0361 0,0100
0,0484 0,1296 0,2209 1,4641
0,2500 0,2025 0,1521 0,1024
5,6644 5,3361 5,1984 4,8841
3,0625 2,7556 2,3716 2,2201

5. Таким образом, расстояния по Эвклиду () между исследуемым предприятием и эталонными образами будут равны:

х1 х2 х3 х4
Расстояния по Эвклиду 9,1774 8,5327 7,9791 8,6807

Минимальное расстояние между исследуемым предприятием и эталоном свидетельствует о принадлежности исследуемого предприятия к области риска х3 (зона относительной стабильности).

6. Рассчитываем разницу между составляющими векторов исследуемого предприятия и каждого эталонного образа, возведенную в степень λ=4:

(s-xi)^ λ , λ =4
0,02313441 0,01185921 0,00130321 0,00010000
0,00234256 0,01679616 0,04879681 2,14358881
0,06250000 0,04100625 0,02313441 0,01048576
32,08542736 28,47396321 27,02336256 23,85443281
9,37890625 7,59333136 5,62448656 4,92884401

7. Таким образом, расстояния по Минковскому () между исследуемым предприятием и эталонными образами будут равны:

х1 х2 х3 х4
Расстояние по Минковскому 41,55231058 36,13695619 32,72108355 30,93745139

Минимальное расстояние между исследуемым предприятием и эталоном свидетельствует о принадлежности исследуемого предприятия к области риска х4 (зона благополучия).

8. Рассчитываем модуль разницы между составляющими векторов исследуемого предприятия и каждого эталонного образа:

|s-xi|
0,39 0,33 0,19 0,10
0,22 0,36 0,47 1,21
0,50 0,45 0,39 0,32
2,38 2,31 2,28 2,21
1,75 1,66 1,54 1,49

9. Таким образом, расстояния по модулю разницы () между исследуемым предприятием и эталонными образами будут равны:

х1 х2 х3 х4
Расстояние по модулю разности 5,24 5,11 4,87 5,33

Минимальное расстояние между исследуемым предприятием и эталоном свидетельствует о принадлежности исследуемого предприятия к области риска х3 (зона относительной стабильности).

10. Рассчитываем произведение весов коэффициентов и квадрата разницы между составляющими векторов исследуемого предприятия и каждого эталонного образа:

nj*(s-xi)^2
1,0647 0,7623 0,2527 0,0700
0,2904 0,7776 1,3254 8,7846
0,7500 0,6075 0,4563 0,3072
22,6576 21,3444 20,7936 19,5364
15,3125 13,7780 11,8580 11,1005

11. Таким образом, расстояния по Эвклиду с весами () между исследуемым предприятием и эталонными образами будут равны:

х1 х2 х3 х4
Расстояние по Эвклиду (c весами) 40,0752 37,2698 34,6860 39,7987

Минимальное расстояние между исследуемым предприятием и эталоном свидетельствует о принадлежности исследуемого предприятия к области риска х3 (зона относительной стабильности).

12. Рассчитываем произведение весов коэффициентов и разницы между составляющими векторов исследуемого предприятия и каждого эталонного образа, возведенной в степень λ=4:


nj*(s-xi)^ λ , λ =4
0,16194087 0,08301447 0,00912247 0,0007
0,01405536 0,10077696 0,29278086 12,86153286
0,1875 0,12301875 0,06940323 0,03145728
128,3417094 113,8958528 108,0934502 95,41773124
46,89453125 37,9666568 28,1224328 24,64422005

13. Таким образом, расстояния по Минковскому с весами () между исследуемым предприятием и эталонными образами будут равны:

х1 х2 х3 х4
Расстояние по Минковскому (c весами) 175,5997369 152,1693198 136,5871896 132,9556414

Минимальное расстояние между исследуемым предприятием и эталоном свидетельствует о принадлежности исследуемого предприятия к области риска х4 (зона благополучия).

14. Рассчитываем произведение весов коэффициентов и модулей разницы между составляющими векторов исследуемого предприятия и каждого эталонного образа:

nj*|s-xi|
2,73 2,31 1,33 0,7
1,32 0,4752 0,223344 0,27024624
1,5 1,35 1,17 0,96
9,52 9,24 9,12 8,84
8,75 8,3 7,7 7,45

15. Таким образом, расстояния по модулю разницы с весами () между исследуемым предприятием и эталонными образами будут равны:

х1 х2 х3 х4
Расстояние по модулю разности (c весами) 23,82 21,6752 19,543344 18,22024624

Минимальное расстояние между исследуемым предприятием и эталоном свидетельствует о принадлежности исследуемого предприятия к области риска х4 (зона благополучия).

16. Рассчитываем сумму между составляющими векторов исследуемого предприятия и каждого эталонного образа:

(s+xi)
0,75 0,24 0,77 0,80
1,20 0,85 0,74 1,34
0,56 0,08 0,64 0,66
2,42 0,09 2,50 2,50
1,85 0,14 2,01 1,97

17. Рассчитываем модуль отношения (s-xi )/(s+xi ) для каждой составляющей векторов исследуемого предприятия и каждого эталонного образа:

|(s-xi)/(s+xi)|
0,52 1,375 0,246753 0,125
0,183333 0,423529 0,635135 0,902985
0,892857 5,625 0,609375 0,484848
0,983471 25,66667 0,912 0,884
0,945946 11,85714 0,766169 0,756345

18. Таким образом, расстояния по Камберру () между исследуемым предприятием и эталонными образами будут равны:

х1 х2 х3 х4
Расстояние по Камберру 3,525607 44,94734 3,169433 3,153179

Минимальное расстояние между исследуемым предприятием и эталоном свидетельствует о принадлежности исследуемого предприятия к области риска х4 (зона благополучия).

ВЫВОД: В результате проведенного анализа можно сделать вывод о том, что уровень финансовой устойчивости исследуемого предприятия характеризуется относительной стабильностью и благополучием.

Задание 2

1. Задаем эталонные объекты, исследуемый образ и признаки, по которым будем оценивать сходство:

Вектор признаков в него можно класть вещи сделано преимущественно из одного материала имеет дверцу в него можно увидеть свое отражение на нем сидят
окно X 1 да да нет да нет
шкаф X 2 да да да нет нет
стул X 3 да да нет нет да
диван X 4 да нет нет нет да
стол * S да да да нет нет

* Цветом выделен исследуемый образ.

2. Переводим качественные характеристики объектов в количественные. В результате формируется двоичный массив:

Вектор признаков в него можно класть вещи сделано преимущественно из одного материала имеет дверцу в него можно увидеть свое отражение на нем сидят
окно X 1 1 1 0 1 0
шкаф X 2 1 1 1 0 0
стул X 3 1 1 0 0 1
диван X 4 1 0 0 0 1
стол * S 1 1 1 0 0

3. Рассчитываем число совпадений наличия признаков объектов Xj , и S . Она может быть вычислена с помощью соотношения (n – количество признаков). Для этого используем функцию СУММПРОИЗВ, указывая в ней массивы векторов значений признаков исследуемого образа и каждого из эталонного образов.

Таким образом:

A (количество совпадений присутствия признаков у исследуемого объекта и эталона Xj )
окно X 1 2
шкаф X 2 3
стул X 3 2
диван X 4 1

4. С помощью переменной b подсчитывается число случаев, когда объектыXj , и S . не обладают одним и тем же признаком, . Для упрощения расчетов необходимо рассчитать матрицу значений (1-x k ) для всех исследуемых объектов:

(1-x k )
окно X 1 0 0 1 0 1
шкаф X 2 0 0 0 1 1
стул X 3 0 0 1 1 0
диван X 4 0 1 1 1 0
стол * X5 0 0 0 1 1

Рассчитываем значение переменной b аналогично методу расчета переменной a , используя значения матрицы, полученной в п.4:


B (количество совпадений отсутствия признаков у исследуемого объекта и эталона Xj )
окно X 1 1
шкаф X 2 2
стул X 3 1
диван X 4 1

5. Аналогичным образом рассчитывает переменные g и h по формулам

, :

G H
окно X 1 1 1
шкаф X 2 0 0
стул X 3 1 1
диван X 4 2 1

6. Проверяем правильность произведенных расчетов по формуле:

a + b + g + h = n

где n – количество анализируемых признаков (в нашем случае n = 5)

a b g h n
2 1 1 1 5
3 2 0 0 5
2 1 1 1 5
1 1 2 1 5

Следовательно, расчеты произведены верно.

7. Рассчитываем значения функций сходства с каждым эталонным образом по формулам Рассела и Рао, Жокара и Нидмена, Дайса, Сокаля и Снифа, Сокаля и Мишнера, Кульжинского, Юла:

(функция сходства Рассела и Рао),

(функция сходства Жокара и Нидмена),

(функция сходства Дайса),

(функция сходства Сокаля и Снифа),

(функция сходства Сокаля и Мишнера),

(функция сходства Кульжинского),

(функция сходства Юла).

Рассела и Рао Жокара и Нидмена Дайса Сокаля и Снифа Сокаля и Мишнера Кульжинского Юла Эталоны
0,4 0,5 0,333333 0,333333 0,6 1 0,333333333 окно
0,6 1 0,5 1 1 #ДЕЛ/0! 1 шкаф
0,4 0,5 0,333333 0,333333 0,6 1 0,333333333 стул
0,2 0,25 0,2 0,142857 0,4 0,33333 -0,333333333 диван

При распознавании образов с помощью функций сходства, исследуемый образ можно отнести к эталону, если значение функции сходства между ними максимально. Следовательно, наиболее близким эталоном к исследуемому образу является «шкаф», «стул», «окно».

8. Рассчитаем расстояние по Хеммингу между исследуемым образом и эталонами Расстояние по Хеммингу между двумя двоичными векторами равно числу несовпадающих двоичных компонент векторов. Используя переменныеg иh его можно рассчитать по следующей формуле:

SH = g + h

SH = g + h
Окно X 1 2
Шкаф X 2 0
Стул Х3 2
Диван X 4 3

При распознавании образов с помощью вычисления расстояния между объектами в качестве критерия принятия решения о принадлежности к конкретному эталону используется минимальное расстояние от исследуемого образа до эталона. Согласно данному критерию, наиболее близким к исследуемому образу является эталон «шкаф», «стул», «окно».

ВЫВОД: В результате проведенного анализа, согласно всех используемых функций сходства и расстояния по Хеммингу, исследуемый образ «стол» имеет наибольшее сходство с эталоном «шкаф», «стул», «окно».

9. Используя знания о логическом смысле переменных a , b , g , h предлагаю следующий вариант функции сходства:

Используя её для оценивания сходства между исследуемым образом и эталонами, получим:

Эталоны Предложенная функция
Окно 0,4
Шкаф 1
Стул 0,4
Диван 0,2

Как видим, результат предложенный функции совпадает с результатами функций Рассела и Рао, Жокара и Нидмена, Дайса, Сокаля и Снифа, Сокаля и Мишнера, Кульжинского, Юла, что свидетельствует о её достаточной достоверности.

Похожие работы

  • Информационные технологии в антикризисном управлении 2

    КОНТРОЛЬНАЯ РАБОТА по дисциплине «Информационные технологии в антикризисном управлении» Екатеринбург 2010 Оглавление Введение «ИНЭК-Аналитик» существенно отличается от программных продуктов аналогичного класса тем, что результатом работы с ним является и всесторонний финансово-экономический анализ текущего состояния предприятия, и   качественно подготовленный, соответствующий требованиям ведущих российских и международных финансовых организаций бизнес-план.

  • Вычисление суммы бесконечного ряда с точностью епсилон

    МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ УКРАИНЫ Государственный университет информатики и искусственного интеллекта Д050103.1.01.10/080.ЛР Кафедра программного обеспечения интеллектуальных систем

  • Планирование организации работ над проектом программ

    МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ УКРАИНЫ ДОНЕЦКИЙ ГОСУДАРСТВЕННЫЙ ИНСТИТУТ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА Лабораторная работа № 2 По дисциплине: «Технология программирования и создания программных продуктов»

  • Информационные системы в экономике 4

    Министерство образования и науки Российской Федерации Федеральное государственное образовательное учреждение высшего профессионального образования

  • Экспертные системы 8

    Экспертные системы (ЭС) представляются собой компьютерные программы, использующие принципы искусственного интеллекта и формализованные знания эксперта для обработки оперативной информации и принятия обоснованных решений в анализируемой предметной области.

  • Экспертные системы 2

    Федеральное государственное образовательное учреждение среднего профессионального образования “Омский промышленно-экономический колледж” Доклад на тему

  • по Информационной системы в экономике

    Министерство образования и науки Российской Федерации ВСЕРОССИЙСКИЙ ЗАОЧНЫЙ ФИНАНСОВО-ЭКОНОМИЧЕСКИЙ ИНСТИТУТ Филиал в г. Липецк КОНТРОЛЬНАЯ РАБОТА

  • Тенденция развития систем искусственного интеллекта

    Министерство образования и науки российской федерации Государственное образовательное учреждение высшего профессионального образования <<

  • Оптимизация аварийного запаса продуктов для снабжения населения в районе чрезвычайных ситуаций

    Российская Экономическая Академия Им. Г.В. Плеханова Курсовая работа по дисциплине «Информационные технологии в экономике» на тему: «Оптимизация аварийного запаса продуктов для снабжения населения в районе чрезвычайных ситуаций».

  • Изображение движущегося объекта на фоне неподвижных предметов

    Московская открытая социальная академия Финансово-экономический факультет Кафедра информационных технологий в экономике К У Р С О В А Я Р А Б О Т А по дисциплине