Оценка спроса на товары и услуги на основании гибридных сетей

 

Табл. 2.19

x	х2	х3	х4	y	3 3 3 3				4 4 4 4
					trimf		gaussmf		trimf		gaussmf
					y’	E	y’	E	y’	E	y’	E
12	14	3	0	0	0,000000378	0,000000378	-0,000000308	0,000000308	0	0	0,000000155	0,000000155
8	12,5	2,6	0,4	0,8	0,8	0	0,8	0	0,8	0	0,8	0
5,4	10,5	2,2	0,8	1,9	1,9	0	1,9	0	1,9	0	1,9	0
3	8,5	1,8	1,2	3,5	3,5	0	3,5	0	3,5	0	3,5	0
1,6	6,5	1,4	1,6	6	6	0	6	0	6	0	6	0
0,9	4,5	1	2	7,9	7,9	0	7,9	0	7,9	0	7,9	0
0,5	2,5	0,6	2,4	9,01	9,01	0	9,01	0	9,01	0	9,01	0
0,1	0,5	0,2	2,8	9,8	9,8	0	9,8	0	9,8	0	9,8	0
0	0	0	3	10	10	0	10	0	10	0	10	0
						0,000000042		0,0000000342		0		0,0000000172

 

Наихудшие результаты получены при использовании всего  лишь одного фактора. Увеличивая количество факторов, ошибка (Е) становится меньше.  Также выявлено, что при увеличении шага (∆), ошибка (Е) уменьшается. Она становится равна нулю в двух случаях: когда используется три фактора, а количество точек равно девяти, и когда используются четыре фактора, количество точек то же.

 

 ГЛАВА 3. ИССЛЕДОВАНИЕ ПРИВЛЕКАТЕЛЬНОСТИ СОТОВЫХ ТЕЛЕФОНОВ НА ОСНОВЕ ГИБРИДНЫХ СЕТЕЙ

3.1 Оценка привлекательности моделей сотовых телефонов

 

Для того, чтобы  определить привлекательность мобильного телефона я выделила шесть факторов.

Х₁ – размер телефона;

Х₂ – заряд батареи;

Х₃ – звук (качество, громкость звонка);

Х₄ – количество установленных игр на телефоне;

Х₅ – цена;

Х₆ – качество изображения.

Все критерии оцениваются  по 3-х бальной шкале (0, 1, 2).

• Размер телефона: 0 – маленький, 1 – не очень большой, 2 – большой;
• Заряд батареи: 0 – почти не держит, 1 – держит не долго, 2 – долго держит;
• Звук: 0 – не громкий, не качественный, 1 – не очень громкий, среднего качества, 2 – громкий, качественный;
• Количество игр: 0- нет ни одной, 1 – не много, 2 – много;
• Цена: 0 – маленькая, 1 – средняя, 2 – высокая;
• Качество изображения: 0 – плохое, 1- хорошее, 2 – отличное.

Затем я составила  модели телефонов по выбранным мною критериям и попросила одногруппников оценить их привлекательность от 1 до 10. В опросе приняло 6 человек. Проанализировав  результаты опроса, получилась следующая таблица:

 

                Табл.3.1

№	Х1	Х2	Х3	Х4	Х5	Х6	y
1	0	1	2	0	0	1	2,04
2	1	2	0	1	2	1	3,26
3	2	0	1	2	1	1	4,47
4	1	1	0	0	0	1	1,76
5	2	2	2	0	2	2	6,63
6	0	0	2	2	1	0	2,99
7	2	1	2	2	1	2	5,94
8	0	2	1	1	2	0	4,06
9	1	0	0	2	1	1	1,7
10	2	1	0	1	2	0	3,77
11	0	1	1	2	1	0	2,5
12	1	1	2	0	0	0	2,55
13	2	2	0	1	2	1	3,63
14	0	2	0	2	1	2	1,9

 

Так, например, первая модель сотового телефона имеет маленький  размер, не долго держит заряд батареи, имеет громкий и качественный звук, не имеет установленных игр на телефоне, стоит не дорого, качество изображение данного телефона хорошее. Привлекательность этой модели, по оценкам, равна 2, 04. Аналогично и с другими моделями. Из таблицы видно, что наиболее привлекательными моделями стали номер 5 и 7, а менее привлекательные – 4 и 9.

 

 3.2 Прогнозирование привлекательности сотового телефона

 

Полученная таблица  критериев оценки мобильного телефона и его привлекательности (табл.3.1) используется для дальнейшего прогнозирования  моделей сотового телефона с помощью программы MatLab и Fuzzy Logic.

Эта таблица вводится в рабочую зону (workspace) программы MatLab и с помощью ANFIS-редактора создаются правила для нашей выборки. После в командной строке вызывается функция fuzzy и открывается окно редактора Fuzzy Logic. Загружаем полученные правила и в редакторе Rule Viewer  прогнозируем привлекательность моделей сотовых телефонов. Потом производится расчет ошибки (Е) и суммарной ошибки. Так как для получения наименьшей ошибки мы задаем разные параметры настройки для обучения выборки и получения правил, получается следующая таблица:

 

Табл. 3.2

Х1	Х2	Х3	Х4	Х5	Х6	y	3 3 3 3 3 3				Sub. clustering
							trimf		gausmf
							y’	Е	y’	Е	y’	Е
0	1	2	0	0	1	2,04	2,04	0	2,04	0	2,04	0
1	2	0	1	2	1	3,26	3,26	0	3,26	0	3,26	0
2	0	1	2	1	1	4,47	4,47	0	4,47	0	4,47	0
1	1	0	0	0	1	1,76	1,76	0	1,76	0	1,76	0
2	2	2	0	2	2	6,63	6,63	0	6,63	0	6,63	0
0	0	2	2	1	0	2,99	2,99	0	2,99	0	2,99	0
2	1	2	2	1	2	5,94	5,94	0	5,94	0	5,94	0
0	2	1	1	2	0	4,06	4,06	0	4,06	0	4,06	0
1	0	0	2	1	1	1,7	1,7	0	1,7	0	1,7	0
2	1	0	1	2	0	3,77	3,77	0	3,77	0	3,77	0
0	1	1	2	1	0	2,5	0	2,5	0, 0000796	2,4999204	1,89	0,61
1	1	2	0	0	0	2,55	0	2,55	0,000000000112	2,55	2,6	0,05
2	2	0	1	2	1	3,63	0	3,63	0,0000000075	3,629999993	3,16	0,47
0	2	0	2	1	2	1,9	0	1,9	0,0000605	1,8999395	1,63	0,27
								0,755714		0,755704278		0,1

 

Делаем ввод, что суммарная ошибка минимальная при Sub. clustering, а значит именно эти параметры необходимо использовать для прогнозирования привлекательности моделей телефонов. Например, задав критерии оценки привлекательности сотового телефона, в строку input в строке output мы получим данные, насколько эта модель будет привлекательна в глазах потребителя с ошибкой 0,1.

В окне редактора  Rule Viewer с ранее загруженными сюда правилами выборки с параметрами Sub. Clustering в строку input вводим любые интересующие нас критерии модели сотового телефона см. табл. 3.3:

 

Табл.3.3

Х1	Х2	Х3	Х4	Х5	Х6	y
0	0	2	1	1	2	2,05
2	0	2	2	1	2	5,62
1	1	1	2	2	2	4,86
2	1	1	1	1	2	4,68
2	2	2	2	2	2	6,54

 

Таким образом, мы можем спрогнозировать любую модель телефона, которая нам нужна. Например, модель телефона, которая удовлетворяет критериям: большой размер, долгий заряд батареи, качественный и громкий звук, много установленных игр на телефоне, большая цена и отличное качество изображения, будет привлекательна на 6,54 +/- 0,1.

 

 

 

 ЗАКЛЮЧЕНИЕ

 

Гибридные сети предложены для задач, простирающихся от управления боем до присмотра за ребенком. Потенциальными приложениями являются те, где человеческий интеллект малоэффективен, а обычные вычисления трудоемки или неадекватны.

Имеется много  впечатляющих демонстраций возможностей гибридных сетей: сеть научили превращать текст в фонетическое представление, которое затем с помощью уже иных методов превращалось в речь; другая сеть может распознавать рукописные буквы; сконструирована система сжатия изображений, основанная на нейронной сети. Все они используют сеть обратного распространения - наиболее успешный, по-видимому, из современных алгоритмов.

В курсовой работе была разработана автоматизированная программа прогнозирования продаж мобильных телефонов на основе гибридных сетей.

Мы исследовали особенности продаж мобильных телефонов, задали типовую схему гибридной сети и разработали программу на ее основе, отметили основную структуру типичной обучающей конструкции, собрали данные и провели обучение программы. После этого применили ее на практике.

Мы выяснили, что гибридные сети - эффективное средство анализа рынка. Они широко используются в универсальных программных продуктах. Их избыточность и высокая стоимость дало нам право на самостоятельную разработку прикладной программы, ориентированной на задачи курсовой работы.

Мы продемонстрировали, что гибридные сети способны решать задачу прогнозирования путем сведение ее к распознаванию образов. Выполнили прогнозирование продаж мобильных телефонов.

 

 БИБЛИОГРАФИЧЕСКИЙ СПИСОК

 

1. Баранчеев В.П. Маркетинг инноваций. Издательство ООО Фирма «Благовест-В», Москва, 2007. -229с.
2. Бестенс Д., В. Ван ден Берг, Д. Вуд Нейронные сети и финансовые рынки. Принятие решений в торговых операциях. - М. ТВП, 1997.
3. Боровиков В.П. Прогнозирование в системе STATISTICA в среде Windows. Основы теории и интенсивная практика на компьютере: Учеб. пособие. - М.: Финансы и статистика, 2000. - 384с.: ил.
4. Буч Г. Объектно-ориентированное программирование с примерами применения. - Киев: Диалектика, М.: И.В.К., 1992.
5. Горбань А.Н.  Методы нейроинформатики. КГТУ, Красноярск, 1998.205 с
6. Иванов О.В. Статистика / Учебный курс для социологов и менеджеров. Часть 1. Описательная статистика. Теоретико-вероятностные основания статистического вывода. - М. 2005.187 с
7. Кричевский М.Л. Интеллектуальные методы в менеджменте. Издательство: «Питер», 2005. -303с.
8. Круглов В.В., Борисов В.В. Гибридные нейронные сети
9. Кэнту М. Delphi 7 для профессионалов - СПб: Издательство "Питер", 2007. - 1120 с.: ил.
10. Уоссерман Ф. Нейрокомпьютерная техника: теория и практика. 1992
11. Хотяшева О.М. Инновационный менеджмент: Учебное пособие. 2-е изд.: ЗАО Издательский дом «Питер»; СПб.; 2006
12. Чубукова И.А. Data Mining - БИНОМ. Лаборатория знаний, Интернет-университет информационных технологий - ИНТУИТ. ру, 2008
13. Щавелёв Л.В. Способы аналитической обработки данных для поддержки принятия решений. СУБД. 1998. № 4-5