Форум Дніпропетровської державної фінансової академії

Форум Дніпропетровської державної фінансової академії

Форум присвячений вступу, навчанню, подіям яки відбуваються у Дніпропетровської державної фінансової академії, проведення Інтернет конференції, працевлаштуванню студентів академії, співпраці з партнерами.
 
 ДопомогаДопомога   ПошукПошук   Список учасниківСписок учасників   ГрупиГрупи   ЗареєструватисьЗареєструватись 
 ПрофільПрофіль   Увійти, щоб переглянути приватні повідомленняУвійти, щоб переглянути приватні повідомлення   ВхідВхід 

Офіційний сайт академії
Салуквадзе І.М., ЕКОНОМКО-МАТЕМАТИЧНЕ МОДЕЛЮВАННЯ ...

 
Цей форум закрито   Цю тему закрито    Форум Дніпропетровської державної фінансової академії -> “Актуальні проблеми економічного і соціального розвитку регіонів України”
Попередня тема :: Наступна тема  
Автор Повідомлення
Секція №6


   

З нами з: 09.11.09
Повідомлень: 31

ПовідомленняНаписане: четвер листопада 19, 2009 11:10 am    Тема повідомлення: Салуквадзе І.М., ЕКОНОМКО-МАТЕМАТИЧНЕ МОДЕЛЮВАННЯ ... Відповісти цитуючи

ЕКОНОМКО-МАТЕМАТИЧНЕ МОДЕЛЮВАННЯ
КЛАСТЕРНИХ УТВОРЕНЬ

Салуквадзе І.М.
Луганський державний інститут
житлово-комунального господарства і будівництва


Ефективність застосування економіко-математичних моделей при реалізації завдань регіональної політики базується на широкому використанні методів кластерного аналізу, які широко висвітлені в літературі. Використанню кластерного підходу присвячено ряд наукових публікацій ЯЛ. Єлейка, Р.Т. Грищук, Н.Ю. Подольчака, А.О. Цапіна, Л. Антонюк, В. Сацик. Серед економіко-математичних методів формування кластерних утворень слід відзначити найбільш відомі.
Мережа Кохонена розроблена Тойво Кохоненом на початку 1980-х рр. і принципово відрізняється від інших мереж, оскільки використовує множину, яка складається лише із значень вхідних змінних. Мережа розпізнає кластери в даних і розподіляє дані до відповідних кластерів. Мережа Кохонена формується методом послідовних наближень. Починаючи з випадковим чином обраного вихідного розташування центрів, алгоритм поступово покращується для кластеризації даних. Проте, алгоритм може працювати і на іншому рівні. В результаті ітеративної процедури мережа організовується таким чином, що елементи, які відповідають центрам, розташованим близько один від одного в просторі входів, будуть розташовані близько один від одного і на топологічній карті. Після того, мережу можна використовувати як засіб візуалізації при аналізі даних. Мережа може бути використана для формування кластеру тільки в тому випадку, якщо заздалегідь відоме число кластерів. Наступна мережа це адаптивної резонансної теорії, яка була розроблена Стівеном Гросбергом та Карпентером у середині 80-х рр. Парадигма використовує аналіз значних вхідних даних, виявляє можливі ознаки та класифікує образи у вхідному векторі. Мережа адаптивної резонансної теорії іноді ще називається "послідовного лідера". Мережа ART-1 реалізує алгоритм кластеризації, дуже схожий на алгоритм "послідовного лідера". Відповідно до цього алгоритму перший вхідний сигнал вважається зразком першого кластера. Наступний вхідний сигнал порівнюється зі зразком першого кластера. Говорять, що вхідний сигнал "прямує за лідером" і належить першому кластеру, якщо відстань до зразка першого кластера менше порога. У противному випадку другий вхідний сигнал - зразок другого кластера. Цей процес повторюється для всіх наступних вхідних сигналів. Таким чином, число кластерів росте з часом і залежить як від значення порога, так і від метрики відстані, що використовується для порівняння вхідних сигналів і зразків класів. Основна частина мережі ART-1 схожа з мережею Хемінга. За допомогою послідовних зв'язків обчислюється відповідність вхідних сигналів і зразків кластерів. Максимальне значення відповідності підсилюється за допомогою латеральних зв'язків вихідних нейронів. Мережа ART-1 відрізняється від мережі Хемінга зворотними зв'язками. На цьому кроці обчислюється відношення скалярного добутку вхідного сигналу і зразка з найбільшим значенням відповідності до числа одиничних біт вхідного сигналу. Значення відношення порівнюється з порогом, введеному на першому кроці. Якщо значення відношення більше порога, то вхідний сигнал вважається схожим на зразок з найбільшим значенням відповідності. У цьому випадку зразок модифікується шляхом виконання операції AND (логічне "I"). Новий зразок є зразок на попередньому кроці + вхідний сигнал. Якщо значення відношення менше порога, то вважається, що вхідний сигнал відрізняється від всіх зразків і він розглядається як новий зразок. Вхідні сигнали в цій моделі бінарні.
Формування кластерів відбувається шляхом поступової концентрації виробництва навколо певних ядер. Отже, існує потреба в показнику, який не просто ілюстрував би рівень диференціації показників виробництва по районах, а визначав тенденції концентрації виробництва (та рівня даної концентрації) навколо певних конкретних ядер. Очевидно також, що вихідними даними для розрахунку даного показника мають бути статистичні масиви на рівні адміністративних районів, а не областей. Методика розрахунку є наступною: 1) формуємо 2 масиви вихідних даних: обсяги виробництва по районах за кілька періодів та матрицю відстаней між центрами районів. Для спрощення розрахунків використовуємо відстані між географічними центрами районів, а між адміністративними райцентрами; 2) далі на основі вихідних даних та наведеної вище формули здійснюємо розрахунок шуканого коефіцієнту. Отримуємо значення показника для кожного з районів (базових одиниць вимірювання); 3) у масиві отриманих даних виділятимуться райони (чи інші азові одиниці вимірювання) з найвищим рівнем коефіцієнту просторової концентрації – ядра потенційних кластерів. У випадку, якщо ядро є сталим протягом кількох років, можна робити висновок про процеси кластеризації навколо нього. Економко-математичне обґрунтування вибору виду мереж для кластерного аналізу дозволяють вирішувати різні задачі статистичного дослідження на мезо- і макро- рівнях, а саме: проведення класифікації об'єктів (суб'єктів) з урахуванням ознак, що відображають суть, природу і особливості функціонування об'єктів; рішення цього завдання дозволить поглибити знання про сукупність об'єктів, що класифікуються; перевірка припущень про існування певної структури в досліджуваній сукупності об'єктів (суб'єктів), тобто пошук такої структури; побудова нових класифікацій з метою встановлення зв'язків усередині сукупності, а також для її структуризації (регіональна, галузева класифікації).
Таким чином, методи кластерного аналізу є достатньо ефективним засобом статистичної обробки даних, що дозволяє вирішувати наступні задачі: виділення груп об'єктів (суб'єктів), схожих за декількома ознаками; перевірка висунутих припущень про існування структури в досліджуваній сукупності, а також побудова нових класифікацій; зниження розмірності признакового простору перед проведенням кореляційно-регресійного аналізу і моделювання без втрати інформації про взаємозв'язок між змінними. Результатом проведення кластерного аналізу є отримання груп схожих між собою об'єктів по різних напрямах досліджень. Крім того, алгоритми кластерного аналізу можна використовувати як перший етап при застосуванні одного з методів розпізнавання образів – багатовимірного шкалування. Перспективи подальших розвідок у даному напрямі лежать у площині використання наведеного математичного обґрунтування під час проведення кластерного аналізу.
Догори
Переглянути профіль користувача Відіслати приватне повідомлення
Показувати:   
Цей форум закрито   Цю тему закрито    Форум Дніпропетровської державної фінансової академії -> “Актуальні проблеми економічного і соціального розвитку регіонів України” Ваш часовий пояс: GMT + 2 Години
Сторінка 1 з 1

 
Перейти до:  
Ви не можете писати нові повідомлення в цю тему
Ви не можете відповідати на теми у цьому форумі
Ви не можете редагувати ваші повідомлення у цьому форумі
Ви не можете видаляти ваші повідомлення у цьому форумі
Ви не можете голосувати у цьому форумі



Powered by phpBB © 2001, 2005 phpBB Group
Вы можете бесплатно создать форум на MyBB2.ru
Український переклад © 2005-2006 Сергій Новосад