Материал: Оптимизация и моделирование в автоматизированных системах. труд. ФГБОУ В.О., Воронежский г.т.и

определенных условий, и формирование рекомендаций для каждого сегмента клиентской базы (рис. 1).

Рис. 1. Модель работы с клиентами

Сегментация клиентов на группы по различным характеристикам помогает продавцам в полной мере удовлетворить потребность каждой группы клиентов. При этом, чем больше количество групп клиентов, тем больше вероятность учесть мельчайшие детали потребностей каждой группы. Важно отметить, что параметры, по которым выполняется сегментация, подразделяются на статические и динамические данные. Статические данные относятся к данным, которые не часто меняются, то есть личные данные клиента, такие как имя клиента, адрес, возраст, пол и доход. Динамическими являются данные, которые время от времени изменяются, такие как данные транзакции клиента – вид товара, частоту покупки и объем потребления клиента.

Решение данной задачи может основываться на нейронных сетях с узким горлом. Так как именно умение нейросетей в нахождении нелинейных связей между различными параметрами делает реальным возможность предоставлять более компактно большой объем связанных данных.

Как минимум три слоя входят в состав структуры нейросети с узким горлом. Входные данные кодируются непосредственно на первом уровне, средний слой, который и будет называться «узким горлом», после обучения сможет отдавать сжатое представление данных. Декодером будет являться последний слой нейронной сети.

Итак, пусть на наборе d-мерных данных xa ` обучается m линейных нейронов:

80

Рис. 2. Слой линейных нейронов.

Изменение исходного правила обучения нейронов может помочь исключить многократное дублирование, которое может быть спровоцировано независимым от других обучением ряда нейронов, расположенных в выходном слое. В результате образования взаимосвязи между нейронами, на выходе будут получены несколько содержательных признаков.

Одним из наиболее известных правил обучения при сжатии данных является правило обучения Хебба. Согласно правилу Хебба изменение весов нейрона при предъявлении ему примера пропорционально его входам и выходу:

Нейрон, выполняющий обучение по правилу Хебба старается увеличить амплитуда своего выхода:

На данном шаге усреднение выполняется по обучающей выборке {xa}. Считается, что обучение с учителем строится на принципе уменьшения среднего отклонения от образца. В отсутствии образца минимизировать нечего, поэтому уменьшение амплитуды выхода может привести только лишь к минимизации чувствительности выходов к значениям входов.

81

Таким образом присутствие ошибки E(w) в данной ситуации невозможно,

поэтому описанное отличие в целях обучения несет принципиальный характер. В связи с этим обучение нейронов по правилу Хебба, описанное ранее в реальной практике невозможно из-за возможности приведения к безграничному увеличению амплитуды весов.

Для исключения этого недостатка можно воспользоваться правилом обучения Ойа для одного нейрона:

Это правило позволяет при ограниченной амплитуде весов максимизировать восприимчивость выхода нейрона, то есть нейрон будет стремится повторить значения собственных выходов по установленному выходу. Таким образом получим способ оптимального сжатия информации, так как описанное обучение пытается максимально увеличить чувствительность единственного выход индикатора к многомерной входной информации. Теперь можем сформулировать правило Ойа для однослойной сети:

Такое обучение эквивалентно сети с узким горлом из скрытых линейных нейронов, обученной воспроизводить на выходе значения своих выходов.

Рис. 3. Линейная автоассоциативная сеть с узким горлом

Литература

1.Ogwueleka F. Neural Network and Classification Approach in Identifying Customer Behaviour in the Banking Sector: A Case Study of an International Bank/Francisca Nonyelum Ogwueleka, Sanjay Misra, Ricardo Colomo-Palacios, Luis Fernandez . - Department of Computer Science, Federal University of Technology – 18 с.

2.Sharma A., Dr. Prabin K. / A Neural Network based Approach for Predicting Customer Churn in Cellular Network Services / Anuj Sharma, Dr. Prabin

82

Kumar Panigrahi // International Journal of Computer Applications (0975 – 8887), 2011. – с. 26 – 31.

3.Аджемов С.С. Снижение размерности признакового пространства в задачах идентификации излучающих объектов по данным радиомониторинга с использованием искусственных нейронных сетей / Аджемов С.С., Терешонок М.В., Чиров Д.С. // T-Comm #8: МТУСИ, 2008 – с. 25-27.

4.Нейрокомпьютинг и его применения в экономике и бизнесе – Учебный курс. – ИНТУИТ. Национальный открытый университет.

Воронежский государственный технический университет

УДК 681.3

И. Я. Львович, А. П. Преображенский, О. Н. Чопоров

ВОПРОСЫ ОПТИМИЗАЦИИ СИСТЕМ ПЕРЕДАЧИ ДАННЫХ В СИСТЕМЕ ИНТЕРНЕТ-ВЕЩЕЙ

Если анализировать технологию Интернет-вещей, то в ней можно указать некоторые особенности [1,2]. Разработчики большей частью ориентируются на то, что применяются действующие известные коммуникационные инфраструктуры. Есть возможности по идентификации каждого из объектов должным способом. Получение данных происходит на базе отправленной или принятой информации по объектам. Есть возможности применения персональных сетей или сети Интернет.

Обозначение идентификатора по IoT может быть относительно каждой из вещей. В совокупности идет формирование континуума вещей. Есть возможности для поддержки среди них взаимодействий. Временные или постоянные сети могут быть созданы. Автоматизация по процессам логистики осуществляется вследствие, доступности сведений относительно текущих геопозиций. Реализация адаптации ведется вследствиетого, что встроен интеллект в вещах.

Необходимо понимать единство протоколов для Интернет-вещей. Поэтому можно считать равноправие по сервисам в любых сетевых узлах.

Есть связь сервисов и определенных услуг, которые относятся к процессам доставки данных. Еще есть возможности для того, чтобы принимались команды от других узлов. Поэтому реализуется решение по общим вычислительным задачам и есть взаимодействие по интернет узлам. Локальные сети по Интернет-вещам бывает, что объединяются. Ими будет обслуживаться одна зона.

Как перспективная в настоящее время считается технология FDT. Идет интеграция на ее базе разных сетей, систем, устройств. При этом говорят о

83

комплексной автоматизации. Есть зависимость промышленности 4.0 и промышленного интернета вещей от того, каким образом идет развитие подобных технологий. Есть большое число возможностей для того, чтобы поддерживать разные функции. Говорят о функциях, связанных с децентрализацией, совместимостью, интеграцией. Проводится унифицированный обзор относительно всех данных и процессов [3].

Поскольку развивается, активным способом создаются большие проекты. Внутри них идет группировка тысяч устройств, поддерживающих ввод/вывод. В созданных организациях формируется единая системная инфраструктура. Основывается она я на технологиях промышленного интернет вещей.

Идет стандартизация разнородных активов автоматизации в инфраструктуре. Высокие показатели эффективности работы компаний получаются за счет удаленного доступа к объединенным компьютерам [4]. Помимо этого, идет группировка производственных активов и устройств. Оптимизация вследствие использования технологии FDT достигается при глобальном мониторинговом обзоре и локальном управлении при их комбинировании. Поэтому в «больших данных» есть возможности выделения контекста. Помимо этого, процессы, связанные с принятием решений, будут более быстрыми и эффективными.

За счет внедрения технологий FDT можно достичь заметного снижения рисков информационной безопасности.

Литература

1.Преображенский Ю. П. Оценка эффективности применения системы интеллектуальной поддержки принятия решений [Текст] / Ю. П. Преображенский // Вестник Воронежского института высоких технологий, 2009. № 5. С. 116-119.

2.Тишуков Б. Н. Разработка математического обеспечения для синхронизации режимов поисковой оптимизации и дуального моделирования в интегрированной вычислительной среде [Текст] / Б. Н.Тишуков, Я. Е.Львович // Вестник Воронежского государственного университета. Серия: Системный анализ и информационные технологии, 2017. № 2. С. 28-32.

3.Львович Я. Е. Оптимизация перераспределения инвестиций на развитие ИКТ в регионе с использованием экспертных знаний [Текст] / Я. Е.Львович, Д. А.Недосекин // Вестник Воронежского государственного технического университета, 2013. Т. 9. № 4. С. 82-83.

4.Мишин Я. А. О системах автоматизированного проектирования в беспроводных сетях [Текст] / Я. А.Мишин // Вестник Воронежского института высоких технологий, 2013. № 10. С. 153-156.

Воронежский институт высоких технологий Воронежский государственный технический университет

84