Идентификация скалярных динамических микромоделей СЭС

     

      Частная идентификация микромоделей СЭС может выполняться активны-ми и пассивными средствами. Термин микромодель означает, что использование подобного подхода пригодно для микроэкономических объектов, а именно от-дельных информационных потоков или каналов СЭС. Термин скалярные микро-модели говорит о том, что у такой модели единственный вход и выход. Наконец, термин динамическая микромодель показывает её основное назначение, такая мо-дель описывает изменение идентифицируемого объекта во времени.

      В соответствии с положениями теории идентификации систем, в ходе пас-сивной идентификации таких микромоделей не предполагается внесение каких-либо дополнительных воздействий в штатное функционирование СЭС или ее час-ти. Поскольку результатом такой идентификации является определение переда-точной функции микромодели, то проведение идентификации целесообразно вы-полнить в частотной области. Для этого исходный входной и выходной времен-ные ряды могут быть подвергнуты частотному анализу, например, с помощью бы-строго преобразования Фурье. При активной идентификации процедура во многом аналогична. Но вход-ное воздействие может быть подвергнуто дополнительным искусственным воз-мущениям. Состав этих возмущений должен иметь максимальную мощность в значимом для идентификации диапазоне частот. Формирование таких возмуще-ний для СЭС является отдельной задачей.

      По результатам частотного анализа для искомой передаточной функции, в первую очередь, следует выполнить структурную идентификацию микромодели. Характер процессов, протекающих в экономических системах, может быть раз-личным. В соответствии с теорией автоматического управления, передаточные функции таких моделей принято делить на следующие классы:

      - обладающие и необладающие запаздыванием;

      - обладающие и необладающие самовыравниванием;

      - обладающие и необладающие колебательностью;

      - апериодические и инерционные.

      При структурной идентификации таких моделей следует заранее опреде-лить число идентифицируемых переменных. При этом более простые модели мо-гут быть сформированы как частные случаи, а более сложные модели не исполь-зуются. Так, для модели с четырьмя идентифицируемыми параметрами ввод до-полнительного уточняющего параметра повышает точность не выше нескольких процентов. Поэтому его использование оправдано лишь в случае, когда разброс данных входного и выходного временных рядов ниже этой величины, что соблю-дается только в технических системах. При структурной идентификации можно использовать два подхода. Пер-вый из них предполагает формирование множества микромоделей, структура ко-торых заранее известна. По характеру процессов, наблюдаемых во входных и вы-ходных временных рядах, после их анализа в частотной области можно сделать вывод, какая из моделей наиболее адекватна анализируемому процессу. Второй состоит в обучении частной искусственной нейросети, которая выполняет такую структурную идентификацию. После того, как структура модели определена, сле-дуют два более простых этапа. В первую очередь выполняется параметрическая идентификация микромоделей, в ходе которой численными методами определя-ются неизвестные параметры построенной модели. Затем на неиспользованных при идентификации данных выполняется валидация микромоделей, после которой каждая микромодель может быть сохранена в базах данных информационных си-стем предприятия и использована по прямому назначению. Кроме того, с помо-щью набора таких микромоделей можно выполнить очистку обрабатываемых данных от шумовых компонент и сформировать расширенный массив искусст-венных примеров для построения нейросетевых моделей с более высокой размер-ностью на входах и выходах.

      2.4. Характеристика средств комплексной нейросетевой идентификации сложных экономических систем

      После проведения всего комплекса перечисленных предварительных работ в предлагаемой концепции предполагается нейросетевая структурная и парамет-рическая идентификация СЭС. Нейронные сети в силу своей нелинейности и мно-гомерности при грамотном построении эффективны как для имитационного мо-делирования, так и для построения СППР. Однако экономическая нейроматемати-ка, как наука, весьма молода, и поэтому подавляющее число практических реали-заций нейродинамики на предприятиях и в банках зачастую не имеют четких на-учно-обоснованных концепций и принципов, как построения, так и обучения ней-ронных сетей. Как следствие, имеющаяся практика применения нейронных сетей зачастую приводит к негативным результатам, и это небеспричинно. Вот наиболее распространенные проблемы, возникающие при попытках построения нейроди-намических моделей:

      - обучающие выборки недостаточно полны или, наоборот, противоречивы для построения адекватной модели;

      - информационный шум в обучающей выборке приводит к появлению быст-роосциллирующих участков гиперсферы нейросети, что лишает её обоб-щающих свойств; - проблема переобучения (паралича) нейросети находится в прямой конфрон-тации с точностью нейросети;

      - критерий оптимальности при обучении сводится к обеспечению точности работы нейросети и никак не связан с конкретными задачами экономиче-ской динамики;

      - нет четких критериев выбора конфигурации и емкости нейросети, а сущест-вующие нейропакеты имеют слабоформализованные алгоритмы конфигури-рования нейросети, и поэтому окончательное принятие о структуре и емко-сти сети почти всегда принимает человек.

      Вся работа доступна по Ссылке