Розподіл підприємств на кластери за 2005 – 2009 роки

Назва кластера	Номери підприємств, які включено до складу кластера
2005 р.	2006 р.	2007 р.	2008 р.	2009 р.
Підприємства з низьким рівнем конкуренто-спроможності	5, 7, 14,10	5, 7, 14,10
Підприємства з середнім рівнем конкуренто-спроможності	1, 2, 3, 4, 6, 9, 11, 12, 13, 15	1, 2, 3, 4, 6, 9, 11, 12, 13, 15	1, 2, 3, 4, 6, 9, 11, 12, 13, 15, 14, 10, 5	1, 2, 3, 4, 6, 9, 11, 12, 13, 15, 14, 10, 7	1, 2, 3, 4, 6, 9, 11, 12, 13, 15, 14, 10, 7
Підприємства з високим рівнем конкуренто-спроможності

На основі проведеного конкурентного аналізу можна зробити такі висновки: у даній галузі лише одне підприємство з 15 досліджуваних входить до складу кластера з високим рівнем конкурентоспроможності – підприємство № 8. Більшість досліджуваних підприємств знаходяться на середньому рівні – підприємства № 1,2,3,4,6,9,11,12,13,15. У кластер з низьким рівнем конкурентоспроможності потрапляли підприємства № 5, 7, 10, 14.

Проаналізувавши за п'ять років рівень конкурентоспроможності підприємств, використовуючи кластеризацію, можна зробити висновок про те, що в галузі спостерігається конкурентостійкість. Тому підприємствам, які включено до складу кластера з низьким рівнем конкурентоспроможності, а саме № 5, 7, 10 і 14, необхідно здійснити комплекс заходів, які приведуть до його підвищення. Тобто цим підприємствам необхідно здійснювати заходи щодо збільшення прибутку шляхом розширення виробництва і відповідно реалізації, заключити вигідніші контракти з покупцями, також потрібно збільшувати розмір власного капіталу шляхом залучення нових акціонерів, емісії цінних паперів.

У випадку виявлення протиріч кластеризації пропонується перевірити її правильність на основі побудови нейронних мереж.

Ідея нейронних мереж народилася в рамках теорії штучного інтелекту, в результаті спроб імітувати здатність біологічних нервових систем навчатися і виправляти помилки [110].

Нейронні мережі (Neural Networks) – це моделі біологічних нейронних мереж мозку, в яких нейрони імітуються відносно простими, часто однотипними, елементами (штучними нейронами) [15].

Нейронна мережа може бути представлена направленим графом із зваженими зв'язками, в якому штучні нейрони є вершинами, а синаптичні зв'язки – дугами. Багатошарова нейронна мережа є сукупністю нейронів, які складають шари. У кожному шарі нейрони між собою ніяк не пов'язані, але пов'язані з нейронами попереднього і наступного шарів. Інформація поступає з першого на другий шар, з другого – на третій і т. д. [110].

Штучний нейрон (формальний нейрон) – елемент штучних нейронних мереж, що моделює деякі функції біологічного нейрона. Головна функція штучного нейрона – це формування вихідного сигналу залежно від сигналів, що поступають на його входи.

У найпоширенішій конфігурації вхідні сигнали обробляються адаптивним суматором, потім вихідний сигнал суматора поступає в нелінійний перетворювач, де перетвориться функцією активації, і результат подається на вихід (у точку галуження).

Нейрон характеризується поточним станом і включає в себе групу синапсів – однонаправлених вхідних зв'язків, сполучених з виходами інших нейронів. Нейрон має аксон – вихідний зв'язок даного нейрона, з яким сигнал (збудження або гальмування) поступає на синапси наступних нейронів. Кожен синапс характеризується величиною синаптичного зв'язку (її вагою wi) [109].

Поточний стан нейрона визначається як зважена сума його входів:

(6.18)

Вибір активаційної функції визначається специфікою поставленого завдання або обмеженнями, що накладаються деякими алгоритмами вчення. Нелінійний перетворювач – це елемент штучного нейрона, що перетворює поточний стан нейрона (вихідний сигнал адаптивного суматора) у вихідний сигнал нейрона по деякому нелінійному закону (активаційній функції) [109].

Точка галуження (вихід) – це елемент формального нейрона, що посилає його вихідний сигнал по декількох адресах і має один вхід і декілька виходів. На вхід точки галуження зазвичай подається вихідний сигнал нелінійного перетворювача, який потім посилається на входи інших нейронів.

До найбільш простих моделей нейронних мереж відносяться одношаровий і багатошаровий персептрони. Велика кількість моделей персептрона розглянута в основоположній роботі Ф. Розенблатта. Проста модель нейронної мережі – одношаровий персептрон.

Одношаровий персептрон (персептрон Розенблатта) – одношарова нейронна мережа, всі нейрони якої мають жорстку порогову функцію активації. Одношаровий персептрон має простий алгоритм вчення і здатний вирішувати лише найпростіші завдання. Ця модель викликала до себе великий інтерес на початку 1960-х років і стала основою розвитку штучних нейронних мереж [31].

Класичний приклад такої нейронної мережі – одношаровий трьохнейронний персептрон – наведено на рис. 6.17.

Багатошаровий персептрон (MLP) – нейронна мережа прямого поширення сигналу (без зворотних зв'язків), в якій вхідний сигнал перетвориться у вихідний, проходячи послідовно через декілька шарів [109].

Рис. 6.17. Структура одношарового трьохнейронного персептрона

Перший з таких шарів називають вхідним, останній – вихідним. Ці шари містять так звані вироджені нейрони й інколи в кількості шарів не враховуються. Окрім вхідного і вихідного шарів, у багатошаровому персептроні є один або декілька проміжних шарів, які називають прихованими.

У цій моделі персептрона має бути хоч би один прихований шар. Присутність декількох таких шарів виправдано лише в разі використання нелінійних функцій активації [110]. Приклад двошарового персептрона наведений на рис. 6.18.

Рис. 6.18. Структура двошарового нейронного персептрона

Дата добавления: 2014-12-24