Нейро-нечiтке моделювання у системi управлiння фiнансово- економiчною безпекою
DOI:
https://doi.org/10.24144/2616-7700.2021.38(1).157-166Ключові слова:
рівень безпеки, нейромережа, нечітке моделюванняАнотація
Подається вирішення актуальної проблеми визначення рівня фінансово-економічної безпеки для компаній через призму нейро-фазі моделювання. Моделі, побудовані за допомогою нейро-нечітких мереж, є ефективним інструментом оцінки фінансово-економічної безпеки і дають можливість своєчасно виявити і подолати проблеми. Крім того, дані моделі є адаптивними, оскільки пристосовуються до змін економічного середовища, що дуже важливо в умовах нестабільної економіки. У даному дослідженні для цього пропонується використання багатошарової нейромережі, кожний шар якої вирішує свою низку завдань. Запропонований підхід дасть можливість визначати рівень фінансової безпеки компанії у різні моменти її функціонування. Розроблена модель дозволяє кожній компанії використовувати свою сукупність фінансових показників для визначення рівня безпеки. Кожний шар нейромережі є автономною одиницею, що дозволяє розвивати мережу. Для запропонованої моделі характерні властивості гнучкості та адаптивності до мінливих умов економічного середовища, що є необхідною умовою для її ефективного застосування в діяльності підприємства.
Посилання
- Karyan, W. (2010). Key Management Indicators: A Complete Guide to Working with Critical Numbers Managing Your Business .Trans. with English О.V. Chumachenko. K: Companion Group [in Ukrainian].
- Wang, J.G. , Tai, S.C., & Lin, C.J. (2018). The application of an interactively recurrent self evolving fuzzy CMAC classifier on face detection in color images. Neural Comput. Appl., 29, 201–213.
- Jhang, J.-Y., Tang, K.-H., Huang, C.-K., Lin, C.-J., & Young, K.-Y. (2018). FPGA Implementation of a Functional Neuro-Fuzzy Network for Nonlinear System Control. Electronics.
- Wu, M.F., Huang, W.C., Juang, C.F., Chang, K.M., Wen, C.Y., Chen, Y.H., Lin, C.Y., Chen, Y.C., & Lin, C.C. (2017). A new method for self-estimation of the severity of obstructive sleep apnea using easily available measurements and neural fuzzy evaluation system. IEEE J. Biomed. Health Inf., 21, 1524–1532.
- Kelemen, M., Polishchuk, V., Gavurov´a, B., Szabo, S., Rozenberg, R., Gera, M., Kozuba, J., Hospodka, J., Andoga, R., Divokov´a, A., & Bliˇs’an, P. (2019). Fuzzy Model for Quantitative Assessment of Environmental Start-up Projects in Air Transport. Int. J. Environ. Res. Public Health., 16, 3585.
- Subbotin, S.A., Blagodarev, A.Yu., & Hoffman, E.A. (2017). Synthesis of neuro-fuzzy diagnostic models with hashing transformation in serial and parallel modes. Radio electronics, computer science, management, 1, 56–65 [in Ukrainian].
- Oliynyk, A.O., Skrupsky, S.Y., Subbotin, S.O., Blagodaryov, A.Y., & Hoffman, E.A. (2016). Resource planning of a parallel computer system in the synthesis of neuro-fuzzy models for big data processing. Radio electronics, computer science, management, 4, 61–69 [in Ukrainian].
- Bodyansky, E.V., Deineko, A.O., & Kutsenko, J.V. (2016). Consistent fuzzy clustering based on the neuro-phase approach. Radio electronics, computer science, management, 3, 30–38 [in Ukrainian].
- Lin, C.J., & Chen, C.H. (2004). Identification and prediction using recurrent compensatory neuro-fuzzy systems. Fuzzy Sets Syst., 150, 307–330.
- Khayat, O. (2014). Structural parameter tuning of the first-order derivative of an adaptive neuro-fuzzy system for chaotic function modeling. J. Int. Fuzzy Syst., 27, 235–245.
- Zade, L. (1976). The concept of a linguistic variable and its application to approximate decisions. Moscow: Mir [in Russian].
- Rothstein, O.P. (1999). Intelligent identification technologies: fuzzy sets, genetic algorithms, neural networks. Vinnytsia: "UNIVERSUM-Vinnytsia" [in Ukrainian].
- Subbotin, S.O. (2008). Submission and processing of knowledge in artificial intelligence systems and decision support: textbook. Zaporozhye: ZNTU [in Ukrainian].
- Oliynyk, A.O., Subbotin, S.O., & Oliynyk, O.O. (2011). Intellectual data analysis: textbook. Zaporozhye: ZNTU [in Ukrainian].
- Snytyuk, V.E. (2008). Forecasting. Models. Methods. Algorithms: textbook. Kyiv: McLauth [in Ukrainian].
- Zaichenko, Yu..P. (2008). Fuzzy models and methods in intelligent systems: textbook. Manual. Kyiv Slovo [in Ukrainian].
- Jang, R. J.-S., Sun, C. T., & Mizutani, E. (1997). Neuro-Fuzzy and Soft Computing: A Computational Approach to Learning and Machine Intelligence. Upper Saddle River, Prentice Hall.
- Sugeno, M., & Kang, G. T. (1998). Structure identification of fuzzy model. Fuzzy Sets and Systems, 28, 15–33.
- Sharkadi, M.M., Robotyshyn, M.V., & Malyar, M.M. (2020). Models and methods of machine learning for prediction tasks. Scientific Bulletin of Uzhhorod University. Ser. of mathematics and informatics, 1(36), 112-122 [in Ukranian].
- Malyar, M. M. (2016). Models and methods of multicriteria limited-rational choice: Monograph. Uzhhorod: RA "OUTDOOR-SHARK" [in Ukranian].
- Polishchuk, V. (2019). Technology to Improve the Safety of Choosing Alternatives by Groups of Goals. Journal of Automation and Information Sciences. Begell house, Inc, New York, 51, 66–76.
- Hulianytskyi, L. F., & Riasna, I. I. (2016). Automatic classification method based on a fuzzy similarity relation. Cybernetics and Systems Analysis, 52(1), 30–37.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2021 М.М. Шаркаді
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.