Нейро-нечiтке моделювання у системi управлiння фiнансово- економiчною безпекою

М. М. Шаркаді

doi:10.24144/2616-7700.2021.38(1).157-166

Автор(и)

М. М. Шаркаді ДВНЗ «Ужгородський нацiональний унiверситет», Україна https://orcid.org/0000-0002-1850-996X

DOI:

https://doi.org/10.24144/2616-7700.2021.38(1).157-166

Ключові слова:

рівень безпеки, нейромережа, нечітке моделювання

Анотація

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.