лі розраховані основні фінансові показатели, проведення вертикального и горизонтальний аналіз та Інші процедури, опісані в методіці. У результате цього АНАЛІЗУ були віділені Група підприємств, Які відносяться до трьох класів кризом. У Першу групу входять підприємства з високим запасом Фінансової стійкості, здатні Виконувати свои зобов язання и без Загрози банкрутства. У одному групу входять підприємства, Які відчувають деякі фінансові проблеми и мают Невеликий Ризик банкрутства. До третього класу кри відносяться підприємства, фінансове становище якіх перебуває у кризовому стані, Їм грозит банкрутство, смороду НЕ здатні розплачується за своими короткостроковімі и Довгострокова зобов язаннями. Вихідні дані представлені в Додатках А.
У групу з хорошим фінансовим становищах входити 14 підприємств, в групу з невелика загрозив банкрутства - 10 підприємств, и в групу з високим ризико банкрутства - 12 підприємств.
Початкові вібірка даних булу перевірена на робастної, щоб віявіті помилки в даних, так звані «Викиди». У якості методу робастного оцінювання БУВ избран Т-крітерій Грабс, як уже говорилося в пункті 2.1.
Тест для Виявлення помилок, Заснований на розрахунку Т-крітерію Грабс, розраховується за помощью наступної формули:
, (3.1)
де: j=1, 2, ..., m;
- Середнє Арифметичний j-го ознакой; - стандартне Відхилення j-го ознакой.
Розрахункове значення Т-крітерію порівнюють з табличним значенням за крітерієм Смирнова-Грабс. Досліджуваній об'єкт є ошибку, если Тр gt; Ткр (Ткр=Т ?, n). Розрахункове значення Т-крітерію для Вибірки в 36 показніків при Рівні значущості 0,05 дорівнює 2,99.
Всі отрімані розрахункові значення помощью крітерію Грабс НЕ перевіщують граничні значення в 2,99, тому можна сделать Висновок, что у вихідних даних НЕ Було Виявлено помилок або «вікідів». Таким чином, вихідні дані можна використовуват для побудова моделі нечіткої нейронної мережі для ОЦІНКИ ризико и Запобігання банкрутству підприємства. Таблиця В якій представлені всі отрімані значення для знаходиться в Додатках Б.
Крім того, додатково Було сформувати перевірочна вібірка з чотірьох підприємств, створами для Поліпшення показніків нейронної мережі та перевіркі якості моделі. Додаткова вібірка представлена ???? в табл. 3.1.
После формирование вібірок відбувається безпосередно побудова нечіткої нейронної мережі. Розглянемо більш детально, что Із собі представляет нечітка нейронних мереж. Модель нечіткої нейронної мережі - нейронних мереж прямого Поширення сигналу особливого типу. Архітектура нейро-нечіткої мережі ізоморфна нечіткої базі знань.
Таблиця 3.1
Додаткова перевірочна вібірка
К-т швидкої ліквідностіЧастка оборотніх виробничих ФОНДІВ в обіговіх коштахК-т трансформаціїРентабельність Капіталу за чистимо прібуткомК-т Фінансової незалежностіКлас кризи0,60180,229229,59420,00240,025810,52370,118480,92720,00380,373620,61380,008220,27500,070630,07040,148460,0498-0,168-0,3013
У нейро-нечіткіх МЕРЕЖА Використовують діференційованіх реализации трикутна форм (множення и Розподіл усіх АБО), а такоже гладкі Функції пріналежності. Це дозволяє застосовуваті Швідкі алгоритми навчання мережі для їх налаштування, засновані на методі зворотнього Поширення помилки [30, 88, 93].
Нечіткі нейронні мережі в пакеті MatLab (ANFIS) реалізовані помощью системи нечіткого виводу Сугено у виде п ятішарової нейронної мережі прямого Розповсюдження сигналу. При це призначення шкірного кулі є наступна:
перший куля - терми вхідних змінніх;
другий куля - антецедент (посилки) нечіткіх правил;
третій куля - нормалізації ступенів виконан правил;
четвертийкуля - Укладення правил;
п'ятий куля - агрегування результату, отриманий за різнімі правилами.
Дані завантажуються в MatLab и на їх Основі будується Первісна ятір. Нечітка нейронних мереж будується на Основі методу Sub. Clustering, Який Попередньо розбіває вхідні змінні на кластери около значень. На Основі субтрактивного алгоритмом обчислюють центри кластерів даних. Про єкти розглядаються як потенційні центри кластерів. Для шкірного про єкта розраховується значення так званого потенціалу, что характерізує щільність Розташування других про єктів в его околиці. Чім густіше сусідні про єкти розташовані до даного про єкта, тім более значення его потенціалу. Центром Першого кластера прізначають про єкт з найбільшім потенціалом. Потім центр кластера а такоже около розташовані до него про єкти віключають Із Подальшого РОЗГЛЯДУ. Значення потенціалів залиша про єктів перераховують, и вновь в якості центру кластера вібірають про єкт з максимальним значенням потенціалу. Ітерац...
