UNIVERSITATEA POLITEHNICA

FACULTATEA DE MANAGEMENT N PRODUCIE I

TRANSPORTURI

PROIECT LA SISTEME EXPERT N MANAGEMENT

Prof.coordonator:
Protean Gabriela

An V,Grupa
Electro

2007-2008

Proiect la Sisteme Expert

CUPRINS
Cap.1 Sisteme Expert i Reele Neuronale
Artificiale3
Cap. 2 Rezolvarea unei probleme utiliznd Sistemele
Expert..4
Cap. 3 Dezvoltarea unei aplicatii utiliznd mediul
Neuroshell 2....6
Cap. 4 Concluzii15

Facultatea de Management n Producie i Transporturi

Proiect la Sisteme Expert

Cap.1 Sisteme Expert si Retele Neuronale

Artificiale
Cnd s-a vorbit prima dat de Inteligena Artificial (AI Artificial Intelligence) n
1956, totul prea o utopie, un vis prea frumos pentru a fi realizat, un stadiu al dezvoltrii
considerat a fi greu de atins. n ultimii aproape 50 de ani, termenul a prins contur, devenind
realitate, fiind n prezent folosit n toate tiinele care doresc s se afirme. Iniiatorul su, prof.
John McCarthy a prezentat noul concept n vara anului 1956 la ntrunirea Darthmouth
Summer Research Project on Artificial Intelligence.
Inteligena Artificial poate fi definit ca simularea inteligenei umane procesat de
maini, n special, de sisteme de computere. Acest domeniu a fost, n general, caracterizat de
cercetri complexe n laboratoare i doar destul de recent a devenit parte a tehnologiei n
aplicaii comerciale.
Un sistem expert este format dintr-un grup de programe i o colecie de informaii
specifice, cu ajutorul crora se poate purta un dialog om-computer, n vederea rezolvrii
problemelor. Informaiile primite de la calculator sunt asemntoare cu cele date de un expert
uman n domeniul respectiv. Sistemele expert multiplic inteligena formalizat a unor
specialiti punnd-o la dispoziia acelor persoane al cror acces la respectivii specialiti este
imposibil.
Reele neuronale - sunt sisteme care simuleaz inteligena prin reproducerea tipurilor
de conexiuni fizice care se gsesc n creierul biologic. Din cauza limitrilor tehnologice,
numrul acestor conexiuni este foarte mic, comparativ cu cele cteva zeci de miliarde de
conexiuni din creierul uman.
Inelegerea limbajului natural - reprezint programarea computerelor astfel nct
acestea s neleag i s interacioneze cu utilizatorii n limbajul natural al acestora. La baza
nelegerii limbajului natural se afl recunoaterea vocal care transform un dialog n text,
folosind un dispozitiv special;
O reea neuronal este de tip fizic (n electronic) sau virtual (un program pe computer).
Fiind vorba de o reea, aceasta se prezint sub forma unei matrici de noduri sau neuroni legai
ntr-un mod oarecare, unul de altul. Fiecare neuron are cteva intrri i ieiri. Intrrile sunt
formate din mesaje primite de la o serie de senzori. Mesajele sunt prelucrate anterior de ctre
alte reele asociate i apoi transmise mai departe.
Neuronii electronici primeau anumite semnale de intrare, pe care, n funcie de civa
parametri, le trimiteau sau nu mai departe ctre ali neuroni. Acetia primeau semnalele ca
date de intrare i, n funcie de ali parametri, trimiteau sau nu semnalele mai departe. ntregul
model construit de cei doi oameni de tiin s-a constituit ntr-o reea de celule interconectate,
fiecare n legtur funcional cu urmtoarele.
Presupunnd c semnalul de intrare n reeaua neuronal atinge punctul de ieire din
aceasta, acesta poate fi o valoare sau o matrice de valori. La nceput, rezultatul va fi aproape
aleatoriu pn cnd reeaua este antrenat corect. Antrenamentul reelei const n primirea de
informaii pentru a face raionamentele ct mai aproape de realitate.
Vor fi capabili viitorii roboi s-i creeze o societate n care s dezvolte o cultur
proprie, un limbaj i interaciuni ntre membrii si ? Greu de crezut.
i totui, care este viitorul Inteligenei Artificiale ? Oamenii de tiin lucreaz deja la
diferite modele de maini capabile s nvee, fr a fi programate pentru fiecare aciune ce o
vor ntreprinde. Mediul n care funcioneaz i evolueaz i va pune, n mod cert, amprenta
asupra personalitii mainii, lucru pe care oamenii l consider, mai degrab, interesant i
folositor dect amenintor. Diferitele maini care vor face parte din viaa zilnic a oamenilor
3

Facultatea de Management n Producie i Transporturi

Proiect la Sisteme Expert

vor nva toul despre acetia, fiind gata s reacioneze corect la cea mai simpl
comand.Departe de a deveni numai maini de companie, acestea vor veghea, corecta i
sprijini omul n deciziile sale.

Cap. 2 Rezolvarea unei probleme utilizand

Sistemele Expert
1.FORMULAREA PROBLEMEI:
ALEGEREA VARIANTEI TEHNOLOGICE OPTIME PE BAZA
COSTULUI TEHNOLOGIC UNITAR
Varianta tehnologic optim se alege pe baza unei analize economice cu un sistem de
indicatori. Sistemul de indicatori cuprinde indicatori n expresie natural i indicatori valorici
de cost.
Sistemul de indicatori valorici de cost utilizeaz costul tehnologic unitar i costul
tehnologic total.
Costul tehnologic unitar este format din cheltuieli variabile i cheltuieli convenional
constante.Cheltuielile variabile i modific volumul direct proporional cu volumul
produciei.Cheltuielile convenional constante nu i modific volumul proporional cu
volumul produciei.
Exist o cantitate de producie critic pentru care costurile tehnologice unitare a celor
dou variante tehnologice sunt egale.
Etape de rezolvare:
1.Se alege volumul produciei.
2.Se aleg 2 variante tehnologice cu cheltuileli variabile i cheltuieli conventional
constante.
3.Se calculeaz costul tehnologic unitar pentru volumul de productie dorit i pentru
fiecare variant tehnologic cu formula:
Ctu= V+ Cc / N
Ctu-cost tehnologic unitar
V-cheltuieli variabile pe unitatea de produs
Cc-cheltuieli convenional constante
N-volumul produciei
4.Se determin cantitatea de producie critic
Ncr=(Cc1- Cc2)/ (V2-V1)
Ncr-cantitatea de producie critic
Cc1, Cc2- cheltuielile convenional constante a celor 2 variante tehnologice
V1, V2- cheltuielile variabile a celor 2 variante tehnologice
5.Interpretarea rezultatelor
Daca N>Ncr , Ctu2< Ctu1 atunci rezult c varianta tehnologic 2 este cea optim
Daca N<Ncr, Ctu1< Ctu2 atunci rezult c varianta tehnologic 1 este cea optim
4

Facultatea de Management n Producie i Transporturi

Proiect la Sisteme Expert

REZOLVAREA PROBLEMEI UTILIZND SISTEMELE

EXPERT :

Q1. Cunoasteti metoda de alegere a variantei optime pe baza costului tehnologic unitar?
DANu este necesar sa urmati pasii de mai jos.
NUQ2
Q2.Ati ales volumul productiei ?
DA Q3
NU Va alegeti volumul productiei ca numar de bucati de realizat.
Q3. Exista 2 variante tehnologice?
DAQ4.
NUOptimizarea nu se poate realiza.
Q4.Cunoasteti formula de calcul pentru costul tehnologic unitar?
DAQ5.
NUQ6. In formula Ctu= V+Cc/N cunoasteti semnificatia fiecarui termen?
DAQ5
NUCtu- Cost tehnologic unitar, V- cheltuieli variabile pe unitatea de produs,
Cc-cheltuieli conventional constante, N-volumul productiei
Q5. Cunosteti formula de determinare a cantitatii de productie critica Ncr?
DAQ7.
NUQ8. In formula Ncr=(Cc1-Cc2)/(V2-V1) cunoasteti semnificatia fiecarui termen?
DAQ7.
NU Cc1- cheltuieli conventional constante ale variantei tehnologice 1, Cc2cheltuieli conventional constante ale variantei tehnologice 2, V2- cheltuieli variabile ale
variantei tehnologice 2, V1- cheltuieli variabile ale variantei tehnologice 1.
Q7. Stiti sa alegeti varianta tehnologica optima?
DA Ati ajuns la finalul optimizarii.
NU Daca N>Ncr si Ctu2< Ctu1 rezulta ca varianta tehnologica 2 este cea optima sau
Daca N<Ncr si Ctu1< Ctu2 rezulta ca varianta tehnologica 1 este cea optima.

Facultatea de Management n Producie i Transporturi

Proiect la Sisteme Expert

Cap. 3 Dezvoltarea unei aplicaii utiliznd mediul

Neuroshell 2

n cele ce urmeaz se va prezenta o aplicaie relevant pentru modul de lucru cu

mediul NeuroShell 2. Se pornete de la problema aflarii valorii la bursa a unei firme avand in
vedere valoarea actiunilor si numarul de actiuni emise de catre firma. Se urmrete crearea
unei reele neuronale care s prezic valoarea la bursa a firmei pe o perioada de timp stabilita.
Pentru ca numrul de variabile este relativ mic, se va utiliza, n scopul rezolvrii
acestei probleme, modulul aferent reelelor neuronale primitive BiginerNeural Networks
din meniul principal al mediului Neuroshell 2.

Datele problemei

o Date de ieire
Datele de iesire vor si valorile bursiere ale firmei obtinute pe baza datelor de intrare.
o Date de intrare
Datele de intrare sunt datele pe baza crora se dorete s se fac predicia. Factorii care
influeneaz nivelul valorii la bursa a unei firme sunt numarul actiunilor emise, pretul
actiunilor,valoarea economica a firmei,etc.. Pentru simplificarea problemei se consider c
factorii cei mai importanti sunt pretul actiunilor si numarul de actiuni emise de catre firma..
Dup ce s-au determinat datele de intrare, de ieire i forma modelului care se va
folosi, se trece la introducerea datelor ce urmeaz a fi compilate.

Selectarea modului de lucru

Meniul principal NeuroShell 2,

etaleaz 3 icoane pentru reele
neuronale de tip Beginners,
Advanced i Runtime Facilities.
Se alege Beginners Neural
Network.

Facultatea de Management n Producie i Transporturi

Proiect la Sisteme Expert

Dup selectarea tipului de reea folosit, se afieaz urmtorul ecran :

Introducerea datelor

Se activeaz caseta Data entry, deschizndu-se o foaie de calcul n stilul foilor

Excel. Se alege numele variabilelor i se introduc pe primul rnd a coloanelor destinate
acestora. Se selecteaz 1 n csua corespunztoare numrului de rnduri utilizate pentru
numele variabilelor i 2 pentru primul rnd care conine date active. Variabilele alese sunt :

Facultatea de Management n Producie i Transporturi

Proiect la Sisteme Expert

Numr de actiuni, Pretul actiunii, Valoarea bursiera a firmei. Fiierul astfel rezultat se
salveaz sub numele Carmen.pat.
Pornind tot de la icoana Datagrid, se salveaz o alt list, Carmen.pro, cu aceleai
nume de variabile dar folosind un set de date restrnse, care acoper ntreaga plaj a datelor
deja introduse.

Definirea intrrilor i a ieirilor

Mediul NeuroShell 2 trebuie informat care dintre coloane sunt intrri i care ieiri. Se
activeaz modulul Define Inputs and Outputs, operaie n urma creia se afieaz toate
numele coloanelor cu caracteristicile aferente acesta. Aici se introduce tipul variabilelor, de
intrare sau ieire, pentru toate coloanele. Se aleg ca variabile de intrare datele din coloanele
Numarul de actiuni, Pretul actiunii, iar ca date de ieire coloana Valoarea bursiera a
firmei.

Tot aici avem de nregistrat valorile de minim i maxim pentru fiecare variabil n
parte. Deoarece pentru reelele neuronale variabilele trebuie determinate ntr+un interval de la
0 la 1 sau de la 1 la 1, reeaua trebuie s cunoasc aceste minime i maxime reale pentru a
8

Facultatea de Management n Producie i Transporturi

Proiect la Sisteme Expert

atribui valori din aceste intervale. Acest lucru se poate face manual, sau se determin automat
selectnd opiunea Compute mins/maxes. Prin aceast operaie se determin implicit
valoarea medie, Mean, i deviaia standard, Std. Deviation, pentru fiecare dintre variabile.
n general se folosete un interval foarte strns pe lng datele de minim i maxim
reale. Se pot specifica valori minime i maxime care sunt uor deasupra sau dedesubtul
valorilor reale, pentru a aloca un interval mai larg pentru prediciile urmtoare. Dac valorile
de minim i maxim nu sunt n jurul valorilor reale, reeaua i pierde abilitatea de a recunoate
diferenele mici ntre datele de interes. n cazul de fa determinarea a fost fcut automat, i
deci valorile de maxim i minim corespund cu valorile reale.

Antrenarea reelei neuronale

Acum se poate trece la antrenarea reelei neuronale prin activarea icoanei, Learning.
Cnd modulul de antrenare este activat, este inserat automat numrul de intrri i ieiri, din
fiierul cu extensia .mmx. Acest fiier se creeaz automat la nchiderea csuei Define
Inputs/Outputs. nainte de antrenare, mai trebuie setai parametrii modulului Learning.
Acetia sunt :
Specificarea complexitii problemei prin activarea unei boxe corespunztoare
nivelului de complexitate a problemei. Nivelele disponibile sunt Very simple,
Complex, Complex and very noisy. Pentru modelul de fa am ales Very
simple datorit numrului de variabile redus.
Cnd aceast variant este aleas, factorii Learning rate i Momentum iau valorile
0,6, respectiv 0,9.
Numrul de neuroni ascuni ai reelei
Aici se poate calcula manual cu formula :

1
N ( IN OUT ) N1
2
unde,
N = numrul de neuroni ascuni,
IN = numrul de intrri,
OUT = numrul de ieiri,
N1 = numrul a cte linii de date s-au introdus pentru variabilele modelului.
N

1
( 2 1)
2

200 15,64 16

Pentru ca reeaua s poat prezice indiferent de succesiunea valorilor se alege o

compilaie de tipul random.

Facultatea de Management n Producie i Transporturi

Proiect la Sisteme Expert

Pentru aceast sesiune de antrenare se alege intervalul de calibrare Calibration la
0.
Parametrii astfel setai, se poate porni antrenarea reelei.

Statisticile setului de antrenare se reactualizeaz dup fiecare epoc (un pas complet
peste toate datele introduse).
Principala statistic de antrenare este media intern a factorilor de eroare error
factor. Aceast medie a factorilor de eroare nu se poate calcula sau reproduce exact, de ctre
utilizator, din setrile de antrenare i nici nu este util n nici un fel a face aceast operaie.
Aceast valoare este util sau relevant doar pentru a urmri, n timpul antrenrii, cum
performanele reelei se mbuntesc, deci aceast valoare scade.

10

Facultatea de Management n Producie i Transporturi

Proiect la Sisteme Expert

Din acest punct de vedere reeaua neuronal pare a nu mai face progrese n ceea ce
privete media erorii minime i, deci, antrenarea se poate opri selectnd opiunea Interrupt
Trening a meniului Train.

Procesarea datelor antrenate

Se dorete a se vedea dac reeaua neuronal a avut rezultate eficiente. Activnd

icoana Apply to File, se deschide un nou modul din meniul cruia se selecteaz Run-Start
Processing. n acest modul sunt activate automat boxele Compute R squared, Include
Actuals in OUT file, i Include in OUT file actuals minus network outputs.
Modulul Apply to File proceseaz automat fiierul Carmen.pat, care este primul
set de date introdus. Intrrile sunt procesate prin intermediul reelei antrenate, i acestora li se
calculeaz o imobilizare financiar la fiecare intrare de marf. Statistici care msoar
acurateea reelei antrenate sunt afiate pe ecran.

Reeaua antrenat returneaz o valoare pentru R squared egal cu 1 pentru fiierul

Carmen.pat. Ea nregistreaz R squared statistic pentru a o compara cu alte reele care ar
putea fi create ulterior.
R squared, coeficient de determinri multiple, este un indicator statistic aplicat de
obicei unei analize regresive multiple. El compar acurateea modelului creat cu acurateea
unui model benchmark ordinar n care predicia este simplu neleas pentru toate modelele.
Formula pe care NeuroShell 2 o folosete pentru a determina aceast valoare este :

11

Facultatea de Management n Producie i Transporturi

Proiect la Sisteme Expert

R2 1

SSE
, unde
SSyy

SSE (Y Y )

2
iar SSyy ( y y )

y valoarea actual
^

y - valoarea prezis

y - media valorilor lui y

n cazul reelei neuronale studiate se observa ca valoarea lui R este 1 de unde un

rezultat perfect.

Vizualizarea evoluiei datelor

Pentru a etala o diagram n care s se arate cum au evoluat datele de la introducerea

lor i pn acum, se activeaz icoana Attach Output File.
Activarea acestei icoane etaleaz un tablou numit File Attach Utility, care ofer
posibilitatea de a ataa fiierul vechi, coninnd datele introduse de utilizator (Carmen.pat), de
cel nou, n care sunt datele procesate (Carmen.out), n dou moduri :
unul lng cellalt,
unul sub cellalt,
Pentru o mai bun vizualizare, prin comparaie a datelor.

12

Facultatea de Management n Producie i Transporturi

Proiect la Sisteme Expert

Dup selectarea modului dorit, se activeaz Attach File din meniul Attach,
operaie care creeaz un nou fiier cu extensia .out. Fiierele corespunztoare, de comparat,
pentru crearea acestui obiect sunt determinate automat de ctre NeuroShell2.
Carmen.pat fiierul original
Carmen.out fiierul coninnd rspunsul reelei.

Examinarea datelor

Pentru a vizualiza fiierul Carmen.out se activeaz icoana Examine data.

Dac se dorete evaluarea prediciei imobilizrii n alt mod, aceasta se poate reliza n
mod grafic. n acest caz, se ias din modelul Beginers System i se trece la un alt mod de
lucru Advanced System. Aici de pe coloana numit Post network se selecteaz icoana
Variable Graphs, activndu-se modul grafic.
13

Facultatea de Management n Producie i Transporturi

Proiect la Sisteme Expert

Se opteaz pentru variabileleActual i Network.

Modelul reelei neuronale apare oscilant urmnd datele lui actuale. Se presupune c
rspunsul reelei nu este destul de bun. n acest caz cel mai uor drum de parcurs, este de a
ncerca o alt arhitectur de reea.

14

Facultatea de Management n Producie i Transporturi

Proiect la Sisteme Expert

Cap.4 CONCLUZII
Cteva soluii de mbuntire a reelei ar fi :
Folosirea calibrrii reelei
Calibrarea realizeaz acest lucru, prin calcularea mediei erorii la ptrat, dintre toate
ieirile actuale i prezise, pentru toate tipririle. (Media erorii la ptrat este statistica medie
standard pentru determinarea celei mai bune rezultante). Calibrarea compileaz ptratul erorii
pentru fiecare ieire introdus, adunndu-le, i apoi calculnd media acestui numr pentru
toate intrrile n setul de teste.
Neuroshell folosete calibrarea pentru a optimiza reeaua, prin aplicarea reelei curente
un set de teste independente n timpul antrenrii. Acest set de date de test se creaz automat
utiliznd modulul Test Set Extract. Prin calibrare se gsete reeaua optim pentru date, n
setul de test, ceea ce nseamn c reeaua este capabil de a generaliza cu succes noile date i
de a returna foarte bune rezultate.
Pentru a folosi calibrarea, trebuie setat cmpul Calibration Test Interval, ceea ce
nseamn ct de des setul de test este evaluat. Prin practic, s-a demonstrat c reelele
neuronale realizeaz bune predicii, dac acest cmp setat cu valori ntre 50 i 200.
Stabilirea de variabile mai eficiente pentru ceea ce se ncearc a se prezice, i/sau
determinarea unor metode mai bune de reprezentare dect cele actuale.
ncercarea de a ajusta rata de nvare, ineria i numrul de neuroni ascuni, pentru
un nou model de antrenare.

15

Facultatea de Management n Producie i Transporturi