On the application of neural network models in the planning of paint production
DOI:
https://doi.org/10.52575/2687-0932-2021-48-4-794-801Keywords:
paint and varnish materials, neural network, forecast, scenarioAbstract
Based on previous studies, the data obtained in the process of collecting and analyzing statistical data were used. External and internal factors affecting the system are determined. Forecasting methods that are optimally suitable for solving the problems facing the paint and varnish industry enterprise are considered. Using the hierarchy analysis method, an analysis of alternative forecasting methods was carried out. Based on the conclusions obtained from the analysis, neural network models were selected. The article discusses the results of a series of experiments conducted to predict the release of the NC-132 product (Master's Choice) using neural network models. Based on the results of the experiments, a scheme for choosing a neural network model and an algorithm for its preliminary training are proposed. The results of the conducted experiments are presented, on the basis of which it is planned to describe the functionality of the forecasting module, the development of the terms of reference and the implementation of the developed system in the future.
Downloads
References
Абдикеев Н.М. 2017. Долгосрочное прогнозирование макроэкономических показателей. Фундаментальные исследования, 8–1: 110–114.
Бабич Т.Н., Кузьбожев Э.Н., Козьева И.А. 2018. Прогнозирование и планирование в условиях рынка: Учебное пособие. М.: Инфра-М, 288 c.
Васильев М.Г. 2006. Состояние химического комплекса и основные направления стратегии его развития. Нефтепереработка и нефтехимия. 1: 17–21.
Галушкин А.И. 2015. Нейронные сети: основы теории. М.: РиС, 496 c.
Костюхина Г.В., Тахавова Э.Г. 2014. Разработка модели нейронной сети. В кн.: Современные инновации в науке и технике: сборник научных трудов 4-ой Международной научно-практической конференции. Курск, 17 апреля. Закрытое акционерное общество «Университетская книга»: 283–285.
Россия в цифрах, краткий статистический сборник. 2020. Росстат Москва: 600 с.
Рутковская Д., Пилиньский М., Рутковский Л. 2013. Нейронные сети, генетические алгоритмы и нечеткие системы. М.: РиС, 384 c.
Скрипина И.И., Зайцева Т.В., Путивцева Н.П. 2021. Анализ и выбор математической модели с помощью метода анализа иерархий. Научный результат. Информационные технологии,
–2: 41–46.
Созуракова С.Д., Маяк А.Н., 2019. Состояние рынка и производства лакокрасочных материалов. Отчет о НИР, ОАО «НИИТЭХИМ». М, 142 с.
Сорокина А.В. 2016. Становление и развитие стратегического планирования и прогнозирования в РФ. Транспортное дело России, 5: 29–31.
Старинский В.Н. 2017. Технологические аспекты прогнозирования рыночных ситуаций. Экономика. Бизнес. Право, 1–3 (21): 4–14.
Стратегия развития химической и нефтехимической промышленности на период до 2021 г. 2014. Отчет о НИР, ОАО «НИИТЭХИМ», М, 103 с.
Усков А.А., Кузьмин А.В. 2017. Интеллектуальные технологии управления. Искусственные нейронные сети и нечеткая логика. М.: Горячая линия –Телеком, 143 c.
Хайкин С. 2019. Нейронные сети: полный курс. М.: Диалектика, 1104 c.
Шаникова И.В. 2015. Современные проблемы прогнозирования экономического развития России. Образование и наука без границ: социально-гуманитарные науки, 1: 288–290.
Abstract views: 95
Share
Published
How to Cite
Issue
Section
Copyright (c) 2021 ECONOMICS. INFORMATION TECHNOLOGIES
This work is licensed under a Creative Commons Attribution 4.0 International License.
