Материал: Прогнозування валютних цін на фінансовому ринку

Акумуляція підвисновків правил нечіткої продукції проводиться аналогічно алгоритму Мамдані за допомогою класичного для нечіткої логіки max -об’єднання функцій приналежності T(A ∩ B) = min{ T(A);T(B)}.

Дефаззифікація проводиться будь-яким з розглянутих вище методів.

) Алгоритм Сугено (Sugeno) виглядає таким чином(рис. 1.3) :

Рисунок 1.3 - Алгоритм Сугено

Формування бази правил системи нечіткого виводу здійснюється у вигляді впорядкованого погодженого списку нечітких продукційних правил у вигляді «IF A AND B THEN w= е 1 a+ е 1 b », де антициденти ядер правил нечіткої продукції побудовані з двох простих нечітких висловлювань A, B за допомогою логічних зв'язок «И», a і b - чіткі значення вхідних змінних, що відповідають висловлюванням A і B відповідно, е 1 і е 2 - вагові коефіцієнти, що визначають коефіцієнти пропорціональності між чіткими значеннями вхідних змінних і вихідний змінний системи нечіткий вивід, w - чіткий значення вихідний змінна, визначений в укладення нечіткий правило, як дійсний число.

Фаззифікація вхідних змінних, що визначають висловлювання і, здійснюється аналогічно алгоритму Мамдані.

Агрегація підумов правил нечіткої продукції здійснюється аналогічно алгоритму Мамдані за допомогою класичної нечіткої логічної операції «И» двох елементарних висловлювань A, B: T(A ∩ B) = min{ T(A);T(B)}.

Активізація підвисновків правил нечіткої продукції проводиться в два етапи. На першому етапі, мірі істинності c висновків (консиквентів) нечітких продукційних правил, що ставлять у відповідність вихідний змінної дійсні числа, знаходяться аналогічно алгоритму Мамдані, як твір алгебри вагового коефіцієнта і міри істинності антецедента цього нечіткого продукційного правила. На другому етапі, на відміну від алгоритму Мамдані, для кожного з продукційних правил замість побудови функцій приналежності підвисновків в явному виді знаходиться чітке значення вихідний змінної w= е 1 a+ е 1 b. Таким чином, кожному i - у продукційному правилу ставиться у відповідність крапка (c i w i), де c i - міра істинності продукційного правила, w i - чітке значення вихідної змінної, визначеної в консиквенті продукційного правила.

Акумуляція висновків правил нечіткої продукції не проводиться, оскільки на етапі активізації вже отримана дискретна безліч чітких значень для кожного з вихідних лінгвістичних змінних.

Дефаззифікація проводиться як і в алгоритмі Цукамото. Для кожної лінгвістичної змінної здійснюється перехід від дискретної множини чітких значень { w 1... w n } до єдиного чіткого значення згідно з дискретним аналогом методу центру тяжіння:

y= ∑ i = 1 n c i щ i ∑ i = 1 n c i, (1.3)

де n - кількість правил нечіткої продукції, в підвисновках якої фігурує ця лінгвістична змінна, c i - міра істинності підускладення продукційного правила, w i - чітке значення цієї лінгвістичної змінної, встановлене в консиквенті продукційного правила.

) Спрощений алгоритм нечіткого виводу формально задається точно так, як і алгоритм Сугено, тільки при явному завданні чітких значень в консиквентах продукційних правил замість співвідношення w= е 1 a+ е 1 b використовується явне завдання безпосереднього значення w. Таким чином, формування бази правил системи нечіткого виводу здійснюється у вигляді впорядкованого погодженого списку нечітких продукційних правил у вигляді «IF A AND B THEN w=е », де антициденти ядер правил нечіткої продукції побудовані з двох простих нечітких висловлювань A, B за допомогою логічних зв'язок «И», w - чітке значення вихідний змінної, визначене для кожного укладення i -го правила, як дійсне число е i.

.4 Адаптивні системи нейро-нечіткого виводу

До теперішнього часу запропонована і вивчена велика кількість варіантів і різновидів нейронних мереж [9].

Концептуальною основою і складовою частиною штучних нейронних мереж є так званий штучний нейрон, який має певну внутрішню структуру (рис. 1.4) і правила перетворення сигналів.

Рисунок 1.4 - Структура штучного нейрона

Штучний нейрон складається з помножувачів (сигналів), суматора і нелінійного перетворювача. Синапси, що зображуються перекресленим гуртком, призначені для зв'язку нейронів між собою і множать вхідний сигнал x, на деяке постійне число. Це число w_i, називається вагою синапсу, характеризує силу цього зв'язку. Суматор виконує складання усіх сигналів, що поступають на вхід нейрона від інших нейронів, і зовнішніх вхідних сигналів. Нелінійний перетворювач призначений для нелінійної зміни вхідного значення суматора згідно деякої функції від одного аргументу. Ця функція називається функцією активації або передатною функцією нейрона [6].

Правила перетворення сигналів визначаються математичною моделлю нейрона, яка може бути записана у формі наступних аналітичних виразів :

 (1.4)=f(s) (1.5)

де wi - вага синапсу (i  {1,2,.,i});

i - значення зміщення; - результат підсумовування;

 - компонент вектору входу і вхідного сигналу ({1,2,…,}); - вихідний сигнал нейрона;

 - число входу нейронів; - функція активації (передатна функція) нейрона, що є деяким нелінійним перетворенням. У загальному випадку: , , R({1,2,…,}).

Синаптичні зв'язки з позитивними вагами  R+({1,2,…,}) називаються такими, що збуджують, а з негативними вагами  R-({1,2,…,}) - що гальмують.

Таким чином, окремо взятий нейрон повністю описується своєю структурою (див. мал. 3) і математичною моделлю (1.3 і 1.4). отримавши вектор вхідного сигналу , нейрон видає деяке число y на своєму виході. В якості функції активації нейрона можуть бути використані різні нелінійні перетворення.

Нейронна мережа є сукупністю окремих нейронів. Взаємозв'язаних між собою деяким фіксованим чином. При цьому взаємозв'язок нейронів визначається або задається структурою (топологією) нейронної мережі. З точки зору топології нейронні мережі можуть бути повнозв'язними, багатошаровими і слабозв’язними. У загальному випадку структура багатошарової або багаторівневої нейронної мережі може побути зображена таким чином (рис. 1.5).

Рисунок 1.5 - Структура багаторівневої нейронної мережі

Кожен з рівнів нейронної мережі називається її шаром. При цьому шар вхідного рівня називається вхідним шаром, шар рівня 1 і 2 - прихованими шарами, а шар рівня 3 - вихідним шаром [9].

У свою чергу багатошарові нейронні мережі можуть бути наступних типів:

Монотонні - кожен шар (окрім вхідного) додатково розбивається на два блоки: що збуджує і гальмує. Аналогічно розбиваються і зв'язки між блоками: на ті, що збуджують і гальмують. При цьому в якості функції активації можуть бути використані тільки монотонні функції (див. таблицю. 2).

- Нейронні мережі із зворотними зв'язками - інформація з подальших шарів може передаватися в нейрони попередніх шарів.

Нейронні мережі без зворотних зв'язків - інформація з подальших шарів не може передаватися на нейрони попередніх шарів. Класичним варіантом багатошарової нейронної мережі є повнозв'язна мережа прямого поширення.

Процес побудови і використання нейро-мережевих моделей складається з наступних етапів:

Вибір типу і структури нейронної мережі для вирішення поставленої проблеми (синтез структури нейронної мережі).

Навчання нейронної мережі (визначення чисельних значень вагів кожного з нейронів) на основі наявного про рішення цього завдання експертом або даних про рішення задачі у минулому.

Перевірка нейронної мережі на основі використання деякого контрольного прикладу (необов'язковий етап).

Використання навченої нейронної мережі для вирішення поставленої проблеми.

Нині запропоновані різні схеми класифікації нейронних мереж і відповідні алгоритми їх навчання. Одним з найпоширеніших алгоритмів навчання є так званий алгоритм зворотного поширення помилки (back propagation). Цей алгоритм є ітеративним градієнтним алгоритмом мінімізації середньоквадратичного відхилення значення виходу від бажаних значень (мінімізації помилки) у багатошарових нейронних мережах [8].

Вибір виду і структури нейронної мережі зумовлюється специфікою вирішуваної задачі. При цьому для вирішення окремих типів практичних завдань розроблені оптимальні конфігурації нейронних мереж, які найадекватніше відбивають особливості відповідної проблемної області. Подальшим розвитком нейронних мереж є так звані гібридні мережі, які реалізовані в пакеті Fuzzy Logic Toolbox системи MATLAB.

Гібридна мережа є багатошаровою нейронною мережею спеціальної структури без зворотних зв'язків, в якій використовуються звичайні (не нечіткі) сигнали, ваги і функції активації, ы виконання операції підсумовування (1.3) засновано на використанні фіксованої Т-норми, Т-конормы або деякій іншій безперервній операції. При цьому значення входів, виходів і вагів гібридної нейронної мережі є дійсними числами з відрізку [0, 1].

Основна ідея, покладена в основу моделі гібридних мереж, полягає в тому, щоб використати існуючу вибірку даних для визначення параметрів функції приладдя, яке краще всього відповідає деякій системі нечіткого виводу. При цьому для знаходження параметрів функцій приналежності використовуються відомі процедури навчання нейронних мереж.

У пакеті Fuzzy Logic Toolbox системи MATLAB гібридні мережі реалізовані у формі так званої адаптивної системи нейро-нечіткого виведення ANFIS. З одного боку, гібридна мережа ANFIS є нейронною мережею з єдиним виходом і декількома входами, які є нечіткими лінгвістичними змінними. При цьому терми вхідних лінгвістичних змінних описуються стандартними для системи MATLAB функціями приналежності, а терми вихідний змінної представляються лінійною або постійною функцією приналежності.

.5 Постановка задачі

Зміни валютного курсу призводять до змін цін на товари і послуги як в середині держави, так і за її межами, забезпечують можливість власникам валюти одержувати прибутки або зазнавати збитків завдяки визначенню ефективних валютних операцій. Без надійного прогнозування валютного курсу неможливо правильно оцінювати результати зовнішньоекономічної діяльності, планувати дохідну та витратну частини бюджету, визначати експортні та імпортні ціни тощо, розробляти ефективну валютну політику. Проаналізувати традиційні методи прогнозування валютного курсу, які базуються переважно на кількісних параметрах. Обґрунтувати доцільність та ефективність застосування теорії нечіткої логіки, яка дозволяє використовувати для прогнозування стану валютного ринку не тільки кількісні, а й якісні його характеристики.

2. Практична частина

Розглянемо процес розробки нечіткої моделі гібридної мережі для вирішення завдання прогнозування валютних цін на фінансовому ринку [9].

Суть даного завдання полягає в тому, аби, знаючи динаміку зміни курсової вартості продажу деякої валюти за фіксований інтервал часу, передбачити значення її курсової вартості на певний момент часу в майбутньому. При цьому характерною особливістю динаміки зміни курсу (тренду) є наявність двох основних тенденцій в коливаннях відповідних цін.

З одного боку, спостерігається загальне довгострокове підвищення курсової вартості, пов’язане з величиною інфляції. З іншого боку, спостерігається короткострокове коливання цін, пов’язане з цілим рядом випадкових чинників, адекватне представлення яких в тій або іншій формальній моделі навряд чи можливо.

Традиційно для вирішення даного завдання застосовуються різні моделі технічного аналізу, засновані на використанні різних індикаторів. В той же час наявність неявних тенденцій в динаміці зміни курсової вартості валют дозволяє застосувати модель адаптивних нейро-нечетких мереж.

В якості вихідних даних можна скористатися інформацією про динаміку курсу Національного Банку України по валюті “Китайський юань женьміньбі” (CNY) за деякий часовий інтервал, яка доступна в Інтернеті за адресою: www.minfin.com.ua. Для конкретності візьмемо значення курсової вартості CNY за 100 одиниць в період з 14 березня 2013р. по 21 травня 2013р (табл. 2.1).

Таблиця 2.1 - Динаміка курса CNY в період з 14.03.13 по 21.05.13

Передбачимо, що нечітка модель гібридної мережі міститиме 4 вхідних змінних. При цьому перша вхідна змінна відповідатиме курсу CNY на поточний банківський день, друга - курсу CNY на попередній банківський день, тобто на день (i-1), де через i позначений поточний банківський день. Тоді третя вхідна змінна відповідатиме курсу CNY на (i-2) банківський день, а четверта - курсу CNY на (i-3) банківський день.

Відповідні навчальні дані можуть бути зведені в окрему таблицю. Об’єм отриманої таким чином навчальної вибірки дорівнює 34 (див. табл. 2.2), що відповідає динаміці курсу CNY в період з 14 березня 2013р. по 14 травня 2013 р. При цьому дані з 15.05.13 по 21.05.13 не ввійшли до складу навчальної вибірки і можуть бути використані для перевірки адекватності побудованої нечіткої моделі.

Таблиця 2.2 - Навчальні дані для побудови моделі гібридної мережі

Збережемо навчальну вибірку в зовнішньому файлі під ім’ям price CNY.dat. Після цього відкриємо редактор ANFIS, в який завантажимо цей файл з навчальними даними. Зовнішній вигляд редактора ANFIS із завантаженими навчальними даними представлений на рис. 2.1.

Рисунок 2.1 - Графічний інтерфейс редактора ANFIS після завантаження навчальних даних

Перед генерацією структури системи нечіткого висновку типу Сугено після виклику діалогового вікна властивостей задамо для кожної з вхідних змінних по 3 лінгвістичних терма, а в якості типу їх функцій належності виберемо трикутні функції (установлені системою МАТЛАБ за стандартом). В якості типу функції належності вихідної змінної задамо лінійну функцію (рис. 2.2).

Рисунок 2.2 - Діалогове вікно для завдання кількості та типу функцій приналежності

Для навчання гібридної мережі скористаємося гібридним методом навчання з рівнем помилки 0, а кількість циклів навчання задамо рівним 10. Після закінчення навчання даної гібридної мережі може бути виконаний аналіз графіка помилки навчання (рис. 2.3), який показує, що навчання практично закінчилося після 2 циклу.

Рисунок 2.3 - Графік залежності помилки навчання від кількості циклів навчання

Після навчання гібридної мережі можна візуально оцінити структуру побудованої нечіткої моделі (рис. 2.4). Графічна наочність даної моделі залишає бажати кращого, оскільки загальна кількість правил в розробленій адаптивної системі нейро-нечіткого виводу дорівнює 81, які представлені в одній з поширеніших форм «ЯКЩО - ТО», що ускладнює їх візуальний контроль і оцінку.

Рисунок 2.4 - Структура згенерованої системи нечіткого висновку

Для дослідження побудованої моделі гібридної мережі (навчання гібридним методом) можна скористатися програмою перегляду правил (Rule Viewer). Для отримання значення цікавить значення вихідної змінної необхідно задати конкретне значення вхідної змінної (наприклад, 129,3) аналогічно загальним рекомендаціям систем нечіткого виводу. При цьому на графіку функцій належності вихідної змінної буде вказано шукане значення вихідної змінної - 129 (рис. 2.5).

Рисунок 2.5 - Ілюстрація роботи нечіткої системи

За допомогою графічних засобів MATLAB можна виконати контроль і налаштування параметрів функцій приналежності вхідних змінних і правил нечітких продукцій. Для виконання відповідних операцій можна скористатися редактором функцій приналежності. Проте до перевірки адекватності побудованої нечіткої моделі залишимо всі параметри функцій приналежності без змін.

Фаззифікація вхідних змінних відбувається по типу Сугено. Кожна з вхідних змінних має по 3 лінгвістичних терма, а в якості типу їх функцій належності трикутні функції. Дана система навчена на гібридному методі, який об'єднує метод зворотнього поширення помилки з методом найменших квадратів.

Нечітка модель гібридної мережі містить 4 вхідних змінних:

.        Перша вхідна змінна відповідає курсу CNY на поточний банківський день і знаходиться в діапазоні [128.5 130.2], рисунок 2.6.

Рисунок 2.6 - Графічний інтерфейс редактора функцій приналежності розробленої системи нечіткого виведення для перевірки першої вхідної змінної

.        Друга - курсу CNY на попередній банківський день, тобто на день (i-1), де через i позначений поточний банківський день. Яка знаходиться в діапазоні [128.5 130], рисунок 2.7.

Рисунок 2.7 - Графічний інтерфейс редактора функцій приналежності розробленої системи нечіткого виведення для перевірки другої вхідної змінної

.       
Третя вхідна змінна відповідає курсу CNY на (i-2) банківський день і знаходиться в діапазоні [128.5 130], рисунок 2.8.

Рисунок 2.8 - Графічний інтерфейс редактора функцій приналежності розробленої системи нечіткого виведення для перевірки третьої вхідної змінної

.        Четверта - курсу CNY на (i-3) банківський день і діапазон [128.5 130], рисунок 2.9.

Рисунок 2.9 - Графічний інтерфейс редактора функцій приналежності розробленої системи нечіткого виведення для перевірки четвертої вхідної змінної

В якості типу функції приналежності вихідної змінної виступає лінійна функція, яка займає діапазон [128.5 130.2], та дефаззифікація проходить за алгоритмом нечіткого виводу Сугено (1.3).

Рисунок 2.10 - Графічний інтерфейс редактора функцій приналежності розробленої системи нечіткого виведення для перевірки вихідної змінної

На додаток до цього можна виконати візуальний аналіз поверхні виводу для побудованої гібридної мережі, яка також дозволяє оцінити значення вихідної змінної:

залежність курсу CNY від попереднього (i-1) і поточного банківського днів (рис. 2.11);

Рисунок 2.11 - Поверхня системи нечіткого висновку

- залежність курсу CNY від попереднього (i-2) і поточного банківського днів (рис. 2.12);

Рисунок 2.12 - Поверхня системи нечіткого висновку

залежність курсу CNY від попереднього (i-3) і поточного банківського днів (рис. 2.13).

Рисунок 2.13 - Поверхня системи нечіткого висновку

Виконаємо перевірку адекватності побудованої нечіткої моделі гібридної мережі. Для цієї мети зробимо ретроспективний прогноз значення курсової вартості CNY на наступний банківський день, наприклад, на 15 травня 2013 р., вважаючи для цього випадку поточним банківським днем - 14 травня 2013 р.

Оскільки точність кількісних значень, що забезпечується графічними засобами пакету Fuzzy Logic Toolbox, є недостатньою для вирішення даного завдання, скористаємося функцією командного рядка evalfis. Як аргументи цієї функції вкажемо вектор значень курсової вартості CNY на поточний і 3 попередніх банківських дня. Повний формат виклику цієї функції буде наступним:= evalfis([130.0359 130.1532 129.8870 129.6382], priceCNY),

де out1 - умовне ім’я вихідної змінної;

.0359 - значення курсової вартості CNY на 14.05.13;

.1532 - значення курсової вартості UAH на 13.05.13;

.8870- значення курсової вартості CNY на 08.05.13;

.6382- значення курсової вартості CNY на 07.05.13; - ім’я структури FIS, заздалегідь завантаженої в робочу область системи MATLAB.

Після виконання цієї команди за допомогою розробленої нечіткої моделі буде набуто значення вихідної змінної для 15.05.13, яке дорівнює:

>> out1 = evalfis([130.0359 130.1532 129.8870 129.6382],priceCNY): Some input values are outside of the specified input range.

> In evalfis at 76 =

.7617

Розглянемо процес навчання нейронної мережі з використанням алгоритму зворотнього поширення помилки (backpropagation). Для цього процесу використовуємо ту ж саму нейронну мережу яка має чотири входи і один вихід.

Загальна послідовність процесу розробки моделі гібридної мережі методом зворотнього поширення помилки така ж сама, як і у гібридному методі. Відмінність полягає в виборі метода навчання.

Для дослідження побудованої моделі гібридної мережі (навчання методом зворотнього поширення помилки) скористаємося програмою перегляду правил (Rule Viewer). Для отримання значення цікавить значення вихідної змінної необхідно задати конкретне значення вхідної змінної (наприклад, 129,3) аналогічно загальним рекомендаціям систем нечіткого виводу. При цьому на графіку функцій належності вихідної змінної буде вказано шукане значення вихідної змінної - 23.1 (рис. 2.14).

Рисунок 2.14 - Ілюстрація роботи нечіткої системи

Виконаємо перевірку адекватності побудованої нечіткої моделі гібридної мережі. Для цієї мети зробимо ретроспективний прогноз значення курсової вартості CNY на наступний банківський день, наприклад, на 15 травня 2013 р., вважаючи для цього випадку поточним банківським днем - 14 травня 2013р. Повний формат виклику цієї функції буде наступним:= evalfis([130.0359 130.1532 129.8870 129.6382], priceCNY),

де out1 - умовне ім’я вихідної змінної;

.0359 - значення курсової вартості CNY на 14.05.13;

.1532 - значення курсової вартості UAH на 13.05.13;

.8870- значення курсової вартості CNY на 08.05.13;

.6382- значення курсової вартості CNY на 07.05.13; - ім’я структури FIS, заздалегідь завантаженої в робочу область системи MATLAB.

Після виконання цієї команди за допомогою розробленої нечіткої моделі буде набуто значення вихідної змінної для 15.05.13, рівне:

>> out1 = evalfis([130.0359 130.1532 129.8870 129.6382],priceCNY): Some input values are outside of the specified input range.

> In evalfis at 76 =

.2975

Для порівняння цих двох методів навчання розрахуємо абсолютну і відносну похибки (табл. 1.3).

Абсолютна похибка знаходиться за формулою:

,

де out - значення на поточний банківський день; out1 - значення вихідної змінної.

Відносна похибка знаходиться за формулою:

,

де ∆ - абсолютна похибка; - значення на поточний банківський день.

Таблиця 2.3 - Похибки начальних процесів

Порівнюючи відносну похибку двох методів, маємо що гибрідний метод має меншу похибку і тому,цей підхід є перспективнішим напрямом для побудови і використання відповідних нечітких моделей прогнозування цін інших фінансових інструментів, таких як курси інших валют, акцій компаній, ф’ючерсів і опціонів. Спільним для всіх цих інструментів з позиції технічного аналізу є відсутність апріорних пропозицій про динаміку коливань відповідних курсів цін, що цілком узгоджується з вихідними передумовами побудови нечітких моделей адаптивних систем нейро-нечіткого виводу.

Таким чином, перевірка побудованої нечіткої моделі гібридної мережі показує високу ступінь її адекватності реальним вихідними даними, що дозволяє зробити висновок про можливість її практичного використання для прогнозування курсової вартості CNY на фінансовому ринку валют. У цьому випадку нечіткі моделі адаптивних систем нейро-нечіткого виводу можуть вважатися новим і конструктивним інструментом технічного аналізу фінансових ринків.

3. Охорона праці

Охорона праці - це система правових, соціально-економічних, організаційно-технічних, санітарно-гігієнічних і лікувально-профілактичних заходів та засобів, спрямованих на збереження життя, здоров'я і працездатності людини в процесі трудової діяльності, діюча на підставі відповідних законодавчих та інших нормативних актів.

Законодавство про працю містить норми і вимоги з техніки безпеки і виробничої санітарії, норми, що регулюють робочий час і час відпочинку, звільнення та переведення на іншу роботу, норми праці щодо жінок, молоді, гігієнічні норми і правила тощо [10].

Однією із характерних особливостей сучасного розвитку суспільства є зростання сфер діяльності людини, в яких використовуються інформаційні технології. Широке розповсюдження отримали персональні комп'ютери. Однак їх використання загострило проблеми збереження власного та суспільного здоров'я, вимагає удосконалення існуючих та розробки нових підходів до організації робочих місць, проведення профілактичних заходів для запобігання розвитку негативних наслідків впливу ПК на здоров'я користувачів.

У даній випускній роботі виконані дослідження алгоритмів аналізу та прогнозування валютних цін на фінансовому ринку, що проводилися в умовах практичної аудиторії кафедри «Інформаційних технологій і систем» Національної Металургійної Академії України.

3.1 Аналіз умов праці в аудиторії для практичних занять №518

Аудиторія для практичних занять №518 знаходиться на п’ятому поверсі шестиповерхового головного корпусу Національної металургійної академії України. Будівля збудована з цегли,бетону та залізобетону. Ширина аудиторії - 745 см, довжина - 555 см, висота - 350 см, загальна площа - 41 кв. м, у приміщенні 2 дерев’яних вікна розмірами 120 см200 см та дерев’яні двостулкові двері розміром 110см200 см.

В аудиторії 12 робочих місць, кожне з яких обладнане комп’ютером. Відповідно до ДСанПіН 3.3.2.007-98 для приміщень з комп’ютерною технікою площа на одне робоче місце повинна складати не менше 6 кв. м, а об’єм - не менше 20 куб. м з урахуванням максимального числа одночасно працюючих в зміну. Необхідна площа на 15 робочих місць зі встановленими ПК складає 30 кв. м. Таким чином можна зробити висновок, що практична аудиторія №518 відповідає даним санітарним нормам [11].

Приміщення відповідає будівельним нормам СНіП 2.04.05-91*У: система опалювання централізована, водна,у лабораторії чавунні радіатори. Вентиляція у приміщенні за способом циркуляції повітря комбінована [12].

Колірне оформлення приміщення напрямлено на поліпшення санітарно-гігієнічних умов праці, підвищення його продуктивності і безпеки. Колір стін - світло-коричневій, стелі - білий, на підлозі паркет, що задовольняє СН 181-70 [13].

Для постійних робочих місць, якими є робочі місця операторів ПК, встановлені оптимальні параметри мікроклімату, а при неможливості їх дотримання використовують допустимі параметри. Робота оператора ПК за енерговитратами згідно ДСН 3.3.6.042-99 відноситься до категорії легких робіт Іа. Температура в літній час сягає від +18 є С до +24 є С,в зимовий час від +17 є С до +22 є С, вологість 40-60%, швидкість руху повітря в аудиторії не перевищує 0,1 м/с. Для нормалізації рівня вологості повітря встановлена система вентиляції та кондиціонер [14].

У досліджуваній аудиторії шум спричиняють комп’ютери - 40 дБ кожний та кондиціонер - 30 дБ. Рівень шуму на робочому місці знаходиться в допустимих межах [15].

В аудиторії над всіма гніздами електрощита чітко вказана номінальна напруга - 220 Вт, та частота напруги 50 Гц. Напруженість електромагнітного поля на відстані 0,50 м не перевищує 50 МГц-300 МГц - 5 В/м.

Напруженість електромагнітного випромінювання та магнітних полів рівні 40 Гц.

Рівень іонізація повітря: 2000n⁺ іонів в 1 см куб. повітря, 3000n^- іонів в 1 см куб. повітря.

До числа несприятливих факторів відносяться електромагнітні поля (ЕМП) високих частот згідно з СанПіН 2.2.4.1191-03. Їх вплив на людину може викликати функціональні зрушення в організмі: швидку стомлюваність, головні болі, порушення сну, дратівливість, стомлення зору і т.п. [16].

Система освітлення приміщення комбінована, складається з двох джерел світла: природного (за рахунок віконних отворів 1,8 м Ч 2 м на одній із стін) та штучного 12 ламп (24 люмінесцентні лінійні трубчаті лампи типу ЛБ-36 потужністю 40 Вт розташовані на стелі, які попарно об'єднуються в світильники). Вимоги до освітленості в приміщеннях, де встановлені комп'ютери згідно з ДБН В.2.5-28-2006, наступні: при виконанні зорових робіт середньої точності загальна освітленість повинна складати 300 лк, а комбінована -750 лк. Робота програміста відноситься до першого розряду зорової роботи [17].

Умови праці програміста за показниками напруженості трудового процесу:

інтелектуальні навантаження (робота з великою кількістю інформації, її сортуванням та виділенням головних аспектів, пов’язана з прийняттям рішень, високий ступінь складності роботи);

сенсорні навантаження (робота вимагає достатньої тривалості зосередженого спостереження за екраном ЕОМ під час виконання програм та їх тестування, що викликає навантаження на зоровий апарат, робота класу середньої зорової точності, у деяких випадках вимагає одночасного спостереження за декількома об’єктами);

можливе розумове перевантаження, перевантаження аналізаторів, монотонність праці.

У даному приміщенні знаходяться вживані в роботі комп'ютери, принтери, сканери, безперебійні джерела живлення, які можуть бути причиною поразки людей електричним струмом. Умовно безпечною для життя людини прийнято вважати напругу, що не перевищує 42 В. У приміщенні відсутні умови, що створюють підвищену чи особливу небезпеку. Тому, згідно з ПУЕ, приміщення відноситься до категорії без підвищеної небезпеки [19].

3.2 Виробнича санітарія та гігієна праці

нечіткий алгоритм валюта фінансовий

Основним джерелом виділення надмірного тепла є батареї, які знаходяться під вікнами - взимку, а влітку - працююче обладнання. Система опалювання централізована, водна. Вентиляція у приміщенні за способом циркуляції повітря комбінована.

Штучне освітлення в приміщеннях експлуатації ЕОМ здійснюється системою загального рівномірного освітлення. У виробничих та адміністративно-громадських приміщеннях, у разі переважної роботи з документами, дозволено застосування системи комбінованого освітлення (до загального освітлення додатково встановлюються світильники місцевого освітлення, призначені для освітлення зони розташування документів). Освітленість на поверхні столу в зоні розміщення робочого документу повинна бути 300 лк, також допускається встановлення світильників місцевого освітлення для підсвічування документів, але з такою умовою, щоб воно не створювало відблисків на поверхні екрану і не збільшувало освітленість екрана більш ніж на 300 лк. В якості джерел світла при штучному освітленні повинні застосовуватися переважно люмінесцентні лампи типу ЛБ. При влаштуванні відбитого освітлення в адміністративно-громадських приміщеннях допускається застосування металогалогенних ламп потужністю до 250 Вт. Допускається застосування ламп розжарювання у світильниках місцевого освітлення. Загальне освітлення слід виконувати у вигляді суцільних або переривчастих ліній світильників, розташованих збоку від робочих місць, паралельно лінії зору користувача при рядном розташуванні ЕОМ. При периметральном розташуванні комп'ютерів лінії світильників повинні розташовуватися локалізовано над робочим столом, ближче до його переднього краю, зверненого до оператора. Для забезпечення нормованих значень освітленості в приміщеннях використання ЕОМ слід проводити чистку стекол віконних рам і світильників не рідше двох раз на рік і проводити своєчасну заміну перегорілих ламп [18].

Напруженість електромагнітного випромінювання та магнітних полів рівні 40 Гц. Для зниження дії параметрів іонізуючих електромагнітних випромінювань від монітора комп'ютера рекомендую застосовувати монітори із зниженим рівнем випромінювання (MPR-II, TCO-92, TCO-99, TCO-03), а також дотримувати регламентовані режими праці і відпочинку.

Організація робочого місця залежить від характеру праці оператора і умов праці. Комфортність праці і висока продуктивність на робочому місці оператора залежить також від правильного вибору основного і допоміжного обладнання, яке повинно відповідати ергономічним вимогам. Робоче місце має забезпечувати можливість зручного виконання роботи. Робоче місце включає в себе інформаційне поле і моторне поле. Важливим моментом в організації робочого місця є також визначення займаної їм виробничої площі. Не менш важливим питанням в організації робочого місця є питання організації його обслуговування, оскільки від цього залежить не тільки продуктивність праці, але і режим праці та відпочинку працюючих, ритмічність виробництва [17].

Раціональне колірне оформлення приміщення напрямлено на поліпшення санітарно-гігієнічних умов праці, підвищення його продуктивності і безпеки. Забарвлення приміщень впливає на нервову систему людини, його настрій і кінець кінцем на продуктивність праці. Основні виробничі приміщення доцільно забарвлювати відповідно до кольору технічних засобів. Освітлення приміщення і устаткування має бути м'яким, без блиску [13].

Режим роботи:

рекомендована повна тривалість робочого часу за екраном монітора дорослого користувача, який використовує звичайний монітор із захисним фільтром, - 4 години за 8-годинний робочий день;

в кінці кожної години роботи необхідно робити 5-хвилинну перерву, а через 2 години - 15-хвилинний, вимикати монітор і залишати робоче місце;

вагітним жінкам з першого дня вагітності необхідно відмовитися від роботи з комп'ютером з електронно-променевою трубкою.

3.3 Техніка безпеки

За характером і часом проведення інструктажі з питань охорони праці поділяються на вступний, первинний, повторний, позаплановий та цільовий.

Первинний інструктаж проводиться індивідуально або з групою осіб одного фаху за діючими на підприємстві інструкціями з охорони праці відповідно до виконуваних робіт, а також з урахуванням вимог орієнтовного переліку питань первинного інструктажу.

Повторний інструктаж проводиться індивідуально з окремим працівником або з групою працівників, які виконують однотипні роботи, за обсягом і змістом переліку питань первинного інструктажу.

Позаплановий інструктаж проводиться індивідуально з окремим працівником або з групою працівників одного фаху. Обсяг і зміст позапланового інструктажу визначаються в кожному окремому випадку залежно від причин і обставин, що спричинили потребу його проведення.

Цільовий інструктаж проводиться індивідуально з окремим працівником або з групою працівників. Обсяг і зміст цільового інструктажу визначаються в залежності від виду робіт, що ними виконуватимуться.

Потенційно небезпечним чинником, який властивий даним умовам праці є електричний струм. У даному приміщенні знаходяться вживані в роботі комп'ютери, безперебійні джерела живлення, які можуть бути причиною поразки людей електричним струмом. Умовно безпечною для життя людини прийнято вважати напругу, що не перевищує 42 В. У приміщенні відсутні умови, що створюють підвищену чи особливу небезпеку. Тому, згідно з ПУЕ, приміщення відноситься до категорії без підвищеної небезпеки [19].

Можливою причиною електротравм може виступати безпосередній дотик до струмопровідних частин електроустановок, які діють під напругою. В цьому разу людина отримає місцеві електротравми, наприклад, електричний опік або удар. Напруга дотику i струма, що протікає через тіло людини при нормальному (неаварійному) режимі електроустановки, не повинна перевищувати значень згідно з ГОСТ 12.1.038-82 [20].

Відповідно до правил електробезпеки в службовому приміщенні повинен здійснюватися постійний контроль стану електропроводки, запобіжних щитів, шнурів, за допомогою яких включаються в електромережу комп'ютери, освітлювальні прилади, інші електроприлади.

.4 Пожежна профілактика

Пожежна безпека - стан об'єкту, при якому унеможливлюються пожежі, а у разі їх виникнення забезпечується запобіжна дія на людей небезпечних чинників і забезпечується захист матеріальних цінностей.

Пожежі на ділянці можуть виникнути в результаті:

загоряння електрообладнання при перевантаженнях, перегріву і короткому замиканні (клас пожежі - Е);

дії статичного чи грозового розряду.

Небезпека виникнення пожежі на території закладу зменшена в роботі наступними розробленими заходами: проведення обслуговуючих, ремонтних і профілактичних робіт з метою попередження пожеж, а також проведення інструктажу з техніки безпеки серед працівників та студентів ВНЗ [21].

У виробничих приміщеннях ОЦ застосовуються головним чином вуглекислотні вогнегасники, гідністю яких є висока ефективність гасіння пожежі, збереження електронного устаткування, діалектричні властивості вуглекислого газу, що дозволяють використовувати ці вогнегасники навіть у тому випадку, коли не вдається знеструмити електроустановку відразу.

У практичній аудиторії №518 знаходиться переносний вуглекислотний вогнегасник (ВВК-3) із зарядом діоксиду вуглецю у відповідності до НАПБ Б.03.001-2004, вогнегасник розташований біля виходу з приміщення [22].

Об'єкти ОЦ необхідно обладнати установками стаціонарного автоматичного пожежогасіння. Найдоцільніше застосовувати у ОЦ установки газового гасіння пожежі, дія яких заснована на швидкому заповненні приміщення вогнегаснучою газовою речовиною з різким зріджуванням змісту в повітрі кисню [23].

Висновки

Цінність прогнозу визначається його достовірністю, але будь-який прогноз має імовірнісний характер і не може давати 100% збігів. Тому ефективною вважається комбінація декількох методів прогнозування валютного курсу.

Для суттєвого покращення якості прогнозування доцільно задіяти теорію нечіткої логіки. Поширення та використання цієї теорії для прогнозування економічних процесів дає змогу при прогнозуванні курсу валюти враховувати вхідні чинники, задані лінгвістично. Робота з нечіткими числами дає змогу отримати позитивний результат в тих випадках, коли неможливо використовувати суто математичний апарат, що працює з конкретними числами. Покращення якості прогнозування економічних процесів може бути досягнуто шляхом врахування рефлексивних дій учасників валютного ринку, які можуть бути самопідсилюючими або самокоректуючими. Представлення цих дій вхідними змінними при моделюванні дозволить врахувати людський фактор при прогнозуванні курсу валюти.

Таким чином, перевірка побудованої нечіткої моделі гібридної мережі показує високу ступінь її адекватності реальним вихідними даними, що дозволяє зробити висновок про можливість її практичного використання для прогнозування курсової вартості CNY на фінансовому ринку валют. У цьому випадку нечіткі моделі адаптивних систем нейро-нечіткого виводу можуть вважатися новим і конструктивним інструментом технічного аналізу фінансових ринків.

Список літератури

1.         Круглов В.И., Дли М.И., Голунов Р.Ю. Нечеткая логика и искусственные нейронные сети. - М.: Изд. Физ.мат.лит., 2002. - 312 с.

2.      Заде Л. Понятие лингвистической переменной и его примене-ние к принятию приближенных решений: Пер. с англ.-М.: Мир, 1976, 166 с.

.        Пивкин В.Я., Бакулин В.П., Кореньков Д.И. Нечеткие множества в системах управления. - Новосибирск: изд-во НГУ, 1998. - 75 с.

.        Борисов А.Н., Алексеев А.В., Меркурьева Г.В. и др. Обработка нечеткой информации в системах принятия решений. - М: Радио и связь, 1989.-304 с.

.        Кофман А. Введение в теорию нечетких множеств: Пер. с франц.-М.: Радио и связь, 1982, 432 с.

.        Малышев Н.Г., Берштейн Л.С., Боженюк А.В. Нечеткие модели для экспертных систем в САПР.-М.: Энергоатомиздат, 1991.-136 с.

.        Пупков К.А., Коньков В.Г. Интеллектуальные системы. - М.: МГТУ им.Баумана, 2003. - 348 с.

.        Терехов В.А. Нейросетевые системы управления. - М: Высшая школа, 2002. - 183 с.

.        Леоненков А.В. Нечеткое моделирование в среде Matlab и fuzzyTECH. - С.Пб.: BHV-Санкт-Петербург, 2003. - 736 с.

.        Закон України ″Про охорону праці″. Верховна Рада України; Закон від 14.10.1992 № 2694-XII- К.: Основа, 1993.

.        ДСанПін 3.3.2.007-98 "Державні санітарні правила і норми. Гігієнічні вимоги доорганізації роботи з візуальними дисплейними терміналами електронно-обчислювальних машин". Затверджено Постановою Головного державного санітарного лікаря України від 10 грудня 1998 р. № 7.

.        СНиП 2.04.05-91*У "Отопление, вентиляция и кондиционирование". Издание неофициальное, Киев: КиевЗНИИЭП, 1996.

.        СН 181-70"Указания по проектированию цветовой отделки интерьеров производственных зданий промышленных предприятий". Утверждены Государственным комитетом Совета Министров СССР по делам строительства и Государственным комитетом Совета Министров СССР по науке и технике 21 января 1970 г.

.        ДСН 3.3.6.042-99 "Санітарні норми мікроклімату виробничих приміщень". - К.: Держстандарт, 1999.

.        ГОСТ 12.1.003-83ССБТ. "Шум. Общие требования безопасности". Изменения 1989г.

.        СанПиН 2.2.4.1191-03 «Электромагнитные поля в производственных условиях», К.: Укр. НДІПБ, 2003.

.        ГОСТ 12.1.005-88ССБТ. "Воздух рабочей зоны. Общие санитарно-гигиенические требования". − М.: Изд-во стандартов, 1990.

.        ДБН В.2.5-28-2006 "Природне і штучне освітлення". - К.: Мінбуд. України, 2006.

.        ПУЕ. "Правила устройства электроустановок". − М.: Энергоатомиздат, 1987.

.        ГОСТ 12.1.038-82ССБТ. "Электробезопасность. Предельно допустимые значения напряжений прикосновения и токов". С поправками и изменениями: Изменение №1 от 01.07.1988.

.        ДБН В.2.2-28:2010 "Будинки і споруди. Будинки адміністративного та побутового призначення". Наказ Міністерства регіонального розвитку та будівництва України від 30.12.2010 № 570. − К.: Міністерство регіонального розвитку та будівництва України, 2010.

.        НАПБ Б.03.001-2004 "Правила експлуатації та типові норми належності вогнегасників". Затверджено: МНС України наказ від 02.04.2004 р. № 151; зареєстровано в Мінюсті України 29.04.2004 р. за № 554/9153.

.        ДБН В.1.1-7-2002. Захист від пожежі. Пожежна безпека об′єктів будівництва. − К.: Держбуд України, 2003.