Разработка автоматизированной информационной системы по начислению заработной платы по 18-разрядной сетке

     В основу искусственных нейронных  сетей положены следующие черты  живых нейронных сетей, позволяющие  им хорошо справляться с нерегулярными задачами:

• простой обрабатывающий элемент - нейрон;
• очень большое число нейронов участвует в обработке информации;
• один нейрон связан с большим числом других нейронов (глобальные связи);
• изменяющиеся по весу связи между нейронами;
• массированная параллельность обработки информации. [6]

     Искусственная нейронная сеть — это математическая модель, а также устройства параллельных вычислений, представляющие собой систему  соединённых и взаимодействующих между собой простых процессоров (искусственных нейронов). Как математическая модель искусcвенная нейронная сеть представляет собой частный случай методов распознавания образов или дискриминантного анализа.

     Такие процессоры обычно довольно просты, особенно в сравнении с процессорами, используемыми  в персональных компьютерах.

     Каждый  процессор подобной сети имеет дело только с сигналами, которые он периодически получает, и сигналами, которые он периодически посылает другим процессорам. И тем не менее, будучи соединёнными в достаточно большую сеть с управляемым взаимодействием, такие локально простые процессоры вместе способны выполнять довольно сложные задачи.

     Понятие возникло при изучении процессов, протекающих  в мозге при мышлении, и при  попытке смоделировать эти процессы. Полученные модели называются искусственными нейронными сетями.

     Нейронные сети не программируются в привычном  смысле этого слова, они обучаются. Возможность обучения — одно из главных преимуществ нейронных сетей перед традиционными алгоритмами. Технически обучение заключается в нахождении коэффициентов связей между нейронами. В процессе обучения нейронная сеть способна выявлять сложные зависимости между входными данными и выходными, а также выполнять обобщение. Это значит, что, в случае успешного обучения, сеть сможет вернуть верный результат на основании данных, которые отсутствовали в обучающей выборке.

       Прототипом для создания нейрона  послужил биологический нейрон  головного мозга. Биологический  нейрон имеет тело, совокупность  отростков - дендритов, по которым  в нейрон поступают входные  сигналы, и отросток - аксон, передающий  выходной сигнал нейрона другим  клеткам. Точка соединения дендрита и аксона называется синапсом. Упрощенно функционирование нейрона можно представить следующим образом:

     1) нейрон получает от дендритов  набор (вектор) входных сигналов;

     2) в теле нейрона оценивается  суммарное значение входных сигналов. Однако входы нейрона неравнозначны.  Каждый вход характеризуется  некоторым весовым коэффициентом, определяющим важность поступающей по нему информации. Таким образом, нейрон не просто суммирует значения входных сигналов, а вычисляет скалярное произведение вектора входных сигналов и вектора весовых коэффициентов;

     3) нейрон формирует выходной сигнал, интенсивность которого зависит от значения вычисленного скалярного произведения. Если оно не превышает некоторого заданного порога, то выходной сигнал не формируется вовсе - нейрон "не срабатывает";

     4) выходной сигнал поступает на  аксон и передается дендритам  других нейронов.

       Поведение искусственной нейронной  сети зависит как от значения  весовых параметров, так и от функции возбуждения нейронов. Известны три основных вида функции возбуждения: пороговая, линейная и сигмоидальная. Для пороговых элементов выход устанавливается на одном из двух уровней в зависимости от того, больше или меньше суммарный сигнал на входе нейрона некоторого порогового значения. Для линейных элементов выходная активность пропорциональна суммарному взвешенному входу нейрона. Для сигмоидальных элементов в зависимости от входного сигнала, выход варьируется непрерывно, но не линейно, по мере изменения входа. Сигмоидальные элементы имеют больше сходства с реальными нейронами, чем линейные или пороговые, но любой из этих типов можно рассматривать лишь как приближение. Нейронная сеть представляет собой совокупность большого числа сравнительно простых элементов - нейронов, топология соединений которых зависит от типа сети. Чтобы создать нейронную сеть для решения какой-либо конкретной задачи, мы должны выбрать, каким образом следует соединять нейроны друг с другом, и соответствующим образом подобрать значения весовых параметров на этих связях. Может ли влиять один элемент на другой, зависит от установленных соединений. Вес соединения определяет силу влияния.[8]

     У нейронных сетей много важных свойств, но ключевое из них – это  способность к обучению. Обучение нейронной сети в первую очередь  заключается в изменении «силы» синаптических связей между нейронами. Следующий пример наглядно это демонстрирует. В классическом опыте Павлова, каждый раз непосредственно перед кормлением собаки звонил колокольчик. Собака достаточно быстро научилась ассоциировать звонок колокольчика с приемом пищи. Это явилось следствием того, что синаптические связи между участками головного мозга, ответственными за слух и слюнные железы, усилились. И в последующем возбуждение нейронной сети звуком колокольчика, стало приводить к более сильному слюноотделению у собаки.

     На  сегодняшний день нейронные сети являются одним из приоритетных направлений исследований в области искусственного интеллекта. 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

2. ПРОЕКТИРОВАНИЕ  ИНФОРМАЦИОННОЙ СИСТЕМЫ  ПО НАЧИСЛЕНИЮ ЗАРАБОТНОЙ ПЛАТЫ ПО 18-РАЗРЯДНОЙ  ТАРИФНОЙ СЕТКЕ

 

     2.1. Пояснительная записка 

     Используя методику расчета и нормативно-справочную базу необходимо разработать и реализовать  в табличном процессоре MS Excel автоматизированную информационную систему по начислению заработной платы по 18-разряной тарифной сетке.

     Задачи  и условия.

     Исходя  из учетных сведений о сотрудниках, количестве отработанных дней, 18-разряной тарифной системы оплаты труда и  соответствующего алгоритма расчета  сформировать ведомость выдачи заработной платы.

     Вся исходная и нормативная информация представлена во входных формах: справочниках 1-4 и таблице 1.

     На  основании исходных данных следует  спроектировать, заполнить и рассчитать промежуточные формы (пром. ф.) следующих таблиц:

• «Месячный табель учета рабочего времени» (пром. ф.1);
• «Расчетно-платежная ведомость» (пром. ф. 2).

     Выходными формами ( вых.ф.) будут:

• «Расчетный лист заработной платы работника» (вых.ф.1);
• « Ведомость выдачи заработной платы» (вых.ф.2);
• «Гистограмма сравнения заработной платы работников» (вых.ф.3).

 

Справочник 1. Количество рабочих дней в месяце

 

Справочник 2. Тарифный справочник

 

     Справочник 3. Базовые показатели для расчета заработной платы

 

     Справочник 4. Учетные сведения о сотрудниках

 

     Таблица 1. Годовой табель учета рабочего времени