Zusammenfassung
Gegenstand dieses Kapitels ist die Untersuchung der Anwendungsmöglichkeiten von neuronalen Netzen zur Lösung von Managementproblemen. Den Ausgangspunkt hierfür bilden die in Kapitel 2 dargestellten Aufgabenstellungen von Management-Informationssystemen.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Preview
Unable to display preview. Download preview PDF.
Literatur
Vgl. Zell, A.: Simulation, 1994; S. 349. Eine Marktübersicht über verschiedene Softwaresysteme zur Simulation neuronaler Netze findet sich zum Beispiel bei: Schöneburg, E.; Hansen, N.; Gawelczyk, A.: Neuronale Netzwerke, 1990; S. 203 ff. und bei Zell, A.: Simulation, 1994; S. 349 ff.
Vgl. Kratzer, K. P.: Neuronale Netze, 1990; S. 88 ff. und 199 ff.
Vgl. Krause, C.: Kreditwürdigkeitsprüfung, 1993.
Vgl. Lohrbach, T.: Einsatz, 1994.
Vgl. Schumann, M.; Lohrbach, T.; Bährs, P.: Kreditwürdigkeitsprognose, 1992.
Weitere Veröffentlichungen dieser Untersuchung finden sich in Hruschka, H.; Natter, M.: Using Neural Networks for Clustering-Based Market Segmentation; Institut für Höhere Studien, Wien; Forschungsbericht No, 307; September 1992 [Using Neural Networks, 1992] und Hruschka, H.: Einsatz künstlicher Neuronaler Netzwerke zur Datenanalyse im Marketing; in: Marketing ZFP, Heft 4 IV Quartal 1991; S. 217–225 [Einsatz künstlicher Neuronaler Netzwerke zur Datenanalyse, 1991].
Vgl. Fahrmeier, L.; Harnerle, A.: Multivariate statistische Verfahren; Berlin u.a. 1984 [Multivariate statistische Verfahren, 1984].
Vgl. z.B. Hofmann, H. J.: Die Anwendung des CART-Verfahrens zur statistischen Bonitäts-analyse von Konsumentenkrediten; in: ZfB; 60. Jahrg. (1990) Nr. 6; S. 941–962 [Bonitätsanalyse, 1990] sowie Fahrrneier, L.; Harnerle, A.: Multivariate statistische Verfahren, 1984; S. 334 ff. und die dort angegebenen Arbeiten.
Vgl. Lohrbach, T.: Einsatz, 1994; S. 104 und Fahrmeier, L.; Hamerle, A.: Multivariate statistische Verfahren, 1984; S. 334 ff. insbesondere S. 338 f.
Vgl. Krause, C.: Kreditwürdigkeitspriifung, 1993; S. 113.
Vgl. Lohrbach, T.: Einsatz, 1994; S. 130 ff.
Vgl. o.V.: Supplement for Professional II/PRO v 5.2; Pittsburgh 1995 S. SU-40 f. [Supplement, 1995].
Vgl. Fahrmeier, L.; Hamerle, A.: Multivariate statistische Verfahren, 1984; Anhang C S. 752–766.
Vgl. Fahrmeier, L.; Hamerle, A.: Multivariate statistische Verfahren, 1984; S. 334.
Vgl. Lohrbach, T.: Einsatz, 1994; S. 105.
Vgl. Fahrmeier, L.; Hamerle, A.: Multivariate statistische Verfahren, 1984; S. 334 ff.
Vgl. Lohrbach, T.: Einsatz, 1994; S. 111.
O.V.: Advanced Reference Guide: Software Reference for Professional II/Plus and NeuralWorks Explorer; Pittsburgh 1993; S. RF-95 [ON.: Software Reference, 1993].
Vgl. Zimmermann, H. G.: Entscheidungskalkül, 1994; S. 23 f.
Vgl. Lohrbach, T.: Einsatz, 1994; S. 115.
Vgl. Lohrbach, T.: Einsatz, 1994; S. 118 ff.
Vgl. Lohrbach, T.: Einsatz, 1994; S. 113.
Vgl. Lohrbach, T.: Einsatz, 1994; S. 119 ff.
Vgl. Lohrbach, T.: Einsatz, 1994; S. 119 ff.
Vgl. o.V.: Software Reference, 1993; S. RF-57.
Vgl. o.V.: Neural Computing, 1993; S. NC-266 f.
Vgl. Lohrbach, T.: Einsatz, 1994; S. 119 ff.
Vgl. Lohrbach, T.: Einsatz, 1994; S. 137ff.
Vgl. Lohrbach, T.: Einsatz, 1994; S. 112.
Ein Vergleich mit statistischen Verfahren soll an dieser Stelle nicht durchgeführt werden. Hierzu sei zum Beispiel auf Lohrbach, T.: Einsatz,1994; S. 142 ff verwiesen.
Weitere Untersuchungen über die Einsatzmöglichkeiten neuronaler Netze zur Prognose, die jedoch größtenteils nur ungenaue Angaben über die verwendeten Netzmodelle und Vergleichsverfahren enthalten, finden sich zum Beispiel in: Baba, M.; Kozaki, M.: forecasting system, 1992; Bd. I, S. 371–377; Bacha, H.; Meyer, W: Load Forecasting, 1992, Band II; S. 442–447; Caire, P.; Hatabian,G.; Muller, C.: Forecasting 1992; Band II; S. 540–545; Chan, D. Y. C.; Prager D.: Time Series, 1991; S. 355–360; Connor, J.; Atlas, L.: Time Series Prediction, 1991; Volume I; S. 301–306; Coughlin, P. J.: Time Series Prediction, 1991; S. 379–384; Cubero, R. G.: time series forecasting, 1991; S. 453–460; Desai, V.; Bharati, R.: A Comparison, 1992]; S. 753–755; Elsner, J. B.: Predicting Time Series, 1991; Volume I; S. 145–150; Hantschel, G.; Zimmermann, H.-G.: Neuronale Netze zur Prognose, 1992; Hoptroff R.G.; Bramson, M.J.; Hall, TT: Forecasting, 1991; S. 347–352;Liu, X.Q.; Ang, B. W; Goh, T. N.: Forecasting of electricity Consumption, 1991; S. 1254–1259; Lapedes, A.S.; Farber, R.M.: Nonlinear Signal Processing, 1987;Lopez, V.; Dorronsoro, J. R.: Neural Network, 1991; S. 201–206; Matsuba, 1.: Stock Price Prediction, 1991; S. 1196–1201; Matsuba, 1.; Masui, H.; Hebishima, S.: Optimizing Multilayer Neural Networks, 1992; S. 583–589; Refenes, A.N.: CLS: Time Series Forecasting,1991; S. 702–710; Srirengan, S.; Looi, C.-K.: Prediction, 1991; S. 1284–1289; Tanigawa, T.; Kamijo, K.: Stock Price, 1992; S. 465–471; Trigueiros, D.; Huberman, B. A.; Rumelhart, D. E.: Predicting the Future, 1990; S. 193–209; Weigend, A. S.; Rumelhart, D. E.; Huberman, B. A.: Prediction, 1991.; S. 395–432; White, H.: Economic Prediction, 1988, S. 451–458; Würtz, D.; de Groot, C.: Informationssystem, 1992 und Zimmermann, H. G.: Application of the Boltzman Machine, 1990.
Vgl. Podding, T.: Mittelfristige Zinsprognosen mittels KNN und ökonometrischer Verfahren: Eine Fallstudie über den Umgang mit kleinen Datenmengen; in: Rehkugler, H.; Zimmermann, H. G. (Hrsg.): Neuronale Netze in der Ökonomie: Grundlagen und finanzwirtschaftliche Anwendungen; München 1994; S. 209–289 [Mittelfristige Zinsprognosen, 1994] S. 266 ff. insbesondere S. 276 und S. 285.
Podding, T.: Mittelfristige Zinsprognosen, 1994; S. 276. „MLIP“ bedeutet „Multilayer Perceptron” und stellt eine synonyme Bezeichnung für Backpropagation-Netze dar.
Vgl. Podding,T.: Mittelfristige Zinsprognosen, 1994; S. 227.
Weitere Untersuchungen über die Einsatzmöglichkeiten neuronaler Netze zur Optimierung, die jedoch größtenteils nur ungenaue Angaben über die verwendeten Netzmodelle und Verleichsverfahren enthalten, finden sich zum Beispiel in: Angeniol, B.; de La Croix Vaubois, G.; Le exier, . Y.: Self Organizing Feature Maps, 1989; Burke, L. I.; Ignizio, J. P.: The Guilty Net, 1992; Dahl, É NP-Complete Network Algorithm for an NP-Comlete Problem, 1987; De Carvalho, L. A.; Barbosa, V. C.: A TSP Objective Function,1990; Goldstein, p M.: Self Organizing Feature Maps, 1990; Joppe, A.; Cardon, H. R. A.; Bioch, J. C.: A Neural Network for Solving the Travelling Salesman Problem, 1990; Mehta, S.; Fulop, L.: An Analog Neural Network, 1993; Stone, J. V.: The Optimal Elastic Net, 1992; Sun, K. T.; Fu, H. C.; Chen, C.: Hamiltonian Cycle Problems, 1991 und Milker, M.: Künstliche Neuronale Netze zur Optimierung, 1992..
Vgl. Corsten, H.; May, C.: „Möglichkeiten zur Unterstützung der Produktionsplanung und -steuerung durch Künstliche Neuronale Netze“; in: Diskussionsbeiträge der Wirtschaftswissenschaftlichen Fakultät Ingolstadt Nr. 57; Ingolstadt, November 1994; [Möglichkeiten, 1994] S. 6.
Vgl. Lohrbach, T.: Einsatz,1994; S. 258.
Vgl. Corsten, H.; May, C.: Möglichkeiten,1994; S. B.
Vgl. Arizono, I.; Yamamoto, A.; Oh ta, H.: Scheduling for minimizing total actual flow time by neural networks; in: International Journal of Production Research; Vol. 30 (1992); S. 503–511 [Scheduling, 1992], Foo, Y.-P. S.; Takefuji, Y.: Integer Linear Programming Neural Networks for Job Scheduling; in: Proceedings of the 1988 IEEE International Conference on Neural Networks; IEEE (Hrsg.); San Diego 1988; S. 341–348 [Integer Linear Programming, 1988], Foo, Y.-P. S.; Takefuji, Y.: Stochastic Neural Networks for Solving Job-Shop Scheduling: Part 1: Problem Representation; in: Proceedings of the 1988 IEEE International Conference on Neural Networks; IEEE (Hrsg.); San Diego 1988; S. 275–280 [Stochastic Neural Network: Part 1, 1988] und Foo, Y.-P. S.; Takefuji, Y.: Stochastic Neural Networks for Solving Job-Shop Scheduling: Part 2: Architecture and Simulations; in: Proceedings of the 1988 IEEE International Conference on Neural Networks; IEEE (Hrsg.); San Diego 1988; S. 283–290 [Stochastic Neural Network: Part 2, 1988].
Vgl. Lohrbach, T.: Einsatz, 1994; S. 260 ff und Corsten, H.; May, C.: Möglichkeiten, 1994.
Vgl. hierzu Corsten, H.; May, C.: Möglichkeiten, 1994; S. 9–11.
Vgl. Lohrbach, T.: Einsatz, 1994; S. 260 ff. und Retzko, R.; Schumann, M.: Einsatzmöglichkeiten von Künstlichen Neuronalen Netzen für Rundreiseprobleme und Vergleich mit alternativen Verfahren; in: Schumann, M. (Hrsg,.): Arbeitspapier Georg-August-Universität Göttingen; Göttingen 1994; S. 29 ff. [Rundreiseprobleme, 1994].
Vgl. Schafer, G.: Beitrag zur Optimierung von Kommissionierfahrten in Hochregallagertrassen mittels neuronaler Netze; Diss. Universität Dortmund; Dortmund 1991 [Optimierung von Kommissionierfahrten, 1991].
Vgl. Schafer, G.: Optimierung von Kommissionierfahrten, 1991 und El Ghaziri, H.: Solving Routing Problems by a Self-Organizing Map; in: Kohonen, T.; Mäkisara, K.; Simula, O. Kangas, J. (Hrsg.): Artificial Neural Networks: Proceedings of the 1991 ICANN International Conference on Artificial Neural Networks, Espoo, Finnland, 24.-28. Juni 1991; Amsterdam u.a. 1991; Volume I; S. 829–834 [Solving Routing Problems, 1991].
Eine Beschreibung des 2Opt-Verfahrens findet sich z.B. in: Domschke, W.: Logistik: Rundreisen und Touren; 2. erg. Aufl.; München, Wien 1985 [Rundreisen; 1985]; S. 100.
Vgl. Kruse, H.; Mangold, R.; Mechler, B.; Penger, O.: Programmierung Neuronaler Netze, 1991; S. 158.
Vgl. Domschke, W.: Rundreisen, 1985; S. 100.
Rights and permissions
Copyright information
© 1998 Betriebswirtschaftlicher Verlag Dr. Th. Gabler GmbH, Wiesbaden
About this chapter
Cite this chapter
Alex, B. (1998). Anwendungsbereiche für neuronale Netze in Management-Informationssystemen. In: Künstliche neuronale Netze in Management-Informationssystemen. Betriebswirtschaftliche Forschung zur Unternehmensführung, vol 32. Gabler Verlag. https://doi.org/10.1007/978-3-322-91336-4_4
Download citation
DOI: https://doi.org/10.1007/978-3-322-91336-4_4
Publisher Name: Gabler Verlag
Print ISBN: 978-3-409-13578-8
Online ISBN: 978-3-322-91336-4
eBook Packages: Springer Book Archive