TURINYS LENTELIŲ IR PAVEIKSLŲ SĄRAŠAS...........................................................................................2 ĮVADAS..............................................................................................................................................3 1. Įmonės veiklos finansinės analizės teorinės prielaidos...................................................................4 1.1 Įmonės veiklos finansinės analizės esmė bei reikšmė įmonės valdymui................................4 1.2. Įmonės veiklos finansinės analizės tikslai ir uždaviniai.........................................................8 2. Įmonės veiklos finansinės analizės būdai ir metodai.....................................................................16 2.1. Įmonės veiklos finansinės atskaitomybės analizė.................................................................16 2.2. Santykinių rodiklių analizė...................................................................................................30 3. UAB „Transpa“ įmonės veikos finansinė analizė..........................................................................43 3.1. UAB „Transpa“ įmonės finansinės atskaitomybės analizė...................................................43 3.2. UAB „Transpa“ įmonės santykinių rodiklių analizė............................................................50 IŠVADOS..........................................................................................................................................56 LITERATŪRA..................................................................................................................................59

Darbo ir civilinė sauga  Analizės   (77 psl., 162,43 kB)

Reklamos priemonių internete analizė BAKALAURO BAIGIAMASIS DARBAS

Rinkodara  Diplominiai darbai   (60 psl., 2,65 MB)

Fresin Fries is a locally owned fast food outlet that will be positioned as an international franchise through our creative approach to the company's image and detail presentation. Fresin Fries will provide a combination of excellent food at value pricing, with fun packaging and atmosphere. Fresin Fries is the answer to an increasing demand for snack-type fast food, to be consumed while window shopping and walking around inside a shopping mall.

Administravimas  Dokumentai   (51 psl., 178,17 kB)

Introduction. How are consumer preferences used to determine demand? How do consumers allocate income to the purchase of different goods? How do consumers with limited income decide what to buy?

Ekonomika  Konspektai   (7 psl., 14,22 kB)

Automobilius pradėta gaminti maždaug prieš 110 metų. Tiesa, pirmasis garinis triratis pasirodė šiek tiek anksčiau – 1769 metais. Skystu kuru varomi ratuoti savaeigiai ne tik pakeitė arklių traukiamas karietas bei vežimus, bet ir daugumos žmonių gyvenseną – padidėjo mobilumas, daugiau buvo pervežama krovinių, vyrai ir moterys patyrė vairavimo malonumą, sukurtas auto- ir motosportas.

Logistika  Diplominiai darbai   (45 psl., 59,73 kB)

Vienas kraštutinis rinkos struktūros atvejis ir visiška priešingybė tobulai konkurencijai – monopolija. Tai toks rinkos sandaros tipas, kai yra vienintelis prekių, neturinčių artimų pakaitų, pardavėjas (gr.,,monos“ – „vienintelis“, „poleo“ – „parduoti“). Realiame gyvenime yra labai mažai produktų, kurie neturi pakaitalų. Gali būti vienintelė elektros energijos pardavėja regione, tačiau energija naudojama įvairiems tikslams, turi pakaitalų (pvz. vienas iš jų – anglis). Taigi galima teigti, kad grynosios monopolijos yra labai retas reiškinys - abstrakcija.

Ekonomika  Referatai   (12 psl., 35,1 kB)

Įmonė buvo įkurta 1948 metais. Tuo metu ji vadinosi Jurbarko kepykla. 1962 metais ji buvo pervadinta į Jurbarko duonos gamyklą. Tuo metu ji priklausė kooperatyvui “Vienybė”. Ir tik 1995m. balandžio 20 d. ji buvo užregistruota kaip UAB “Jurbarko duona”, kadangi įmonė buvo parduota Vilniaus Lietkoopsąjungai. UAB “Jurbarko duona” nuo pat savo veiklos pradžios užsiima kepinių pardavimu. Ji gamina ne tik įvairių rūšių duoną ir batonus, bet taip pat bandeles, pyragus, ragelius bei lazdeles.

Rinkodara  Kursiniai darbai   (23 psl., 47,76 kB)

Kolokacijos - tai žodžių junginiai, dažnai pasitaikantys sakytinėje ir rašytinėje kalboje, sukuriantys naują semantinę reikšmę ir skirstomi pagal savo funkciją ir sandarą. Kaip ir kiti kalbos vienetai, verčiant yra transformuojamos naudojant pagrindinius vertimo trasformacijų tipus – perkėlimą, pakeitimą, įterpimą ir praleidmą. Šio darbo tikslas – išrinkti kolokacijas, sudarytas iš veiksmažodžio ir daiktavardžio analizuojant Europos Sąjungos dokumentus ekologijos tema, pastebėti ir analizuoti kolokacijų vertimo transformacijas. Darbo uždaviniai – apžvelgti įvairių autorių teorinius požiūrius, susijusius su darbo objektu, pateikti asmeninę sampratą, apžvelgti transformacijų dėsningumus ir susisteminti bei apibendrinti tyrimo duomenis.

Kita  Kursiniai darbai   (17 psl., 52,89 kB)

Šie metodai turi labai lėtą konvergavimą, bet teoriškai jie gali įveikti vietinį minimumą (local minima.) Kitas trūkumas yra tas, kad vienas turi valdyti daugybę vidinių kintamųjų (kiekvienam svoriui nustatyti triukšmo periodus), kas nėra labai efektyvu. Arba apibrėžti tik išorinius kintamuosius - tokius kaip įėjimo signalas (input), norimas signalas ir žingsnio dydis. Iš pragmatiškos požiūrio pusės labai pageidaujami būtų taip vadinami on-line (tiesioginiai) algoritmai, t.y. algoritmai, kur atskiram pavyzdžiui svoriai kaskart būtų atnaujinami. Bet žvelgiant iš (annealing) modeliavimo pusės į stochastinę on-line atnaujinimo metodų prigimtį , jų realizavimas nebūtų efektyvus. Dėl šių priežasčių bus bandoma atlikti tokį eksperimentą: pridėti triukšmus prie norimo signalo ir eksperimentiškai ištirti tokios procedūros privalumus. Triukšmas taip pat buvo naudojamas gradiento perdavimo (descent) procedūrose. Holmstrom išanalizavo statinio BP algoritmo [Holmstrom and Koistinen, 1992] apibendrinimo galimybę, kuomet atsitiktinis triukšmas įvedamas į išorinius signalus. Šie bandymai parodė, kad apibendrinimas gali būti pagerintas naudojant bandomuosiusose (training) duomenyse papildomus triukšmus. Matsuoka pademonstravo, kad ir triukšmo įvedimas į vieną įėjimo signalą gali pagerinti apibendrinimą (generalization) [Matsuoka, 1992]. Abu autoriai susikoncentravo tik ties tinklo apibendrinimo galimybe, tačiau jie nenagrinėjo triukšmų poveikio mokymosi greičiui ir išėjimo iš local minima galimybės. II Mokymosi su papildomais triukšmais atitinkamame signale analizė II.1 Klasikinis stebimas mokymasis Šioje dalyje kaip mokymosi sistemos prototipas yra naudojamas daugiasluoksnis perceptronas (perceptron) (MLP) su dviem lygiais. Tačiau išvados gali būti atvaizduojamos atsikartojančiose topologijose. Šiame tinkle, xk aprašo iėjimo vektoriaus vieną elementą; yi yra išėjimo lygio i-tasis išėjimas; Wij nusako svorius tarp paslėpto ir išėjimo sluoksnių; Vjk yra svoris tarp įėjimo ir paslėpto sluoksnio; ir Pj nusako paslėpto sluoksnio aktyvavimą. Pateiktas čia apmokymo algoritmas - tai atgalinio mokymo (backpropagation) (BP) algoritmas [Rumelhart et al, 1986]. Tegul di(t) žymi kelis norimus išėjimo neurono i laiko momentu t atsakymus, kur t yra diskretaus laiko indeksas. Galima apibrėžti klaidos signalą, kaip skirtumą tarp norimo atsakymo di(t) ir turimo atsakymo yi(t). Tai nusakomo (1) formulė: Pagrindinis mokymosi tikslas yra minimizuoti kainos funkciją, kurią nusako klaidos signalas ei(t), taip, kad turimas kiekvieno išėjimo neurono atsakymas tinkle statistikine prasme artėtų prie norimo atsakymo. Kriterijus naudojamas kainos funkcijai yra Vidurkio-Kvadrato-Klaidos (Mean-Square-Error) (MSE) kriterijus, apibrėžiamas kaip klaidos kvadrato sumos vidurkio-kvadrato reikšmė [Haykin, 1994]: Kur E yra statistikinis tikimybės operatorius ir sumuojami visi išėjimo sluoksnio neuronai (i=1,…,M). Kainos funkcijos J minimizavimas atsižvelgiant į tinklo parametrus lengvai g.b. formuluojamas gradiento mažinimo (gradient descent) metodu. Šios optimizavimo procedūros problema yra ta, kad jai reikia žinių apie neapibrėžtų procesų, generuojančių pavyzdžius, statistikines charakteristikas. Praktiškai tai gali būti apeita, optimizavimo problemai surandant artimą sprendinį. Klaidos kvadratų sumos momentinė reikšmė (Instantaneous value of the sum of Squared Errors) (ISE) yra pasirinkimo kriterijus [Haykin, 1994]: Po to tinklo parametrai (svoriai) yra pritaikomi ε(t). Faktiškai ši procedūra vadovaujasi taip vadinamu LMS algoritmu, kuomet svoriai yra atnaujinami kartu su kiekvienu pavyzdžiu [Widrow and Hoff, 1960]. II.1 Mokymasis su norimu triukšmingu signalu Vietoj to, kad svorių pritaikymui naudoti norimą signalą di(t), kaip norimas signalas išėjimo neuronui i imamas naujas signalas di(t)+ ni(t), kur ni(t) yra triukšmo periodas. Šiam triukšmo periodui priskiriamas nulinės reišmės baltas triukšmas su σ2 pokyčiu (variance) , nepriklausančiu nei nuo įėjimo signalo xk(t) nei nuo norimų signalų di(t). Neapibrėžtas triukšmo perdavimas yra priskiriamas Gauso ar vienarūšiam perdavimui. Čia norima įrodyti, kad šis naujas norimas signalas neįtakoja galutinės svorių reikšmės statistikine prasme. Tai užtikrina, kad nauja savybė sprendžia originalią optimizavimo problemą. Turint naujus norimus signalus, MSE (4) lygties gali būti perrašyta taip: Nėra sunku įrodyti [Richard and Lippmann 1991; White, 1989; Haykin, 1994], kad (4) lygtis yra lygi Kur ‘|’ simbolis žymi sąlygines galimybes (probabilities), ir 'var' yra kitimų (variance) sutrumpinimas. Pastebėkite, kad antras periodas dešinėje (5) lygties pusėje prisidės prie bendros klaidos J ir koks ir bebūtų mokymosi progresas, jis neįtakos galutinės svorių reikšmės, kadangi jis nėra tinklo svorių funkcija. Optimali svorių reikšmė yra apsprendžiama tiktai pirmo (5) lygties periodo. Kuomet triukšmas yra nulinės reikšmės baltas triukšmas ir jis nepriklauso nei nuo norimo, nei nuo įėjimo signalų, mes turime (6) lygtis rodo, kad triukšmas iš lygties, kuri apibrėš galutines svorių reikšmes, dingsta, taigi mokymassi su norimo triukšmo signalu duos rezultatų, originalios optimizavimo problemos sprendimo prasme, t.y. be triukšmo pridėjimo prie norimo signalo. (learning with the noisy desired signal will yield in the mean the solution for the originaloptimization problem, i.e., without the noise added to the desired signal.) Reiktų konstatuoti, kad ši išvada galioja visoms architektūrų rūšims.Atlikimo funkcijai apibrėžti reikalingi tik išoriniai matavimai (MSE), ir tai nėra susiję nei su topologija nei su kainos funkcijos apibrėžimo būdu (statiniu ar kintamu). Nors šis sprendimas yra patenkinamas, reikia prisiminti, kad mus domina on-line algoritmas, kur yra mokymosi dinamika, t.y. kaip mokymosi progresas yra veikiamas triukšmų. II.3 On-line algoritmas mokymuisi veikiant norimam triukšmingam signalui Reiktų pažymėti, kad atliekamos, modifikacijos, jokiais būdais neveikia atgalinio mokymosi algoritmo realizacijos, kadangi yra modifikuojamas tik signalas, kuris yra įvedamas kaip norimas rezultatas. Taigi, siūlomos modifikacijos gali būti taikomos dar neegzistuojančioms modeliavimo sistemoms. Svarbi problema, kaip modeliavimo metu valdyti triukšmų kaitą (variance). Dėl to tolimesniame skyriuje bus apžvelgiama tiukšmų įtaka momentiniam gradientui. II.4 Norimo triukšmingo signalo gradiente analizė. Svorinio vektoriuas pritaikymo statiniame BP algoritme formulė, tiklui atvaizduotame 1 pav. norimame signale be triukšmų yra [Hertz et al.,1991] Svoriams tarp paslėpto sluoksnio ir išorinio sluoksnio, ir Svoriams tarp iėjimo sluoksnio ir paslėpto sluoksnio, kur ŋ yra žingsnio dydis. Su triukšmingu norimu signalu, ISE (3) lygties tampa: Lygtyse (7) ir (8) įrašant naują reikšmę εnoisy(t), gausime lygtis Palyginus lygtis (7) su (10) ir (8) su (11) daroma išvada, kad triukšmo pridėjimo prie norimo signalo poveikis, tai extra stochastinio periodo svoriniame vektorių taikyme įtraukimas, kas gali būti modeliuojama kaip pridėtinis momentinio gradiento triukšmas (pertirbation) betriukšminiam atvejui. Stochastinio periodo bendra forma Kur N(t) yra veiksmo funkcija gauta pakeitus originalią klaidą d(t)-y(t) įvestu triukšmu n(t). Panagrinėkime papildomų periodų (extra terms) statistines savybes (10) ir (11) lygtyse ir pastebėkime kaip jos veikia svorinių vektorių statistiką. Bet pirmiausia, apibrėžkime atsitiktinius kintamuosius: Jeigu atsitiktiniai kintamieji ir nepriklauso vienas nuo kito, ir g ir f funkcijos yra Borelo funkcijos, tuomet f ir gtaip pat yra nepriklausomos [Feller, 1966]. Realiausios funkcijos f(x) įskaitant sigmoido funkciją, plačiai naudojamą neuroniniuose tinkluose yra Borelio funkcijos. Taigi, galima daryti išvadą, kad (10) ir (11) lygtyse triukšmas n(t) nepriklauso nuo O taip pat ir nuo Todėl gali būti užrašytos papildomų periodų (extra terms) tikimybės ir Jų kitimas (variance) ir Iš (14) ir (15) lygties galima daryti išvadą, kad nulinės reikšmės atsitiktinis triukšmas norimame signale nedaro įtakos svoriniams vektoriams, taigi pagrindinė papildomo stochastinio periodo (extra stochastic term) svorio atnaujinimo reikšmė yra nulis. Iš (16) ir (17) lygties daromos dvi svarbios išvados: triukšmas pridėtas prie norimo signalo veikia svorio atnaujinimo kitimą proporciškai kiekvieno svorio jautrumui. Tai reiškia, kad atskiro triukšmo šaltinis išėjime yra išverčiamas į skirtingus triukšmų stiprumus kiekvienam svoriui. Antra, žingsnio dydis arba išorinio triukšmo šaltinio kitimas valdys papildomų periodų (variance of the extra terms) svoriniuose vektorių prisitaikymo formulėse kitimą, gaunamą pridedant triukšmą prie norimo signalo. Pastebima, kad, kai = 0 arba triukšmo kitimas yra nulis, tuomet stochastinis periodas (stochastic terms) išnyksta - lieka tik originalus svorio atnaujinimas (t.y. sprendžiama originali optimizacijos problema). Šie aspektai ir idėjos gautos iš globalios optimizacijos pateikia empirines taisykles išorinių triukšmų šaltinių valdymui, gaunat reikšmingus rezultatus. Modeliavimo pradžioje norėtųsi svoriams uždėti atsitiktinius trikdžius (perturbation), tam, kad būtų leista algoritmui pabėgti iš vietinio minimumo (local minima.). Tačiau artėjant prie adaptacijos pabaigos trikdžių (perturbation) kitimas turi būti sumažintas iki nulio taip, kad svoriai galėtų pasiekti reikšmes duotas originalios optimizacijos problemos. Toliau bus naudojamas (annealing) tvarkaraštis, pasiūlytas Moody [Darken, Chang, and Moody, 1992] Kur o yra inicijuojamo žingsnio dydis, c yra paieškos laiko konstanta, ir NI - iteracijos numeris. Šių konstantų reikšmės turės būti apibrėžtos eksperimentiškai, kadangi jos priklauso nuo problemų. III Modeliavimo rezultatai Patvirtinant anksčiau atliktą analizę, modeliavimo rezultatai bus pateikiami dviem pavyzdžiais. Vienas jų naudoja dviejų-lygių MLP, taip vadinamos lygiškumo problemos (parity problem), kuri buvo pademonstruota vietinio minimumo (local minima) atveju, pažinimui [Rumelhart et al, 1986]. Iš modeliavimo rezultatų bus matyti, kad mokymasis labiausiai gali būti pagerintas naudojant numatytą metodą (proposed approach) ir globalų minimumą, pasiektą statistikine prasme. Kitas pavyzdys naudoja dinaminį neuroninį tinklą TDNN [Waibel et al., 1989] laiko signalų modeliavimui. Antro modeliavimo rezultatai taip pat patvirtina ankstesnę analizę. III.I Eksperimentai su MLP Spresime 3 bitų lygiškumo problemą. Tinklo dydis 3-3-1, t.y. 3 įėjimo neuronai, 3 paslėpti neuronai, ir 1 išėjimo neuronas. Netiesiškumas (nonlinearity) yra logistinė funkcija. Tiesioginis atgalinis mokymas (backpropagation) yra naudojamas abiem atvejais. Buvo pridėtas Gauso (Gaussian) triukšmas su  =0.001 prie norimo signalo ir parinkti atitinkami parametrai 18 Lygtyje: c= 500 ir o= 0.3. Rezultatai parodyti 2 paveikslėlyje. Stora linija vaizduoja mokymasi su triukšmingu norimu signalu, o punktyrinė linija - su originaliu norimu signalu. Šis pavyzdys rodo, kad mokymasis artėja prie lokalaus minimumo, (local minimum) kuomet naudojamas originalus norimas signalas, bet naudojant triukšmingą norimą signalą mokymasis pasiekia globalų minimumą (global minimum) . Svarbu pabrėžti, kad mokymasis su originaliu signalu, naudoja pastovų žingsnio dydį, kai tuo tarpu signalo su triukšmais žingsnis yra gaunamas iš (18) lygties. Naudojant skirtingus žingsnio dydžius ir skirtingus pradinius (initial) svorius, buvo pasiekti panašūs rezultatai. Tam, kad patvirtinti šio algoritmo konvergavimo galimybę, buvo remiamasi Monte Carlo modeliavimai su 100 bandymu. Rezultatai pavaizduoti 3 Paveiksle, kur punktyrinė linija yra 100 veiksmų rezulatai originaliam signalui, o stora linija - 100 veiksmų rezulatatai triukšmingam signalui. Šiame eksperimente, svoriai yra parenkami atsistiktinai, o žingsnio dydis o atsitiktinai parenkamas iš intervalo [0,1, 0,7]. Kuomet globalus minimumas (global minimum) yra 0, tuomet yra lengva paskaičiuoti reikšmę ir pokytį (mean and variance) 100 galutinių klaidų, kurios pateiktos 1 Lentelėje. Dar daugiau, mokymasisi su triukšmingu signalu laike 99% priartėjo prie globalaus minimumo, o su originaliu signalu tik 26%. Iš 1 Lentelės, galima daryti išvadą, kad su triukšmingu signalu, mokymasis konverguoja į globalų minimumą; bet su originaliu signalu, mokymasis statistikine prasme nekonverguoja. Taigi, iš šių modeliavimo rezultatų galima daryti išvadą, kad triukšmingas signalas leidžia mokymosi algoritmui išeiti iš lokalaus minimumo (local minima). III. II Eksperimentai su dinaminiu neuroniniu tinklu III.I dalyje buvo pademonstruoti statinio neuroninio tinklo modeliavimo rezultatai. Tam, kad patvirtinti, jog aprašytas metodas taip pat veikia ir dinaminiuose neuroniniuose tinkluose. Dinaminės sistemos modeliavimui bus naudojamas TDNN [Waibel et al.,1989]. Bus nagrinėjama tokia sistema, Kur ',' žymi diferencijavimo operatorių. Sistemos įėjimai yra sinusoidžių aibė, Su atsitiktine faze l.. 4 ir 5 Paveikslėliuose vaizduojami sistemos įėjimo ir atitinkamai normalizuoti išėjimo signalai. TDNN tinklo struktūra demonstruojama 6 Paveikslėlyje, kur naudojamas keturių lygių vėlinimas. Šiame tinkle, kaip įėjimai į paslėptą lygį naudojami tik du įėjimo signalai x(t) ir x(t-4). Netiesiškumas (nonlinearity) paslėptuose neuronuose - tai logistinė funkciją. Išėjimas turi vieną tiesinį neuroną. Mokymosi algoritmas - tai BP, kur pavyzdžių klaidos surandamos atimant tinklo išėjimą y(t) iš sistemos d(t) išėjimo. Mokymosi kreivės pavaizduotos 7 Paveikslėlyje, kur triukšmo signalo žingsnio dydis surandamas naudojant (18) Lygtį, kur c=10, 0.01, ir triukšmo kitimas 2 =0.001 . Aiškiai matyti, kad su triukšmingu signalu konvergavimas yra greitesnis ir pasiekiamas žemesnis MSE. Naudojant skirtingus žingsnio dydžius ir svorius, pasiekiami panašūs rezultatai su MSE minimumu lygiu 0,0091. Paveikslėlyje 8 pavaizduotos mokymosi kreivės 100 mokymosi veiksmų, kur žingsnio dydis atsitiktinai parenkamas iš intervalo [0,1, 0,01], o svoriai taip pat yra atsitiktiniai skaičiai. Kadangi nėra žinomas šios problemos globalus minimumas, todėl naudojamas MSE minimali reikšmė 0,0091 kaip globalaus minimumo įvertis. 2 Lentelė atspindi statistikinius rezultatus 100 eksperimentų. 72% (trails) su triukšmingu signalu pasiekė globalų minimumą, ir tik 8% (trails) pasiekė globalų rezultatą su originaliu signalu. Daroma išvada, kad mokymasisi su triukšmingais signalais yra mažiau nepastovus ir mokymosi kreivės taip pat yra daug lygesnės. (smoother) IV.Discussion Eksperimentiškai buvo pademonstruota, kad mokymasis su triukšmingais signalais padidina pastovaus žingsnio dydžio BP algoritmo paieškos galimybes. Tai yra pasiekiama be papildomos kainos algoritmų realizavimo perioduose (This is accomplished at no extra cost in terms of algorithm implementation,), kadangi naudojamas tiesioginis atgalinis mokymas (straight backpropagation.) Papildomos savybės yra gaunamos įvedant nulinės reikšmės valdomo kitimo Gauso triukšmą ir žingsnio dydžio nustatymui pasinaudojant (18) Lygtimi. Buvo pademonstruota, kad triukšmo pridėjimas prie norimo signalo svorių atnaujinimo formulėse prideda nulinės reikšmės stochastinį periodą (that adding noise to the desired signal adds a zero mean stochastic term in the weightupdate formulas.). Nors atskiras triukšmo signalas ir yra įvedamas į norimą signalą, tačiau stochastinio periodo kitimas kiekvienam tinklo svoriui skiriasi (proporcingai kiekvieno svorio jautrumui). Dar daugiau, šio periodo kitimas tiesiogiai valdomas žingsnio dydžio arba išorinio triukšmo šaltinio kitimo. Tai reiškia, kad triukšmo pridėjimas prie norimo signalo yra labai paprasta ir efektyvi procedūra mokymosi proceso ištraukimo iš lokalaus minimumo. Kitimas arba žingsnio dydis turi būti parinktas (anealing) pritaikymo metu. Parinkimo (anealing) realizavimui buvo panaudota Moodžio paieška ir konvergavimo procedūra, tačiau kiekvienai problemai spręsti parametrai turi būti surandami eksperimentiškai. Žingsnio dydžio planavimas, toks, kad būtų įveiktas lokalus minimumas, išlieka atviras klausimas ne tik šiame metode, bet taip pat ir kituose stochastiniuose algoritmuose tokiuose kaip sumodeliuotas parinkimas (simulated annealing) [Kirkpatrick et al., 1983]. Mokymosi algoritmų lankstumo padidinimui yra siūlomi du skirtingi žingsnių dydžiai, vienas gradientui ir kitas - triukšmui. Ši procedūra turi neišvengiamą jungtį su globaliu optimizavimo metodu, vadinamu stochastiniu funkciniu nesklandumų šalinimu (stochastic functional smoothing) [Rubinstein, 1981 and 1986]. Priede aiškinama, kad tiesioginė stochastinio funkcinio nesklandumų šalinimo versija sutrikdo gradientą kartu su triukšmo periodu proporcingai Hesano paviršiui. ( an on-line ver-sion of stochastic functional smoothing perturbs the true gradient with a noise term proportional to the Hessian of the performance surface.) Kuomet signalas pridedamas prie norimo signalo, tikrinis (true) gradientas taip pat yra paveikiamas triukšmų periodo. Šiuo atveju poveikis yra proporcingas naujos veikimo funkcijos gradientui, kuris gaunamas iš originalaus skirtumo tarp d(t) ir y(t), kartu su įvestu triukšmu. Šis paviršius yra susijęs su originaliu, bet gali ir žymiai skirtis. Taigi, kuomet triukšmų šaltinis paprastai yra nustatomas į nulinę Gauso reikšmę, galima tikėtis mažiau optimalių rezultatų, lyginant su stochastinės funkcijos lyginimu (stochastic functional smoothing.). Tačiau algoritmo paprastumas ir geras veikimas gautas eksperimentuose skatina toliau dirbti prie šio metodo. Priedas Šio priedo tikslas yra susieti triukšmo pridėjimą prie norimo signalo naudojant stochastinį funkcinį lyginimo metodą, kuris yra globali optimizacijos procedūra. A.I Stochastinio funkcinio lyginimo optimizacijos apžvalga Stochastiniame funkciniame lyginime, originali neišgaubta funkcija yra perkeliama pagalbinės lyginimo funkcijos, kuri turi kai kurias optimizavimo savybes (t.y. atskiras minimumas). Dirbant su lyginimo funkcija, gali būti atsrastas optimalios problemos globalus minimumas . Lyginimo kainos funkcijos klasė parametrizuota ß yra apibrėžiama kaip [Rubinstein, 1981 and 1986] Kur ß yra valdymo parametras, o y yra atsitiktinis dydis. Dėl J ˆ (wtam, kad būti naudingam originaliai optimizacijai, h ˆ (v impulso atsakymas turi tenkinti keleta sąlygų [žr. Rubinstein, 1981 ir 1986 detaliau], taip, kad parametras apsprendžia lyginimo taikomo J(w) laipsnį. Dideliam lyginimo poveikis yra didelis ir atvirkščiai. Kuomet  0 J ˆ () = J , tuomet nėra lyginimo. Intuityviai aišku, kad norint išvengti lokalaus minimumo, optimizacijos pradžioje  turi būti pakankamai didelis. Tačiau siekiant optimumo lyginimo efektyvumas turi būti mažinamas leidžiant ß artėti prie nulio. Taigi minimumo taške w* laukiamas sutapimas tarp J(w) ir J ˆ ( Atitinkamai, konstruojant iteratyvią w* paieškos procedūrą, yra reikalinga lyginimo funkcijų aibė J ˆ(ß s=1,2,...... Jei signalo atsakymo dalis yra išrenkama kaip daugianormalinė funkcija su dydžiu n ir kitimu ß, tai Lyginimo kainos funkcijos gradientas gali būti įvertintas taip [Styblinski and Tang, 1990] Kur N yra pavyzdžių su daugybe kintamųjų iš (23) Lygties skaičius. Taigi, lyginimo kainos funkcijos gradientas gali būti randamas iš originalios kainos funkcijos. A.II Tiesioginė stochastinės lyginimo funkcijos Optimizavimo realizacija Susiejami triukšmo norimame signale poveikis ((10) ir (11) lygtys) su tiesiogine lyginimo funkcinių gradientų realizacija ((24) Lygtis)). Bus taikoma stochastinės aproksimacijos savybė [Robbins and Monro, 1951]. Kuomet ISE aproksimuoja (stochastine prasme) į MSE ir gradiento operatorius yra tiesinis operatorius, lyginimo kainos funkcijos gradientas εˆ gali būti įvertintas pagal analogiją su Lygtimi (25), taip Dėl supaprastinimo, čia yra ignoruojamas diskretinio laiko indeksas t. Reiktų pabrėžti, kad iš L.(24), kuri atspindi originalios stochastinės lyginimo funkcijos optimizacijos artėjimą prie L.(26), kuri yra tiesioginis L.(24) įvertis, tik vienintelė stochastinės aproksimacijos savybė buvo taikoma taip, kad būtų garantuotas tiesioginio įvertinimo stabilumas [Robbins and Monro, 1951; Kusher and Calrk, 1978; Wang and Principe, 1995]. Tiesioginis vienpusisi įvertis naudojamas L.(26) yra pagrindas gradiento įverčio naudojamo LMS ir BP algoritmuose. L.(26) išreiškia įvertinimą ε(w) gradiento, kuomet w yra paveikiamas atsitiktinio kintamojo βv j . Šis metodas praktiniam realizavimui yra per brangus, kadangi svoriai turi būti veikiami (gradiento skaičiavimui pageidaujamas antras tinklas). Taigi, šis metodas tiesiogiai nėra įgyvendinamas. Realizacijos supaprastinimui siūloma atlikti Teiloro seriją ekspansijų apie w, ir antrame etape jį suskaidyti. Literatūra 1. Darken, C., Chang, J., and Moody, J., “Learning Rate Schedules for Faster Stochastic Gradient Search,” IEEE Neural Networks for Signal Processing, 1992. 2. Fahlman, S., “Fast-Learning Variations on Back-Propagation: An Empirical Study,” In Proc. Of 1988 Conn. Model Summer School. 3. Feller, W, An Introduction to Probability Theory and Its Applications, Vol. 1, 2rd ed. Wiley, NewYork, 1966. 4. Haykin, S, Neural Networks---A Comprehensive Foundation, Macmillan College Publishing Company, New York, 1994. 5. Hertz J., Krogh A., Palmer R. G., “Introduction to the theory of neural computation,” Addison-Wesley,1991. 6. Hinton G. E., “Connectionist learning procedure,” In machine learning: Paradigms and methods, J. G. Carbonell, ed., pp. 185-234. MIT Press, Cambridge, MA, 1989. 7. Holmstrom L., and Koistinen, P., “Using Additive Noise in Back-Propagation Training,” IEEE Trans. on Neural Networks, Vol. 3, No.1, 1992. 8. Kirkpatrick, S., et. al., “Optimization by simulated annealing,” Science 220, 671-680. 9. Krogh, A. and Hertz, J., “Generalization in a Linear Perceptron in the Present of Noise,” J. Phys. A: Math. Gen. 25(1992) 1135-1147. 10. Kushner, H., “Asymptotic Global Behavior for Stochastic Approximation and Diffusions with Slowly Decreasing Noise Effects: Global Minimization via Monte Carlo,” SIAM J. APPL.MATH. Vol. 47, No. 1 Feb., 1987. 11. Kushner, H, and Clark, D. S., Stochastic Approximation Methods for Constrained and Uncon-strained Systems, Springer-Verlag, New York, 1978. 12. Matsuoka, K., “Noise Injection into Inputs in Back-Propagation Learning,” IEEE Trans. Systems, Man, and Cybernetics, Vol. 22, No. 3, 1992. 13. Richard M., Lippmann R. P., “Neural network classifiers estimate Bayesian a posteriori probabil-ity,” Neural Computation, 3, 461-483, 1991. 14. Robbins, H., and S. Monroe, “A stochastic approximation method,” Annals of Mathematical Sta-tistics 22, 1951. 15. Rognvaldsson, T., “On Langevin Updating in Multilayer Perceptrons,” Neural Computation, 6.916-926, 1994. 16. Rubinstein, R., Simulation and the Monte Carlo Method, Wiley,1981. 17. Rubinstein, R., Monte Carlo Optimization, Simulation and Sensitivity of the Queueing Networks,Wiley, 1986. 18. Rumelhart et al, Parallel Distributed Processing, Vol.1, MIT Press, 1986. 19. Styblinski, M.A., and Tang, T.-S, “Experiments in Nonconvex Optimization: Stochastic Approxi-mation with Function Smoothing and Simulated Annealing,” Neural Networks, Vol.3, 1990. 20. Szu, H., “Fast simulated annealing,” AIP conf. Proc. 151:Neural Networks for Computing, Snow-bird, UT, 1986. 21. Waibel, A., T. Hanazawa, G. Hinton, K. Shikano, K. J. Lang, “Phoneme recognition using time-delay neural networks,” IEEEE Trams. ASSP-37, 1989. 22. Wang, C., and J. C. Principe, “On-line stochastic functional smoothing optimization for neural network training, submitted to Neural Networks, 1995. 23. Werbos, p., “Generalization of backpropagation with application to a recurrent gas market model,” Neural Networks, 1, 339-356. 24. Widrow, B., and Hoff, M., “Adaptive switching circuits,” IRE WESCON Convention Record, pp.96-104, 1960.

Informatika  Kursiniai darbai   (164,25 kB)

Introduction Companies that earn a profit can do one of three things: pay that profit out to shareholders, reinvest it in the business through expansion, debt reduction or share repurchases, or both. When a portion of the profit is paid out to shareholders, the payment is known as a dividend.(http://beginnersinvest.about.com/od/dividendsdrips1/a/aa040904.htm) In English Wikipedia is written that dividends are payments made by a corporation to its shareholder members. It is the portion of corporate profits paid out to stockholders. (http://en.wikipedia.org/wiki/Dividend) Then you want to make a financial decision, you have to look at dividend policy and what rise it will make to ceiling‘s stock‘s value, and, how it will suit shareholders needs. A company's dividend policy is the company's usual practice when deciding how big a dividend payment to make. Dividend policy may be explicitly stated, or investors may infer it from the dividend payments a company has made in the past. If a company states a dividend policy it usually takes the form of a target pay-out ratio. If a company has not stated a dividend policy then investors will infer it. (http://moneyterms.co.uk/dividend-policy/). Work purpose: In this work we will try to look over what is dividend, dividends types and dividend policy. Work tasks: • Understand what is dividend and find out dividends types; • Find out what are dividend paying methods; • Find out what is dividend policy and find out its types; • Establish basic dividend policy theoretical propositions, their differences; • Look over what dividend policy types are used in practical. . 2. Types of dividends "Money For Nothing" is not only the title of a song by Dire Straits in the '80s, but also the feeling many investors get when they receive a dividend. All you have to do is buy shares in the right company and you'll receive some of its earnings. ( http://www.investopedia.com/articles/stocks/07/dividend_implications.asp ). Dividends can be payed in cash or stock. 2.1. Cash In the majority of cases dividends are issued on a cash basis. For example, if a shareholder holds 1,000 shares and the per share dividend is $1, the investor will receive a check for $1,000 (http://www.mysmp.com/fundamental-analysis/dividends.html). In Investopedia is written that a cash dividend is a payment made by a company out of its earnings to investors in the form of cash (check or electronic transfer). This transfers economic value from the company to the shareholders instead of the company using the money for operations. Cash dividends is that receivers of cash dividends must pay tax on the value of the distribution, lowering its final value. Cash dividends are beneficial, however, in that they provide shareholders with regular income on their investment along with exposure to capital appreciation. (http://www.investopedia.com/ask/answers/05/stockcashdividend.asp). English Wikipedia gives such a definicion of cash dividends : are those paid out in the form of a check. Such dividends are a form of investment income and are usually taxable to the recipient in the year they are paid. This is the most common method of sharing corporate profits with the shareholders of the company. For each share owned, a declared amount of money is distributed. Thus, if a person owns 100 shares and the cash dividend is $0.50 per share, the person will be issued a check for 50 dollars. (http://en.wikipedia.org/wiki/Dividend).

Ekonomika  Referatai   (28,85 kB)

DUTIES: making agreements, such as work agreements, loan agreements, supplying agreements (with a physical person and a juridical person), warrant letters concerning work activities, registration of work agreements in a Work Agreements Journal, working as a representative of the company in making distributing contracts in Lithuania, and other small deals; management of staff of the company; working as a representative of the company in courts (preparation of civil actions, claims, suits as well as retorts for courts and plaintiffs and taking part in the investigation of civil cases) and other legal institutions of Lithuania; forming a legal base of the company (accumulating of juridical literature); Also, I have an experience in establishing and eliminating of companies. 2. POST: lawyer, May 1999 - October 2001. A private firm the main activity of which is wholesale in cosmetics, personal hygiene means, babies diapers and other products of paper. DUTIES: making agreements, such as work agreements, loan agreements, supplying agreements (with a physical person and a juridical person), warrant letters concerning work activities, registration of work agreements in a Work Agreements Journal, working as a representative of the firm in making distributing contracts in Lithuania, and other small deals. 3. POST: administrator, June 1999 - October 2000. A company the main activity of which is rent of premises and wholesale in foodstuffs. DUTIES: a) typical office work - keeping up documentation, typing orders, making work agreements, correspondence with other institutions (initiative, receiving and responding notes), recording the minutes, warrant letters and other notes concerning work relations. b) communication with foreign suppliers in Poland, Latvia, Finland, Sweden; ordering goods, searching for transport and its ordering, credit of imported goods, making price lists and other activities concerning trade. From May 1998 to June 1998 and from November 1998 to February 1999 I did practical work on accounting in the commercial bank “Hansa bankas”. SPECIAL SKILLS 1. Computer skills: NC, MS Excel versions 6,7, MS Windows versions 3,5, MS Word versions 6,7, the special accounting program “Rivilė”, MS Word Perfect version 6.0, Multi Edit, PC Tools, Pager Maker, and others. 2. Work experience with a fax-modem, a fax and copying machines. 3. English and Russian. 4. Juridical knowledge. 5. Good typewriting. 6. Valid driver’s license. MY STRONG PECULIARITIES: 1. A wish to improve myself. 2. A will to make a career. 3. Deep knowledge of work, civil and criminal code, economic law, notaries and constitutional law as well as legal, standard bills. 4. Work experience. A short summary of the reasons why l am inquiring about a vacant work place in Your company: 1. A desire to broaden my outlook and deepen my knowledge. 2. An opportunity to make a career. 3. A wish to get an attractive salary which meet with my qualification and good conditions of work. 4. Communicating with new people. Thank You for Your attention. If You have got interested in my application, please contact me.

Anglų kalba  Pagalbinė medžiaga   (5,16 kB)

Kai matematinis modelis suformuluotas taip, kad negalima taikyti nei analitinių, nei skaitmeninių metodų, pasitelkiamas eksperimentinės optimizacijos metodas. Tada efektyvumo kriterijus ir apribojimai patei¬kiami algoritmo forma. Šie algoritmai aprašo nagrinėjamojo objekto veiklą, o jo funkcionavimo sąlygas nustato tyrinėtojas. Šiais algoritmais gali būti ir skaitmeniniai metodai, tačiau griežtas matematinis formalizavimas ne visuomet leidžia aprašyti sudėtingas sistemas, atsižvelgiant į kiekvienos sistemos specifines veiklos sąlygas.

Matematika  Konspektai   (18 psl., 65,28 kB)

Acid rain" is a general name for many phenomena including acid fog, acid sleet, and acid snow. Although we associate the acid threat with rainy days, acid deposition occurs all the time, even on sunny days. Something is acidic if it has a low pH. The pH of a liquid is measured on a scale which ranges from 0 to 14 with 7.0 being neutral. Anything with a pH value lower than 7.0 is acidic, and anything higher than 7.0 is basic.

Geografija  Pagalbinė medžiaga   (3 psl., 6,71 kB)

Lietuvos istorinių datų rinkinys nuo ledynmečio iki 2000 metų.

Istorija  Pagalbinė medžiaga   (114 psl., 41,84 kB)

Forfeitinginiai popieriai. Forfeitingo sandorio sudarymo technika. Sandorio paruošimo etapai. Kredito grąžinimo forfeitoriui užtikrinimo būdai. Dalyvių išlaidos. Pagrindinės forfeitingo operacijų charakteristikos. Naudojama valiuta. Forfeitinginio finansavimo privalumai ir trūkumai. Forfeitinginio sandorio dalyvių rizikos ir jų valdymas.

Finansai  Referatai   (12 psl., 18,93 kB)

Jungtinės Amerikos valstijos (JAV) – dar vadinamos Jungtinėmis Valstijomis arba Amerika, yra federalinė respublika, išsidėsčiusi Šiaurės Amerikos žemyne. JAV plotas (įskaitant Kolumbijos apygardą) yra 9,629,047 km2. Bendras šalies žemės plotas yra 9,158,918 km2. Vidaus vandenys, pakrančių vandenys ir Didieji Ežerai užima 470,129 km2 šalies bendro ploto. Pagal plotą ir gyventojų skaičių užima 3 vietą pasaulyje. Valstybinė kalba – anglų. Sostinė – Vašingtonas. Administraciniu požiūriu JAV suskirstytos į 50 valstijų ir Kolumbijos apygardą.

Geografija  Referatai   (10 psl., 18,59 kB)

William Henry Gates III (born October 28, 1955) is the co-founder, chairman, and chief software architect of Microsoft Corporation, the world's largest software company (as of April 2006). He is also the founder of Corbis, a digital image archiving company. Gates is the wealthiest individual in the world according to the Forbes 2006 list. When family wealth is considered, he is second behind the Walton family, which The Sunday Times represents by Robson Walton.

Anglų kalba  Referatai   (5,21 kB)

JSC "Hronas" was established in 1993. The Company started with importing and installing plastic windows. Early in 1994 the new production equipment >was brought to and window production started in Lithuania. During seven years of strenuous work the Company has gradually introduced one of the most state-of-the-art aluminium, plastic and wooden construction production processes in Europe.

Anglų kalba  Kursiniai darbai   (4,54 kB)

The most common kind found in Europe is the ordinary oak (Quercus robur), and in America - the red oak (Quercus rubra). Ordinary oaks grow naturally in forests of Lithuania, taking 1.8 % of total forest area. The greatest number of oak-woods is located in Middle Lithuania Lowland; their number is slightly lesser in south-eastern part of the country, and even more so - in the south. Oaks reach 30-40 m in height, and 1,5-2 m in diameter. This tree lives for 500-1,000 years, sometimes even for 1,500 years. Oaks are suitable for cutting down at the age of 120-160 years.

Anglų kalba  Kursiniai darbai   (4,45 kB)

UAB Megrame was established on 26 March 1992 and was the first in Lithuania to start the production of plastic windows. The President of the company is Juozas Magelinskas. Megrame has been a member of the Lithuanian Builders' Association since 1996. The company has two subsidiaries, i.e. Vakarų Megrame and Pietų Megrame, and its representatives in twelve cities and towns of Lithuania.

Anglų kalba  Kursiniai darbai   (4,76 kB)

Vertybinių popierių rinkos analizė atliekama remiantis tam tikrais rodikliais. Akcijų kurso svyravimus rinkoje apibūdina specialūs indeksai. Indeksas – tai statistinis rodiklis, parodantis kokio nors proceso pasikeitimus. Svarbiausias bet kokio rinkos indekso vertinimo kriterijus yra tai, kaip tiksliai jis atspindi pokyčius rinkoje. Indeksą galima traktuoti kaip tam tikro finansinių instrumentų portfelio su tam tikra struktūra vertės pokyčius, fiksuojamus per laiką.

Finansai  Kursiniai darbai   (19,65 kB)

Gaminat produkciją ir teikiant paslaugas, paprastai naudojama daug įvairaus turto. Tad visas turtas, kurį valdo ir kuriuo disponuoja įmonė skirstomas į ilgalaikį turta ir trumpalaikį. Ilgalaikis turtas – tai turtas, kuris naudojamas įmonės ekonominei naudai gauti ilgiau nei vienerius metus ir kurio įsigijimo vertė ne mažesnė už įmonės nusistatytąją. Trumpalaikis turtas – tai turtas, kurį numatoma sunaudoti ar panaudoti per vienerius metus, arba kurio įsigijimo vertė yra mažesnė už vertę, Vyriausybės nustatyta ilgalaikiam materialiajam turtui (šiuo metu ne daugiau 500 Lt).

Ekonomika  Kursiniai darbai   (16,31 kB)

Maisto saugos vadybos sistemos projektas. Anglų kalba. Projektas buvo pristatytas Kopenhagos universitete, Danijoje. Darbas buvo yvertintas labai gerai. Vertas dėmesio studijuojantiems maisto pramonę.

Pramonė  Referatai   (14,77 kB)

The Internet is a worldwide, publicly accessible series of interconnected computer networks that transmit data by packet switching using the standard Internet Protocol (IP). It is a "network of networks" that consists of millions of smaller domestic, academic, business, and government networks, which together carry various information and services, such as electronic mail, online chat, file transfer, and the interlinked web pages and other resources of the World Wide Web (WWW).

Anglų kalba  Kursiniai darbai   (15,94 kB)

Drug, substance that affects the function of living cells, used in medicine to diagnose, cure, prevent the occurrence of diseases and disorders, and prolong the life of patients with incurable conditions. Since 1900 the availability of new and more effective drugs such as antibiotics, which fight bacterial infections, and vaccines, which prevent diseases caused by bacteria and viruses, has increased the average American’s life span from about 60 years to about 75 years. Drugs have vastly improved the quality of life.

Anglų kalba  Referatai   (11,98 kB)

Hawaii is a group of islands located in the centre of the Pacific Ocean that became the 50th state of the United States of America in 1959. The 130 islands are of volcanic origin. Only seven of the eight major islands are inhibated :Kauai, Oahu, Molokai, Lanai, Maui, Hawaii's Big Island… GEOGRAPHY Hawaii is the most remote island chain in the world, over 2,000 miles from the nearest landfall. Distance makes for splendid isolation - these Polynesian islands are removed from all else but one another.

Anglų kalba  Referatai   (7,33 kB)

Darbas įvertintas 10. Panaudoti paveiklėliai. Fotografijos istorija (tik pagrindiniai dalykai plačiau), kameros panaudojimas, elementai pagrindiniai.

Anglų kalba  Referatai   (4,02 kB)

Tai vienuolika skirtingomis temomis parašytų rašinėlių, kurie pravers besiruošiant anglų kalbos egzaminams ar kalbėjimo įskaitoms.

Anglų kalba  Konspektai   (10,77 kB)

The Adventures of Huckleberry Finn, by Mark Twain, is about a young boy, Huck, in search of freedom and adventure.

Anglų kalba  Konspektai   (11,73 kB)

Strateginio valdymo teoriniai aspektai. Strateginio valdymo samprata. Strateginio valdymo modelių analizė. Strategijų rūšys. Strategijos formavimo procesas. Tikslai ir misija. Strategiją veikiančių veiksnių įvertinimas. Aplinkos įvertinimas. Konkurencingumo įvertinimas. Strategijos formavimas UAB "Interscalit" pavyzdžiu panaudojus ES struktūrinius fondus. Verslo raida ir ūkinės veiklos rezultatai. Bendrovės misija, vizija ir kokybės politika. Tiksliniai rinkos segmentai. Finansinė būklė. Gamybos technologija. Gamybos procesas. Daigstymo technologijos. Pardavimo rinka ir konkurentai. Pardavimo rinkos. Rinkos segmentai. Konkurentai. Numatoma įdiegti technologija. Technologinio kompleksiškumo privalumai. SWOT analizė. Rizikos analizė. Valdymo rizika. Išorinė rizika. Įmonėje taikomos strategijos. Numatytos priemonės bendrovės strategijos įgyvendinimui. Pajamų ir sąnaudų prognozavimas. Bendrosios skaičiavimų rengimo prielaidos. Labiausiai tikėtinas scenarijus. Alternatyvūs prognozės scenarijai. Bendrovės strategijos įgyvendinimas negavus ERPF paramos.

Vadyba  Diplominiai darbai   (73 psl., 216,05 kB)