neironne_seti_i_neirokompjuter (1085713), страница 9

Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 9)

Критерий прекращенияобучения – 1500 итераций или уменьшение ошибки на выходах сетина два порядка, по сравнению с первичной ошибкой. В том случае,если при описании опыта не указано, что произошло снижениеошибки на два порядка, обучение останавливается по первомукритерию.3. Третий этап – тестирование нейронной сети. Определяется качествопрогнозирования при подаче на вход 4,0-5,0 % наборов изобучающей выборки. Эксперимент является успешным, еслиотносительная достоверность не менее 80,0 %.4. На четвертом этапе осуществляется пробное прогнозирование. Навходе нейронной сети – наборы, которые не были внесены вобучающую выборку, но результат по которым (прогноз) известен.42PDF created with pdfFactory trial version www.pdffactory.com1.5.4. Ограничения и недостатки, связанные с использованиемнейронных сетей для прогнозирования1.

Для эффективного прогнозирования, как правило, необходимнекоторый минимум наблюдений (более пятидесяти и даже ста).Однако существует много задач, когда такое количествостатистических данных недоступно. Например, при производствесезонного товара, статистики предыдущих сезонов недостаточнодля прогноза на текущий сезон из-за изменения стиля продукта,политики продаж и т.д. Даже при прогнозировании потребностей вдостаточно стабильном товаре на основе информации оежемесячных продажах невозможно накопить статистику за периодот 50 до 100 месяцев.

Для сезонных процессов эта проблема ещеболее выражена: каждый сезон фактически представляет собойодно наблюдение. Следует отметить, что удовлетворительнаямодель прогноза с использованием нейронной сети все же можетбыть построена даже в условиях нехватки данных. При этом модельбудет уточняться при поступлении в нее свежих данных.2. Другим недостатком моделей на основе нейронных сетей являютсязначительныевременныезатратыдлядостиженияудовлетворительного результата. Эта проблема не стольсущественна, если исследуется небольшое число временныхпоследовательностей, однако обычно прогнозирующая система вобласти управления производством включает от нескольких сотендо нескольких тысяч временных последовательностей. Отметим,что завышенные ожидания эффекта от внедрения нейронных сетейв ряд финансовых структур в США и Великобритании неоправдались.

Так, один крупный инвестиционный банк на Уоллстрит потратил более 1,0 млн долларов на разработку такойсистемы для оптимизации финансовых операций, однако, спустянекоторое время вынужден был вернуться к старой системе.Основной причиной неудачи стал недостаточный по сравнению сожидаемым уровень производительности, полученный в результатевнедрения системы.3. Обучить и эксплуатировать нейронную сеть для решения многихзадач, как правило, может и не специалист, но надежноинтерпретировать результаты, а также численно оцениватьзначимость получаемых прогнозов способны специалисты,имеющие навыки в моделировании нейронных сетей.1.5.5. Программные продукты прогнозирования на основе нейронныхсетейИмпульсом для более широкого использования нейронных сетей вфинансовых прогнозах стало появление в 1990 г. системы моделирования43PDF created with pdfFactory trial version www.pdffactory.comнейронных сетей Brain Maker компании Сalifornia Scientific Software.Данный программный продукт – наиболее продаваемый в своем классе –имеет следующие достоинства:§ используемая модель нейронной сети является надежной и удобнойпри прогнозировании в сфере бизнеса и финансов;§ для его освоения от аналитика не требуется углубленных знаний вобласти математики или программирования;§ эффективен при работе в случаях, когда правила, по которымизменяется прогнозируемая величина, неизвестны и трудновыявляемы.Рассмотрим также ряд особенностей и затруднений, связанных сиспользованием данного и других подобных программных продуктовнейросетевого моделирования:1.

На фондовом рынке лишь немногие из специалистов успешносправляются с эффективной настройкой нейросимуляторовособенно в тех случаях, когда к прогнозированию приходитсяпривлекать малозначимые влияющие факторы и требуетсяправильно интерпретировать результаты настройки нейроннойсети. Для эффективного использования нейросимуляторовнеобходимо также хорошо понимать сущность моделируемогопроцесса.2. При использовании нейронной сети необходимо учитывать влияниедетерминированной периодической функции называемой в теориивременных рядов «аддитивной сезонной компонентой» иопределяемой методами спектрального анализа. Период сезоннойкомпоненты составляет от 7 до 14 дней.

Она может учитывать,например, то, что в первые два–три дня каждого месяца обычнонаблюдается локальный подъем котировок акций, а в серединемесяца существуют дни, когда на денежный рынок оказываютвлияние обязательства по контрактам на куплю–продажу валюты позаранее оговоренной цене и т. д. На этапе прогноза сезоннаякомпонента может автоматически добавляться в одну из колонокэлектронной таблицы с данными и, таким образом, учитываться внейросимуляторе при оценке прогнозируемого приращениякотировок.3.

Практика работы с нейросимуляторами на финансовом рынкесвидетельствует о том, что создание и тщательное ведениеобширной, постоянно обновляемой и хорошо структурированнойбазы финансовых, макроэкономических и политических данныхкрайне важно, поскольку они существенно влияют на ситуацию икачество прогноза. Так как ситуация на рынке непрерывноизменяется, то и набор значащих влияющих факторов (или ихпорядок внутри этого набора) также изменяется во времени. В связи44PDF created with pdfFactory trial version www.pdffactory.comс этим, нейронную сеть необходимо время от времени настраиватьи обучать заново.4.

Наличие подробной документации крайне важно при работе снейросимулятором. Документация обычно включает подробноеописание методов и примеров, индексный и предметный указатели,а также обучающий курс. Некоторые компании–разработчикинейросимуляторов поддерживают «горячую линию» по телефону иИнтернет, а также проводят семинары пользователей по обучениюприемам эффективной работы с нейросимуляторами.1.5.6. Прогнозирование потребления электроэнергииСистема анализа данных о потреблении электроэнергии (компанияZSolutions) использует данные, полученные в результате обработкипоказаний счетчиков частных и корпоративных клиентов.

Измеренияпроводятся каждые 15 минут, причем известно, что некоторые из них –неверные. С помощью нейронных сетей был построен алгоритм выявленияневерных измерений, а также алгоритм прогнозирования потребленияэнергии в зимний период времени.Использование данного прогноза позволило энергетической компанииприменить гибкую тарифную политику и сократить риск возникновенияэнергетического кризиса в регионе.1.5.7. Прогнозирование свойств полимеров [9]Реализована технология прогнозирования свойств материалов вхимических полимерных производствах с помощью нейронных сетей(компании Aspen Technology и NeuralWare Inc., 1997 г.).

Данный подходоказался более эффективным и дешевым, чем разработка теоретическоймодели полимеров.Так, с помощью нейросимулятора NeuroShell разработан новый сортбезопасного стекла (компания DuPont).В заключение раздела отметим, что прогнозирование цены нефти Urals– одна из наиболее интересных задач, связанная с применением нейронныхсетей для целей прогноза. В виду того, что такой прогноз имеет для Россиипринципиальное значение: цена существенно влияет на исполнение бюджетаи уровень жизни – успехи в развитии нейросетевых технологий дляпрогнозировании в финансовой сфере трудно переоценить.45PDF created with pdfFactory trial version www.pdffactory.com1.6. Проблемы развития нейронных сетейРассмотрим ряд проблем, стоящих сегодня на пути широкогораспространения нейросетевых технологий [8].1.

Большинство применяемых нейронных сетей представляют сетиобратного распространения – наиболее популярного современногоалгоритма. В свою очередь, алгоритм обратного распространенияне свободен от недостатков. Прежде всего не существует гарантии,что нейронная сеть может быть обучена за конечное время:зачастую усилия и затраты машинного времени на обучение,пропадают напрасно. Когда это происходит, обучение повторяется– без всякой уверенности, что результат окажется лучше.2. Нет также уверенности, что сеть обучится наилучшим возможнымобразом. Алгоритм обучения может попасть в «ловушку» такназываемого локального минимума ошибки, и наилучшее решениене будет получено.3.

Разработано много других алгоритмов обучения нейронных сетей,имеющих свои преимущества, однако, следует отметить, что всеони не свободны от ограничений.4. Разработчики склонны преувеличивать свои успехи и замалчиватьнеудачи, создавая зачастую о нейронных сетях и нейрокомпьютерахнеобъективное впечатление. Поэтому предприниматели, желающиеосновать новые компании в области нейросетевых технологий,должны предельно четко представлять пути развития того илииного проекта и пути получения прибыли.5. Таким образом, существует опасность, что нейросетевыетехнологии начнут продаваться и покупаться раньше, чем придетих время,обещаяпотребительскиеи функциональныевозможности, которые пока невозможно достигнуть. Если этопроизойдет, то технология в целом может пострадать от потерикредита доверия и вернется к периоду невостребованностисемидесятых годов.6.

Существует проблема неспособности традиционных искусственныхнейронных сетей «объяснить», как они решают задачу. Этонапоминает нашу неспособность объяснить, как мы узнаемчеловека, несмотря на расстояние, освещение и прошедшие годы.7. Технология требует улучшения существующих методов ирасширения теоретических основ, для того чтобы нейронные сетиполностью реализовали свои потенциальные возможности.8.

Прежде чем искусственные нейронные сети можно будетиспользовать для решения задач, где поставлены на картучеловеческие жизни или важные народнохозяйственные объекты,должны быть решены вопросы надежности ИНС.46PDF created with pdfFactory trial version www.pdffactory.com2.

Характеристики

Список файлов книги