ПОД (пособие) (1184372), страница 37
Текст из файла (страница 37)
Существует ряд математическихтеорем, обосновывающих возможность применения многослойных перцептронов дляаппроксимации достаточно широкого класса функций f.Области применения нейронных сетей.Области применения нейронных сетей весьма разнообразны — это распознавание текста иречи, семантический поиск, экспертные системы и системы поддержки принятия решений,предсказание курсов акций, системы безопасности, анализ текстов. Рассмотрим несколькоособенно ярких и интересных примеров использования нейронных сетей в разных областях.Необходимо отметить, что мы старались по возможности выбирать наиболее ранние случаиприменения нейронных сетей при решении соответствующей задачи.Техника и телекоммуникацииВ 1996 году фирмой Accurate Automation Corp(http://www.accurate-automation.com),Chattanooga, TN по заказу NASA и Air Force был разработан экспериментальныйавтопилотируемый гиперзвуковой самолет-разведчик LoFLYTE (Low-Observable Flight TestExperiment — рис.
4). Самолет имел длину всего 2,5 м и вес 32 кг и был предназначен дляисследования новых принципов пилотирования. LoFLYTE использовал нейронные сети,позволяющие автопилоту обучаться, копируя приемы пилотирования летчика. Посколькусамолет был предназначен для полетов со скоростью 4-5 махов, то быстрота реакциипилота-человека могла быть недостаточной для адекватного отклика на изменение режимаполета.
В этом случае на помощь приходили нейронные сети, которые перенимали опытуправления у летчика и за счет высокой скорости обработки информации позволяли быстронаходить выход в аварийных и экстремальных ситуациях (см. также http://www.accurateautomation.com/Technology/Loflyte/loflyte.htmlиhttp://www.designationsystems.net/dusrm/app4/loflyte.html).Одна из важнейших задач в области телекоммуникаций, которая заключается внахождении оптимального пути пересылки трафика между узлами, может быть успешнорешена с помощью нейронных сетей.
В данном случае необходимо принимать во вниманието, что, во-первых, предложенное решение должно учитывать текущее состояние сети,качество связи и наличие сбойных участков, а во-вторых, поиск оптимального решениядолжен осуществляться в реальном времени. Нейронные сети хорошо подходят длярешения задач такого рода. Кроме управления маршрутизацией потоков, нейронные сетимогут использоваться и при проектировании новых телекоммуникационных сетей, позволяяполучать весьма эффективные решения.Информационные технологииОпределение тематики текстовых сообщений — еще один пример успешногоиспользования искусственных нейронных сетей. Так, сервер новостей Convectis (продукткомпании Aptex Software, Inc.) был выбран в 1997 году компанией PointCast, Inc.,являвшейся лидером персонализированной доставки новостей в Интернете, для117автоматической рубрикации сообщений по категориям.
Определяя значения ключевых словпо контексту, сервер Convectis был способен в реальном времени распознавать тематику иавтоматически рубрицировать огромные потоки текстовых сообщений, передаваемых потаким информационным сетям, как Reuters, NBC и CBS.Нейросетевой продукт SelectCast от Aptex Software, Inc. позволял определять областьинтересов пользователей Интернета и предлагал им рекламу соответствующей тематики.Летом 1997 года компания Excite, Inc. лицензировала эту разработку для использования насвоих поисковых серверах. После установки на серверах Excite и Infoseek нейросетевойрекламой было охвачено около трети всех пользователей сети на тот момент.
Проведенныеисследования установили, что отклик на такую тематическую рекламу была в среднем в двараза выше, чем на обычную, а для отдельных ее видов эффективность увеличивалась допяти раз.Распознавание речи является весьма популярным применением нейронных сетей,реализованным в ряде программных продуктов. В компании «НейроПроект» несколько летназад была создана демонстрационная система для речевого управления встроенным вWindows калькулятором.
Система позволяла без предварительного обучения увереннораспознавать каждое из 36 слов, сказанных в микрофон любым человеком. Дляклассификации использовалась иерархическая нейронная сеть, состоящая из двух каскадов:первый осуществлял примерное распознавание слова, относя его к одному из шестиклассов, а второй точно классифицировал слово внутри каждого из классов. В обученииэтой нейронной сети принимали участие 19 дикторов.Экономика и финансыНейронные сети активно применяются на финансовых рынках. Например, американскийCitibank использует нейросетевые предсказания с 1990 года, и уже через два года после ихвнедрения, по свидетельству журнала The Economist, автоматический дилинг показывалдоходность 25% годовых.
Chemical Bank применяет нейросетевую систему фирмы NeuralData для предварительной обработки транзакций на валютных биржах ряда стран,отслеживая подозрительные сделки. Автоматизированные системы ведения портфелей сиспользованием нейросетей имеются на вооружении и у Deere & Co LBS Capital, причемэкспертная система объединяется примерно с 900 нейронными сетями.В сентябре 1992 года компания HNC, которая до этого занималась производствомнейрокомпьютеров, выпустила программный продукт Falcon, позволяющий выявлять ипредотвращать в реальном времени подозрительные сделки по краденым кредитным идебетным картам.
Искусственные нейронные сети обучались типичному поведениюклиентов и могли обнаруживать резкое изменение характера покупок, сигнализирующее овозможной краже. Ежегодный ущерб крупных банков от подобных преступлений измерялсядесятками миллионов долларов, но благодаря внедрению Falcon в 1994 году впервые за всюисторию пластиковых карт эти потери пошли на убыль. Аналогичная система быларазработана фирмой ITC для мониторинга операций с кредитными картами Visa.Несколько лет назад крупный канадский банк CIBC для управления рисками иидентификации злоумышленников установил программу KnowledgeSeeker фирмы Angoss.С ее помощью специалисты банка решили выяснить, кто из их клиентов в будущем будет свысокой долей вероятности задерживать выплаты по закладным.
Сначала предполагалось,что в первую очередь ими окажутся те, кто и прежде задерживал свои выплаты нанесколько дней. Однако исследования показали, что в будущем проблемы с платежамивозникнут у тех клиентов банка, которые на фоне регулярных выплат иногда якобы118забывали заплатить. Как выяснилось, подобная «забывчивость» была связана с серьезнымифинансовыми трудностями.Реклама и маркетингКомпания Neural Innovation Ltd использовала при работе с маркетинговыми компаниямистратегию прямой рассылки. Вначале она осуществляла рассылку всего 25% от общегочисла предложений и собирала информацию об откликах и реакциях потребителей. Затемэти данные поступали на вход нейронной сети, с помощью которой осуществлялся поископтимального сегмента потребительского рынка для каждого товара. После этого остальные75% предложений рассылались уже с учетом найденных закономерностей в указанныйсегмент, и эффективность второй рассылки значительно возрастала по сравнению спервоначальной.При ведении бизнеса в условиях конкуренции компаниям необходимо поддерживатьпостоянный контакт с потребителями, обеспечивая обратную связь.
Для этого некоторыекомпании проводят опросы потребителей, позволяющие выяснить, какие факторы являютсярешающими при покупке данного товара или услуги. Анализ результатов подобного опроса— непростая задача, поскольку необходимо исследовать большое количество связанныхмежду собой параметров и выявить факторы, оказывающие наибольшее влияние на спрос.Существующие нейросетевые методы позволяют выяснить это и прогнозировать поведениепотребителей при изменении маркетинговой политики, а значит, находить оптимальныестратегии работы компании.Одно крупное английское издательство, выпускающее газеты, приобрело у фирмы NeuralInnovation Ltd систему планирования цен и затрат, построенную на использованиинейронной сети и генетических алгоритмов.
На основе накопленных данных эта системапозволяла обнаруживать сложные зависимости между затратами на рекламу, объемомпродаж, ценой газеты, ценами конкурентов, днем недели, временем года и рядом другихфакторов. В результате издательство могло подбирать оптимальную стратегию с точкизрения максимизации объема продаж или прибыли.Несколько лет назад компания GoalAssist Corporation выполнила заказ крупноймаркетинговой фирмы, которой требовалось исследовать стратегию поощрительныхтоваров (когда, например, присылая несколько этикеток с покупок, покупатель получаетбесплатный сувенир). Обычные методы прогнозирования отклика потребителей в данномслучае оказались неточными, в результате чего спрос на некоторые поощрительные товарыоказался слишком высоким и многим покупателям пришлось подолгу ждать полученияприза, в то время как другие подарки остались невостребованными.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
