Круглов В.В., Борисов В.В. - Искусственные нейронные сети (ИНС) Теория и практика (778918), страница 49
Текст из файла (страница 49)
Нейронные сети прекрасно приспособлены для решения такого рода задач. 312 Кроме управления маршрутизацией потоков, нейронные сети используются и дпя проектирования новых телекоммуникационных сетей. При этом удается получить очень эффективные решения. 6.11.10.
Прогнозирование изменений котировок Компания А!е!а Согр занимается прогнозированием изменения биржевых индексов. Дпя предсказания знаков изменения индексов применяется нейронная сеть, использующая радиальные базисные функции. На сайте компании можно бесплатно получить прогнозы изменения индексов Сочч Зопеэ, 86Р500 и Ме!ча!, а также убедиться, что доля верных предсказаний на основе нейронных сетей составляет не менее 80%. Создатели сайта предлагают всем желающим использовать эти прогнозы в качестве дополнительных индикаторов. 6.11.11. Управление ценами и производством Руководители предприятий часто недооценивают потери от неоптимального планирования производства.
Так как спрос и усповия реализации зависят от времени, сезона, курсов валют и многих других факторов, то и объем производства следует гибко варьировать с целью оптимального использования ресурсов Уже существуют удачные примеры нейросетевых систем планирования, которые применяются совместно со стандартными методами исследования операций, динамического программирования, а также с методами нечеткой логики. Крупное английское издательство, выпускающее газеты, приобрело у фирмы Неога! !ппоча1!оп !.го.
систему планирования цен и затрат, основанную на нейронной сети с использованием генетических алгоритмов На основе исторических данных система обнаруживает сложные зависимости между затратами на рекламу, объемом продаж, ценой газеты, ценами конкурентов, днем недели, сезоном и т. д. После этого возможен подбор оптимальной стратегии с точки зрения максимизации объема продаж ипи прибыли. 6.11.12. Исследование факторов спроса Дпя увеличения прибыльности бизнеса в условиях конкуренции компании необходимо поддерживать обратную связь с потребитепями В частности, дпя этого проводятся опросы потребителей, позволяющие выяснить, какие факторы являются дпя них решающими при покупке данного товара ипи услуги, почему в некоторых случаях предпочтение отдается конкурентам, и какие упуч- 313 щения товара потребитель хотел бы увидеть в будущем Анализ результатов такого опроса — достаточно сложная задача, так как здесь участвует большое количество связанных между собой параметров.
Нейронные сети идеально подходят для решения этой задачи. Существующие нейросетевые методы позволяют выявлять сложные зависимости между факторами спроса, прогнозировать поведение потребителей при изменении маркетинговой политики, находить наиболее значимые факторы и оптимальные стратегии рекламы, а также очерчивать сегмент потребителей, наиболее перспективный для данного товара. Примеры успешного использования нейросетевых технологий для построения эффективной маркетинговой политики ° маркетинговая кампания «Таппо Огапое Мапкч проведенная английским производителем безалкогольных напитков, фирмой Вг!!ч!с Вой Ог!пйз совместно с фирмой г!еига! Теслпо!оо!еэ; ° исследование предпочтений потребителей различных сортов пива в зависимости от их возраста, дохода, семейного положения и других параметров, проведенное фирмой !чецга! Теснило!ой!ез.
6.11.13. Прогнозирование потребления энергии Фирма ЕЯо!ц1!опв разработала нейросетевую систему анализа данных об энергопотреблении, фиксирующую измерение потребляемой энергии для каждого клиента через каждые 15 минут, с учетом того, что некоторые из измерений ошибочны. Система позволяет выявлять ошибочные измерения, а также прогнозировать потребление энергии в каждый момент времени. Знание точного прогноза позволило энергетической компании использовать гибкую тарифную политику и увеличить свою прибыль. 6.11.14. Оценка недвижимости Стоимость дома или квартиры зависит от большого числа факторов, таких как общая площадь, удаленность от центра, экологическая обстановка, престижность, тип дома Так как вид этой зависимости неизвестен, то стандартные методы анализа, как правило, неэффективны.
Обычно эта задача решается экспертами, работающими в агентстве по недвижимости Недостатком такого подхода является субъективность оценщиков, а также возможные разногласия между ними. Существуют успешные примеры решения задачи объективной оценки с помощью нейронной сети. В частности, фирма Айгаэой приводит пример оценки стоимости домов в Бостоне с учетом 13 параметров. 314 6.11.15. Анализ страховых исков Фирмой Неога! !ппочайоп ~1о, создана нейросетевая система С!а!гп Ргацо Апа!узег, позволяющая мгновенно выявлять подозрительные страховые иски, относящиеся к поврежденным автомобилям На входы системы подаются такие параметры, как возраст и опыт водителя, стоимость автомобиля, наличие подобных происшествий в прошлом. В результате обработки определяется вероятность того, что данный иск связан с мошенничеством.
Такая система позволяет не только сэкономить за счет выявления фальсификаций, но и улучшить отношения с клиентами за счет более быстрого удовлетворения честных исков. 6.12. Краткое обобщение Подводя итог, можно заметить, что нейросетевая методология находит все новые применения в практике принятия решений и управлении сложными организационно-техническими системами. Нейронные сети идеально приспособлены для обнаружения сложных зависимостей в отсутствие априорных знаний об исследуемой системе или процессе.
Нейронные сети также можно использовать везде, где обычно применялись линейные методы и алгоритмы, и производилось оценивание при помощи статистических методов анализа, таких как регрессионный, кластерный, дискриминантный анализ, временные ряды. Приведенные выше примеры показывают, что технологии нейронных сетей, нечеткой логики и генетических алгоритмов применимы практически в любой области.
В некоторых задачах, таких как прогнозирование котировок или распознавание образов, нейронные сети стали уже привычным инструментом. Нет сомнений, что повсеместное проникновение новых технологий и в другие области — только вопрос времени. ПЛ. Основные парадигмы нейронных сетей Таблица П 1.1 Наименования па адигм Р сское название Английское название Нечеткая нейронная сеть Больцмановское об чение Во~1кгпэпп МГасл~пе Об атное асп ест анение Васк Рго а а1гоп Со пг1гоп Ксгнит Он Соцп1ег Рго а а1юп Сеть ест ечного асп ост анения Оейа-Ваг-Ое!!а ОВО Меыгогй Оейа-Ваг-Оейа сеть Е1пзап апб зогбап Мелло!к Оацзвап Сгаззйег Га ссовый класси икато Оепебс Аг опйбгп Генетический алга итм гпыаг Ма!иго!К Входная звезда Сеть Кохонена Колопеп Меоиоик Выходная звезда Оммаг Меыгопк Ваглаг Вази Гцпс1гоп Ме!еогк Сеть а иального основания Абарбче Меч!о-Гцкау 1пуег- епсе Я а!его АМПЯ АКТ вЂ” 1, АЙТ-1 Мегыоа ВАМ Мегвогй Ех1епбеб ОВО Мебкогй Реес-Болта!О МАХМЕТ Наглпип Ме1ыое Норде!О МеЬеож МАХМЕТ Меосе пвноп Ягпзи1а!еп Аппеанп Я~п 1е Еа ег Регсе !гоп ПРИЛОЖЕНИЯ Иск сственный езонанс — 1, 2 Дв нап зеленная ассоциативная память Частично- е ентные сети Зимина иЖо дана Расши енная ОВО сеть Сеть поиска максим ма с п ямыми связями Сеть Хзмминга Сеть Хопфилда Сеть поиска максим ма Неокогнит он Об чение обжигом Однослойныи пе сел он П.1 1.
Искусственный резонанс — 1. АЙТ-1 Ь(еЬ»гогИ (Ак1арт(тге Гкевопапсе ТЬеогу ЫеЬагогИ вЂ” 1). 1) Названое. Адароие йезопапсе Тлеогу Ыептогк (сеть теории адаптивного резонанса). Другие названия. Сеть адаптивной резонансной теории — 1 (АРТ-1). Сагреп(ег-ОгозвЬег9 С)авв)()ег (классификатор КарпентераГроссберга). 2) Авторы и история создания Разработана Карпентером и Гроссбергом в 1986 г. 3) Модель. Сеть АКТ-1 (рис П 1.1) обучается без учителя. Она реализует алгоритм кластеризации, подобный алгоритму «последовательно~о лидера» (Вес)иепЬа! (.еадег С)ив(ег!п9 А(9ог)(пгп).
В соответствии с алгоритмом первый входной сигнал считается эталоном первого кластера. Следующий входной сигнал сравнивается с эталоном первого кластера. Говорят, что входной сигнал «следует за лидером» и принадлежит первому кластеру, если расстояние до эталона первого кластера меньше порога. В противном случае второй входной сигнал становится эталоном второго кластера. Процесс повторяется для всех следующих входных сигналов.
Таким образом, число кластеров растет с течением времени и зависит как от значения порога, так и от меры сходства, использующейся для сравнения входных сигналов и эталонов классов. Основная часть сети АВТ-1 схожа с сетью Хэмминга, которая дополнена полносвязной сетью МАХЫЕТ. С помощью после- Х1 х "а Рис. П.1.1. Основные компоненты классификатора Карпентера-Гроссоерга 317 довательных связей высчитывается соответствие входных сигна- лов и образцов кластеров. Максимальное значение соответствия усиливается с помощью взаимного латерального торможения вы- ходных нейронов.
Сеть АКТ-1 отличается от сети Хзмминга об- ратными связями от выходных нейронов к входным Кроме того, имеется возможность отключать выходной нейрон с максималь- ным значением соответствия и проводить пороговое тестирование соответствия входного сигнала и образцов кластеров, как того тре- бует алгоритм «последовательного лидера». Алгоригпм функционирования сегпи ШАГ 1, Инициализация сети. ю (О) = 1, иг,(0) = , ) = 1, , )У, )' = 1, , М, 0 < г < (., 1 И«1 где»к„(() — синаптический вес связи от рго нейрона первого слоя к )-му нейрону второго слоя в момент времени Г (Ьо((огп ир), И(Г)— синаптический вес связи от рго нейрона второго слоя к)'-му нейро- ну первого слоя в момент времени Г ((ор оовп); г — значение поро- га, (.- константа со значением в диапазоне от 1 до 2. Веса к«(Г) и иг„(() определяют зталон, соответствующий ней- рону/.
Порог г показывает, насколько должен входной сигнал сов- падать с одним их запомненных зталонов, чтобы они считались похожими. Близкое к единице значение порога требует почти пол- ного совпадения. При малых значениях порога даже сильно разли- чающиеся входной сигнал и эталон считаются принадлежащими одному кластеру. ШАГ 2. Предъявление сети нового бинарного входного сиг- нала первому слою нейронов аналогично тому, как это делается в сети Хзмминга. ШАГ 3.
Вычисление значений соответствия. У, = Х и~«(() х,, / = 1,..., М. ~=1 Значения соответствия вычисляются параллельно для всех эталонов, запомненных в сети, аналогично сети Хэмминга. ШАГ 4. Выбор образца с наибольшим соответствием: у = гпах(у,), Эта операция выполняется с помощью латерального тормо- жения аналогично сети МАХ») ЕТ. ШАГ 5. Вычисление отношения скалярного произведения входного сигнала и зталона с наибольшим значением соответст. вия к числу единичных бит входного сигнала. Значение отношения сравнивается с порогом, введенном на шаге 1.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
