Круглов В.В., Борисов В.В. - Искусственные нейронные сети (ИНС) Теория и практика (778918), страница 9
Текст из файла (страница 9)
При этом сеть также использует множество зкономических показателей, сложным образом связанных между собой. Нейросетевой подход особенно эффективен в задачах экспертной оценки по той причине, что он сочетает в себе способность компьютера к обработке чисел и способность мозга к обобщению и распознаванию. Говорят, что у хорошего врача способность к распознаванию в своей области столь велика, что он может провести приблизительную диагностику уже по внешнему виду пациента. Можно согласиться также, что опытный трейдер чувствует направление движения рынка по виду графика. Однако в первом 44 лучае все факторы наглядны, т. е.
характеристики пациента мгновенно воспринимаются мозгом как «бледное лицо», «блеск в глазах». Во втором же случае учитывается только один фактор — курс за определенный период времени. Нейронная сеть позволяет обрабатывать огромное количество факторов (до нескольких тысяч), независимо от их наглядности. Это универсальный «хороший врач», который может поставить свой диагноз в любой области. Помимо задач классификации, нейронные сети широко используются для поиска зависимостей в данных и кластеризации. ((ластеризация — зто разбиение набора примеров на несколько компактных областей (кластеров), причем число кластеров заранее неизвестно.
Кластеризация позволяет представить неоднородные данные в более наглядном виде и использовать далее для исследования каждого кластера различные методы. Например, нейронная сеть на основе методики использования МГУА (метода группового учета аргументов) позволяет по обучающей выборке построить зависимость одного параметра от других в виде поли- нома. Такая сеть может не только мгновенно выучить таблицу умножения, но и найти сложные скрытые зависимости в данных (например, финансовых), которые не обнаруживаются стандартными статистическими методами, быстро выявить фальсифицированные страховые случаи или недобросовестные предприятия.
Особенно важны для практики, в частности, для финансовых приложений, задачи прогнозирования, поэтому поясним способы применения нейронных сетей в этой области более подробно Рассмотрим задачу прогнозирования курса акций на день вперед. Пусть имеется база данных, содержащая значения курса за последние 300 дней.
Построим прогноз завтрашней цены на основе курсов за последние несколько дней. Понятно, что прогнозирующая нейронная сеть должна иметь всего один выход и столько входов, сколько предыдущих значений мы хотим использовать для прогноза, например, четыре последних значения.
Составить обучающий пример очень просто, входными значениями будут курсы за четыре последних дня, а желаемым выходом — известный курс в следующий за ними день. Если нейронная сеть совместима с какой-либо системой обработки электронных таблиц (например, Ехсе!), то подготовка обучающей выборки состоит из следующих операций: ° занести значения курса акций последовательно в столбец таблицы; ° скопировать значения котировок в 4 соседних столбца, Вгоды Выход о о о о ооо о оо о .21 1 90 0 48 0.29 4.42 410 42 3.10 5 9 4.10 2.49 3.10 280 о о о ооо О о о 429 361 4 20 4.30 оо 4.29 541 5.82 4.69 5.41 9 !3 ! 5 Рис 1.9 Подготовка данных дни нейронной сети е Ехсе! ° сдвинуть второй столбец на 1 ячейку вверх, третий столбец — на 2 и т.
д. (рис.1.9). Смысл этой подготовки состоит в том, что каждая строка таблицы теперь представляет собой обучающий пример, где первые четыре числа — входные значения сети, а пятое число — желаемое значение выхода. Исключение составляют последние четыре строки, где данных недостаточно. Поэтому эти строки не учитываются при обучении. Заметим, что в четвертой снизу строке заданы все четыре входных значения, но неизвестно значение выхода.
Именно при применении к этой строке обученной сети и можно получить прогноз на следующий день. Как видно из этого примера, объем обучающей выборки зависит от выбранного количества входов. Если сделать 299 входов, то такая сеть потенциально могла бы строить лучший прогноз, чем сеть с 4 входами, однако в этом случае имеется всего один обучающий пример, и обучение бессмысленно. Это следует учитывать при выборе числа входов, выбирая разумный компромисс между глубиной предсказания (число входов) и качеством обучения (объем обучающей выборки).
Укажем в заключение, что ряд практических примеров использования нейронных сетей приведен в третьей части книги. Глава 2 ОСНОВНЫЕ КОНЦЕПЦИИ НЕЙРОННЫХ СЕТЕЙ Кроме рассмотренных выше многослойных нейронных сетей, обучаемых по алгоритму обратного распространения ошибки, известно много разновидностей специфических нейронных сетей, реализующих различные свойства биологических систем и, прежде всего, свойства ассоциативной памяти. 2.1. Ассоциативная память нейронных сетей В биологических системах, обладающих памятью, изменение нервной активности системы под влиянием внешних раздражителей зависит от воздействия предшествующих событий и от информации, хранящейся в памяти. Процесс запоминания связан с образованием следа (узора, знграммы) в мозговых структурах.
Поток нервных импульсов, несущих информацию о запоминаемом объекте, проходит через нейронные сети, возбуждая на своем пути нервные клетки, из которых формируется нейронный след. Проторенный нервный путь обладает меньшим сопротивлением по отношению к другим возможным путям. Повышение производительности возникшего нейронного следа возможно вследствие свойства нейронов достаточно быстро адаптироваться к повторно проходящим нервным импульсам. Механизмы памяти обеспечивают длительное сохранение увеличенной проводимости нейронов, вовлеченных в образованный узор. Следы памяти, хранящие образы объектов, отражены в сложных параллельно-последовательных нейронных сетях, обладающих большой избыточностью. В организованных случайным образом нейронных сетях следы памяти распределяются по пространству мозга также случайно.
Ситуация еще больше усложняется тем, что одни и те же нейроны участвуют в хранении образов различных запоминаемых 47 объектов. Это значит, что след, возникающий при запоминании одного объекта информации, может иметь общие звенья нейронной сети со следами от других объектов. Поэтому нельзя определенно указать, в каком участке мозга будет находиться след конкретного объекта информации — образа. В этом случае механизм доступа к информации базируется не на указании места хранения информации в логикозапоминающей среде, а на анализе свойств самой искомой информации.
В биологических системах обработки данных таким механизмом является механизм ассоциаций. Впервые термин «ассоциация» был введен Дж. Локком в 1698 г. и определен как «связь, возникающая при определенных условиях между двумя или более психическими образованиями — ощущениями, актами, восприятиями, идеями». Применительно к системам обработки данных, в том числе к искусственным нейронным сетям, ассоциация трактуется как взаимосвязь между информацией (образом) на входе логикозапоминающей среды и информацией (образом), хранящейся в логико-запоминающей среде. Способ доступа к информации в запоминающей среде, базирующийся на механизме ассоциации, получил название ассоциативного способа доступа.
Ассоциативный способ доступа к информации обеспечивает: ° практически одновременный доступ ко всей хранящейся в памяти информации, ° относительную независимость времени поиска информации от емкости памяти, ° внесение элементов обработки информации непосредственно в процесс самого доступа; ° обработку информации непосредственно в среде ее хранения. Эти, а также ряд других отличительных особенностей ассоциативного способа доступа к информации делает его чрезвычайно перспективным в системах обработки данных. 2Л.1. Ассоциации Существуют различные концепции ассоциативной памяти Однако все они предполагает наличие следующих элементов: ° логико-эапоминающей среды, являющейся носителем информации; ° множества записанных в памяти информационных объектов; 48 ° структуры взаимосвязей между информационными объектами; ° механизма информационных взаимодействий в логикозапоминающей среде.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
