Применение нейронных сетей в экономике

Содержание:

ВВЕДЕНИЕ

Современная экономика немыслима без информации. Тысячи предприятий, миллионы налогоплательщиков, триллионы рублей, биржевые котировки, реестры акционеров - все эти информационные потоки необходимо оценить, обработать, сделать необходимые выводы, принять правильное решение.

Современный специалист - экономист должен уметь принимать обоснованные решения. Для этого наряду с традиционными знаниями, такими как основы менеджмента, основы внешнеэкономической деятельности, банковское дело, административное управление, налогообложение он должен владеть информацией по построению информационных систем.

Интеллектуальные технологии – один из последних этапов развития аналитических технологий. Аналитическими технологиями называют методики, которые на основе каких-либо моделей, алгоритмов, математических теорем позволяют по известным данным оценить значения неизвестных характеристик и параметров. Простейший пример аналитической технологии - теорема Пифагора, которая позволяет по длинам сторон прямоугольного треугольника определить длину его третьей стороны. Другим примером являются способы, с помощью которых обрабатывает информацию человеческий мозг.

Аналитические технологии нужны в первую очередь людям, принимающим важные решения - руководителям, аналитикам, экспертам, консультантам. Доход компании в большой степени определяется качеством этих решений – точностью прогнозов, оптимальностью выбранных стратегий. Наиболее распространены аналитические технологии, используемые для решения следующих задач: для прогнозирования курсов валют, цен на сырье, спроса, дохода компании, уровня безработицы, числа страховых случаев, и т.д.

Как правило, для реальных задач бизнеса и производства не существует четких алгоритмов решения. Раньше руководители и эксперты решали такие задачи только на основе личного опыта. С помощью современных аналитических технологий строятся системы, позволяющие существенно повысить эффективность решений.

Искусственный интеллект является сейчас “горячей точкой” научных исследований. В этой точке, как в фокусе, сконцентрированы наибольшие усилия кибернетиков, лингвистов, психологов, философов, математиков и инженеров. Именно здесь решаются многие коренные вопросы, связанные с путями развития научной мысли, с воздействием достижений в области вычислительной техники и роботики на жизнь будущих поколений людей. Здесь возникают и получают права гражданства новые методы научных междисциплинарных исследований. Здесь формируется новый взгляд на роль тех или иных научных результатов и возникает то, что можно было бы назвать философским осмыслением этих результатов.

Цель курсовой работы заключается в исследовании понятия системы искусственного интеллекта, прогнозирования на основе нейронных сетей в финансах и бизнесе, рассмотрение примеров применения нейронных сетей на практике.

Задача состоит в анализе достоинств и недостатков каждой нейронной технологии в зависимости от параметров внедрения.

ПОНЯТИЕ "СИСТЕМА ИСКУССТВЕННОГО ИНТЕЛЛЕКТА"

1.1. Понятие и классификация систем искусственного интеллекта

Существует много различных подходов к классификации информационных систем:

– по степени структурированности решаемых задач;

– по автоматизируемым функциям;

– по степени автоматизации реализуемых функций;

– по сфере применения и характеру использования информации, в частности, по уровням управления.

Известно, что при обучении людей существуют различные уровни предметной обученности: воспроизведение (память); решение стандартных задач (умения, навыки); решение нестандартных, творческих задач (знания, активное интеллектуальное понимание).

Интеллект может проявляется в различных областях, но мы рассмотрим его возможности в решении задач, т.к. эта область проявления является типичной для интеллекта. Задачи бывают стандартные и нестандартные. Для стандартных задач известны алгоритмы решения. Для нестандартных они неизвестны. Поэтому решение нестандартной задачи представляет собой проблему.

Само понятие "стандартности" задачи относительно, относительна сама "неизвестность": т.е. алгоритм может быть известен одним и неизвестен другим, или информация о нем может быть недоступной в определенный момент или период времени, и доступной – в другой. Поэтому для одних задача может быть стандартной, а для других нет. Нахождение или разработка алгоритма решения переводит задачу из разряда нестандартных в стандартные.

В математике и кибернетике задача считается решенной, если известен алгоритм ее решения.^[1]

Разработка алгоритма решения задачи связано с тонкими и сложными рассуждениями, требующими изобретательности, опыта, высокой квалификации.

Считается, что эта работа является творческой, существенно неформализуемой и требует участия человека с его "естественным" опытом и интеллектом. Здесь необходимо отметить, что существует технология решения изобретательских задач (ТРИЗ), в которой сделана попытка, по мнению многих специалистов, довольно успешная, позволяющая в какой-то степени формализовать процедуру решения творческих задач.

Интеллектуальными считаются задачи, связанные с разработкой алгоритмов решения ранее нерешенных задач определенного типа.

Отличительной особенностью и одним из основных источников эффективности алгоритмов является то, что они сводят решение сложной задачи к определенной последовательности достаточно простых или даже элементарных для решения задач. В результате нерешаемая задача становится решаемой. Исходная информация поступает на вход алгоритма, на каждом шаге она преобразуется и в таком виде передается на следующий шаг, в результате чего на выходе алгоритма получается информация, представляющая собой решение задачи. Алгоритм может быть исполнен такой системой, которая способна реализовать элементарные операции на различных шагах этого алгоритма.^[2]

Существует ряд задач, таких, как распознавание образов и идентификация, прогнозирование, принятие решений по управлению, для которых разбиение процесса поиска решения на отдельные элементарные шаги, а значит и разработка алгоритма, весьма затруднительны. Из этих рассуждений вытекает следующее определение интеллекта: интеллект представляет собой универсальный алгоритма, способный разрабатывать алгоритмы решения конкретных задач.^[3]

Исходя из вышесказанного, можно сделать вывод о том, что в нашем случае наиболее подходит классификацией ИС, основанная на критерии, позволяющем оценить "степень интеллектуальности ИС", т.е. на критерии "степени структурированности решаемых задач".

Существуют следующие классы систем искусственного интеллекта:^[4]

1. Системы с интеллектуальной обратной связью и интеллектуальными интерфейсами.

2. Автоматизированные системы распознавания образов.

3. Автоматизированные системы поддержки принятия решений.

4. Экспертные системы (ЭС).

5. Генетические алгоритмы и моделирование эволюции.

6. Когнитивное моделирование.

7. Выявление знаний из опыта (эмпирических фактов) и интеллектуальный анализ данных (data mining).

8. Нейронные сети.

Системы с интеллектуальной обратной связью и интеллектуальными интерфейсами:

Интеллектуальный интерфейс (Intelligent interface) - интерфейс непосредственного взаимодействия ресурсов информационного комплекса и пользователя посредством программ обработки текстовых запросов пользователя.

Примером может служить программа идентификация и аутентификация личности по почерку. Аутентификация – это проверка, действительно ли пользователь является тем, за кого себя выдает. При этом пользователь должен предварительно сообщить о себе идентификационную информацию: свое имя и пароль, соответствующий названному имени.^[5]

Идентификация – это установление его личности.

И идентификация, и аутентификация являются типичными задачами распознавания образов, которое может проводиться по заранее определенной или произвольной последовательности нажатий клавиш.

Системы с биологической обратной связью (БОС). Это системы, поведение которых зависит от психофизиологического (биологического) состояния пользователя:

Мониторинг состояния сотрудников на конвейере с целью

обеспечения высокого качества продукции.

Компьютерные тренажеры для обучения больных с функциональными нарушениями управлению своим состоянием.

Компьютерные игры с БОС.

Системы с семантическим резонансом. системы, поведение которых зависит от состояния сознания пользователя и его психологической реакции на смысловые стимулы.

Системы виртуальной реальности.^[6]

Виртуальная реальность (ВР) – модельная трехмерная (3D) окружающая среда, создаваемая компьютерными средствами и реалистично реагирующая на взаимодействие с пользователями.

Технической базой систем виртуальной реальности являются современные мощные персональные компьютеры и программное обеспечение высококачественной трехмерной визуализации и анимации. В качестве устройств ввода-вывода информации в системах ВР применяются виртуальные шлемы с дисплеями, в частности шлемы со стереоскопическими очками, и устройства 3D-ввода, например, мышь с пространственно управляемым курсором или "цифровые перчатки", которые обеспечивают тактильную обратную связь с пользователем.

Автоматизированные системы распознавания образов:^[7]

Система распознавания образов - это класс систем искусственного интеллекта, обеспечивающих:^[8]

– формирование конкретных образов объектов и обобщенных образов классов;

– обучение, т.е. формирование обобщенных образов классов на основе ряда примеров объектов, классифицированных (т.е. отнесенных к тем или иным категориям – классам) учителем и составляющих обучающую выборку;

– самообучение, т.е. формирование кластеров объектов на основе анализа неклассифицированной обучающей выборки;

– распознавание, т.е. идентификацию (и прогнозирование) состояний объектов, описанных признаками, друг с другом и с обобщенными образами классов;

– измерение степени адекватности модели;

решение обратной задачи идентификации и прогнозирования (обеспечивается не всеми моделями).

Автоматизированные системы поддержки принятия решений:

Системы поддержки принятия решений (СППР) – это компьютерные системы, почти всегда интерактивные, разработанные, чтобы помочь менеджеру (или руководителю) в принятии решений управления, объединяя данные, сложные аналитические модели и удобное для пользователя программное обеспечение в единую мощную систему, которая может поддерживать слабоструктурированное и неструктурированное принятие решения. СППР находиться под управлением пользователя от начала до реализации и используется ежедневно. Предназначена для автоматизации выбора рационального варианта из исходного множества альтернативных в условиях многокритериальности и неопределенности исходной информации.

Экспертные системы:^[9]

Экспертная система (ЭС) – это программа, которая в определенных отношениях заменяет эксперта или группу экспертов в той или иной предметной области. ЭС предназначены для решения практических задач, возникающих в слабо структурированных и трудно формализуемых предметных областях.

Исторически, ЭС были первыми системами искусственного интеллекта, которые привлекли внимание потребителей. Экспертные системы используются в маркетинге для сегментации рынка и выработке маркетинговых программ, а также в банковском деле для определения тенденции рынка, трейдинг для программирования котировок акций и валют, в аудите для подготовки заключений о финансовом состоянии предприятий.

Генетические алгоритмы и моделирование эволюции:

Генетические Алгоритмы (ГА) – это адаптивные методы функциональной оптимизации, основанные на компьютерном имитационном моделировании биологической эволюции.

Когнитивное моделирование:^[10]

Это способ анализа, обеспечивающий определение силы и направления влияния факторов на перевод объекта управления в целевое состояние с учетом сходства и различия в влиянии различных факторов на объект управления.

Основана на когнитивной структуризации предметной области, т.е. на выявление будущих целевых и нежелательных состояний объекта управления и наиболее существенных (базисных) факторов управления и внешней среды, влияющих на переход объекта в эти состояния, а также установление на качественном уровне причинно-следственных связей между ними, с учетом взаимовлияния факторов друг на друга.

Результаты когнитивной структуризации отображаются с помощью когнитивной карты (модели).

В экономической сфере это позволяет в сжатые сроки разработать и обосновать стратегию экономического развития предприятия, банка, региона или даже целого государства с учетом влияния изменений во внешней среде; в сфере финансов и фондового рынка – учесть ожидания участников рынка.

Выявление знаний из опыта (эмпирических фактов) и интеллектуальный анализ данных (data mining):^[11]

Интеллектуальный анализ данных (ИАД или data mining) – это процесс обнаружения в "сырых" данных ранее неизвестных, нетривиальных, практически полезных и доступных интерпретации знаний, необходимых для принятия решений в различных сферах человеческой деятельности. Достижения технологии data mining активно используются в банковском деле для решения проблем Телекоммуникации, анализа биржевого рынка и др.

Нейронные сети:

Искусственная нейронная сеть (ИНС, нейросеть) - это набор нейронов, соединенных между собой. Как правило, передаточные функции всех нейронов в сети фиксированы, а веса являются параметрами сети и могут изменяться. Некоторые входы нейронов помечены как внешние входы сети, а некоторые выходы - как внешние выходы сети. Подавая любые числа на входы сети, мы получаем какой-то набор чисел на выходах сети. Практически любую задачу можно свести к задаче, решаемой нейросетью.

1.2. Нейронная сеть Хопфилда

Нейронные сети - это раздел искусственного интеллекта, в котором для обработки сигналов используются явления, аналогичные происходящим в нейронах живых существ. Важнейшая особенность сети, свидетельствующая о ее широких возможностях и огромном потенциале, состоит в параллельной обработке информации всеми звеньями. При громадном количестве межнейронных связей это позволяет значительно ускорить процесс обработки информации. Во многих случаях становится возможным преобразование сигналов в реальном времени. Кроме того, при большом числе межнейронных соединений сеть приобретает устойчивость к ошибкам, возникающим на некоторых линиях. Функции поврежденных связей берут на себя исправные линии, в результате чего деятельность сети не претерпевает существенных возмущений.

Мозг человека содержит порядка 10¹¹ нейронов, каждый из которых своим выходом соединен примерно с 1000 других нейронов. Таким образом в нем существует около 10¹⁴ синаптических связей, которые определяют его функционирование. Интересно заметить, что обработка информации в нейронах происходит достаточно медленно, тактовая частота мозга составляет 400 - 500 Гц, в то время как современные компьютеры работают в гигагерцевом диапазоне. Однако мозг способен решать проблемы, которые не под силу самой совершенной ЭВМ, благодаря параллельной организации вычислительных процессов, избыточности и “пластичности”, позволяющим живому организму адаптироваться к окружающей среде и решать сложные проблемы в условиях существенной информационной неопределенности.

Искусственная нейронная сеть - это машина, которая спроектирована для моделирования функций мозга и подобно ему имеет многослойную иерархическую структуру и способность к обучению. Нейробиологи смотрят на ИНС как на исследовательский инструмент для интерпретации нейробиологических феноменов, инженеры ожидают от ИНС чрезвычайно эффективных вычислительных возможностей, благодаря избыточности и распараллеливанию, хотя и те и другие хотят значительно больше, чем нейросети сегодня способны дать.

С инженерной точки зрения ИНС - это параллельно распределенная система обработки информации, образованная тесно связанными простыми вычислительными узлами (однотипными или различными), которая имеет свойство накапливать экспериментальные знания, обобщать их и делать доступными для пользователя в форме удобной для интерпретации и принятия решений. Функционирование ИНС отражает работу мозга в двух аспектах:

знания накапливаются из окружающей среды в процессе обучения;

обучение происходит путем изменения (целенаправленного или случайного) силы связи между нейронами (синаптических весов) либо топологии (архитектуры) сети.

Основным строительным блоком ИНС является формальный или искусственный нейрон (он же узел сети), представляющий собой или электронную, или математическую, или алгоритмическую, или программно- реализованную модель, чьи элементы имеют прямые аналоги компонент биологических нейронов. На рисунке 1,1 приведены наиболее распространенные обозначения элементарных нейронов, реализующих так называемые примитивные функции:

На каждый вход нейрона подается сигнал x_i, при этом с каждым входом связан так называемый синаптический вес w_i В теле нейрона вычисляется примитивная функция т.е. фактически реализуется нелинейное отображение многомерного пространства входов Rⁿ в скалярный выход R¹.

Процедура, с помощью которой происходит обучение (настройка) отдельного нейрона или нейросети в целом, называется алгоритмом обучения. В процессе обучения происходит изменение (адаптация) синаптических весов, а возможно и топологии ИНС так, чтобы выходные сигналы отвечали некоторому априори заданному критерию качества, характеризующему процесс решения сетью конкретной задачи.

Рисунок 1.1 – Элементарные модели нейронов

С позиций системного подхода ИНС можно рассматривать как черный ящиик, на вход которого поступает некоторый векторный сигнал x, а на выходе должен появиться векторный сигнал y с заданными характеристиками, обеспечиваемыми в результате обучения сети. Фактически нейросеть реализует отображение n-мерного вектора х = (х₁,х₂,...х_п)^T в m -мерный вектор y = (y₁,y₂,...y_п)^T (Рисунок 1.2)^[12]

Рисунок 1.2 – Функциональное представление нейронной сети

На сегодня известны десятки, если не сотни различных архитектур ИНС, хотя нас в дальнейшем будут интересовать сети, реализующие различные процедуры обработки информации, среди которых можно выделить старую проблему восстановления некоторой функции.

Отдельную группу нейронных сетей составляют сети с обратной связью между различными слоями нейронов. Это так называемые рекуррентные сети. Их общая черта состоит в передаче сигналов с выходного либо скрытого слоя во входной слой.

Главная особенность, выделяющая эта сети среди других нейронных сетей, - динамические зависимости на каждом этапе функционирования. Изменение состояния одного нейрона отражается на всей сети вследствие обратной связи типа “один ко многим”. В сети возникает некоторый переходный процесс, который завершается формированием нового устойчивого состояния, отличающегося в общем случае от предыдущего. Если, как и прежде, функцию активации нейрона обозначть f(u), где и — это взвешенная сумма его возбуждений, то состояние нейрона можно определить выходным сигналом. Принимая во внимание, что при обратной связи типа “один ко многим” роль возбуждающих импульсов для нейрона играют выходные сигналы других нейронов, изменение его состояния может быть описано системой дифференциальных нелинейных уравнений.

По аналогии с электронными системами активационную функцию можно считать нелинейной усилительной характеристикой искусственного нейрона. Коэффициент усиления вычисляется как отношение приращения величины выходной к вызвавшему его небольшому приращению величины входной. Он выражается наклоном кривой при определенном уровне возбуждения и изменяется от малых значений при больших отрицательных возбуждениях (кривая почти горизонтатьна) до максимального значения при нулевом возбуждении и снова уменьшается, когда возбуждение становится большим положительным. Центральная область логистической функции, имеющая большой коэффициент усиления, решает проблему обработки фабых сигналов, в то время как области с падающим усилением на положительном н отрицательном концах подходят для больших возбуждений.

Среди различных конфигураций рекурсивных нейронных сетей встречаются такие, при классификации которых по принципу обучения, строго говоря, не подходят ни обучение с учителем, ни обучение без учителя. В таких сетях весовые коэффициенты синапсов рассчитываются только однажды перед началом функционирования сети на основе информации об обрабатываемых данных, и все обучение сети сводится именно к этому расчету. С одной стороны, предъявление априорной информации можно расценивать, как помощь учителя, но с другой - сеть фактически просто запоминает образцы до того, как на ее вход поступают реальные данные, н не может изменять свое поведение, поэтому говорить о звене обратной связи с "миром" (учителем) не приходится. Из сетей с подобной логикой работы наиболее известна сеть Хопфнлда, которая обычно используются для организации ассоциативной памяти.

Обобщенная структура этой сети представляется, как правило, в виде системы с непосредственной обратной связью выхода со входом (рис. 1.3). Характерная особенность такой системы состоит в том, что выходные сигналы нейронов являются одновременно входными сигналами сети:, при этом возбуждающий вектор особо не выделяется. В классической системе Хопфилда отсутствует связь нейрона с собственным выходом, что соответствует w_ij = 0, а матрица весов является симметричной: W = W^T.^[13]

Рисунок 1.3 – Обобщенная структура сети Хопфилда

Процесс обучения сети формирует зоны притяжения (аттракции) некоторых точек равновесия, соответствующих обучающим данным. При использовании ассоциативной памяти с обучающим вектором х либо с множеством этих векторов, которые в результате проводимого обучения определяют расположение конкретных аттракторов (точек притяжения). Каждый нейрон имеет функцию активации типа signum со значениями ±1. Это означает, что выходной сигнал нейрона определяется функцией

.

где N обозначает количество нейронов, N = п.

В процессе функционирования сети Хопфилда можно выделить два режима: обучения и классификации. В режиме обучения на основе известных обучающих выборок х подбираются весовые коэффициенты w_ij. В режиме классификации при зафиксированных значениях весов и вводе конкретного начального состояния нейронов возникает переходный процесс, протекающий в соответствии с заданными настройками сети и завершающийся в одном из локальных минимумов. Благодаря такому режиму обучения веса принимают значения, определяемые усреднением множества обучающих выборок.

Задача, решаемая данной сетью в качестве ассоциативной памяти, как правило, формулируется следующим образом. Известен некоторый набор двоичных с сигнало (изображений, звуковых оцифровок, прочих данных, описывающих некие объекты или характеристики процессов), которые считаются образцовыми. Сеть должна уметь из произвольного неидеального сигнала, поданного на ее вход, выделить ("вспомнить" по частичной информации) соответствующий образец (если такой есть) или "дать заключение" о том, что входные данные не соответствуют ни одному из образцов.

По завершении подбора весов сети их значения “замораживаются”, и сеть может использоваться в режиме распознавания. В этой фазе на вход сети подается тестовый вектор х и рассчитывается ее отклик в виде , причем итерационный процесс повторяется для последовательных значений вплоть до стабилизации отклика.

При большом количестве образов образуются косвенные локальные минимумы, не соответствующие ни одному из запомненных образов, но определяемые сформированной структурой энергетической функции сети. Процесс распознавания может сойтись к одному из таких локальных минимумов, вследствие чего полученное решение не будет соответствовать состоянию ни одного из нейронов, принимавших участие в процессе обучения.

1.3. Однослойный персептрон

Искусственная нейронная сеть, состоящая из нейронов Мак-Каллока - Питтса показана на рисунке 1.4. Она производит "групповое" преобразование (вычисление) информации, поданную на её входа. ^[14]

Рисунок 1.4 – Нейронная сеть Мак-Каллока – Питтса

Элемент Σ умножает каждый вход х на вес w и суммирует взвешенные входы. Если эта сумма больше заданного порогового значения, выход равен единице, в противном случае – нулю. Эти системы (и множество им подобных) получили название персептронов. Они состоят из одного слоя искусственных нейронов, соединенных с помощью весовых коэффициентов с множеством входов, хотя в принципе описываются и более сложные системы.

В 1957 году Фрэнк Розенблатт предложил и реализовал принцип персептрона – однослойной искусственной нейронной сети (Рисунок 1.5). Персептрон Розенблатта моделировал процессы распознавания геометрических образов и состоял из рецепторного слоя (S), слоя преобразующих нейронов (А) и слоя реагирующих нейронов (R). В модели Розенблатта нейрон имеет несколько входов (дендритов) и один выход (аксон). Нейрон возбуждается и посылает импульс на свой выход, если число сигналов на возбуждающих входах превосходит число сигналов на тормозных входах на некоторую величину, называемую порогом срабатывания нейрона. В зависимости от характера внешнего раздражения, в S-слое образуется некая совокупность импульсов, поступающих на А-слой, где в соответствии с совокупностью пришедших импульсов образуются новые импульсы, поступающие на входы нейронов R-слоя.^[15]

Рисунок 1.5 – Логическая схема элементарного перцептрона

S-элементы (сенсоры) - это чувствительные элементы, которые от воздействия какого-либо из видов энергии (например, света, звука, давления, тепла и т. п.) вырабатывает сигнал. Если входной сигнал превышает некоторый порог θ, на выходе элемента получаем +1, в противном случае 0.

Рисунок 1.6 – Функция активации S-элемента

A-элементы (ассоциативные) называются логическими решающими элементами, которые дают выходной сигнал +1, когда алгебраическая сумма их входных сигналов равна или превышает некоторую пороговую величину θ (говорят, что элемент активный), в противном случае выход равен -1.

R-элементы (реагирующие, то есть действующие) называются элементы, которые выдают сигнал +1, если сумма их входных сигналов является строго положительной, и сигнал -1, если сумма их входных сигналов является строго отрицательной. Если сумма входных сигналов равна нулю, выход считается либо равным нулю, либо неопределённым.^[16]

Рисунок 1.7 – Функция активации R-элемента

23 июня 1960 года электронная машина «Марк-1», построенная в Корнелльском университете (штат Нью-Йорк) Фрэнком Розенблаттом, проявила способности к самообучению: она безошибочно узнавала, квадрат или круг ей показывают. Таким образом, она усвоила представление об основных геометрических фигурах и определяла квадрат, например, какого бы цвета или размера он ни был. Чтобы «научить» персептрон классифицировать образы, был разработан специальный итерационный метод обучения проб и ошибок, напоминающий процесс обучения человека — метод коррекции ошибки. Кроме того, при распознании той или иной буквы персептрон мог выделять характерные особенности буквы, статистически чаще встречающиеся, чем малозначимые отличия в индивидуальных случаях. Тем самым персептрон был способен обобщать буквы, написанные различным образом (почерком), в один обобщённый образ.

Различают однослойный персептрон, в котором входные элементы напрямую соединены с выходными с помощью системы весов и многослойный персептрон, в котром присутствуют дополнительные слои A-элементов.

Обучение персептрона

Функцией активации F для классического однослойного персептрона является ступенька:^[17]

Рисунок 2.5 Функция активации элементарного персептрона

Обучение однослойного персептрона подразумевает наличие обучающей выборки - множества пар векторов (Х^s, D^s), где вектор Х данной пары – это входной вектор персептрона, а D – это выходной вектор персептрона, который считается правильным при данном входном. Подадим на вход перcептрона вектор Х^s из обучающего множества и рассчитаем выход сети Y^s. Сравним выход сети с эталоном D^s. Зная разницу между ними, можно ввести коррекции для весовых коэффициентов и пороговых уровней:

Если ответ сети правильный (d^s – y^s = 0), то веса нейрона не изменяются.

Если ответ больше правильного (d^s – y^s < 0), то веса нейрона должны уменьшаться.

Если ответ меньше правильного (d^s – y^s > 0), то веса нейрона должны увеличиваться.

Перейти на шаг 1.

Для j-го нейрона в слое данное правило можно записать в виде системы дельта-правило:

Где ε - небольшое положительное число, характеризующиее скорость обучения; Δwij – коррекция, связанная с i-м входом нейрона; ΔΘj - коррекция порогового уровня j-го нейрона; wij(n+1) – значение веса после коррекции; wij(n) - значение веса до коррекции; Θj(n+1) - значение порогового уровня после коррекции; Θj(n) - значение порогового уровня до коррекции.

За конечное число шагов сеть научиться давать правильные ответы. При старте обучения веса и пороговые уровни инициализируются случайными значениями. Созданная таким образом сеть абсолютно неадекватна решаемой задаче и может генерировать на выходе только шум. Поэтому ошибка в начале обучения очень велика, и есть смысл вводить большие коррекции параметров. Ближе к концу обучения ошибка значительно снижается, и коррекции должны быть малыми. Чтобы менять длину шагов по параметрам, используют расписание обучения (learning schedule). Скорость обучения, зависит от времени обучения: ε(t). Обычно скорость монотонно убывает с ростом времени. Для сходимости алгоритма необходимо:

Часто выбирают ε(t) = 1/at, а > 0 или аналогичные функции. Алгоритмы с расписанием обучения сходятся быстрее, так как в начале используются большие коррекции, и дают более точные результаты за счет точной настройки параметров в конце обучения.

2. Использование нейронных сетей в финансах и бизнесе

Нейронные сети появились в 40-х годах, однако в финансах и экономике использовать их начали лишь в конце 80-х, когда была доказана сходимость основных классов нейронных сетей и существенно улучшена точность распознавания.

Основные задачи применения нейронных сетей в финансовом мире — прогнозирование котировок основных инструментов (курсов валют, ценных бумаг, ГКО и др.) и распознавания определенных ситуаций (например, подозрительных операций с кредитной картой).^[18]

Получение решения с помощью сети можно разделить на следующие этапы: создание сети, ее обучение и собственно решение задачи.

Сначала сеть строится, т. е. выбирается архитектура сети, количество слоев, передаточные функции, начальные веса. Следующим этапом является обучение, при котором сети подаются на вход значения, с известными ответами, сеть принимает решение, и происходит корректировка весов в соответствии с правильностью принятого решения. Обучение продолжается до тех пор, пока результаты принятия решения сетью не станут удовлетворительными. После того, как сеть обучена, ее можно применять для решения практических задач. Важнейшая особенность человеческого мозга состоит в том, что, однажды обучившись определенному процессу, он может верно действовать и в тех ситуациях, в которых он не бывал в процессе обучения. Например, мы можем читать почти любой почерк, даже если видим его первый раз в жизни. Так же и нейросеть, грамотным образом обученная, может с большой вероятностью правильно реагировать на новые, не предъявленные ей ранее данные. 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.

Примером сети, ориентированной на поиск зависимостей, можно привести нейросеть на основе методики МГУА (метод группового учета аргументов), которая позволяет на основе обучающей выборки построить зависимость одного параметра от других в виде полинома. 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.^[19]

Кластеризация - это разбиение разнородного набора примеров на несколько областей (кластеров), по каким-то общим признакам, причем число кластеров заранее неизвестно. Кластеризация позволяет представить неоднородные данные в более наглядном виде и использовать далее для исследования каждого кластера различные методы. Например, таким образом можно быстро выявить фальсифицированные страховые случаи или недобросовестные предприятия.

2.1. Применение нейронных сетей при распознавании объектов

В целом проблема распознавания образов (ПРО) состоит из двух частей: обучения и распознавания. Обучение осуществляется путем показа отдельных объектов с указанием их принадлежности тому или другому образу. В результате обучения распознающая система должна приобрести способность реагировать одинаковыми реакциями на все объекты одного образа и другими реакциями - на все объекты отличимых образов. Очень важно, что процесс обучения должен завершиться только путем показов конечного числа объектов. В качестве объектов обучения могут быть использованы изображения архитектурных объектов. Важно, что в процессе обучения указываются только сами объекты и их принадлежность образу. За обучением следует процесс распознавания новых объектов, который характеризует действия уже обученной системы. Автоматизация этих процедур и составляет проблему обучения распознаванию образов.

Для решения задачи распознавания лиц используются различные методики, среди кото­рых можно выделить подходы, основанные на нейронных сетях, алгебраических моментах, линиях одинаковой интенсивности, эластичных (деформируемых) эталонах сравнения.

Анализ методов выделения сюжетной части изображения показал, что для решения данной задачи эффективным является использование искусственных нейронных сетей, по­скольку они обеспечивают возможность получения классификатора, хорошо моделирующе­го сложную функцию распределения изображений строений, тем самым увеличивая точность решения по сравнению с решениями, получаемыми другими методами.

Наиболее часто в задачах распознавания и идентифи­кации изображений используются классические нейросетевые архитектуры (многослойный персептрон, сети с радиально-базисной функцией и др.), но применение классических нейросетевых архитектур в задачах распознавания имеет ряд недостатков, поэтому для решения данной задачи целесообразно использовать рекурсивные нейронные сети (например Хопфилда), обеспечивающие частичную устойчивость к изменениям масштаба, смещениям, поворотам, смене ракурса и прочим искажениям.

Архитектура нейронной сети включает большое количество чередующихся слоев двух типов: ассоциативные слои и подвыборочных (рисунок 2.1).^[20]

Рисунок 2.1 – Принцип использования нейронной сети для распознавания образов:

1 — вход; 2, 4, 6 — ассоциативные слои; 3, 5 — подвыборочные слои;

7 — слой из обычных нейронов; 8 — выход

Нейроны в пределах слоя организованы в плоскости. В каждом слое имеется набор из нескольких плоскостей, причем нейроны одной плоскости имеют одинаковые синаптические коэффициенты, ведущие ко всем локальным участкам предыдущего слоя. Каждый нейрон слоя получает входы от некоторой области предыдущего слоя, т. е. входное изображение предыдущего слоя как бы сканируется небольшим окном и пропускается сквозь набор синаптических коэффициентов, а результат отображается на соответствующий нейрон текущего слоя. Набор плоскостей представляет собой карты харак­теристик, и каждая плоскость находит “свои” участки изображения в любом месте преды­дущего слоя. Размер локального рецептивного поля выбирается самостоятельно в процессе разработки нейронной сети.(Рисунок 2.2)^[21]

Вход Карта признаков

Рисунок 2.2 – Результат сканирования изображения

Подвыборочный слой уменьшает масштаб плоскостей путем локального усреднения зна­чений выходов нейронов. Таким образом достигается иерархическая организация. Последую­щие слои извлекают более общие характеристики, слабее зависящие от искажений изобра­жения.

Постепенно нейронная сеть обучается выделять ключевые характеристики лиц в посту­пающих на вход изображениях; отклики нейронной сети образуют максимумы в местопо­ложениях объектов. ^[22]

Последовательность действий при распознавании в этом случае будет следующей:

Провести обесцвечивание изображения с выравниванием тонов к черному или белому

Провести разбиение обесцвеченного изображения на мелкую регулярную сетку, записать значения в массив (черный – 1, белый – 0)

Заранее приготовленная и обученная система персептронов обработает массив данных. Для сети следует выбрать наиболее подходящий вид дельта-правило, обеспечивающий корректную работу.

Настройкой весовых коэффициентов добиться максимальной точности, провести обучение сети на образцах.

Работу данного алгоритма иллюстрирует рисунок 2.3^[23]

Рисунок 2.3 – Алгоритм распознавания объекта

На рисунке видно, что выбран прямой вид на здание. В общем случае положение камеры может этого не обеспечивать, потому становится понятно не только, почему выше сказано про необходимость предварительной подготовки изображения, это основная сложность по сравнению с распознаванием простых символов. Возможно, целесообразно будет задействовать геолокацию, присутствующую в большинстве современных устройств, для определения угла зрения. Также понятно, что хотя разность углов зрения на объект при движении небольшая, можно как минимум немного «довернуть» трехмерную реконструкцию на нужный угол перед распознаванием. Дополнительное преимущество нейронной сети ещё и в том, что при наличии достаточного количества образцов распознавание будет лучше, чем при других методах – так, каскады Хоара потребуют набора очень большого количества признаков на сложных фотографиях зданий.

Перед тем, как дополнительно описать принцип работы перцептронной сети, следует упомянуть, что в отличие от простых символьных образов, могут возникать некоторые сложности с распознаванием снимка здания по признакам, основанным на сетке из обесцвеченного образа, т.к., очевидно, гораздо лучшее распознавание получится при выделении контура здания либо локализации его характерных частей отдельно.

Следует упомянуть и традиционное для этого метода трансформирование введенного изображения из графического в матричный вид. При распознавании образов, изображение подают на матрицу рецепторов по аналогии с тем, как изображение попадает на сетчатку человеческого глаза. По аналогии строится модель с полем рецепторов, представляющим собой прямоугольный массив, на котором можно изображать всевозможные конфигурации символов. Ввод информации в устройство, представляет собой процесс сканирования изображения с помощью периферийного устройства – камеры, и сохранения изображения в формате графического файла. Другим способом может служить создание изображения в любой графической программе. Сохраненное изображение представляет собой графический файл, т.е. последовательность кодовых знаков, которые несут в себе информацию о структуре визуального изображения. Однако для использования этой информации в математических целях, необходимо преобразовать этот последовательный зашифрованный код в более доступное матричное представление нулей и единиц (0 – не закрашенные, 1 – закрашенные точки).^[24]

Будем считать достаточным топологическое описание без дополнительных уточнений, т.к. простые геометрические деформации сохранят подобие с эталоном. Выбор классов (простых образов), для которых верна гипотеза компактности по сути является аналогом отдельного распознавания частей здания, что опять же подтверждает удачный выбор нейронной сети как инструмента в данной задаче.

Основная проблема подхода будет связана с выбором удовлетворительных процедур распознавания, этот вопрос отчасти остается открытым. Понятно только, что исходить следует из выделения опорных точек и контуров в силуэте здания, а также к их формализации таким образом, чтобы получившиеся признаки были кластеризуемы. Даже несмотря на присутствие вероятностных описаний в хорошей нейросети, признаки необходимо выделять продуманно. Эти дискриминантные функции пространства признаков можно попытаться изыскать из общих соображений аналитической геометрии.

2.2. Прогнозирование на основе нейросетей

Прогнозирование - это ключевой момент при принятии решений в управлении. Конечная эффективность любого решения зависит от последовательности событий, возникающих уже после принятия решения. Возможность предсказать неуправляемые аспекты этих событий перед принятием решения позволяет сделать наилучший выбор, который, в противном случае, мог бы быть не таким удачным. Поэтому системы планирования и управления, обычно, реализуют функцию прогноза. Далее перечислены примеры ситуаций, в которых полезно прогнозирование.

Управление материально-производственными запасами. В управлении запасами запасных частей на предприятии по ремонту самолетов совершенно необходимо оценить степень используемости каждой детали. На основе этой информации определяется необходимое количество запасных частей. Кроме того, необходимо оценить ошибку прогнозирования. Эта ошибка может быть оценена, например, на основе данных о времени, которое понадобилось для доставки деталей, которых не было на складе.^[25]

Планирование производства. Для того, чтобы планировать производство семейства продуктов, возможно, необходимо спрогнозировать продажу для каждого наименования продукта, с учетом времени доставки, на несколько месяцев вперед. Эти прогнозы для конечных продуктов могут быть потом преобразованы в требования к полуфабрикатам, компонентам, материалам, рабочим и т.д. Таким образом, на основании прогноза может быть построен график работы целой группы предприятий.

Финансовое планирование. Финансового менеджера интересует, как будет изменяться денежный оборот компании с течением времени.

Менеджер может пожелать узнать, в какой период времени в будущем оборот компании начнет падать, с тем, чтобы принять соответствующее решение уже сейчас.

Разработка расписания персонала. Менеджер почтовой компании должен знать прогноз количества обрабатываемых писем, с тем, чтобы обработка производилась в соответствии с расписанием персонала и производительностью оборудования.

Планирование нового продукта. Решение о разработке нового продукта обычно требует долговременного прогноза того, каким спросом он будет пользоваться. Этот прогноз не менее важен, чем определение инвестиций необходимых для его производства.

Управление технологическим процессом. Прогнозирование также может быть важной частью систем управления технологическими процессами. Наблюдая ключевые переменные процесса и используя их для предсказания будущего поведения процесса, можно определить оптимальное время и длительность управляющего воздействия. Например, некоторое воздействие в течение часа может повышать эффективность химического процесса, а потом оно может снижать эффективность процесса.

Прогнозирование производительности процесса может быть полезно при планировании времени окончания процесса и общего расписания производства.

2.3. Преимущества и недостатки прогнозирования на нейросетях

Прогнозирование на НС обладает рядом недостатков. Даже при прогнозировании требования на достаточно стабильный продукт на основе информации о ежемесячных продажах, возможно мы не сможем накопить историю за период от 50 до 100 месяцев. Для сезонных процессов проблема еще более сложна. Каждый сезон истории фактически представляет собой одно наблюдение. То есть, в ежемесячных наблюдениях за пять лет будет только пять наблюдений за январь, пять наблюдений за февраль и т.д. Может потребоваться информация за большее число сезонов для того, чтобы построить сезонную модель. Однако, необходимо отметить, что мы можем построить удовлетворительную модель на НС даже в условиях нехватки данных. Модель может уточняться по мере того, как свежие данные становится доступными.^[26]

Другим недостатком нейронных моделей — значительные затраты по времени и другим ресурсам для построения удовлетворительной модели. Эта проблема не очень важна, если исследуется небольшое число временных последовательностей. Тем не менее, обычно прогнозирующая система в области управления производством может включать от нескольких сотен до нескольких тысяч временных последовательностей.

Однако, несмотря на перечисленные недостатки, модель обладает рядом достоинств. Существует удобный способ модифицировать модель по мере того, как появляются новые наблюдения. Модель хорошо работает с временными последовательностями, в которых мал интервал наблюдений, т.е. может быть получена относительно длительная временная последовательность. По этой причине модель может быть использована в областях, где нас интересуют ежечасовые, ежедневные или еженедельные наблюдения. Эти модели также используются в ситуациях, когда необходимо анализировать небольшое число временных последовательностей.

2.4. Обзор программных продуктов

В данной главе приведены краткие характеристики наиболее распространенных программных продуктов.

NeuroShell 2 - программная среда с дружественным и интуитивно понятным интерфейсом, в которой реализованы наиболее распространенные и эффективные нейросетевые архитектуры. Этот программный продукт удовлетворит и новичка, и профессионала. NeuroShell сопровождает целая серия дополнений, которые могут существенно упростить решение ряда специфических задач.^[27]

GeneHunter - "охотник за генами" использует генетические алгоритмы для решения сложных, очень сложных и очень-очень сложных комбинаторных и оптимизационных задач. GeneHunter является надстройкой Microsoft Excel, т.е. пользователь решает свои задачи непосредственно из рабочего листа, содержащего данные. Кроме того, в состав GeneHunter входит динамическая библиотека функций генетических алгоритмов, совместимая с NeuroWindows, что позволяет пользователю создавать мощные гибридные системы, сочетающие нейронные сети и генетические алгоритмы.^[28]

NeuroShell Trader не похож ни на один из графических пакетов потому, что мощные нейронные сети для предсказаний становятся осязаемыми. Только соединив вместе наиболее важные принципы графического отображения, технический анализ и нейронные сети в один простой пакет, оказалось возможным создать продукт специально для трейдеров.

NeuroShell Easy Series

Easy - в перводе "легкий, простой" - вовсе не означает, что в данную серию входят примитивные алгоритмы. Напротив, нейросетевые архитектуры, лежащие в основе программ данной серии, являются самыми последними достижениями научного поиска, результатом которого явилось создание алгоритма "самопостроения" нейронной сети, обладающей рекордными скоростями обучения. Поэтому термин "легкий" относится к простоте, с которой пользователь может обрабатывать свои данные. Теперь пользователь должен сосредоточиться только на формулировке задачи, все остальное программы данной серии сделают сами.

В состав серии входят:

NeuroShell Easy Predictor - Предсказатель

NeuroShell Easy Classifier - Классификатор

NeuroShell Easy Run-Time Server - Генератор автономных файлов.

NeuroShell Easy Predictor - дает возможность с легкостью создавать системы для решения задач

прогнозирования и предсказания на основе имеющейся базы данных. Это могут быть предсказания следующих значений параметров временного ряда, например, предсказание курса акций, или оценка какой-либо величины, определяемой набором независимых факторов, например, оценка стоимости квартир или подержанных автомобилей.

NeuroShell Easy Classifier - предназначен для решения задач распознавания образов, связанных с определением принадлежности предъявляемого образа (ситуации) к той или иной категории. Например, по набору биржевых показателей вырабатывать сигнал для покупки или продажи акций той или иной компании.

NeuroShell Easy Run-Time Server - содержит серию программ, которые позволяют использовать сети, созданные с помощью NeuroShell Easy Predictor и NeuroShell Easy Classifier либо из рабочих листов Microsoft® Excel™, либо в собственных программах.

NeuroWindows - представляет собой динамическую библиотеку нейросетевых функций, с помощью которых программист в состоянии построить нейросетевые структуры практически произвольной архитектуры.

Перед тем, как дополнительно описать принцип сети, следует упомянуть, что в отличие от простых символьных образов, могут возникать некоторые сложности с распознаванием снимка здания по признакам, основанным на сетке из обесцвеченного образа, т.к., очевидно, гораздо лучшее распознавание получится при выделении контура здания либо локализации его характерных частей отдельно.
Следует упомянуть и традиционное для этого метода трансформирование введенного изображения из графического в матричный вид. При распознавании образов, изображение подают на матрицу рецепторов по аналогии с тем, как изображение попадает на сетчатку человеческого глаза. По аналогии строится модель с полем рецепторов, представляющим собой прямоугольный массив, на котором можно изображать всевозможные конфигурации символов. Ввод информации в устройство, представляет собой процесс сканирования изображения с помощью периферийного устройства – камеры, и сохранения изображения в формате графического файла. Другим способом может служить создание изображения в любой графической программе. Сохраненное изображение представляет собой графический файл, т.е.  в отличие от простых символьных образов, могут возникать некоторые сложности с распознаванием снимка здания по признакам, основанным на сетке из обесцвеченного образа, т.к., очевидно, гораздо лучшее распознавание получится при выделении контура здания либо локализации его характерных частей отдельно.
 

3. ПРИМЕНЕНИЕ НЕЙРОСЕТЕВЫХ ТЕХНОЛОГИЙ НА ПРАКТИКЕ

Нейронные сети и генетические алгоритмы в настоящее время находят огромное число разнообразных применений. Действительно, в любой области человеческой деятельности есть плохо алгоритмизуемые задачи, для решения которых необходима либо постоянная работа группы квалифицированных экспертов, либо адаптивные системы автоматизации, каковыми являются нейронные сети. Разные компании выбирают разные варианты - одни предпочитают тратить деньги на оплату лучших специалистов и их обучение, другие покупают полностью готовые специализированные нейросетевые системы, а третьи комбинируют эти подходы, создавая собственные системы с нуля или на основе готовых коммерческих пакетов. Каждый из вариантов внедрения новых технологий имеет свои достоинства и недостатки (таб.3.1, 3.2, 3.3, 3.4):

Таблица 3.1 - Создание группы экспертов

Достоинства	 Возможность словесного общения  Возможность учета неформализуемых факторов
Недостатки	 Высокие расходы на зарплату  Расходы на повышение квалификации  Опасность потери эксперта (переход к конкуренту, эмиграция, болезнь и т.д.)  Человеческая субъективность  Противоречивость мнений различных экспертов

Таблица 2 - Покупка готовой заказной системы

Достоинства	 Относительно невысокая стоимость эксплуатации  Система создана лучшими специалистами  Система сделана с учетом специфики компании
Недостатки	 Очень высокая стоимость разработки  Невысокая гибкость  Необходимость в разглашении секретов делового процесса компании  Необходимость в привлечении специалистов со стороны для исправления ошибок, внесения изменений и т.д.

Таблица 3.3 - Создание собственной системы «с нуля»

Достоинства	 Управление процессом разработки  Легкость внесения изменений и модернизации  Полная конфиденциальность
Недостатки	 Необходим штат программистов  Необходимы специалисты по нейросетям  Занимает много времени  Высокая стоимость  Необходима настройка системы

Таблица 3.4 - Создание системы на основе готовых «нейропакетов»

Достоинства

 Невысокая стоимость базового пакета и обновлений  Готовые архитектуры и алгоритмы обучения  Пакет создан профессионалами в области нейросетей  Достаточно высокая гибкость  Техническая поддержка производителя пакета  Полная конфиденциальность  Не требуется программирование  От пользователя не требуется глубокого знания нейросетей  Более эффективное обнаружение и исправление ошибок за счет большого числа пользователей  Возможность приобретения надстроек к пакету у различных производителей  Возможность общения с другими пользователями пакета

Недостатки

 Не всегда возможно создавать собственные архитектуры и алгоритмы обучения  Необходима настройка системы  Необходима подготовка данных

Из приведенной таблицы видно, что выбор варианта решения должен определяться исходя из целей и возможностей компании. Первые три варианта больше подойдут очень крупным компаниям, планирующим деятельность на 5-10 лет вперед и не ожидающим быстрой окупаемости вложений в новые технологии. По этому пути идут многие западные фирмы, желающие увеличить прибыльность своего бизнеса в условиях жесткой конкуренции.

Вариант создания собственной системы на основе готового нейропакета подходит для менее крупных компаний и даже для частных лиц - инвесторов, трейдеров, предпринимателей. Впрочем, имеется и несколько примеров крупнейших концернов, избравших этот вариант и добившихся успеха. Так, например, компания DuPont разработала новый материал - безопасное стекло, используя нейросетевой пакет NeuroShell. Также этот пакет используется в крупных западных банках, таких как Citibank, Security Pacific National Bank, The World Bank, Lloyds Bank, The Federal Reserve Board, Federal Reserve Bank of New York, и в страховых компаниях Royal Insurance, Presidential Life Insurance, New York Life Insurance и других. Ниже будет рассказано об некоторых способах использования нейросетей в различных областях бизнеса и технологий (таблица 3.5):^[29]

Таблица 3.5 - Использование нейросетей в различных областях бизнеса и технологий

Функции	До применения нейросетей	После применения нейросетей
1. Отслеживание операций с краденными и поддельными кредитными картами	Отслеживание операций по картам с помощью специальных программ и операторов	Специализированная система Falcon фирмы HNC позволяет по частоте сделок и характеру покупок выделить подозрительные сделки и сигнализировать об этом.
2.Медицинская диагностика	Общепринятая методика объективной диагностики состоит в том, что в процессе обследования регистрируются "вызванные потенциалы" (отклики мозга) в ответ на звуковой раздражитель, проявляющиеся в виде всплесков на электроэнцефалограмме. Для диагностики слуха у детей врачу необходимо провести около 2000 тестов, что занимает около часа.	Компанией "НейроПроект" создана система объективной диагностики слуха у грудных детей. Нейросеть способна с той же достоверностью определить уровень слуха уже по 200 наблюдениям в течение всего нескольких минут, причем без участия квалифицированного персонала.
3. Обнаружение фальсификаций	Применение специальной экспертной системы с 14% эффективностью.	Нейросеть позволяет обнаруживать 38% мошеннических случаев. Для настройки системы были использованы также методы нечеткой логики и генетической оптимизации.
4. Анализ потребительского рынка	Обычные методы прогнозирования отклика потребителей маркетинговой службой и группой аналитиков.	Компания GoalAssist Corporation построила две нейросети для решения этой задачи. Первая из них - это сеть с адаптивной архитектурой пакета NeuroShell Classifier компании Ward Systems Group, на входы которой подавались различные параметры товаров и рекламной политики. С помощью этой сети, предназначенной специально для классификации, было получено разделение входов на 4 класса, характеризующих отклик потребителей. Те же входы вместе с ответом первой сети подавались далее на вход пакета NeuroShell Predictor, который также содержит сложную самоорганизующуюся сеть, но приспособленную для задач количественного прогнозирования. Средняя ошибка предсказаний составила всего около 4%. Построение этой модели заняло около 120 часов, также потребовалось время на предобработку входных данных.
5. Исследование факторов спроса	Проведение маркетинговых и социологических исследований. для этого компании проводят опросы потребителей, позволяющие выяснить, какие факторы являются для потребителя решающими при покупке данного товара или услуги, почему в некоторых случаях предпочтение отдается конкурентам, и какие улучшения товара потребитель хотел бы увидеть в будущем.	Нейросетевые методы позволяют вывлять 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.
6.Прогнозирова-ние потребления энергии	Эти данные получают в результате измерений потребляемой энергии для каждого клиента. Измерения проводятся каждые 15 минут, причем известно, что некоторые из них - ошибочны.	С помощью нейросетей была построена система выявления ошибочных измерений, а также система прогнозирования потребления энергии в каждый момент времени. Знание точного прогноза позволило энергетической компании использовать гибкую тарифную политику и увеличить свою прибыль.
7. Оценка недвижимости	Стоимость недвижимости зависит от большого числа факторов. Так как вид этой зависимости неизвестен, то стандартные методы анализа неэффективны в задаче оценки стоимости квартиры. Как правило, эта задача решается экспертами-оценщиками, работающими в агентстве по недвижимости. Недостатком такого подхода является субъективность оценщика, а также возможные разногласия между различными экспертами.	Существуют успешные примеры решения задачи объективной оценки с помощью нейросети.

Приведенные выше примеры показывают, что технологии нейронных сетей применимы практически в любой области. В некоторых задачах, таких как прогнозирование котировок или распознавание образов, нейросети стали уже привычным инструментом. Нет сомнений, что повсеместное проникновение новых технологий и в другие области - только вопрос времени.

Внедрение новых наукоемких технологий в коммерческой фирме - достаточно непростое дело, требующее, кроме денег и времени, еще и некоторой перемены психологии. Однако, практика показывает, что эти вложения окупаются и выводят компанию на качественно новый уровень.

ЗАКЛЮЧЕНИЕ

Нейронные сети - это обобщенное название нескольких групп математических алгоритмов, объединенных одним общим свойством - умением обучаться на группе примеров, “узнавая” впоследствии черты ранее встреченных образов и ситуаций.

Основными предопределяющими условиями их использования являются наличие «исторических данных», используя которые нейронная сеть сможет обучиться, а также невозможность или неэффективность использования других, более формальных, методов. Для того, чтобы сеть можно было применять в дальнейшем, ее прежде надо "натренировать" на полученных ранее данных, для которых известны и значения входных параметров, и правильные ответы на них. Нейросеть может "научиться" даже на массиве сгенерированных случайных чисел.

Нейросетевые технологии, применяемые в финансовом и других методах анализа, давно перестали быть модной экзотикой и вызывать недоумение специалистов. В мире накоплен громадный опыт применения нейросетей, сто из ста западных финансовых и промышленных компаний применяют нейротехнологии в том или ином виде. В России же еще недавно найти приличный нейропакет было весьма непросто. Однако к настоящему времени барьер недоверия сломлен, появились обнадеживающие результаты решения различных аналитических задач с элементами нейротехнологий в условиях суровой российской действительности. Сегодня аналитики могут выбрать себе систему построения прогнозов соответственно своему вкусу, кругу решаемых задач.

В данной курсовой работе исследована тема использования нейронных сетей в финансах и бизнесе, показано применение нейросетевых технологий на практике, их достоинства и недостатки в зависимости от параметров внедрения.

Нейрокомпьютеры позволяют с высокой эффективностью решать целый ряд "интеллектуальных" задач. Это задачи распознавания образов, адаптивного управления, прогнозирования, диагностики и т.д. Нейросети и нейрокомпьютеры представляют собой принципиально новый подход к описанным проблемам.

иллюстрирует рисунок 3.3
Рисунок 3.3 – Алгоритм распознавания объекта
На рисунке видно, что выбран прямой вид на здание. В общем случае положение камеры может этого не обеспечивать, потому становится понятно не только, почему выше сказано про необходимость предварительной подготовки изображения, это основная сложность по сравнению с распознаванием простых символов. Возможно, целесообразно будет задействовать присутствующую в большинстве современных устройств, для определения угла зрения. Также понятно, что хотя разность углов зрения на объект при движении­ небольшая, можно как минимум немного «довернуть» трехмерную реконструкцию на нужный угол перед распознаванием. Дополнительное преимущество нейронной сети ещё и в том, что при наличии достаточного количества образцов распознавание будет лучше, чем при других методах – так, каскады Хоара потребуют набора очень большого количества признаков на сложных фотографиях зданий.

Будем считать достаточным топологическое описание без дополнительных уточнений, т.к. простые геометрические деформации сохранят подобие с эталоном. Выбор классов (простых образов), для которых верна гипотеза компактности по сути является аналогом отдельного распознавания частей здания, что опять же подтверждает удачный выбор нейронной сети как инструмента в данной задаче.
Основная проблема подхода будет связана с выбором удовлетворительных процедур распознавания, этот вопрос отчасти остается открытым. Понятно только, что исходить следует из выделения опорных точек и контуров в силуэте здания, а также к их формализации таким образом, чтобы получившиеся признаки были. Даже несмотря на присутствие вероятностных описаний в хорошей признаки необходимо выделять продуманно. Эти дискриминантные функции пространства признаков можно попытаться изыскать из общих соображений аналитической геометрии.

Заключение

В данной курсовой работе был проведен анализ возможности использования нейронных сетей для разработки автоматизированной системы дополнительной реальности,­ позволяющей получать пользователю дополнительную информацию о известных туристических объектах.
В ходе выполнения работы было произведено рассмотрение концепции автоматизированной системы, описаны как предпочтительные технологические составляющие, так и математические основы наиболее сложной части такой системы. Были освещены существующие аналоги такой системы, возможные проблемы различных подходов к её реализации, а также рассмотрена возможная структура нейронной сети и алгоритм ее функционирования.

Список использованных источников

1. Анил, К. Джейн Введение в искусственные нейронные сети/ К. Джейн Анил, Мао Жианчанг, К.М. Моиуддин. // Открытые системы. — 2013 г., №4.
2. Виноградова, М.М. Интеллектуальные информационные технологии в экономике и управлении/М.М. Виноградова//Стратегический маркетинг гражданской продукции оборонной промышленности: доклад научно-практических семинаров. – М., 2011.
3. Грабауров, В.А. Информационные технологии для менеджеров/В.А. Грабауров. - М.: Изд-во «Финансы и статистика», 2001. – 368 с.
4. Луценко, Е.В. Интеллектуальные информационные системы/ Е.В. Луценко, Краснодар: КубГАУ, 2016. – 615 с.
5. NeuroProject [Электронный ресурс]. –Al&Data Analysis. Электрон. Дан. – М NeuroProjec Al&Data Analysis, 2012 – 2006. - Режим доступа: http// www.neuroproject.ru, свободный. – Заглавие с экрана.
6. Финн В.К. Искусственный интеллект: Идейная база и основной продукт, 9-я национальная конференция по искусственному интеллекту, Труды конференции, Т.1, М., Физматлит, 2014, с.11-20.
7. Финн В.К. Об интеллектуальном анализе данных //Новости искусственного интеллекта №3, 2014.
8. Карпов В.Э. Эволюционное моделирование. Проблемы формы и содержания // Новости искусственного интеллекта №5, 2013.
9. Барсуков А.П. Кто есть кто в робототехнике. Справочник. Вып.1., ДМК-Пресс, 2015, -125 с.
10. Добрынин Д.А., Карпов В.Э. Моделирование некоторых простейших форм поведения: от условных рефлексов к индуктивной адаптации //Сб. научных трудов I Международной конференции «Системный анализ и информационные технологии САИТ-2015», М.: КомКнига, Т.1, стр. 188-193.
11. Ф.Уоссермен, Нейрокомпьютерная техника, М., Мир, 2012.
12. Кохонен Т. Самоорганизация и ассоциативная память. Springer. 2014. 187 с.
13. Шапот М. Интеллектуальный анализ данных в системах поддержки принятия решений. - // Открытые системы, 2014, N1, с. 30-35.
14. Продукты для интеллектуального анализа данных. - программных средств. 2012, N14-15, с.32-39.
15. Бодянский Е.В., Руденко О.Г. Искусственные нейронные сети: архитектуры, обучение, применения. - Харьков: Телетех, 2014. - 369 с.: ил.
16. Кречетов Н.. Продукты для интеллектуального анализа данных. — Рынок программных средств. № 14-15, 2009. с. 32-39.
17. Осовский С. Нейронные сети для обработки информации / Пер. с польского И.Д. Рудинского. - М.: Финансы и статистика, 2012. - 344 с.
18. Губарев В В., Альсова O.K., Беленький А.И., Гаврилов А.В., Голованскнй А.П., Давыдова Т.Н., Канглер В.М. Управление Новосибирским водохранилищем на основе прогнозирования притока. - // Водное хозяйство России. Проблемы, технологии, управление, Екатеринбург. Изд-во РосНИИВХ, 2015, т. 2, № 5. - С. 484-499.
19. Гаврилов А.В. Гибридные интеллектуальные системы. - Новосибирск: Изд-во НГТУ.2013. - 164 с.
20. Гаврилов А.В., Канглер В.М. Использование искусственных нейронных сетей для анализа данных. - // Сб. научи, трудов НГТУ. - Новосибирск: Изд-во НГТУ. 2009. - № 3(16). - С. 56-63.
21. Гаврилов А.В.. Губарев В В. Применение модели Хопфилда для решения задачи прогнозирования на примере анализа притока реки Обь. // 2-я Всероссийская научно-техн. конф. "Нейроинформатика-2010", М., - С. 33-38.

1. Луценко, Е.В. Интеллектуальные информационные системы/ Е.В. Луценко, Краснодар: КубГАУ, 2016. – 615 с. ↑

2. Анил, К. Джейн Введение в искусственные нейронные сети/ К. Джейн Анил, Мао Жианчанг, К.М. Моиуддин. // Открытые системы. — 2013 г., №4. ↑

3. Виноградова, М.М. Интеллектуальные информационные технологии в экономике и управлении/М.М. Виноградова//Стратегический маркетинг гражданской продукции оборонной промышленности: доклад научно-практических семинаров. – М., 2011. ↑

4. Луценко, Е.В. Интеллектуальные информационные системы/ Е.В. Луценко, Краснодар: КубГАУ, 2016. – 615 с. ↑

5. Анил, К. Джейн Введение в искусственные нейронные сети/ К. Джейн Анил, Мао Жианчанг, К.М. Моиуддин. // Открытые системы. — 2013 г., №4. ↑

6. Луценко, Е.В. Интеллектуальные информационные системы/ Е.В. Луценко, Краснодар: КубГАУ, 2016. – 615 с. ↑

7. Анил, К. Джейн Введение в искусственные нейронные сети/ К. Джейн Анил, Мао Жианчанг, К.М. Моиуддин. // Открытые системы. — 2013 г., №4. ↑

8. Луценко, Е.В. Интеллектуальные информационные системы/ Е.В. Луценко, Краснодар: КубГАУ, 2016. – 615 с. ↑

9. Луценко, Е.В. Интеллектуальные информационные системы/ Е.В. Луценко, Краснодар: КубГАУ, 2016. – 615 с. ↑

10. Анил, К. Джейн Введение в искусственные нейронные сети/ К. Джейн Анил, Мао Жианчанг, К.М. Моиуддин. // Открытые системы. — 2013 г., №4. ↑

11. Луценко, Е.В. Интеллектуальные информационные системы/ Е.В. Луценко, Краснодар: КубГАУ, 2016. – 615 с. ↑

12. Гаврилов А.В. Гибридные интеллектуальные системы. - Новосибирск: Изд-во НГТУ.2013. - 164 с. ↑

13. 1. Гаврилов А.В. Гибридные интеллектуальные системы. - Новосибирск: Изд-во НГТУ.2013. - 164 с.

    ↑

14. 1. Гаврилов А.В. Гибридные интеллектуальные системы. - Новосибирск: Изд-во НГТУ.2013. - 164 с.

    ↑

15. Гаврилов А.В. Гибридные интеллектуальные системы. - Новосибирск: Изд-во НГТУ.2013. - 164 с. ↑

16. Гаврилов А.В. Гибридные интеллектуальные системы. - Новосибирск: Изд-во НГТУ.2013. - 164 с. ↑

17. Гаврилов А.В. Гибридные интеллектуальные системы. - Новосибирск: Изд-во НГТУ.2013. - 164 с. ↑

18. Осовский С. Нейронные сети для обработки информации / Пер. с польского И.Д. Рудинского. - М.: Финансы и статистика, 2012. - 344 с. ↑

19. Осовский С. Нейронные сети для обработки информации / Пер. с польского И.Д. Рудинского. - М.: Финансы и статистика, 2012. - 344 с. ↑

20. Гаврилов А.В., Канглер В.М. Использование искусственных нейронных сетей для анализа данных. - // Сб. научи, трудов НГТУ. - Новосибирск: Изд-во НГТУ. 2009. - № 3(16). - С. 56-63. ↑

21. Гаврилов А.В., Канглер В.М. Использование искусственных нейронных сетей для анализа данных. - // Сб. научи, трудов НГТУ. - Новосибирск: Изд-во НГТУ. 2009. - № 3(16). - С. 56-63. ↑

22. Осовский С. Нейронные сети для обработки информации / Пер. с польского И.Д. Рудинского. - М.: Финансы и статистика, 2012. - 344 с. ↑

23. Гаврилов А.В., Канглер В.М. Использование искусственных нейронных сетей для анализа данных. - // Сб. научи, трудов НГТУ. - Новосибирск: Изд-во НГТУ. 2009. - № 3(16). - С. 56-63. ↑

24. Осовский С. Нейронные сети для обработки информации / Пер. с польского И.Д. Рудинского. - М.: Финансы и статистика, 2012. - 344 с. ↑

25. Осовский С. Нейронные сети для обработки информации / Пер. с польского И.Д. Рудинского. - М.: Финансы и статистика, 2012. - 344 с. ↑

26. Осовский С. Нейронные сети для обработки информации / Пер. с польского И.Д. Рудинского. - М.: Финансы и статистика, 2012. - 344 с. ↑

27. Грабауров, В.А. Информационные технологии для менеджеров/В.А. Грабауров. - М.: Изд-во «Финансы и статистика», 2001. – 368 с. ↑

28. Гаврилов А.В., Канглер В.М. Использование искусственных нейронных сетей для анализа данных. - // Сб. научи, трудов НГТУ. - Новосибирск: Изд-во НГТУ. 2009. - № 3(16). - С. 56-63. ↑

29. Грабауров, В.А. Информационные технологии для менеджеров/В.А. Грабауров. - М.: Изд-во «Финансы и статистика», 2001. – 368 с. ↑