21

ФЕДЕРАЛЬНОЕ АГЕНТСТВО ПО ОБРАЗОВАНИЮ

Брянский государственный технический университет

УТВЕРЖДАЮ

Ректор университета

__________ А.В. Лагерев

“____”__________2007 г.

ИНТЕЛЛЕКТУАЛЬНЫЕ ИНФОРМАЦИОННЫЕ СИСТЕМЫ

ПРЕДСКАЗАНИЕ ВРЕМЕННЫХ РЯДОВ

С ПОМОЩЬЮ НЕЙРОСЕТЕЙ

Методические указания

к выполнению лабораторной работы № 2

для студентов очной и очно-заочной форм обучения специальности

080801 - «Прикладная информатика (в экономике)»

Брянск 2007

УДК: 33:004

Интеллектуальные информационные системы. Предсказание временных рядов с помощью нейросетей: методические указания к выполнению лабораторной работы № 2 для студентов очной и очно-заочной форм обучения специальности 080801 - «Прикладная информатика (в экономике)». - Брянск: БГТУ, 2007. - 21 с.

Разработала:

Е.В. Александрович,

ассистент

Рекомендовано кафедрой «Экономика, организация производства, управление» БГТУ (протокол № 10 от 03.07.2006 г.)

Научный редактор И.А. Безменов

Редактор издательства Т.И. Королева

Компьютерный набор Е.В. Александрович

Темплан 2007, п.

Подписано в печать Формат 60х84 1/16 Бумага офсетная. Офсетная печать. Усл. печ. л. 0,93 Уч.-изд.л. 0,93 Тираж 50 экз. Заказ Бесплатно

Брянский государственный технический университет

241035, Брянск, бульвар 50-летия Октября, 7, БГТУ. 58-82-49

Лаборатория оперативной полиграфии БГТУ, ул. Институтская, 16

1. ЦЕЛЬ РАБОТЫ

Целью лабораторной работы является получение практических навыков в предсказании поведения временных рядов; в создании и настройки нейросети в системе PathFinder; ознакомление со структурными составляющими сети.

2. ПОРЯДОК ВЫПОЛНЕНИЯ РАБОТЫ

Каждый студент выполняет работу индивидуально или в бригаде на отдельном компьютере.

1. Изучение теоретических вопросов.

2. Выполнение индивидуального практического задания.

3. Оформление отчета.

4. Ответы на контрольные вопросы.

Студент допускается к выполнению лабораторной работы только после собеседования с преподавателем.

На выполнение лабораторной работы отводится 8 часов.

3. ТЕОРЕТИЧЕСКИЕ СВЕДЕНИЯ

3.1. Архитектура нейросетей

Анализ и прогнозирование являются неотъемлемой частью современного бизнеса. Все больше и больше организаций берут на вооружение современные программные средства. На их основе можно оперативно получать нужную аналитическую информацию, прогнозировать, оптимизировать существующие бизнес процессы и делать многое другое. Предсказание финансовых временных рядов - необходимый элемент любой инвестиционной деятельности. Сама идея инвестиций - вложения денег сейчас с целью получения дохода в будущем - основывается на идее прогнозирования будущего. Соответственно, предсказание финансовых временных рядов лежит в основе деятельности всей индустрии инвестиций - всех бирж и небиржевых систем торговли ценными бумагами.

Нейросети являются относительно новым инструментом анализа данных, к типичному списку задач, решаемых нейросетью, относятся:

1. аппроксимация функций по набору точек (регрессия);

2. классификация данных по заданному набору класса;

3. сжатие информации;

4. кластеризация данных;

5. восстановление утраченных данных;

6. организация ассоциативной памяти;

7. оптимизация, оптимальное управление.

Нейросети применяются в различных областях деятельности, в том числе экономике и бизнесе, для:

1. предсказания рынков;

2. оценки риска не возврата кредитов;

3. предсказания банкротства;

4. оценки стоимости недвижимости;

5. выявления переоцененных и недооцененных компаний;

6. автоматического рейтингования;

7. автоматического считывания чеков и форм;

8. безопасности транзакций по пластиковым картам и др.

Нейросети также используются в автоматизации для:

1) оптимизации режимов производственного процесса;

2) комплексной диагностики качества продукции;

3) мониторинга и визуализации многомерной информации;

4) предупреждения аварийных ситуаций.

Нейросеть представляет собой новый инструмент анализа данных, отличительной чертой нейросетей являются глобальные связи. Базовыми элементами нейросетей являются нейроны. Каждый нейрон, как правило, связан со всеми нейронами предыдущего слоя обработки данных (рис. 1).

Архитектура нейросетей проста и универсальна. Специализация связей возникает на этапе их обучения под влиянием конкретных данных.

Типичный нейрон производит простейшую операцию: взвешивает значение своих входов со своими же локально хранимыми весами и производит над суммой нелинейное преобразование.

При создании нейросети следует руководствоваться следующими простыми соображениями.

• Если вы хотите, чтобы построенная нейросеть хорошо аппроксимировала ваши данные (находила статистически значимые закономерности), общее число связей сети (весов) должно быть в несколько раз, а лучше - на порядок меньше числа обучающих примеров. Это обеспечит достаточно гладкую аппроксимацию данных. В противном случае простроенная нейросеть просто "запомнит" ваши данные, потеряв возможность делать статистически значимые предсказания на новых данных. Это нежелательное явление называется "переобучением".

Рис. 1. Глобальность связей в искусственных сетях

• В большинстве задач аппроксимации нет смысла использовать архитектуру нейросети с количеством скрытых слоев более одного. Нелинейный характер нейросети определяется количеством нейронов в этом скрытом слое.

В задачах анализа временных рядов целью является прогноз будущих значений переменной, зависящей от времени, на основе предыдущих значений ее или других переменных.