6. Аналіз отриманих результатів

Рис. 2.1. Ілюстрація алгоритму роботи з нейромережею

1. Постановка завдання.

Нейронна мережа не може вирішувати завдання, поставленого в довільній формі. Вона може «зрозуміти» лише обмежене коло завдань, представлених у певній формі. Сильно спростивши процес постановки завдання, можна вважати, що необхідно визначити, що слід дати на вхід мережі, а що на вихід. Число входів краще взяти з запасом, буде навіть краще, якщо список виявиться надмірною. Пов'язано це з тим, що не можна заздалегідь визначити, яка з залежних змінних найкраще пояснює вихід.

2. Збір даних для входу і виходу.

Після визначення структури завдання, виявивши, які дані необхідні для входу і для виходу майбутньої нейронної мережі, дослідник повинен зібрати ряди даних для подальшого аналізу. Також важливо відзначити, що дані різних рядів повинні бути порівняні один з одним. Тут вибирається розмір вибірки, з якою буде надалі працювати дослідник.

3. Перетворення даних під нейронну мережу.

На жаль, дані в їх звичайному поданні не можуть бути подані на вхід нейронної мережі. Зазвичай на вхід можуть бути подані числа, що лежать у відрізку [0,1]. Звідси виникає інваріантність представлення вхідних даних, навіть якщо мова спочатку йшла лише про одне ряді вхідних даних. Існує безліч методів нормалізації даних, які дозволяють втрачати мінімум інформації про первісному ряді. Зважаючи на наявність великої кількості варіантів, як традиційних, так і менш традиційних, даний пункт дає досліднику великий простір для творчості та індивідуалізації дослідницької роботи.

4. Вибір конфігурації нейронної мережі.

Після перетворення даних під можливості нейронної мережі, дослідник переходить до вибору конфігурації самої нейронної мережі. На даний момент вивчено велику кількість нейромережевих конфігурацій (парадигм), кожна з яких пристосована до вирішення тієї чи іншої задачі. Усередині кожної парадигми також існує безліч варіантів для побудови нейронної мережі. На даному етапі вибирається переважно кількість шарів нейронів, кількість нейронів в одному шарі. Успішне виконання цього пункту залежить від досвіду дослідника, а також від часу, який він витратить на аналіз здібностей кожної з обраних конфігурацій. На жаль, на даний момент існують керівництва до вибору конфігурацій нейронних мереж, що базуються не на теоретичних, а на емпіричних результатах.

У більшості випадків, як вже було відмічено раніше, для вирішення завдання прогнозування найбільше підходить клас нейронних мереж типу «багатошаровий перцептрон».

5. Навчання нейронної мережі.

Існує кілька способів навчання нейронної мережі. Найбільш поширений з них - навчання з вчителем. цей метод має назву навчання за , і більш детально буде розглядатися нижче.

6. Аналіз отриманих результатів.

В результаті пунктів 1-5 дослідник має кілько нейронних мереж, які показали себе найбільш успішно у вирішенні поставленого завдання. У 6 пункті за допомогою нейронної мережі вирішують завдання, поставлене в першому пункті. Якщо перед дослідником стоїть завдання прогнозування, то результатом є значення ряду в наступний момент часу. Аналіз же полягає в тому, щоб оцінити якість отриманого прогнозу. [24]

Навчання нейронної мережі буде проводитися за Δ-правилом.

Алгоритм навчання за Δ-правилом:

1 крок: ініціалізація матриці ваг (і порогів, у разі використання порогової функції активації) випадковим чином.

2 крок: пред'явлення нейронної мережі образу (на вхід подаються значення з навчальної вибірки - вектор Х), береться відповідний вихід (вектор D).

3 крок: обчислення вихідних значень нейронної мережі (вектор Y).

4 крок: обчислення для кожного нейрона величини розбіжності реального результату з бажаним.

де - бажане вихідне значення на і-нейроні, - реальне значення на і-нейроні.

5 крок: зміна ваг (і порогів при використанні порогової функції) за формулами:

де t-номер поточної ітерації циклу навчання, - вага зв'язку j-входу з i-нейроном, - коефіцієнт навчання, задається від 0 до 1, - вхідне значення, - порогове значення нейрона.

6 крок: перевірка умови продовження навчання (обчислення значення помилки і/або перевірка заданої кількості ітерацій). Якщо навчання не завершено, то 2 крок, інакше закінчуємо навчання.[25]

Прогнозування валютних курсів майже ідеально підходить для використання теорії нечітких множин у поєднанні із нейронними мережами, так як загальним для всіх цих інструментів з позицій технічного аналізу є відсутність апріорних припущень про динаміку коливань відповідних курсів цін, що цілком узгоджується з вихідними передумовами побудови нечітких моделей адаптивних систем нейро-нечіткого виводу.