29.Модель нейрона. Алгоритм ее работы

Искусственный нейрон имитирует свойства биологического нейрона. Пусть множество входных сигналов (х1, х2, …, хn) поступает на искусственный нейрон. Их обозначают вектором Х. Каждый сигнал имеет вес: w1, w2, …, wn которые суммируются в специальном блоке и обозначаются вектором w.

Искусственный нейрон с активационной функцией

3. Активационные функции

Функции, которые обрабатывают сигнал NET называют активационными.

1. Они могут быть линейными OUT = K (NET), где К = const

Характеристика биологического нейрона моделируется более точно с помощью передаточных функций.

В этом случае функция F (внутри самого нейрона находится) называется сжимающей функцией (сигмаидальная логическая функция)

Есть другой тип активационной функции – гиперболический тангенс. В отличие от логистической функции он может принимать значения разных знаков.

Сети, построенные на нейронах, обнаруживают свойства, которые сильно напоминают биологическую систему, но на текущий момент нельзя сказать являются ли эти похожести случайными или нет.

4. Искусственные нейронные сети

4.1. Однослойная искусственная нейронная сеть

Один нейрон распознает простейшие процедуры и может их выполнить. Сила нейронных вычислений проистекает из соединений нейронов в сети. Рассмотрим простейшую сеть, состоящую из слоя нейронов. Обозначим круг – входной сигнал, который не производит вычислений и не считается слоем. Квадрат – нейрон, каждый элемент из множества выходов Х отдельным весом связан с каждым искусственным нейроном. Этот нейрон собирает все входы и выдает сигнал в сеть.В искусственных нейронных сетях многие соединения могут отсутствовать, а могут иметь место соединения между выходами и входами элементов в слои.4.2. Многослойная искусственная нейронная сетьМногослойные искусственные нейронные сети считаются более сложными и обладают большими вычислительными возможностями. Имеют алгоритмы для обучения и образуются каскадами слоев.Так как умножение матриц ассоциативно, то двухслойная линейная сеть эквивалентна одному слою, то двухслойная линейная сеть эквивалентна одному слою с весовой матрицей равной произведению двух задействованных весовых матриц, поэтому любая многослойная линейная сеть может быть заменена эквивалентной однослойной, линейной сетью для расширения возможностей сетей необходима нелинейная однослойная функция.

30.Примеры применения нейронных сетей для решения экономическихзадач

На рынке ПО появляются продукты, основанные на применении логики нечетких множеств FuzzyCalc экспертные системы. Эти программы представляют большой интерес для финансово- экономической деятельности как аналитические информационные технологии, основанные на нейронных сетях. т.е. они умеют обучаться на примерах и извлекать скрытые закономерности из потока данных. Решают задачи: распознавание речи и абстрактных образов, классификация состояний сложных систем, управление технологическими процессами финансовыми потоками, решение аналитических, исследовательских и прогнозных задач. Лидером разработки нейронных пакетов является корпорация CalforniaScientificSoftware. После разработки нейропакетаBrainMaker. В Республике Беларусь нейронные сети используются в финансово – кредитной сфере BrainMakerPro 3.12 в банках, в торговых компаниях и аналитических учреждениях верхних эшелонов власти. Пакет отмечается способностью менять свое поведение, распознавать критические ситуации, строить краткосрочные и долгосрочные пакеты. Так как в основе нейронных технологий лежит работа мозга, то они включили в себя ряд биологических терминов.

А метод их работы получил название генетического алгоритма. Там появляются инструменты для анализа с помощью масштабных преобразований и экспоненты Хёрта для выявления скрытых циклов, обработка предоставляется в графическом виде, которую удобно анализировать, а следовательно принимать решения. Работа с нейросетью состоит из этапов:

1) Четко определяется проблема, характеризующая система или процесс.

2) Подготовка исходных данных для реализации (полные и адекватные данные). Сложность выполнения в соблюдении баланса между количеством входных параметров и вероятностью получить плохо обучающуюся сеть.

3) Ввод данных в систему.создание файлов тренировки и тестирования.

4) Анализ данных и степень их информационной насыщенности с помощью конструкций «если…то…иначе» Это сближает алгоритм нечеткой логики и экспертные системы.5) Выбор технологий и методов обучения. Можно использовать систему конверторов из WordSystem, Excel, данные в формате MetaStock – деловой формат информации. Данные компактны, надежны при передаче информации. Еще используется метод «Задание правил», которые повышают точность прогнозов и стабильность статистической достоверности.6) Тестирование сети и запуск для получения прогнозов. Если этап неудовлетворителен, то возвращаются к пункту 3. Если удача, то возможны два пути: а) пользоваться созданной системой для решения задач; б) создать для каждой задачи независимые программы в виде отдельных файлов – нейросеть становится упакованной и имеет функции передачи команд управления.

31.Использование ИИ в экономике. Интеллектуальный анализ данных. Управление знаниями.

ИАД – процесс поддержки принятия решений, основанный на поиске данных скрытых закономерностей, накопленные сведения обобщаются до информации, каждая характеризуется как знание.

ИИ – это наука о концепциях, позволяющих вычислит-ым машинам делать такие вещи, которые у людей выглядят разумными.

Задачи ИИ:

• Сделать машины оптимально полезнее

• Понять принципы, кот лежат в основе ИИ

Применяются ИИ:Доказат-во теорем, Игры,Распознавание образов, Принятие решений, Адаптивное программирование, Сочинение машинами музыки, Обработка данных на ест языке, Обучающие сети (нейросети), Вербальное концептуальное обучение.

Нейронные сети – совершают алгоритм обучения, классифицирующееся в режиме онлайн, обрабатывают ест языки, распознают изображение любого типа, речь, сигналы, работают над созданием модели интеллектуального интерфейса, могут подстраиваться под пользователя.

Эволюционные вычисления - затрагивают вопросы самосборки, самовосстановления, используются достижения в области цифровых автоматов, используются автономные агенты в кач-ве персональных секретарей, могут управлять личными счетами, будут ассистентами, явл-ся учителями, планировщиками, виртуальными продавцами.

Сейчас развиваются как:

• Выработка стандартов и откр архитектур

• Смена интеллект-ых оболочек, языков

• Разработка методов эффективного взаимодействия программ и людей

Различают:Нечёткую логику – примен-ся в гибридных управляющих системах.Обработка изображения –состоит из способов и анализа независимых от устр-в восприятия с оптимизацией цветного представления

Экспертные системы – вплотную примен-ся к системам принятия решения в системе онлайн, моделируют знания и планируют действияИнтеллектуальные приложения – находят оптим решения комбинаторных проблемРаспределение вычислений – балантируют ресурсы, оптимальные загруженные процессы, могут сами конфигурироваться, ищут элементы обновлений и выявление несоответствия между объектами

Операционные системы распределения вычислений – работо-технич-ие устройства, кот орг-ют процесс самонастройки, планированию операций и использования ср-в ИИ для принятия решений.Самоорганизующ-ся СУБД – способы гибко подстраиваются под профиль конкретной задачи, не нуждающ-ся в администрировании.