Добавил:
Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз: Предмет: Файл:
3703.pdf
Скачиваний:
3
Добавлен:
13.11.2022
Размер:
366.92 Кб
Скачать

Министерство образования и науки Российской Федерации

Государственное образовательное учреждение высшего профессионального образования

«Хабаровская государственная академия экономики и права»

Кафедра информационных технологий

ОБРАБОТКА ДАННЫХ ИСКУССТВЕННЫМИ НЕЙРОННЫМИ СЕТЯМИ

Методические указания по выполнению лабораторных работ для студентов III-IV курса всех специальностей и форм обучения

Хабаровск 2004

2

ББК 32.973 Б 43

Обработка данных искусственными нейронными сетями: методические указания по выполнению лабораторных работ для студентов III-IV курса всех специальностей и форм обучения / сост. к.т.н. О. И. Белозеров. – Хабаровск:

РИЦ ХГАЭП, 2004. – 24 с.

Рецензент начальник кафедры ИТ в ОВД ДВЮИ МВД РФ, к.т.н. профессор А. Н. Шаковец

Утверждено ИБС академии в качестве методических указаний для студентов всех форм обучения

Настоящие методические указания представляют собой краткое практическое введение в нейроинформатику и описывают процесс производства явных алгоритмов решения неформализованных задач (получение полуэмпирических теорий) с помощью обучаемых нейронных сетей.

Методические указания предназначены для студентов, обучающихся по экономическим специальностям в рамках дисциплин: «Информационные технологии управления», «Информационные системы в экономике» и т.д. при проведении занятий по теме «Интеллектуальные и экспертные системы», а также всем лицам, изучающим и преподающим искусственные нейронные сети.

Хабаровская государственная академия экономики и права, 2004

3

ОГЛАВЛЕНИЕ

ВВЕДЕНИЕ

2

1.

Описание программы-нейроимитатора NeuroPro 0.25

3

2.

Лабораторная работа №1 «Применение нейросетевого прогнози-

13

рования при подборе кадров»

 

3.

Лабораторная работа №2 «Нейросетевое прогнозирование коле-

16

баний котировок валют»

 

4.

Лабораторная работа №3 «Нейросетевое распознавание сложных

16

образов (текста)»

 

5. Лабораторная работа №4 «Нейросетевое прогнозирование коле-

17

баний и взаимосвязи между объемами внешнеторгового оборота

 

России со странами АТР и социально-экономическими показате-

 

лями уровня жизни населения РФ»

 

6. Лабораторная работа №5 «Нейросетевое прогнозирование инве-

19

стиционного риска и потенциала регионов РФ»

 

7.

Контрольные вопросы

22

БИБЛИОГРАФИЧЕСКИЙ СПИСОК

23

4

ВВЕДЕНИЕ

Человеческий разум сам по себе не может извлечь полной информации из данных. Он не приспособлен к непосредственному глубокому восприятию массивов цифр. Вместе с тем без чисел не обойтись: они играют все возрастающую роль в нашей жизни. Поэтому в современном мире умение пользоваться компьютерными системами обработки данных и прогнозирования стало необходимым для успешной деятельности в любой области. Знание таких программ теперь является обязательным элементом эрудиции.

Одной из наиболее популярных программ с богатой библиотекой статистических методов является Microsoft Excel. Однако существуют более специализированные и, как следствие, более мощные программы, нацеленные на обработку данных. Одним из самых распространенных программных продуктов является статистическая графическая система STATGRAPHICS Plus for Windows, которая предоставляет пользователю широкие возможности для обработки данных.

Для пользователей, имеющих дело со сверхбольшими объемами данных или узкоспециализированными методами анализа, пока нет альтернативы профессиональным западным пакетам. Среди них самыми широкими возможностями обладает SAS. Для создания собственной системы обработки данных можно обратиться к библиотеке IMSL, содержащей сотни тщательно и квалифицированно составленных статистических подпрограмм.

Использование стандартных статистических пакетов позволяет успешно решать различные задачи, однако данные средства неприменимы для анализа противоречивых и взаимоисключающих друг друга данных.

Решить указанную проблему в большинстве случаев могут искусственные нейронные сети (НС), которые за последние несколько лет начали широко применяться для решения различных нерегулярных задач.

Главная причина популярности НС кроется в их способности моделировать нелинейные задачи, т.е. задачи классификации, которые нельзя решить, проводя гиперплоскость между классами, и задачи регрессии, которые нельзя решить, проводя гиперплоскость через данные.

Применение НС позволяет решать задачи, в которых: отсутствует алгоритм или неизвестны принципы решения задач, но накоплено достаточное число примеров; проблема характеризуется большими объемами входной информации; данные неполны, избыточны или часто противоречивы [4,6,7]. Таким образом, НС хорошо подходят для распознавания образов и решения задач классификации и прогнозирования.

Цель данных методических указаний – в доступной форме дать практические навыки применения НС для решения экономических и управленческих задач.

Соседние файлы в предмете [НЕСОРТИРОВАННОЕ]