Вопрос 42.Формирование решений в условиях неопределённости с помощью нейросетей.
Нейросетевые технологии предназначены для воспроизведения неосознанных мыслительных усилий человека. Такого рода технологии используются для распознавания каких-либо событий или предметов. С их помощью можно воспроизвести многочисленные связи между множеством объектов. Отличие искусственных нейросетей от обычных программных систем состоит в том, что они не требуют программирования.
. Формирование решений в условиях неопределенности на базе нейросетей
Известны следующие основные сферы применения нейросетей:
экономика — предсказание поведения рынков, предсказание банкротств, оценка стоимости недвижимости, автоматическое рейтингование, оценка кредитоспособности, прогнозирование курса валют и т.д.;
медицина — обработка медицинских изображений, диагностика;
Интернет — ассоциативный поиск информации;
автоматизация производства — оптимизация режимов производственного процесса, диагностика качества продукции, предупреждение аварийной ситуации;
политические технологии — обобщение социологических опросов;
безопасность и охранные системы — системы идентификации личности, распознавание автомобильных номеров, аэрокосмических снимков;
геологоразведка — анализ сейсмических данных, оценка ресурсов месторождений.
В экономике нейросети наиболее популярны в задачах классификации и анализа временных рядов. Примерами задач классификации могут служить получение ответов на вопросы: прибыльны или неприбыльны инвестиции данного предприятия, склонна или не склонна данная фирма к банкротству и т.д. Задача анализа временных рядов заключается в получении будущих значений некоторой величины на основе знания ее предыдущих значений (прогноз валют, акций и т.д.).
Применение нейросетей предполагает выполнение следующих этапов:
постановка задачи, куда входит:
формулирование цели задачи (например, прогнозирование курса ценных бумаг);
обоснование применения нейросети;
описание входной и результирующей информации;
указание параметров нейросети;
обучение нейросети: подготовка обучающих примеров, которые представляют собой уже известные результаты решения задачи без нейросети и предъявление их ей;
эксплуатация сети — сети предъявляется некоторая ситуация, которая либо распознается, либо нет.
В число параметров входят:
количество входных точек;
количество выходных точек;
число слоев в сети;
число нейронов в каждом слое;
максимальная ошибка обучения;
число эпох обучения.
Под эпохой понимают один полный проход по обучающей выборке, используемой для обучения и контроля сети.
На практике число нейронов первого слоя может быть произвольным, но не меньше числа значимых внешних сигналов, воспринимаемых сетью. Число нейронов в следующем за текущим слое обычно составляет 60% от числа нейронов предыдущего слоя. Такой расчет позволяет определить число слоев. Обучение нейронных сетей представляет собой последовательный процесс изменения синаптических весов, отражающих силу связей между нейронами. Известны два вида обучения — с учителем и без такового. Связь между нейронами характеризуется интенсивностью (силой возбуждения), называемой также синаптическим весом. Представить их можно в виде синаптической матрицы, элементы которой указывают на силу возбуждения связей между нейронами.
Применение нейросетей предполагает выполнение следующих этапов:
1. Постановка задачи: формирование цели применения нейросети (например, прогнозирование курса ценных бумаг).
2. Обучение нейросети: подготовка обучающих примеров, которые представляют собой уже известные результаты решения задачи безнейросети и предъявление их ей.
3. Эксплуатация сети: сети предъявляется некоторая ситуация, которая либо распознается, либо нет.
Обучение нейронных сетей представляют собой последовательный процесс изменения синаптических весов, отражающих силу связей между нейронами. Известно два вида обучения: с учителем и без такового.
Рассмотрим первый случай.
Предполагаются,
что некоторая величина 
, зависит
от ряда характеристик 
.
Необходимо обучить нейросеть распознаванию некоторого значения 
при
определенных значениях
характеристик 
.
Готовится набор
обучающих примеров,
которые состоят из набора исходных
векторов 
и
соответствующих им выходных значений
.
Если,
например, 
-
будущая цена акций через
три дня, а 
-сегодняшние
котировки некоторого набора акций,
то каждый обучающий пример представляет
собой котировки акций на некоторую
прошлую дату плюс стоимость акций (
) через
три дня после этой даты (котировка –
это определение рыночного курса ценной
бумаги).
Эти примеры подаются на вход сети.
Вначале на вход подается первая строка.
Нейросеть формирует
начальную зависимость между y1 и 
.
На
основе этой зависимости вычисляется
текущее значение 
, которое
сравнивается с эталонным значением 
.
Если разница превышает допустимый уровень, то алгоритм обучения изменяет синаптические веса (весовые коэффициенты), после чего эта строка вновь подается на вход сети для обучения до тех пор, пока результат не будет удовлетворительным.
Затем
подается следующая строка 
… 
и 
.
Процесс повторяется до тех пор, пока суммарная ошибка в реакции сети на все строки не станет меньше заданной.
Схема обучения с "учителем" представлена на рис. 8.13.
Преимущества нейросетей.
1. Способность обучаться на примерах без программирования, что позволяет отказаться от поиска каких-либо аналитических зависимостей между входными данными и результатами.
2. Нейросети могут обучаться на неполной, противоречивой и искаженной информации.
3. Для использования нейросетей не требуются профессионалы-математики.
4. Не требуется выполнение условия отсутствия взаимосвязи между входными факторами, как это требуется в регрессионном анализе.
Нейронные сети реализуются либо аппаратным, либо программным способом. Аппаратная реализация возможна в виде нейрокомпьютеров, нейроплат инейроБИС (больших интегральных схем).
Как правило, современный нейрокомпьютер представляет собой обычный компьютер, в состав которого входит нейроплата.
Аппаратная реализация используется там, где необходима высокая скорость обработки межнейронных соединений. При этом их стоимость достаточно высока. Если высокая скорость не требуется, то используется программный аналог нейросети.