11.2.3. Нейронные системы и сети

Одним из быстро развивающихся направлений искусственного интеллекта в последнее время является построение нейронных сетей, моделирующих мыслительную деятельность человеческого мозга, что стало возможным только благодаря быстрому развитию компьютерных технологий. Разработка нейросетей и нейрокомпьютеров ведется в большинстве промышленно развитых стран, т.к. они позволяют эффективно решать задачи распознавания образов, прогнозирования (особенно в финансово-экономической сфере), классификации, диагностики и т.д.

Нейронные сети моделируют построение человеческого мозга, который состоит примерно из 10¹⁰ - 10¹² нервных клеток – нейронов. Каждый нейрон можно рассматривать как преобразователь информации. Совокупная работа всех нейронов обусловливает сложную работу мозга, который в реальном времени решает сложнейшие задачи.

Электронные нейросхемы упрощенно моделируют поведение реальных нейронов. Технология их создания, обучения и эксплуатации состоит из следующей последовательности действий:

 Для решения конкретной проблемы выделяется набор параметров, которые определяют эксперты на основании опыта. Этот набор может быть избыточен и противоречив. Важность параметров определяется в процессе обучения и эксплуатации нейронной сети.

 Подбирается набор обучающих примеров. Каждый пример представляет собой набор входных параметров, для которого определены верные выходные значения, называемые эталонными.

 Производится первоначальная настройка сети: весовым коэффициентам, приписанным каждому из входных параметров, присваиваются случайные значения.

 Обучающие последовательности в определенном порядке предъявляются нейронной сети. Нейронная сеть формирует выходные значения, которые сопоставляются с эталонными. На основе этого сравнения происходит автоматическая коррекция весовых коэффициентов в нейронной сети, которую называют процессом обучения. В случае совпадения полученного значения с эталонным происходит увеличение весовых коэффициентов тех параметров, которые способствовали получению верного результата, и, наоборот, происходит понижение весовых коэффициентов тех параметров, которые способствовали выработке неверного решения.

 Процесс предоставления обучающих последовательностей повторяется многократно до тех пор, пока сеть не придет в стационарное состояние, т.е. результаты, вырабатываемые нейронной сетью с заданной вероятностью, совпадут с эталонными результатами.

 После этого нейронная сеть считается настроенной (обученной) на определенную проблему, т.е. создана числовая матрица весовых коэффициентов, и ее можно использовать для решения реальных задач. В процессе эксплуатации нейронной сети также может происходить ее последующее обучение. Обучение нейронной сети стоит достаточно дорого и представляет собой длительный процесс. В дальнейшем пользователи сети могут и не знать методики обучения.

Для обучения используются специальные алгоритмы, которых на сегодняшний день достаточно много. Изучение таких алгоритмов происходит в рамках научной дисциплины, называемой нейроматематикой.

В качестве примера рассмотрим последовательность применения нейронных сетей на фондовом рынке:

 Подбор базы данных.

 Выделение входов (исходные данные) и выходов (результатов прогноза). В качестве входных параметров можно выбрать цены открытия, закрытия, максимумы (минимумы) за определенный интервал времени; статистику значений различных индикаторов (например, индексы Джонса, комбинацию курсов валют, доходность государственных ценных бумаг, отношения фундаментальных и технических индикаторов и др.), обычно выбирается от 6 до 30 различных параметров. Количество выходов обычно стремятся сделать как можно меньше. Это могут быть цены открытия, закрытия, максимумы (минимумы) следующего дня.

 Выделение в массиве данных тренировочных и экзаменационных участков.

 Обучение нейросети. На этом этапе нейронная сеть обрабатывает тренировочные примеры, пытается дать прогноз на экзаменационных участках базы данных, сравнивает полученную ошибку с ответом, имеющимся в примере (базе данных), а также с ошибкой предыдущего этапа обучения, и изменяет свои параметры так, чтобы это изменение приводило к постоянному уменьшению ошибки.

 Введение срока прогноза.

 Получение значения прогнозируемых данных на выходе нейросети.

Реализация нейросетевых алгоритмов на обычном вычислительном оборудовании неэффективна. Поэтому используют вычислительные системы с такой архитектурой аппаратного и программного обеспечения, которая ориентирована на эффективную реализацию нейросетевых алгоритмов. Такие вычислительные системы принято называть нейрокомпьютерами. Элементную базу нейрокомпьютеров составляют специализированные нейроБИС. Нейрокомпьютеры могут представлять собой самостоятельные устройства, а также строиться на основе обычных вычислительных устройств за счет включения в них специальных нейроплат – нейроакселераторов для рабочих станций и ПК.