4.Применение инс

Сейчас нейронные сети находят применение в очень многих областях науки и техники. В каждой предметной области существует свой набор проблемных знаний, который является базовым для решения той или иной задачи данной предметной области. Более того, набор этих проблемных знаний в каждой предметной области достаточно обширен и для его изучения требуются значительные усилия. С другой стороны, для применения уже разработанных и обученных нейронных сетей к решению задач любых предметных областей не требуется большого количества специальных знаний, тогда как для успешного применения к решению тех же задач, например, экспертных систем требуется квалифицированный специалист по экспертным системам. Поэтому аппарат нейронных вычислений используют специалисты предметных областей для решения своих задач.

Для многих предметных областей уже разработаны пакеты программ, позволяющие эффективно решать большинство задач, относящихся к конкретной предметной области.

Для примера здесь рассмотрены вопросы использования аппарата нейронных вычислений в двух предметных областях — в области обработки акустических сигналов и в финансовой сфере.

В акустике нейронные сети могут применяться, например, для решения различных задач обработки акустических сигналов, принимаемых так называемыми антенными решетками. Антенными решетками в акустике называются устройства, состоящие из нескольких сотен или тысяч приемников и предназначенные для приема сигналов, приходящих от удаленных источников. Объединение большого количества приемников обеспечивает повышение качества приема сигналов и увеличивает надежность устройства.

Сейчас антенные решетки используются не только в оборонной промышленности, но и во многих других областях, таких как аэро- и гидрокартография, гидролокация, сейсмология, эхография, томография, электрокардиография, радиолокация, морская геология, при разведке полезных ископаемых и т.д.

Конечно, задачи обработки сигналов решались давно, и для их решения уже разработаны так называемые классические алгоритмы, например метод максимального правдоподобия, но все они требуют значительных вычислительных затрат и, кроме того, не предоставляют возможности решения некоторых важных проблем, а также требуют априорной информации о форме антенной решетки и некоторые другие сведения.

Перспективным подходом к решению данной задачи, позволяющим, во-первых, снизить вычислительные затраты, а во-вторых, достичь нового качества применительно к решению трудноформализуемых задач адаптации, таких как адаптация к форме антенной решетки, является применение принципов построения искусственных нейронных сетей для обработки акустической информации.

Анализ литературы и проведенные исследования дают возможность предположить, что практически любые задачи обработки гидроакустической информации, решаемые традиционными методами, могут быть решены с использованием искусственных нейронных систем. Для решения задачи могут быть использованы ИНС различных типов: Хопфилда, Кохонена, сети преобразования данных и др.

Целесообразность применения нейронных сетей с целью снижения вычислительных затрат определяется вопросом аппаратной реализации. Нейронные системы удобно использовать также для решения задач адаптации к форме и расположению элементов антенной решетки и для реализации алгоритмов, трудно реализуемых на спецпроцессорных средствах из-за алгоритмической сложности, каким, в частности, является многошаговый итерационный алгоритм, предлагаемый для решения поставленной задачи, и характеризующийся большим количеством операций, т.е. требующий высокой производительности. Кроме этого, классические алгоритмы требуют создания спецпроцессорных средств, ориентированных на конкретный алгоритм. А ИНС можно конструировать из стандартных структурных элементов, называемых нейрочипами, и, таким образом, проектировать реализацию для любого алгоритма.

ИНС могут применяться также для решения других задач обработки акустических сигналов — определения дальности и глубины источника; классификации и кластеризации источников; определения параметров движения источников сигналов и др.

Сфера финансовых приложений нейронных сетей практически безгранична. Любая задача, связанная с манипулированием финансовыми инструментами, будь то валюта или ценные бумаги, сопряжена с риском и требует тщательного расчета и прогнозирования. Не случайно четвертую часть рынка нейросетевых продуктов составляют финансовые приложения, причем наиболее значительная часть принадлежит банкам.

В настоящее время известны четыре принципиально различных подхода к решению задач анализа: использование классических методов анализа (например, корреляционных), если данные взаимозависимы, а их объем относительно невелик; использование экспертных систем; использование методов нечеткой логики; и, наконец, когда объем входных данных огромен, к тому же часть информации искажена, а часть утеряна — в этих случаях на помощь приходят нейронные сети. Необходимо лишь перечислить факторы, существенным образом влияющие на прогнозируемую величину, и подобрать достаточное количество примеров, описывающих поведение этих величин в прошлом, для обучения сети.

Характерный пример успешного применения нейронных вычислений в финансовой сфере — управление кредитными рисками. Как известно, до выдачи кредита банки проводят сложные статистические расчеты по финансовой надежности заемщика, чтобы оценить вероятность собственных убытков от несвоевременного возврата финансовых средств. Такие расчеты обычно базируются на оценке кредитной истории, динамике развития компании, стабильности ее основных финансовых показателей и многих других факторов. Один широко известный банк США опробовал метод нейронных вычислений и пришел к выводу, что та же задача по уже проделанным расчетам подобного рода решается быстрее и точнее. Например, в одном из случаев оценки 100 тыс. банковских счетов новая система, построенная на базе нейронных вычислений, определила свыше 90% потенциальных неплательщиков.

Другая очень важная область применения нейронных вычислений в финансовой сфере — предсказание ситуации на фондовом рынке. Стандартный подход к этой задаче базируется на жестко фиксированном наборе "правил игры", которые со временем теряют свою эффективность из-за изменения условий торгов на фондовой бирже. Кроме того, системы, построенные на основе такого подхода, оказываются слишком медленными для ситуаций, требующих мгновенного принятия решений. Именно поэтому основные японские компании, оперирующие на рынке ценных бумаг, решили применить метод нейронных вычислений. В типичную систему на базе нейронной сети ввели информацию общим объемом в 33 года деловой активности нескольких организаций, включая оборот, предыдущую стоимость акций, уровни дохода и т.д. Самообучаясь на реальных примерах, система нейронной сети показала большую точность предсказания и лучшее быстродействие: по сравнению со статистическим подходом дала улучшение результативности в целом на 19%.

Распространены случаи, когда в финансовых структурах применяются приложения на базе нейронных сетей, например для автоматического распознавания чеков. Подобная система Quick Strokes-IFPS фирмы Mitek Systems (Сан-Диего, шт. Калифорния) была установлена в 1993 г. в Федеральном резервном банке Чикаго. Она позволяет оперативно распознавать сканируемые чеки.

Прогнозирование с помощью нейронных сетей обладает рядом недостатков. Вообще говоря, необходимы сотни наблюдений для создания приемлемой модели. Это достаточно большое число данных, и существует много случаев, когда такое количество исторических данных недоступно. Например, при производстве сезонного товара истории предыдущих сезонов недостаточно для прогноза на текущий сезон — из-за изменения стиля продукта, политики продаж и т.д.

Даже при прогнозировании требования на достаточно стабильный продукт на основе информации о ежемесячных продажах может не быть данных за длительный период. Для сезонных процессов проблема еще более сложна. Каждый сезон фактически представляет собой одно наблюдение. То есть, в ежемесячных наблюдениях за пять лет будет только пять наблюдений за январь, пять наблюдений за февраль и т.д. Может потребоваться информация за большее число сезонов для того, чтобы построить сезонную модель. Однако необходимо отметить, что можно построить удовлетворительную модель даже в условиях нехватки данных. Модель может уточняться по мере того, как свежие данные становятся доступными.

Другой недостаток нейронных моделей — значительные затраты по времени и другим ресурсам для построения удовлетворительной модели. Эта проблема не очень важна, если исследуется небольшое число временных последовательностей. Тем не менее, обычно прогнозирующая система в области управления производством может включать от нескольких сотен до нескольких тысяч временных последовательностей.

Однако, несмотря на перечисленные недостатки, модель, основанная на нейронных вычислениях, обладает рядом достоинств. Существует удобный способ модифицировать модель по мере того, как появляются новые наблюдения. Модель хорошо работает с временными последовательностями, в которых мал интервал наблюдений, т.е. может быть получена относительно длительная временная последовательность. По этой причине модель может быть использована в областях, где интерес представляют ежечасовые, ежедневные или еженедельные наблюдения. Эти модели также используются в ситуациях, когда необходимо анализировать небольшое число временных последовательностей.

Список литературы

1. Ф.Розенблатт. Принципы нейродинамики. М.Мир. 1965 480с.

2. Э.Хант. Искусственный интеллект. М.Мир. 1978. 560с.

3. В.М.Глушков. Теория обучения единого класса дискретных перцептронов. Журнал вычислительной математики и физики.1962, т.2, вып.2, с.317-335.

4. Ф.Уоссермен. Нейрокомпьютерная техника. М.Мир, 1992, 240с.

5. Т.Кохонен. Ассоциативная память. М.Мир, 1980, 240с.

6. А.И.Галушкин. Нейрокомпьютеры в разработках военной техники США. Зарубежная радиоэлектроника. 1995, N5, N6, с.4-21.

7. Д.Шендл. Нейронные сети - на пути к широкому внедрению. Электроника. 1993, N15(888), с.23-30.

8. Miller W., Mc Kenna T., Lau C. Office of Naval Research Contribution to neural networks and signal processing in oceanic engineering. IEEE Ocean Eng., 1992, vol.17, N4, pp.299-307.

9. М.А.Бедрековский и др. Элементная база нейрокомпьютеров. Зарубежная радиоэлектроника. 1991. N6, с.45-49.

10. Оптоэлектронное ассоциативное ЗУ со структурой нейронной сети. Обзор. Электроника. 1986. N12, с.70-77.

11. Новости ВТСП. 1991. том 4, вып.17, с.2.

12. Редько В.Г., Скиданов В.А. Магнитный микроэлектронный нейрокомпьютер. Нейрокомпьютер. 1993, N 1,2, с.37-44.

13. Чебатко М.И. Нейронные сети для решения задач на борту летательных аппаратов. Зарубежная радиоэлектроника. 1994, N 11-12, с.40-44.

14. Милнер П. Физиологическая психология. М. Мир, 1973. 647 с.

15. Hecht-Nielsen R. Neurocomputing. Addison-Wesley Publishing Company, 1990.

16. Минский М., Пейперт С. Персептроны. - М.: Мир, 1971.

17. Д.А.Поспелов. Логико-лингвистические модели в системах управления. М. Энергоиздат, 1981.232 с.

18. М.Минский. Фреймы для представления знаний. М.Энергия, 1979. 151 с.

19. Л.Заде. Понятие лингвистической переменной и его применение к принятию приближенных решений. М. Мир, 1976. 165с.

20. Автоматы и разумное поведение. Под общ. ред. Н.М.Амосова. К. Наукова думка, 1973. 375 с.

21. Hebb D.O. The Organization of Behavior. N.Y, Wiley, 1949

22. Милнер П. Физиологическая психология. М. Мир, 1973. 647 с.

23. Hopfield J.J.Neural networks and physical systems, with emergent collective computational abilities // Proc. Nat. Acad. Sci.USA. 1982. -79. pp.2554-2558.

24. Carpenter G.A., Grossberg S. A massively parallel architecture for a selforganizing neural pattern recognition machine // Comput. Vision, Graphics and Image Process. 1987. -37, N1. P.54-115.

25. Fukushima K. Neural network model for selective attention in visual pattern recognition and associative recall. /Applied optics/ V.26, N23, 1987, pp.4985-4992.

26. Breitenberg V. Cell assemblies in the cerebral cortex // Sect. Netes Biomath. 1978. -21. pp. 171-188.

27. Palm J. On associative memory //Biol.Cybern. 1980. -36. pp. 19-31.

28. Lansner A. Investigation into the pattern processing capabilities of associative nets. Ph. D. Thesis/The Royal Institute of Technology, Department of Numerical Analysis and Computing Science. -Stockholm, Sweden, 1986.

29. Гольцев А.Д. Исследование принципов и механизмов ансамблевой организации в нейроподобных сетях. Автореф. дис. канд. техн. наук/Ин-т кибернетики им. В.М.Глушкова АН УССР. -К.,1976. 46с.

30. Куссуль Э.М. Средства и методы построения нейроподобных сетей для управления роботом // Дис. ... докт. техн. наук. Киев, 1981. 366с.

31. Куссуль Э.М., Федосеева Т.В. О распознавании звуковых сигналов в нейроподобных ансамблевых структурах. Киев, 1989. 21с. -(Препр./АН УССР. Ин-т кибернетики им. В.М.Глушкова; 87-28)

32. Амосов Н.М., Куссуль Э.М., Касаткин А.М., Касаткина Л.М. Стохастические нейроподобные сети с ансамблевой организацией. Киев, 1989. 30 с. -(Препр./АН УССР. Ин-т кибернетики им. В.М.Глушкова. 89-25).

1. Kussul E.M., Rachkovskij D.A. Multilevel assembly neural network for sequences recognition and synthesis // Neurocomputers and Attention. Proc. of Intern. Workshop, Moscov, Sept. 18-22, 1989. Pushchino, 1989. pp.178-179.

1 Основные свойства псевдообратных матриц:

AA⁺A=A

A⁺AA⁺=A^-1

AA⁺=(AA⁺)^T

A⁺A=(A⁺A)^T

57