Отличительной чертой нейронных сетей является их способность менять свое поведение (обучаться) в зависимости от изменения внешней среды, извлекая скрытые закономерности из потока данных. При этом алгоритмы обучения не требуют каких-либо предварительных знаний о существующих в предметной области взаимосвязях — необходимо только подобрать достаточное число примеров, описывающих поведение моделируемой системы в прошлом. Основанная на нейросетях технология не предъявляет повышенных требований к точности входных данных как на этапе обучения, так и при ее использовании (после настройки и обуче- [c.227]
Способность справляться со сложностью современных социально-экономических проблем решающим образом зависит от наличия эффективной коммуникационной сети. Подобно нейронной сети биологического мозга такая сеть определяет способность к обучению, которая помогает человечеству выжить. В согласии с теорией сложных сетей делаются попытки моделирования динамики информационных технологий, распространяющихся в экономической и культурной среде. Так родилось понятие информационно-вычислительной экологии. Примеры таких экологии уже существуют в действительности — это системы резервирования авиабилетов, банковские системы и научно-исследовательские лаборатории, которые включают в себя сети с многочисленными компьютерами различных типов. [c.386]
Одной из самых сложных областей современной науки является исследование человеческого мозга как многоклеточной системы. Возникновение ментальных состояний (например, распознавание изображений, ощущения, мысли) объясняется эволюцией макроскопических параметров вследствие нелинейных микроскопических взаимодействий нейронов. Если мозг рассматривать как сложную систему нейронов, то его динамику, по предположению, можно описать с помощью нелинейной математики нейронных сетей. Например, распознавание изображений может быть представлено фазовым переходом аналогично тому, как это делается в физике, химии, биологии. Создаются междисциплинарные программы исследований, имеющие целью объяснить синергетику нейронной сети как естественное следствие физической, химической и нейробиологической эволюции, в основе который лежат некие общие принципы. [c.388]
Возрождение интереса к нейронным сетям объясняется успешными техническими приложениями статистической механики и нелинейной динамики к физике твердого тела, к лазерным системам. Другой причиной выступают развитие вычислительных ресурсов и повышение уровня технологии, делающие все более доступным компьютерное моделирование систем. [c.389]
Другой аспект новой технологии — киберпространство. В искусственных нейронных сетях предполагаются восприятие, ощущение, интуиция, фантазия. Виртуальная реальность стала одним из ключевых понятий современной философии культуры. [c.389]
В дополнение к факторам, влияющим на принятие решения и на выбор пути решения проблемы, система управления накоплением знаний имеет также непрерывно действующие правила типа если, то... , которые напоминают процесс размышления экспертов в ходе обоснования принятия решения. Разработка системы управления накоплением знаний очень близка к процессу определения и структурирования потока информации в бизнесе. Этот процесс заключается в составлении схемы, лежащей в основе возможной структуры системы управления потоком информации. Нейронная сеть является средством, основанным на статистических данных. Она использует данные для классификации случаев по категориям, например, вероятность возврата заемщиком средств либо невозврата кредита. Нейронная сеть является полезным инструментом анализа рисков. Однако для разработки нейронной сети и толкования основных рекомендаций требуются подготовленные специалисты, разбирающиеся в технике и бизнесе. Нейронные сети, искусственный интеллект и обычные средства статистического анализа используются также для поиска данных. Этот подход позволяет преобразовать огромное количество данных в накопленные знания и делает возможным широкое использование соответствующих схем. [c.550]
Глава 10 рассматривает некоторые аспекты прогнозирования, затронуты вопросы соотношения использования методов школ Технического анализа и Фундаментального анализа, описан взгляд Дж. Сороса относительно влияния человеческого фактора на рынок, вопросы динамики нелинейных систем, теория игр, традиционные стохастические методы. Приведено обоснование использования нейронных сетей для выполнения финансовых прогнозов и примеры. [c.5]
Факт, что хаотические модели дают хорошие приближения для финансовых временных рядов, говорит о важности изучения поведения рынков как нелинейных динамических процессов и является дополнительным доводом в пользу применения различных нелинейных методов и в том числе нейронных сетей для создания прогноза. [c.115]
Общая черта новых методов — возможность распознавания образов и вывод обобщающих правил. Про методы, основанные на нейронных сетях и генетическом отборе решений говорят, что они управляют данными в противоположность подходу, основанному на применении правил экспертных систем. Нейронные сети прекрасно подходят для выявления нелинейных закономерностей в отсутствии априорных знаний модели. [c.128]
Искусственные нейронные сети [c.128]
У истоков возникновения искусственных нейронных сетей лежат исследования в области биологии, связанные с изучением работы мозга. Нейроны обмениваются сигналами с другими нейронами, образуя так называемые нейронные сети. Каждый нейрон состоит из тела клетки и множества входных отростков, называемых дендритами. Дендриты идут от тела данной клетки к другим нейронам, где они принимают сигналы в точках возбуждения, называемых синапсами. Принятые синапсами входные сигналы подводятся к телу нейрона, где они алгебраически суммируются. Когда суммарное возбуждение в теле нейрона превысит некоторый порог, он возбуждается, посылая сигнал к другим нейронам. [c.128]
В своих работах этого периода Минский высказал пессимистические прогнозы в отношении дальнейших перспектив исследований по нейронным сетям, он писал, что работа в этой области не окупит расходов на отопление помещения, в котором сидят исследователи . [c.130]
Поскольку в то время методы обучения многослойных нейросетей не были известны, исследователи перешли в более многообещающие области, и работы по исследованию нейронных сетей пришли в упадок. [c.130]
Персептрон представляет собой так называемую однослойную нейронную сеть. Если между входами ъ и bj ввести еще один слой с ней- [c.130]
| Рис. 10.7. Многослойная нейронная сеть |  |
| Рис. 10.8. Схема тренировки нейронной сети |  |
Главное преимущество такого подхода состоит в том, что пользователь, работающий с нейронной сетью, как правило, не знает о формах и возможный алгоритмах такой связи, но подозревает или надеется, что она есть. И вот, обучая нейронную сеть по представленным примерам, он в случае удачи, т. е. в случае наличия функциональной связи, получает результат, справедливый для всего множества данных, хотя он и не занимался никаким программированием. [c.135]
Реализация сложного многомерного функционального преобразования — это сугубо математическое определение, которое может быть выражено в терминах обыденных понятий. Можно сказать, что нейронные сети могут обучаться на основе опыта, обобщать прецеденты, извлекать наиболее существенные свойства из предметов. [c.135]
Нейронные сети в финансовых прогнозах [c.137]
Исследования показывают, что никакая устойчивая система торговли не дает постоянной прибыли. Участники рынка не ограничиваются линейными состоятельными правилами принятия решений, а имеют несколько сценариев действий, и то, какой из них пускается в ход, часто зависит от внешне незаметных факторов. Один из возможных подходов к многомерным нелинейным информационным рядам заключается в том, что бы подражать образцам поведения участников рынка. Нейронные сети идеально приспособлены для обнаружения нелинейных зависимостей в отсутствии априорных знаний об основной модели. Применение нейросетей согласуется с тезисом Саймона об ограниченной разумности , согласно которому на эффективности рынка сказывается ограниченность возможностей человеческих возможностей в работе с информацией. [c.137]
В условиях возрастающей неуправляемости мировых процессов в финансовой сфере традиционные методы чаще всего оказываются неспособными распознать ключевые перемены и тенденции на рынке. Общей чертой новых методов является возможность распознавания образов и вывода обобщающих правил. Составными частями нового метода являются нейронные сети и генетический алгоритм (методы, в которых, исходя из большого набора первоначальных предположений, вырабатываются все более правильные представления о поведении рынка и в конечном счете более содержательные рабочие гипотезы). При этом достигается точность, достаточная для практической потребности, и, как правило, не требуется специальных математических знаний. [c.137]
В настоящее время нейронные сети, благодаря своей универсальности и простоте при работе с нечеткими данными, нашли широкое применение в различных областях распознавание образов, медицинская диагностика, прогнозирование погоды. В финансовой сфере написаны приложения для определения оптимального портфеля ценных бумаг, предсказания банкротств финансовых учреждений, определения кредитных рисков. Имеются приложения, интегрированные в специализированные программы технического анализа, которые на основе использования стандартных индикаторов выдают сигналы о благоприятных моментах вступления в рынок. [c.137]
Преимущества при использовании нейронных сетей относительно статистических методов [c.138]
Свой путь на российский рынок нейронные сети начали с финансово-кредитной сферы, где заинтересованные в совершенствовании аналитической работы банки стали интенсивно включать нейронные сетевые технологии в состав финансовых приложений. В настоящее время пользователями Brain Marker Pro 3.12 (последней профессиональной версии пакета) стали уже более 200 банков и торговых компаний, а последнее время — и аналитические учреждения верхних эшелонов власти. [c.227]
Гибкость и мощность нейронных сетей открывает перед ними практически неограниченные возможности применения, особенно в качестве аналитических инструментов в таких плохо формали- [c.231]
На мировом рынке аналитического программного обеспечения представлен широкий спектр нейросетевых технологий, начиная от систем, ориентированных на суперкомпьютеры, стоимость которых превышает 50 тыс. долл., до недорогих (несколько сотен долларов) нейропакетов, работающих на платформе персональных компьютеров и рабочих станций. Это делает доступной технологию нейронных сетей для приложений практически любого уровня. Ее массовое применение — вопрос ближайшего будущего. [c.232]
Рассмотрим три вида таких технологий. Первый вид— Интернет и Ин-транет, Web-страницы, механизмы для поиска и просмотра информации, записи в Lotus и компьютерные базы данных. Второй — прогрессивные компьютерные технологии, такие, как экспертные системы (искусственный интеллект), нейронные сети и др. Третий вид— видео-, аудиотехнологии и другие традиционные технологии, такие, как телефония. [c.549]
ВИДЕОДЕТЕКТОР ДВИЖЕНИЙ. NISS-2000 непрерывно контролирует движение через видеосигналы от 8 телекамер одновременно. Видеосигнал переводится в цифровую форму и анализируется с частотой 10 раз в секунду. Используется передовое программное обеспечение, включая последние достижения в области искусственных нейронных сетей и обработки изображений. При наличии движения обнаружено, производится запись серии видеокадров на диск и одновременный вывод изображения от соответствующей камеры на экран. [c.846]
Бэстенс Д.-Э. и др. Нейронные сети и финансовый рынок. М. ТВП, 1997. [c.6]
Исследования показывают, что в рамках теории хаоса можно создать ряд моделей, способных воспроизводить развитие событий на финансовом рынке и получить детерминированное объяснение некоторых аспектов поведения цен, которые считаются случайными и непредсказуемыми (Бэстенс Д.-Э. и др. Нейронные сети и финансовый рынок. М. ТВП, 1997). [c.115]
Искусственные нейронные сети — сравнительно новый раздел в области искусственного интеллекта. Основная идея здесь состоит в том, чтобы построить логически функционирующую систему из большого числа простых элементов, связанных между собой разветвленной системой соединений. Такой подход получил название коннекцио-низма, а полученные системы стали называться нейронными сетями. И хотя подобный подход кажется весьма примитивным, на этом пути исследователям удалось получить впечатляющие результаты. [c.128]
Еще в 40-х гг. у исследователей возникла следующая мысль если обработка информации в мозгу осуществляется совокупностью пороговых сумматоров, связанных в общую сеть, работающих по принципу все или ничего , то таким же свойством должна обладать и искусственная нейронная сеть, состоящая из соединенных в общую сеть искусственных нейронов. Впервые этот вопрос серьезно исследовали в 1943 г. У. Маккалок и У. Питтс. В своей статье Логическое исчисление идей, относящихся к нервной деятельности они показали, что нервная система действительно может быть смоделирована с использованием искусственных нейронов, связанных между собой. [c.129]
В 50-60-х гг. продолжались работы по созданию искусственных нейронных сетей. Одной из первых наиболее важных в этом направлении попыток оказалась работа Ф. Розенблатта, в которой он предложил искусственную нейронную сеть, названную им персептроном. [c.129]
В перестроив имеется один слой искусственных нейронов, на каждый из которых подаются все входные сигналы а( со своими весами Wjj. Такая искусственная нейронная сеть называется однослойной. Схема этой сети достаточно проста, в ней отсутствуют обратные связи с выходов нейронов на их входы, но в этом и ее сила. Именно для такой сети Ф. Розенблатт доказал очень важную теорему о том, что персептрон можно обучить всему, что он способен представить. Смысл этой теоремы состоит в следующем (проблема обучаемости). [c.130]
Если информация может обрабатываться искусственной нейросе-тью, то она должна храниться в весовых коэффициентах связей Wjj. Можно ли, задаваясь набором входных величин я и выходных величин bk, подобрать веса Wy так, чтобы набору aj отвечал выход bj Теорема Розенблата отвечает на этот вопрос положительно. В своей работе Розенблат указал также и приближенную процедуру обучения с учителем, которая шаг за шагом подстраивает синаптическую карту весов по ошибкам, измеряемым на выходе нейронной сети. (Веса Wjj принято называть синаптическими, так как они имитируют силу сина-птической связи между биологическими нейронами.) [c.130]
Дальнейшее развитие многослойных сетей долгое время сдерживалось отсутствием теоретически обоснованного алгоритма обучения, причем было неясно, возможно ли это вообще. Однако оказалось, что оценки Минского слишком пессимистичны. В 1986 г. Д. Руммельхарт в соавторстве опубликовал полное и ясное теоретическое обоснование процедуры обучения многослойной нейронной сети, названного авторами методом обратного распространения ошибки (ba kpropagation). Любопытно, что как только статья была опубликована, выяснилось, что предлагаемый метод обучения был предвосхищен Д. Паркером в 1982 г. И вскоре выяснилось, что еще раньше, в 1974 г., этот метод был описан в статье П. Вербу. [c.131]
До сих пор речь шла о сетях, в которых сигналы распространялись в прямом направлении, т. е. они не имели обратных связей. Такие сети всегда устойчивы. Если в нейронной сети завести сигналы с выхода на вход т. е. ввести обратные связи, это приводит к переходным процессам, после которых сеть может прийти в некоторое устойчивое состояние. Однако возможно и такое, что в сети никогда не наступит состояние равновесия, т. е. она будет неустойчивой. Анализ устойчивости нейросетей с обратными связями — сложная задача. Однако существуют нейросети с обратными связями, устойчивость которых при определенных условиях может быть доказана. К таким сетям относится сеть Хопфилда. Это простая сеть из одного слоя нейронов с обратными связями. Сеть Хопфилда можно рассматривать как примитивную модель ассоциативной памяти, позволяющую по некоторому входному образу извлечь ближайший к нему эталон. Для этого сеть надо предварительно обучить по некоторой обучающей выборке. Но учителя при этом не потребуется, то есть не будет производится сопоставление входного и выходного образов. Сети предъявляют серию входных образов, и они запоминаются в синаптической карте, которая формируется с помощью формулы [c.133]
Теорема Колмогорова положила твердое основание для понимания и оценки возможностей нейронных сетей. Если между множеством наборов входных величин и выходом (или набором выходов) действи- [c.134]
Сочетание генетических алгоритмов и нейронных сетей обеспечивает чрезвычайно большой потенциал. В связи с тем, что техника тренировки ba kpropogation и RBF сети являются существенно локальными, то генетические алгоритмы не знают конкурентов. [c.135]