Процесс создания самоорганизующейся карты требует двух слоев нейронов первый — входной слой, содержащий нейроны для каждого элемента входного [c.25]
| Рисунок 0.1. Нейронная сеть, обучаемая с учителем при помощи метода обратного распространения ошибки, в сравнении с самоорганизующейся картой. |  |
В этих условиях предпочтительно использовать самоорганизующиеся карты, способные выявлять и группировать структуры данных при отсутствии представления о выходных данных. Недостаток этого подхода заключается в том, что метод СОК сам по себе является в некотором отношении негибким. Это связано с тем, что размерность карты определяется до начала обучения. Кроме того, в процессе самообучения нейросети не допускается добавление новых нейронов. [c.159]
Самоорганизующаяся карта характеристик земельной собственности может обеспечить некоторое визуальное представление рыночной ситуации и помочь в ее осмыслении. Нейроны СОК обучаются на характеристиках земельных участков и информации о рынке недвижимости. Принадлежность каждого из нейронов определяется только на основании соответствующих наблюдений. Особую важность представляют топологические свойства результирующей карты, так как они позволяют находить в непосредственной окрестности нейрона, соответствующего тому или иному объекту недвижимости, другие объекты, близкие ему по своим характеристикам. [c.172]
Фритцке и Вильке разработали целый класс самоорганизующихся (и обучаемых с учителем) сетей с изменяющейся структурой, такие как Растущие Клеточные Структуры, Растущий Нейронный Газ и Растущие Сетки. Первые и были использованы ими для решения задачи коммивояжера (и других задач комбинаторной оптимизации). [c.118]
Нейронные сети с прямой связью и обучением методом обратного распространения ошибки рассматриваются в литературе чаще других. Кроме них, существует много других сетевых моделей, некоторые из которых имеют вычурные названия конкурентное обучение (или адаптивная теория резонанса ), сети Хопфилда, машины Больцмана, самоорганизующиеся карты признаков Кохонена. [c.36]
Введенную Кохоненом [167] самоорганизующуюся карту признаков можно рассматривать как вариант нейронной сети. Сеть такого типа рассчитана на самостоятельное обучение во время обучения сообщать ей правильные ответы необязательно. В процессе обучения на вход сети подаются различные образцы. Сеть улавливает особенности их структуры и разделяет образцы па кластеры, а уже обученная сеть относит каждый вновь поступающий пример к одному из кластеров, руководствуясь некоторым критерием близости . [c.38]
Эро Карлсон получил степень магистра технических наук в Хельсинском технологическом университете Финляндии в 1970 г. С 1973 г. принимал участие в развитии финской географической информационной системы (ГИС) и с 1990 г. занимается нейронными сетями. Его главные интересы лежат в области оценки недвижимого имущества с помощью самоорганизующихся карт Кохонена (СОК), а также интеграции СОК и ГИС. Эро Карлсон — автор 15 публикаций по нейронным сетям. e-mail arison atk.nis.fi [c.8]
Самуэль Каски получил степень доктора технических наук в Хельсинском технологическом университете в 1997 г. Его главные исследовательские интересы лежат в сфере нейронных сетей, в особенности самоорганизующихся карт Кохонена и их применения в области статистики и извлечения данных. Во время работы в Центре исследований нейронных сетей принимал участие в различных проектах, включая посвященные распознаванию речи, теоретическому физиологическому моделированию, анализу электромагнитных сигналов мозга, анализу и визуальному представлению макроэкономической статистики, а также автоматической [c.9]
В работе Кохонена основное внимание уделено методологии упомянутых нейронных сетей. В настоящей же книге мы обсудим исследовательский анализ данных и процесс извлечения знаний, а также дадим обзор традиционных методов кластеризации и визуального представления данных. Затем мы опишем самоорганизующиеся карты и их преимущества при использовании в финансах, экономике и маркетинге. Книга иллюстрирует использование СОК в целях [c.19]
В пятой главе С. Шумский и А. Яровой из Москвы пишут о структуре и кризисах российской банковской системы. Используя двуслойную самоорганизующуюся нейронную сеть, они показывают, каким образом свежие данные по российским банкам могут быть сокращены и представлены для целей визуального анализа. Изображая различные ячейки СОК в цвете, авторы предлагают вниманию читателя созданный ими атлас российских банков. [c.34]
В седьмой главе Марина Реста совмещает наиболее сильные стороны самоорганизующихся карт с генетическими алгоритмами. Она показывает, каким образом гибридные алгоритмы могут применяться для финансового прогнозирования и выработки стратегий сбыта. Результаты, оцененные на основе финансовых критериев, позволяют увидеть преимущества данного интегрированного гибридного подхода по сравнению с использованием одних самоорганизующихся карт. Глава дает экспериментальное подтверждение ценности метода нейронных сетей, чем удачно дополняет данные, приводимые в книге Гвидо Дебока Рискованный трейдинг... (Trading on the Edge...). [c.35]
Рисунок 1.10. а) Самоорганизующаяся карта Карта позволяет определить компанию, дающую самый сильный отклик в каждом из нейронов Платежеспособные компании соответствуют нейронам с 1 по 36, нейроны с 37 по 74 содер жат информацию о случаях банкротства за предыдущий год Можно раз личить две основные области одну состоящую из нейронов, настроенных на обанкротившиеся компании и другую, состоящую из нейронов, настроенных на платежеспособные компании Ъ) Карта платежеспособности [c.58]
Мы знаем, что с точки зрения нейронных сетей, близкими друг к другу считаются те фирмы, которые имеют сходные паттерны показателей, и что путем исследова ния синаптических весов мы можем обозначить на карте определенные области Однако этого может оказаться недостаточно для того, чтобы определить границы между отдельными фирмами. Мы знаем также, что самоорганизующуюся карту платежеспособности полезно бывает дополнить кластерным анализом, поэтому мы и очертили границы кластеров на рис 1.12. [c.58]
Каждая колонка таблицы представляет собой вектор входных данных СОК Паи менование и сокращенное наименование фонда не принадлежат векторам а соот ветствуют их обозначениям на СОК Множество данных из табл 3 1 многократно предъявлялось самоорганизующимся картам различной размерности. Значения исходных модельных векторов разностей между нейронами были выбраны малы ми и случайными, т е. до начала обработки данные не были упорядочены Тем не менее после того, как они были предъявлены СОК 1000 раз, каждый из нейронов стал в той или иной степени соответствовать одной из существующих комбинации характеристик и одновременно одному из 18 фондов. Таким образом, мы получи ли карту, изображенную на рис. 3 1. Обозначения на карте соответствуют сокра щенным наименованиям взаимных фондов, приведенным в табл. 3.2 [c.83]
На рис 3.10 изображена самоорганизующаяся карта упомянутых 82 фондов Вс фонды, включенные в данную выборку, имеют портфель, состоящий из акции, относящихся к рейтинговым категориям не ниже В+ Кроме того, ни один из этих фондов не менял инвестиционных управляющих в течение по крайней мере трех лет. Нейронная решетка СОК, представленной на рис. 3.10, имеет размерность 12x8 Выделение нейронов при помощи оттенков серого позволяет выделить по крайней мере пять, а возможно, и шесть групп Основные различия между этими группами представлены в табл. 3 8. [c.98]
Банковская система России находится в глубоком кризисе. Начиная с 1994 г. число действующих банков постоянно уменьшается. Финансовые аналитики предсказывают еще более резкое уменьшение их количества в будущем. В настоящей главе С.А. Шумский и А.В. Яровой приводят анализ наиболее современных данных о российской банковской системе. Авторы развивают метод извлечения полезной информации из совокупности данных, основанный на анализе главных компонент и искусственных нейронных сетях, обучаемых без учителя. Они рассматривают также качественные характеристики различных подходов, уделяя особое внимание оценке достоинств и недостатков собственных результатов. Данная глава демонстрирует преимущества метода искусственных нейронных сетей, обучаемых без учителя, в частности самоорганизующихся карт Кохонена, в качестве инструмента финансового анализа банковских организаций. [c.118]