<<
>>

5.6.ПРАКТИЧЕСКОЕ ПРИМЕНЕНИЕ НЕЙРОСЕТЕВЫХ ТЕХНОЛОГИЙ

Применение нейросетевых технологий целесообразно при решении задач, имеющих следующие признаки:
• отсутствие алгоритмов решения задач при наличии доста­точно большого числа примеров;
251• наличие большого объема входной информации, характери­ зующей исследуемую проблему;
• зашумленность, частичная противоречивость, неполнота или избыточность исходных данных.
Нейросетевые технологии нашли широкое применение в та­ких направлениях, как распознавание печатного текста, кон­троль качества продукции на производстве, идентификация со­бытий в ускорителях частиц, разведка нефти, борьба с наркоти­ками, медицинские и военные приложения, управление и опти­мизация, финансовый анализ, прогнозирование и др.
В сфере экономики нейросетевые технологии могут исполь­зоваться для классификации и анализа временных рядов пу­тем аппроксимации сложных нелинейных функций. Экспери­ментально установлено, что модели нейронных сетей обеспечи­вают большую точность при выявлении нелинейных закономер­ностей на фондовом рынке по сравнению с регрессионными мо­делями [13].
Рассмотрим решение задачи прогнозирования цены закрытия на завтра по акциям некоторого предприятия X. Для моделиро­вания воспользуемся данными наблюдений за месяц. В качестве исходных данных можно использовать индикаторы Dow Jones, NIKKEI, FTSE100, индексы и акции российских компаний, «се­зонные» переменные и др.
252
Относительный показатель однодневной доходности пред­приятия можно определить из соотношений:Результаты оценки доходности предприятия с использовани­ем различных моделей ИНС, а также доходов «идеального» трей­дера приведены ниже.
Индикаторы Доходность
за 30 дней
Стандартная трехслойная сеть................................................................ 0,1919
Стандартная четырехслойная сеть.......................................................... —0,1182
Рекуррентная сеть с обратной отрицательной связью
от скрытого слоя.......................................................................... 0,1378
Рекуррентная сеть с отрицательной обратной связью.......................... 0,4545
Сеть Ворда: с тремя скрытыми блоками,
с разными передаточными функциями...................................... 0,2656
Трехслойная сеть с обходным соединением........................................... -0,1889
Четырехслойная сеть с обходными соединениями................................ 0,0003
Сеть с общей регрессией.......................................................................... 0,3835
Сеть метода группового учета аргументов............................................ 0,1065
Сеть Ворда: с тремя скрытыми блоками, с разными
передаточными функциями, с обходным соединением............ —0,1166
«Идеальный» трейдер.............................................................................. 1,1448
«Идеальный трейдер» знает цену закрытия на следующий день и поэтому получает максимально возможную прибыль. Трейдер пользуется значением нейросетевого индикатора следу­ющим образом: на основе прогнозируемого вдень зна­чения(величина относительно изменения цены закрытия по акциям рассматриваемого предприятия X на завтрашний день) трейдер принимает решение о покупкеили прода­жеакций.
Анализ результатов моделирования показывает, что лучшую доходность обеспечила рекуррентная сеть с отрицательной об­ратной связью (45% за 30 дней).
Динамика изменения одноднев­ных показателей доходности, полученных с помощью этой ИНС, приведена на рис 5.6.
Нейросетевые технологии активно используются в марке­тинге для моделирования поведения клиентов и распределения долей рынка. Нейросетевые технологии позволяют отыскивать в маркетинговых базах данных скрытые закономерности {см. разд. 4.5).
Моделирование поведения клиентов позволяет определить характеристики людей, которые будут нужным образом реагиро-
253
вать на рекламу и совершать покупки определенного товара или услуги.
Сегментирование и моделирование рынков на основе нейро-сетевых технологий дает возможность построения гибких класси­фикационных систем, способных осуществлять сегментирование рынков с учетом многообразия факторов и особенностей каждо­го клиента.
Технологии ИНС имеют хорошие перспективы при решении задач имитации и предсказания поведенческих характеристик менеджеров и задач прогнозирования рисков при выдаче креди­тов. Не менее актуально применение ИНС при выборе клиентов для ипотечного кредитования, предсказания банкротства клиен­тов банка, определения мошеннических сделок при использова­нии кредитных карточек, составления рейтингов клиентов при займах с фиксированными платежами и т.п.
Следует помнить о том, что применение нейросетевых техно­логий не всегда возможно и сопряжено с определенными пробле­мами и недостатками.
1. Необходимо как минимум 50, а лучше 100 наблюдений для создания приемлемой модели. Это достаточно большое число данных, и они далеко не всегда доступны. Например, при произ­ водстве сезонного товара истории предыдущих сезонов недоста­ точно для прогноза на текущий сезон из-за изменения стиля про­ дукта, политики продаж и т.д. Даже при прогнозировании спроса на достаточно стабильный продукт на основе информации о еже­ месячных продажах трудно накопить исторические данные за пе­ риод от 50 до 100 месяцев. Для сезонных товаров проблема еще более сложна, так как каждый сезон фактически представляет со­ бой одно наблюдение. При дефиците информации модели ИНС строят в условиях неполных данных, а затем проводят их после­ довательное уточнение.
2. Построение нейронных сетей требует значительных затрат труда и времени для получения удовлетворительной модели. Необ­ ходимо учитывать, что излишне высокая точность, полученная на обучающей выборке, может обернуться неустойчивостью результа­ тов на тестовой выборке — в этом случае происходит «переобуче­ ние» сети. Чем лучше система адаптирована к конкретным услови­ ям, тем меньше она способна к обобщению и экстраполяции и тем скорее может оказаться неработоспособной при изменении этих
255условий. Расширение объема обучающей выборки позволяет до­биться большей устойчивости, но за счет увеличения времени обу­чения.
3. При обучении нейронных сетей могут возникать «ловуш­ ки», связанные с попаданием в локальные минимумы. Детерми­ нированный алгоритм обучения не в силах обнаружить глобаль­ ный экстремум или покинуть локальный минимум. Одним из приемов, который позволяет обходить ловушки, является рас­ ширение размерности пространства весов за счет увеличения числа нейронов скрытых слоев. Некоторые возможности для решения этой проблемы открывают стохастические методы обучения. При модификации весов сети только на основе ин­ формации о направлении вектора градиента целевой функции в пространстве весов можно достичь локального минимума, но невозможно выйти из него, поскольку в точке экстремума «движущая сила» (градиент) обращается в нуль и причина дви­ жения исчезает. Чтобы покинуть локальный экстремум и перейти к поиску глобального, нужно создать дополнительную силу, которая будет зависеть не от градиента целевой функции, а от каких-то других факторов. Один из простейших методов со­ стоит в том, чтобы просто создать случайную силу и добавить ее к детерминистической.
4. Сигмоидальный характер передаточной функции нейрона является причиной того, что если в процессе обучения несколь­ ко весовых коэффициентов стали слишком большими, то ней­ рон попадает на горизонтальный участок функции в область насыщения. При этом изменения других весов, даже достаточ­ но большие, практически не сказываются на величине выход­ ного сигнала такого нейрона, а значит, и на величине целевой функции.
5. Неудачный выбор диапазона входных переменных — доста­ точно элементарная, но часто совершаемая ошибка. Если х, — двоичная переменная со значениями 0 и 1, то примерно в поло­ вине случаев она будет иметь нулевое значение: jc, = 0. Поскольку Xj входит в выражение для модификации веса в виде сомножите­ ля, то эффект будет тот же, что и при насыщении: модификация соответствующих весов будет блокирована. Правильный диапа­ зон для входных переменных должен быть симметричным, на­ пример от +1 до —1 [2, 12].
6. Процесс решения задач нейронной сетью является «непро­ зрачным» для пользователя, что может вызывать с его стороны недоверие к прогнозирующим способностям сети.
7. Предсказывающая способность сети существенно снижает­ ся, если поступающие на вход факты (данные) имеют значитель­ ные отличия от примеров, на которых обучалась сеть. Этот недо­ статок ярко проявляется при решении задач экономического прогнозирования, в частности при определении тенденций коти­ ровок ценных бумаг и стоимости валют на фондовых и финансо­ вых рынках.
8. Отсутствуют теоретически обоснованные правила констру­ ирования и эффективного обучения нейронных сетей. Этот не­ достаток приводит, в частности, к потере нейронными сетями способности обобщать данные предметной области в состояниях переобучения (перетренировки).
Литература
1. Барцев С. И., Охонин В. А. Адаптивные сети обработки информа­ ции. - Красноярск: Институт физики СО АН СССР, 1986.
2. Комьютер обретает разум. - М.: Мир, 1990.
3. Маккалох Дж., Питтс У. Логические исчисления идей, относя­ щихся к нервной деятельности //Автоматы. — М.: ИЛ, 1956.
4. Минский М., Пейперт С. Перцептроны. - М.: Мир, 1971.
5. Мкртчян С. О. Нейроны и нейронные сети (Введение в теорию формальных нейронов и нейронных сетей). — М.: Энергия, 1971.
6. Осовский С. Нейронные сети для обработки информации / Пер. с польск. И. Д. Рудинского. - М.: Финансы и статистика, 2002.
7. Позин Н. В. Моделирование нейронных структур. - М.: Наука, 1970.
8. Розенблат Ф. Принципы нейродинамики. — М.: Мир, 1965.
9. Соколов Е. Н., Вайтнявичус Г. Г. Нейроинтеллект: от нейрона к нейрокомпьютеру. — М.: Наука, 1989.
10. ТрикозД. В. Нейронные сети: как это делается? // Компьютеры + программы. - 1993. - № 4(5).
11. ТзнкД. У., ХопфилдД. Д. Коллективные вычисления в нейроно- подобных электронных схемах // В мире науки. — 1988. — № 2.
12. Уоссермен Ф. Нейрокомпьютерная техника: Теория и практика. - М.: Мир, 1992. 25625713. Фролов Ю. В. Интеллектуальные системы и управленческие ре­ шения. — М.: Изд-во МГПУ, 2000.
14. Хинтон Дж. Е. Как обучаются нейронные сети // В мире науки. — 1992.-№11-12.
15. Kohonen Т. Self-organization and associative memory. — New York: Springer, 1984.
Контрольные вопросы и задания
1. Опишите модель искусственного нейрона. Приведите примеры передаточных функций.
2. Что такое перцептрон? Какие модели нейронных сетей вам известны?
3. Проведите сравнение однослойных и многослойных ИНС.
4. Какими особенностями обладают рекуррентные и самооргани­ зующиеся сети? Расскажите о моделях ИНС Хопфилда и Кохо- нена.
5. Дайте характеристику основных этапов построения нейронной сети.
6. Расскажите о методах обучения ИНС (коррекция по ошибке, обучение Хебба, соревновательное обучение, метод обратного распространения ошибки).
7. Опишите алгоритм обратного распространения ошибки. Сфор­ мулируйте его достоинства и недостатки.
8. Расскажите об известных вам способах реализации ИНС.
9. Для каких задач целесообразно применять ИНС? Каковы усло­ вия применения моделей этого типа? Сформулируйте основные проблемы, возникающие при применении нейронных сетей.
10. Сформулируйте постановку прикладной задачи экономического характера, для решения которой возможно и целесообразно при­ менить нейронную сеть. Опишите, как это можно сделать.
11. Подготовьте доклад или реферат о конкретной нейросетевой ин­ струментальной системе. Опишите методику решения задач оп­ ределенного класса при поддержке выбранного программного обеспечения.
12. Подготовьте набор содержательных примеров для обучения ней­ ронной сети с заданной целью.
13. Сформулируйте постановку содержательной задачи для решения методами нейронных сетей. Подготовьте обучающую и тестиру­ ющую выборки примеров. Выберите топологию сети, выполни-
258те проектирование и реализацию в системе NeuroSolutions (дру­гой системе).
14. Сформулируйте постановку задачи извлечения знаний для реше­ ния с помощью технологии нейронных сетей. Подготовьте необ­ ходимые данные. Выберите топологию сети, выполните проек­ тирование и реализацию в системе NeuroSolutions (или другой си­ стеме).
15. Составьте задачу классификации (диагностики) для решения с помощью технологии нейронных сетей. Подготовьте необхо­ димые данные. Выберите топологию сети, выполните проек­ тирование и реализацию в системе NeuroSolutions (или другой системе).
16. Сформулируйте задачу прогнозирования для решения с помо­ щью технологии нейронных сетей. Подготовьте необходимые данные. Выберите топологию сети, выполните проектирование и реализацию в системе NeuroSolutions (или другой системе).
<< | >>
Источник: Андрейчиков Александр Валентинович Андрейчикова Ольга Николаевна. ИНТЕЛЛЕКТУАЛЬНЫЕИНФОРМАЦИОННЫЕСИСТЕМЫ. 2004

Еще по теме 5.6.ПРАКТИЧЕСКОЕ ПРИМЕНЕНИЕ НЕЙРОСЕТЕВЫХ ТЕХНОЛОГИЙ:

  1. II О ПРАВЕ ЧИСТОГО РАЗУМА В ПРАКТИЧЕСКОМ ПРИМЕНЕНИИ НА ТАКОЕ РАСШИРЕНИЕ, КОТОРОЕ САМО ПО СЕБЕ НЕВОЗМОЖНО ДЛЯ НЕГО В СПЕКУЛЯТИВНОМ ПРИМЕНЕНИИ
  2. Практическое применение
  3. Глава 16* О ПРАКТИЧЕСКОМ ПРИМЕНЕНИИ ИНТЕЛЛЕКТА И О СТОИЦИЗМЕ
  4. ВОПРОСЫ ПРАКТИЧЕСКОГО ПРИМЕНЕНИЯ ЗАКОНОДАТЕЛЬСТВА О ПРИВАТИЗАЦИИ ЖИЛИЩНОГО ФОНДА Е.С. ГЕТМАН
  5. ТЕХНОЛОГИЯ, ФИЗИКО-ТЕХНИЧЕСКИЕ СВОЙСТВА И ПРИМЕНЕНИЕ СИЛИКАТНОГО КИРПИЧА И ЯЧЕИСТЫХ БЕТОНОВ
  6. 4.1.3. Возможность применения принципа регулирования процесса расширения в силикатной технологии
  7. ПОЧЕМУ АМЕРИКАНЦЫ БОЛЬШЕ ИНТЕРЕСУЮТСЯ ПРАКТИЧЕСКИМ ПРИМЕНЕНИЕМ НАУКИ, А НЕ ЕЕ ТЕОРЕТИЧЕСКИМИ АСПЕКТАМИ
  8. Раздел 3 Применение новых информационных технологий как фактор развития образовательного пространства школы
  9. Е.В. ЛУЦЕНКО, В.И.ЛОЙКО, Л.О. ВЕЛИКАНОВА. ПРОГНОЗИРОВАНИЕ И ПРИНЯТИЕ РЕШЕНИЙ В РАСТЕНИЕВОДСТВЕ С ПРИМЕНЕНИЕМ ТЕХНОЛОГИЙ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА Поддержано грантом КубГАУ, 2008
  10. Гаджинский AM.. Современный склад. Организация, технологии, управление и логистика : учеб.-практическое пособие. — М. : ТК Велби, Изд-во Проспект. — 176 с., 2005
  11. 4 Создание виртуального эталона модема для телефонных линий связи и практическое применение системы оценивание качества
  12. Александер Ф.. Психосоматическая медицина. Принципы и практическое применение. /Пер. с англ. С. Могилевского. — М.: Изд-во ЭКСМО-Пресс. — 352 с. (Серия «Психология без границ»)., 2002
  13. 2.1.4.1. Органами исполнительной власти являются органы, осуществляющие повседневное практическое применение законов и иных, в том числе собственных нормативных правовых актов
  14. 4. Смешение законов с практическими принципами. Критика практического легализма и иезуитской морали
  15. § 22. Категория не имеет никакого иного применения для познания вещей, кроме применения к предметам опыта
  16. Применение броневой фортификации в Бельгии Деятельность инженера Бриальмона. Крепости Льеж и Намюр. Применение брони в других малых государствах
  17. АНАЛИТИКА ЧИСТОГО ПРАКТИЧЕСКОГО РАЗУМА ГЛАВА ПЕРВАЯ Об основоположениях чистого практического разума