الشبكات العصبية وأمثلة لاستخدامها في الاقتصاد. "الشبكات العصبية

مساء الخير ، اسمي ناتاليا إفريموفا وأنا عالمة أبحاث في NtechLab. اليوم سأتحدث عن الآراء الشبكات العصبيةوتطبيقهم.

أولاً ، سأقول بضع كلمات عن شركتنا. الشركة جديدة ، وربما لا يعرف الكثير منكم حتى الآن ما نقوم به. لقد فزنا في مسابقة MegaFace العام الماضي. هذه مسابقة دولية للتعرف على الوجوه. في نفس العام ، تم افتتاح شركتنا ، أي أننا كنا في السوق منذ حوالي عام ، بل أكثر من ذلك بقليل. وبناءً على ذلك ، نحن من الشركات الرائدة في مجال التعرف على الوجه والتصوير البيومتري.

سيتم توجيه الجزء الأول من حديثي إلى أولئك الذين ليسوا على دراية بالشبكات العصبية. أنا منخرط بشكل مباشر في التعلم العميق. أعمل في هذا المجال منذ أكثر من 10 سنوات. على الرغم من ظهوره منذ أقل من عقد بقليل ، فقد كانت هناك بعض أساسيات الشبكات العصبية التي بدت وكأنها نظام تعلم عميق.

في السنوات العشر الماضية ، تطور التعلم العميق ورؤية الكمبيوتر بوتيرة مذهلة. كل ما تم القيام به بشكل هادف في هذا المجال حدث في السنوات الست الماضية.

سأتحدث عن الجوانب العملية: أين ومتى وما الذي يجب تطبيقه من حيث التعلم العميق لمعالجة الصور والفيديو ، وللتعرف على الصور والوجه ، حيث إنني أعمل في شركة تقوم بذلك. سأخبرك قليلاً عن التعرف على المشاعر ، وما الأساليب المستخدمة في الألعاب والروبوتات. سأتحدث أيضًا عن التطبيق غير القياسي للتعلم العميق ، وهو الشيء الذي ظهر للتو من المؤسسات العلمية ولا يزال قليل الاستخدام في الممارسة ، وكيف يمكن تطبيقه ، ولماذا يصعب تطبيقه.

سيكون التقرير في جزأين. نظرًا لأن معظمهم على دراية بالشبكات العصبية ، سأشرح أولاً بسرعة كيفية عمل الشبكات العصبية ، وما هي الشبكات العصبية البيولوجية ، ولماذا من المهم بالنسبة لنا معرفة كيفية عملها ، وما هي الشبكات العصبية الاصطناعية ، وما هي البنى المستخدمة في أي مناطق .

أعتذر على الفور ، وسأنتقل قليلاً إلى المصطلحات الإنجليزية ، لأن معظم ما يسمى باللغة الروسية ، لا أعرف حتى. ربما انت ايضا.

لذا ، سيخصص الجزء الأول من الحديث للشبكات العصبية التلافيفية. سأشرح كيف تعمل الشبكة العصبية التلافيفية (CNN) ، والتعرف على الصور ، مع مثال من التعرف على الوجوه. سأخبرك قليلاً عن الشبكة العصبية المتكررة (RNN) والتعلم المعزز باستخدام أنظمة التعلم العميق كمثال.

كتطبيق غير قياسي للشبكات العصبية ، سأتحدث عن كيفية عمل CNN في الطب للتعرف على صور فوكسل ، وكيفية استخدام الشبكات العصبية للتعرف على الفقر في إفريقيا.

ما هي الشبكات العصبية

كان النموذج الأولي لإنشاء الشبكات العصبية ، بشكل غريب بما فيه الكفاية ، شبكات عصبية بيولوجية. ربما يعرف الكثير منكم كيفية برمجة شبكة عصبية ، لكن من أين أتت ، على ما أعتقد ، لا يعرف البعض. يأتي ثلثا المعلومات الحسية التي تصلنا من أعضاء الإدراك البصري. يشغل أكثر من ثلث سطح دماغنا اثنتان من أهم مناطق الرؤية - المسار البصري الظهري والمسار البصري البطني.

يبدأ المسار البصري الظهري في المنطقة البصرية الأولية ، عند تاجنا ، ويستمر صعودًا ، بينما يبدأ المسار البطني في مؤخرة رأسنا وينتهي خلف الأذنين تقريبًا. كل التعرف على الأنماط المهم لدينا ، كل الأشياء ذات المعنى التي ندركها ، تحدث هناك ، خلف الأذنين.

لماذا هو مهم؟ لأنه غالبًا ما يكون مطلوبًا لفهم الشبكات العصبية. أولاً ، يتحدث الجميع عن ذلك ، وأنا معتاد بالفعل على حدوث ذلك ، وثانيًا ، الحقيقة هي أن جميع المناطق المستخدمة في الشبكات العصبية للتعرف على الأنماط جاءت إلينا على وجه التحديد من المسار البصري البطني ، حيث منطقة صغيرة مسؤولة عن وظيفتها المحددة بدقة.

تأتي الصورة إلينا من شبكية العين ، وتمر عبر سلسلة من المناطق المرئية وتنتهي في المنطقة الزمنية.

في الستينيات البعيدة من القرن الماضي ، عندما كانت دراسة المناطق المرئية للدماغ قد بدأت للتو ، أجريت التجارب الأولى على الحيوانات ، لأنه لم يكن هناك التصوير بالرنين المغناطيسي الوظيفي. تم فحص الدماغ باستخدام أقطاب كهربائية مزروعة في مناطق بصرية مختلفة.

تم استكشاف المنطقة المرئية الأولى بواسطة David Huebel و Thorsten Wiesel في عام 1962. جربوا على القطط. تم عرض أشياء متحركة مختلفة للقطط. كان رد فعل خلايا الدماغ هو التحفيز الذي تعرف عليه الحيوان. حتى الآن ، يتم إجراء العديد من التجارب بهذه الطرق الوحشية. لكن مع ذلك ، فهذه هي الطريقة الأكثر فاعلية لمعرفة ما تفعله كل خلية صغيرة في دماغنا.

بنفس الطريقة ، تم اكتشاف العديد من الخصائص المهمة للمناطق المرئية ، والتي نستخدمها الآن في التعلم العميق. واحدة من أهم الخصائص هي الزيادة في المجالات المستقبلة لخلايانا عندما ننتقل من المناطق المرئية الأولية إلى الفص الصدغي ، أي إلى المناطق المرئية اللاحقة. المجال الاستقبالي هو ذلك الجزء من الصورة التي تعالجها كل خلية في دماغنا. كل خلية لها مجالها الخاص. هذه الخاصية نفسها محفوظة في الشبكات العصبية أيضًا ، كما تعلمون جميعًا على الأرجح.

أيضًا ، مع زيادة المجالات المستقبلة ، تزداد المحفزات المعقدة التي تتعرف عليها الشبكات العصبية عادةً.

هنا ترى أمثلة على تعقيد المنبهات ، والأشكال المختلفة ثنائية الأبعاد التي يتم التعرف عليها في المناطق V2 و V4 وأجزاء مختلفة من الحقول الزمنية في قرود المكاك. كما يتم إجراء عدد من تجارب التصوير بالرنين المغناطيسي.

هنا يمكنك أن ترى كيف يتم إجراء مثل هذه التجارب. هذا جزء من 1 نانومتر من قشرة تكنولوجيا المعلومات "مناطق القرد عند التعرف على الكائنات المختلفة. حيث يتم تمييزها.

دعونا نلخص. من الخصائص المهمة التي نريد تبنيها من المناطق المرئية أن حجم الحقول المستقبلة يزداد ، ويزداد تعقيد الكائنات التي نتعرف عليها.

رؤية الكمبيوتر

قبل أن نتعلم كيفية تطبيق هذا على رؤية الكمبيوتر - بشكل عام ، على هذا النحو ، لم يكن موجودًا. إذا كان هناك أي شيء ، فإنه لم يعمل كما هو الآن.

نقوم بنقل كل هذه الخصائص إلى الشبكة العصبية ، وهي تعمل الآن ، إذا لم تقم بتضمين استطراد صغير لمجموعات البيانات ، والذي سأتحدث عنه لاحقًا.

لكن أولاً ، قليلاً عن أبسط مدرك. يتشكل أيضًا في صورة ومثال دماغنا. أبسط عنصر يشبه خلية دماغية هو خلية عصبية. يحتوي على عناصر إدخال يتم تشغيلها من اليسار إلى اليمين افتراضيًا ، وأحيانًا من أسفل إلى أعلى. على اليسار توجد أجزاء الإدخال من الخلايا العصبية ، وعلى اليمين توجد الأجزاء الناتجة من الخلية العصبية.

أبسط مجسم قادر على أداء أبسط العمليات فقط. من أجل إجراء عمليات حسابية أكثر تعقيدًا ، نحتاج إلى بنية بها الكثير من الطبقات المخفية.

في حالة رؤية الكمبيوتر ، نحتاج إلى المزيد من الطبقات المخفية. وعندها فقط سيتعرف النظام بذكاء على ما يراه.

لذا ، ماذا يحدث أثناء التعرف على الصور ، سأخبرك بمثال الوجوه.

بالنسبة لنا أن ننظر إلى هذه الصورة ونقول أنها تصور وجه التمثال أمر بسيط للغاية. ومع ذلك ، حتى عام 2010 ، كانت هذه مهمة صعبة للغاية بالنسبة لرؤية الكمبيوتر. أولئك الذين تعاملوا مع هذه المشكلة قبل هذا الوقت ربما يعرفون مدى صعوبة وصف الشيء الذي نريد العثور عليه في الصورة بدون كلمات.

لقد احتجنا إلى القيام بذلك بطريقة هندسية ، ووصف الكائن ، ووصف العلاقة بينه ، وكيف يمكن أن ترتبط هذه الأجزاء ببعضها البعض ، ثم العثور على هذه الصورة على الكائن ، ومقارنتها ، والحصول على ما تم التعرف عليه بشكل سيئ. كان هذا عادةً أفضل قليلاً من رمي قطعة نقود. أفضل قليلاً من مستوى الفرصة.

هذا ليس الموضوع الان. قمنا بتقسيم صورتنا إما إلى وحدات بكسل أو إلى بعض التصحيحات: 2 × 2 ، 3 × 3 ، 5 × 5 ، 11 × 11 بكسل - مناسب لمنشئي النظام الذي يعملون فيه كطبقة إدخال للشبكة العصبية.

تنتقل الإشارات من طبقات الإدخال هذه من طبقة إلى أخرى باستخدام المشابك ، ولكل طبقة معاملاتها الخاصة. لذلك ، ننتقل من طبقة إلى طبقة ، ومن طبقة إلى أخرى ، حتى نتعرف على الوجه.

تقليديًا ، يمكن تقسيم كل هذه الأجزاء إلى ثلاث فئات ، وسنشير إليها X و W و Y ، حيث X هي صورة الإدخال لدينا ، و Y هي مجموعة من الملصقات ، وعلينا الحصول على أوزاننا. كيف نحسب W؟

مع X و Y ، يبدو الأمر بسيطًا. ومع ذلك ، فإن ما يشار إليه بعلامة النجمة هو عملية معقدة للغاية غير خطية ، والتي ، للأسف ، ليس لها عكس. حتى مع وجود مكونين معينين في المعادلة ، من الصعب جدًا حسابها. لذلك نحتاج تدريجياً ، عن طريق التجربة والخطأ ، عن طريق اختيار الوزن W ، بحيث ينخفض ​​الخطأ قدر الإمكان ، ويفضل أن يصبح مساوياً للصفر.

تحدث هذه العملية بشكل متكرر ، فنحن ننخفض باستمرار حتى نجد قيمة الوزن W الذي يناسبنا بدرجة كافية.

بالمناسبة ، لم تصل أي شبكة عصبية واحدة عملت معها إلى خطأ يساوي الصفر ، لكنها عملت بشكل جيد.

ها هي أول شبكة تفوز بمسابقة ImageNet الدولية في عام 2012. هذا هو ما يسمى AlexNet. هذه شبكة أعلنت نفسها لأول مرة ، عن وجود شبكات عصبية تلافيفية ، ومنذ ذلك الحين ، لم تتنازل الشبكات العصبية التلافيفية عن مواقعها أبدًا في جميع المسابقات الدولية.

على الرغم من حقيقة أن هذه الشبكة صغيرة جدًا (لا يوجد سوى 7 طبقات مخفية) ، إلا أنها تحتوي على 650 ألف خلية عصبية مع 60 مليون معلمة. من أجل التعلم بشكل تكراري لإيجاد الأوزان الصحيحة، نحن بحاجة إلى الكثير من الأمثلة.

تتعلم الشبكة العصبية من مثال الصورة والتسمية. نظرًا لأننا نتعلم في الطفولة "هذه قطة ، وهذا كلب" ، يتم تدريب الشبكات العصبية أيضًا على عدد كبير من الصور. لكن الحقيقة هي أنه حتى عام 2010 لم تكن هناك مجموعة بيانات كبيرة بما يكفي لتعليم مثل هذا العدد من المعلمات للتعرف على الصور.

أكبر قواعد البيانات التي كانت موجودة قبل هذا الوقت: PASCAL VOC ، التي تحتوي على 20 فئة فقط من الكائنات ، و Caltech 101 ، الذي تم تطويره في معهد كاليفورنيا للتكنولوجيا. هذا الأخير كان يحتوي على 101 فئة ، وكان ذلك كثيرًا. أولئك الذين لم يتمكنوا من العثور على كائناتهم في أي من قواعد البيانات هذه كان عليهم أن يكلفوا قواعد بياناتهم ، وهذا ، كما أقول ، أمر مؤلم للغاية.

ومع ذلك ، في عام 2010 ، ظهرت قاعدة بيانات ImageNet ، والتي كان هناك 15 مليون صورة ، مقسمة إلى 22 ألف فئة. هذا حل مشكلتنا في تدريب الشبكات العصبية. الآن يمكن لأي شخص لديه عنوان أكاديمي الانتقال بسهولة إلى موقع القاعدة وطلب الوصول والحصول على هذه القاعدة لتدريب شبكاتهم العصبية. يجيبون بسرعة كافية ، في رأيي ، في اليوم التالي.

مقارنة بمجموعات البيانات السابقة ، فهذه قاعدة بيانات كبيرة جدًا.

يوضح المثال مدى عدم أهمية كل ما قبلها. بالتزامن مع قاعدة ImageNet ، ظهرت مسابقة ImageNet ، وهي تحد دولي يمكن لجميع الفرق الراغبة في المنافسة المشاركة فيه.

هذا العام ، فازت الشبكة التي تم إنشاؤها في الصين ، وكان لديها 269 طبقة. لا أعرف عدد المعلمات ، وأظن أن هناك العديد منها أيضًا.

بنية الشبكة العصبية العميقة

يمكن تقسيمها بشكل مشروط إلى قسمين: أولئك الذين يدرسون وأولئك الذين لا يدرسون.

يتم تمييز الأجزاء التي لا تتعلم باللون الأسود ، وكل الطبقات الأخرى قادرة على التعلم. هناك العديد من التعريفات لما يوجد داخل كل طبقة تلافيفية. إحدى التعيينات المقبولة هي أن طبقة واحدة من ثلاثة مكونات تنقسم إلى مرحلة الالتواء ومرحلة الكاشف ومرحلة التجميع.

لن أخوض في التفاصيل ، سيكون هناك العديد من التقارير التي ستوضح بالتفصيل كيفية عملها. سأخبرك بمثال.

نظرًا لأن المنظمين طلبوا مني عدم ذكر العديد من الصيغ ، فقد طردتهم تمامًا.

لذلك ، تدخل صورة الإدخال في شبكة من الطبقات ، والتي يمكن تسميتها مرشحات ذات أحجام مختلفة وتعقيد مختلف للعناصر التي يتعرفون عليها. تشكل هذه المرشحات الفهرس الخاص بها أو مجموعة الميزات ، والتي تدخل بعد ذلك في المصنف. عادة ما يكون إما SVM أو MLP - منظور متعدد الطبقات ، كل ما هو مناسب لأي شخص.

في الصورة والتشابه مع الشبكة العصبية البيولوجية ، يتم التعرف على الكائنات بدرجات تعقيد متفاوتة. مع زيادة عدد الطبقات ، فقد كل هذا اتصاله بالقشرة ، نظرًا لوجود عدد محدود من المناطق في الشبكة العصبية. 269 ​​أو العديد من مناطق التجريد ، لذلك يبقى فقط زيادة في التعقيد وعدد العناصر والحقول المستقبلة.

إذا نظرنا إلى مثال التعرف على الوجوه ، فسيكون المجال الاستقبالي للطبقة الأولى صغيرًا ، ثم أكبر قليلاً ، وأكثر ، وهكذا حتى نتمكن أخيرًا من التعرف على الوجه ككل.

من وجهة نظر ما لدينا داخل المرشحات ، أولاً سيكون هناك عصي مائلة بالإضافة إلى القليل من اللون ، ثم أجزاء من الوجوه ، وبعد ذلك سيتم التعرف على الوجوه بأكملها بواسطة كل خلية في الطبقة.

هناك أشخاص يجادلون بأن الشخص يتعرف دائمًا على أفضل من الشبكة. هو كذلك؟

في عام 2014 ، قرر العلماء اختبار مدى تميزنا بالمقارنة مع الشبكات العصبية. لقد أخذوا أفضل شبكتين في الوقت الحالي - هذه هي AlexNet وشبكة Matthew Ziller و Fergus ، وقارنوها باستجابة مناطق مختلفة من دماغ المكاك ، والتي تم تعليمها أيضًا للتعرف على بعض الأشياء. كانت الأشياء من مملكة الحيوان حتى لا يختلط الأمر على القرد ، وأجريت التجارب لمعرفة من يتعرف بشكل أفضل.

نظرًا لأنه من المستحيل الحصول على استجابة من القرد ، فقد تم زرع أقطاب كهربائية فيه وتم قياس استجابة كل خلية عصبية مباشرة.

اتضح أنه في ظل الظروف العادية ، تفاعلت خلايا الدماغ تمامًا مثل أحدث طراز في ذلك الوقت ، أي شبكة ماثيو زيلر.

ومع ذلك ، مع زيادة سرعة عرض الأشياء ، فإن الزيادة في كمية الضوضاء والأشياء في الصورة ، تنخفض بشكل كبير سرعة التعرف وجودة دماغنا وعقل الرئيسيات. حتى أبسط شبكة عصبية تلافيفية تتعرف على الأشياء بشكل أفضل. أي أن الشبكات العصبية رسمياً تعمل بشكل أفضل من أدمغتنا.

المشاكل الكلاسيكية للشبكات العصبية التلافيفية

في الواقع ، ليس هناك الكثير منهم ، فهم ينتمون إلى ثلاث فئات. من بينها مهام مثل تحديد الكائن ، والتجزئة الدلالية ، والتعرف على الوجوه ، والتعرف على أجزاء جسم الإنسان ، والتعريف الدلالي للحدود ، وتسليط الضوء على الأشياء الجديرة بالاهتمام في صورة وإبراز القواعد السطحية. يمكن تقسيمها بشكل مشروط إلى 3 مستويات: من المهام ذات المستوى الأدنى إلى المهام ذات المستوى الأعلى.

باستخدام هذه الصورة كمثال ، دعنا نلقي نظرة على ما تفعله كل مهمة.

• تحديد الحدودهي المهمة ذات المستوى الأدنى التي تم بالفعل تطبيق الشبكات العصبية التلافيفية عليها بشكل كلاسيكي.
• تحديد متجه إلى الوضع الطبيعييسمح لنا بإعادة بناء صورة ثلاثية الأبعاد من صورة ثنائية الأبعاد.
• البروز ، وتحديد الأشياء التي تستحق الاهتمام- هذا ما يجب أن ينتبه إليه الشخص عند التفكير في هذه الصورة.
• التجزئة الدلاليةيسمح لك بتقسيم الكائنات إلى فئات وفقًا لبنيتها ، دون معرفة أي شيء عن هذه الكائنات ، أي حتى قبل التعرف عليها.
• تسليط الضوء على الحدود الدلالية- هذا هو اختيار الحدود ، مقسمة إلى فئات.
• عزل أجزاء من جسم الإنسان.
• والمهمة على أعلى مستوى هي التعرف على الأشياء نفسها، والذي سننظر فيه الآن باستخدام مثال التعرف على الوجوه.

تمييز الوجوه

أول شيء نقوم به هو تشغيل كاشف الوجه على الصورة للعثور على الوجه. بعد ذلك ، نقوم بتطبيع الوجه وتوسيطه وتشغيله للمعالجة في الشبكة العصبية. بعد ذلك نحصل على مجموعة أو متجه من الميزات التي تفرد وصف ملامح هذا الوجه.

ثم يمكننا مقارنة متجه الميزات هذا مع جميع نواقل الميزات المخزنة في قاعدة البيانات الخاصة بنا ، والحصول على مرجع لشخص معين ، لاسمه ، بملفه الشخصي - كل ما يمكننا تخزينه في قاعدة البيانات.

هذه هي الطريقة التي يعمل بها منتج FindFace الخاص بنا - إنه كذلك خدمة مجانية، مما يساعد في البحث عن ملفات تعريف الأشخاص في قاعدة بيانات فكونتاكتي.

بالإضافة إلى ذلك ، لدينا API للشركات التي ترغب في تجربة منتجاتنا. نحن نقدم خدمات لاكتشاف الوجه والتحقق منه وتحديد هوية المستخدم.

لقد قمنا الآن بتطوير سيناريوهين. الأول هو تحديد الهوية ، والبحث عن شخص في قاعدة بيانات. والثاني هو التحقق ، وهو مقارنة بين صورتين مع احتمال معين أنهما نفس الشخص. بالإضافة إلى ذلك ، نعمل حاليًا على تطوير التعرف على المشاعر والتعرف على الصور من خلال اكتشاف الفيديو والحيوية - وهذا هو فهم ما إذا كان الشخص على قيد الحياة أمام الكاميرا أو الصورة.

بعض الإحصائيات. عند التحديد ، عند البحث عن 10 آلاف صورة ، لدينا دقة تصل إلى حوالي 95٪ ، اعتمادًا على جودة القاعدة ، دقة التحقق 99٪. وإلى جانب ذلك ، هذه الخوارزمية مقاومة جدًا للتغييرات - لسنا بحاجة إلى النظر في الكاميرا ، فقد يكون لدينا بعض الأشياء المعوقة: نظارات ، نظارات شمسية ، لحية ، قناع طبي. في بعض الحالات ، يمكننا التغلب على الصعوبات الهائلة التي تواجه رؤية الكمبيوتر مثل النظارات والقناع.

بحث سريع جدًا ، يستغرق 0.5 ثانية لمعالجة مليار صورة. لقد قمنا بتطوير فهرس فريد بحث سريع... يمكننا أيضًا العمل مع صور منخفضة الجودة من كاميرات الدوائر التلفزيونية المغلقة. يمكننا التعامل مع كل ذلك في الوقت الحقيقي. يمكنك تحميل الصور عبر واجهة الويب ، عبر Android و iOS والبحث في 100 مليون مستخدم و 250 مليون صورة.

كما قلت ، احتلنا المركز الأول في مسابقة MegaFace - نظير لـ ImageNet ، ولكن للتعرف على الوجوه. لقد كان يعمل منذ عدة سنوات حتى الآن ، في العام الماضي كنا الأفضل من بين 100 فريق من جميع أنحاء العالم ، بما في ذلك Google.

الشبكات العصبية المتكررة

نحن نستخدم الشبكات العصبية المتكررة عندما لا يكفي بالنسبة لنا التعرف على الصورة فقط. في الحالات التي يكون فيها من المهم بالنسبة لنا الحفاظ على تسلسل ، نحتاج إلى ترتيب ما يحدث ، نستخدم الشبكات العصبية المتكررة العادية.

يتم تطبيقه للتعرف على اللغة الطبيعية ، ومعالجة الفيديو ، وحتى استخدامه للتعرف على الصور.

لن أتحدث عن التعرف على اللغة الطبيعية - بعد تقريري سيكون هناك اثنان آخران ، والتي تهدف إلى التعرف على اللغة الطبيعية. لذلك سوف أخبركم عن عمل الشبكات المتكررة باستخدام مثال التعرف على المشاعر.

ما هي الشبكات العصبية المتكررة؟ هذا هو نفسه تقريبًا مثل الشبكات العصبية التقليدية ، ولكن مع التغذية الراجعة. نحتاج إلى التغذية الراجعة من أجل نقل الحالة السابقة للنظام إلى مدخلات الشبكة العصبية أو إلى بعض طبقاتها.

لنفترض أننا نعالج المشاعر. حتى في الابتسامة - وهي واحدة من أبسط المشاعر - هناك عدة أشياء: من تعبير الوجه المحايد إلى اللحظة التي يكون لدينا فيها ابتسامة كاملة. يذهبون واحدا تلو الآخر بالتتابع. لفهم هذا جيدًا ، نحتاج إلى أن نكون قادرين على ملاحظة كيفية حدوث ذلك ، ونقل ما كان في الإطار السابق إلى الخطوة التالية من النظام.

في عام 2005 ، في Emotion Recognition in the Wild ، تحديدًا للتعرف على المشاعر ، قدم فريق من مونتريال نظامًا متكررًا بدا بسيطًا للغاية. كان لديها فقط عدد قليل من الطبقات التلافيفية وعملت حصريًا مع الفيديو. هذا العام ، أضافوا أيضًا التعرف على الصوت والبيانات المجمعة إطارًا بإطار التي تأتي من الشبكات العصبية التلافيفية ، والبيانات الصوتية مع شبكة عصبية متكررة (مع عودة الحالة) ، وفازوا بالمركز الأول في المنافسة.

تعزيز التعلم

النوع التالي من الشبكات العصبية ، والذي غالبًا ما يستخدم مؤخرًا ، ولكنه لم يتلق دعاية واسعة مثل النوعين السابقين ، هو التعلم المعزز العميق ، والتعلم المعزز.

الحقيقة هي أننا في الحالتين السابقتين نستخدم قواعد البيانات. لدينا إما بيانات الوجه أو بيانات الصورة أو بيانات المشاعر من مقاطع الفيديو. إذا لم يكن لدينا ، إذا لم نتمكن من إطلاق النار عليه ، كيف يمكننا تعليم الروبوت أن يأخذ الأشياء؟ نقوم بذلك تلقائيًا - لا نعرف كيف يعمل. مثال آخر: إنشاء قواعد بيانات كبيرة بتنسيق ألعاب الكمبيوترصعبة وليست ضرورية ، يمكنك جعلها أسهل بكثير.

ربما سمع الجميع عن نجاح التعلم المعزز العميق في Atari و in Go.

من سمع عن أتاري؟ حسنًا ، سمع أحدهم ، حسنًا. أعتقد أن الجميع قد سمعوا عن AlphaGo ، لذلك لن أخبر حتى بما يحدث بالضبط هناك.

ما الذي يحدث في أتاري؟ تظهر بنية هذه الشبكة العصبية على اليسار. تتعلم من خلال اللعب مع نفسها من أجل الحصول على أقصى قدر من المكافأة. أقصى مكافأة هي أسرع نتيجة ممكنة للعبة بأكبر درجة ممكنة.

أعلى اليمين - الطبقة الأخيرة من الشبكة العصبية ، والتي تصور العدد الكامل لحالات النظام ، والتي لعبت ضد نفسها لمدة ساعتين فقط. النتائج المرغوبة للعبة مع أقصى مكافأة تظهر باللون الأحمر والنتائج غير المرغوب فيها باللون الأزرق. تبني الشبكة نوعًا من المجال وتتنقل عبر طبقاتها المدربة إلى الحالة التي تريد تحقيقها.

يختلف الوضع قليلاً في مجال الروبوتات. لماذا ا؟ لدينا بعض التعقيدات هنا. أولاً ، ليس لدينا الكثير من قواعد البيانات. ثانيًا ، نحتاج إلى تنسيق ثلاثة أنظمة في آنٍ واحد: إدراك الروبوت ، وأفعاله بمساعدة المتلاعبين وذاكرته - ما تم القيام به في الخطوة السابقة وكيف تم ذلك. بشكل عام ، كل هذا صعب للغاية.

الحقيقة هي أنه لا توجد شبكة عصبية واحدة ، حتى التعلم العميق في الوقت الحالي ، يمكنها التعامل مع هذه المهمة بكفاءة كافية ، وبالتالي فإن التعلم العميق ليس سوى أجزاء حصرية مما تحتاج إليه الروبوتات. على سبيل المثال ، قدم سيرجي ليفين مؤخرًا نظامًا يعلم الروبوت أن يمسك الأشياء.

تظهر هنا التجارب التي أجراها على ذراعيه الروبوتية الأربعة عشر.

ماذا يجري هنا؟ في هذه الأحواض ، التي تراها أمامك ، توجد أشياء مختلفة: أقلام ، وممحاة ، وأكواب أصغر وأكبر ، وخرق ، وأنسجة مختلفة ، وصلابة مختلفة. من غير الواضح كيفية تدريب الروبوت على التقاطهم. لساعات عديدة ، وحتى ، على ما يبدو ، لأسابيع ، كانت الروبوتات تتدرب لتتمكن من الاستيلاء على هذه الأشياء ، وقد تم تجميع قواعد البيانات حول هذا الأمر.

قواعد البيانات هي نوع من الاستجابة من البيئة التي نحتاج إلى تجميعها حتى نتمكن من تدريب الروبوت على القيام بشيء ما في المستقبل. في المستقبل ، ستتعلم الروبوتات عن هذه المجموعة من حالات النظام.

التطبيقات غير القياسية للشبكات العصبية

لسوء الحظ ، هذه هي النهاية ، ليس لدي الكثير من الوقت. سأخبرك عن تلك الحلول غير القياسية الموجودة الآن والتي ، وفقًا للعديد من التوقعات ، سيكون لها نوع من التطبيق في المستقبل.

لذلك ابتكر علماء ستانفورد مؤخرًا تطبيقًا غير معتاد للغاية لشبكة CNN العصبية للتنبؤ بالفقر. ماذا فعلوا؟

المفهوم في الواقع بسيط للغاية. والحقيقة هي أن مستوى الفقر في أفريقيا يخرج عن نطاق يتجاوز كل الحدود الممكنة وغير المتصورة. ليس لديهم حتى القدرة على جمع البيانات الديموغرافية الاجتماعية. لذلك ، منذ عام 2005 ، ليس لدينا أي بيانات على الإطلاق حول ما يحدث هناك.

جمع العلماء خرائط ليلا ونهارا من الأقمار الصناعية وقاموا بإرسالها إلى الشبكة العصبية لبعض الوقت.

تم تكوين الشبكة العصبية مسبقًا على ImageNet "أي ، تم ضبط الطبقات الأولى من المرشحات بحيث يمكنها التعرف بالفعل على بعض الأشياء البسيطة جدًا ، على سبيل المثال ، أسطح المنازل ، للبحث عن مستوطنة على الخرائط النهارية. ثم خرائط النهار مقارنة بالخرائط الليلية ، وإضاءة نفس المنطقة من السطح من أجل تحديد مقدار الأموال التي يملكها السكان على الأقل لإضاءة منازلهم أثناء الليل.

هنا يمكنك رؤية نتائج التنبؤ الذي أنشأته الشبكة العصبية. تم عمل التوقعات بقرارات مختلفة. وترون - أحدث إطار هو البيانات الحقيقية التي جمعتها الحكومة الأوغندية في 2005.

يمكنك أن ترى أن الشبكة العصبية قد قدمت تنبؤًا دقيقًا إلى حد ما ، حتى مع حدوث تحول طفيف منذ عام 2005.

كانت هناك بالطبع آثار جانبية. يتفاجأ علماء التعلم العميق دائمًا بالعثور على آثار جانبية مختلفة. على سبيل المثال ، مثل تلك التي تعلمتها الشبكة التعرف على المياه والغابات ومواقع البناء الكبيرة والطرق - كل هذا بدون مدرسين ، بدون قواعد بيانات مسبقة البناء. بشكل عام بشكل مستقل تمامًا. كانت هناك طبقات معينة تفاعلت ، على سبيل المثال ، مع الطرق.

وآخر تطبيق أود التحدث عنه هو التقسيم الدلالي للصور ثلاثية الأبعاد في الطب. بشكل عام ، يعد التصوير الطبي مجالًا معقدًا يصعب التعامل معه.

هناك عدة أسباب لذلك.

• لدينا عدد قليل جدا من قواعد البيانات. ليس من السهل العثور على صورة لدماغ ، علاوة على ذلك ، صورة تالفة ، ومن المستحيل أيضًا التقاطها من أي مكان.
• حتى لو كانت لدينا مثل هذه الصورة ، نحتاج إلى أخذ طبيب وإجباره على وضع جميع الصور ذات الطبقات يدويًا ، وهي طويلة جدًا وغير فعالة للغاية. ليس كل الأطباء لديهم الموارد للقيام بذلك.
• مطلوب دقة عالية جدا. لا يمكن أن يكون النظام الطبي مخطئًا. عند التعرف على القطط ، على سبيل المثال ، لم يتعرفوا عليها - لا بأس بذلك. وإذا لم نتعرف على الورم ، فهو ليس جيدًا جدًا. هناك متطلبات شرسة بشكل خاص لموثوقية النظام.
• الصور في عناصر ثلاثية الأبعاد - وحدات البكسل ، وليس بالبكسل ، مما يمثل صعوبات إضافية لمصممي النظام.

لكن كيف تمكنت من التغلب على هذه المشكلة في هذه الحالة؟ كانت سي إن إن ذات دفق مزدوج. تعامل جزء واحد مع دقة أكثر طبيعية ، والآخر دقة أسوأ قليلاً من أجل تقليل عدد الطبقات التي نحتاج إلى تدريبها. نتيجة لهذا ، تم تقليل وقت تدريب الشبكة بشكل طفيف.

أين يتم استخدامه: تحديد الضرر بعد السكتة الدماغية ، لإيجاد ورم في المخ ، في أمراض القلب لتحديد كيفية عمل القلب.

فيما يلي مثال لتحديد حجم المشيمة.

يعمل هذا تلقائيًا بشكل جيد ، ولكن ليس كثيرًا لدرجة أنه يدخل حيز الإنتاج ، لذا فقد بدأ للتو. هناك العديد من الشركات الناشئة لبناء أنظمة الرؤية الطبية. بشكل عام ، هناك الكثير من الشركات الناشئة في مجال التعلم العميق في المستقبل القريب. يقال إن أصحاب رؤوس الأموال قد خصصوا ميزانية أكبر للشركات الناشئة في مجال التعلم العميق في الأشهر الستة الماضية مما كانت عليه في السنوات الخمس الماضية.

هذه المنطقة تتطور بنشاط ، وهناك العديد من الاتجاهات المثيرة للاهتمام. نحن نعيش في وقت ممتع. إذا كنت منخرطًا في التعلم العميق ، فمن المحتمل أن يكون الوقت قد حان لفتح شركتك الناشئة.

حسنًا ، من المحتمل أن أقوم بهذا. شكرا جزيلا.

أرز. 13.12. أرز. 13.13. أرز. 13.14. أرز. 13.15. أرز. 13.16. أرز. 13.17. أرز. 13.18. أرز. 13.19. أرز. 13.20. أرز. 13.21. أرز. 13.22. أرز. 13.23. أرز. 13.24. أرز. 13.25. أرز. 13.26. أرز. 13.28. المخطط التكنولوجي العام لمعالجة البيانات

تعتبر الممارسة اليومية للأسواق المالية في تناقض مثير للاهتمام مع وجهة النظر الأكاديمية ، والتي بموجبها تحدث التغييرات في أسعار الأصول المالية على الفور ، دون أي جهد ، مما يعكس بشكل فعال جميع المعلومات المتاحة. يشير وجود المئات من صانعي السوق والمتداولين ومديري الصناديق ، الذين تتمثل مهمتهم في تحقيق الربح ، إلى أن المشاركين في السوق يقدمون مساهمة معينة في معلومات عامة... علاوة على ذلك ، نظرًا لأن هذا العمل مكلف ، يجب أن تكون كمية المعلومات المقدمة كبيرة.

يشير وجود المئات من صانعي السوق والتجار ومديري الصناديق في الأسواق المالية إلى أنهم جميعًا يعالجون المعلومات المالية ويتخذون القرارات.

من الصعب الإجابة على السؤال حول كيفية ظهور المعلومات التي يمكن أن تكون مربحة واستخدامها في الأسواق المالية. تظهر الأبحاث دائمًا أنه لا توجد استراتيجية تداول مستدامة توفر عوائد ثابتة ، وهذا هو الحال على الأقل عندما تضع في الاعتبار تكاليف إجراء التداولات. من المعروف أيضًا أن المشاركين في السوق (والسوق بأكمله) يمكنهم اتخاذ قرارات مختلفة تمامًا بناءً على معلومات متشابهة أو حتى غير متغيرة.

لا يقتصر المشاركون في السوق في عملهم ، على ما يبدو ، على قواعد اتخاذ القرار الخطية المتسقة ، ولكن لديهم عدة سيناريوهات من الإجراءات في المخزون ، وأي منها يتم استخدامه يعتمد أحيانًا على علامات خارجية غير محسوسة. أحد الأساليب الممكنة لسلسلة المعلومات متعددة الأبعاد وغير الخطية في كثير من الأحيان للسوق المالي هو تقليد نماذج سلوك المشاركين في السوق ، إن أمكن ، باستخدام أساليب الذكاء الاصطناعي مثل الأنظمة الخبيرة أو الشبكات العصبية.

تم بذل الكثير من الجهد على نمذجة عمليات صنع القرار باستخدام هذه الأساليب. ومع ذلك ، اتضح أن الأنظمة الخبيرة في المواقف المعقدة تعمل بشكل جيد فقط عندما يكون النظام ثابتًا في جوهره (أي عندما تكون هناك استجابة واحدة لا تتغير بمرور الوقت لكل متجه إدخال). هذا الوصف مناسب إلى حد ما لمشاكل التصنيف أو التوزيع المعقد للقروض ، لكنه يبدو غير مقنع تمامًا للأسواق المالية بتغيراتها الهيكلية المستمرة. في حالة الأسواق المالية ، يصعب القول بأنه من الممكن تحقيق معرفة كاملة أو على الأقل إلى حد ما معرفة كافية بمجال موضوع معين ، بينما بالنسبة للأنظمة الخبيرة ذات الخوارزميات المستندة إلى القواعد ، يعد هذا مطلبًا شائعًا.

توفر الشبكات العصبية فرصًا جديدة تمامًا وواعدة للبنوك والمؤسسات المالية الأخرى ، والتي ، بحكم طبيعة أنشطتها ، يتعين عليها حل المشكلات في ظروف المعرفة المسبقة بالبيئة. تتغير طبيعة الأسواق المالية بشكل كبير منذ أن أدى ضعف الضوابط والخصخصة وظهور أدوات مالية جديدة إلى دمج الأسواق الوطنية في الأسواق العالمية وزيادة الحرية في معظم قطاعات السوق. المعاملات المالية... من الواضح أن أسس إدارة المخاطر والدخل لا يمكن أن تساعد ولكنها تخضع لتغيير حيث أن إمكانيات التنويع واستراتيجيات الحماية من المخاطر قد تغيرت بشكل لا يمكن التعرف عليه.

من مجالات تطبيق الشبكات العصبية لعدد من البنوك الرائدة مشكلة التغيرات في وضع الدولار الأمريكي في سوق الصرف الأجنبي مع وجود عدد كبير من المؤشرات الموضوعية غير المتغيرة. يتم تسهيل إمكانيات مثل هذه التطبيقات من خلال حقيقة أن هناك قواعد بيانات ضخمة للبيانات الاقتصادية - بعد كل شيء ، النماذج المعقدة دائما شره من حيث المعلومات.

تعتبر عروض أسعار السندات والمراجحة مجالًا آخر حيث تؤدي تحديات توسيع وتضييق المخاطر وفروق أسعار الفائدة والسيولة وعمق السوق والسيولة إلى تقنيات حسابية قوية.

هناك مشكلة أخرى تزايدت أهميتها مؤخرًا وهي نمذجة تدفقات الأموال بين المؤسسات الاستثمارية. وقد لعب الانخفاض في أسعار الفائدة دورًا حاسمًا في زيادة جاذبية صناديق الاستثمار المفتوحة وصناديق المؤشرات ، كما أن توفر الخيارات والعقود الآجلة على أسهمها يسمح بشرائها بضمانات كاملة أو جزئية.

من الواضح أن مشكلة التحسين في ظل الظروف التي يكون فيها عدد قيود التوازن الجزئي غير محدود (على سبيل المثال ، في أسواق العقود الآجلة والنقدية لأي سلعة في أي قطاع سوق ، تلعب الفروق المتقاطعة لأسعار الفائدة دورًا) تصبح مشكلة شديد التعقيد ، يتخطى بشكل متزايد قدرات أي متداول.

في مثل هذه الظروف ، يجب على المتداولين ، وبالتالي أي أنظمة تسعى إلى وصف سلوكهم ، التركيز في أي وقت على تقليل أبعاد المشكلة. هذه الظاهرة مثل ضمان ارتفاع الطلب معروفة جيدًا.

عندما يتعلق الأمر بالقطاع المالي ، من الآمن أن نقول إن النتائج الأولى التي تم الحصول عليها باستخدام الشبكات العصبية مشجعة للغاية ، ويحتاج البحث في هذا المجال إلى مزيد من التطوير. كما كان الحال مع الأنظمة الخبيرة ، قد يستغرق الأمر عدة سنوات قبل أن تثق المؤسسات المالية بشكل كافٍ في قدرات الشبكات العصبية وتبدأ في استخدامها بكامل طاقتها.

تختلف طبيعة التطورات في مجال الشبكات العصبية اختلافًا جوهريًا عن الأنظمة الخبيرة: تستند الأخيرة إلى عبارات مثل "إذا ... إذن ..." الهياكل المنطقية الرسمية. تعتمد الشبكات العصبية على نهج سلوكي في الغالب للمشكلة التي يتم حلها: الشبكة "تتعلم من الأمثلة" وتعدل معلماتها باستخدام ما يسمى بخوارزميات التعلم من خلال آلية التغذية الراجعة.

أنواع مختلفة من الخلايا العصبية الاصطناعية

الخلايا العصبية الاصطناعية (الشكل 13.1) هي عنصر بسيط يقوم أولاً بحساب المجموع المرجح لقيم إدخال V الصيغة "src =" http://hi-edu.ru/e-books/xbook725/files/13.1. gif "border =" 0 "align =" absmiddle "alt =" (! LANG:(13.1)

هنا N هو بُعد مساحة إشارات الإدخال.

ثم تتم مقارنة المبلغ الناتج مع قيمة العتبة (أو الانحياز) الصيغة "src =" http://hi-edu.ru/e-books/xbook725/files/18.gif "border =" 0 "align =" absmiddle "alt =" (! LANG:في المجموع المرجح (1) يسمى عادة معاملات أو أوزان متشابكة. سوف نطلق على المجموع المرجح V نفسه إمكانات العصبون i. ثم يكون لإشارة الخرج شكل f (V).

يمكن النظر إلى قيمة العتبة كعامل ترجيح آخر لإشارة دخل ثابتة. في هذه الحالة نحن نتحدث عن توسيع مساحة المدخل: تحتوي الخلايا العصبية ذات المدخلات N -dimensional على عامل ترجيح N + 1 ..2.gif "border =" 0 "align =" absmiddle "alt =" (! LANG:(13.2)

اعتمادًا على طريقة تحويل الإشارة وطبيعة وظيفة التنشيط ، تظهر أنواع مختلفة من الهياكل العصبية. سوف ننظر فقط الخلايا العصبية الحتمية(في مقابل الخلايا العصبية الاحتمالية، الحالة التي تكون فيها t في الوقت الحالي دالة عشوائية للإمكانات والحالة في الوقت الحالي t-1). علاوة على ذلك ، سوف نميز الخلايا العصبية الساكنة- تلك التي يتم فيها إرسال الإشارة دون تأخير ، - وديناميكية ، حيث يتم أخذ إمكانية حدوث مثل هذه التأخيرات في الاعتبار ، ( المشابك المتأخرة).

أنواع مختلفة من وظائف التنشيط

يمكن أن تكون وظائف التنشيط f من أنواع مختلفة:

الصيغة "src =" http://hi-edu.ru/e-books/xbook725/files/20.gif "border =" 0 "align =" absmiddle "alt =" (! LANG:، يمكن أن يؤخذ المنحدر ب في الاعتبار من خلال قيم الأوزان والعتبات ، وبدون فقدان العمومية يمكن افتراض أنها تساوي الوحدة.

من الممكن أيضًا تحديد الخلايا العصبية بدون تشبع ، مع أخذ مجموعة مستمرة من القيم عند الإخراج. في مشاكل التصنيف ، يمكن تحديد قيمة المخرجات بواسطة عتبة - عند اتخاذ قرار واحد - أو تكون احتمالية - عند تحديد عضوية الفئة. لمراعاة تفاصيل مهمة معينة ، يمكن تحديد أنواع أخرى مختلفة من وظائف التنشيط - Gaussian ، و sinusoidal ، و wavelets ، إلخ.

شبكات الاتصال المباشر العصبية

سننظر في نوعين من الشبكات العصبية: الشبكات الثابتة ، والتي غالبًا ما تسمى أيضًا شبكات التغذية الأمامية ، والشبكات الديناميكية أو المتكررة. في هذا القسم ، سنتناول الشبكات الثابتة. سيتم مناقشة أنواع أخرى من الشبكات بإيجاز لاحقًا.

تتكون الشبكات العصبية المغذية من خلايا عصبية ثابتة ، بحيث تظهر الإشارة عند خرج الشبكة في نفس اللحظة عندما يتم إعطاء إشارات الإدخال. يمكن أن تكون منظمة (طوبولوجيا) الشبكة مختلفة. إذا لم يتم إخراج جميع الخلايا العصبية المكونة لها ، يقال إن الشبكة تحتوي على خلايا عصبية مخفية. يتم الحصول على النوع الأكثر شيوعًا لبنية الشبكة عندما تكون جميع الخلايا العصبية متصلة ببعضها البعض (ولكن بدون التقيمات). الخامس مهام محددةعادة ما يتم تجميع الخلايا العصبية في طبقات. في التين. يوضح الشكل 13.2 شبكة عصبية تغذية نموذجية بطبقة مخفية واحدة.

من المثير للاهتمام ملاحظة أنه وفقًا للنتائج النظرية ، فإن الشبكات العصبية ذات الوظائف التغذوية والسينية هي أداة عالمية لتقريب (تقريب) الوظائف. بتعبير أدق ، يمكن تقريب أي دالة ذات قيمة حقيقية للعديد من المتغيرات في مجال تعريف مضغوط بالدقة المطلوبة باستخدام شبكة ثلاثية الطبقات. ومع ذلك ، في الوقت نفسه ، لا نعرف حجم الشبكة المطلوبة لهذا ، أو قيم الأوزان. علاوة على ذلك ، يمكن أن نرى من خلال إثبات هذه النتائج أن عدد العناصر المخفية يزداد إلى ما لا نهاية مع زيادة دقة التقريب. يمكن أن تعمل شبكات Feedforward بالفعل كأداة تقريب عالمية ، ولكن لا توجد قاعدة للعثور على هيكل الشبكة الأمثل لمهمة معينة.

وبالتالي ، فإن مهمة بناء شبكة عصبية ليست تافهة. عادة ما يتم تفسير الأسئلة حول عدد الطبقات المخفية التي يجب أخذها ، وعدد العناصر الموجودة في كل منها ، وعدد الروابط ومعلمات التدريب ، في الأدبيات المتاحة ، بشكل خفيف.

في مرحلة التدريب ، تُحسب المعاملات المشبكية في عملية حل المهام بواسطة الشبكة العصبية (التصنيف ، والتنبؤ بالسلاسل الزمنية ، وما إلى ذلك) ، حيث يتم تحديد الإجابة المرغوبة ليس بالقواعد ، ولكن باستخدام أمثلة مجمعة في مجموعات التدريب... تتكون هذه المجموعة من عدد من الأمثلة مع قيمة معلمة الإخراج المشار إليها لكل منها ، والتي سيكون من المرغوب الحصول عليها. يمكن استدعاء الإجراءات التي تحدث في هذه الحالة التعلم تحت الإشراف: يقوم "المعلم" بتغذية متجه البيانات الأولية إلى مدخلات الشبكة ، ويبلغ عن القيمة المرغوبة لنتيجة الحساب إلى عقدة الإخراج. يمكن اعتبار التعلم الخاضع للإشراف للشبكة العصبية حلاً لمشكلة التحسين. والغرض منه هو تقليل وظيفة الخطأ ، أو المتبقي ، E على هذه المجموعةأمثلة عن طريق اختيار قيم الأوزان W.

معايير الخطأ

الهدف من إجراء التصغير هو إيجاد حد أدنى عالمي - يسمى إنجازه بتقارب عملية التعلم. نظرًا لأن المتبقي يعتمد على الأوزان غير الخطية ، فمن المستحيل الحصول على حل في شكل تحليلي ، ويتم البحث عن الحد الأدنى العالمي من خلال عملية تكرارية - ما يسمى خوارزمية التعلم، الذي يفحص سطح البقايا ويسعى إلى إيجاد حد أدنى عالمي عليه. عادة ، يتم أخذ متوسط ​​الخطأ التربيعي (MSE) كمقياس للخطأ ، والذي يتم تعريفه على أنه مجموع مربعات الاختلافات بين قيمة الإخراج المطلوبة بواسطة الصيغة "src =" http://hi-edu.ru /e-books/xbook725/files/22.gif "border =" 0 "align =" absmiddle "alt =" (! LANG:لكل مثال ل.

مثال "> بمعيار أقصى احتمال:

example ">" فترات "). تتغير الأوزان في الاتجاه المعاكس لأشد اتجاه لدالة التكلفة:

هي معلمة معرّفة من قبل المستخدم تسمى حسب حجم خطوة التدرج أو عامل التعلم.

طريقة أخرى ممكنة تسمى التدرج العشوائي.

في ذلك ، يتم إعادة حساب الأوزان بعد كل حساب لجميع الأمثلة من مجموعة تدريب واحدة ، وفي نفس الوقت يتم استخدام دالة التكلفة الجزئية المقابلة لهذا ، على سبيل المثال ، k-th ، set:

العنوان الفرعي ">

عودة انتشار الخطأ

ضع في اعتبارك الآن خوارزمية تعلم الشبكة العصبية الأكثر شيوعًا - خوارزمية الانتشار العكسي(Backpropagation ، BP) ، وهو تطوير ما يسمى ب قاعدة دلتا المعممة... تمت إعادة اكتشاف هذه الخوارزمية ونشرها في عام 1986 بواسطة Rumelhart و McCleland of مجموعة مشهورةحول دراسة العمليات الموزعة الموازية في معهد ماساتشوستس للتكنولوجيا. في هذا القسم ، سوف نلقي نظرة فاحصة على الجوهر الرياضي للخوارزمية. إنها خوارزمية النسب المتدرج التي تقلل الخطأ التربيعي الإجمالي:

الصيغة "src =" http://hi-edu.ru/e-books/xbook725/files/24.gif "border =" 0 "align =" absmiddle "alt =" (! LANG:... يتم حساب المشتقات الجزئية وفقًا لقاعدة السلسلة: يتم إعادة حساب وزن مدخلات الخلية العصبية j القادمة من الخلية العصبية j بواسطة الصيغة

الصيغة "src =" http://hi-edu.ru/e-books/xbook725/files/23.gif "border =" 0 "align =" absmiddle "alt =" (! LANG:- طول الخطوة في الاتجاه المعاكس للتدرج.

إذا أخذنا في الاعتبار العينة k بشكل منفصل ، فإن التغيير المقابل في الأوزان هو

من خلال عوامل مماثلة من الطبقة التالية ، وبالتالي ينتقل الخطأ في الاتجاه المعاكس.

بالنسبة لعناصر الإخراج ، نحصل على:

الصيغة "src =" http://hi-edu.ru/e-books/xbook725/files/25.gif "border =" 0 "align =" absmiddle "alt =" (! LANG:يعرف مثل هذا:

الصيغة "src =" http://hi-edu.ru/e-books/xbook725/files/13.14.gif "border =" 0 "align =" absmiddle "alt =" (! LANG:(13.14)

نحن نحصل:

example "> في الإصدار العشوائي ، يتم إعادة حساب الأوزان في كل مرة بعد حساب العينة التالية ، وفي الإصدار" تكوين الحقبة "أو الإصدار غير المتصل ، تتغير الأوزان بعد حساب مجموعة التدريب بالكامل.

من الأساليب الأخرى المستخدمة غالبًا أنه عند تحديد اتجاه البحث ، تتم إضافة تعديل إلى التدرج الحالي - متجه الإزاحة للخطوة السابقة ، المأخوذ بمعامل معين. يمكننا القول أن الدافع الموجود بالفعل للحركة يؤخذ في الاعتبار. تبدو الصيغة النهائية لتغيير الأوزان كما يلي:

الصيغة "src =" http://hi-edu.ru/e-books/xbook725/files/26.gif "border =" 0 "align =" absmiddle "alt =" (! LANG:- رقم في النطاق (0،1) ، والذي يحدده المستخدم.

غالبًا ما يكون معنى الترجمة ">

تعلم الخوارزميات الأخرى

أخيرًا ، ما يسمى ب الخوارزميات الجينية، حيث تعتبر مجموعة الأوزان كفرد خاضع للطفرات والتزاوج ، ويُؤخذ معيار الخطأ كمؤشر على "جودتها". مع ظهور الأجيال الجديدة ، تزداد احتمالية ظهور الفرد الأمثل.

في التطبيقات المالية ، تكون البيانات صاخبة بشكل خاص. على سبيل المثال ، يمكن تسجيل تنفيذ المعاملات في قاعدة البيانات مع تأخير ، وفي حالات مختلفة ، مع حالات مختلفة. القيم المفقودة أم لا معلومات كاملةيشار إليها أيضًا أحيانًا بالضوضاء: في مثل هذه الحالات ، يتم أخذ المتوسط ​​أو أفضل قيمة ، وهذا بالطبع يؤدي إلى ضوضاء قاعدة البيانات. إن التعريف غير الصحيح لفئة الكائن في مشاكل التعرف له تأثير سلبي على التعلم - وهذا يفاقم من قدرة النظام على التعميم عند العمل مع كائنات جديدة (أي غير مدرجة في عدد العينات).

تأكيد الصليب

يمكن استخدام تقنيات أخذ العينات المتكررة لإزالة التعسف في تقسيم قاعدة البيانات. فكر في إحدى هذه الطرق ، والتي تسمى عبر التأكيد... تتمثل فكرتها في تقسيم قاعدة البيانات بشكل عشوائي إلى مجموعات فرعية منفصلة عن بعضها البعض. ثم يتم إجراء التدريبات q على المجموعة (q -1) ، ويتم حساب الخطأ على المجموعة المتبقية. إذا كانت q كبيرة بما يكفي ، على سبيل المثال تساوي 10 ، فإن كل تدريب يستخدم معظم البيانات الأصلية. إذا كان إجراء التعلم موثوقًا به ، فيجب أن تكون نتائج النماذج المختلفة قريبة جدًا من بعضها البعض. بعد ذلك ، يتم تحديد الخاصية النهائية على أنها متوسط ​​جميع قيم الخطأ التي تم الحصول عليها. لسوء الحظ ، عند تطبيق هذه الطريقة ، غالبًا ما يكون مقدار الحساب كبيرًا جدًا ، نظرًا لأنه مطلوب لإجراء تدريبات q ، وفي تطبيق حقيقي ذي بُعد أكبر ، قد لا يكون هذا ممكنًا. في الحالة المحددة عندما يكون q = P ، حيث P هو العدد الإجمالي للأمثلة ، تسمى الطريقة التحقق المتبادل مع باقي واحد. طريقة التقدير هذه لها تحيز ، وقد تم تطوير طريقة "سكين قابل للطي"تقليل هذا العيب على حساب المزيد من الحسابات.

الفئة التالية من الشبكات العصبية التي سنتناولها هي الشبكات الديناميكية أو المتكررة. يتم بناؤها من الخلايا العصبية الديناميكية ، التي يتم وصف سلوكها من خلال معادلات تفاضلية أو فرق ، وعادة ما تكون من الدرجة الأولى. يتم تنظيم الشبكة بطريقة تتلقى كل خلية عصبية معلومات إدخال من الخلايا العصبية الأخرى (ربما من نفسها) ومن البيئة. هذا النوع من الشبكات مهم لأنه يمكن استخدامه لنمذجة الأنظمة الديناميكية غير الخطية. انه جدا النموذج العامالتي يمكن استخدامها في أغلب الأحيان تطبيقات مختلفةعلى سبيل المثال: الذاكرة الترابطية ، معالجة الإشارات غير الخطية ، نمذجة آلة الحالة المحدودة ، تحديد النظام ، مشاكل التحكم.

الشبكات العصبية تأخير الوقت

قبل وصف الشبكات الديناميكية نفسها ، ضع في اعتبارك كيفية استخدام شبكة التغذية الأمامية لمعالجة السلاسل الزمنية. تتمثل الطريقة في تقسيم السلاسل الزمنية إلى عدة مقاطع وبالتالي الحصول على عينة إحصائية لتغذية مدخلات شبكة التغذية الأمامية متعددة الطبقات. يتم ذلك باستخدام ما يسمى بخط التأخير المتشعب (انظر الشكل 13.3).

تسمح بنية مثل هذه الشبكة العصبية مع تأخير زمني بنمذجة أي اعتماد زمني محدود على النموذج:

العنوان الفرعي ">

شبكات هوبفيلد

بمساعدة شبكات هوبفيلد المتكررة ، يمكنك معالجة أنماط غير مرتبة (رسائل مكتوبة بخط اليد) ، مرتبة حسب الوقت (سلسلة زمنية) أو أنماط مكانية (رسوم بيانية ، قواعد نحوية) (الشكل 13.4). تم تقديم أبسط شبكة عصبية متكررة بواسطة هوبفيلد ؛ يتكون من N الخلايا العصبية ، كل منها متصل بكل منها ، ويتم إخراج جميع الخلايا العصبية.

تستخدم شبكات هذا التصميم بشكل أساسي كـ الذاكرة الترابطية، وكذلك في مشاكل تصفية البيانات غير الخطية والاستدلال النحوي. بالإضافة إلى ذلك ، فقد تم استخدامها مؤخرًا للتنبؤ والتعرف على الأنماط في سلوك أسعار الأسهم.

يمكن النظر إلى "خريطة ميزات التنظيم الذاتي" التي قدمها Kohonen على أنها متغير من الشبكة العصبية. تم تصميم هذا النوع من الشبكات لـ التعليم الذاتي: ليس من الضروري إخبارها بالإجابات الصحيحة أثناء التدريب. في عملية التعلم ، يتم تغذية أنماط مختلفة لإدخال الشبكة. تلتقط الشبكة خصائص هيكلها وتقسم العينات إلى 436 مجموعة ، وتقوم الشبكة التي تم الحصول عليها بالفعل بتعيين كل مثال قادم حديثًا إلى إحدى المجموعات ، مسترشدة ببعض معايير "القرب".

تتكون الشبكة من إدخال واحد وطبقة إخراج واحدة. يحدد عدد العناصر في طبقة الإخراج بشكل مباشر عدد المجموعات التي يمكن للشبكة التعرف عليها. يتلقى كل عنصر من عناصر الإخراج متجه الإدخال بالكامل كمدخل. كما هو الحال مع أي شبكة عصبية ، يتم تخصيص بعض الوزن السينوبتيكي لكل اتصال. في معظم الحالات ، يرتبط كل عنصر إخراج أيضًا بجيرانه. تلعب هذه الوصلات الداخلية دورًا مهمًا في عملية التعلم ، حيث يتم تعديل الأوزان فقط في المنطقة المجاورة للعنصر أفضل طريقةيستجيب للإدخال التالي.

تتنافس عناصر المخرجات فيما بينها على الحق في الشروع في العمل و "تعلم الدرس". الفائز هو الذي يكون متجه وزنه أقرب إلى متجه الإدخال بمعنى المسافة المحددة ، على سبيل المثال ، بواسطة المقياس الإقليدي. سيكون للعنصر الفائز هذه المسافة أقل من كل العناصر الأخرى. في خطوة التدريب الحالية ، يُسمح فقط للعنصر الفائز (وربما جيرانه المباشرين) بتغيير الأوزان ؛ أوزان العناصر المتبقية مجمدة كما كانت. يستبدل العنصر الفائز متجه الوزن بتحريكه قليلاً نحو متجه الإدخال. بعد التدريب على عدد كافٍ من الأمثلة ، تتطابق مجموعة متجهات الوزن بشكل أكثر دقة مع بنية أمثلة الإدخال - تمثل نواقل الوزن نموذجًا حرفيًا لتوزيع عينات الإدخال.

أرز. 13.5. شبكة Kohonen ذاتية التنظيم. فقط الروابط ذاهبة إلى العقدة الأولى... يظهر جوار العقدة بخط منقط

من الواضح ، لكي تفهم الشبكة توزيع المدخلات بشكل صحيح ، من الضروري أن يصبح كل عنصر شبكة فائزًا بنفس عدد المرات - يجب أن تكون متجهات الوزن متكافئ.

قبل بدء شبكة Kohonen ، يجب القيام بأمرين:

يجب أن يتم توزيع نواقل الحجم بشكل عشوائي على مجال الوحدة ؛

يجب تطبيع كل نواقل الوزن والمدخلات إلى واحد.

شبكة مكافحة الانتشار(CPN ، شبكة مكافحة الانتشار) تجمع بين خصائص شبكة Kohonen ذاتية التنظيم ومفهوم Oustar - شبكة Grossberg. في إطار هذه البنية ، لا تحتوي عناصر طبقة شبكة Kohonen على منفذ مباشر لها العالم الخارجي، وتكون بمثابة مدخلات لطبقة المخرجات ، حيث يتم تخصيص أوزان Grossberg بشكل تكيفي للروابط. نشأ هذا المخطط من عمل Hecht-Nielsen. تهدف شبكة CPN إلى البناء التدريجي لرسم الخرائط المرغوبة للمدخلات إلى المخرجات بناءً على أمثلة لعمل مثل هذا التعيين. تعتبر الشبكة جيدة في حل المشكلات التي تتطلب القدرة على بناء انعكاس رياضي بشكل تكيفي بناءً على قيمها الدقيقة في نقاط فردية.

يتم استخدام الشبكات من هذا النوع بنجاح في التطبيقات المالية والاقتصادية مثل مراجعة طلبات القروض والتنبؤ بالاتجاهات في أسعار الأسهم والسلع وأسعار الصرف. بشكل عام ، يمكن للمرء أن يتوقع التطبيق الناجح لشبكات CPN في المهام التي تتطلب استخراج المعرفة من كميات كبيرة من البيانات.

التطبيق العملي للشبكات العصبية لمهام التصنيف (التجميع)

حل مشكلة التصنيف هو واحد من التطبيقات الحرجةالشبكات العصبية. مشكلة التصنيف هي مشكلة تخصيص عينة لواحدة من عدة مجموعات زوجية منفصلة. مثال على هذه المشاكل يمكن أن يكون ، على سبيل المثال ، مشكلة تحديد الجدارة الائتمانية لعميل البنك ، والمشاكل الطبية التي يكون من الضروري فيها تحديد ، على سبيل المثال ، نتيجة مرض ما ، وحل مشاكل إدارة محفظة الأوراق المالية ( بيع أو شراء أو "الاحتفاظ" بالأسهم حسب حالة السوق) ، وهي مهمة تحديد الشركات القابلة للحياة والمعرضة للإفلاس.

الغرض من التصنيف

عند حل مشاكل التصنيف ، من الضروري تضمين الموجود عينات ثابتة(خصائص وضع السوق ، بيانات الفحص الطبي ، معلومات العميل) إلى فئات معينة... عدة طرق لتقديم البيانات ممكنة. الطريقة الأكثر شيوعًا هي تمثيل العينة كمتجه. تمثل مكونات هذا المتجه الخصائص المختلفة للعينة التي تؤثر على القرار بشأن الفئة التي يجب تخصيص عينة معينة لها. على سبيل المثال ، بالنسبة للمشكلات الطبية ، يمكن أن تكون مكونات هذا الناقل بيانات من السجل الطبي للمريض. وبالتالي ، بناءً على بعض المعلومات حول المثال ، من الضروري تحديد الفئة التي يمكن إسنادها إليها. وبالتالي ، يصنف المصنف كائنًا في إحدى الفئات وفقًا لقسم معين من فضاء البعد N ، والذي يسمى مساحة المدخل، وبُعد هذا الفضاء هو عدد مكونات المتجه.

بادئ ذي بدء ، تحتاج إلى تحديد مستوى تعقيد النظام. في المشاكل الحقيقية ، غالبًا ما تنشأ حالة عندما يكون عدد العينات محدودًا ، مما يعقد تحديد مدى تعقيد المشكلة. من الممكن التمييز بين ثلاثة مستويات رئيسية من الصعوبة. الأول (الأبسط) هو عندما يمكن فصل الفئات بخطوط مستقيمة (أو خطوط مفرطة ، إذا كانت مساحة الإدخال لها بعد أكبر من اثنين) - ما يسمى الفصل الخطي... في الحالة الثانية ، لا يمكن فصل الفئات بخطوط (مستويات) ، ولكن من الممكن فصلها باستخدام تقسيم أكثر تعقيدًا - قابلية الفصل غير الخطية... في الحالة الثالثة ، تتداخل الفئات ولا يمكننا التحدث عنها إلا الفصل الاحتمالي.

أرز. 13.6. الفئات القابلة للفصل خطيًا وغير خطي

من الناحية المثالية ، بعد المعالجة المسبقة ، يجب أن نحصل على مشكلة قابلة للفصل خطيًا ، لأنه بعد ذلك يتم تبسيط بناء المصنف إلى حد كبير. لسوء الحظ ، عند حل المشكلات الحقيقية ، لدينا عدد محدود من العينات ، على أساسها تم بناء المصنف. في الوقت نفسه ، لا يمكننا إجراء مثل هذه المعالجة المسبقة للبيانات التي سيتم عندها تحقيق إمكانية الفصل الخطي للعينات.

استخدام الشبكات العصبية كمصنف

شبكات Feedforward هي أداة عالمية لتقريب الوظائف ، مما يسمح باستخدامها في حل مشاكل التصنيف. كقاعدة عامة ، تبين أن الشبكات العصبية هي أكثر طرق التصنيف فعالية ، لأنها تولد في الواقع عددًا كبيرًا من نماذج الانحدار (التي تُستخدم في حل مشكلات التصنيف باستخدام الأساليب الإحصائية).

لسوء الحظ ، يظهر عدد من المشاكل في تطبيق الشبكات العصبية في المهام العملية. أولاً ، من غير المعروف مسبقًا مدى التعقيد (الحجم) الذي قد تتطلبه الشبكة لتنفيذ التعيين بدقة كافية. يمكن أن يكون هذا التعقيد باهظًا ، ويتطلب بنية شبكة معقدة. وهكذا ، أثبت مينسكي في عمله "Perceptrons" أن أبسط الشبكات العصبية أحادية الطبقة قادرة على حل المشكلات القابلة للفصل خطيًا فقط. يمكن التغلب على هذا القيد باستخدام الشبكات العصبية متعددة الطبقات. الخامس نظرة عامةيمكننا القول أنه في شبكة ذات طبقة مخفية واحدة ، يتم تحويل المتجه المقابل لنمط الإدخال بواسطة الطبقة المخفية إلى مساحة جديدة ، والتي قد يكون لها بعد مختلف ، ثم الطبقات الفائقة المقابلة للخلايا العصبية لتقسيم طبقة الإخراج إلى فئات. وبالتالي ، لا تتعرف الشبكة على خصائص البيانات الأصلية فحسب ، بل تتعرف أيضًا على "الخصائص" التي تشكلها الطبقة المخفية.

إعداد البيانات الأولية

لبناء مصنف ، من الضروري تحديد المعلمات التي تؤثر على القرار بشأن الفئة التي تنتمي إليها العينة. هذا يمكن أن يسبب مشكلتين. أولاً ، إذا كان عدد المعلمات صغيرًا ، فقد تنشأ حالة تتوافق فيها نفس مجموعة البيانات الأولية مع أمثلة في فئات مختلفة. ثم يستحيل تدريب الشبكة العصبية ، ولن يعمل النظام بشكل صحيح (من المستحيل العثور على حد أدنى يتوافق مع هذه المجموعة من البيانات الأولية). يجب أن تكون البيانات الأولية متسقة.لحل هذه المشكلة ، من الضروري زيادة أبعاد مساحة الميزة (عدد مكونات متجه الإدخال المقابل للعينة). ولكن مع زيادة أبعاد مساحة الميزة ، قد ينشأ موقف عندما يصبح عدد الأمثلة غير كافٍ لتدريب الشبكة ، وبدلاً من التعميم سوف يتذكر ببساطة أمثلة من مجموعة التدريب ولن يكون قادرًا على العمل بشكل صحيح . وبالتالي ، عند تحديد الميزات ، من الضروري إيجاد حل وسط مع عددها.

بعد ذلك ، تحتاج إلى تحديد طريقة تمثيل بيانات الإدخال للشبكة العصبية ، أي تحديد طريقة التقنين. يعد التطبيع ضروريًا ، نظرًا لأن الشبكات العصبية تعمل مع البيانات الممثلة بأرقام في النطاق 0..1 ، ويمكن أن تحتوي البيانات الأولية على نطاق تعسفي أو حتى بيانات غير رقمية. في هذه الحالة ، هناك طرق مختلفة ممكنة ، تتراوح من تحويل خطي بسيط إلى النطاق المطلوب وتنتهي بالتحليل متعدد المتغيرات للمعلمات والتطبيع غير الخطي ، اعتمادًا على تأثير المعلمات على بعضها البعض.

إخراج الترميز

يمكن حل مشكلة التصنيف في وجود فئتين على شبكة بها خلية عصبية واحدة في طبقة الإخراج ، والتي يمكن أن تأخذ إحدى القيمتين 0 أو 1 ، اعتمادًا على الفئة التي تنتمي إليها العينة. عند وجود فئات متعددة ، تكون هناك مشكلة في عرض هذه البيانات لإخراج الشبكة. عظم بطريقة بسيطةتمثيل بيانات الإخراج في هذه الحالة هو متجه ، تتوافق مكوناته مع أرقام مختلفةالطبقات. حيث المكون الأولالمتجه يتوافق مع الفئة i. في هذه الحالة ، يتم تعيين جميع المكونات الأخرى على 0. ثم ، على سبيل المثال ، سوف تتوافق الفئة الثانية مع 1 عند مخرجات شبكة 2 و 0 في الباقي. عند تفسير النتيجة ، يُفترض عادةً أن رقم الفئة يتم تحديده من خلال رقم منفذ الشبكة الذي ظهرت عليه القيمة القصوى. على سبيل المثال ، إذا كنا في شبكة ذات ثلاثة مخرجات ، فلدينا متجه لقيم المخرجات (0.2 ؛ 0.6 ؛ 0.4) ، ونرى أن المكون الثاني من المتجه له القيمة القصوى ، ثم الفئة التي ينتمي إليها هذا المثال ينتمي 2 في بعض الأحيان ، تقدم طريقة التشفير هذه فكرة ثقة الشبكة في أن أحد الأمثلة ينتمي إلى هذه الفئة. إن أبسط طريقة لتحديد الثقة هي تحديد الفرق بين الحد الأقصى للإخراج والمخرج الآخر الأقرب إلى الحد الأقصى. على سبيل المثال ، بالنسبة للمثال المذكور أعلاه ، يتم تحديد ثقة الشبكة في أن المثال ينتمي إلى الفئة الثانية على أنها الفرق بين المكونين الثاني والثالث للمتجه ويساوي 0.6-0.4 = 0.2. وفقًا لذلك ، كلما زادت الثقة ، زاد احتمال أن تعطي الشبكة الإجابة الصحيحة. طريقة الترميز هذه هي أبسط طريقة ، ولكنها ليست دائمًا أفضل طريقة لتمثيل البيانات.

طرق أخرى معروفة كذلك. على سبيل المثال ، متجه الإخراج هو رقم الكتلة المكتوب في شكل ثنائي. ثم ، إذا كان هناك 8 فئات ، فنحن بحاجة إلى متجه من 3 عناصر ، وعلى سبيل المثال ، ستتوافق الفئة 3 مع المتجه 011. ولكن في هذه الحالة ، إذا تم تلقي قيمة غير صحيحة في أحد المخرجات ، فيمكننا الحصول على قيمة غير صحيحة التصنيف (رقم الكتلة غير الصحيح) ، لذلك من المنطقي زيادة المسافة بين مجموعتين من خلال استخدام تشفير إخراج كود هامينج ، مما سيزيد من موثوقية التصنيف.

هناك طريقة أخرى تتمثل في تقسيم المشكلة مع فئات k إلى مشاكل فرعية k * (k-l) / 2 بفئتين (2 × 2 ترميز) لكل منهما. في هذه الحالة ، تعني المهمة الفرعية أن الشبكة تحدد وجود أحد مكونات المتجه. أولئك. يتم تقسيم المتجه الأصلي إلى مجموعات من مكونين كل منهما بطريقة تشمل جميع التركيبات الممكنة لمكونات ناقل الإخراج. يمكن تعريف عدد هذه المجموعات على أنه عدد العينات غير المرتبة لاثنين من المكونات الأصلية.

352 "حد =" 0 ">

رقم المهمة الفرعية (الإخراج) مكونات الإخراج 1 1-2 2 1-3 3 1-4 4 2-3 5 2-4 6 3-4

حيث 1 في الإخراج يشير إلى وجود أحد المكونات. ثم يمكننا الانتقال إلى رقم الفصل وفقًا لنتيجة الحساب بواسطة الشبكة على النحو التالي: نحدد المجموعات التي تلقت قيمة إخراج واحدة (بتعبير أدق ، قريبة من واحد) (أي المهام الفرعية التي تم تنشيطها لنا) ، ونحن افترض أن رقم الفصل سيكون هو الذي دخل أكبر عدد من المهام الفرعية النشطة (انظر الجدول).

وثيقة بدون عنوان

يعطي هذا الترميز في العديد من المهام نتيجة أفضل من طريقة الترميز التقليدية.

تصنيف الاحتمالية

في التعرف على الأنماط الإحصائية ، يشير المصنف الأمثل إلى العينة بالصيغة "src =" http://hi-edu.ru/e-books/xbook725/files/1.gif "border =" 0 "align =" absmiddle "alt =" (! LANG:

إحالة الصيغة "src =" http://hi-edu.ru/e-books/xbook725/files/4.gif "border =" 0 "align =" absmiddle "alt =" (! LANG:يشير إلى المجموعة ذات الاحتمال الخلفي الأعلى. هذه القاعدة هي الأمثل بمعنى أنها تقلل من متوسط ​​عدد الأخطاء في التصنيف..gif "border =" 0 "align =" absmiddle "alt =" (! LANG:

ثم تظل العلاقة البايزية بين الاحتمالات السابقة واللاحقة صالحة ، وبالتالي يمكن استخدام هذه الوظائف على أنها وظائف قرار مبسطة... من المنطقي القيام بذلك إذا تم بناء هذه الوظائف وحسابها بشكل أكثر بساطة.

على الرغم من أن القاعدة تبدو بسيطة للغاية ، إلا أنه من الصعب تطبيقها في الممارسة العملية ، لأن الاحتمالات اللاحقة (أو حتى قيم وظائف القرار المبسطة) غير معروفة. يمكن تقدير قيمها. بحكم نظرية بايز ، يمكن التعبير عن الاحتمالات اللاحقة من حيث الاحتمالات السابقة ووظائف الكثافة باستخدام الصيغة "src =" http://hi-edu.ru/e-books/xbook725/files/8.gif "الحدود = "0" align = "absmiddle" alt = "(! LANG:.

مصنفات الصور

يمكن تقدير كثافة الاحتمال السابقة طرق مختلفة... الخامس الطرق البارامتريةمن المفترض أن كثافة الاحتمال (PDF) دالة من نوع معين مع معلمات غير معروفة. على سبيل المثال ، يمكنك محاولة تكبير ملف PDF باستخدام وظيفة Gaussian. لإجراء التصنيف ، يجب أولاً الحصول على القيم المقدرة للمتجه المتوسط ​​ومصفوفة التغاير لكل فئة من فئات البيانات ثم استخدامها في قاعدة القرار. والنتيجة هي قاعدة قرار متعددة الحدود تحتوي فقط على مربعات ومنتجات زوجية من المتغيرات. الإجراء بأكمله الموصوف يسمى التحليل المميز التربيعي(QDA). على افتراض أن مصفوفات التغاير هي نفسها لجميع الفئات ، فإن QDA يقلل إلى التحليل التمييزي الخطي(LDA).

في طرق من نوع آخر - غير معلمية- لا توجد افتراضات أولية مطلوبة حول كثافة الاحتمال. في طريقة "إلى الجيران الأقرب" (NN) ، يتم حساب المسافة بين العينة التي وصلت حديثًا ومتجهات مجموعة التدريب ، وبعد ذلك تنتمي العينة إلى الفصل الذي ينتمي إليه معظم أقرب جيرانها. ونتيجة لذلك ، فإن الحدود التي تفصل بين الفئات تكون خطية متعددة التعريف. تستخدم التعديلات المختلفة لهذه الطريقة مقاييس مسافة مختلفة وتقنيات خاصة للعثور على الجيران. في بعض الأحيان ، بدلاً من مجموعة العينات نفسها ، يتم أخذ مجموعة من النقط الوسطى ، والتي تتوافق مع المجموعات في طريقة تكميم المتجه التكيفي (LVQ).

في طرق أخرى ، يقسم المصنف البيانات إلى مجموعات وفقًا لمخطط الشجرة. في كل خطوة ، يتم تقسيم المجموعة الفرعية إلى قسمين ، والنتيجة هي بنية هرمية لشجرة ثنائية. يتم الحصول على حدود منفصلة ، كقاعدة عامة ، خطية متعددة التعريف وتتوافق مع فئات تتكون من ورقة واحدة أو أكثر من أوراق الشجرة. الشيء الجيد في هذه الطريقة هو أنها تولد طريقة تصنيف تعتمد على قواعد القرار المنطقي. تُستخدم أفكار المصنفات الشبيهة بالأشجار في طرق بناء المصنفات العصبية ذاتية النمو.

شبكة عصبية ذات اتصال مباشر كمصنف

نظرًا لأن شبكات التغذية الأمامية هي وسيلة عالمية لتقريب الوظائف ، فيمكن استخدامها لتقدير الاحتمالات اللاحقة في مشكلة تصنيف معينة. نظرًا للمرونة في إنشاء الخرائط ، فمن الممكن تحقيق مثل هذه الدقة لتقريب الاحتمالات اللاحقة بحيث تتطابق عمليًا مع القيم المحسوبة وفقًا لقاعدة بايز (ما يسمى بإجراءات التصنيف الأمثل.

مشكلة تحليل المتسلسلات الزمنية

السلسلة الزمنية هي تسلسل مرتب من الأرقام الحقيقية الصيغة "src =" http://hi-edu.ru/e-books/xbook725/files/10.gif "border =" 0 "align =" absmiddle "alt = "(! لانج:في فضاء ذو ​​أبعاد n لقيم التحول الزمني ، أو مساحة التأخير.

الغرض من تحليل السلاسل الزمنية هو استخراج معلومات مفيدة من سلسلة معينة. لهذا ، من الضروري بناء نموذج رياضي للظاهرة. يجب أن يشرح هذا النموذج جوهر العملية التي تولد البيانات ، على وجه الخصوص ، يصف طبيعة البيانات (عشوائية ، اتجاهية ، دورية ، ثابتة ، إلخ). بعد ذلك ، يمكنك تطبيق طرق مختلفة لتصفية البيانات (التنعيم ، وإزالة القيم المتطرفة ، وما إلى ذلك) مع الهدف النهائي - للتنبؤ بالقيم المستقبلية.

وبالتالي ، فإن هذا النهج يعتمد على افتراض أن السلسلة الزمنية لها بنية رياضية معينة (والتي ، على سبيل المثال ، قد تكون نتيجة للطبيعة الفيزيائية للظاهرة). هذا الهيكل موجود في ما يسمى ب مساحة المرحلة، إحداثياتها عبارة عن متغيرات مستقلة تصف حالة النظام الديناميكي. لذلك ، فإن المهمة الأولى التي يجب مواجهتها في المحاكاة هي تحديد مساحة المرحلة بشكل مناسب. للقيام بذلك ، تحتاج إلى تحديد بعض خصائص النظام كمتغيرات المرحلة. بعد ذلك ، من الممكن بالفعل إثارة مسألة التنبؤ أو الاستقراء. كقاعدة عامة ، في السلسلة الزمنية التي يتم الحصول عليها نتيجة للقياسات ، توجد تقلبات عشوائية وضوضاء بنسب مختلفة. لذلك ، يتم تحديد جودة النموذج إلى حد كبير من خلال قدرته على تقريب بنية البيانات المقصودة عن طريق فصلها عن الضوضاء.

التحليل الإحصائي للمسلسلات الزمنية

الوصف التفصيلي لطرق تحليل السلاسل الزمنية الإحصائية هو خارج نطاق هذا الكتاب. سننظر بإيجاز في الأساليب التقليدية ، مع إبراز الظروف التي ترتبط ارتباطًا مباشرًا بموضوع عرضنا التقديمي. منذ عمل Yule الرائد ، احتلت نماذج ARIMA الخطية مركز الصدارة في تحليل السلاسل الزمنية الإحصائية. بمرور الوقت ، تطورت هذه المنطقة إلى نظرية كاملة مع مجموعة من الأساليب - نظرية Box-Jenkins.

إن وجود مصطلح الانحدار الذاتي في نموذج ARIMA يعبر عن حقيقة أن القيم الحالية للمتغير تعتمد على قيمه السابقة. تسمى هذه النماذج أحادية البعد. ومع ذلك ، غالبًا ما ترتبط قيم المتغير المستهدف قيد الدراسة بعدة سلاسل زمنية مختلفة.

أرز. 13.7 تنفيذ نموذج ARIMA (p، q) على أبسط شبكة عصبية

سيكون هذا هو الحال ، على سبيل المثال ، إذا كان المتغير المستهدف هو سعر الصرف والمتغيرات الأخرى المعنية هي أسعار الفائدة (في كل من العملتين).

تسمى الطرق المقابلة متعددة الأبعاد. الهيكل الرياضي للنماذج الخطية بسيط للغاية ، ويمكن إجراء الحسابات عليها دون أي صعوبات خاصة باستخدام الحزم القياسية للطرق العددية. كانت الخطوة التالية في تحليل السلاسل الزمنية هي تطوير نماذج قادرة على مراعاة اللاخطية الموجودة عادة في العمليات والأنظمة الحقيقية. أحد النماذج الأولى من هذا القبيل اقترحه تونغ ويسمى نموذج الانحدار الذاتي العتبة (TAR).

يتحول من نموذج AR خطي إلى آخر عندما يتم الوصول إلى قيم عتبة معينة (محددة مسبقًا). وبالتالي ، يتم تمييز العديد من أوضاع التشغيل في النظام.

ثم يتم اقتراح نماذج STAR أو نماذج TAR "السلسة". مثل هذا النموذج هو مزيج خطي من عدة نماذج مأخوذة مع معاملات هي وظائف مستمرة للوقت.

النماذج المستندة إلى شبكات الاتصال المباشر العصبية

من الغريب أن نلاحظ أن جميع النماذج الموصوفة في الفقرة السابقة يمكن تنفيذها باستخدام الشبكات العصبية. أي تبعية للنموذج

اختيار "> شكل 13.8

الإجراءات في البداية المرحلة NS معالجة البيانات- يعتمد بشكل كبير على تفاصيل المهمة. من الضروري الاختيار الصحيح لعدد ونوع المؤشرات التي تميز العملية ، بما في ذلك هيكل التأخيرات. بعد ذلك ، تحتاج إلى تحديد هيكل الشبكة. إذا تم استخدام شبكات التغذية الأمامية ، فيجب تحديد عدد العناصر المخفية. علاوة على ذلك ، للعثور على معلمات النموذج ، تحتاج إلى اختيار معيار خطأ وخوارزمية تحسين (تدريب). بعد ذلك ، باستخدام أدوات التشخيص ، يجب عليك التحقق من الخصائص المختلفة للنموذج. أخيرًا ، تحتاج إلى تفسير مخرجات الشبكة وربما تغذيتها بإدخال بعض أنظمة دعم القرار الأخرى. بعد ذلك ، سننظر في المشكلات التي يجب حلها في مراحل المعالجة المسبقة والتحسين والتحليل (تصحيح) للشبكة.

جمع البيانات

إن أهم قرار يجب أن يتخذه المحلل هو اختيار مجموعة من المتغيرات لوصف العملية التي يتم نمذجتها. لتخيل العلاقات المحتملة بين المتغيرات المختلفة ، يجب أن يكون لديك فهم جيد لجوهر المشكلة. في هذا الصدد ، سيكون من المفيد جدًا التحدث مع أخصائي متمرس في هذا المجال. فيما يتعلق بالمتغيرات التي تختارها ، عليك أن تفهم ما إذا كانت مهمة في حد ذاتها ، أو ما إذا كانت تعكس فقط متغيرات أخرى مهمة حقًا. يتضمن اختبار الأهمية تحليل الارتباط المتبادل. بمساعدتها ، من الممكن ، على سبيل المثال ، الكشف عن اتصال مؤقت لنوع التأخير (lag) بين صفين. يتم اختبار مدى إمكانية وصف ظاهرة ما بواسطة نموذج خطي باستخدام انحدار المربعات الصغرى (OLS).

تم الحصول على بقايا العنوان الفرعي بعد التحسين ">

الشبكات العصبية كوسيلة لاستخراج البيانات

في بعض الأحيان تنشأ مشكلة تحليل البيانات التي يصعب تمثيلها في شكل رقمي رياضي. هذه هي الحالة التي تحتاج فيها إلى استخراج البيانات ، حيث لم يتم تحديد مبادئ الاختيار بوضوح: اختيار شركاء موثوق بهم ، وتحديد منتج واعد ، وما إلى ذلك. لنفكر في موقف نموذجي لمهام من هذا النوع - التنبؤ بالإفلاس. لنفترض أن لدينا معلومات عن أنشطة عشرات البنوك (بياناتها المالية المفتوحة) لفترة زمنية معينة. في نهاية هذه الفترة ، نعرف أي من هذه البنوك أفلس ، والتي ألغيت تراخيصها ، والتي تستمر في العمل بثبات (في نهاية الفترة). والآن نحن بحاجة إلى تحديد أي من البنوك يستحق وضع الأموال. بطبيعة الحال ، من غير المحتمل أن نضع أموالاً في بنك قد يفلس قريبًا. هذا يعني أننا بحاجة إلى حل مشكلة تحليل مخاطر الاستثمارات في الهياكل التجارية المختلفة بطريقة ما.

للوهلة الأولى ، ليس من الصعب حل هذه المشكلة - فبعد كل شيء ، لدينا بيانات عن عمل البنوك ونتائج أنشطتها. لكن في الواقع ، هذه المهمة ليست بهذه البساطة. تنشأ مشكلة تتعلق بحقيقة أن البيانات التي وصفناها للفترة الماضية ، ونحن مهتمون بما سيحدث في المستقبل. وبالتالي ، نحتاج إلى الحصول على توقع للفترة التالية بناءً على البيانات المسبقة المتوفرة لدينا. يمكن استخدام طرق مختلفة لإنجاز هذه المهمة.

لذلك ، فإن الأكثر وضوحا هو استخدام طرق الإحصاء الرياضي. ولكن هنا توجد مشكلة في كمية البيانات ، لأن الأساليب الإحصائية تعمل بشكل جيد مع كمية كبيرة من البيانات المسبقة ، وقد يكون لدينا عدد محدود منها. ومع ذلك ، لا يمكن أن تضمن الأساليب الإحصائية نتيجة ناجحة.

هناك طريقة أخرى لحل هذه المشكلة وهي استخدام الشبكات العصبية ، والتي يمكن تدريبها على مجموعة البيانات المتاحة. في هذه الحالة ، يتم استخدام البيانات من البيانات المالية لمختلف البنوك كمعلومات أولية ، ويتم استخدام نتيجة أنشطتها كحقل مستهدف. ولكن عند استخدام الطرق الموضحة أعلاه ، فإننا نفرض النتيجة دون محاولة العثور على أنماط في البيانات الأصلية. من حيث المبدأ ، تتشابه جميع البنوك المفلسة مع بعضها البعض ، ولو بسبب حقيقة إفلاسها. هذا يعني أنه في أنشطتهم يجب أن يكون هناك شيء أكثر عمومية ، مما قادهم إلى هذه النتيجة ، ويمكن للمرء أن يحاول العثور على هذه الأنماط من أجل استخدامها في المستقبل. وهنا نواجه مسألة كيفية إيجاد هذه الأنماط. لهذا ، إذا استخدمنا طرقًا إحصائية ، فنحن بحاجة إلى تحديد معايير "التشابه" التي نستخدمها ، والتي قد تتطلب منا معرفة إضافية حول طبيعة المشكلة.

ومع ذلك ، هناك طريقة تجعل من الممكن أتمتة كل هذه الإجراءات للعثور على الأنماط - طريقة تحليل باستخدام خرائط Kohonen ذاتية التنظيم. ضع في اعتبارك كيفية حل هذه المشكلات وكيف تعثر خرائط Kohonen على أنماط في البيانات الأولية. لاعتبارات عامة ، سنستخدم مصطلح كائن (على سبيل المثال ، يمكن أن يكون الكائن بنكًا ، كما في المثال المذكور أعلاه ، ولكن المنهجية الموصوفة بدون تغييرات مناسبة لحل المشكلات الأخرى ، على سبيل المثال ، تحليل الجدارة الائتمانية للعميل ، وإيجاد استراتيجية مثالية للسلوك في السوق ، إلخ). يتميز كل كائن بمجموعة من المعلمات المختلفة التي تصف حالته. على سبيل المثال ، على سبيل المثال ، ستكون المعلمات عبارة عن بيانات من البيانات المالية. غالبًا ما تكون هذه المعلمات رقمية أو يمكن اختزالها إليها. وبالتالي ، بناءً على تحليل معلمات الكائنات ، نحتاج إلى تحديد كائنات مماثلة وتقديم النتيجة في شكل مناسب للإدراك.

يتم حل كل هذه المهام عن طريق خرائط Kohonen ذاتية التنظيم. دعونا نلقي نظرة فاحصة على كيفية عملها. لتبسيط الاعتبار ، سنفترض أن الكائنات لها 3 ميزات (في الواقع ، يمكن أن يكون هناك أي عدد منها).

تخيل الآن أن كل هذه المعلمات الثلاثة للأشياء تمثل إحداثياتها في الفضاء ثلاثي الأبعاد (في نفس المكان الذي يحيط بنا الحياة اليومية). ثم يمكن تمثيل كل كائن كنقطة في هذا الفضاء ، وهو ما سنفعله (حتى لا نواجه مشاكل بمقاييس مختلفة على طول المحاور ، سنقوم بترقيم كل هذه العلامات في فترة زمنية من أي بطريقة مناسبة) ، ونتيجة لذلك تقع جميع النقاط في مكعب من حجم الوحدة في الشكل. 13.9 دعونا نعرض هذه النقاط. بالنظر إلى هذا الشكل ، يمكننا أن نرى كيف توجد الأشياء في الفضاء ، ومن السهل ملاحظة المناطق التي يتم فيها تجميع الكائنات ، أي لديهم معلمات متشابهة ، مما يعني أن هذه الكائنات نفسها ، على الأرجح ، تنتمي إلى نفس المجموعة. نحن بحاجة إلى إيجاد طريقة للتحول هذا النظامفي نظام سهل الفهم ، ويفضل أن يكون ثنائي الأبعاد (لأنه لا يمكن بالفعل عرض صورة ثلاثية الأبعاد بشكل صحيح على مستوى) بحيث تكون الكائنات المجاورة في المساحة المطلوبة قريبة وعلى الصورة الناتجة. لهذا ، نستخدم خريطة Kohonen ذاتية التنظيم. كتقريب أولي ، يمكن تمثيلها كشبكة مصنوعة من المطاط ، الشكل. 13.10.

بعد أن "تجعدنا" سابقًا ، نرمي هذه الشبكة في فضاء الميزات ، حيث لدينا بالفعل كائنات ، ثم نتابع على النحو التالي: نأخذ كائنًا واحدًا (نقطة في هذا الفضاء) ونجد أقرب عقدة شبكة إليه. بعد ذلك ، يتم سحب هذه العقدة إلى الجسم (نظرًا لأن الشبكة عبارة عن "مطاط" ، فبالإضافة إلى هذه العقدة ، يتم سحب العقد المجاورة بنفس الطريقة ، ولكن بقوة أقل).

ثم يتم تحديد كائن آخر (نقطة) ويتم تكرار الإجراء. نتيجة لذلك ، نحصل على خريطة يتزامن موقع عقدها مع موقع المجموعات الرئيسية للكائنات في المساحة الأصلية للشكل 13.11. بالإضافة إلى ذلك ، تحتوي الخريطة الناتجة على الخاصية الرائعة التالية - تقع عقدها بطريقة تتوافق فيها عُقد الخريطة المجاورة مع كائنات متشابهة مع بعضها البعض. الآن نحدد أي الكائنات وصلنا إلى أي عقد على الخريطة. يتم تحديده أيضًا من خلال أقرب عقدة - يقع الكائن في العقدة الأقرب إليه. نتيجة لكل هذه العمليات ، ستنتهي الكائنات ذات المعلمات المتشابهة في عقدة واحدة أو في العقد المجاورة. وبالتالي ، يمكننا أن نفترض أننا تمكنا من حل مشكلة إيجاد كائنات متشابهة وتجميعها.

لكن احتمالات بطاقات Kohonen لا تنتهي عند هذا الحد. كما أنها تسمح لك بتقديم المعلومات الواردة في شكل بسيط ومرئي من خلال تطبيق التلوين. للقيام بذلك ، نقوم بتلوين الخريطة الناتجة (بشكل أكثر دقة ، عقدها) بألوان تتوافق مع ميزات الأشياء التي تهمنا. بالعودة إلى المثال مع تصنيف البنوك ، يمكنك تلوين تلك العقد حيث يمكن تلوين واحد على الأقل من البنوك التي تم إبطال ترخيصها بلون واحد. بعد ذلك ، بعد تطبيق التلوين ، سنحصل على منطقة يمكن تسميتها منطقة خطر ، وإذا وقع البنك الذي يهمنا في هذه المنطقة ، فهذا يشير إلى عدم موثوقيتها.

لكن هذا ليس كل شيء. يمكننا أيضًا الحصول على معلومات حول التبعيات بين المعلمات. من خلال وضع تلوين على الخريطة يتوافق مع مقالات مختلفة من التقارير ، يمكنك الحصول على ما يسمى الأطلس ، والذي يخزن معلومات حول حالة السوق. عند التحليل ، ومقارنة ترتيب الألوان على صفحات التلوين التي تم إنشاؤها بواسطة معلمات مختلفة ، يمكن للمرء الحصول على معلومات كاملة حول الصورة المالية للبنوك - الخاسرين ، البنوك المزدهرة ، إلخ.

مع كل هذا ، فإن التقنية الموصوفة هي طريقة عالمية للتحليل. بمساعدتها ، يمكنك تحليل استراتيجيات العمل المختلفة ، وتحليل نتائج أبحاث التسويق ، والتحقق من الجدارة الائتمانية للعملاء ، وما إلى ذلك.

بوجود خريطة أمامنا ومعرفة معلومات حول بعض الكائنات قيد الدراسة ، يمكننا أن نحكم بشكل موثوق إلى حد ما على الأشياء التي لا نعرفها كثيرًا. هل تريد أن تعرف ما هو شكل شريكك الجديد؟ دعونا نعرضه على الخريطة وننظر إلى الجيران. نتيجة لذلك ، من الممكن استخراج المعلومات من قاعدة البيانات بناءً على الخصائص الغامضة.

تنظيف قواعد البيانات وتحويلها

مبدئيًا ، قبل الدخول إلى الشبكة ، يمكن أن يؤدي تحويل البيانات باستخدام التقنيات الإحصائية القياسية إلى تحسين كل من معلمات التدريب (المدة والتعقيد) وتشغيل النظام بشكل كبير. على سبيل المثال ، إذا كانت سلسلة الإدخال لها شكل أسي مميز ، فبعد أخذ اللوغاريتم ، سيتم الحصول على سلسلة أبسط ، وإذا كانت تحتوي على تبعيات معقدة عالية الترتيب ، فسيكون اكتشافها أسهل بكثير الآن. في كثير من الأحيان ، تخضع البيانات الموزعة بشكل غير طبيعي بشكل مبدئي لتحويل غير خطي: ​​يتم تحويل سلسلة القيم الأصلية للمتغير بواسطة بعض الوظائف ، ويتم أخذ السلسلة التي تم الحصول عليها عند الإخراج كمتغير إدخال جديد. التحويلات النموذجية هي الأس أو استخراج الجذر أو المعاملة بالمثل أو الأسي أو اللوغاريتم.

من أجل تحسين بنية المعلومات الخاصة بالبيانات ، قد تكون مجموعات معينة من المتغيرات - الأعمال ، والحواجز ، وما إلى ذلك ، مفيدة. على سبيل المثال ، عندما تحاول التنبؤ بالتغيرات في أسعار الأسهم استنادًا إلى بيانات المركز في سوق الخيارات ، فإن نسبة عدد خيارات البيع إلى عدد خيارات الاتصال تكون أكثر إفادة من كلا المؤشرين بشكل منفصل. بالإضافة إلى ذلك ، بمساعدة هذه المجموعات الوسيطة ، غالبًا ما يكون من الممكن الحصول على المزيد نموذج بسيط، وهو أمر مهم بشكل خاص عندما يكون عدد درجات الحرية محدودًا.

أخيرًا ، بعض وظائف التحويل التي يتم تنفيذها في عقدة الإخراج بها مشكلات في القياس. يتم تعريف السيني على مقطع ، لذلك يجب تحجيم متغير الإخراج بحيث يأخذ القيم في هذا الفاصل الزمني. تُعرف عدة طرق للقياس: التحول عن طريق تغيير ثابت نسبي في القيم مع حد أدنى وحد أقصى جديد ، والتوسيط بطرح المتوسط ​​، وجلب الانحراف المعياري إلى واحد ، والتوحيد (الإجراءان الأخيران معًا). من المنطقي التأكد من أن قيم جميع كميات المدخلات والمخرجات في الشبكة تكمن دائمًا ، على سبيل المثال ، في الفاصل الزمني (أو [-1،1]) ، ومن ثم سيكون من الممكن استخدام أي وظائف تحويل بدون مخاطرة.

بناء نموذج

تعتمد قيم السلسلة المستهدفة (هذه هي السلسلة التي يجب العثور عليها ، على سبيل المثال ، أرباح الأسهم لليوم التالي) على عوامل N ، والتي قد تشمل مجموعات من المتغيرات والقيم السابقة للهدف مؤشرات نوعية متغيرة ومشفرة.

عادة ما يعتمد تقييم جودة النموذج على اختبار جودة النموذج مثل متوسط ​​الخطأ التربيعي (MSE) أو الجذر التربيعي (RMSE). توضح هذه المعايير مدى قرب القيم المتوقعة من مجموعة التدريب أو التأكيد أو الاختبار.

في تحليل السلاسل الزمنية الخطية ، يمكن الحصول على تقدير غير متحيز لقابلية التعميم من خلال فحص الأداء على مجموعة التدريب (MSE) ، وعدد المعلمات المجانية (W) ، وحجم مجموعة التدريب (N). تسمى التقييمات من هذا النوع معايير المعلومات(1C) وتضمين مكونًا يفي بمعيار الملاءمة ومكونًا جزائيًا يأخذ في الاعتبار مدى تعقيد النموذج. تم اقتراح معايير المعلومات التالية: تطبيع (NAIC) ، تطبيع بايزي (NBIC) ، وتوقع الخطأ النهائي (FPE):

العنوان الفرعي ">

البرمجيات

حتى الآن ، كثير باقات البرامج المحوسبةتنفيذ الشبكات العصبية. إليك بعضًا من أشهرها: محاكيات الشبكة العصبية في سوق البرمجيات: نيستور ، كاسكيد الترابط ، Neudisk ، Mimenice ، Nu Web ، Brain ، Dana ، Neuralworks Professional II Plus ، Brain Maker ، HNet ، Explorer ، Explorenet 3000 ، Neuro Solutions ، Prapagator ، صندوق أدوات ماتلاب. وتجدر الإشارة أيضًا إلى أجهزة المحاكاة التي يتم توزيعها مجانًا من خلال خوادم الجامعة (على سبيل المثال ، SNNS (شتوتغارت) أو نيفادا QuickPropagation). تتمثل إحدى السمات المهمة للحزمة في توافقها مع البرامج الأخرى المشاركة في معالجة البيانات. بالإضافة إلى ذلك ، تعتبر الواجهة سهلة الاستخدام والأداء مهمين ، ويمكن أن تصل إلى العديد من وحدات الميغا فلوب (مليون عملية فاصلة عائمة في الثانية). تعمل لوحات التسريع على تقليل وقت التدريب عند العمل على الأجهزة التقليدية حواسيب شخصية... ومع ذلك ، للحصول على نتائج موثوقة باستخدام الشبكات العصبية ، كقاعدة عامة ، يلزم وجود جهاز كمبيوتر قوي.

تفترض النماذج الراسخة في العلوم المالية ، مثل نموذج السير العشوائي وفرضية السوق الفعالة ، أن الأسواق المالية تستجيب للمعلومات بطريقة عقلانية وسلسة. في هذه الحالة ، بالكاد يمكنك التفكير في أي شيء أفضل من العلاقات الخطية والسلوك الثابت مع اتجاه قابل للعكس. لسوء الحظ ، في السلوك الحقيقي للأسواق المالية ، لا نرى فقط انعكاس الاتجاهات ، ولكننا نشهد باستمرار عدم تطابق الأسعار ، والتقلب الذي لا يتوافق بوضوح مع المعلومات الواردة ، ومستوى الأسعار والتقلبات التي تحدث بشكل دوري. تم تطوير العديد من النماذج الجديدة لوصف سلوك الأسواق المالية وحققت بعض النجاح.

التحليل المالي في سوق الأوراق المالية

يتم إجراء التحليل المالي في سوق الأوراق المالية باستخدام تقنيات الشبكة العصبية في هذا العمل فيما يتعلق بالتداول في النفط والمنتجات النفطية.

يعتمد نمو الاقتصاد الكلي ورفاهية البلاد إلى حد كبير على مستوى تطور الصناعات الأساسية ، والتي من بينها صناعات استخراج النفط وتكرير النفط تلعب دورًا مهمًا للغاية. يحدد الوضع في صناعة النفط إلى حد كبير حالة الاقتصاد الروسي بأكمله. فيما يتعلق بالوضع السائد للأسعار في سوق النفط العالمية ، بالنسبة لروسيا الجانب الأكثر ربحية في نشاط صناعة النفط هو التصدير. تعتبر صادرات النفط من أهم وأسرع مصادر عوائد النقد الأجنبي. من أفضل ممثلي صناعة النفط شركة النفط LUKOIL. NK LUKOIL هي شركة نفط متكاملة رأسياً رائدة في روسيا ، وهي متخصصة في إنتاج النفط وتكريره وإنتاج وتسويق المنتجات البترولية. تعمل الشركة ليس فقط في روسيا ، ولكن أيضًا في الخارج ، وتشارك بنشاط في المشاريع الواعدة.

تم وصف الأنشطة المالية والإنتاجية للشركة في الجدول 13.1.

طاولة. 13.1

المؤشرات المالية والتشغيلية الرئيسية لعام 1998

وثيقة بدون عنوان

إنتاج النفط (بما في ذلك مكثفات الغاز)		64192 1284
إنتاج الغاز التجاري	مليون متر مكعب م / سنة مليون متر مكعب قدم / يوم	3748 369
تكرير النفط (المصافي الخاصة بما في ذلك الأجنبية)	ألف طن / سنة ألف بار / يوم	17947 359
تصدير النفط	ألف طن / سنة	24711
تصدير المنتجات البترولية	ألف طن / سنة	3426
صافي عائدات المبيعات	مليون روبل مليون دولار أمريكي *	81660 8393
الربح من المبيعات	مليون روبل مليون دولار أمريكي *	5032 517
الربح قبل الضريبة (حسب التقرير)	مليون روبل مليون دولار أمريكي *	2032 209
الربح قبل الضريبة (باستثناء فرق سعر الصرف)	مليون روبل مليون دولار أمريكي *	5134 528
الأرباح المحتجزة (المبلغ عنها)	مليون روبل مليون دولار أمريكي *	118 12
الأرباح المحتجزة (باستثناء فروق أسعار الصرف)	مليون روبل مليون دولار أمريكي *	3220 331
الأصول (في نهاية العام)	مليون روبل مليون دولار أمريكي *	136482 6638

ونتيجة للانخفاض المستمر في الأسعار العالمية للمنتجات البترولية عام 1998 ، فقد بلغت صادراتها 3.4 مليون طن مقابل 6.3 مليون طن في عام 1997. من أجل الحفاظ على المراكز التي فازت بها الشركة في السوق العالمية للمنتجات البترولية ، من المخطط زيادة حجم الصادرات في عام 1999 إلى 5-6 مليون ، مع مراعاة تحسن ظروف السوق. المهمة ذات الأولوية هي خلق بيئة محفزة لنمو الصادرات واستخراج أقصى ربح ممكن.

يعتبر التبادل مكونًا مهمًا في عملية بيع النفط والمنتجات النفطية للتصدير ، بما في ذلك جميع أشكال العقود ، وإجراءات تحديد الأسعار ، ومسؤولية الأطراف ، وما إلى ذلك. إنه يجمع جميع العمليات التي تحدث في مرحلة شراء وبيع منتج معين ، ويساعد على التأمين ضد المخاطر المصاحبة.

البورصات التي يتم فيها تداول العقود الآجلة للنفط والمنتجات النفطية: بورصة نيويورك التجارية (نايمكس) وبورصة لندن الدولية للبترول (IPE). البورصة هي سوق جملة منظم قانونيًا كمنظمة من المتداولين. أدى تطوير آليات تداول العقود الآجلة وإدخال الأخير على جميع الأصول التي تم تداولها سابقًا عن طريق السلع والعقود الآجلة وبورصات العملات ، إلى تلاشي الفروق بين هذه الأنواع من التبادلات وظهور أي من البورصات الآجلة ، التي يتم فيها تداول العقود الآجلة فقط ، أو التبادلات العالمية ، حيث يتم تداول كل من العقود الآجلة والأصول التقليدية المتداولة في البورصة مثل الأسهم والعملات وحتى السلع الفردية.

وظائف التبادل هي كما يلي:

تنظيم اجتماعات البورصة لعقد التداولات العامة المفتوحة ؛

تطوير عقود الصرف.

التحكيم في التبادل ، أو حل النزاعات الناشئة عن معاملات التبادل المبرمة أثناء تداول البورصة ؛

وظيفة قيمة الصرف. هذه الوظيفة لها جانبان. الأول أن مهمة البورصة هي تحديد أسعار السوق "الحقيقية" ، ولكن في نفس الوقت تنظيمها من أجل منع التلاعب غير المشروع بالأسعار في البورصة. والثاني هو وظيفة التنبؤ بالأسعار في البورصة ؛

التحوط ، أو تأمين تبادل المشاركين في تداول العملات ضد تقلبات الأسعار غير المواتية لهم. تعتمد وظيفة التحوط على استخدام آلية تداول العقود الآجلة. جوهر هذه الوظيفة هو أن التاجر - المتحوط (أي الشخص المؤمن عليه) - يجب أن يصبح بائعًا للبضائع ومشتريها. في هذه الحالة ، يتم تحييد أي تغيير في سعر بضاعته ، لأن مكاسب البائع هي في نفس الوقت خسارة المشتري والعكس صحيح. يتحقق هذا الوضع من خلال حقيقة أن التحوط ، على سبيل المثال ، وضع المشتري في السوق العادية ، يجب أن يتخذ الموقف المعاكس ، في هذه الحالة ، البائع ، في سوق العقود الآجلة المتداولة في البورصة. عادةً ما يقوم مصنعو المنتج بالتحوط ضد انخفاض أسعار منتجاتهم ، والمشترين - مقابل زيادة أسعار المنتجات المشتراة:

نشاط تبادل المضاربة

وظيفة ضمان تنفيذ المعاملات. تم تحقيق ذلك باستخدام أنظمة المقاصة والتسوية القائمة على البورصة.

وظيفة المعلومات للتبادل.

المصادر الرئيسية للمعلومات عن آفاق الدولة والتنمية في سوق النفط والمنتجات النفطية العالمية هي منشورات وكالات الاقتباس Piatt (قسم هيكلي لأكبر شركة نشر أمريكية McGraw-Hill) و Argus Petroleum (شركة مستقلة ، بريطانيا العظمى) ).

عروض الأسعار تعطي فكرة عن نطاق الأسعار لدرجة معينة من النفط ليوم معين. وفقًا لذلك ، فهي تتكون من الحد الأدنى للسعر (الحد الأدنى لسعر المعاملة أو الحد الأدنى لمتوسط ​​السعر المرجح لعرض شراء درجة زيت معينة) والحد الأقصى للسعر (الحد الأقصى لسعر المعاملة أو الحد الأقصى لمتوسط ​​السعر المرجح لعرض البيع) .

تعتمد دقة عروض الأسعار على كمية المعلومات التي يتم جمعها. يتم تقديم البيانات الأولى عن عروض الأسعار في الوقت الفعلي (يمكنك الحصول عليها إذا كان لديك وصول إلى المعدات المناسبة) في الساعة 21.00 - 22.00 بتوقيت موسكو. يمكن تصحيح هذه البيانات إذا وصلت معلومات جديدة عن الصفقات بنهاية اليوم ، مما يوضح عروض الأسعار الأولية. يتم توفير النسخة النهائية من عروض الأسعار في المنشورات المطبوعة الرسمية للوكالات المشار إليها.

يتم عرض الأسعار لكل من المعاملات ذات التسليم الفوري - الأسعار الفورية (التسليم في غضون أسبوعين ، وبالنسبة لبعض درجات النفط الخام - في غضون ثلاثة أسابيع) ، وبالنسبة للمعاملات ذات التسليم المؤجل (للدرجات الرئيسية للنفط) - الأسعار "الآجلة" (التسليم في شهر وشهرين وثلاثة أشهر).

تعتبر المعلومات الفورية والآجلة عنصرًا أساسيًا في تداول النفط في السوق الحرة. تُستخدم الأسعار الفورية لتقييم صحة السعر المحدد لصفقة آجلة تم إبرامها مسبقًا ؛ لإصدار فواتير عمليات التسليم ، يتم إجراء الحسابات الخاصة بها على أساس الصيغ بناءً على عروض الأسعار الفورية في وقت شحن البضائع ؛ وأيضًا كنقطة بداية يبدأ من خلالها الأطراف المقابلة مناقشة شروط أسعار المعاملات في يوم عرض الأسعار التالي.

عروض الأسعار الآجلة ، التي تعكس الأسعار الثابتة لمعاملات التسليم المتأخر ، تمثل بشكل أساسي تقييمًا متوقعًا من قبل المشاركين في السوق للوضع لمدة شهر وشهرين وثلاثة أشهر مقدمًا. بالاقتران مع الأسعار الفورية ، تُظهر الأسعار الآجلة الاتجاه الأكثر احتمالية في لحظة تغير الأسعار لهذه الدرجة من النفط في المستقبل في شهر ، شهرين وثلاثة أشهر.

يتم إعطاء اقتباسات لهذه الدرجة من الجودة القياسية. إذا كانت جودة دفعة معينة من النفط تختلف عن النوعية القياسية ، فعند انتهاء المعاملة ، يتم تحديد سعر الدُفعة على أساس عروض الأسعار مع مراعاة الخصم أو علاوة الجودة.

يعتمد مقدار الخصم أو علاوة الجودة على مدى اختلاف سعر صافي إرجاع شحنة معينة من البضائع عن سعر صافي درجة معينة من الجودة القياسية.

تلخيصًا لكل ما قيل ، نلاحظ أنه من أجل ضمان الصادرات النفطية الفعالة ، يجب أن يكون لدى المورد بيانات عن الأسعار الفورية والآجلة ، وأسعار المنتجات النفطية والمراكز المستقبلية ، ومعلومات عن أسعار صافي الاسترداد ، وأسعار الشحن والتأمين ، وديناميات الفروق. والمخزونات. يتم تقليل الحد الأدنى من متطلبات المعلومات إلى معرفة الأسعار "الفورية" و "الآجلة" للنفط المُصدَّر والدرجات التنافسية للنفط ، وديناميكيات الفروق ، وأسعار الشحن والتأمين. تشمل الأنواع الرئيسية للعقود الآجلة التي يتم إبرامها في البورصة ما يلي:

عقد آجل- عقد شراء وبيع البضائع في المستقبل بالسعر الساري وقت إجراء الصفقة.

الخيار - عقد يمنح الحق ، ولكن ليس الالتزام ، لشراء أو بيع عقد آجل للنفط أو المنتجات البترولية في المستقبل بالسعر المرغوب. يتم تداول الخيارات في نفس البورصات حيث يتم تداول العقود الآجلة.

صفقة آجلة- صفقة لا تتزامن مدة تنفيذها مع لحظة إبرامها في البورصة وينص عليها العقد.

تتميز المعاملة الفورية بحقيقة أن مدة إبرامها تتزامن مع تاريخ التنفيذ ، وفي مثل هذه المعاملة ، يجب تسليم العملة على الفور (كقاعدة عامة ، في موعد لا يتجاوز يومي عمل بعد إتمام الصفقة ).

عند إبرام العقد ، يتم لعب دور خاص دقة التنبؤ بالوضعفي السوق لهذا النوع من المنتجات ، بالإضافة إلى توقع لسعره. لذلك ، فإننا نعتبر أنه من المهم النظر في دور التقديرات المتوقعة في تحقيق أثر تداول النفط والمشتقات النفطية.

عند إجراء المعاملات المدرجة ، هناك نقطة رئيسية واحدة - دقة التوقعات. بالطبع ، من وجهة نظر النظرية ، يبدو أننا لا نهتم أين ستكون الأسعار في المستقبل. بعد أن فتحنا مركزًا ، أغلقنا لأنفسنا سعر بيع النفط ، ولم يعد من الممكن أن يكون أعلى أو أقل بالنسبة لنا. لذلك ، يمنحنا التنبؤ الدقيق خيارًا لاتخاذ الإجراءات اللازمة عندما يتغير السعر. توقع غير صحيح يعني الخسائر. هناك طرق عديدة للتنبؤ في السوق ، لكن القليل منها فقط يستحق اهتمامًا خاصًا. لسنوات عديدة ، كان التنبؤ بالأسواق المالية يعتمد على نظرية التوقعات العقلانية ، وتحليل السلاسل الزمنية ، والتحليل الفني.

وفقًا لنظرية التوقعات العقلانية ، ترتفع الأسعار أو تنخفض بسبب حقيقة أن المستثمرين يستجيبون بشكل عقلاني وفوري للمعلومات الجديدة: يتم تجاهل أي اختلافات بين المستثمرين فيما يتعلق ، على سبيل المثال ، بأهداف الاستثمار أو المعلومات المتاحة لهم باعتبارها غير ذات دلالة إحصائية. يعتمد هذا النهج على افتراض انفتاح المعلومات الكامل للسوق ، أي على حقيقة أن أيا من المشاركين لديه معلومات لم يكن لدى المشاركين الآخرين. في الوقت نفسه ، لا يمكن أن تكون هناك مزايا تنافسية ، لأنه بوجود معلومات غير متوفرة للآخرين ، من المستحيل زيادة فرص تحقيق الربح.

الغرض من تحليل السلاسل الزمنية هو تحديد عدد معين من العوامل التي تؤثر على تغيرات الأسعار باستخدام الأساليب الإحصائية. يتيح لك هذا النهج تحديد الاتجاهات في تطور السوق ، ومع ذلك ، إذا كان هناك تكرار أو دورات موحدة في سلسلة البيانات ، فقد يكون تطبيقها صعبًا للغاية.

التحليل الفنيهي مجموعة من أساليب التحليل واتخاذ القرار تعتمد فقط على دراسة المعايير الداخلية لسوق الأوراق المالية: الأسعار ، وحجم المعاملات وقيمة الفائدة المفتوحة (عدد عقود البيع والشراء المفتوحة). يمكن تقسيم جميع طرق التنبؤ الخاصة بالتحليل الفني إلى مجموعتين كبيرتين: الأساليب الرسومية والطرق التحليلية.

التحليل الفني البياني هو تحليل السوق المختلفة نماذج الرسوم البيانيةتتشكل من أنماط معينة لحركة الأسعار على الرسوم البيانية من أجل افتراض احتمالية استمرار أو تغيير الاتجاه الحالي. لنفكر في الأنواع الرئيسية للمخططات:

خطي. على الرسم البياني الخطي ، يتم تحديد سعر الإغلاق فقط لكل فترة لاحقة. يوصى به لفترات قصيرة (تصل إلى عدة دقائق).

مخطط المقطع (الأعمدة) - يوضح الرسم البياني الشريطي الحد الأقصى للسعر (أعلى نقطة من الشريط) ، والحد الأدنى للسعر (النقطة السفلية للشريط) ، وسعر الفتح (اندفاعة إلى يسار الشريط العمودي) والإغلاق السعر (الشرطة على يمين الشريط العمودي). موصى به لمدة 5 دقائق أو أكثر.

الشمعدانات اليابانية (تم بناؤها بالقياس على القضبان).

Tic-tac-toe - لا يوجد محور زمني ، ويتم إنشاء عمود سعر جديد بعد ظهور اتجاه مختلف للديناميكيات. يتم رسم تقاطع إذا انخفضت الأسعار بعدد معين من النقاط (معيار الانعكاس) ، إذا زادت الأسعار بعدد معين من النقاط ، يتم رسم الصفر.

المقاييس الحسابية واللوغاريتمية. بالنسبة لبعض أنواع التحليل ، خاصة عندما يتعلق الأمر بتحليل الاتجاهات طويلة المدى ، من الملائم استخدام مقياس لوغاريتمي. في المقياس الحسابي ، لم تتغير المسافات بين الأقسام. على المقياس اللوغاريتمي ، تتوافق نفس المسافة مع نفس النسبة المئوية للتغيير.

مخططات الحجم.

افتراضات هذا النوع من التحليل الفني هي المفاهيم الأساسية التالية للتحليل الفني: خطوط الاتجاه ومقاومة السوق ومستويات الدعم ومستويات التصحيح للاتجاه الحالي. على سبيل المثال:

خطوط المقاومة:

تنشأ عندما لا يتمكن المشترون أو لا يرغبون في شراء منتج معين بأسعار أعلى. يتجاوز ضغط البيع ضغط المشتري ، ونتيجة لذلك يتوقف النمو ويفسح المجال للهبوط ؛

ربط ارتفاعات (قمم) مهمة في السوق.

خطوط الدعم:

ربط القيعان (القيعان) المهمة للسوق ؛

تحدث عندما يكون البائعون إما غير قادرين أو غير راغبين في بيع منتج معين بأسعار أقل. عند مستوى سعر معين ، تكون الرغبة في الشراء قوية بما يكفي لتحمل ضغط البيع. توقف التراجع وبدأت الأسعار في الارتفاع مرة أخرى.

بالهبوط ، يتحول خط الدعم إلى مقاومة. مع ارتفاعه ، يتحول خط المقاومة إلى دعم.

إذا كانت الأسعار تتأرجح بين خطين مستقيمين متوازيين (خطوط القناة) ، فيمكننا التحدث عن وجود قناة صعودية (هبوطية أو أفقية).

هناك نوعان من النماذج الرسومية:

1. أنماط الاتجاهات الانعكاسية - الأنماط التي يتم تشكيلها على الرسوم البيانية ، والتي ، في حالة استيفاء شروط معينة ، يمكن أن تتوقع حدوث تغيير في الاتجاه الحالي في السوق. وتشمل هذه الرأس والكتفين ، القمة المزدوجة ، القاع المزدوج ، القمة الثلاثية ، القاع الثلاثي.

دعونا نلقي نظرة على بعضها.

"الرأس - الأكتاف" - يؤكد انعكاس الاتجاه.

الشكل 13.22. 1-الذروة الأولى 2 ثانية الذروة 3-خط الرقبة

الأكتاف - الرأس - الأكتاف.

الشكل 13.23. 1-أعلى الكتف الأيسر. 2 - قمة الرأس ؛ 3 - أعلى الكتف الأيمن ؛ 4-خط الرقبة.

2. أنماط استمرار الاتجاه - الأنماط المتكونة على الرسوم البيانية ، والتي ، في حالة استيفاء شروط معينة ، تسمح لنا بالتأكيد على وجود إمكانية لاستمرار الاتجاه الحالي. قد يكون الاتجاه قد تطور بسرعة كبيرة ودخل مؤقتًا في حالة ذروة الشراء أو ذروة البيع. ثم بعد تصحيح متوسط ​​، سوف يستمر في تطوره في اتجاه الترند السابق. في هذه المجموعة توجد نماذج مثل "المثلثات" و "الألماس" و "الأعلام" و "الرايات" وغيرها. على سبيل المثال:

كقاعدة عامة ، تنتهي هذه الأشكال من تشكيلها على مسافة من أعلى P (عمود) يساوي:

def-e ">

مثلث

يجب أن تخاف من وجود مثلثات في السوق. P هي أساس السعر. T هي القاعدة الزمنية. كسر الرقم يحدث على مسافة: ">

جمع وتخزين البيانات - المشاركون المحتملون في التنبؤ (إما كمعيار أو كقيمة متوقعة أو كليهما) ؛

تعريف الاتجاه أو مجموعة المعايير قيد الدراسة (علاوة على ذلك ، لا يمكن دائمًا استخدام البيانات المخزنة مباشرة في قاعدة البيانات ، وغالبًا ما يكون من الضروري إجراء بعض تحويلات البيانات ، على سبيل المثال ، من المنطقي استخدام التغييرات النسبية في القيم كمعايير) ؛

تحديد العلاقة بين القيمة المتوقعة ومجموعة المعايير في شكل وظيفة معينة ؛

حساب قيمة الفائدة وفقًا لوظيفة معينة ، وقيم معايير اللحظة المتوقعة ونوع التنبؤ - قصير الأجل أو طويل الأجل).

في الجزء العملي من العمل ، استنادًا إلى البيانات التاريخية لاتجاه لفترة زمنية معينة (شهر ، سنة ، عدة سنوات) ، يتم تقديمها أيضًا في نطاق زمني معين (دقيقة ، 5 دقائق ، نصف ساعة ، يوميًا ، إلخ. . quotes) ، نحتاج إلى الحصول على تطور تنبؤي لعروض الأسعار لعدة فترات زمنية في المستقبل. يتم تقديم المعلومات حول أسعار الأصول من خلال كل أو جزء من المعلمات القياسية التي تصف الأسعار لفترة منفصلة: فتح ، إغلاق ، الحد الأقصى ، الحد الأدنى ، حجم التداول عند الإغلاق ، الفائدة المفتوحة.

يمكن رؤية استخدام الشبكات العصبية للحصول على تنبؤ سريع وعالي الجودة في الشكل. 13.27 "مخطط تكنولوجي للتنبؤ في سوق الأوراق المالية باستخدام الشبكات العصبية".

للحصول على توقعات كاملة للاتجاهات في الأسواق الثلاثة الأكثر تطورًا في بلدنا ، والتي تشمل العديد من الأدوات المالية ، يلزم توفير قدر كافٍ من البيانات الأولية للتنبؤ. كما ترى من الرسم التخطيطي ، تم تلقي المعلومات التالية في الوقت الحالي:

المعلومات والبيانات التجارية لوكالة "رويترز" ، "داو جونز تيليرات" ، "بلومبيرج" ؛

بيانات التداول من منصات MICEX و RTS ؛

بيانات أخرى عن طريق الإدخال اليدوي.

تذهب جميع البيانات اللازمة إلى قاعدة البيانات (DB MS خادم قاعدة البيانات). بعد ذلك ، هناك اختيار وإعداد البيانات للمشاركة في التنبؤ. في هذه المرحلة الأولية ، تنشأ مشكلة اختيار أهم المعايير للتنبؤ بقيمة أداة مالية معينة أو مجموعة من الأدوات المالية من أكثر من 200 نوع من المعلومات والبيانات التجارية. يتم تنفيذ الاختيار الأساسي للمعايير من قبل المحلل ويعتمد على خبرة هذا الأخير وحدسه. لمساعدة المحلل ، يتم توفير أدوات التحليل الفني ، المقدمة في شكل رسوم بيانية ، والتي يمكنك من خلالها التعرف على العلاقات المخفية. يتم تمييز السلسلة الزمنية للتنبؤ.

ثم يتم إرسال البيانات التي تمت معالجتها إلى حزمة الشبكة العصبية STATIS-TICA Neural Networks ، حيث يتم التعرف على فترات مدتها 5 أيام باستخدام مدربة مدربة. تخصص الشبكة لكل فترة واحدة من أربعة مؤشرات تميز تغيرات الاتجاه (مثل الرسوم البيانية في التحليل الفني): الفترة المستقرة ، والتصاعدية ، والهابطة ، وغير المحددة. تبني الشبكة تنبؤًا بناءً على البيانات التي تمت معالجتها ، ولكن من أجل تحسين النتائج التي تم الحصول عليها ، فإننا نعقد عملية التنبؤ. يتم إجراء مزيد من المعالجة في نظام STATIST1CA. لا يلزم تحويل البيانات ، لأنها هي نفسها في النوع.

أثناء معالجة السلاسل الزمنية في حزمة STATISTICA في الوحدة النمطية للسلسلة الزمنية / التنبؤ باستخدام التنبؤ الأسي السلس ، يتم تمييز الاتجاه ، والذي يتم تقسيمه إلى فترات متساوية (5 أيام) للتنبؤ التالي على المدى القصير. يتم إعداد الاتجاه باستخدام إحدى الطرق الأربعة المقدمة (خطي ، أسي ، أفقي ، متعدد الحدود). اخترنا الطريقة الأسية لتجربتنا. لقد عالجنا الاتجاه وتلقينا بيانات حول تنعيمه. يتم تغذية هذه البيانات مرة أخرى إلى معالجة الشبكة العصبية باستخدام منظور متعدد الطبقات. يتم إجراء التدريب باستخدام طريقة التجانس الأسي ، ونتيجة لذلك تؤكد الشبكة صحة التنبؤ الذي تم الحصول عليه مسبقًا. يمكنك عرض النتائج باستخدام وظيفة الأرشفة.

يتم تحليل القيم المتوقعة الناتجة من قبل المتداول ، ونتيجة لذلك يتم اتخاذ القرار الصحيح لإجراء المعاملات مع الأوراق المالية.

تعتمد إحدى طرق حل مشكلة تحليل سوق الأوراق المالية والتنبؤ بها على الطبيعة الدورية لتطور العمليات الاقتصادية. مظهر من مظاهر الدورية هو التطور المتموج للفترات الاقتصادية. عند التنبؤ بالسلسلة الزمنية في الاقتصاد ، من المستحيل تقييم الموقف بشكل صحيح وإجراء توقعات دقيقة بما فيه الكفاية دون مراعاة حقيقة أن التقلبات الدورية يتم فرضها على خط الاتجاه. يُعرف أكثر من 1380 نوعًا من التقلبات الدورية في العلوم الاقتصادية الحديثة. يعمل الاقتصاد بشكل أساسي مع العناصر الأربعة التالية:

دورات كيتشن هي دورات جرد. ركز Kitchin (1926) على دراسة الأطوال الموجية القصيرة من 2 إلى 4 سنوات على أساس تحليل الحسابات المالية وأسعار المبيعات في حركة المخزونات.

دورات Zhuglyar. هذه الدورة لها أسماء أخرى أيضًا: دورة الأعمال ، الدورة الصناعية ، إلخ. تم اكتشاف الدورات من خلال دراسة طبيعة التقلبات الصناعية في فرنسا وبريطانيا العظمى والولايات المتحدة بناءً على التحليل الأساسي للتقلبات في أسعار الفائدة والأسعار. كما اتضح ، تزامنت هذه التقلبات مع دورة الاستثمار ، والتي أدت بدورها إلى تغييرات في الناتج القومي الإجمالي والتضخم والعمالة.

دورات الحداد. ج. ريجالمن ، دبليو نيومان في الثلاثينيات. وقام العديد من المحللين الآخرين ببناء أول مؤشرات إحصائية للحجم السنوي الإجمالي لبناء المساكن ووجدوا فيها فترات طويلة متتالية من النمو السريع والركود العميق أو الركود. ثم ظهر مصطلح "دورات البناء" لأول مرة.

دورات كوندراتييف.يمكن النظر إلى الدورات الكبيرة على أنها اضطراب واستعادة التوازن الاقتصادي لفترة طويلة. يكمن سببهم الرئيسي في آلية تراكم وتراكم وتشتت رأس المال الكافي لتكوين قوى الإنتاج الرئيسية. ومع ذلك ، فإن عمل هذا السبب الرئيسي يعزز عمل العوامل الثانوية. وفقًا لما سبق ، فإن تطوير دورة كبيرة يأخذ الإضاءة التالية. تتزامن بداية الانتعاش مع اللحظة التي يصل فيها تراكم رأس المال وتراكمه إلى مثل هذا التوتر حيث يصبح من الممكن استثمار رأس المال بشكل مربح لأغراض القوى الإنتاجية وإعادة تجهيز التكنولوجيا بشكل جذري. علاوة على ذلك ، وفقًا لـ "الحقائق" الرئيسية لكوندراتييف ، في فترة الموجة الصاعدة للدورة الكبيرة ، تتميز الموجات المتوسطة والقصيرة باختصار التشتت وشدة الصعود ، وفي فترات الهبوط موجة الدورة الكبيرة ، يتم ملاحظة الصورة المعاكسة.

في سوق الأوراق المالية ، تتجلى هذه التقلبات في الصعود والهبوط المتتالي في مستويات النشاط التجاري على مدى فترة زمنية: ذروة الدورة ، والانحدار ، ومرحلة القاع ، والانتعاش.

في هذا البحث ، ننطلق من افتراض أن تقلبات الأسعار في سوق الأوراق المالية هي نتيجة تراكب لموجات مختلفة وسلسلة من العوامل العشوائية العشوائية المشار إليها أعلاه. جرت محاولة لتحديد وجود الدورات وتحديد المرحلة التي تقع فيها العملية. بناءً على ذلك ، يتم إجراء توقع مزيد من التطويرباستخدام أدوات ARIMA في ظل افتراضات معلمات العملية المناسبة.

انتقالات النظام هي تراكب موجات ذات أطوال مختلفة. كما تعلم ، فإن الموجات لها عدة مراحل ، لتحل محل بعضها البعض. يمكن أن تكون هذه مرحلة انتعاش أو ركود أو ركود. إذا تم تعيين قيم رمزية لهذه المراحل أ ، ب ، ج ، فيمكن تمثيلها كسلسلة من العناصر الأولية (على غرار الرسوم البيانية في التحليل الفني) ، والتعرف على هذه التسلسلات (التي تمثل أيضًا فترات الصعود والسقوط والركود ، أي أ ، ب ، ج ، فقط على نطاق أصغر) ، يمكننا ، بناءً على قواعد التعرف على القواعد النحوية مع بعض الاحتمالات ، الصيغة "src =" http://hi-edu.ru/e-books/xbook725/ files / 28.gif "border =" 0 "align =" absmiddle "alt =" (! LANG:... ثم يمكننا أيضًا إلقاء نظرة على متواليات مثل AAABBCD…. اتضح أننا تعرفنا على كل من الموجة نفسها ومرحلتها.

الآن لا يمكننا تقديم توقعات أكثر دقة على المدى القصير فحسب ، بل يمكننا أيضًا تتبع الديناميكيات العامة لسوق الأسهم في المستقبل (بعد تحديد مرحلة الموجة الطويلة ، يمكننا الحكم على طبيعة الموجة التالية ، منذ ذلك الحين المراحل تستمر في تسلسل معين). في تجربتنا ، حاولنا تدريب المستجيب للتعرف على مراحل الموجات (A ، B ، C ، D).

بالنسبة للتجربة ، تم أخذ البيانات من نتائج التداول على RTS في أسهم LUKOIL (LKON) للفترة من 1 يونيو 1998. حتى 31 ديسمبر 1999. تم تضمين المتغيرات التالية في قاعدة البيانات الأصلية: المتوسط ​​المرجح لسعر الشراء ، المتوسط ​​المرجح لسعر البيع ، الحد الأقصى للسعر اليومي ، الحد الأدنى للسعر اليومي ، عدد المعاملات. تم استيراد قاعدة البيانات التي تحتوي على قيم المتغيرات المدرجة في Excel من الإنترنت ثم نقلها إلى حزمة SNW. تمت مناقشة هذا الإجراء بمزيد من التفصيل في أرز. 13.28 - الأوزان التي تأخذها الملاحظات الفردية للسلسلة.

تم أخذ عرض فاصل التنعيم بما يساوي 4 ملاحظات. ثم تمت إضافة تعبيرات الاتجاه الرقمية (الشكل 13.30) إلى تجانس المتغير الجديد.

وبالتالي ، قمنا بتكوين قاعدة بيانات بها متغيرات سيتم تغذيتها لمدخلات الشبكة العصبية. علاوة على ذلك ، منذ ذلك الحين SNW متوافق تمامًا مع SNN ، ولم تكن هناك حاجة لاستيراد البيانات على وجه التحديد إلى SNN. عند الإدخال ، كان من المفترض أن يتلقى قيمًا من النوع أ ، ب ، ج ، د ، ولكن لهذا كان على المستدرك أن يتعرف على المرحلة التي نحن فيها ، وبناءً عليه ، جعل المدى القصير أكثر دقة. تنبؤ بالمناخ. بمعنى آخر ، يجب أن يأخذ في الاعتبار تسلسل الأوليات وتعريفها بمراحل الدورة. علاوة على ذلك ، لا يقوم المستشعر بإخراج مراحل دورة النوع A ، B ، C ، D.

لتنفيذ المهمة المحددة لتدريب المستفيد ، يتم تخصيص نافذة متحركة بعرض 5 أيام. تتكون النافذة الزمنية الواحدة من سلسلة من الأوليات أ ، ب ، ج ، د. وبالتالي ، يمكن الحصول على تنبؤ أكثر دقة عن طريق التقريب المتعدد الاتجاه للاتجاه العددي بمتوسط ​​سعر الشراء المرجح.

لتدريب الإدراك الحسي على التعرف على تسلسل خمسة أيام وتحديدها على أنها A أو B أو C أو D ، كان علينا تحديد مرحلتها بأنفسنا لعدد من الخيارات وإضافة نتائجنا إلى متغير جديد في قاعدة البيانات الأصلية (الحالة) . وبالتالي ، تحتوي قاعدة البيانات التي تم إنشاؤها أخيرًا على قيم المتغيرات التالية: متوسط ​​سعر الشراء المرجح ، ومتوسط ​​سعر البيع المرجح ، والحد الأقصى للسعر اليومي ، والحد الأدنى للسعر اليومي ، وعدد المعاملات ، والاتجاه المميز بالنسبة إلى السعر المرجح متوسط ​​سعر الشراء ، وأخيرًا ، متغير يحدد حالة العملية الاقتصادية. تم إدخال جميع المتغيرات باستثناء المتغير الأخير. كان من المفترض أن يتم الحصول عليها فقط عند الإخراج ، بحيث لا يتفاعل المستشعر مع قيمة هذا المتغير أثناء التدريب ، ولكنه عدل الأوزان بحيث يمكن الحصول على أربع قيم فقط عند الإخراج: A ، B ، C ، ثم D ، ثم حسب الحالة المعترف بها ، وكذلك أخذ في الاعتبار أنه بعد مرحلة الصعود تليها مرحلة من الثبات ، ثم الركود مرة أخرى ، وعلى هذا الأساس استطعنا عمل تنبؤ قصير المدى. وبالتالي ، تم جمع جميع البيانات للتنبؤ. الآن هناك سؤال واحد فقط: ما هي المعلمات التي يجب اختيارها للشبكة وطريقة التدريب. في هذا الصدد ، تم إجراء عدد من التجارب ونتيجة لذلك تم التوصل إلى الاستنتاجات التالية.

في البداية ، كان من المفترض تدريب مدرك متعدد الطبقات باستخدام الانتشار الخلفي للأخطاء. كان الإدخال 7 متغيرات (تم سردها أعلاه) ، والمخرج واحد فقط - STATE. بالإضافة إلى طبقات الإدخال والإخراج ، تم بناء طبقة وسيطة واحدة تتكون من 6 ثم من 8 خلايا عصبية. كان خطأ التعلم حوالي 0.2-0.4 ، لكن رد الفعل كان ضعيفًا للحالات العابرة. لذلك ، قررنا أولاً زيادة عدد الخلايا العصبية في الطبقة الوسطى إلى 14 ، ثم غيرنا طريقة تدريب الحس البصري ("التدرجات المترافقة"). بدأ الخطأ يتقلب في نطاق 0.12-0.14 ، واعتبرت مجموعة قيم المتغيرات بأكملها تدريبًا.

نتيجة للتجارب ، تبين أن الشبكة العصبية ذات المعلمات التالية هي الأمثل: يتم تغذية 7 متغيرات للمدخلات: بشكل سلس ، متوسط ​​، Open_Buy ، VoLTrad. Val_Q ، Min_PR ، Max_PR ، الإخراج - STATE. تم تنفيذ التدريب بخطوة 6 ، بطريقة التدرجات المترافقة ، في المجموع - 3 طبقات (في أول 7 خلايا عصبية ، في الثانية - 14 ، في الثالثة - 3) (الشكل 13.29) ، نتيجة لذلك ، استجاب المدرك بوضوح لحالة الاتجاه (تصاعدي - 1 خلية عصبية من طبقة الإخراج ، وندش تنازلي ؛ 2 خلية عصبية من طبقة الإخراج وأفقي - 3 عصبون) (الشكل 13.31).

نتيجة للبحث الذي تم إجراؤه ، تم اختيار البيانات - الأشياء المحتملة للتنبؤ ، تم تحديد القيم المتوقعة ومجموعات المعايير ، وكذلك تم تحديد العلاقات بينها.

خلال التجربة ، وجد أن اكتشاف الاتجاه يزيد من معدل التعلم لمدرك متعدد الطبقات ، ومع تنظيم شبكة معين فإنه يتعرف على الاتجاهات الصاعدة والهابطة والأفقية.

تتيح النتائج الإيجابية التي تم الحصول عليها الانتقال إلى دراسة أعمق للاعتمادات الدورية في الأسواق ، واستخدام طرق أخرى للتقنيات العصبية (خرائط Kohonen) في المعاملات المالية.

إرسال عملك الجيد في قاعدة المعرفة أمر بسيط. استخدم النموذج أدناه

سيكون الطلاب وطلاب الدراسات العليا والعلماء الشباب الذين يستخدمون قاعدة المعرفة في دراساتهم وعملهم ممتنين جدًا لك.

• مقدمة
• استنتاج
• مقدمة
• كان لإنشاء طرق للمعالجة المتوازية للمعلومات تأثير مفيد على تطوير تقنيات الشبكة العصبية.
• من الضروري التعبير عن الامتنان للجراح الرائع والفيلسوف وعلم التحكم الآلي ن. أموسوف ، الذي قام مع طلابه بتنظيم منهج لإنشاء الذكاء الاصطناعي (AI). هذا النهج هو على النحو التالي.
• تعتمد استراتيجيات الذكاء الاصطناعي على مفهوم النموذج - وجهة نظر (تمثيل مفاهيمي) حول جوهر مشكلة أو مهمة ومبدأ حلها. ضع في اعتبارك نموذجين للذكاء الاصطناعي.
• 1. يفترض نموذج الخبراء العناصر التالية ، بالإضافة إلى مراحل تطوير وتشغيل نظام الذكاء الاصطناعي:
• * تنسيق المعرفة - تحويل الخبير للمعرفة الإشكالية إلى الشكل الذي يحدده نموذج تمثيل المعرفة المختار ؛
• * تكوين قاعدة معرفية<БЗ) - вложение формализованных знаний в программную систему;
• * الاستنتاج - حل مشكلة الاستدلال المنطقي المبني على أساس المعرفة.
• يعتمد هذا النموذج على استخدام الأنظمة الخبيرة ، وأنظمة الاستدلال المنطقي ، بما في ذلك لغة البرمجة المنطقية PROLOGUE. يُعتقد أن الأنظمة القائمة على هذا النموذج أكثر دراسة.
• 2. نموذج الطالب الذي يتضمن الأحكام التالية وتسلسل الإجراءات:
• * معالجة الملاحظات ، دراسة تجربة الأمثلة الخاصة - تشكيل قاعدة بيانات<БД>أنظمة الذكاء الاصطناعي
• * التعلم الاستقرائي - تحويل قاعدة البيانات إلى قاعدة معرفية على أساس تعميم المعرفة المتراكمة في قاعدة البيانات. وتبرير إجراءات استخلاص المعرفة من قاعدة المعرفة. هذا يعني أنه بناءً على البيانات ، يتم التوصل إلى استنتاج حول عمومية الاعتماد بين الأشياء التي نلاحظها. ينصب التركيز الرئيسي هنا على دراسة الآليات التقريبية والاحتمالية والمنطقية للحصول على استنتاجات عامة من عبارات معينة. ثم يمكننا إثبات ، على سبيل المثال ، كفاية إجراء الاستيفاء المعمم (الاستقراء) ، أو إجراء البحث الترابطي ، والذي من خلاله سنجيب على الاستفسارات لقاعدة المعرفة ؛
• * الخصم - وفقًا لإجراء مبرر أو مفترض ، نختار المعلومات من قاعدة المعرفة عند الطلب (على سبيل المثال ، استراتيجية التحكم المثلى للناقل الذي يميز الوضع الحالي).
• لا يزال البحث في إطار هذا النموذج وتطوره ضعيفًا ، على الرغم من أنها تكمن وراء بناء أنظمة التحكم في التعلم الذاتي (أدناه سيكون مثالًا رائعًا لنظام التحكم في التعلم الذاتي - قواعد إطلاق النار في المدفعية).
• كيف تختلف قاعدة المعرفة ، وهي عنصر مشترك لا غنى عنه في نظام الذكاء الاصطناعي ، عن قاعدة البيانات؟ إمكانية الاستدلال المنطقي!
• الآن دعنا ننتقل إلى الذكاء "الطبيعي". لم تخلق الطبيعة شيئًا أفضل من العقل البشري. هذا يعني أن الدماغ هو حامل قاعدة المعرفة ووسيلة الاستدلال المنطقي المبني عليها ، بغض النظر عن النموذج الذي نظمناه لتفكيرنا ، أي كيف نملأ قاعدة المعرفة. - تعلم أكثر!
• نعم فعلا. يضيء بوسبيلوف ، في عمل رائع وفريد ​​من نوعه ، أعلى مجالات الذكاء الاصطناعي - منطق التفكير. الغرض من هذا الكتاب هو تشريح الشبكة العصبية جزئيًا على الأقل كوسيلة للتفكير ، وبالتالي لفت الانتباه إلى الرابط الأولي السفلي لسلسلة أساليب الذكاء الاصطناعي بأكملها.
• رفض التصوف ، ندرك أن الدماغ عبارة عن شبكة عصبية وشبكة عصبية - عصبونات مترابطة ، مع العديد من المدخلات ومخرج واحد لكل منها. تنفذ الخلية العصبية وظيفة نقل بسيطة إلى حد ما تسمح لك بتحويل الإثارة عند المدخلات ، مع مراعاة أوزان المدخلات ، إلى قيمة الإثارة عند خرج العصبون. يحتوي الجزء الكامل وظيفيًا من الدماغ على طبقة إدخال من الخلايا العصبية - مستقبلات ، متحمس من الخارج ، وطبقة إخراج ، تكون الخلايا العصبية فيها متحمسة اعتمادًا على التكوين وحجم إثارة الخلايا العصبية في طبقة الإدخال. من المفترض أن تكون شبكة عصبية. تقليد عمل الدماغ ، لا يعالج البيانات نفسها ، ولكن موثوقيتها ، أو بالمعنى التقليدي ، وزن ، تقييم هذه البيانات. بالنسبة لمعظم البيانات المستمرة أو المنفصلة ، يتم تقليل تعيينها للإشارة إلى احتمالية النطاقات التي تنتمي إليها قيمها. بالنسبة لفئة كبيرة من البيانات المنفصلة - عناصر المجموعات - يُنصح بإصلاح الخلايا العصبية لطبقة الإدخال بشكل صارم.

1. تجربة استخدام الشبكات العصبية في المشكلات الاقتصادية

بمساعدة الشبكات العصبية ، نحل مشكلة تطوير الخوارزميات لإيجاد وصف تحليلي لانتظام عمل الأشياء الاقتصادية (مؤسسة ، صناعة ، منطقة). يتم تطبيق هذه الخوارزميات للتنبؤ ببعض مؤشرات "مخرجات" الكائنات. يتم حل مشكلة تنفيذ الشبكة العصبية للخوارزميات. يسمح استخدام طرق التعرف على الأنماط أو أساليب الشبكة العصبية المقابلة بحل بعض المشاكل العاجلة للنمذجة الاقتصادية والإحصائية ، وزيادة كفاية النماذج الرياضية ، وتقريبها من الواقع الاقتصادي. أدى استخدام التعرف على الأنماط مع تحليل الانحدار إلى أنواع جديدة من النماذج - التصنيف والخطي متعدد التعريف. يعد العثور على التبعيات المخفية في قواعد البيانات أساسًا لمهام النمذجة ومعالجة المعرفة ، بما في ذلك كائن ذي أنماط يصعب إضفاء الطابع الرسمي عليها.

يمكن فهم اختيار النموذج الأكثر تفضيلاً من مجموعة معينة منها إما على أنه مشكلة تصنيف أو مشكلة اختيار بناءً على مجموعة من القواعد. وقد أظهرت الممارسة أن الأساليب التي تعتمد على استخدام الأوزان المسبقة للعوامل و البحث عن نموذج يتوافق مع أقصى مجموع مرجح للعوامل يؤدي إلى نتائج متحيزة. الأوزان هي ما يجب تحديده ، وهذا هو التحدي. علاوة على ذلك ، فإن مجموعات الأوزان محلية - كل منها مناسب فقط لمهمة معينة وكائن معين (مجموعة من الكائنات).

دعونا نفكر في مشكلة اختيار النموذج المطلوب بمزيد من التفصيل. افترض أن هناك مجموعة من الكائنات M ، يهدف نشاطها إلى تحقيق هدف معين. يتميز عمل كل كائن بقيم n من الميزات ، أي أن هناك تعيين φ: M -> Rn. لذلك ، فإن نقطة البداية لدينا هي متجه حالة الشيء الاقتصادي: x =. مؤشرات الأداء لكائن اقتصادي: f0 (x) ، f1 (x) ، ... ، fm (x). يجب أن تكون هذه المؤشرات ضمن حدود معينة ، ونحن نسعى جاهدين لجعل بعضها إما الحد الأدنى أو الحد الأقصى.

يمكن أن تكون هذه الصيغة العامة متناقضة ، ومن الضروري استخدام جهاز لحل التناقضات وإحضار بيان المشكلة إلى الشكل الصحيح المتوافق مع المعنى الاقتصادي.

نحن نرتب الأشياء من حيث بعض وظائف المعيار ، لكن المعيار عادة ما يكون ضعيف التعريف وغامض وربما متناقض.

دعونا ننظر في مشكلة نمذجة الأنماط التجريبية بناءً على عدد محدود من البيانات التجريبية والملاحظة. يمكن أن يكون النموذج الرياضي معادلة انحدار أو قاعدة تشخيصية أو قاعدة توقع. باستخدام عينة صغيرة ، تكون طرق التعرف أكثر فعالية. في هذه الحالة ، يتم أخذ تأثير إدارة العوامل في الاعتبار من خلال تغيير قيم العوامل عند استبدالها في معادلة الانتظام أو في قاعدة قرار التشخيص والتنبؤ. بالإضافة إلى ذلك ، نطبق اختيار الميزات الأساسية وتوليد الميزات المفيدة (المعلمات الثانوية). هذا الجهاز الرياضي ضروري للتنبؤ بحالة الأشياء الاقتصادية وتشخيصها.

النظر في الشبكة العصبية من وجهة نظر نظرية إنشاءات اللجنة ، كمجموعة من الخلايا العصبية (الأفراد. الشبكة العصبية كآلية لتحسين عمل الخلايا العصبية في القرارات الجماعية هي طريقة للاتفاق على الآراء الفردية ، حيث الرأي الجماعي هو الاستجابة الصحيحة للمدخلات ، أي الاعتماد التجريبي الضروري.

ومن ثم ، فإن استخدام هياكل اللجان في مشاكل الاختيار والتشخيص له ما يبرره. الفكرة هي البحث عن مجموعة من قواعد القرار بدلاً من قاعدة قرار واحدة ، هذه المجموعة تعمل على اتخاذ قرار جماعي من خلال إجراء يعالج القرارات الفردية لأعضاء المجموعة. تؤدي نماذج الاختيار والتشخيص ، كقاعدة عامة ، إلى أنظمة غير متسقة من عدم المساواة ، والتي من أجلها ، بدلاً من الحلول ، من الضروري البحث عن تعميمات لمفهوم الحل. هذا التعميم هو قرار جماعي.

لذلك ، على سبيل المثال ، فإن لجنة نظام عدم المساواة هي مجموعة من العناصر بحيث يتم إرضاء كل تفاوت من خلال معظم عناصر هذه المجموعة. تشكيلات اللجان هي فئة معينة من التعميمات لمفهوم حل المشاكل التي يمكن أن تكون متوافقة وغير متسقة. هذه فئة من التقريبات المنفصلة للمشكلات غير المتسقة ؛ ويمكن أيضًا أن ترتبط بالحلول الغامضة. تحدد طريقة اللجان حاليًا أحد مجالات التحليل وحل مشكلات الاختيار الفعال للخيارات والتحسين والتشخيص والتصنيف. على سبيل المثال ، دعونا نعطي تعريفًا لإحدى تشكيلات اللجنة الرئيسية ، وهي: لـ 0< p < 1: p - комитетом системы включений называется такой набор элементов, что каждому включению удовлетворяет более чем р - я часть этого набора.

يمكن اعتبار إنشاءات اللجنة كفئة معينة من التعميمات لمفهوم الحل لحالة الأنظمة غير المتوافقة من المعادلات وعدم المساواة والادراج ، وكوسيلة للتوازي في حل مشاكل الاختيار والتشخيص والتنبؤ. كتعميم لمفهوم حل مشكلة ما ، فإن تشكيلات اللجان عبارة عن مجموعات من العناصر التي لها بعض (ولكن ، كقاعدة ، ليس كل) خصائص الحل ؛ هذا نوع من الحلول الغامضة.

كوسيلة للتوازي ، تظهر إنشاءات اللجان مباشرة في الشبكات العصبية متعددة الطبقات. لقد أظهرنا أنه لتدريب شبكة عصبية على حل مشكلة التصنيف بدقة ، يمكننا تطبيق طريقة إنشاء لجنة لنظام معين من عدم المساواة التبادلية.

بناءً على ما سبق ، يمكننا أن نستنتج أن أسلوب اللجان يرتبط بأحد المجالات المهمة للبحث والحل العددي لكل من مشاكل التشخيص واختيار الخيارات ، ومهام إنشاء الشبكات العصبية من أجل الحصول على مطلوب استجابة لمعلومات الإدخال حول مشكلة معينة للشخص الذي يتلقى الحلول.

أثناء تشغيل طريقة اللجنة ، تم الكشف عن خصائص مهمة للمشكلات التطبيقية مثل الاستدلال والتفسير والمرونة - إمكانية التدريب الإضافي وإعادة التعديل ، وإمكانية استخدام فئة الوظائف الأكثر طبيعية - التجزئة - الأفقية ؛ هو ، لذلك أن نفس الكائن لم يتم تعيينه لفئات مختلفة.

يرتبط الجانب الآخر من قضية هياكل اللجان بمفهوم الائتلافات في تطوير القرارات الجماعية ، بينما تختلف المواقف بشكل حاد في حالة التفضيلات الجماعية (هناك العديد من المزالق) وفي حالة قواعد التصنيف الجماعي ، في في هذه الحالة يمكن تبرير الإجراءات بصرامة ولديها إمكانيات أوسع ... لذلك ، من المهم أن تكون قادرًا على تقليل مشاكل صنع القرار والتنبؤ إلى مشاكل التصنيف.

2. الطريقة الجدولية - أساس الذكاء الاصطناعي

بشكل عام ، مبادئ نشاط الدماغ معروفة وتستخدم بنشاط. نحن نستخدم طاولات غير مرئية في ذاكرتنا ، مملوءة بالقوة والحرية على مكتب ، على عجلة القيادة ، مع وبدون حقيبة وزارية ، وندير رؤوسنا في شارع صاخب ، عند كتاب ، على مقعد وعلى حامل. ندرس وندرس كل حياتنا: تلميذ يقضي ليالي بلا نوم في كتابة كتاب تمهيدي ، وأستاذ يتمتع بالحكمة. مع نفس الطاولات ، لا نربط فقط صنع القرار ، ولكن أيضًا الحركة ، والمشي ، ولعب الكرة.

إذا كنا نعارض الحسابات الرياضية على التفكير الترابطي ، فما هو وزنها في حياة الإنسان؟ كيف تطور الإنسان وهو لا يعرف العد على الإطلاق؟ باستخدام التفكير الترابطي ، القدرة على الاستيفاء والاستقراء ، تراكم الخبرة لدى الشخص. (بالمناسبة ، دعونا نتذكر أطروحة د. لقد قمت بقيادة سيارة ولعبت التنس واندفعت إلى الحافلة وتخطط لأفعالك. هل يمكنك تخيل المبلغ الذي يجب أن تحسبه (ومن أين تحصل على الخوارزمية؟) من أجل رفع قدمك على الرصيف ، متجاوزًا الرصيف؟ لا ، نحن لا نحسب أي شيء كل دقيقة ، وربما يكون هذا هو الشيء الرئيسي في حياتنا الفكرية ، حتى في العلوم والأعمال. إن آليات الأحاسيس ، والحدس ، والتلقائية ، التي لا نستطيع تفسيرها ، ومعالجة التفكير تحت القشري ، هي في الواقع آليات طبيعية للتفكير الترابطي باستخدام جداول قاعدة المعرفة.

والأهم من ذلك أننا نفعل ذلك بسرعة! فكيف لا نفكر ونحاول أن نفهم ونعيد إنتاج تطور الذاكرة التصويرية نتاج نمو في عملية التنمية. نعتقد أن هذا متجسد ماديًا تمامًا وبالتالي يمكن تحقيقه بشكل مصطنع ، ويخضع للنمذجة والتكاثر.

دعونا الآن نصوغ مبدأ كافٍ اليوم لبناء شبكة عصبية كعنصر من عناصر الذكاء الاصطناعي:

1. يجب أن ندرك أن أساس تقليد البنية العصبية للدماغ هو طريقة الاستيفاء الجدولي.

2. تملأ الجداول إما وفق خوارزميات حسابية معروفة أو تجريبياً أو بواسطة خبراء.

3. توفر الشبكة العصبية سرعة عالية في معالجة الجداول نظرًا لاحتمال حدوث موازاة تشبه الانهيار الجليدي.

4. بالإضافة إلى ذلك ، تسمح الشبكة العصبية بالدخول إلى الجدول ببيانات غير دقيقة وغير كاملة ، مما يوفر إجابة تقريبية بناءً على مبدأ التشابه الأقصى أو المتوسط.

5. تتمثل مهمة محاكاة الشبكة العصبية للدماغ في تحويل ليس المعلومات الأولية نفسها ، ولكن تقديرات هذه المعلومات ، في استبدال المعلومات بقيم إثارة المستقبلات ، الموزعة بمهارة بين الأنواع والأنواع والمعلمات أو نطاقات التغيير أو القيم الفردية.

6. تشير الخلايا العصبية للطبقة الناتجة لكل بنية فرعية عن طريق الإثارة الخاصة بهم إلى الحلول المقابلة. في الوقت نفسه ، يمكن استخدام إشارات الإثارة هذه باعتبارها المعلومات الأصلية الوسيطة في الرابط التالي للسلسلة المنطقية دون تدخل خارجي في وضع التشغيل.

3. مراقبة الجهاز المصرفي

تقدم المقالة مثالاً على التطبيق الرائع لخرائط Kohonen ذاتية التنظيم (SOM - خريطة التنظيم الذاتي) لدراسة النظام المصرفي لروسيا في 1999-2000.

تعتمد المراقبة على تقييم التصنيف بناءً على التنفيذ التلقائي لإجراء واحد: يتم عرضه على شاشة الكمبيوتر وفقًا للمتجه متعدد الأبعاد لمعلمات البنك. يتم لفت الانتباه إلى حقيقة أن تقنيات الشبكة العصبية تسمح ببناء وظائف بصرية للعديد من المتغيرات ، كما لو كانت تقوم بتحويل فضاء متعدد الأبعاد إلى أحادي أو ثنائي أو ثلاثي الأبعاد. لكل دراسة يتم إجراؤها على حدة لمختلف العوامل ، من الضروري بناء SOMs الخاصة بها. التنبؤ ممكن فقط بناءً على تحليل السلاسل الزمنية لتقديرات SOM. هناك حاجة أيضًا إلى SOMs الجديدة لتوسيع سلسلة الانسحاب ، مع ربط البيانات من الخارج ، على سبيل المثال ، ذات الطبيعة السياسية.

هذا النهج هو بلا شك فعال وفعال. ولكن يبدو أنه ، بالمقارنة مع إمكانات الهياكل العصبية للدماغ ، فإنه يقيد نطاق وشجاعة الفكر ، ولا يسمح بسحب سلاسل طويلة من تأثير الفرضية ، والجمع بين التحليل والتنبؤ ، والأخذ على الفور في الاعتبار الوضع الناشئ وإدخال عوامل جديدة وخبرة الخبراء في الاعتبار. يجب الاتفاق على أن كل هذا يخضع للدماغ ، ونعود مرة أخرى إلى هياكله ، ونقترح مشروعًا لبرنامج نظام المراقبة.

هيكل الشبكة العصبية وطرق التدريب. تعتمد الوظائف المنطقية التي تقوم عليها المراقبة بشكل أساسي على اقتران القيم المنطقية للمتغيرات التي تعكس نطاقات التغييرات في بارامترات أو مؤشرات البنوك.

يتم تقديم المؤشرات التالية:

* القيمة المالية؛

* أصول محصودة ؛

* الأصول السائلة.

* مطلوبات الطلب ؛

* ودائع السكان.

* معدل السيولة؛

* موارد الميزانية.

يمكنك توسيع بطاقة الأداء:

* حجم الاستثمارات في عصر الاقتصاد المزدهر.

* حجم الربح

* الترتيب السابق وأهمية الهجرة ؛

* استقطاعات لصندوق دعم العلم والتعليم ؛

* التخفيضات الضريبية؛

* الاشتراكات في صندوق المعاشات التقاعدية.

* استقطاعات لصندوق خيري وثقافي.

* المشاركة في برامج اليونسكو ، الخ.

يشير هذا الشكل البسيط من الوظيفة المنطقية عند المرور إلى عالم المتغيرات الحقيقية إلى كفاية شبكة عصبية أحادية الطبقة تحتوي على طبقة إدخال من المستقبلات وطبقة إخراج يتم تشكيل نتائج المراقبة عليها.

عند إنشاء طبقة الإدخال ، من الضروري مراعاة ليس فقط المؤشرات الحالية ، ولكن أيضًا ديناميكيات تغيير التصنيف خلال الفترات الزمنية الماضية. يجب ألا تعكس طبقة المخرجات التصنيف فحسب ، بل تعكس أيضًا نصائح الخبراء والقرارات والاستنتاجات الأخرى.

أبسط نوع من التدريب هو الملائم - بناء قاعدة معرفية تتوافق مع مفهوم إنشاء شبكة عصبية لمهمة ما: الإدخال المباشر للوصلات من قبل عامل - باحث يدويًا - من المستقبلات إلى الخلايا العصبية لطبقة المخرجات وفقًا للعلاقات السببية . وبالتالي ، تم إنشاء شبكة مدربة بالفعل.

ثم ستكون وظيفة النقل أيضًا أبسط وتستند إلى جمع قيم الإثارة عند إدخال الخلايا العصبية ، مضروبة في وزن الاتصال:

يعتبر تخصيص وزن الوصلات هكتار ، مقارنة بالتخصيص التقريبي لجميع الأوزان التي تساوي واحدًا ، أكثر ملاءمة فيما يتعلق بالرغبة المحتملة للمشغل أو الخبير في مراعاة تأثير المؤشرات المختلفة بدرجات متفاوتة.

تقطع العتبة h الاستنتاجات غير المقبولة بوضوح ، وتبسط المعالجة الإضافية (على سبيل المثال ، إيجاد المتوسط). معامل التخفيض إلى ترجع إلى الاعتبارات التالية.

يمكن أن تصل القيمة القصوى لـ V إلى n. من أجل أن تكون قيمة التصنيف في نطاق مقبول معين ، على سبيل المثال ، في ، يجب تحويل قيم الإثارة عن طريق وضع k = Yn.

تتيح الافتراضات المذكورة أعلاه إمكانية إجراء تغييرات وتوضيحات على الفور من قبل المشغل - الخبير - المستخدم ، وتطوير الشبكة من خلال إدخال عوامل جديدة مع مراعاة الخبرة. للقيام بذلك ، يحتاج المشغل فقط إلى تحديد المستقبل ، ثم الخلايا العصبية لطبقة الإخراج ، بالنقر بالماوس ، ويتم إنشاء الاتصال! يبقى فقط لتعيين وزن الاتصال الذي تم إدخاله من النطاق تقريبًا.

يجب وضع إشعار هام للغاية (HIA) هنا فيما يتعلق بمواد الكتاب بالكامل والمخصص للقارئ شديد اليقظة.

في وقت سابق ، عند التفكير في التدريب ، قمنا بتصنيف المواقف المرجعية الأولية بوضوح ، مع الأخذ في الاعتبار أن ثقة كل مكون تساوي واحدًا. عندما نتتبع بعد ذلك مسارات الإثارة الديناميكية ونضعها ، نضع أيضًا أوزان السندات لتكون مساوية لواحد (أو قيمة ثابتة قصوى). لكن يمكن للمدرس على الفور الحصول على درجة إضافية من الحرية ، مع مراعاة العوامل إلى المدى والأوزان التي يحددها! دعونا نفترض أن العوامل المختلفة تؤثر على النتيجة بدرجات متفاوتة ، وسوف نضع مثل هذا التأثير بقوة في مرحلة التدريب.

على سبيل المثال ، من المعروف أنه عشية الحرب ، يشتري السكان كميات هائلة من الصابون والكبريت والملح. ومن ثم ، مع ملاحظة هذا العامل ، يمكن للمرء أن يتنبأ بالبدء الوشيك للحرب.

عند إنشاء شبكة عصبية لتحليل الأحداث التاريخية أو الاجتماعية ، يجب تحديد مستقبل واحد أو أكثر ، حيث تتوافق الإثارة مع مستويات مختلفة من مشتريات الصابون والملح والمباريات في نفس الوقت. يجب أن ينتقل إثارة هذه المستقبلات ، ويؤثر (مع عوامل أخرى) على درجة إثارة الخلايا العصبية للطبقة الناتجة ، المقابلة لبيان الحرب قادمة!

ومع ذلك ، فإن الشراء المكثف للصابون والكبريت والملح شرط ضروري ولكنه ليس كافياً لاندلاع الحرب. قد يشير ، على سبيل المثال ، إلى انتعاش سريع للسياحة في منطقة سلسلة جبال القوقاز الرئيسية. لا تحتوي الكلمات حقًا على معنى المنطق الضبابي ، والذي يسمح بمراعاة عدم ثبات حدث ، وليس متغيرًا منطقيًا نعم - لا ، ولكن بعض الحالة الوسيطة وغير المحددة والمرجحة من النوع "تؤثر ، ولكن ليس بشكل مباشر ، أنه من الضروري ... ". لذلك ، يتم تعيين الاتصالات (كلها أو بعضها) المنبثقة من مستقبل (بيانات) معين مساوية لبعض القيمة المفترضة ، أقل من واحد ويتم تصحيحها لاحقًا ، مما يعكس تأثير إثارة المستقبل على الإخراج.

وبالتالي ، يتم حساب الشراء المتزامن للصابون والملح والمباريات مرتين: سيتم عرض مستوى الشراء في درجة إثارة المستقبلات المقابلة ، وطبيعة تأثير الشراء على الانسحاب.الحرب قادمة قريبًا! - استخدام أوزان الوصلات المشبكية.

توافق على أنه عند بناء شبكات ذات مستوى واحد ، فإن هذا النهج يقترح نفسه ويتم تنفيذه بكل بساطة.

هيكل شاشة المستقبل. الجزء الرئيسي منه عبارة عن نافذة تمرير ، حيث يمكنك عرض حالة طبقة المستقبل وتعيينها ، والتي لا يمكن وضعها في شاشة ثابتة بلا شك.

تعرض نافذة التمرير المؤشرات وقيمها المقدرة في نطاق المستقبلات المقابلة. هذه قيم احتمالية تعتمد على الموثوقية والحدس وحكم الخبراء. تفترض التقديرات تغطية مستقبلات متعددة. على سبيل المثال ، تقدير أن رأس المال السهمي هو إما 24 أو 34 أو 42 ألفًا. أي ، ولكن بالأحرى كل نفس 24 ، يمكن أن يؤدي إلى تقدير تقريبي للقيم المحددة للإثارة من 0.6،0.2 و 0.2 مستقبلات المقابلة للنطاقات (20-25] ، (30 - 35] ، (40 - 45]. تعرض الشاشة قيمًا ثابتة ، مثل التصنيف كنتيجة للقياسات السابقة ، والمؤشرات الانتقائية التي تم العثور عليها مسبقًا ، بالإضافة إلى مؤشرات الظروف السياسية والاجتماعية والاقتصادية. (قد لا تزال وفرتها وتطورها بحاجة إلى التمرير).

يجب أن تعرض أيضًا عناصر التحكم في التمرير وقائمة الإجراءات الرئيسية:

* الانتقال إلى شاشة طبقة الإخراج ؛

* المعالجة الإحصائية للنتائج (بافتراض الانتقال إلى شاشة الإخراج) ؛

* إدخال اتصال جديد ؛

* إدخال مستقبلات جديدة ؛

* إدخال خلية عصبية جديدة لطبقة الإخراج (بافتراض تبديل الشاشة) ؛

* إدخال مؤشر جديد ، إلخ.

هيكل شاشة طبقة الإخراج. تعرض شاشة طبقة الإخراج (الشكل 8.3) نظامًا من المستطيلات متحدة المركز (المتداخلة) أو الأشكال المسطحة الأخرى التي تمثل انتشارًا تنازليًا للتصنيف. في وسط الشاشة ، تحدد النقاط الساطعة أكثر البنوك نجاحًا أو الصور المثالية المفترضة. يرتبط كل عنصر من عناصر الشاشة ارتباطًا صارمًا بخلايا عصبية لطبقة الإخراج. نتيجة للمراقبة ، يمكن أن تكون العصبون المتوافق مع المعيار متحمسًا إلى أقصى حد ، ومع ذلك ، على الأرجح ، سيتم عرض نقطة شاشة لا تتوافق مع أي معيار ، وهو متوسط ​​أو متوسط.

أرز. - 8.3. شاشة طبقة الإخراج

مما لا شك فيه ، يجب توفير قائمة لتشغيل تقييم متوسط ​​التصنيف ، وإظهار فئة النجاح ، وإصدار إشارات التحذير ، ونصوص الاستنتاجات ، واستراتيجيات التطوير الموصى بها ، وحفظ البيانات لمزيد من التطوير ، وما إلى ذلك.

تدريب الشبكة العصبية. لتدريب شبكة عصبية بناءً على تقييمات الخبراء ، من الضروري تعيين نطاقات من المعلمات المقبولة التي تسمح للبنك بأن يُعتبر ناجحًا بشكل مثالي مع الحد الأقصى من التصنيف. يمكن الحصول على العديد من الممثلين المثاليين من خلال تحديد عدة نقاط ، والتي تلبي إحداثياتها (مجموعات قيم المعلمات) قيم التصنيف المقبولة للبنوك المعروفة أو المفترضة (مع مراعاة الخيارات الممكنة). الخلايا العصبية المقابلة ، أي يتم تحديد عناصر الشاشة الخاصة بطبقة الإخراج بشكل عشوائي ، وتنتشر فوق منطقة الشاشة. من المستحسن أن تكون المعايير ذات التصنيف الأعلى أقرب إلى المركز.

بعد ذلك ، انتقل إلى ملء مماثل لمستطيل التضمين ، بناءً على فئة التصنيف التالية ، إلخ. للبنوك الخارجية.

للقيام بهذا العمل ، يشكل الخبراء جدولًا مبدئيًا (الجدول 1).

تتوافق الخلايا العصبية التي تعرض البنوك على الشاشة مع حجم الإثارة - التصنيفات.

تقنية المراقبة. النظام المدرب ، الذي يأتي تحت تصرف المستخدم بعد خبرة مؤهلة تأهيلا عاليا من الاقتصاديين والسياسيين ، جاهز للاستخدام في إطار CASE-technology CASE - هندسة البرمجيات بمساعدة الكمبيوتر.

الجدول 1 - تقديرات الخبراء لتدريب شبكة عصبية

في هذه الحالة ، يمارس المستخدم حقه في تدريب إضافي وتوضيح (على سبيل المثال ، أوزان الوصلات ، لتعزيز أو إضعاف تأثير بعض المؤشرات بناءً على خبرته الخاصة) ، وإدخال مؤشرات إضافية للتجربة على مسؤوليته الخاصة ، إلخ.

لنفترض أن المستخدم يحقق في الموقف حول بنك الاستثمار هناك والعودة. بطبيعة الحال ، ليس لديه أي معلومات مرضية حول مدى ملاءمة استثماراته الخاصة ، وبالتالي يبدأ مجموعة دقيقة من البيانات ، ونتيجة لذلك يتلقى خصائص تقريبية ومحتملة ومتناقضة للنمذجة.

بمساعدة شاشة المستقبلات ، يحدد المستخدم قيم الإثارة بناءً على بيانات موثوقة تمامًا ، ولكن في بعض الأحيان مع الأخذ في الاعتبار الخيارات إما - أو (مستقبلات مختلفة مثيرة جزئيًا) ، أحيانًا لمجرد نزوة ، وأحيانًا تخطي المؤشرات. المؤشرات مثل الترتيب في الماضي والهجرة ليست معروفة بعد ، ولكن من المتوقع أن يتم استخدام النتيجة في المستقبل.

بعد إدخال البيانات على شاشة طبقة الإخراج ، فإن النقطة المضيئة بالقرب من المنطقة الخارجية تشهد ببلاغة على حماية القانون المدني لاختيار غير عنيف لقرار بشأن استصواب استثمار رأس المال المتراكم بشكل صحيح.

يتم تحديد إحداثيات هذه النقطة على الشاشة من خلال الصيغة المعروفة لإيجاد المتوسط ​​من خلال إحداثيات الخلايا العصبية المنبعثة من تلك البنوك التي يكون البنك المتحكم فيه قريبًا ، وبحجم الإثارة. ولكن وفقًا للصيغ نفسها ، بناءً على تصنيفات البنوك المميزة ، تم العثور على تصنيف البنك قيد الدراسة!

يمكن للمستخدم أن يقرر استكمال قاعدة المعرفة ، وبالتالي الشبكة العصبية بمعلومات حول البنك الجديد ، وهو أمر يُنصح به إذا كانت مشورة الخبراء قد انتقدت النتيجة الناتجة بشكل كبير وبالتالي تشير إلى خطأ في الشبكة العصبية. تحتاج فقط إلى استخدام الخيار. إضافة ، ونتيجة لذلك بدأ حوار بين الكمبيوتر والمستخدم:

- تريد تغيير التصنيف - نعم.

- قيمة التصنيف الجديد - ...

- يحفظ!

ثم يتم تعيين العصبون الخاص بطبقة المخرجات مع الإحداثيات الموجودة إلى البنك الجديد. تتشكل صلاته مع تلك المستقبلات ، التي أُثيرت عند إدخال معلومات عن البنك. يُفترض أن يكون وزن كل اتصال مساويًا لقيمة إثارة مستقبلات الخلايا العصبية المقابلة التي أدخلها المستخدم. الآن تم استكمال قاعدة المعرفة بنفس طريقة قائمة حوامل بطاريات المدفعية المستهدفة بعد إصابة هدف آخر.

ومع ذلك ، قد يتطلب تغيير التصنيف الإجباري الكبير نقل النقطة المميزة إلى منطقة البنوك بمستوى التصنيف المقابل ، أي من الضروري تعيين خلية عصبية أخرى من طبقة الإخراج لهذا البنك ، في منطقة أخرى من الشاشة. يتم تثبيته أيضًا كنتيجة للحوار بين الكمبيوتر والمستخدم.

التصحيح والتطوير. أعلاه ، لقد ذكرنا بالفعل الحاجة وإمكانية التحسين والتطوير المستمر للشبكة العصبية. يمكنك تغيير فكرة النهوض بالبنك المرجعي (حقيقي أو مثالي) واستكمال قاعدة المعرفة ، أي هذه الشبكة العصبية. يمكنك ضبط أوزان الارتباط كمقياس لتأثير المؤشرات الفردية على نتيجة المخرجات.

يمكنك إدخال مؤشرات جديدة بأوزانها ، والنظر في حلول جديدة وتحديد درجة تأثير نفس المؤشرات أو المؤشرات الجديدة عليها. من الممكن تكييف الشبكة العصبية لحل المشكلات ذات الصلة ، مع مراعاة تأثير المؤشرات الفردية على هجرة البنوك (الانتقال من مستوى تصنيف إلى آخر) ، إلخ.

أخيرًا ، من خلال شراء منتج البرنامج هذا بواجهة سهلة الاستخدام وخدمة ممتازة ، مع مجموعة مطورة من الوظائف لتحويل شبكة عصبية ، يمكنك إعادة إنشائه لمهمة مختلفة تمامًا ، على سبيل المثال ، لعبة الروليت للسكك الحديدية المثيرة ، والتي نقوم بها تنوي التركيز على أدناه.

في الختام ، نلاحظ أنه في الاقتصاد والأعمال ، وكذلك في إدارة الأشياء المعقدة ، تسود أنظمة اتخاذ القرار ، حيث يتم تشكيل كل موقف على أساس عدد ثابت من العوامل. يتم تمثيل كل عامل بواسطة متغير أو قيمة من مجموعة شاملة ، أي يتم تمثيل كل حالة من خلال اقتران ، حيث يتم بالضرورة تضمين العبارات حول جميع العوامل التي تتكون من خلالها الشبكة العصبية. بعد ذلك ، تحتوي جميع أدوات العطف (المواقف) على نفس عدد العبارات. إذا أدت حالتان مختلفتان في هذه الحالة إلى قرارات مختلفة ، فإن الشبكة العصبية المقابلة مثالية. تكمن جاذبية هذه الشبكات العصبية في قابليتها للاختزال إلى شبكات أحادية الطبقة. إذا قمنا بضرب الحلول (انظر القسم 5.2) ، فإننا نحصل على شبكة عصبية مثالية (بدون ملاحظات).

يمكن اختزال مهمة هذا القسم إلى إنشاء قسم فرعي لشبكة عصبية مثالية. 6.2 ، وكذلك ، على سبيل المثال ، مهمة تقييم مخاطر البلد ، إلخ.

استنتاج

يتيح توزيع قيم الإثارة للخلايا العصبية في طبقة الإخراج ، وغالبًا ما تكون الخلايا العصبية ذات قيمة الإثارة القصوى ، إمكانية إنشاء تطابق بين المجموعة وقيم الإثارة على طبقة الإدخال (الصورة) على شبكية العين) ورد الرد (ما هو). وبالتالي ، فإن هذا الاعتماد يحدد إمكانية الاستنتاج المنطقي للنموذج "إذا - إذن" ، أي أنها تعمل على ربط وحفظ العلاقات "فرضية - تأثير". يسمح اتصال البنى التحتية للشبكة العصبية للمرء بالحصول على سلاسل منطقية "طويلة" تقوم على مثل هذه العلاقات.

ويترتب على ذلك أن الشبكة تعمل في وضعين: في وضع التعلم وفي وضع التعرف (وضع التشغيل).

في وضع التدريب ، يتم تشكيل السلاسل المنطقية.

في وضع التعرف ، تحدد الشبكة العصبية ، بناءً على الصورة المقدمة ، بموثوقية عالية النوع الذي تنتمي إليه ، والإجراءات التي يجب اتخاذها ، وما إلى ذلك.

يُعتقد أن هناك ما يصل إلى 100 مليار خلية عصبية في دماغ الإنسان. لكننا الآن لسنا مهتمين بكيفية عمل الخلايا العصبية ، حيث يوجد ما يصل إلى 240 تفاعلًا كيميائيًا. نحن مهتمون بكيفية عمل الخلايا العصبية على المستوى المنطقي ، وكيف تؤدي وظائف منطقية. يجب أن يصبح تنفيذ هذه الوظائف فقط أساس ووسائل الذكاء الاصطناعي. من خلال تجسيد هذه الوظائف المنطقية ، نحن على استعداد لانتهاك القوانين الأساسية للفيزياء ، على سبيل المثال ، قانون الحفاظ على الطاقة. بعد كل شيء ، نحن لا نعتمد على النمذجة المادية ، ولكن على كمبيوتر عالمي يمكن الوصول إليه.

لذلك ، نركز على الاستخدام "(المباشر" للشبكات العصبية في مهام الذكاء الاصطناعي. ومع ذلك ، فإن تطبيقها يمتد إلى حل المهام الأخرى. وظيفة النقل (ما يسمى باتصالات sigmoil القائمة على مشاركة الأس في تكوين غالبًا ما يتم استخدام وظيفة النقل) ، وأوزان مختارة خصيصًا ومحدثة ديناميكيًا. في هذه الحالة ، يتم استخدام خصائص تقارب قيم إثارة الخلايا العصبية والتحسين الذاتي. عندما يتم توفير متجه الإدخال للإثارة بعد عدد معين من دورات الساعة للشبكة العصبية ، فإن قيم الإثارة للخلايا العصبية لطبقة المخرجات (في بعض النماذج ، تكون جميع الخلايا العصبية في طبقة الإدخال عبارة عن خلايا عصبية لطبقة المخرجات والبعض الآخر لا) تتلاقى مع قيم معينة. يمكن أن تشير ، على سبيل المثال ، إلى أي مرجع أكثر شبهاً بكلمة "صاخبة". صورة إدخال غير صالحة ، أو شيء من هذا القبيل. كيفية إيجاد حل لمشكلة. على سبيل المثال ، شبكة هوبفيلد الشهيرة. على الرغم من القيود ، يمكن أن تحل مشكلة البائع المتجول - مشكلة التعقيد الأسي. تنفذ شبكة هامينج الذاكرة الترابطية بنجاح. شبكات Kohonen (خرائط Kohonen) ، تمت الإضافة 06/27/2011

مهمة تحليل النشاط التجاري والعوامل المؤثرة في اتخاذ القرار. تقنيات المعلومات الحديثة والشبكات العصبية: مبادئ عملها. التحقيق في استخدام الشبكات العصبية في مهام التنبؤ بالأوضاع المالية واتخاذ القرارات.

تمت إضافة أطروحة 11/06/2011

وصف العملية التكنولوجية لتعبئة الورق. تصميم آلة الورق. تبرير استخدام الشبكات العصبية في التحكم في تكوين شبكة ورقية. نموذج رياضي للخلايا العصبية. نمذجة بنيتين من الشبكات العصبية.

ورقة مصطلح ، تمت إضافة 10/15/2012

طرق استخدام تقنيات الشبكة العصبية في أنظمة كشف التسلل. أنظمة خبيرة لاكتشاف هجمات الشبكة. الشبكات الاصطناعية والخوارزميات الجينية. مزايا وعيوب أنظمة كشف التسلل القائمة على الشبكات العصبية.

الاختبار ، تمت إضافة 2015/11/30

مفهوم الذكاء الاصطناعي كخاصية للأنظمة الآلية لتولي الوظائف الفردية للذكاء البشري. أنظمة خبيرة في مجال الطب. مناهج مختلفة لبناء أنظمة ذكاء اصطناعي. إنشاء الشبكات العصبية.

تمت إضافة العرض بتاريخ 28/05/2015

دراسة مشكلة وآفاق استخدام الشبكات العصبية على وظائف الأساس الشعاعي للتنبؤ بالمؤشرات الاقتصادية الرئيسية: الناتج المحلي الإجمالي ، والدخل القومي لأوكرانيا ، ومؤشر أسعار المستهلك. تقييم النتائج.

ورقة مصطلح ، تمت إضافة 12/14/2014

مفهوم وخصائص الشبكات العصبية الاصطناعية ، تشابهها الوظيفي مع الدماغ البشري ، مبدأ عملها ، مجالات استخدامها. نظام خبير وموثوقية الشبكات العصبية. نموذج من الخلايا العصبية الاصطناعية مع وظيفة التنشيط.

الملخص ، تمت الإضافة في 03/16/2011

جوهر ووظائف الشبكات العصبية الاصطناعية وتصنيفها. العناصر الهيكلية للخلايا العصبية الاصطناعية. الاختلافات بين آلات العمارة ANN و von Neumann. بناء وتدريب هذه الشبكات والمناطق والآفاق لتطبيقها.

تمت إضافة العرض بتاريخ 14/10/2013 م

استخدام الحاسبات العصبية في السوق المالية الروسية. التنبؤ بالسلاسل الزمنية على أساس طرق معالجة الشبكة العصبية. تحديد معدلات السندات وأسهم الشركات. تطبيق الشبكات العصبية على مشاكل تحليل نشاط التبادل.

ورقة مصطلح ، تمت الإضافة في 05/28/2009

تاريخ الخلق والاتجاهات الرئيسية في نمذجة الذكاء الاصطناعي. مشاكل التعلم للإدراك البصري والتعرف. تطوير عناصر ذكاء الروبوتات. البحث في مجال الشبكات العصبية. مبدأ ملاحظات وينر.

UDC 004.38.032.26

O. V. KONYUKHOVA، K. S. LAPOCHKINA

O. V. KONUKHOVA، K. S. LAPOCHKINA

تطبيق الشبكات العصبية في الاقتصاد وأهمية استخدامها في إنشاء توقعات الميزانية قصيرة الأجل

تطبيق الشبكات العصبية في الاقتصاد وضرورة استخدامها من خلال رسم توقعات قصيرة الأجل للميزانية

توضح هذه المقالة تطبيق الشبكات العصبية في الاقتصاد. يتم النظر في عملية التنبؤ بميزانية الاتحاد الروسي وأهمية استخدام الشبكات العصبية لإعداد ميزانية قصيرة الأجل.

الكلمات المفتاحية: الاقتصاد ، ميزانية الاتحاد الروسي ، التنبؤ بالميزانية ، الشبكات العصبية ، الخوارزميات الجينية.

في هذه المقالة وصف تطبيق الشبكات العصبية في الاقتصاد. يتم النظر في عملية التنبؤ بميزانية الاتحاد الروسي وإلحاح تطبيق الشبكات العصبية لإعداد الميزانية قصيرة الأجل.

الكلمات المفتاحية: الاقتصاد ، ميزانية الاتحاد الروسي ، التنبؤ بالميزانية ، الشبكات العصبية ، الخوارزميات الجينية.

4) التجميع التلقائي للكائنات.

تعود إحدى المحاولات المثيرة للاهتمام لإنشاء آلية للإدارة العقلانية للاقتصاد المتدهور إلى عالم الفضاء الإلكتروني الإنجليزي ستافورد بير. اقترح مبادئ التحكم ، التي أصبحت معروفة على نطاق واسع ، بناءً على آليات الفسيولوجيا العصبية. واعتبر نماذج أنظمة الإنتاج علاقة معقدة للغاية بين المدخلات (تدفقات الموارد) والعناصر الداخلية وغير المرئية والمخرجات (النتائج). كانت مدخلات النماذج عبارة عن مؤشرات عامة إلى حد ما ، يعكس أهمها على الفور ناتج إنتاج معين ، والحاجة إلى الموارد والإنتاجية. تم وضع الحلول المقترحة للتشغيل الفعال لهذه الأنظمة بعد العثور على جميع الخيارات الممكنة في هذه الحالة ومناقشتها. وقد تم اتخاذ القرار الأفضل بأغلبية أصوات المديرين والخبراء المشاركين في المناقشة. لهذا الغرض ، تم تزويد النظام بغرفة ظرفية ، ومجهزة بالوسائل التقنية المناسبة. تبين أن النهج الذي اقترحه S. Beer لإنشاء نظام إدارة فعال لإدارة ليس فقط الجمعيات الصناعية الكبيرة ، مثل شركة الصلب ، ولكن أيضًا الاقتصاد التشيلي في السبعينيات.

تم استخدام مبادئ مماثلة في طريقة المحاسبة الجماعية للحجج (MGHA) من قبل عالم الإنترنت الأوكراني لنمذجة اقتصاد إنجلترا المزدهرة. جنبا إلى جنب مع الاقتصاديين (باركس وآخرون) ، الذين اقترحوا أكثر من مائتي متغير مستقل تؤثر على الدخل الإجمالي ، حدد عدة عوامل رئيسية (خمسة إلى ستة) تحدد قيمة متغير المخرجات بدرجة عالية من الدقة. على أساس هذه النماذج ، تم تطوير خيارات مختلفة للتأثير على الاقتصاد من أجل زيادة النمو الاقتصادي بمعدلات مختلفة من المدخرات ومعدلات التضخم والبطالة.

تعتمد الطريقة المقترحة للنظر الجماعي في الحجج على مبدأ التنظيم الذاتي لنماذج معقدة ، ولا سيما الأنظمة الاقتصادية ، وتسمح للفرد بتحديد التبعيات المعقدة المخفية في البيانات التي لا يتم اكتشافها بواسطة الأساليب الإحصائية القياسية. تم استخدام هذه الطريقة بنجاح من قبل A. And Ivakhnenko لتقييم حالة الاقتصاد والتنبؤ بتطوره في دول مثل الولايات المتحدة وبريطانيا العظمى وبلغاريا وألمانيا. استخدم عددًا كبيرًا من المتغيرات المستقلة (من خمسين إلى مائتين) التي تصف حالة الاقتصاد وتؤثر على الدخل الإجمالي في البلدان المدروسة. بناءً على تحليل هذه المتغيرات باستخدام طريقة المحاسبة الجماعية للحجج ، تم تحديد العوامل الرئيسية المهمة والتي ، بدرجة عالية من الدقة ، تحدد قيمة متغير المخرجات (الدخل الإجمالي).

كان للبحث في هذا الاتجاه تأثير محفز على تطوير طرق الشبكة العصبية ، والتي تم استخدامها بشكل مكثف في السنوات الأخيرة بسبب قدرتها على استخراج الخبرة والمعرفة من تسلسل سري صغير. بعد التدريب على مثل هذه التسلسلات ، تكون الشبكات العصبية قادرة على حل المشكلات المعقدة غير الرسمية بنفس الطريقة التي يقوم بها الخبراء على أساس معرفتهم وحدسهم. وتكتسب هذه المزايا أهمية خاصة في ظل ظروف الاقتصاد الانتقالي ، الذي يتميز بمعدلات تنمية غير متكافئة ، ومعدلات تضخم مختلفة ، وقصر المدة ، فضلاً عن معرفة غير كاملة ومتناقضة بالظواهر الاقتصادية الجارية.

من المعروف على نطاق واسع أنه طبق بنجاح مبادئ التنظيم الذاتي لنماذج النظم الاقتصادية المعقدة لبناء شبكة عصبية في حل مشاكل تحليل ونمذجة التنمية الاقتصادية في موردوفيا ومنطقة بينزا.

من الأمثلة النموذجية للتطبيق الناجح للحوسبة العصبية في القطاع المالي إدارة مخاطر الائتمان. كما تعلم ، قبل إصدار القرض ، تقوم البنوك بإجراء حسابات إحصائية معقدة حول الموثوقية المالية للمقترض من أجل تقييم احتمالية تكبد خسائرهم من عودة الأموال في وقت مبكر. عادة ما تستند هذه الحسابات إلى تقييم التاريخ الائتماني وديناميكيات تطور الشركة واستقرار مؤشراتها المالية الرئيسية والعديد من العوامل الأخرى. اختبر أحد البنوك الأمريكية المعروفة طريقة الحساب العصبي وتوصل إلى استنتاج مفاده أن نفس المشكلة يتم حلها بشكل أسرع وأكثر دقة باستخدام حسابات من هذا النوع تم إجراؤها بالفعل. على سبيل المثال ، في إحدى حالات تقييم 100 ألف حساب مصرفي ، حدد نظام جديد قائم على الحسابات العصبية أكثر من 90٪ من المتعثرين المحتملين.

مجال آخر مهم جدًا لتطبيق الحوسبة العصبية في المجال المالي هو توقع الوضع في سوق الأوراق المالية. يعتمد النهج المعياري لهذه المشكلة على مجموعة ثابتة من "قواعد اللعبة" ، والتي تفقد فعاليتها في النهاية بسبب التغيرات في ظروف التداول في البورصة. بالإضافة إلى ذلك ، تبين أن الأنظمة المبنية على أساس هذا النهج بطيئة للغاية بالنسبة للمواقف التي تتطلب اتخاذ قرارات فورية. هذا هو السبب في أن الشركات اليابانية الرئيسية العاملة في سوق الأوراق المالية قررت تطبيق طريقة الحساب العصبي. في نظام نموذجي يعتمد على شبكة عصبية ، تم إدخال المعلومات بحجم إجمالي يبلغ 33 عامًا من النشاط التجاري للعديد من المؤسسات ، بما في ذلك معدل الدوران ، وسعر السهم السابق ، ومستويات الدخل ، وما إلى ذلك مقارنة بالنهج الإحصائي الذي أعطى تحسنًا في الأداء في عام بنسبة 19٪.

واحدة من أكثر تقنيات الحوسبة العصبية تقدمًا هي الخوارزميات الجينية التي تحاكي تطور الكائنات الحية. لذلك ، يمكن استخدامها كمحسِّن لمعلمات الشبكة العصبية. تم تطوير نظام مماثل للتنبؤ بأداء عقود الأوراق المالية طويلة الأجل عالية الأمان وتثبيته على محطة عمل Sun في Hill Samuel Investment Management. عند محاكاة العديد من استراتيجيات التداول ، حققت دقة قدرها 57٪ في توقع اتجاه حركة السوق. تستخدم شركة التأمين TSB General Insurance في نيوبورت منهجية مماثلة للتنبؤ بمستوى المخاطر في تأمين القروض الخاصة. هذه الشبكة العصبية هي عبارة عن تعلم ذاتي يعتمد على بيانات إحصائية عن حالة البطالة في الدولة.

على الرغم من حقيقة أن السوق المالية في روسيا لم تستقر بعد ، ووفقًا لوجهة نظر رياضية ، فإن نموذجها يتغير ، والذي يرتبط ، من ناحية ، بتوقع انهيار تدريجي لسوق الأوراق المالية و زيادة حصة سوق الأوراق المالية المرتبطة بتدفق الاستثمارات ، المحلية والأجنبية على حد سواء ، ومن ناحية أخرى - مع عدم استقرار المسار السياسي ، يمكن للمرء مع ذلك أن يلاحظ ظهور الشركات التي تحتاج إلى استخدام أساليب إحصائية مختلفة من المنتجات التقليدية ، بالإضافة إلى ظهور في السوق لمنتجات البرمجيات وأجهزة الكمبيوتر للحزم العصبية لمحاكاة الشبكات العصبية على أجهزة الكمبيوتر من سلسلة IBM وحتى اللوحات العصبية المتخصصة القائمة على رقاقات عصبية مصممة خصيصًا.

على وجه الخصوص ، أحد أوائل الحواسيب العصبية القوية للاستخدام المالي ، CNAPS PC / 128 ، استنادًا إلى 4 أنظمة NeuroBIS من Alaptive Solutions ، يعمل بالفعل بنجاح في روسيا. وفقًا لشركة Tora-Center ، فإن عدد المنظمات التي تستخدم الشبكات العصبية لحل مشاكلها قد شمل بالفعل البنك المركزي ووزارة حالات الطوارئ ومفتشية الضرائب وأكثر من 30 مصرفاً وأكثر من 60 شركة مالية. قامت بعض هذه المنظمات بالفعل بنشر نتائج أنشطتها في مجال استخدام الحوسبة العصبية.

مما سبق ، يترتب على ذلك في الوقت الحاضر ، استخدام الشبكات العصبية في التنبؤ بميزانية قصيرة الأجل هو موضوع ملح للبحث.

في الختام ، تجدر الإشارة إلى أن استخدام الشبكات العصبية في جميع مجالات النشاط البشري ، بما في ذلك مجال التطبيقات المالية ، آخذ في الازدياد ، جزئيًا بسبب الضرورة وبسبب الفرص الواسعة للبعض ، بسبب مكانة الآخرين. وبسبب تطبيقات مثيرة للاهتمام لأطراف ثالثة.

فهرس

1. القانون الاتحادي للاتحاد الروسي الصادر في 01.01.2001 (بصيغته المعدلة في 01.01.2001) "بشأن التنبؤات الحكومية وبرامج التنمية الاجتماعية والاقتصادية للاتحاد الروسي" [نص]

2. Beer S. عقل الشركة [نص] / S. Beer. - م: الراديو والاتصالات ، 1993. - 524 ص.

3. جالوشكين ، الحواسيب العصبية في الأنشطة المالية [نص] /. - نوفوسيبيرسك: نوكا ، 2002 - 215 ص.

4. ، نماذج مولر التنبؤية [نص] / ، - كييف: تكنيكس ، 1985. - 225 صفحة.

5. Kleshchinsky ، طرق التنبؤ في عملية الميزانية [نص] / // مجلة تمويل الشركات الإلكترونية ، 2011. - 3 (19) - ص 71 - 78.

6. Rutkovskaya M. ، Plinsky L. الشبكات العصبية والخوارزميات الجينية والأنظمة الضبابية: Per. من البولندية [نص] / م. روتكوفسكايا ، ل. بلينسكي -: الخط الساخن - الاتصالات ، 20 ثانية.

7. ، حلول Kostyunin على الشبكات العصبية ذات التعقيد الأمثل [نص] / ، // الأتمتة والتقنيات الحديثة ، 1998. - رقم 4. - ص 38-43.

المؤسسة التعليمية الفيدرالية الحكومية للتعليم المهني العالي "جامعة الولاية - مجمع تعليمي وعلمي وصناعي" ، أوريل

مرشح العلوم التقنية ، أستاذ مشارك ، أستاذ مشارك بقسم "نظم المعلومات"

البريد الإلكتروني: ***** @ *** ru

لابوشكين كريستينا سيرجيفنا

المؤسسة التعليمية الفيدرالية الحكومية للتعليم المهني العالي "جامعة الولاية - مجمع تعليمي وعلمي وصناعي" ، أوريل

طالب المجموعة 11-بي (م)

تنفذ الشبكات العصبية الضبابية الاستدلالات بناءً على جهاز المنطق الضبابي ، ومع ذلك ، يتم تعديل معلمات وظائف العضوية باستخدام خوارزميات التعلم للشبكات العصبية (NN). لذلك ، لتحديد معلمات هذه الشبكات ، سنطبق طريقة الانتشار العكسي للخطأ المقترحة أصلاً لتدريب منظور متعدد الطبقات. لهذا ، يتم تقديم وحدة التحكم الضبابي في شكل شبكة متعددة الطبقات. تتكون الشبكة العصبية الغامضة ، كقاعدة عامة ، من أربع طبقات: طبقة التدريج لمتغيرات الإدخال ، وطبقة لتجميع قيم تنشيط الشرط ، وطبقة تجميع للقواعد الضبابية ، وطبقة إخراج. الأكثر انتشارًا في الوقت الحاضر هي أبنية الشبكة العصبية الضبابية مثل ANFIS و TSK. ثبت أن هذه الشبكات هي مقاربات عالمية. خوارزميات التعلم السريع وقابلية تفسير المعرفة المتراكمة - جعلت هذه العوامل الشبكات العصبية الضبابية واحدة من أدوات الحوسبة اللينة الواعدة والفعالة اليوم.

الشبكات العصبية في الاقتصاد

مجال الذكاء الاصطناعي الذي وجد الاستخدام الأكثر انتشارًا هو الشبكات العصبية. ميزتهم الرئيسية هي القدرة على الدراسة الذاتية باستخدام أمثلة محددة. يُفضل استخدام الشبكات العصبية حيث يوجد الكثير من بيانات الإدخال التي يتم إخفاء الأنماط فيها. يُنصح باستخدام طرق الشبكة العصبية في المشكلات المتعلقة بالمعلومات غير الكاملة أو "الصاخبة" ، وكذلك في المشكلات التي يمكن إيجاد الحل فيها بشكل حدسي. تُستخدم الشبكات العصبية للتنبؤ بالأسواق ، وتحسين تدفقات السلع والنقد ، وتحليل وتلخيص استطلاعات الرأي ، والتنبؤ بديناميات التصنيفات السياسية ، وتحسين عملية الإنتاج ، والتشخيص الشامل لجودة المنتج ، وأكثر من ذلك بكثير. يتم استخدام الشبكات العصبية بشكل متزايد في تطبيقات الأعمال الحقيقية. في بعض المجالات ، مثل الكشف عن الاحتيال وتقييم المخاطر ، أصبحوا قادة بلا منازع من بين الأساليب المستخدمة. يتزايد استخدامها في أنظمة التنبؤ وأنظمة أبحاث التسويق باستمرار. نظرًا لأن الأنظمة الاقتصادية والمالية والاجتماعية معقدة للغاية وهي نتيجة أفعال وإجراءات مضادة لأشخاص مختلفين ، فمن الصعب جدًا (إن لم يكن من المستحيل) إنشاء نموذج رياضي كامل ، مع مراعاة جميع الإجراءات والإجراءات المضادة الممكنة. يكاد يكون من المستحيل تقريب نموذج يعتمد على المعلمات التقليدية مثل تعظيم المنفعة أو تعظيم الربح بالتفصيل. في أنظمة مثل هذا التعقيد ، من الطبيعي والأكثر فاعلية استخدام النماذج التي تحاكي سلوك المجتمع والاقتصاد بشكل مباشر. وهذا بالضبط ما تستطيع منهجية الشبكة العصبية تقديمه.

فيما يلي المجالات التي تم فيها إثبات فعالية استخدام الشبكات العصبية في الممارسة:

للمعاملات المالية:

• · توقع سلوك العميل.
• · التنبؤ وتقييم المخاطر للصفقة القادمة.
• · توقع أنشطة احتيالية محتملة.
• · التنبؤ بأرصدة الأموال على حسابات البنوك المراسلة.
• · التنبؤ بحركة النقد وأحجام الأصول المتداولة.
• · التنبؤ بالمعايير الاقتصادية ومؤشرات الأسهم.

لتخطيط عمل المؤسسة:

• · التنبؤ بحجم المبيعات.
• · التنبؤ باستغلال الطاقات الإنتاجية.
• · توقع الطلب على المنتجات الجديدة.

لمحللي الأعمال ودعم القرار:

• · تحديد الاتجاهات والارتباطات والأنماط والاستثناءات في كميات كبيرة من البيانات.
• · تحليل عمل فروع الشركة.
• · تحليل مقارن للشركات المتنافسة.

تطبيقات أخرى:

• · تقدير قيمة العقار.
• · مراقبة جودة المنتجات.
• · أنظمة المراقبة لحالة المعدات.
• · تصميم وتحسين شبكات الاتصالات وشبكات الإمداد بالطاقة.
• · التنبؤ باستهلاك الطاقة.
• · التعرف على الحروف المكتوبة بخط اليد ، بما في ذلك. التعرف التلقائي والمصادقة على التوقيع.
• · التعرف على إشارات الفيديو والصوت ومعالجتها.

يمكن استخدام الشبكات العصبية في مهام أخرى أيضًا. الشروط الرئيسية المحددة مسبقًا لاستخدامها هي وجود "البيانات التاريخية" ، والتي يمكن للشبكة العصبية أن تتعلمها ، فضلاً عن استحالة أو عدم كفاءة استخدام طرق أخرى أكثر رسمية. قدم مجلس الخبراء المستقل للتحليل الاستراتيجي لقضايا السياسة الخارجية والمحلية في المجلس الاتحادي لمعهد أبحاث الذكاء الاصطناعي مشروع "تكنولوجيا الجيل الجديد القائمة على الحسابات غير المحددة واستخدامها لتطوير نموذج تجريبي للاقتصاد الكلي في روسيا الاتحاد ". أصبح من الممكن حساب نتيجة أي إجراء أو اقتراح يتعلق بميزانية الدولة لسنوات عديدة قادمة. يسمح لك النظام بمعرفة كيف سيتغير جانب الإيرادات وعجز الميزانية وحجم الإنتاج الصناعي استجابة للزيادة في الضرائب على سبيل المثال. يمكنك أيضًا معرفة مقدار الأموال المتبقية في الميزانية العام الماضي: يمكن لآلة إلكترونية ، وفقًا للعلماء ، التعامل بسهولة مع مثل هذه المهمة. لن تحتاج حتى إلى شرح مفهوم "النقد الأسود". يمكن أيضًا حل المشكلة العكسية. على سبيل المثال ، ما الذي يجب فعله حتى يزداد حجم الإنتاج بحلول عام 2020 ، أو على الأقل لن ينخفض؟ سيشير الجهاز إلى الحد الأدنى والأعلى للقيم في كلتا الحالتين لأموال الميزانية الصادرة في جميع المعلمات التي تؤثر بطريقة ما على الإنتاج. بالإضافة إلى ذلك ، يمكن للمرء أن يكتشف ، ليس من خلال برجك وبدون مساعدة السحرة ، تسلسلًا محتملاً للحظات "الحرجة" و "الناجحة" في تطور اقتصاد الدولة مع وجود بيانات أولية معينة. قام مطورو المشروع حتى الآن بإنشاء نموذج تجريبي يغطي حوالي 300 معلمة والفترة من 1990 إلى 1999. لكن للتشغيل العادي ، فأنت بحاجة إلى 1000 معلمة على الأقل. ويمكن القيام بهذا العمل إذا تم تخصيص الأموال له. من الضروري القيام بالكثير من العمل التطبيقي ، وهناك حاجة إلى البحث الأساسي في كل من المكونات الرئيسية للمشروع - الرياضية والاقتصادية. هناك حاجة إلى الدعم المادي الجاد للدولة هنا. سيؤدي إدخال نموذج الكمبيوتر الحالي للاقتصاد الكلي وميزانية الدولة للاتحاد الروسي إلى أتمتة إعداد المعلمات الأولية لميزانية الدولة للعام المقبل ، والموافقة على النسخة النهائية للموافقة عليها في البرلمان ، والدعم والتقييم والرقابة تنفيذ الميزانية في جميع مراحلها. نما الاهتمام بالشبكات العصبية الاصطناعية في روسيا بشكل كبير خلال السنوات القليلة الماضية. تتيح لنا القدرة على التعلم السريع وموثوقية الاستنتاجات التوصية بأنظمة خبير الشبكة العصبية كأحد الأدوات التي لا غنى عنها في العديد من جوانب الأعمال الحديثة. تتمتع الشبكات العصبية بميزة كبيرة على الطريقة التقليدية كثيفة العمالة وتستغرق وقتًا طويلاً لتعميم معرفة الخبراء البشريين. تقنيات الشبكة العصبية قابلة للتطبيق في أي مجال تقريبًا ، وفي مهام مثل التنبؤ بأسعار الأسهم وأسعار الصرف ، أصبحت بالفعل أداة مألوفة ومستخدمة على نطاق واسع. إن الانتشار الواسع لتقنيات الشبكة العصبية في الأعمال الحديثة ليس سوى مسألة وقت. يعتبر إدخال تقنيات جديدة عالية التقنية عملية صعبة ، لكن الممارسة تُظهر أن الاستثمارات لا تؤتي ثمارها وتحقق فوائدها فحسب ، بل تمنح أيضًا أولئك الذين يستخدمونها فوائد ملموسة. يعتمد استخدام الشبكات العصبية في التمويل على افتراض أساسي واحد: استبدال الاعتراف بالتنبؤ. بشكل عام ، لا تتنبأ الشبكة العصبية بالمستقبل ، ولكنها "تدرك" في الوضع الحالي للسوق الوضع الذي تمت مواجهته سابقًا وتعيد إنتاج رد الفعل اللاحق للسوق.

إن السوق المالية جامدة تمامًا ، ولديها "رد فعل متأخر" خاص بها ، مع العلم أنه من الممكن حساب الوضع المستقبلي بدقة. مدى الدقة التي تعتمد على ظروف السوق ومؤهلات المشغل. لذلك ، من السذاجة الاعتقاد بأن الشبكة العصبية ستتنبأ تلقائيًا بمعدلات المؤشرات الرئيسية - العملة الوطنية أو ، على سبيل المثال ، المعادن الثمينة في الأسواق غير المستقرة. ولكن في أي حالة من أوضاع السوق ، هناك أدوات تحافظ على الاستقرار. على سبيل المثال ، عندما يقفز الدولار ، فهذه عقود آجلة "بعيدة" ، يمتد رد فعلها على مدى عدة أيام ويمكن توقعه. بالمناسبة ، خلال فترات صدمات السوق ، عادة ما يشعر اللاعبون بالذعر ، مما يعزز مزايا مالك الأداة التحليلية الجيدة. تعمل المئات من الشركات الناشئة الصغيرة والمشهورة عالميًا حاليًا على إنشاء شبكات عصبية لأغراض مختلفة. يقدم السوق العالمي أكثر من مائة حزمة شبكة عصبية ، معظمها الحزم الأمريكية. بحلول عام 2005 ، تجاوز الحجم الإجمالي لسوق الشبكة العصبية 10 مليارات دولار ، وعمليًا ، يسعى كل مطور للحزم التحليلية التقليدية اليوم إلى تضمين الشبكات العصبية في الإصدارات الجديدة من برامجه. في الولايات المتحدة ، تُستخدم الشبكات العصبية في الأنظمة التحليلية لكل بنك رئيسي. يمكن مقارنة مبيعات حزمة الشبكة العصبية "Brain Maker Pro" وحدها بمبيعات حزمة التحليل الفني الأكثر شيوعًا MetaStock (تم بيع أكثر من 20000 نسخة من Brain Maker Pro في الولايات المتحدة الأمريكية).

أثبتت حزمة "The AI ​​Trilogy" نفسها بشكل جيد. ("ثلاثية الذكاء الاصطناعي") من قبل الشركة الأمريكية "Ward Systems Group". هذه مجموعة من ثلاثة برامج ، يمكن استخدام كل منها بشكل مستقل وبالاقتران مع البرامج الأخرى. لذا ، فإن برنامج "NeuroShell II" عبارة عن مجموعة من 16 نوعًا من الشبكات العصبية ، "NeuroWindows" عبارة عن مكتبة شبكة عصبية بها أكواد مصدر ، "GeneHunter" هو برنامج تحسين وراثي. معًا ، يشكلون "مُنشئًا" قويًا يسمح لك ببناء أنظمة تحليلية من أي تعقيد. هناك طلب كبير على "ثلاثية الذكاء الاصطناعي" في السوق الأمريكية. تم تثبيت الحزمة في أكبر 150 بنكًا أمريكيًا. لقد فاز بالعديد من المسابقات المرموقة من قبل المنشورات المالية الشهيرة ويساعد في إدارة رؤوس أموال بمليارات الدولارات. يعتبر Du Pont (معهد المعايير الأمريكية ومكتب التحقيقات الفيدرالي) أن "ثلاثية الذكاء الاصطناعي" هي الأفضل لحل المشكلات المختلفة. من المثير للاهتمام والمهم حقيقة غير معروفة أن المكونات الرئيسية لهذه الحزمة كتبها مبرمجون روس. تدين الحزمة بمظهرها لمجموعة من المطورين من شركة موسكو الصغيرة "Neuroproject" تحت قيادة البروفيسور بيرسيانتسيف.

لأكثر من ثلاث سنوات ، أوفت بأوامر "Ward Systems Group" ووجدت حلولاً ناجحة. يمكننا القول إن البرامج الروسية تتحكم في الشؤون المالية لأمريكا ومهام مكتب التحقيقات الفيدرالي. ما مدى فائدة الحزمة للممولين؟ هل سيكون قادرًا على العمل في سوقنا الذي لا يمكن التنبؤ به ، حيث يمكن لقرار واحد من البنك المركزي أن يقلب السوق على الفور؟ تحسبا لهذه الأسئلة ، يقدم مالكو الحزمة خدمة استشارية مخصصة. يتم إبرام اتفاقية خاصة مع أحد البنوك التي لا يؤمن محللوها بإمكانية التنبؤ بسوقنا. لفترة معينة: أسبوعان ، شهر أو أكثر ، مقابل رسوم رمزية ، يتم تزويد البنك يوميًا بتوقعات ليوم غد (أو قبل أسبوع) على عروض أسعار الأدوات المالية المحددة. إذا أظهرت التوقعات باستمرار دقة مقبولة ، فإن البنك يتعهد بشراء مجمع تحليلي مع الإعدادات. ولم تكن هناك حالة واحدة رفض فيها العميل الشراء. حدثت حالة توضيحية ومثيرة للإعجاب بين الانتخابات ، عندما أجرى أحد البنوك الكبرى اختبارًا مشابهًا للحزمة. ارتفعت أسعار الأوراق المالية ، وانخفضت أسعار الأوراق المالية وارتفعت ، ولكن تلقى البنك كل مساء توقعات مع مجموعة من أسعار الغد (مصغرة - ماكسي - متوسط ​​مرجح - إغلاق) لستة عشر ورقة مالية من GKO. بعد أقل من أسبوعين ، دخل البنك في اتفاقية لتوريد مجمع تحليلي قادر على الحفاظ على الكفاءة حتى في مثل هذه المواقف المضطربة وغير المتوقعة.

• · فرص غنية. الشبكات العصبية هي تقنية نمذجة قوية للغاية يمكنها إعادة إنتاج التبعيات المعقدة للغاية. على وجه الخصوص ، الشبكات العصبية غير خطية بطبيعتها. لسنوات عديدة ، كانت النمذجة الخطية هي تقنية النمذجة الرئيسية في معظم المناطق بسبب إجراءات التحسين المتطورة. في المشكلات التي يكون فيها التقريب الخطي غير مرضٍ (وهناك عدد غير قليل منها) ، تعمل النماذج الخطية بشكل سيئ. بالإضافة إلى ذلك ، تتعامل الشبكات العصبية مع "لعنة البعد" ، والتي لا تسمح بمحاكاة التبعيات الخطية في حالة وجود عدد كبير من المتغيرات.
• · سهل الاستخدام. الشبكات العصبية تتعلم بالقدوة. يلتقط مستخدم الشبكة العصبية البيانات التمثيلية ثم يقوم بتشغيل خوارزمية التعلم التي تدرك تلقائيًا بنية البيانات. في الوقت نفسه ، بالطبع ، يتعين على المستخدم أن يكون لديه نوع من المعرفة الإرشادية حول كيفية اختيار وإعداد البيانات واختيار بنية الشبكة المطلوبة وتفسير النتائج ، ولكن مستوى المعرفة المطلوب للتطبيق الناجح للشبكات العصبية أكثر تواضعًا بكثير ، على سبيل المثال ، من استخدام الأساليب الإحصائية التقليدية.

الشبكات العصبية جذابة بشكل حدسي لأنها تستند إلى نموذج بيولوجي بدائي للأنظمة العصبية. في المستقبل ، قد يؤدي تطوير مثل هذه النماذج العصبية الحيوية إلى إنشاء أجهزة كمبيوتر ذات تفكير حقيقي. وفي الوقت نفسه ، فإن الشبكات العصبية "البسيطة" التي يبنيها نظام الشبكات العصبية ST هي سلاح قوي في ترسانة الإحصائي التطبيقي.