Ideghálózatok: gyakorlati alkalmazások. Milyen ideghálózatokat tanítanak Oroszországban Ideghálózatok a gazdaságban és az üzleti életben

neurális hálózati intelligencia mesterséges üzlet

A neurális hálózatok szoftveresen vagy hardveresen is megvalósíthatók.

Változatok hardvermegvalósítások neurokomputerek, neurotáblák és neuro-LSI (nagy integrált áramkörök). Az egyik legegyszerűbb és legolcsóbb neuroBIS a Micro Devices MD 1220-as modellje, amely 8 neuronból és 120 szinapszisból álló hálózatot valósít meg. Az ígéretes fejlemények közül kiemelhetjük az Adaptive Solutions (USA) és a Hitachi (Japán) modelljeit. Az Adaptive Solutions által kifejlesztett NeuroBIS az egyik leggyorsabb: a bejelentett feldolgozási sebesség 1,2 milliárd interneurális kapcsolat másodpercenként (msec / s). A Hitachi által gyártott áramkörök lehetővé teszik az akár 576 neuront tartalmazó mesterséges ideghálózatok megvalósítását.

A legtöbb modern idegszámítógép egy személyi számítógép vagy munkaállomás, amely egy további neurokártyát is tartalmaz. Ide tartoznak például a Fujitsu FMR sorozatú számítógépek. Az ilyen rendszerek képességei elég elegendőek számos alkalmazott probléma neuromatikai módszerekkel történő megoldásához, valamint új algoritmusok kifejlesztéséhez. A legnagyobb érdeklődés a speciális neurokomputerek iránt, amelyek megvalósítják az ideghálózati architektúra elveit. Az ilyen rendszerek tipikus képviselői a Mark családból származó számítógépek a TRW-től (a perceptron első megvalósítását, amelyet F. Rosenblatt fejlesztett ki, Mark I-nek hívták). A TRW Mark III egy munkaállomás, amely legfeljebb 15 Motorola 68000 processzort tartalmaz matematikai társprocesszorokkal. Valamennyi processzort a VME busz kapcsolja össze. A rendszerarchitektúra, amely legfeljebb 65 000 virtuális feldolgozó elemet támogat, több mint 1 millió konfigurálható kapcsolattal, akár 450 000 ms / s-ot is képes kezelni.

Egy másik példa a NETSIM neurokomputer, amelyet a Texas Instruments hozott létre a Cambridge-i Egyetem fejlesztései alapján. Topológiája a 80188 processzoron alapuló szabványos számítási csomópontok háromdimenziós rácsa. A NETSIM számítógépet Hopfield-Kohonen hálózatok szimulálására használják. Termelékenysége eléri a 450 millió msec / s értéket.

Azokban az esetekben, amikor a neurális hálózatok hardveres megvalósításainak fejlesztése vagy megvalósítása túl drága, olcsóbbakat alkalmaznak. szoftver implementációk.Az egyik leggyakoribb szoftvertermék a programcsalád BrainMakera CSS (kaliforniai tudományos szoftver). Az eredetileg a Loral Space Systems által kifejlesztett csomag a NASA és a Johnson Űrközpont számára BrainMakera Ball hamarosan kereskedelmi alkalmazásokra lett adaptálva, és ma már több ezer pénzügyi és ipari vállalat, valamint az Egyesült Államok védelmi minisztériumai használják az előrejelzéssel, a helyzetek optimalizálásával és szimulációjával kapcsolatos problémák megoldására.

A csomag célja BrainMaker- olyan problémák megoldása, amelyekre még nem találtak formális módszereket és algoritmusokat, és a bemeneti adatok hiányosak, zajosak és következetlenek. Ezek a feladatok magukban foglalják az árfolyamok és részvények előrejelzését a tőzsdéken, a válsághelyzetek modellezését, a minták felismerését és még sok mást. BrainMakermegoldja a problémát az ideghálózatok elméletének matematikai apparátusával (pontosabban a Hopfield-hálózat a backpropagation módszerrel történő tanulással). A többrétegű neurális hálózat modellje a RAM-ba épül, amelynek számos példa alapján tanulhat, optimalizálva belső szerkezetét. A hálózati struktúra megfelelő megválasztásával, kellően nagy számú példán történő betanítás után elérhető az eredmények magas megbízhatósága (97% és magasabb). Vannak verziók BrainMakermS DOS és MS Windows, valamint Apple Macintosh esetén. A csomag alapváltozata mellett a család BrainMakera következő kiegészítéseket tartalmazza:

BrainMaker Student- a csomag változata az egyetemek számára. Különösen népszerű az alkalmazások létrehozására és a nem túl összetett feladatokra szakosodott kisvállalkozások körében.

Eszköztár opció- három további program, amely növeli a lehetőségeket BrainMaker, bináris,amely a képzési információkat bináris formátumba fordítja a tanulás felgyorsítása érdekében; Hiperszonikus edzés,ahol nagy sebességű tanulási algoritmust használnak; Rajzolás, amely a tényeket, statisztikákat és egyéb adatokat grafikus formában jeleníti meg.

BrainMaker Professional- a csomag professzionális változata BrainMakerfejlett funkcionalitással. Minden opciót tartalmaz Eszköztár.

Genetikai képzési lehetőség(a csomaghoz BrainMaker Pro) - egy program egy neurális hálózat automatikus optimalizálására egy adott problémaosztály megoldására, genetikai algoritmusok felhasználásával a legjobb megoldások kiválasztására.

DatаMaker szerkesztő- egy speciális szerkesztő az adatok előkészítésének automatizálásához, egy neurális hálózat felállításakor és használatakor.

Képzési pénzügyi adatok- speciális adatsorok az ideghálózat különböző típusú analitikai, kereskedelmi és pénzügyi műveletekre történő hangolásához, amelyek tartalmazzák a NYSE, NADDAW, ASE, OEX, DOW stb. makrogazdasági mutatók valós értékeit, inflációs indexeket, tőzsdei jelentések statisztikáit a különféle típusú termékekről, valamint a határidős szerződésekről és még sok minden másról.

BrainMaker Accelerator- a Texas Instruments TMS320C25 jelfeldolgozóira épülő speciális gyorsító idegtábla. Személyi számítógéphez csatlakoztatva többször gyorsítja a csomagot BrainMaker.

BrainMaker Accelerator Pro- professzionális többprocesszoros idegtábla. Öt TMS320C30 jelfeldolgozót és 32 MB RAM-ot tartalmaz.

Jelenleg a szoftverpiac számos különféle csomaggal rendelkezik az ideghálózatok kiépítésére és a különböző problémák megoldására. Csomag BrainMakera piac veteránjának nevezhető. A család képviselői mellett a jól ismert és széles körben elterjedt szoftvereszközök közé tartozik NeuroShell(WardSystem csoportja), Neuro Works(Neural Ware Inc.) és NeuroSolutions(NeuroDimension Inc.). Objektumorientált családi környezeti programok NeuroSolutionstetszőleges felépítésű mesterséges neurális hálózat szimulálására szolgálnak. Rendszerhasználó NeuroSolutionslehetőséget biztosított a kutatásra és a párbeszédkezelésre. A weben minden adat megtekinthető a képzés során a különféle megjelenítő eszközök segítségével. Mesterséges neurális hálózat tervezése egy rendszerben NeuroSolutionsmoduláris elven alapul, amely lehetővé teszi a standard és az új topológiák szimulálását. A rendszer fontos előnye, hogy rendelkezésre állnak olyan speciális eszközök, amelyek lehetővé teszik a dinamikus folyamatok szimulálását egy mesterséges neurális hálózatban.

A neurális hálózati technológiák használata ajánlott a következő jellemzőkkel kapcsolatos problémák megoldásakor:

Algoritmusok hiánya a problémák megoldására kellően nagy számú paraméter jelenlétében;

Nagy mennyiségű bemeneti információ jelenléte jellemzi a vizsgált problémát;

Az eredeti adatok zajos, részleges következetlenségei, hiányosságai vagy redundanciája.

A neurális hálózati technológiák széles körű alkalmazást találtak olyan területeken, mint a nyomtatott szövegfelismerés, a termék minőségellenőrzése a gyártásban, az események azonosítása a részecskegyorsítókban, az olajkutatás, a kábítószer-ellenőrzés, az orvosi és katonai alkalmazások, a menedzsment és optimalizálás, a pénzügyi elemzés, az előrejelzés stb.

A közgazdaságtan területén a neurális hálózati technológiák felhasználhatók az idősorok osztályozására és elemzésére a komplex nemlineáris függvények közelítésével. Kísérletileg megállapították, hogy a neurális hálózati modellek nagyobb pontosságot biztosítanak a nemlineáris minták azonosításában a tőzsdén a regressziós modellekhez képest.

A neurális hálózati technológiákat széles körben használják a marketingben az ügyfelek viselkedésének és a piaci részesedés eloszlásának modellezésére. A neurális hálózati technológiák lehetővé teszik a rejtett minták megtalálását a marketing adatbázisokban.

A vásárlói magatartás modellezése lehetővé teszi, hogy meghatározza azok jellemzőit, akik a megfelelő módon reagálnak a hirdetésre és vásárolnak egy adott termékre vagy szolgáltatásra.

A piacok neurális hálózati technológiákon alapuló szegmentálása és modellezése lehetővé teszi a piacok szegmentálására alkalmas rugalmas osztályozási rendszerek kiépítését, figyelembe véve az egyes ügyfelek különböző tényezőit és jellemzőit.

A mesterséges ideghálózati technológiák jó kilátásokkal rendelkeznek a vezetők viselkedési jellemzőinek utánzása és előrejelzése, valamint a hitelkibocsátás során a kockázatok előrejelzésével kapcsolatos problémák megoldására. Nem kevésbé releváns a mesterséges neurális hálózatok használata az ügyfelek jelzálogkölcsönhöz történő kiválasztásakor, a banki ügyfelek csődjének előrejelzésében, a hitelkártya használata során elkövetett csalárd ügyletek azonosításában, az ügyfelek minősítésének összeállításában rögzített fizetésű hitelekhez stb.

Emlékeztetni kell arra, hogy a neurális hálózati technológiák alkalmazása nem mindig lehetséges, és bizonyos problémákkal és hátrányokkal jár.

1. Az elfogadható modell létrehozásához legalább 50, és lehetőleg 100 megfigyelésre van szüksége. Ez meglehetősen nagy mennyiségű adat, és nem mindig áll rendelkezésre. Például szezonális termék gyártásakor az előző évadok története nem elegendő az aktuális szezon előrejelzéséhez a termékstílus, az értékesítési politika stb. Változása miatt. Még akkor is, ha a havi értékesítési információk alapján előrejelzik a meglehetősen stabil termék iránti keresletet, nehéz 50–100 hónapos időszakra felhalmozni a korábbi adatokat. A szezonális termékek esetében a probléma még összetettebb, mivel minden évszak gyakorlatilag egy megfigyelés. Információ hiányában a mesterséges ideghálózatok modelljeit hiányos adatok körülményei között építik fel, majd ezeket finomítják.

2. A neurális hálózatok kiépítése jelentős munkaerő- és időberuházást igényel a kielégítő modell megszerzéséhez. Nem szabad megfeledkezni arról, hogy a képzési mintán elért túlzott pontosság az eredmények instabilitását eredményezheti a tesztmintán - ebben az esetben a hálózatot "átképzik". Minél jobban alkalmazkodik a rendszer az adott körülményekhez, annál kevésbé képes általánosítani és extrapolálni, és annál hamarabb működésképtelenné válhat, ha ezek a feltételek megváltoznak. Az edzésminta térfogatának bővítése nagyobb stabilitás elérését teszi lehetővé, de a növekvő edzési idő rovására.

3. Az ideghálózatok edzésénél a helyi minimumok alá eséshez kapcsolódó "csapdák" merülhetnek fel. A determinisztikus tanulási algoritmus nem képes észlelni a globális szélsőséget vagy elhagyni a helyi minimumot. Az egyik technika, amely lehetővé teszi a "csapdák" megkerülését, az a, hogy a rejtett rétegekben lévő idegsejtek számának növelésével kiterjessze a súlyok terének dimenzióját. A sztochasztikus tanulási módszerek néhány lehetőséget kínálnak e probléma megoldására. A hálózati súlyok módosításakor csak a célfüggvény gradiensvektorának a súlyok térében mutatott irányára vonatkozó információk alapján lehet elérni egy lokális minimumot, de nem lehet belőle kijönni, mivel a szélső ponton a „mozgatóerő” (gradiens) eltűnik és a mozgás oka eltűnik. A helyi szélsőség elhagyása és a globális szélsőség keresése érdekében további erőt kell létrehozni, amely nem a célfüggvény gradiensétől, hanem néhány egyéb tényezőtől függ. Az egyik legegyszerűbb módszer egy véletlenszerű erő létrehozása és hozzáadása a determinisztikushoz.

4. Az idegsejt transzferfunkciójának sigmoid jellege az oka annak, hogy ha a tanulási folyamat során több súlyegyüttható túl nagy lesz, akkor az idegsejt a funkció vízszintes szakaszára esik a telítettség régiójában. Ugyanakkor az egyéb súlyok változása, méghozzá meglehetősen nagy, gyakorlatilag nincs hatással egy ilyen idegsejt kimeneti jelének értékére, tehát az objektív funkció értékére.

5. A bemeneti változók tartományának sikertelen kiválasztása meglehetősen elemi, de gyakran hibázott. Ha egy bináris változó 0 és 1 értékű, akkor az esetek körülbelül felében nulla lesz az értéke: \u003d 0. Mivel ez szerepel a kifejezésben a súly módosítására szolgáló tényezőként, a hatás a ugyanaz, mint a telítettségnél: a megfelelő súlyok módosítása blokkolva lesz. A bemeneti változók helyes tartományának szimmetrikusnak kell lennie, például +1 és -1 között.

6. A problémák neurális hálózattal történő megoldásának folyamata "átláthatatlan" a felhasználó számára, ami bizalmatlanságot okozhat a felhasználó számára a hálózat prediktív képességeivel szemben.

7. A hálózat prediktív ereje jelentősen csökken, ha az input tényeknek (adatoknak) jelentős eltérései vannak azoktól a példáktól, amelyeken a hálózatot betanították. Ez a hátrány egyértelműen megnyilvánul a gazdasági előrejelzés problémáinak megoldása során, különösen az értékpapír-jegyzések tendenciájának, valamint a tőzsdei és a pénzügyi piacok valutáinak értékének meghatározásakor.

8. Nincs elméletileg megalapozott szabály az ideghálózatok tervezésére és hatékony képzésére. Ez a hátrány különösen az ideghálózatok azon képességének elvesztéséhez vezet, hogy a túlterhelés (túledzettség) állapotában általánosítsák az érintett terület adatait.

Küldje el jó munkáját a tudásbázisban. Használja az alábbi űrlapot

Diákok, végzős hallgatók, fiatal tudósok, akik tanulmányaikban és munkájuk során használják a tudásbázist, nagyon hálásak lesznek.

• Bevezetés
• Következtetés
• Bevezetés
• Az információ párhuzamos feldolgozásának módszereinek létrehozása jótékony hatással volt az idegi hálózati technológiák fejlődésére.
• Hálát kell kifejezni a figyelemre méltó sebész, filozófus és kibernetikus N.M. Amoszov, aki tanítványaival együtt rendszerezte a mesterséges intelligencia (AI) eszközök létrehozásának szemléletét. Ez a megközelítés a következő.
• Az AI stratégiák a paradigma fogalmán alapulnak - egy probléma (feladat) lényegére és megoldásának elvére vonatkozó nézet (fogalmi ábrázolás). A mesterséges intelligencia két paradigmáját vesszük figyelembe.
• 1. A szakértői paradigma a következő tárgyakat feltételezi, valamint az AI rendszer fejlődésének és működésének szakaszait:
• * tudásformázás - a problémás tudás szakértő általi átalakítása a választott tudásreprezentációs modell által előírt formába;
• * tudásbázis kialakítása<БЗ) - вложение формализованных знаний в программную систему;
• * dedukció - a logikai következtetés problémamegoldása tudásbázis alapján.
• Ez a paradigma alapozza meg a szakértői rendszerek, a logikai következtetési rendszerek használatát, beleértve a PROLOGUE logikai programozási nyelvet is. Úgy gondolják, hogy ezen a paradigmán alapuló rendszereket jobban tanulmányozzák.
• 2. A tanuló paradigmája, amely a következő rendelkezéseket és a műveletek sorrendjét tartalmazza:
• * megfigyelések feldolgozása, magánpéldák tapasztalatainak tanulmányozása - adatbázis kialakítása<БД> AI rendszerek;
• * induktív tanulás - egy adatbázis átalakítása tudásbázissá az adatbázisban felhalmozott tudás általánosítása alapján. valamint az ismereteknek a tudásbázisból történő kinyerésére vonatkozó eljárás indoklása. Ez azt jelenti, hogy az adatok alapján következtetést vonunk le az általunk megfigyelt objektumok közötti függőség általánosságáról. A fő hangsúly itt közelítő, valószínűségi és logikai mechanizmusok tanulmányozására irányul, hogy bizonyos megállapításokból általános következtetéseket lehessen levonni. Ezután megalapozhatjuk például az általánosított interpolációs (extrapolációs) eljárás, vagy az asszociatív keresési eljárás elégségességét, amelynek segítségével kielégítjük a tudásbázis kérdéseit;
• * dedukció - ésszerű vagy feltételezett eljárás szerint kérésre kiválasztunk információkat a tudásbázisból (például az aktuális helyzetet jellemző vektor optimális vezérlési stratégiája).
• Ennek a paradigmának a kutatása és fejlesztése még mindig gyenge, bár az öntanulási ellenőrzési rendszerek felépítését alapozzák (az alábbiakban csodálatos példa lesz az öntanulási ellenőrzési rendszerre - a tüzérségi lövöldözés szabályaira).
• Miben különbözik a tudásbázis, az AI rendszer közös és nélkülözhetetlen eleme az adatbázistól? A logikai következtetés lehetősége!
• Most térjünk rá a "természetes" intelligenciára. A természet nem hozott létre jobbat, mint az emberi agy. Ez azt jelenti, hogy az agy egyszerre hordozza a tudásbázist és az arra épülő logikai következtetés eszközeit, függetlenül attól, hogy milyen paradigmát szerveztünk gondolkodásunkba, vagyis milyen módon töltjük meg a tudásbázist. - tanulás!
• IGEN. Pospelov egy figyelemre méltó, egyedülálló műben világítja meg a mesterséges intelligencia legmagasabb szféráit - a gondolkodás logikáját. Ennek a könyvnek az a célja, hogy legalább részben felboncolja az ideghálózatot, mint gondolkodásmódot, ezáltal felhívva a figyelmet a mesterséges intelligencia módszerek teljes láncolatának alsó, kezdeti kapcsolatára.
• A miszticizmust eldobva felismerjük, hogy az agy egy neurális hálózat, egy neurális hálózat - egymáshoz kapcsolódó neuronok, sok bemenettel és egy-egy kimenettel. Az idegsejt egy meglehetősen egyszerű átviteli funkciót valósít meg, amely lehetővé teszi, hogy a bemenetek gerjesztését a bemenetek súlyát figyelembe véve az idegsejt kimenetén lévő gerjesztés értékévé alakítsa. Az agy funkcionálisan teljes töredékének van egy neuronok - kívülről gerjesztett receptorok - bemeneti rétege és egy kimeneti rétege, amelyek idegsejtjei a bemeneti réteg neuronjainak gerjesztésének konfigurációjától és nagyságától függően gerjesztődnek. Állítólag ideghálózatról van szó. az agy munkáját utánozva nem magát az adatot dolgozza fel, hanem megbízhatóságukat, vagy hagyományos értelemben ezek súlyát, értékelését. A legtöbb folytonos vagy diszkrét adat hozzárendelését lecsökkentik annak a tartománynak a valószínűségére, amelyhez értékük tartozik. A diszkrét adatok - halmazok elemeinek - nagy osztálya esetében célszerű a bemeneti réteg idegsejtjeit mereven rögzíteni.

1. A neurális hálózatok gazdasági problémákban való alkalmazásának tapasztalata

Neurális hálózatok segítségével megoldjuk a gazdasági objektumok (vállalkozás, ipar, régió) működésének mintáinak analitikus leírása megtalálására szolgáló algoritmusok kidolgozásának problémáját. Ezeket az algoritmusokat az objektumok néhány "output" mutatójának előrejelzésére alkalmazzák. Az algoritmusok neurális hálózati megvalósításának problémája megoldódik. A mintafelismerési módszerek vagy a megfelelő ideghálózati módszerek lehetővé teszik a gazdasági és statisztikai modellezés néhány sürgős problémájának megoldását, növelve a matematikai modellek megfelelőségét, közelebb hozva azokat a gazdasági valósághoz. A mintafelismerés regresszióanalízissel kombinálva új típusú modellekhez vezetett - osztályozás és darabonként lineáris. A rejtett függőségek megtalálása az adatbázisokban a modellezési és tudásfeldolgozási feladatok alapja, ideértve a nehezen formalizálható mintákkal rendelkező objektumokat is.

A legelőnyösebb modell kiválasztása egy bizonyos csoportból értelmezhető akár rangsorolási problémaként, akár szabályrendszeren alapuló kiválasztási problémaként. A gyakorlat azt mutatta, hogy a tényezők a priori súlyának használatán alapuló módszerek és a tényezők maximális súlyozott összegének megfelelő modell keresése torzított eredményekhez vezet. A súlyokat kell meghatározni, és ez a kihívás. Sőt, a súlykészletek lokálisak - mindegyik csak egy adott feladatra és egy adott tárgyra (tárgycsoportra) alkalmas.

Vizsgáljuk meg részletesebben a szükséges modell kiválasztásának problémáját. Tegyük fel, hogy létezik olyan M objektumkészlet, amelynek tevékenysége egy bizonyos cél elérésére irányul. Az egyes objektumok működését n jellemző értékei jellemzik, vagyis van egy leképezés φ: M -\u003e Rn. Ezért kiindulópontunk a gazdasági objektum állapotának vektora: x \u003d. Gazdasági objektum működésének minőségi mutatói: f0 (x), f1 (x),…, fm (x). Ezeknek a mutatóknak bizonyos határokon belül kell lenniük, és arra törekszünk, hogy némelyiket minimálisnak vagy maximálisnak tegyük.

Egy ilyen általános megfogalmazás ellentmondásos lehet, és készüléket kell használni az ellentmondások feloldására és a probléma állításának megfelelő formára juttatására, összhangban a gazdasági jelentéssel.

Az objektumokat valamilyen kritériumfüggvény alapján rendeljük meg, de a kritérium általában rosszul meghatározott, homályos és esetleg ellentmondásos.

Vizsgáljuk meg az empirikus törvények korlátozott számú kísérleti és megfigyelt adat felhasználásával történő modellezésének problémáját. A matematikai modell lehet regressziós egyenlet, diagnosztikai szabály vagy predikciós szabály. Kis minta esetén a felismerési módszerek hatékonyabbak. Ebben az esetben a faktormenedzsment hatását úgy vesszük figyelembe, hogy a tényezők értékeit megváltoztatjuk, ha azokat a szabályosság egyenletébe vagy a diagnózis és előrejelzés döntési szabályába helyettesítjük. Ezen felül alkalmazzuk az alapvető jellemzők kiválasztását és a hasznos funkciók (másodlagos paraméterek) létrehozását. Erre a matematikai készülékre a gazdasági objektumok állapotának előrejelzéséhez és diagnosztizálásához van szükség.

Tekintsünk egy neurális hálózatot a bizottsági konstrukciók elmélete szempontjából, mint neuronok (egyének) csoportját. Az ideghálózat, mint mechanizmus az idegsejtek munkájának optimalizálására a kollektív döntések során, az egyéni vélemények megegyezésének módja, amelyben a a kollektív vélemény a helyes válasz a bemenetre, vagyis a szükséges empirikus függőségre.

Ezért követi a bizottsági struktúrák alkalmazásának indokoltságát a kiválasztás és a diagnosztika problémáiban. Az ötlet az, hogy egy döntési szabály kollektíváját keresse egy döntési szabály helyett, ez a kollektíva a kollektív tagok egyéni döntéseit feldolgozó eljárás révén kollektív döntést alakít ki. A választási és diagnosztikai modellek általában következetlen egyenlőtlenségi rendszerekhez vezetnek, amelyekre a megoldások helyett a megoldás fogalmának általánosításait kell keresni. Ez az általánosítás a kollektív döntés.

Tehát például az egyenlőtlenségek rendszerének bizottsága olyan elemhalmaz, hogy az egyes egyenlőtlenségeket e halmaz legtöbb eleme kielégíti. A bizottsági konstrukciók a problémák megoldási koncepciójának bizonyos általánosításai, amelyek kompatibilisek és következetlenek is lehetnek. Ez a diszkrét közelítések osztálya az inkonzisztens problémákra, és összekapcsolódhatnak fuzzy megoldásokkal is. A bizottságok módszere jelenleg meghatározza az opciók hatékony megválasztásának, optimalizálásának, diagnosztikájának és osztályozásának elemzésének és problémamegoldásának egyik területét. Például adjuk meg az egyik fő bizottsági konstrukció definícióját, nevezetesen: 0-ra< p < 1: p - комитетом системы включений называется такой набор элементов, что каждому включению удовлетворяет более чем р - я часть этого набора.

A bizottsági konstrukciókat úgy tekinthetjük, mint az inkonzisztens egyenlet-, egyenlőtlenség- és zárványrendszerek esetére adott megoldás általánosításának általános osztályát, valamint a párhuzamosság eszközeként a választási, a diagnosztikai és az előrejelzési problémák megoldásában. A problémamegoldás fogalmának általánosításaként a bizottsági konstrukciók olyan elemek összessége, amelyek rendelkeznek a megoldás néhány (de általában nem minden) tulajdonságával; ez egyfajta fuzzy megoldás.

A párhuzamosság eszközeként a bizottsági konstrukciók közvetlenül megjelennek a többrétegű neurális hálózatokban. Megmutattuk, hogy az ideghálózat kiképzésére az osztályozási probléma pontos megoldására alkalmazhatjuk az affin egyenlőtlenségek bizonyos rendszeréből álló bizottság felépítésének módszerét.

A fentiek alapján arra a következtetésre juthatunk, hogy a bizottságok módszere az egyik fontos kutatási területhez kapcsolódik, és mind a diagnosztikai problémák, mind az opciók megválasztásának számszerű megoldása, mind az ideghálózatok hangolásának problémái annak érdekében, hogy a befogadó személyre adott probléma egy adott problémájához megfelelő választ kapjunk. megoldások.

A bizottsági módszer működése során feltárták az alkalmazott problémák olyan fontos tulajdonságait, mint a heurisztikusság, az értelmezhetőség, a rugalmasság - a további képzés és az átállítás lehetősége, a funkciók legtermészetesebb osztályának - darabos-affin - használatának lehetősége, és a besorolás, a diagnosztika és az előrejelzés problémájának megfogalmazásához csak a korrektségre van szükség, majd van, így ugyanazt az objektumot nem rendelik különböző osztályokhoz.

A bizottsági struktúrák kérdésének másik oldala a koalíciók fogalmához kapcsolódik a kollektív döntések kidolgozása során, míg a helyzetek élesen különböznek a kollektív preferenciák esetében (sok buktató van) és a kollektív besorolási szabályok esetében ebben az esetben az eljárások szigorúan igazolhatók, és tágabb lehetőségekkel rendelkeznek. ... Ezért fontos, hogy képes legyen a döntési és előrejelzési problémákat osztályozási problémákra redukálni.

2. Táblázatos módszer - a mesterséges intelligencia alapja

Általánosságban elmondható, hogy az agyi tevékenység alapelvei ismertek és aktívan használják őket. Láthatatlan asztalokat használunk emlékezetünkben, erőszakkal és szabadon töltve meg egy íróasztalnál, a kormánynál, miniszteri táskával és anélkül, csavarva a fejünket egy zajos utcán, egy könyvnél, egy padnál és egy festőállványnál. Tanulunk, egész életünkben tanulmányozzuk: mind egy iskolás, aki álmatlan éjszakákat tölt alapozó írással, mind egy jártas professzor. Ugyanazokkal az asztalokkal nemcsak a döntéshozatalt társítjuk, hanem mozogunk, sétálunk, labdázunk is.

Ha a matematikai számításokkal szemben állunk az asszociatív gondolkodásnak, akkor mi a súlyuk az emberi életben? Hogyan fejlődött az ember, amikor egyáltalán nem tudta, hogyan kell számolni? Az asszociatív gondolkodás, az interpoláció és az extrapoláció képessége felhasználásával az ember tapasztalatokat halmozott fel. (Egyébként idézzük fel D. Mendelejev tézisét: A tudomány akkor kezdődik, amikor elkezdik számolni.) Megkérdezheti az olvasót: Hányszor számolt ma? Autót vezetett, teniszezett, rohant a buszhoz, megtervezve a tetteit. El tudja képzelni, mennyit kellene kiszámítania (és hol lehet beszerezni az algoritmust?) Annak érdekében, hogy a járdát megkerülve megemelje a lábát a járdán? Nem, nem számolunk percenként semmit, és ez talán a legfontosabb dolog szellemi életünkben, még a tudományban és az üzleti életben is. Az érzések, az intuíció, az automatizmus mechanizmusai, amelyeket nem tudunk megmagyarázni, a szubkortikális gondolkodással foglalkozunk, valójában az asszociatív gondolkodás normális mechanizmusai, a tudásbázis táblázatait felhasználva.

És ami a legfontosabb: gyorsan csináljuk! Hogyan ne gondolkodhatnánk, megpróbálva megérteni és reprodukálni az ábrás emlékezet fejlődését, amely a fejlődés folyamatának növekedési terméke. Úgy gondoljuk, hogy ez teljes mértékben megvalósul, ezért mesterségesen valósul meg, a modellezés és a reprodukció függvényében.

Fogalmazzunk meg most egy kellő, mai alapelvet a neurális hálózat kiépítéséről az AI elemeként:

1. Fel kell ismerni, hogy az agy neuro-szerkezetének utánzása a táblázatos interpoláció módszere.

2. A táblázatokat vagy ismert számítási algoritmusok szerint, vagy kísérletileg, vagy szakértők töltik ki.

3. A neurális hálózat a lavinaszerű párhuzamosítás lehetősége miatt nagy sebességgel biztosítja az asztalok feldolgozását.

4. Ezenkívül az ideghálózat pontatlan és hiányos adatokkal teszi lehetővé a táblázatba való bejutást, hozzávetőleges választ adva a maximális vagy átlagos hasonlóság elve alapján.

5. Az agy neuronháló-utánzatának feladata nem maga a kezdeti információ, hanem ezen információk becsléseinek átalakítása, az információk helyettesítése a receptorok gerjesztésének értékeivel, ügyesen elosztva fajok, típusok, paraméterek, változási tartományaik vagy egyedi értékeik között.

6. Az egyes alépítmények kimeneti rétegének gerjesztése által okozott neuronok jelzik a megfelelő megoldásokat. Ugyanakkor ezek az gerjesztési jelek, mint az eredeti közvetített információ, felhasználhatók a logikai lánc következő linkjén külső beavatkozás nélkül az üzemmódban.

3. A bankrendszer figyelemmel kísérése

A cikk példát mutat az önszerveződő Kohonen térképek (SOM - Self-Organizing Map) ragyogó alkalmazására Oroszország 1999-2000-es bankrendszerének tanulmányozásához.

A monitorozás egy eljárás automatikus végrehajtásán alapuló minősítésen alapul: a banki paraméterek többdimenziós vektorának megfelelően megjeleníti a számítógép képernyőjén. Felhívjuk a figyelmet arra a tényre, hogy a neurális hálózati technológiák lehetővé teszik sok változó vizuális funkcióinak felépítését, mintha egy többdimenziós teret átalakítanának egy-, két- vagy háromdimenzióssá. A különféle tényezők minden egyes vizsgálatához ki kell építenie saját SOM-okat. Az előrejelzés csak a SOM-becslések idősorainak elemzése alapján lehetséges. Új SOM-okra is szükség van a visszavonási lánc meghosszabbításához, például kívülről származó adatok összekapcsolásával, például politikai jellegűek.

Ez a megközelítés kétségtelenül hatékony és eredményes. Úgy tűnik azonban, hogy az agyi idegstruktúrákban rejlő lehetőségekkel összehasonlítva gátolja a gondolat terjedelmét és bátorságát, nem teszi lehetővé a premissza-hatás hosszú láncolatainak meghúzását, az elemzés és az előrejelzés ötvözését, azonnal figyelembe véve a kialakuló helyzetet, és új tényezőket és szakértői tapasztalatokat figyelembe véve. Meg kell állapodni abban, hogy mindez az agynak van alávetve, és ismét a struktúráihoz fordulunk, és javaslatot teszünk a monitoring rendszer szoftverére.

Neurális hálózat felépítése és tanulási módszerei. A monitorozás alapjául szolgáló logikai funkciók főként a változók logikai értékeinek összekapcsolásán alapulnak, amelyek tükrözik a bankok paramétereinek vagy mutatóinak változásainak tartományait.

A következő mutatók kerülnek bemutatásra:

* saját tőke;

* kiegyensúlyozott eszközök;

* likvid eszközök;

* keresleti kötelezettségek;

* a lakosság betétjei;

* likviditási ráta;

* költségvetési források.

Kibonthatja az eredménymutatót:

* a beruházások nagysága a virágzó gazdaság korában;

* profitmennyiség;

* a migráció korábbi rangsorolása és jelentősége;

* levonások a tudomány és az oktatás támogatására szolgáló alapba;

* adólevonások;

* járulékok a nyugdíjalapba;

* levonások jótékonysági és kulturális alapítványnak;

* részvétel az UNESCO programjaiban stb.

A logikai függvény ilyen egyszerű formája, amikor átkerül a valós változók tartományába, jelzi az egyrétegű neurális hálózat elégségességét, amely egy bemeneti receptorréteget és egy kimeneti réteget tartalmaz, amelyen megfigyelési eredmények alakulnak ki.

A bemeneti réteg összeállításakor nemcsak az aktuális mutatókat kell figyelembe venni, hanem a minősítés változásának dinamikáját is az elmúlt időszakokban. A kimeneti rétegnek nemcsak a minősítést kell tükröznie, hanem szakértői tanácsokat és egyéb döntéseket és következtetéseket is.

A legegyszerűbb képzési módszer ajánlott - olyan tudásbázis kiépítése, amely megfelel a feladat neurális hálózatának létrehozásának koncepciójának: a kapcsolatok közvetlen bevezetése az operátor-kutató által manuálisan - a receptoroktól a kimeneti réteg neuronjaihoz az ok-okozati összefüggéseknek megfelelően. Így a hálózat már képzetten jön létre.

Ekkor az átviteli függvény is a legegyszerűbb lesz, és az idegsejt bemeneti gerjesztési értékeinek összegzésén alapul, szorozva a csatlakozási tömeggel:

A ha kapcsolatok súlyának kiosztása, összehasonlítva az összes súly egyhez egyenlő durva hozzárendelésével, célszerűbb, mivel egy kezelő vagy egy szakértő esetlegesen vágyakozik arra, hogy a különböző mutatók hatását különböző mértékben vegye figyelembe.

A h küszöb nyilvánvalóan elfogadhatatlan következtetéseket von le, egyszerűsítve a további feldolgozást (például megtalálja az átlagot). A redukciós együttható a következő szempontoknak köszönhető.

A V maximális értéke elérheti az n értéket. Ahhoz, hogy a besorolási érték egy bizonyos elfogadható tartományba kerüljön, például, a gerjesztési értékeket k \u003d Yn beírásával kell átalakítani.

A fenti feltételezések lehetővé teszik az üzemeltető - szakértő - felhasználó általi gyors változásokat és pontosításokat, új tényezők bevezetésével és a tapasztalatok figyelembevételével fejlesztik a hálózatot. Ehhez az operátornak csak az egérrel kattintva kell kiválasztania a receptort, majd létrejön a kimeneti réteg idegsejtje és a kapcsolat! Csak a belépett kapcsolat súlyának hozzávetőleges hozzárendelése marad a tartományból.

Itt egy nagyon fontos megjegyzést (HIA) kell tenni a könyv teljes anyagával kapcsolatban, és egy nagyon figyelmes olvasónak szánjuk.

Korábban a képzés mérlegelésekor egyértelműen besoroltuk a kezdeti referenciahelyzeteket, az egyes komponensek bizalmát egyenlőnek véve. Amikor ezután a gerjesztés dinamikus útjait nyomon követjük és lefektetjük, akkor a kötés súlyát is egyenlőre állítjuk be (vagy valamilyen maximális állandó értékkel). De a tanár azonnal további fokú szabadságot kaphat, figyelembe véve a tényezőket az általa meghatározott mértékben és súlyokkal! Tegyük fel azt a feltevést, hogy a különböző tényezők különböző mértékben befolyásolják az eredményt, és erőteljesen rá fogunk helyezni egy ilyen hatást az edzés szakaszában.

Például ismert, hogy a háború előestéjén a lakosság hatalmas mennyiségben vásárol szappant, gyufát és sót. Ezért ezt a tényezőt megfigyelve megjósolható a háború küszöbön álló kezdete.

A történelmi vagy társadalmi események elemzésére szolgáló neurális hálózat létrehozásakor meg kell határozni egy vagy több receptort, amelyek gerjesztése a szappan, só és gyufa különböző szintű vásárlásainak felel meg egyszerre. Ezeknek a receptoroknak a gerjesztését át kell adni, befolyásolniuk kell (más tényezőkkel együtt) a kimeneti réteg idegsejtjének gerjesztési fokát, amely megfelel a War Waring!

Mindazonáltal a szappan, a gyufa és a só intenzív vásárlása szükséges, de nem annyira elégséges feltétel a háború kitöréséhez. Bizonyíthatja például a turizmus gyors élénkülését a Fő-Kaukázus-hegység régiójában. A szavak valójában nem tartalmazzák a fuzzy logika jelentését, amely lehetővé teszi, hogy ne egy esemény megváltoztathatatlanságát vesszük figyelembe, ne egy logikai változó igen - nem, hanem valamilyen típusú köztes, határozatlan, súlyozott állapot "befolyásolja, de nem olyan közvetlenül, hogy szükséges ...". Ezért az adott (adat) receptorból eredő kapcsolatokat (az összeset vagy némelyiket) valamilyen feltételezett értékkel megegyezően állítjuk be, egynél kevesebbet, és ezt követően kiigazítjuk, ami a receptor gerjesztésének a kimenetre gyakorolt \u200b\u200bhatását tükrözi.

Így a szappan, só és gyufa egyidejű vásárlását kétszer számoljuk: a vásárlás szintje a megfelelő receptorok gerjesztésének mértékében és a vásárlás visszavonásra gyakorolt \u200b\u200bhatásának jellegében jelenik meg. - a szinaptikus kapcsolatok súlyainak felhasználásával.

Egyetért abban, hogy az egyszintű hálózatok kiépítésekor ez a megközelítés önmagát sugallja és nagyon egyszerűen megvalósítja.

Receptor képernyő felépítése. Ennek fő része egy görgetőablak, amelyben megtekintheti és beállíthatja a receptor réteg állapotát, amely kétségtelenül nem fér el egy statikus képernyőn.

A görgető ablak a megfelelő receptorok tartományában mutatja a mutatókat és azok becsült értékeit. Ezek valószínűségi értékek, amelyek megbízhatóságon, intuíción, szakértői megítélésen alapulnak. A becslések több receptor lefedettségét feltételezik. Például egy becslés szerint a saját tőke vagy 24, vagy 34, vagy 42 ezer. Ez azt jelenti, hogy ugyanez a 24 inkább a beállított gerjesztési értékek hozzávetőleges becsléséhez vezethet 0,6,0,2 és 0,2 receptor gerjesztéshez, amelyek megfelelnek a (20 - 25], (30 - 35], (40 - 45) tartományoknak. A képernyő statikusan beállított értékeket jelenít meg, mint például a múltbeli mérések eredményeként kapott minősítés, korábban szelektív mutatók, valamint a politikai, társadalmi és gazdasági viszonyok mutatói. (Bőségük és fejlődésük még mindig görgetést igényelhet.)

Meg kell jelenítenie a görgető vezérlőket és a fő műveletek menüt is:

* átmenet a kimeneti réteg képernyőjére;

* az eredmények statisztikai feldolgozása (feltételezi az átmenetet a kimeneti képernyőre);

* új kapcsolat bevezetése;

* új receptor bevezetése;

* a kimeneti réteg új idegsejtjének bevezetése (feltételezi a képernyő váltását);

* új mutató bevezetése stb.

Kimeneti réteg képernyő felépítése. A kimeneti réteg képernyő (8.3. Ábra) koncentrikus (beágyazott) téglalapokból vagy más lapos alakzatokból álló rendszert jelenít meg, amelyek a besorolás csökkenő elterjedését jelentik. A képernyő közepén világos pontok jelzik a legsikeresebb bankokat vagy feltételezett ideális képeket. A képernyő minden eleme mereven kapcsolódik a kimeneti réteg neuronjához. A monitorozás eredményeként a standardnak megfelelő idegsejt maximálisan gerjeszthető, azonban nagy valószínűséggel egy olyan képernyőpont jelenik meg, amely nem esik egybe egyetlen közepes vagy átlagolt standarddal sem.

Ábra: - 8.3. Kimeneti réteg képernyő

Kétségtelen, hogy menüt kell biztosítani egy átlagos minősítés működéséhez, a sikerkategória bemutatásához, figyelmeztető jelzések kiadásához, következtetések szövegéhez, ajánlott fejlesztési stratégiákhoz, adatok megtakarításához a további fejlesztésekhez stb.

Ideghálózati képzés. A neurális hálózat szakértői értékelések alapján történő kiképzéséhez meg kell határozni az elfogadható paraméterek tartományait, amelyek lehetővé teszik a bank ideális sikerének tekintését a maximális minősítéssel. Több pont rögzítésével, amelyek koordinátái (paraméterértékek) kielégítik az ismert vagy feltételezett (a lehetséges opciókat is figyelembe vevő) bankok elfogadható minősítési értékeit, több ideális képviselőt kaphatunk. A megfelelő idegsejtek, azaz a kimeneti réteg képernyőelemeit önkényesen választják ki, szétszórva őket a képernyő területén. Kívánatos, hogy a magasabb besorolású szabványok a központhoz közelebb helyezkedjenek el.

Ezután folytassa a bekerülő téglalap hasonló kitöltését a következő minősítési kategória stb. Alapján kívülálló bankoknak.

Az ilyen munka elvégzéséhez a szakértők előzetesen táblázatot készítenek (1. táblázat).

A képernyőn a bankokat megjelenítő neuronok megfelelnek gerjesztésük - minősítésük nagyságának.

Monitoring módszertan. A betanított rendszer, amely közgazdászok és politikusok magasan képzett szakértelme után a felhasználó rendelkezésére áll, készen áll a CASE-technológia CASE - Computer Aided Software Engineering keretében történő használatra.

1. táblázat - Szakértői becslések egy ideghálózat képzésére

Ebben az esetben a felhasználó gyakorolja a további képzéshez, a pontosításhoz (például a kapcsolatok súlyához, egyes mutatók saját tapasztalatai alapján történő befolyásolásának erősítéséhez vagy gyengítéséhez) való jogát, a kísérlet további mutatóinak bevezetését saját felelősségére stb.

Tegyük fel, hogy a felhasználó az Invest-There-and-Back Bank körüli helyzetet vizsgálja. Természetesen nincsenek kielégítő információi saját befektetéseinek megfelelőségéről, ezért aprólékos adatgyűjtésbe kezd, amelynek eredményeként hozzávetőleges, valószínű, ellentmondásos jellemzőket kap a modellezéshez.

A receptorképernyő segítségével a felhasználó teljesen megbízható adatok alapján állítja be gerjesztésének értékeit, de néha figyelembe veszi az opciókat is - vagy (részben a különböző receptorokat izgalmasan), néha szeszélyből, néha csak átugorva a mutatókat. Az olyan mutatók, mint a múltbeli rangsor és a migráció, még mindig nem ismertek, de az eredmény várhatóan a jövőben is felhasználásra kerül.

Az adatok bevitele után a kimeneti réteg képernyőjére a kívülálló terület közelében található fényes pont ékesszólóan tanúskodik a polgári jog védelméről az igazságosan felhalmozott tőke befektetésének célszerűségéről szóló döntés erőszakmentes megválasztásáról.

A képernyő ezen pontjának koordinátáit a jól ismert képlet határozza meg azoknak a bankoknak a kibocsátott neuronjainak koordinátáinak átlagának megtalálásához, amelyekhez az ellenőrzött bank közel van, valamint gerjesztésük nagyságával. De ugyanezen képletek szerint, a kiemelt bankok minősítései alapján megtalálható a vizsgált bank minősítése!

A felhasználó dönthet úgy, hogy kiegészíti a tudásbázist és következésképpen az ideghálózatot az új bankról szóló információkkal, ami akkor célszerű, ha a szakértői vélemény jelentősen bírálta az eredményt, és ezáltal hibát jelez az ideghálózatban. Csak ki kell használnia az opciót. Add hozzá, amelynek eredményeként párbeszéd indul a számítógép és a felhasználó között:

- Meg akarja változtatni a minősítést - Igen.

- Új minősítési érték -…

- Megment!

Ezután a kimeneti réteg neuronját a megtalált koordinátákkal hozzárendelik az új bankhoz. Kapcsolatai kialakulnak azokkal a receptorokkal, amelyek izgatottságot kaptak a bankra vonatkozó információk megadásakor. Feltételezzük, hogy az egyes kapcsolatok súlya megegyezik a megfelelő receptor neuron felhasználó által megadott gerjesztési értékével. Most a tudásbázist ugyanúgy kiegészítették, mint a tüzérségi elemre szerelt berendezések listáját, miután újabb célpontot értek el.

A minősítés jelentős erőltetett megváltoztatásához azonban szükség lehet a kiemelt pont áthelyezésére a megfelelő minősítési szinttel rendelkező bankok területére, azaz ehhez a bankhoz a kimeneti réteg másik idegsejtjét kell hozzárendelni, a képernyő egy másik területén. A számítógép és a felhasználó közötti párbeszéd eredményeként is telepítésre kerül.

Javítás és fejlesztés. Fentebb már említettük az idegi hálózat folyamatos finomításának és fejlesztésének szükségességét és lehetőségét. Meg lehet változtatni a referenciabank (valós vagy ideális) előrehaladásának gondolatát, és kiegészíteni a tudásbázist, azaz. ez az ideghálózat. Az egyes mutatók kimenetre gyakorolt \u200b\u200bhatásának mérésére beállíthatja a link súlyát.

Új mutatókat adhat meg súlyukkal, új megoldásokat mérlegelhet, és meghatározhatja az ugyanazon vagy új mutatókra gyakorolt \u200b\u200bhatás mértékét. Lehetséges a neurális hálózat adaptálása a kapcsolódó problémák megoldására, figyelembe véve az egyes mutatóknak a bankok migrációjára gyakorolt \u200b\u200bhatását (átmenet egyik minősítési szintről a másikra) stb.

Végül, megvásárolva ezt a barátságos felülettel és kiváló szolgáltatással rendelkező szoftverterméket, a fejlett funkciókészlettel az idegháló átalakításához, átdolgozhatja egy teljesen más feladatra, például egy izgalmas vasúti rulett játékra, amelyre az alábbiakban kívánunk összpontosítani.

Összegzésként megjegyezzük, hogy a gazdaságban és az üzleti életben, valamint a komplex objektumok kezelésében a döntési rendszerek érvényesülnek, ahol minden helyzet változatlan számú tényező alapján alakul ki. Minden tényezőt egy kimerítő halmaz egy változata vagy értéke képvisel, azaz minden helyzetet egy kötőszó képvisel, amelyben az ideghálózat kialakulásának minden tényezőjéről szóló állítások szükségszerűen részt vesznek. Ekkor minden kötőszónak (helyzetnek) ugyanannyi állítása van. Ha ebben az esetben két különböző helyzet vezet különböző döntésekhez, akkor a megfelelő idegi hálózat tökéletes. Az ilyen ideghálózatok vonzereje abban rejlik, hogy redukálhatók egyrétegűvé. Ha megoldások szorzását hajtjuk végre (lásd: 5.2. Szakasz), akkor tökéletes neurális hálózatot kapunk (visszacsatolás nélkül).

Ennek a szakasznak a feladata egy tökéletes ideghálózat, alszakasz kiépítésére redukálható. 6.2, valamint például az országkockázat felmérésének feladata stb.

Következtetés

A kimeneti rétegben található idegsejtek, és leggyakrabban a maximális gerjesztési értékkel rendelkező gerjesztési értékek eloszlása \u200b\u200blehetővé teszi a bemeneti réteg (a retinán lévő kép) és a kapott válasz (mi ez) kombinációja és a gerjesztés értékei közötti megfelelés megállapítását. Így ez a függőség meghatározza az "ha - akkor" forma logikai következtetésének lehetőségét. Kontroll, ennek a függőségnek a kialakulását az idegsejtek szinaptikus kapcsolatainak súlyai \u200b\u200bhajtják végre, amelyek befolyásolják a neuronok gerjesztésének terjedési irányait a hálózatban, és az edzés szakaszában a kimeneti réteg "szükséges" neuronjaihoz vezetnek. vagyis a „premissza - hatás” kapcsolatok összekapcsolására és memorizálására szolgálnak. Az ideghálózat alstruktúráinak összekapcsolása lehetővé teszi az ilyen kapcsolatokon alapuló „hosszú” logikai láncok megszerzését.

Ebből következik, hogy a hálózat két módban működik: tanulási módban és felismerési módban (működési mód).

Edzési módban logikai láncok alakulnak ki.

A felismerési módban az ideghálózat a bemutatott kép alapján nagy megbízhatósággal meghatározza, hogy milyen típusba tartozik, milyen intézkedéseket kell végrehajtani stb.

Úgy gondolják, hogy az emberi agyban akár 100 milliárd neuron is található. De most nem érdekel bennünket az a neuron működése, amelyben akár 240 kémiai reakció is zajlik. Arra vagyunk kíváncsiak, hogy az idegsejt hogyan működik logikai szinten, hogyan látja el a logikai funkciókat. Csak ezeknek a funkcióknak kell a mesterséges intelligencia alapjává és eszközévé válnia. Ezen logikai funkciók megvalósításával készek vagyunk megsérteni a fizika alaptörvényeit, például az energiamegmaradás törvényét. Végül is nem a fizikai modellezésre támaszkodunk, hanem az elérhető, univerzális számítógépre.

Tehát a neurális hálózatok "(közvetlen" használatára) összpontosítunk a mesterséges intelligencia feladataiban. Alkalmazásuk azonban kiterjed más feladatok megoldására is. átviteli függvény (gyakran használja az úgynevezett sigmoil kapcsolatokat, amelyek az exponenciális részvételén alapulnak az átviteli függvény kialakításában), speciálisan kiválasztott és dinamikusan frissített súlyok. Ebben az esetben az idegsejtek gerjesztési értékeinek konvergenciájának tulajdonságait, az önoptimalizálást alkalmazzák. Amikor a gerjesztések bemeneti vektorát az ideghálózat bizonyos számú óraciklusát követően szállítjuk, a kimeneti réteg idegsejtjeinek gerjesztési értékei (egyes modellekben a bemeneti réteg összes idegsejtje a kimeneti réteg idegsejtje, mások pedig nem) egyesülnek bizonyos értékekre. Jelölhetik például, hogy melyik hivatkozás hasonlít jobban a "zajosra". érvénytelen bemeneti kép, vagy valami. hogyan lehet megoldást találni egy problémára. Például a híres Hopfield-hálózat. bár korlátozott, megoldhatja az utazó eladó problémáját - az exponenciális összetettség problémáját. A Hamming hálózat sikeresen megvalósítja az asszociatív memóriát. Kohonen hálózatok (Kohonen térképek), hozzáadva: 2011.06.27

Az üzleti tevékenység, a döntéshozatalt befolyásoló tényezők elemzésének feladata. Modern információs technológiák és neurális hálózatok: munkájuk alapelvei. A neurális hálózatok használatának vizsgálata a pénzügyi helyzetek előrejelzésében és a döntések meghozatalában.

szakdolgozat, hozzáadva 2011.06.06

A papírkitöltés technológiai folyamatának leírása. Papírgép tervezés. A neurális hálózatok használatának igazolása a papírháló kialakulásának ellenőrzésében. Neuron matematikai modell. Az ideghálózatok két struktúrájának modellezése.

szakdolgozat hozzáadva: 2012.10.15

A neurális hálózati technológiák alkalmazásának módszerei a behatolásérzékelő rendszerekben. Szakértői rendszerek a hálózati támadások felderítésére. Mesterséges hálózatok, genetikai algoritmusok. A neurális hálózatokon alapuló behatolás-észlelő rendszerek előnyei és hátrányai.

teszt, hozzáadva 2015.11.30

A mesterséges intelligencia, mint az automatikus rendszerek tulajdonságának fogalma az emberi intelligencia egyedi funkcióinak felvállalására. Szakértői rendszerek az orvostudomány területén. Különböző megközelítések a mesterséges intelligencia rendszerek kiépítéséhez. Ideghálózatok létrehozása.

előadás hozzáadva: 2015.05.28

A neurális hálózatok sugáralapú funkcióinak használatának problémájának és kilátásainak tanulmányozása a fő gazdasági mutatók előrejelzéséhez: a bruttó hazai termék, Ukrajna nemzeti jövedelme és a fogyasztói árindex. Az eredmények értékelése.

szakdolgozat hozzáadva 2014.12.14

A mesterséges ideghálózatok fogalma és tulajdonságai, funkcionális hasonlósága az emberi agyval, munkájuk elve, felhasználási területei. Szakértői rendszer és a neurális hálózatok megbízhatósága. Aktív funkcióval rendelkező mesterséges neuron modellje.

absztrakt, hozzáadva 2011.03.16

A mesterséges ideghálózatok (ANN) lényege és funkciói, osztályozásuk. Mesterséges idegsejt szerkezeti elemei. Különbségek az ANN-ek és a von Neumann architektúrájú gépek között. E hálózatok kiépítése és oktatása, területei és alkalmazásuk kilátásai.

előadás hozzáadva 2013.10.14

A neurokomputerek használata az orosz pénzügyi piacon. Idősoros előrejelzés neurális hálózati feldolgozási módszerek alapján. A vállalkozások kötvényeinek és részvényeinek kamatlábainak meghatározása. Ideghálózatok alkalmazása a csereaktivitás elemzésének problémáira.

szakdolgozat, hozzáadva: 2009.05.28

Az alkotás története és a mesterséges intelligencia modellezésének főbb irányai. Tanulási problémák a vizuális érzékelés és felismerés érdekében. A robotok intelligenciájának elemeinek fejlesztése. Kutatások az ideghálózatok területén. Wiener visszajelzési elve.

UDC 004.38.032.26

O. V. KONYUKHOVA, K. S. LAPOCHKINA

O. V. KONUKHOVA, K. S. LAPOCHKINA

A NEUR HÁLÓZATOK ALKALMAZÁSA A GAZDASÁGBAN ÉS FELHASZNÁLÁSÁNAK MEGFELELŐSÉGE RÖVID IDEJŰ KÖLTSÉGVETÉSI ELŐREJELZÉS LÉTREHOZÁSÁHOZ

A NEUR HÁLÓZATOK ALKALMAZÁSA A GAZDASÁGBAN ÉS FELHASZNÁLÁSÁNAK SÜRGŐSÉGE a költségvetés rövid távú előrejelzésének elkészítésével

Ez a cikk a neurális hálózatok alkalmazását ismerteti a közgazdaságtanban. Figyelembe veszik az Orosz Föderáció költségvetésének előrejelzésének folyamatát és az ideghálózatok használatának relevanciáját a rövid távú költségvetés elkészítéséhez.

Kulcsszavak: gazdaság, az Orosz Föderáció költségvetése, költségvetési előrejelzés, ideghálózatok, genetikai algoritmusok.

Ebben a cikkben a neurális hálózatok alkalmazását ismertetjük a gazdaságban. Megfontolják az Orosz Föderáció költségvetésének előrejelzésének folyamatát, valamint a neurális hálózatok sürgős alkalmazását a rövid távú költségvetés összeállításához.

Kulcsszavak: gazdaság, az Orosz Föderáció költségvetése, költségvetési előrejelzés, ideghálózatok, genetikai algoritmusok.

4) az objektumok automatikus csoportosítása.

Az egyik érdekes kísérlet a depressziós gazdaság racionális kezelésének mechanizmusának megteremtésére az angol Staffan Beer kibernetikához tartozik. Javasolta a kontroll alapelveit, amelyek széles körben ismertté váltak, neurofiziológiai mechanizmusok alapján. A termelési rendszerek modelljeit nagyon összetett kapcsolatnak tekintette az inputok (erőforrás-áramlások), a belső, láthatatlan elemek és az outputok (eredmények) között. A modellek inputjai meglehetősen általánosított indexek voltak, amelyek fő része azonnal tükrözte egy adott termelés kimenetelét, az erőforrások iránti igényt és a termelékenységet. Az ilyen rendszerek hatékony működésére javasolt megoldásokat azután adták meg, hogy megtalálták és megvitatták az ebben a helyzetben rejlő összes lehetséges lehetőséget. A legjobb döntést a vitában résztvevő vezetők és szakértők szavazatainak többségével hozták meg. Erre a célra a rendszert helyzeti helyiséggel látták el, amely megfelelő technikai eszközökkel volt felszerelve. Az S. Beer által az irányítási rendszer létrehozására javasolt megközelítés nemcsak a nagy ipari szövetségek, például egy acélipari vállalat, hanem a 70-es évek chilei gazdaságának irányítására is hatékonynak bizonyult.

Hasonló elveket alkalmazott az érvek csoportos elszámolásának (MGUA) módszerében egy ukrán kibernetikus egy virágzó Anglia gazdaságának modellezésére. A közgazdászokkal (Parks és mtsai.), Aki több mint kétszáz független, a bruttó jövedelmet befolyásoló változót javasolt, több (öt-hat) fő tényezőt azonosított, amelyek nagy pontossággal meghatározzák a kimeneti változó értékét. E modellek alapján a gazdaság befolyásolásának különféle lehetőségeit dolgozták ki azzal a céllal, hogy növeljék a gazdasági növekedést különböző megtakarítási, inflációs és munkanélküliségi ráták mellett.

Az érvek csoportos figyelembe vételének javasolt módszere a komplex, különösen a gazdasági rendszerek modelljeinek önszerveződésének elvén alapul, és lehetővé teszi az adatok összetett rejtett függőségeinek meghatározását, amelyeket a szokásos statisztikai módszerek nem észlelnek. Ezt a módszert A. És Ivakhnenko sikeresen alkalmazta a gazdaság állapotának felmérésére és annak előrejelzésére olyan országokban, mint az Egyesült Államok, Nagy-Britannia, Bulgária és Németország. nagyszámú független (ötven-kétszáz) változót használt, amelyek leírják a gazdaság állapotát és befolyásolják a vizsgált országok bruttó jövedelmét. Ezen változók elemzése alapján az érvek csoportos elszámolásának módszerével azonosítottuk azokat a fő, jelentős tényezőket, amelyek nagy pontossággal meghatározzák a kimeneti változó (bruttó jövedelem) értékét.

Az ilyen irányú kutatás stimuláló hatást gyakorolt \u200b\u200baz ideghálózati módszerek kifejlesztésére, amelyeket az utóbbi időben intenzíven alkalmaztak azzal a képességgel kapcsolatban, hogy képesek legyenek kicsikarni a tapasztalatokat és az ismereteket egy apró osztályozott szekvenciából. Az ilyen szekvenciákon végzett edzés után a neurális hálózatok ugyanúgy képesek megoldani a bonyolult, nem formalizálható problémákat, mint a szakértők tudásuk és intuíciójuk alapján. Ezek az előnyök különösen jelentősek egy átmeneti gazdaság körülményei között, amelyet egyenetlen fejlettségi ráta, eltérő inflációs ráta, rövid időtartam, valamint hiányos és ellentmondásos ismeretek jellemeznek a jelenlegi gazdasági jelenségekről.

Széles körben ismert, hogy sikeresen alkalmazta a komplex gazdasági rendszerek modelljeinek önszerveződésének elveit egy neurális hálózat kiépítéséhez a gazdasági fejlődés elemzésével és modellezésével kapcsolatos problémák megoldásában Mordovia és Penza régióban.

A neurális számítás sikeres alkalmazásának tipikus példája a pénzügyi szektorban a hitelkockázat kezelése. Mint tudják, a hitelkibocsátás előtt a bankok komplex statisztikai számításokat végeznek a hitelfelvevő pénzügyi megbízhatóságára vonatkozóan annak felmérése érdekében, hogy mekkora valószínűségük van a veszteségeknek az idő előtti hozamból. Az ilyen számítások általában a hiteltörténet, a vállalat fejlődésének dinamikájának, fő pénzügyi mutatóinak stabilitásának és sok más tényezőnek az értékelésén alapulnak. Egy ismert amerikai bank tesztelt egy idegi számítási módszert, és arra a következtetésre jutott, hogy ugyanaz a probléma gyorsabban és pontosabban megoldódik, a már elvégzett ilyen jellegű számítások segítségével. Például a 100 ezer bankszámla kiértékelésének egyik esete során egy neurális számításokon alapuló új rendszer a potenciális nemteljesítők több mint 90% -át azonosította.

A neurális számítás másik nagyon fontos alkalmazási területe a pénzügyi területen a tőzsdei helyzet előrejelzése. A probléma szokásos megközelítése mereven rögzített "játékszabályokon" alapszik, amelyek végül a tőzsdei kereskedési feltételek változásai miatt elveszítik hatékonyságukat. Ezen túlmenően az ilyen megközelítés alapján felépített rendszerek túl lassúak az azonnali döntéshozatalt igénylő helyzetekhez. Ezért az értékpapírpiacon működő főbb japán vállalatok úgy döntöttek, hogy alkalmazzák a neurális számítás módszerét. Egy tipikus, neurális hálózaton alapuló rendszerben több szervezet üzleti tevékenységének 33 éves teljes volumenével adták meg az információkat, beleértve a forgalmat, a korábbi részvényárakat, a jövedelem szintjét stb. Valódi példákon tanulva az ideghálózati rendszer nagyobb előrejelzési pontosságot és jobb teljesítményt mutatott: a statisztikai megközelítéshez képest 19% -kal javult a teljesítmény.

Az egyik legfejlettebb neurális számítási technika az élő szervezetek evolúcióját szimuláló genetikai algoritmus. Ezért felhasználhatók a neurális hálózati paraméterek optimalizálójaként. Hasonló rendszert fejlesztettek ki és telepítettek a magas biztonságú, hosszú lejáratú értékpapír-szerződések teljesítményének előrejelzésére a Hill Samuel Investment Management egyik Sun munkaállomásán. Több kereskedési stratégia szimulálásakor 57% -os pontosságot ért el a piaci mozgás irányának előrejelzésében. A TSB General Insurance (Newport) biztosító cég hasonló módszertant alkalmaz a magánhitel-biztosítás kockázati szintjének előrejelzésére. Ez a neurális hálózat önálló tanulás, az ország munkanélküliségének állapotára vonatkozó statisztikai adatok alapján.

Annak ellenére, hogy Oroszországban a pénzügyi piac még nem stabilizálódott, és matematikai szempontból érvelve, változik a modellje, amely egyrészt az értékpapírpiac fokozatos összeomlásának elvárásával, másrészt a tőzsde részarányának növekedésével függ össze, mind a hazai, mind a befektetési áramlás miatt. és a külföldi tőke, másrészt - a politikai pálya instabilitása mellett mégis észrevehető azoknak a vállalkozásoknak a megjelenése, amelyeknek a hagyományos módszertől eltérő statisztikai módszereket kell használniuk, valamint az IBM sorozatú számítógépek ideghálóinak emulálására szolgáló szoftvertermékek és idegcsomagok számítástechnikai eszközei megjelenése a piacon sőt egyedi neurochipeken alapuló speciális neurotáblák.

Különösen az egyik legerősebb pénzügyi felhasználású idegszámítógép - az Alaptive Solutions 4 neuroBIS-jén alapuló CNAPS PC / 128 - már sikeresen működik Oroszországban. A Tora-Center cég szerint az ideghálózatokat problémáik megoldására használó szervezetek száma már magában foglalta a Központi Bankot, a Sürgősségi Minisztériumot, az Adófelügyeletet, több mint 30 bankot és több mint 60 pénzügyi társaságot. Ezen szervezetek némelyike \u200b\u200bmár közzétette tevékenységének eredményeit a neurokomputer használata terén.

A fentiekből az következik, hogy jelenleg a neurális hálózatok felhasználása a rövid távú költségvetési előrejelzés elkészítéséhez sürgős kutatási téma.

Összegzésképpen meg kell jegyezni, hogy a neurális hálózatok használata az emberi tevékenység minden területén, beleértve a pénzügyi alkalmazásokat is, növekszik, részben kényszerből és egyesek számára biztosított széles lehetőségek miatt, mások presztízse és érdekes érdekek miatt. kérelmek harmadik felek számára.

BIBLIOGRÁFIA

1. Az Orosz Föderáció 2001. január 1-jei szövetségi törvénye (2001.01.01-én módosítva) "Az Orosz Föderáció állami előrejelzéséről és társadalmi és gazdasági fejlesztési programjairól" [Szöveg]

2. Sör S. A cég agya [Szöveg] / S. Sör. - M.: Rádió és kommunikáció, 1993. - 524 o.

3. Galushkin, idegszámítógépek a pénzügyi tevékenységekben [Szöveg] /. - Novoszibirszk: Nauka, 2002. - 215p.

4., Muller prediktív modellek [Szöveg] /, - Kiev: Technics, 1985. - 225 p.

5. Kleshchinsky, előrejelzési módszerek a költségvetési folyamatban [Szöveg] / // Elektronikus folyóirat Corporate Finance, 2011. - № 3 (19) - 71–78.

6. Rutkovskaya M., Plinsky L. Ideghálózatok, genetikai algoritmusok és fuzzy rendszerek: Per. lengyelből [Szöveg] / M. Rutkovskaya, L. Plinsky -: Forró vonal - Telecom, 20-as évek.

7., Kosztyunin-megoldások optimális komplexitású ideghálózatokon [Szöveg] /, // Automatizálás és modern technológiák, 1998. - 4. szám - P. 38-43.

Szövetségi állami felsőoktatási intézmény "Állami Egyetem - Oktatási, Tudományos és Ipari Komplexum", Orel

Műszaki tudomány kandidátus, egyetemi docens, az Információs Rendszerek Tanszék docense

E-mail: ***** @ *** ru

Lapochkin Kristina Sergeevna

Szövetségi állami felsőoktatási intézmény "Állami Egyetem - Oktatási, Tudományos és Ipari Komplexum", Orel

A 11-PI csoport tanulója (m)

De fontosabb feladatok megoldására is - például új gyógyszerek keresésére. A falu szakértőkhöz fordult, hogy megtudja, milyen a technológia, és hogyan használják a hazai vállalatok és egyetemek.

Mik azok a neurális hálózatok?

Kezdjük a definíciókkal, hogy megértsük a neurális hálózatok helyét a mesterséges intelligencia világában, és hogyan viszonyulnak az intelligens rendszerek létrehozásának más technológiáihoz.

Ideghálózatok - a gépi tanulás egyik módszere, amelynek alapjai 1943-ban, még a "mesterséges intelligencia" kifejezés megjelenése előtt keletkeztek. Matematikai modell, amely homályosan hasonlít az állatok idegrendszerének munkájára.

Stanislav Protasov, az Innopolis Egyetem vezető kutatója szerint az emberi agy legközelebbi analógja a konvolúciós ideghálózatok, amelyeket Jan Lekun matematikus talált ki. "Számos mesterséges intelligenciának valló alkalmazás, például a FindFace vagy a Prisma középpontjában állnak" - jegyzi meg.

Gépi tanulás - a mesterséges intelligencia alszakasza a matematika és az informatika metszéspontjában. Tanulmányozza a modellek és algoritmusok építésének módszereit a tanulás elve alapján. A gép elemzi a hozzá betáplált példákat, azonosítja a mintákat, általánosítja azokat és szabályokat épít, amelyek segítségével különféle feladatokat oldanak meg - például előre jelzik az események további fejlődését, vagy felismerik és generálják a képeket, a szöveget és a beszédet. A neurális hálózatok mellett lineáris regressziós módszereket, döntési fákat és egyéb megközelítéseket is alkalmaz.

Mesterséges intelligencia - a számítástechnika egy szakasza a korábban kizárólag az ember előjogának számító gépek által végzett feladatok végrehajtásához szükséges technológiai eszközök létrehozásáról, valamint az ilyen fejlesztések kijelöléséről. Az irányt hivatalosan 1956-ban alakították ki.

Alekszandr Krainov

Mit nevezhetünk mesterséges intelligenciának, és mi nem nevezhető megállapodás kérdésének. Az emberiség összességében nem ért el egyértelmű megfogalmazást arról, hogy mi általában az intelligencia, nemhogy mesterséges. De ha általánosítjuk, mi történik, akkor azt mondhatjuk, hogy a mesterséges intelligencia mély neurális hálózatok, amelyek összetett problémákat oldanak meg az ember szintjéhez közeli szinten, és egy vagy másik mértékben önállóan tanulnak. Ebben az esetben az öntanulás itt azt a képességet jelenti, hogy a nyers adatokból függetlenül kivonhasson egy hasznos jelet.

Mi az ipar jelenlegi állása?

A Gartner elemző ügynökség szerint a gépi tanulás most a felfújt várakozások csúcspontján áll. Az erre a szakaszra jellemző új technológia iránti izgalom túlzott lelkesedéshez vezet, amely sikertelen próbálkozásokká válik mindenütt. Becslések szerint két-öt évbe telik megszabadulni az ipar illúzióitól. Orosz szakértők szerint az ideghálózatoknak hamarosan erőpróbán kell átesniük.

Szergej Negodyaev

az Internet Kezdeményezések Fejlesztési Alapjának portfóliókezelője

Bár a tudósok 70 éve formalizálják és fejlesztik az ideghálózatokat, ennek a technológiának a fejlesztése két fordulópontot mutat. Az első 2007-ben volt, amikor a Torontói Egyetem mély tanulási algoritmusokat hozott létre a többrétegű neurális hálózatok számára. A mai fellendülést kiváltó második pillanat 2012, amikor ugyanazon egyetem kutatói mély ideghálózatokat alkalmaztak és megnyerték az ImageNet versenyt, megtanulva, hogyan lehet felismerni a fotókon és videókon szereplő tárgyakat a lehető legkevesebb hibával.

Most van elegendő számítógépes erő, ha nem is, de a neurális hálózatokon alapuló feladatok döntő többsége. Most a fő akadály a címkézett adatok hiánya. Viszonylag szólva: ahhoz, hogy a rendszer megtanulja felismerni a naplementét videón vagy fényképen, millió naplemente felvételt kell készítenie, pontosan jelezve, hogy hol van a keretben. Például, amikor feltölt egy fotót a Facebookra, barátai felismerik a macskát a lemenő nap sugaraiban, és a közösségi hálózat címkék halmazát látja benne: „állat”, „macska”, „fa”, „padló”, „este”, „ Narancssárga". Akinek több edzési adata van, annak intelligensebb neurális hálózata lesz.

Andrey Kalinin

a Mail.Ru Search vezetője

A neurális hálózaton alapuló szórakoztató alkalmazások - például az Artisto vagy a Vinci - csak a jéghegy csúcsa, és egyúttal kiváló módszer arra, hogy széles közönség számára bemutassák képességeiket. Valójában a neurális hálózatok számos komplex probléma megoldására képesek. A legforróbb területek ma az autopilóták, a hangsegédek, a csevegőrobotok és az orvostudomány.

Alekszandr Krainov

a "Yandex" számítógépes látásszolgáltatás vezetője

Mondhatjuk, hogy a neurális hálózatok fellendülése már megérkezett, de még nem érte el a csúcsát. Csak tovább lesz érdekesebb. A legígéretesebb területek manapság talán a számítógépes látás, a párbeszédrendszerek, a szövegelemzés, a robotika, a pilóta nélküli járművek és a tartalomgenerálás - szövegek, képek, zene.

Ígéretes területek a neurális hálózatok megvalósításához

Szállítás

Robotika

Biotechnológia

Mezőgazdaság

A dolgok internete

Média és szórakozás

Nyelvészet

Biztonság

Vlad Shershulsky

a Microsoft oroszországi technológiai együttműködési programjainak igazgatója

Ma már idegforradalom történt. Néha még nehéz megkülönböztetni a fantáziát a valóságtól. Képzeljen el egy automatizált kombájnt több kamerával. Percenként 5 ezer képet készít, és egy ideghálózaton keresztül elemzi, hogy gyom van-e előtte, vagy kártevőkkel fertőzött növény, majd eldönti, hogy mi legyen a következő lépés. Fantázia? Már nem egészen.

Boris Wolfson

fejlesztési igazgató HeadHunter

A neurális hálózatok körül bizonyos hype van, és véleményem szerint kissé túlértékelték az elvárásokat. Majd megtanuljuk a frusztráció szakaszát, mielőtt megtanulnánk, hogyan lehet hatékonyan használni őket. Számos áttörő kutatási eredmény még nem nagyon alkalmazható az üzleti életben. A gyakorlatban gyakran bölcsebb más gépi tanulási módszereket használni - például különböző döntési fákon alapuló algoritmusokat. Valószínűleg nem tűnik annyira izgalmasnak és futurisztikusnak, de ezek a megközelítések nagyon gyakoriak.

Mit tanítanak az ideghálózatok Oroszországban?

A piaci szereplők egyetértenek abban, hogy a neurális hálózatok számos vívmánya továbbra is csak a tudományos területen alkalmazható. Határain kívül a technológiát elsősorban szórakoztató alkalmazásokban használják, amelyek felkeltik az érdeklődést a téma iránt. Ennek ellenére az orosz fejlesztők ideghálózatokat tanítanak társadalmilag fontos és üzleti problémák megoldására. Vizsgáljuk meg néhány területet részletesebben.

Tudomány és orvostudomány

A Yandex Data Analysis School részt vesz a CRAYFIS kísérletben a Skolkovo, a MIPT, a HSE és az amerikai UCI és NYU egyetemek képviselőivel együtt. Lényege abban rejlik, hogy okostelefonok segítségével ultra-nagy energiájú kozmikus részecskéket keresnek. A kamerákból származó adatokat gyorsított ideghálózatokba továbbítják, amelyek gyengén kölcsönhatásban lévő részecskék nyomait képesek rögzíteni a képeken.

Nem ez az egyetlen nemzetközi kísérlet, amelyben orosz szakemberek vesznek részt. Az Innopolis Egyetem tudósai, Manuel Mazzara és Leonard Yohard részt vesznek a BioDynaMo projektben. Az Intel és a CERN támogatásával olyan prototípust akarnak létrehozni, amely képes az agykéreg teljes körű szimulációjának megismétlésére. Segítségével tervezik az élő emberi agy jelenlétét igénylő kísérletek hatékonyságának és gazdaságosságának növelését.

Jaroszlav Kholodov, az Innopolis professzora részt vett egy olyan számítógépes modell kidolgozásában, amely tízszer gyorsabban képes megjósolni a fehérjekötések kialakulását. Ez az algoritmus felgyorsíthatja az oltások és gyógyszerek kifejlesztését. A Mail.Ru Group, az Insilico Medicine és a Moszkvai Fizikai és Technológiai Intézet fejlesztői szintén megjegyezték ezen a területen. Generatív kontradiktóriumi hálózatokat alkalmaztak molekuláris struktúrák kidolgozására, hogy olyan anyagokat keressenek, amelyek hasznosak lehetnek a ráktól a szív- és érrendszeri betegségekig terjedő betegségek esetén.

Egészség és szépség

2015-ben az orosz Youth Laboratories vállalat elindította az első nemzetközi Beauty.AI szépségversenyt. A benne résztvevők fényképeit ideghálózatok értékelték. A nyertesek meghatározásakor figyelembe vették a nemet, az életkort, az állampolgárságot, a bőrszínt, az arcszimmetriát és a felhasználók ráncainak jelenlétét vagy hiányát. Ez utóbbi tényező arra ösztönözte a szervezőket, hogy hozzák létre a RYNKL szolgáltatást, amely lehetővé teszi, hogy nyomon kövesse, hogyan befolyásolja az öregedés a bőrt, és hogyan küzdenek ellene a különféle gyógyszerek.

A távorvoslásban neurális hálózatokat is használnak. Az orosz orvos, a Medical Medical Technologies, amely az online orvos és a gyermekorvos 24/7 projektjeit irányítja, tesztel egy diagnosztikai botot, amely mind a betegek, mind az orvosok számára hasznos lesz. Az elsőnek megmondja, melyik szakemberrel kell kapcsolatba lépnie bizonyos tünetekkel, a másodiknak pedig segít meghatározni, hogy pontosan miben beteg a látogató.

Az üzleti folyamatok és a reklám optimalizálása

A Leadza orosz startupnak neurális hálózatokkal sikerült hatékonyabban elosztania a hirdetési költségvetéseket a Facebookon és az Instagramon. Az algoritmus elemzi a korábbi kampányok eredményeit, elkészíti a legfontosabb mutatók előrejelzését, és ezek alapján automatikusan átcsoportosítja a költségeket, hogy az online áruházak több vásárlót szerezhessenek alacsonyabb költségekkel.

A GuaranaCam csapata gépi tanulási technológiákkal értékelte az áruk és a reklámanyagok offline elhelyezésének hatékonyságát. A rendszer a Microsoft Azure felhő alapján működik, és elemzi a CCTV kamerák vásárlási viselkedését. A vállalkozások tulajdonosai valós idejű jelentést kapnak a kereskedés állapotáról. A projektet már a Mega Belaya Dacha bevásárlóközpontban alkalmazzák.

A neurális hálózatok üzleti alkalmazásának sikeres hazai példái ezzel még nem érnek véget. A LogistiX, amely 2006 óta kísérletezik mesterséges intelligencia technológiákkal, kifejlesztett egy raktároptimalizáló rendszert. Tanulási ideghálózaton alapul, amely elemzi a fitneszkövetők alkalmazottainak adatait, és újraosztja a közöttük lévő terhelést. Most a csapat tanítja az ideghálózatot, hogy különbséget tegyen a házasság között.

A Belfingrupp megtartása még tovább ment. Leányvállalata, a BFG-soft létrehozta a BFG-IS felhőplatformot, amely lehetővé teszi a vállalkozás futtatását a virtuális modellje segítségével. Ez utóbbi a rendszer által összegyűjtött gyártási adatok alapján automatikusan épül fel, és nem csak megmutatja, hogyan lehet a folyamatokat legjobban rendezni a kitűzött célok figyelembevételével, hanem megjósolja az esetleges változások következményeit is - a berendezések cseréjétől a további műszakok bevezetéséig. Az Internet Initiatives Development Fund 2016 végén úgy döntött, hogy 125 millió rubelt fektet be a cégbe.

Toborzás és személyzeti menedzsment

A Stafory orosz toborzók összesítője befejezi egy visszatérő ideghálózat kiképzését, amely képes nemcsak egyszavas választ adni a jelöltek kérdéseire, hanem teljes értékű beszélgetést is folytat velük az érdeklődés üresedéséről. A SuperJob portál csapata pedig tesztel egy olyan szolgáltatást, amely megjósolja, hogy a több száz hasonló folytatás közül melyikre lesz igény az adott munkáltató számára.

Szállítás

Az intelligens rendszerek, a Cognitive Technologies orosz fejlesztője neurális hálózatokat használ fel a járművek, gyalogosok, útjelző táblák, jelzőlámpák és egyéb objektumok felismerésére. A vállalat adatokat gyűjt a pilóta nélküli jármű ideghálózatának képzésére is. Több tízezer olyan epizódról beszélünk, amelyek leírják a járművezetők reakcióit bizonyos kritikus helyzetekben az utakon. Ennek eredményeként a rendszernek meg kell fogalmaznia az optimális forgatókönyveket az autóbot viselkedésére. Ugyanezeket a technológiákat használják az intelligens mezőgazdasági közlekedés létrehozására.

Ezenkívül a neurális hálózatok felhasználhatók a szállításban és más módon is. 2016 nyarán a Yandex hozzáadta az Auto.ru hirdetőtáblájához azt a funkciót, hogy fényképe alapján automatikusan felismerje az autó modelljét. Abban az időben a rendszer 100 jelet tudott.

Pszichológia és biztonság

Az orosz NTechLab startup, amely legyőzte a Google-t az arcfelismerési algoritmusok nemzetközi versenyén A The MegaFace Benchmark gépi tanulási technológiákat használt a FindFace alkalmazásban. Ez lehetővé teszi, hogy fénykép segítségével megtaláljon egy személyt a közösségi hálózatokon. A felhasználók gyakran fordulnak a szolgáltatáshoz, hogy azonosítsák a hamisítványokat, de a rendvédelmi tisztviselők számára is hasznos lehet. Segítségével már több bűnözőt azonosítottak, köztük a moszkvai Citibank gépeltérítőt. A FindFace.Pro üzleti verzió az ügyfelek azonosításában érdekelt vállalatok számára elérhető. Most arra tanítják a rendszert, hogy meghatározzák mások nemét, életkorát és érzelmeit, amelyek nemcsak az ügyfelekkel való kommunikáció során, hanem a személyzet irányításakor is hasznosak lehetnek.

Egy másik orosz vállalat, a VisionLabs hasonló módon használja az ideghálózatokat. Az arcfelismerő technológiákat használja a bankbiztonság biztosítására, és különleges ajánlatokat hoz létre a különböző kiskereskedelmi egységek leghűségesebb ügyfelei számára.

Az "Emotian" induló hasonló irányban működik. Véglegesíti a városok érzelmi állapotának meghatározására szolgáló rendszert. Az ideghálózat eddig a közösségi hálózatok publikációi alapján számolta ki a legboldogabb területeket, de a jövőben a vállalat figyelembe fogja venni a kamerák biometrikus adatait.

Média és kreativitás

A Yandex az orosz ideghálózati piac egyik fő szereplője. A vállalat nemcsak a keresőmotorokban, hanem más termékekben is használja a gépi tanulást. 2015-ben elindította a Zen ajánlási rendszert, amely híreket, cikkeket, fotókat és videókat készít egy adott felhasználó érdeklődése alapján. Minél gyakrabban hivatkozik az algoritmus által kiválasztott anyagokra, annál pontosabban határozza meg az ideghálózat, hogy mi tetszik neki.

Ezenkívül a Yandex a kreativitással kísérletezik. A vállalat munkatársainak már sikerült neurális hálózati megközelítést alkalmazniuk a költészetben, majd

Moszkvai Oktatási Minisztérium

GBOU tornacsarnok №1503

"NEUR HÁLÓZATOK. ALKALMAZÁSUK, SZEREPE ÉS JELENTŐSÉGE

A KORSZERŰ ÉS JÖVŐBEN GAZDASÁGBAN "

(kutatómunka)
Elkészült

10. osztályos tanuló

Brazhenko Dmitry

Vezető:

Kuprikov Alexander Vasilievich

Moszkva

2013. év

Ideghálózatok. Alkalmazásuk, szerepük és jelentőségük a modern és a jövő gazdaságában
Terv:

Bevezetés ………………………………………………………………………………………… Célok és célkitűzések……………………………………………………………………………………… Az ideghálózatok fogalma, jelentése ……………………………………………………… A legegyszerűbb analitikai technológia …………………………………………… Nemlineáris probléma …………………………………………………………………… .. A neurális hálózatok használatának előnyei ……………………………………… A neurális hálózatok működésének elve …………………………………………………… Szoftver implementációk ………………………………………………………………… Ideghálózatok alkalmazása …………………………………………………………… Az árajánlatok változásának előrejelzése ………………………………………… ... Ár- és termelésirányítás ……………………………………………… Keresleti tényezők kutatása ……………………………………………………… .. Vagyonértékelés …………………………………………………………………. Fogyasztói piacelemzés ……………………………………………………… Csalás elleni ……………………………………………………………… Szöveget felismerő …………………………………………………………………… Az empirikus rész ……………………………………………………………………… Az USD / RUR árfolyam változásainak előrejelzése ………………………………………… Ingatlanértékelés …………………………………………………… .. Az ideghálózatok használatának hátrányai ……………………………………………… Következtetés …………………………………………………………………………………… Bibliográfia……………………………………………………………………………… Mellékletek ……………………………………………………………………………. …… ...

3

A veszély nem az, hogy egy számítógép egyszer majd úgy fog gondolkodni, mint egy ember, hanem az, hogy egy ember egyszer majd úgy gondolkodik, mint egy számítógép.

(Sydney J. Harris)

Bevezetés

A modern világban a gazdasági számításoknak nagyon pontosaknak kell lenniük, a korábbi tapasztalatokra támaszkodva. A hagyományos módszerek, például az új termékek iránti kereslet előrejelzése nyilvános felmérés útján, a kapott adatok manuális elemzése, a termékek minőségének elemzése az egyedi példányok tesztelésével és a lehetséges kockázatok standard módon történő kezelése, a viszonylag alacsony pontosság miatt lassan, de biztosan háttérbe szorulnak.

A neurális hálózatok egy új és nagyon ígéretes számítási technológiát képviselnek, amely teljesen új megközelítéseket kínál a gazdasági tér dinamikus problémáinak tanulmányozásához. Kezdetben a neurális hálózatok új lehetőségeket nyitottak a mintafelismerés területén, majd statisztikai és a komplex összefüggések (mesterséges intelligencia) keresési módszerén alapuló módszerekkel egészítették ki a döntéshozatal és a problémamegoldás támogatását a közgazdaságtan területén.

A nemlineáris folyamatok modellezésének képessége, a zajos adatokkal és az alkalmazkodóképességgel való munka lehetővé teszi a neurális hálózatok használatát a problémák széles körének megoldására, amelyek a legkülönbözőbb érdeklődési területeket lefedik. Mintafelismerés, zajos vagy hiányos adatok feldolgozása, asszociatív keresés, osztályozás, optimalizálás, előrejelzés, diagnosztika, folyamatirányítás, adatszegmentálás, információtömörítés, összetett kijelzők, nem szabványos folyamatok szimulációja, beszédfelismerés.

Az elmúlt években számos szoftveres rendszert fejlesztettek ki neurális hálózatokon alapulva olyan kérdésekben, mint az árupiaci műveletek, a bankcsőd valószínűségének felmérése, a hitelképesség értékelése, a beruházások ellenőrzése és a hitelek elhelyezése.

Az ideghálózatok közgazdasági felhasználásának egyáltalán nem a hagyományos módszerek kiszorítása vagy a kerék újrafeltalálása a cél, hanem a problémák megoldásának egy másik lehetséges eszköze.

Az információ párhuzamos feldolgozásának módszereinek létrehozása jótékony hatással volt az idegi hálózati technológiák fejlődésére.

A hipotézis szerint az ideghálózatokat olyan eszköznek tekintik, amely képes a legösszetettebb függőségek azonosítására. Munkám során ezt szeretném kipróbálni.

Kutatásom gyakorlati jelentősége összefügg azzal, hogy manapság nem túl sok vállalat használja az idegi hálózatokat fő eszközként. Ezért a "normál" számítás során hibákat követhetnek el, amelyek a "neurális hálózat" megközelítéssel azonosíthatók.

Munkámat 5 fejezetre osztottam. Az első fejezetben feltárom a neurális hálózatok általános fogalmait, azok jelentését. A második fejezetben szoftveres megvalósításokat adok meg, azaz neurális hálózatokkal való együttműködésre tervezett programok. A 3. fejezetben részletes példákat adok a neurális hálózatok gyakorlati alkalmazására. A negyedik fejezetben két példát választok ki, és neurális hálózati technológiát alkalmazva kutatást folytatok, amelynek eredményeit munkámban ismertetem.

A mű megírásának célja:

• 
  Felfedje az ideghálózatok használatának szükségességét a közgazdaságtanban

Feladatok:

1. 
   Megérteni az ideghálózatok rendszerét, megérteni, hogy mik azok
2. 
   Definiálja a neurális hálózatok segítségével megoldható gazdasági problémákat
3. 
   Modellezzen egy neurális hálózatot egy szoftveres neurális csomag segítségével, és használjon gyakorlati példát
4. 
   A neurális hálózatok gazdasági problémákban történő felhasználásának hatékonyságának felmérése.

1. Az ideghálózatok fogalma, jelentése.

A neurális hálózatok az adatok feldolgozására és elemzésére szolgáló adaptív rendszerek, amelyek egy matematikai struktúra, amely utánozza az emberi agy bizonyos aspektusait, és olyan képességeket mutat be, mint a nem formális tanulás képessége, a nem osztályozott információk általánosításának és csoportosításának képessége, az önálló előrejelzések képessége az adatok alapján. a már bemutatott idősorok, az összetett analitikai összefüggések megtalálásának képessége.

Fő különbségük más módszerektől, például a szakértői rendszerektől, az, hogy az ideghálózatoknak nincs szükségük előre meghatározott modellre, hanem a bemeneti információk alapján alkotják. Ezért idegrendszeri hálózatok és genetikai algoritmusok mindenütt a gyakorlatba kerültek, ahol szükséges az előrejelzés, osztályozás, irányítás problémáinak megoldása - más szóval, az emberi tevékenység területén, ahol rosszul vannak algoritmikus problémák, amelyek megoldásához vagy képzett szakértőkből álló csoport állandó munkája, vagy adaptív automatizálási rendszerek szükségesek , amelyek ideghálózatok. A neurális hálózatok tehát komplex analitikai technológiának tekinthetők, azaz olyan technika, amely ismert algoritmusok alapján lehetővé teszi az ismeretlen paraméterek értékeinek levezetését adott adatokból.

1.1. A legegyszerűbb analitikai technológia

Az érthetőség érdekében klasszikus példát hozok a legegyszerűbb analitikai technológiára: a Pitagorasz-tétel, amely lehetővé teszi a hipotenusz hosszának meghatározását a lábak hossza alapján.

c 2 \u003d a 2 + b 2.

Az a és b paraméterek ismeretében egyáltalán nem nehéz kiszámítani a c [hipotenusz] értéket.

1.2. "Nemlineáris probléma"

Az analitikai technológia teljesen más változata az a módszer, ahogyan az emberi agy feldolgozza az információkat. Ilyen analitikai technológiára példaként említhetjük a tömegben ismert arcokat, vagy több izom hatékony kezelését a sportban. Ezek a feladatok, amelyeket még a gyermek agya is megoldhat, még nem tartoznak a modern számítógépek alá.

Az emberi agy egyedisége abban rejlik, hogy megtanulhat új problémákat megoldani, például autót vezetni, idegen nyelveket tanulni stb. Ennek ellenére az agy nincs felkészülve nagy mennyiségű információ feldolgozására - egy személy papír vagy számológép használata nélkül sem tudja kiszámolni a fejében lévő nagy szám négyzetgyökét. A gyakorlatban gyakran találkoznak olyan numerikus problémákkal, amelyek sokkal összetettebbek, mint a gyökérkivonás. Az ilyen problémák megoldásához további eszközökre van szükség.

A neurális hálózat veszi a bemeneti információkat és elemzi azokat hasonló módon, mint az agyunk. A hálózat képes tanulni. A későbbi eredményeket a korábbi tapasztalatok alapján adják ki.

A probléma megoldására ideghálókat használó szakember fő feladata az, hogy ki kell választani a neurális hálózat leghatékonyabb architektúráját, azaz. válassza ki a megfelelő idegháló típusát, az edzés algoritmusát, az idegsejtek számát és a közöttük lévő kapcsolatok típusait. Sajnos ennek a munkának nincs szigorú algoritmusa, a különböző típusú neurális hálózati architektúrák mély megértését igényli, sok kutatást igényel, és sokáig tarthat.

A neurális hálózatok használata ajánlott, ha:

Elegendő mennyiségű adat gyűlt össze a rendszer korábbi viselkedéséről

Nincsenek hagyományos módszerek vagy algoritmusok a probléma kielégítő megoldására

Az adatok részben torzak, hiányosak vagy következetlenek, ennek eredményeként a hagyományos módszerek nem kielégítő eredményt adnak

A neurális hálózatok akkor teljesítenek a legjobban, ahol nagy mennyiségű bemeneti adat van, amelyek között implicit kapcsolatok és minták vannak. Ebben az esetben a neurális hálózatok segítenek automatikusan figyelembe venni az adatokban rejtett különféle nemlineáris függőségeket. Ez különösen fontos a döntéstámogató rendszerekben és az előrejelzési rendszerekben.

1.3. A neurális hálózatok használatának előnyei

A neurális hálózatok nélkülözhetetlenek az adatok elemzésében, például az előzetes elemzéshez vagy a kiválasztáshoz, a súlyos emberi hibák felderítéséhez. Célszerű a neurális hálózati módszereket alkalmazni a hiányos információkkal kapcsolatos problémákban, olyan problémákban, ahol intuitív módon lehet megoldást találni, ugyanakkor a hagyományos matematikai modellek nem adják meg a kívánt eredményt.

Az ideghálózati módszerek kiválóan kiegészítik a hagyományos statisztikai elemzési módszereket, amelyek többsége bizonyos feltételezéseken és elméleti következtetéseken alapuló építési modellekhez kapcsolódik (például, hogy a kívánt függőség lineáris vagy valamilyen változó normális eloszlású). A neurális hálózati megközelítés nem kapcsolódik ilyen feltételezésekhez - lineáris és komplex nemlineáris függőségekre egyaránt alkalmas, de feltáró adatelemzés során különösen hatékony, amikor a cél az, hogy kiderüljön, vannak-e függőségek a változók között. Sőt, az adatok hiányosak, ellentmondásosak, sőt tudatosan torzulhatnak. Ha a bemeneti és kimeneti adatok között valamiféle kapcsolat van, amelyet a hagyományos korrelációs módszerek nem is észlelnek, akkor az ideghálózat képes arra, hogy adott fokú pontossággal automatikusan ráhangolódjon. Ezenkívül a modern neurális hálózatok további képességekkel rendelkeznek: lehetővé teszik a különböző típusú input információk relatív fontosságának felmérését, jelentős mennyiségű adatok elvesztése nélkül csökkentik annak mennyiségét, felismerik a kritikus helyzetek megközelítésének tüneteit stb.

1.4. Hogyan működnek az ideghálózatok

A modern számítógépek sebessége körülbelül 100 Mflops (10 ^ 8 flop) (a flop a számítógép sebességének lebegőpontos egysége). Az agy körülbelül 10 ^ 11 neuront tartalmaz. Egy idegimpulzus átmeneti ideje 1 ms, általánosan elfogadott, hogy egy idegsejt teljesítménye 10 flop nagyságrendű. Az ekvivalens agysebesség 10 ^ 11 * 10 \u003d 10 ^ 12 papucs. Ha figyelembe vesszük az agy által megoldott problémákat, és kiszámoljuk a szükséges műveletek számát a hagyományos számítógépeken történő megoldáshoz, akkor 10 ^ 12 flop értékig kapunk egy becslést a teljesítményről. A közönséges számítógép és az agy teljesítménybeli különbsége 4 nagyságrend! Ez a nyereség nagyrészt az agy párhuzamos feldolgozásának köszönhető. Következésképpen a számítógépek teljesítményének javítása érdekében át kell térni a von Neumann-elvekről a párhuzamos információ-feldolgozásra. A párhuzamos számítógépek azonban számos okból még nem terjedtek el, amelyek oka a megvalósítás technikai nehézségei.

A mesterséges neurális hálózat a biológiai ideghálózat nagymértékben leegyszerűsített modellje, azaz. az idegrendszer eleme. Az alapgondolatok és alapelvek a biológiából származnak:

• 
  A neuron egy kapcsoló, amely impulzusokat vagy jeleket fogad és továbbít. Ha egy idegsejt elég erős impulzust kap, akkor azt mondják, hogy az idegsejt aktiválódik, vagyis továbbítja az impulzusokat a hozzá kapcsolódó idegsejtekhez. Egy inaktiválatlan idegsejt nyugalomban marad, és nem ad át impulzust.
• 
  Az idegsejt több összetevőből áll: szinapszisok, amelyek összekapcsolják az idegsejteket más idegsejtekkel és impulzusokat fogadnak a szomszédos idegsejtektől, egy axon, amely továbbítja az impulzusokat más idegsejtekre, és egy dendrit, amely különböző forrásokból származó jeleket fogad, ideértve a neuronokat is. szinapszisokból.
• 
  Amikor egy idegsejt egy bizonyos küszöbértéket meghaladó impulzust kap, továbbítja az impulzust a következő idegsejteknek (aktiválja az impulzust).
• 
  A szinapszis két részből áll: a preszinaptikus, amely az impulzusátadó sejt axonjához kapcsolódik, és a posztszinaptikus, amely az impulzust vevő sejt dendritjéhez kapcsolódik. A szinapszis mindkét részét szinaptikus hasadék köti össze.

Az idegsejtektől a többi idegsejtig terjedő jelet egy axonon keresztül továbbítják, amely nem kapcsolódik közvetlenül a befogadó idegsejtekhez. Az impulzus többször változik a szinapszisban: küldés előtt - a preszinaptikus részben és átvételkor - a posztszinaptikus részben.

Az átviteli impulzus az idegsejtben képződik egy vagy több kapott impulzus függvényében. Több impulzus esetén az idegsejt felhalmozza őket. Az, hogy át fog-e adni egy impulzust, a kapott impulzusok jellegétől függ, kitől továbbították őket stb. Így az átvitt és a vett impulzusok közötti kapcsolat nem lineáris. Ha egy neuron impulzust továbbít, akkor aktiválódik.

A neuron matematikai modellje a következőképpen épül fel:

Ábra: 1. Mesterséges neuron modellje

• 
  Az X neuronmodell bemenete egy vektor, amely nagyszámú (N) komponensből áll. Az Xi bemeneti vektor minden alkotóeleme az egyik impulzus, amelyet az idegsejt fogad.
• 
  A neuronmodell kimenete egy szám X *. Ez azt jelenti, hogy a modellen belül a bemeneti vektort transzformálni és skalárrá kell összesíteni. A jövőben ez az impulzus átkerül más idegsejtekre.
• 
  Ismeretes, hogy amikor impulzus érkezik, az idegsejt szinapszisa megváltoztatja azt. Matematikailag ez a változásfolyamat a következőképpen írható le: az Xi bemenet minden egyes eleméhez egy súlyt állítunk be. A szinapszison átmenő impulzus WiXi formát ölt. Ne feledje, hogy a súlyok hozzárendelhetők a modell inicializálása során, vagy változtathatók és mérhetők a számítások során. A súlyok a hálózat belső paraméterei, amelyeket fentebb tárgyaltunk. Ha hálózati képzésről beszélünk, akkor a szinapszisúlyok megtalálását jelentik.
• 
  A kapott impulzusok összeadása. A kapott impulzusok összesítése az sumWiXi összeg kiszámítása.

Ábra: 2. Példa egy rejtett rétegű neurális hálózatra.

Az idegsejtek általában a hálózaton helyezkednek el szinteken. Az ábra egy háromrétegű neurális hálózat példáját mutatja:

1. 
   Az első szinten vannak bemeneti idegsejtek (kékkel jelölve), amelyek kívülről fogadnak adatokat, és szinapszisokon keresztül továbbítják az impulzusokat a következő szint neuronjainak.
2. 
   A rejtett (második, piros) szintű neuronok feldolgozzák a kapott impulzusokat, és továbbítják azokat a kimeneti (harmadik, zöld) szinten lévő neuronokhoz.
3. 
   A kimeneti szintű neronok elkészítik az adatok végső elemzését és kimenetét.

Természetesen a hálózat architektúrája összetettebb lehet, például nagyszámú rejtett réteggel vagy változó számú neuronnal. A neurális hálózati modelleket három fő dimenzió szerint osztályozzák:

• 
  A hálózat neuronszintjei közötti kapcsolat típusa
• 
  Transzfer funkció típusa;
• 
  Az alkalmazott hálózati tanulási algoritmus

Továbbá a legfontosabb szakasz az ideghálózat képzése. A hálózat betanítása után feltételezhetjük, hogy használatra kész.

Ábra: 3. Az ideghálózat tanulási folyamata