Neurala nätverk: Praktisk applikation. Vad i Ryssland lär neurala nätverk neurala nätverk i ekonomi och företag

neural Network Intelligence Artificial Business

Neurala nätverk kan implementeras av programvara eller hårdvara.

alternativ hårdvaragenomförandet är neurokomputörer, neuroplater och neurobis (stora integrerade kretsar). En av de enklaste och billiga neurobis är en Micro-enheter MD 1220-modell, som implementerar ett nätverk med 8 neuroner och 120 synapser. Bland lovande utveckling kan du allokera Adaptiva lösningar (USA) och Hitachi (Japan). Neurobis är en av de mest höghastighetsgrad: deklarerad bearbetningshastighet är 1,2 miljarder internauronföreningar per sekund (MHC / s). Scheman som produceras av Hitachi, gör det möjligt att implementera artificiella neurala nätverk som innehåller upp till 576 neuroner.

De flesta moderna neurokomputörer är en persondator eller arbetsstation, som innehåller ytterligare neuroplattor. Dessa inkluderar till exempel Fujitsu FMR-seriatorer. Möjligheterna för sådana system är tillräckligt att lösa ett stort antal tillämpade problem med neuromathematikmetoder, samt att utveckla nya algoritmer. Specialiserade neurokomputörer är av största intresse, där principerna för den neurala nätverksarkitekturen implementeras. Typiska representanter för sådana system är datorerna i Markusfamiljen i företaget TRW (det första genomförandet av Perceptron, som utvecklats av F. Rosenblat, kallades Mark I). Mark III-modellen i TRW är en arbetsstation som innehåller upp till 15 Motorola 68000 familjeprocessorer med matematiska coprocessorer. Alla VME Bus-kombinerade processorer. Systemarkitekturen som stöder upp till 65 000 virtuella processorelement med mer cell 1 miljoner föreningar gör att du kan behandla upp till 450 tusen mns / s.

Ett annat exempel är Netsims neurocomputer skapad av Texas Instruments baserat på utvecklingen av University of Cambridge. Topologin är ett tredimensionellt nät av standardberäkningsnoder baserade på processorer 80188. Netsim används för att simulera Hopfield-Kohonen-nätverk. Dess produktivitet når 450 miljoner mns / s.

I de fall där utvecklingen eller genomförandet av hårdvaruimplementeringar av neurala nätverk är för dyrt, används det billigare programvaruimplementering.En av de vanligaste mjukvaruprodukterna är en programfamilj. Brainmaker.cSS (California Scientfic Software). Ursprungligen utvecklad av företaget Loral Space Systems på begäran NASA och Johnson Space Center Package Brainmaker.bollen är snart anpassad för kommersiella applikationer och används idag av flera tusen finansiella och industriella företag, liksom amerikanska försvarsavdelningar för att lösa problemen med prognoser, optimering och modelleringssituationer.

Paketuppdrag Brainmaker.- Lösa uppgifter för vilka de formella metoderna och algoritmerna ännu inte har hittats, och ingångsdata är ofullständiga, roaming och motsägelsefulla. Sådana uppgifter inkluderar prognosväxlingsgrader och aktier på börser, modellering av krissituationer, bildigenkänning och många andra. Brainmaker.lös upp uppgiften, med hjälp av den matematiska apparaten av teorin om neurala nätverk (mer specifikt, Hopfield-nätverket med träning på metoden för omvänd spridning av ett fel). En modell av ett multilager neuralt nätverk är byggt i RAM, som har en egendom att lära sig på en mängd olika exempel, optimera sin interna struktur. Med det rätta valet av nätverksstrukturen efter träningen på ett tillräckligt stort antal exempel kan du uppnå hög tillförlitlighet av resultaten (97% och högre). Det finns versioner Brainmaker.för MS Dos och MS Windows, liksom för Apple Macintosh. Förutom den grundläggande versionen av paketet i familjen Brainmaker.följande tillägg inkluderar:

Brainmaker student.- paketversion för universitet. Det är särskilt populärt i små företag som specialiserat sig på skapandet av applikationer och för inte mycket komplexa uppgifter.

Verktygskitalternativ- En uppsättning av tre ytterligare program som ökar möjligheterna Brainmaker, binär,som översätter inlärningsinformationen till ett binärt format för att påskynda träningen. Hypersonic Training,där höghastighets lärande algoritm används; Plottning som visar fakta, statistik och annan data i grafisk form.

Brainmaker Professional- Professionell paketversion Brainmaker.med avancerad funktionalitet. Inkluderar alla alternativ Verktygslåda.

Genetisk träningsalternativ(För paketet Brainmaker Pro) - Det automatiska optimeringsprogrammet för det neurala nätverket för att lösa den angivna klassen av uppgifter med hjälp av genetiska algoritmer för närvaron av de bästa lösningarna.

Datmakerredigerare- Specialiserad redaktör för att automatisera datapreparat när du ställer in och använder ett neuralt nätverk.

Utbildning finansiella data.- Specialiserade dataset för att konfigurera det neurala nätverket till olika typer av analytiska, kommersiella och finansiella operationer, som inkluderar de verkliga värdena för makroekonomiska indikatorer NYSE, NADDAW, ASE, OEX, DOW, etc., inflationsindex, statistiska uppgifter om lager Rapporterar om olika typer av produkter, och även information om terminsavtal och mycket mer.

Brainmaker Accelerator- Specialiserad neuroplerad accelerator baserad på TMS320C25-signalprocessorer i Texas Instruments. Sätt i en persondator, det accelererar paketet flera gånger Brainmaker.

Brainmaker Accelerator Pro.- Professionell multiprocessor Neural Board. Den innehåller fem TMS320C30-signalprocessorer och 32 MB RAM.

För närvarande har mjukvarumarknaden ett stort antal olika paket för att designa neurala nätverk och lösa olika uppgifter. Paket Brainmaker.du kan ringa veteranen på marknaden. Förutom representanter för den här familjen kan du tilldela välkänd och vanlig programvara. Nurroshell.(Wardsystems grupp), Neuro fungerar.(Neural Ware Inc.) och NeurosolutionerNeuroDimension Inc.). Objektorienterade familjemiljöprogram Neurosolutionerutformad för att simulera ett artificiellt neuralt nätverk av en godtycklig struktur. Användarsystem Neurosolutionermöjligheterna för forskning och dialoghantering tillhandahålls. Alla data på nätverket är tillgängliga för visning i inlärningsprocessen genom en mängd olika visualiseringsverktyg. Utforma ett konstgjort neuralt nätverk i systemet Neurosolutionerbaserat på den modulära principen, vilket gör att du kan simulera standard och nya topologier. En viktig fördel med systemet är närvaron av specialverktyg som tillåter modellering av dynamiska processer i ett artificiellt neuralt nätverk.

Användningen av neurala nätverksteknologier är tillrådligt vid lösning av uppgifter med följande tecken:

Frånvaron av algoritmer för att lösa problem i närvaro av ett tillräckligt stort antal parametrar;

Förekomsten av en stor mängd inmatningsinformation som kännetecknar det undersökta problemet.

Buller, partiell inkonsekvens, infertion eller redundans av källdata.

Neural Technologies har använts i stor utsträckning som trycktextigenkänning, produktkvalitetskontroll i produktion, identifiering av händelser i partikelacceleratorer, oljeutforskning, drogkontroll, medicinska och militära applikationer, hantering och optimering, finansiell analys, förutsägelse etc.

I ekonomin kan neurala nätverksteknik användas för att klassificera och analysera tillfällig serie genom approximation av komplexa olinjära funktioner. Det är experimentellt fastställt att modellen för neurala nätverk ger större noggrannhet för att identifiera icke-linjära mönster på aktiemarknaden jämfört med regressionsmodeller.

Neural Technologies används aktivt i marknadsföring för att simulera kundbeteende och distribution av marknadsandelar. Neural Technologies tillåter dig att hitta dolda mönster i marknadsföringsdatabaser.

Simulering av kundbeteende gör att du kan bestämma egenskaperna hos personer som måste reagera på reklam och köpa inköp av en viss produkt eller tjänst.

Segmentering och modellering av marknader baserade på neuralteknik gör det möjligt att bygga flexibla klassificeringssystem som kan segmentera marknader, med beaktande av olika faktorer och egenskaper hos varje kund.

Teknik av artificiella neurala nätverk har goda förutsättningar för att lösa problem med imitation och förutsägelse av beteendegenskaper hos chefer och risk förutsägelser vid utfärdande av lån. Inte mindre viktigt för användningen av konstgjorda neurala nätverk när man väljer kunder för hypotekslån, förutsägelser av bankkunds konkurs, definitionen av bedrägliga transaktioner vid användning av kreditkort, utarbeta kundbetyg för lån med fasta betalningar etc.

Man bör komma ihåg att användningen av neural nätverksteknik inte alltid är möjlig och förknippad med vissa problem och nackdelar.

1. Det är nödvändigt minst 50 och bättre 100 observationer för att skapa en acceptabel modell. Detta är ett ganska stort antal data, och de är inte alltid tillgängliga. Till exempel, vid framställning av säsongsvaror, är historien om tidigare årstider inte tillräckligt för att prognostisera den nuvarande säsongen på grund av förändringar i produktstil, försäljningspolitik etc. Även för att förutsäga efterfrågan på en ganska stabil produkt baserad på månatlig försäljningsinformation är det svårt att ackumulera historiska data från 50 till 100 månader. För säsongsvaror är problemet ännu svårare, eftersom varje säsong faktiskt representerar en observation. Med bristen på informationsmodellen för artificiella neurala nätverk bygger de i förhållanden med ofullständiga data och utför sedan deras sekventiella förfining.

2. Bygga neurala nätverk kräver betydande arbetskostnader och tidskostnader för att få en tillfredsställande modell. Man måste komma ihåg att det inte finns någon hög noggrannhet som erhålls på utbildningsprovet, kan leda till instabiliteten av resultaten på testprovet - i det här fallet finns ett "omskolnings" -nätverk. Ju bättre systemet är anpassat till specifika förhållanden, desto mindre är det kapabelt att generalisera och extrapolera och förr det kan det vara oanvändbart när man ändrar dessa förhållanden. Genom att expandera volymen av träningsprovet kan du uppnå större stabilitet, men genom att öka inlärningstiden.

3. När du undervisar neurala nätverk kan fällor inträffa förknippade med att komma in i lokala minima. Den deterministiska inlärningsalgoritmen kan inte upptäcka det globala extremumet eller lämna det lokala läget. En av de tekniker som gör det möjligt för dig att kringgå "fällor", är utvidgningen av utrymmet av utrymmet genom att öka antalet neuroner av de dolda skikten. Några möjligheter att lösa detta problem öppnar stokastiska inlärningsmetoder. Vid modifiering av nätverkets vägar endast på grundval av information på riktningen av den gradientvektor av målfunktionen i utrymmet, är det möjligt att nå ett lokalt minimum, men det är omöjligt att komma ut ur det, sedan Vid extremitetspunkten "drivkraft" (gradient) lägger till noll och orsaken till rörelsen försvinner. För att lämna det lokala extremumet och gå till sökandet efter global extremum, måste du skapa en extra kraft som beror inte på lutningen av målfunktionen, men från några andra faktorer. En enkel metod är att helt enkelt skapa en slumpmässig kraft och lägga till den att deterministisk.

4. Neuronens siktiga karaktär är anledningen till att om i inlärningsprocessen blir flera vikter för stora, kommer neuronet in i den horisontella delen av funktionen i mättnadsområdet. Samtidigt påverkar förändringar i andra vågar, även tillräckligt stora, praktiskt taget inte storleken på utsignalen hos en sådan neuron, och därmed värdet av målfunktionen.

5. Ett dåligt urval av ingångsvariablerna är ett ganska elementärt, men ofta utfört fel. Om det är en binär variabel med ett värde av 0 och 1, då vid ungefär hälften av fallen kommer det att ha ett nollvärde: \u003d 0. Eftersom det ingår i uttrycket för att modifiera vikten i form av en faktor, Effekten kommer att vara densamma som under mättnad: modifiering av respektive våg kommer att blockeras. Det korrekta intervallet för ingångsvariabler bör vara symmetriska, exempelvis från +1 till -1.

6. Processen att lösa problem med det neurala nätverket är "ogenomskinligt" för användaren, vilket kan orsaka misstro mot nätverks prediktiva förmågor på sin sida.

7. Den prediktiva nätverksförmågan minskas avsevärt om fakta som inkommit till ingången (data) har signifikanta skillnader från de exempel på vilka nätverket utbildades. Denna brist uppenbaras tydligt för att lösa uppgifterna för ekonomisk prognos, särskilt när man bestämmer trenderna för värdepappersnoteringar och valutarärer på lager och finansmarknader.

8. Det finns inga teoretiskt motiverade regler för utformning och effektiva lärande neurala nätverk. Denna nackdel leder, i synnerhet till förlusten av neurala nätverk av förmågan att generalisera data för ämnesområdet i omskolningsstaterna (överbrytande).

Skicka ditt bra arbete i kunskapsbasen är enkel. Använd formuläret nedan

Studenter, doktorander, unga forskare som använder kunskapsbasen i sina studier och arbete är mycket tacksamma för dig.

• Introduktion
• Slutsats
• Introduktion
• Den positiva effekten på utvecklingen av neuralteknik var skapandet av metoder för parallell informationsbehandling.
• Det är nödvändigt att uttrycka uppskattning till en underbar kirurg, filosof och cybernetisk n.m. Amosov, tillsammans med studenter att systematisera ett tillvägagångssätt för skapandet av artificiell intelligens (AI). Detta tillvägagångssätt är som följer.
• Grunden för AI ligger begreppet paradigm - en utseende (konceptuell presentation) till kärnan i problemet eller uppgiften och principen om lösningen. Tänk på två paradigmer av artificiell intelligens.
• 1. Expertens paradigm antar följande föremål, liksom stadierna av utvecklingen och funktionen av AI-systemet:
• * Formatera kunskap - omvandling av en problemkunskapsexpert till en form som föreskrivs av den valda kunskapspresentationsmodellen;
• * Kunskapsbasbildning<БЗ) - вложение формализованных знаний в программную систему;
• * Avdrag - Lösning av problemet med logisk utgång baserat på BZ.
• Detta paradigm ligger till grund för tillämpningen av expertsystem, logiska utgångssystem, inklusive språk för logisk programmeringsperiod. Man tror att system baserade på detta paradigm är mer studerade.
• 2. Studentens paradigm, inklusive följande bestämmelser och sekvens av åtgärder:
• * Bearbetning av observationer, studie av erfarenheterna av privata exempel - databasbildning<БД> System av AI;
• * Induktiv utbildning - omvandlingen av databasen i BZ baserat på generaliseringen av kunskap som ackumuleras i databasen. och motiveringen för proceduren för att extrahera kunskap från BZ. Det innebär att det på grundval av data avslutas om generell av beroendet mellan de objekt vi observerar. Huvudfokus ligger på studien av approximativt, probabilistiska och logiska mekanismer för att erhålla allmänna slutsatser från privata påståenden. Vi kan då underbygga, till exempel tillräckligheten i det allmänna interpoleringsförfarandet (extrapolering) eller det associativa sökproceduren, som vi kommer att tillgodose förfrågningar till BZ;
• * Avdrag - enligt det rimliga eller påstådda förfarandet väljer vi information från BZ på begäran (till exempel den optimala hanteringsstrategin för vektorn som kännetecknar den nuvarande situationen).
• Studier inom ramen för detta paradigm och dess utveckling genomfördes hittills, även om de ligger i centrum för byggandet av självlärningssystem (ett anmärkningsvärt exempel på ett självlärningsstyrningssystem kommer att ges under - Skyddsregler i artilleri).
• Vad är kunskapsbasen, det övergripande och obligatoriska elementet i AI-systemet, skiljer sig från databasen? Möjligheten till logisk produktion!
• Låt oss nu vända sig till den "naturliga" intelligensen. Naturen skapade inte något bättre än den mänskliga hjärnan. Det betyder att hjärnan är både bäraren av kunskapsbasen, och medel för logisk slutsats på grundval, oavsett vilket paradigm, vi organiserade sitt tänkande, det vill säga där vi fyller i kunskapsbasen. - Lära sig!
• JA. Pospelov I en underbar i sitt slag belyser arbetet de högsta sfärerna för artificiell intelligens - logiken för att tänka. Syftet med denna bok är att åtminstone delvis spridas till Neurallet som ett sätt att tänka, vilket lockar uppmärksamhet åt den lägsta, ursprungliga länken i hela kedjan av artificiella intelligensmetoder.
• Kasta mystik, vi känner igen att hjärnan är ett neuralt nätverk, neurosette, - neuroner sammankopplade, med många ingångar och det enda sättet ut vardera. Neuron realiserar ett ganska enkelt växelförhållande som låter dig konvertera excitation vid ingångarna, med beaktande av ingångarnas vikter, till excitationsvärdet vid utloppet av neuronet. Ett funktionellt färdigt fragment av hjärnan har ett inmatningsskikt av neuroner - receptorer upphetsade från utsidan och utgångsskiktet, vars neuroner är upphetsade beroende på konfigurationen och storleken på excitation av ingångsskiktneuronerna. Det antas vara neuralt. Den imiterande arbetet i hjärnan, bearbetar inte själva data, och deras noggrannhet, eller i den allmänt accepterade bemärkelsen, vikten, utvärderingen av dessa data. För de flesta kontinuerliga eller diskreta data reduceras deras uppgift till indikationen på sannolikheten för de områden som hör till deras värden. För en stor klass av diskreta data - uppsättningar av uppsättningar - det är lämpligt att fästa inloppsskiktets neuroner.

1. Erfarenhet av användningen av neurala nätverk i ekonomiska uppgifter

Med hjälp av neurala nätverk löser vi uppgiften att utveckla algoritmer för att hitta en analytisk beskrivning av mönstren för funktion av de ekonomiska faciliteterna (företag, industri, region). Dessa algoritmer gäller för förutsägelsen av vissa "utgångsobjekt av objekt. Uppgiften med neuralt nätverksimplementering av algoritmer löses. Användningen av metoder för erkännande av bilder eller motsvarande neurala metoder gör det möjligt att lösa några av de ureranniska problemen med ekonomisk och statistisk modellering, öka matematiska modellernas tillräcklighet, ta dem till ekonomisk verklighet. Användningen av erkännande av bilder i en kombination med regressionsanalys ledde till nya typer av modeller - Klassificering och bitvis linjär. Att hitta dolda beroenden i databaser är grunden för modellering och kunskapsbehandlingsuppgifter, inklusive för ett objekt med svårt att formaliserbara mönster.

Valet av den mest föredragna modellen från några av deras uppsättningar kan förstås antingen som en referensuppgift, eller som ett problem med val baserat på en uppsättning regler. Övning har visat att metoder baserade på användningen av prioriterade skalor av faktorer och sökning För en modell som uppfyller den maximala viktiga mängden faktorer leder till ett förspänt resultat. Vikt är något som måste bestämmas i detta och är uppgiften. Dessutom är vågorna lokala - var och en av dem är lämplig för den här uppgiften och det här objektet (grupp av objekt).

Tänk på uppgiften att välja önskad modell. Antag att det finns några många objekt m, vars verksamhet syftar till att uppnå ett visst mål. Funktionen hos varje objekt kännetecknas av N-värden av tecken, det vill säga det finns en kartläggning F: m -\u003e RN. Följaktligen är vår källpunkt staten för det ekonomiska objektet: X \u003d. Indikatorer på kvaliteten på det ekonomiska objektets funktion: F0 (X), F1 (X), ..., FM (x). Dessa indikatorer måste vara inom vissa gränser, och några av dem strävar vi efter att göra antingen minimal eller maximal.

En sådan allmän formulering kan vara kontroversiell, och det är nödvändigt att applicera apparaten hos unionen av motsägelser och att inställa problemet med den korrekta formen som överenskommits med ekonomisk mening.

Vi beställer föremål ur synvinkel av vissa kriterier, men kriteriet är vanligtvis dåligt definierat, suddigt och eventuellt motsägelsefullt.

Tänk på problemet med att modellera empiriska mönster på ett begränsat antal experimentella och observerade data. Den matematiska modellen kan vara en regressionsekvation eller diagnostisk regel eller prognoser. Med ett litet prov, effektivare erkännande Metol. I det här fallet beaktas påverkan av faktorer av faktorer genom variation av värdena för faktorer i deras substitution till likvärdighetsgraden eller den avgörande regeln för diagnos och prognos. Dessutom tillämpar vi valet av väsentliga funktioner och genererar användbara funktioner (sekundära parametrar). Denna matematiska apparat behövs för att förutsäga och diagnostisera tillstånd av ekonomiska föremål.

Tänk på det neurala nätverket ur teorin om överensstämmelsesstrukturer, som på neurons team (individer. Neural Network som en mekanism för att optimera neuroner under kollektiva lösningar är ett sätt att samordna enskilda åsikter, där en kollektiv åsikt är den rätta reaktionen på ingången, det vill säga det nödvändiga empiriska beroende.

Därför motiveringen av kommittéernas tillämpning i val- och diagnostikens uppgifter. Tanken är att i stället för en avgörande regel, att leta efter ett team av avgörande regler, utvecklar detta team ett kollektivt beslut på grund av förfarandet som behandlar enskilda lösningar på medlemmarna i laget. Urval och diagnostiska modeller leder vanligen till ofullständiga ojämlikhetssystem, för vilka istället för lösningar är det nödvändigt att beskriva generaliseringen av begreppet lösning. En sådan generalisering är en kollektiv lösning.

Till exempel är kommittén för ojämlikhetssystemet en sådan uppsättning faktorer som de flesta av vingarna i denna uppsättning uppfyller varje ojämlikhet. Kommittéer - En del klass av generaliseringar av begreppet lösningar för uppgifter som kan vara både gemensamma och ofullständiga. Detta är en klass av diskreta approximationer för motstridiga uppgifter, de kan också vara korrelerade med suddiga lösningar. Metoden för kommittéer bestämmer för närvarande en av anvisningarna för analys och lösningsproblem med ett effektivt val av optimering, diagnos och klassificering. Vi ger till exempel definitionen av en av huvudkommittéerna, nämligen: För 0< p < 1: p - комитетом системы включений называется такой набор элементов, что каждому включению удовлетворяет более чем р - я часть этого набора.

Kommittéer kan betraktas som en viss klass av generaliseringar av begreppet lösning i händelse av icke-kampanjsystem av ekvationer, ojämlikheter och inklusioner, och som ett medel för parallellisering för att lösa uppgifterna om att välja, diagnostisera och prognoser. Som en generalisering av begreppet lösning av problemet är kommittéstrukturerna uppsättningar av element med vissa (men som regel inte alla) Lösningens egenskaper är det typen av suddiga lösningar.

Som ett medel för parallellisering verkar utskottet direkt i flerskiktiga neurala nätverk. Vi har visat att för att lära sig ett neuralt nätverk för att noggrant lösa klassificeringens uppgift kan du tillämpa metoden för att bygga en utskott för ett system för affine ojämlikhet.

Baserat på ovanstående kan man dra slutsatsen att kommittémetoden är förknippad med ett av de viktiga områdena för forskning och numerisk lösning av både diagnostiska uppgifter och alternativ och uppgifterna om att inrätta neurala nätverk för att erhålla det erforderliga svaret på deras Inmatningsinformation på en eller annan person som accepterar sina lösningar.

I utskottens driftsoptioner är sådana viktiga egenskaper för tillämpade egenskaper som heaturistisk, tolkbarhet, flexibilitet - möjligheten till efterlevnad och omkonfiguration, möjligheten att använda den mest naturliga klasserna av funktioner - styckevis, och för att ställa in klassificeringens uppgift , Diagnos och prognos, krävs endast korrekthet, det finns så att samma objekt inte är hänförligt till olika klasser.

En annan sida av frågan om kompatibla mönster är förknippad med begreppet koalitioner i utvecklingen av kollektiva beslut, medan situationen skiljer sig kraftigt när det gäller kollektiva preferenser (här finns det många fallgropar) och i fallet med reglerna för kollektiv klassificering , i det här fallet kan procedurerna strängt underbygga och de har bredare möjligheter. Därför är det viktigt att kunna minska beslutsfattande uppgifter och mål för klassificeringsuppgifterna.

2. Tabell metod - grunden för artificiell intelligens

I allmänhet är principerna för hjärnaktivitet kända och används aktivt. Vi använder osynliga tabeller i vårt minne, med våld och fyller fritt vid skrivbordet, kör, med en ministerportfölj och utan det, vänder huvudet på en bullriga gata, för boken, på maskinen och i easel. Vi lär oss, lära oss hela ditt liv: och en skolpojke, som leder sömnlösa nätter bakom brevet, och professorns uppgick upplevelse. För med samma tabeller associerar vi inte bara beslutsfattande, men också flytta, gå, spela bollen.

Om du motsätter dig associativa tänkande matematiska beräkningar, vad är deras vikt i en persons liv? Hur var utvecklingen av en person när han inte visste hur man räknade? Att använda associativt tänkande, kunna interpolera och extrapolera, man ackumulerad erfarenhet. (Förresten, kom ihåg avhandlingen av D. Mendeleev: Vetenskapen börjar när de börjar räkna.) Du kan fråga läsaren: Hur många gånger tänkte du idag? Du körde en bil, spelade tennis, skyndade sig till bussen, planerade sina handlingar. Föreställ dig hur mycket du måste beräkna (och var annars ska du ta algoritmen?) För att lyfta benet på trottoaren, kringgå gränsen? Nej, vi beräknar inte någonting varje minut, och det är kanske det viktigaste i vårt intellektuella liv, även i vetenskap och affärer. Mekanismer för känslor, intuitioner, den automatism som vi inte kan förklara, ta itu med subkortiskt tänkande, faktiskt är de normala mekanismer för associativt tänkande med kunskapsbasborden.

Och viktigast av allt gör vi det snabbt! Hur vi inte kommer att tänka, försöker förstå och reproducera utvecklingen av generiskt minne, produkten av tillväxt i utvecklingsprocessen. Vi tror att det är ganska väsentligt förkroppsligat och därför implementerat konstgjort, med förbehåll för modellering och reproduktion.

Vi formulerar nu tillräckligt med dagens princip att bygga ett neuralt nätverk, som ett element av AI:

1. Det bör erkännas att grunden för imitation av hjärnans neurostruktur är en tabellinterpoleringsmetod.

2. Tabeller är fyllda med eller enligt kända beräkningsalgoritmer, eller experimentellt eller experter.

3. Neurality ger höga tabellbehandlingshastigheter på grund av möjligheten till lavinliknande parallellisering.

4. Dessutom tillåter det neurala nätverket inmatat till ett bord med felaktiga och ofullständiga data, vilket ger ett ungefärligt svar på principen om maximal eller medelstora likhet.

5. Problemet med Neural Network Imitation of the Brain är att omvandla inte den mest källinformation, men uppskattningar av denna information, i substitution av information, värdena för excitation av receptorer, skickligt fördelat mellan typerna, typerna, parametrar, intervallet med sina ändringar eller separata värden.

6. Neuroner av utmatningsskiktet av varje understruktur med deras excitation anger lämpliga lösningar. Samtidigt kan dessa excitationssignaler för initial medierad information användas i nästa logiska kedjelänk utan externt ingrepp i drift.

3. Övervakning av banksystemet

Exemplet på den briljanta användningen av självorganiserande Kochonen-kort (som självorganiserande karta) för studier av Rysslands banksystem 1999-2005

Övervakningen är baserad på betygsbedömningen baserat på det automatiska utförandet av ett förfarande: på den multidimensionella vektorn av bankernas parametrar på datorskärmens höjdpunkter. Det dras till det faktum att neural network-tekniker gör det möjligt att bygga visuella funktioner av många variabler, som om vi omvandlar ett mångdimensionellt utrymme i ett-, två- eller tredimensionell. För varje enskild studie av olika faktorer är det nödvändigt att bygga din som. Prognosen är endast möjlig på grundval av en analys av det tillfälliga utbudet av SOM-värden. Ny som är nödvändig för att förlänga slutsatserna, med anslutning av data från utsidan, till exempel, en politisk karaktär.

Ett sådant tillvägagångssätt är utan tvekan effektiv och effektiv. Men det verkar som, jämfört med potentialen i hjärnneurostrukturer, håller den tillbaka och modet av tanken, inte tillåter att dra långa kedjor. Parkeringsundersökning, kombinera analysen med prognosen, för att omedelbart ta hänsyn till den framväxande situationen och introducera nya faktorer och erfarenheter i experter. Det bör överenskommas att allt detta är föremål för hjärnan, och vi vädjar igen till dess strukturer, vilket ger ett projekt av programvaruövervakningssystem.

Strukturen av neurala nätverk och sätt att lära sig. Logikfunktioner Underliggande övervakning är huvudsakligen baserade på konjunktionen av de logiska värdena för variabler som visar intervallet med förändringar i parametrar eller bankindikatorer.

Följande indikatorer presenteras:

* eget kapital;

* Salded tillgångar;

* Likvida medel

* Kommunikationsförpliktelser

* Inlåning av befolkningen;

* Likviditetskoefficient;

* Budgetresurser.

Du kan expandera systemet med indikatorer:

* Volymen av investeringar i tidningen av en snabbt utvecklande ekonomi;

* Vinstvolymen;

* Sista rating och migrationsvärde;

* Avrättningar i supportfonden för vetenskap och utbildning

* Skatteavdrag

* Avdrag till pensionsfonden

* Avdrag för välgörenhets- och kulturfonden;

* Deltagande i UNESCO-program, etc.

En sådan enkel typ av logisk funktion i övergången till regionen av reella variabler indikerar tillräckligheten hos ett neuralt nät med enkelskikt som innehåller inloppsskiktet av receptorer och det utgångsskikt på vilket övervakningsresultaten bildas.

När du bygger ett inmatningsskikt är det nödvändigt att ta hänsyn till inte bara nuvarande indikatorer, utan också dynamiken i betygsförändringen under de senaste tidsperioderna. Utmatningsskiktet bör inte bara reflektera, men även expertrekommendationer, liksom andra lösningar och slutsatser.

Det är lämpligt för den enklaste typen av träning - att bygga en kunskapsbas som motsvarar konceptet att skapa ett neuralt nätverk för en uppgift: direkt administrering av kontakter av operatörsforskare manuellt - från receptorer till utmatningsskiktets neuroner i enlighet med Kausalförbindelser. Således skapas nätverket redan utbildat.

Därefter kommer växellådan också att vara enkelt och baserat på summeringen av excitationsvärdena vid inloppet av neuron multiplicerat med kommunikationsvikt:

Uppgiften med vikten av HA-banden jämfört med bruttouppgiften för alla vikter som är lika med en är mer lämplig på grund av den möjliga önskan hos en operatör eller en expert att ta hänsyn till påverkan av olika indikatorer i olika grad.

Tröskel H Avskärningar av medvetet oacceptabla slutsatser, förenklar vidare bearbetning (till exempel grunden för genomsnittet). Skapelsekoefficienten beror på följande överväganden.

Det maximala värdet av V kan uppnå s. För att värderingsvärdet i något acceptabelt område, till exempel måste excitationsvärdena konverteras genom att placera till \u003d förpackning.

Ovanstående antaganden gör att du snabbt kan ange ändringar och förtydligande av operatören - av användaren, utveckla nätverket, introducera nya faktorer och överväga upplevelsen. För att göra detta är operatören tillräcklig och klickar på musen, tilldelar receptorn och sedan är neuronen på utmatningsskiktet och anslutningen installerat! Det förblir bara för att tilldela vikten av den introducerade kommunikationen från intervallet.

Det bör göras mycket viktig anmärkning (OBS) angående hela bokens material och är avsett att vara en mycket uppmärksam läsare.

Tidigare, med tanke på utbildning, klassificerade vi tydligt de ursprungliga referenssituationerna, vilket medför noggrannheten hos varje komponent som är lika med en. Genom att genomföra spår och beläggningsdynamiska excitationsvägar trodde vi också att väga obligationer lika med ett (eller något maximalt konstant värde). Men läraren kan omedelbart få en ytterligare grad av frihet, med beaktande av faktorerna i den utsträckning och med de vågar som han ska uppgift! Vi antar att olika faktorer påverkar resultatet i varierande grad, och ett sådant inflytande kommer att läggas på träningsstadiet med våld.

Det är till exempel känt att i krigets kväll, köper befolkningen i ett stort antal tvål, matcher och salt. Så, titta på den här faktorn, kan du förutsäga krigets uppkomst.

Skapa ett neuralt nätverk för att analysera historiska eller sociala evenemang bör en eller flera receptorer väljas, vars excitation motsvarar de olika nivåerna av tvålköp, salt och matchningar samtidigt. Excitationen av dessa receptorer bör överföras, påverkan (tillsammans med andra faktorer) till exciteringsgraden av Niron på utgångsskiktet som motsvarar uttalandet snart!

Ändå är det intensiva köpet av tvål, matcher och salt nödvändigt, men inte så tillräckligt med krigets början. Det kan till exempel indikera den snabba återupplivningen av turismen i området för Kaukasus huvudområde. I ord är det inte betydelsen av fuzzy logik, vilket gör att du kan ta hänsyn till evenemangets irreparation, inte en booleska variabel ja - nej, och vissa mellanliggande, en obestämd, viktad typ av typ "påverkar, men inte så Straight, vilket är nödvändigtvis ... ". Därför, kommunikation (alla eller vissa), som är energiserad från denna receptor, satte vi lika med något uppskattat värde av en mindre enhet och korrigeras därefter, vilket återspeglar effekten av excitation av receptorn på utgången.

Således beaktas det samtidiga köpet av tvål, salt och matcher två gånger: upphandlingsnivån kommer att visas som exciteringsgraden av motsvarande receptorer, och karaktären av påverkan av inköp på uttag kommer snart! - Använda vågar av SionsAppsic Slipsar.

En är överens om att när man konstruerar en nätverksnätverk, föreslår detta tillvägagångssätt själv och är helt enkelt implementerat.

Strukturen på receptorn. Huvuddelen är rullningsfönstret, där du kan visa och ställa in tillståndet för receptorskiktet, utan tvekan inte passa på den statiska skärmen.

Scrollfönstret indikerar indikatorer och deras beräknade värden i intervallet för respektive receptorer. Dessa är probabilistiska värden baserade på tillförlitlighet, intuition, expertiska uppskattningar. Uppskattningar involverar täckningen av flera receptorer. Till exempel är utvärderingen av det faktum att dess egna kapital inte är 24, inte då 34, inte då 42 tusen y. e., utan snarare, hela tiden 24 kan leda till en ungefärlig uppskattning av de angivna excitationsvärdena på 0,6,0,2 och 0,2 receptorer som motsvarar intervallet (20-25], (30-35], (40-45 ]. Statiskt frågade indikatorer visas på skärmen, till exempel ett betyg som härrör från tidigare mätningar, selektiva indikatorer som tidigare hittats, liksom indikatorer på politiska, sociala och ekonomiska förhållanden. (Deras överflöd och utveckling kan fortfarande kräva att bläddra.)

Du bör också visa rullning och huvudfunktionsmenyn:

* Gå till skärmen för utmatningsskikt;

* Statistisk bearbetning av resultat (involverar omkoppling till utgångsskärmen);

* Införande av en ny anslutning;

* Inledning av en ny receptor;

* Introduktion av ett nytt utmatningsskikt neuron (involverar omkopplingsskärmar);

* Introduktion av en ny indikator etc.

Strukturen på utmatningsskivans skärm. Utmatningsskivans skärm (bild 8.3) visar ett system med koncentriska (inbäddade) rektanglar eller andra plana figurer som återspeglar fördelningen av nedgången av fallande. I mitten av skärmen markerade de ljusa prickarna de mest välmående bankerna eller påstådda idealbilder. Varje skärmelement ständigt motsvarar utmatningsskiktets neuron. Som ett resultat av övervakningen kan neuron som motsvarar standarden mest excitera som möjligt, men skärmens punkt kommer att markeras, vilket inte sammanfaller med någon standard, som är mellanliggande eller medelvärde.

Fikon. - 8.3. Utmatningsskärmskärm

Utan tvekan bör en meny tillhandahållas för en genomsnittlig bedömningsbedömningsoperation, demonstration av framgången med framgången, utfärdande av varningssignaler, slutsatser, rekommenderade utvecklingsstrategier, dataservation för vidareutveckling etc.

Utbildning Neuralopet. För att undervisa ett neuralt nätverk baserat på expertbedömningar bör intervallet med tillåtna parametrar anges, så att banken kan vara perfekt efterföljande som har ett maximalt betyg. Fixera flera punkter vars koordinater (många parametervärden) uppfyller värdena för värdet för välkänd eller påstått (med hänsyn till de möjliga alternativen) av banker, kan du få flera idealiska representanter. Motsvarande neuroner, d.v.s. Elementen på utmatningsskiktet är isolerade godtyckligt dispergerade av skärmarna. Det är önskvärt att standarderna med ett stort betygsortiment närmare mitten.

Därefter, gå till samma fyllning av täckningsrektangeln, baserat på följande betygskategori, etc. till utomstående banker.

För att utföra sådant arbete av experter är tabellen förmodad (tabell 1).

Neuroner som visar banker, på skärmen motsvarar magniterna av deras excitation - betyg.

Metod för övervakning. Det utbildade systemet som kommer in i användaren efter en högkvalificerad kompetens hos ekonomer och politiker är redo att användas inom Case-Technology-fallet - datorstödd programvaruteknik.

Tabell 1 - Expert uppskattningar för att lära sig neuraletas

Samtidigt genomför användaren sin rätt till ytterligare utbildning, förtydligande (till exempel bandsvikt, för att stärka eller försvaga påverkan av vissa indikatorer baserat på sin egen erfarenhet), införandet av ytterligare indikatorer för experimentet till risken, etc.

Antag att en användare utforskar situationen som har utvecklats runt banken "Invest-Tuda-och-Back". Naturligtvis har det inte någon tillfredsställande information om genomförbarheten av sina egna investeringar och därför fortsätter med en noggrann datainsamling, vilket resulterar i ungefärliga, sannolika, motsägelsefulla egenskaper för modellering.

Med hjälp av receptorns skärm anger användaren värdena för deras excitation baserat på ganska tillförlitliga data, men ibland överväger alternativ eller - eller (delvis spännande olika receptorer), ibland på TV, ibland bara hoppa över indikatorerna. Sådana indikatorer som rating i det förflutna och migrationen är fortfarande okända, men det erhållna resultatet ska användas i framtiden.

Efter att ha skrivit in data på skärmen på utmatningsskiktet bekräftar den ljusa punkten nära området för utomstående vältaligt till skyddet av de medborgerliga rättigheterna för det icke-våldsamma valet av ett beslut om möjligheten att investera det rättfärdiga ackumulerade kapitalet.

Koordinaterna för denna punkt på skärmen bestäms av den välkända formeln för de medelkoordinat som koordinaterna för de neuronger av de banker som ligger nära den kontrollerade banken och med avseende på deras initieringsvärden. Men på samma formler baserat på bankernas banker finns det en rating av bankens studerade!

Användaren kan besluta om tillägg av kunskapsbasen och följaktligen det neurala nätverket av information om den nya banken, som är tillrådligt om expertrådet utsätts för en betydande kritik av det resulterande resultatet och indikerar ett neuralt nätverksfel. Använd bara alternativet. Att komplettera, som ett resultat av vilket datalogrutan med användaren initieras:

- Du vill ändra betyg - Ja.

- nytt betygsvärde --...

- Spara!

Därefter sätts utmatningsskiktets neuron med de funna koordinaterna i överensstämmelse med den nya burken. Hans relationer bildas med de receptorer som exciteras när de anger information om banken. Vikten av varje anslutning är tänkt att vara lika med användaren som är inmatad av excitationen av motsvarande neuronreceptor. Nu kompletteras kunskapsbasen på samma sätt som listan över riktade installationer av artilleribatteriet efter nederlaget för nästa mål.

Emellertid kan en signifikant obligatorisk förändring i värdet kräva rörelse av den frigjorda punkten i bankernas område med motsvarande nivå av rating, dvs. Det är nödvändigt för denna bank att konsolidera den andra neuronen i utmatningsskiktet, i ett annat område på skärmen. Det är också etablerat som ett resultat av en dataledialog med användaren.

Justering och utveckling. Vi har redan nämnt behovet och möjligheten till konstant förtydligande och utveckling av neurala nätverk. Du kan ändra tanken på standardbankens framsteg (verklig eller ideal) och komplettera kunskapsbasen, dvs. Denna neurallet. Vi kan justera vikterna på länkarna som ett mått på effekten av enskilda indikatorer för utgångsresultatet.

Du kan ange nya indikatorer med sina vikter, överväga nya lösningar och fastställa graden av inflytande på dem av samma eller nya indikatorer. Du kan anpassa sig till neuralt nätverk för att lösa intilliggande uppgifter, med beaktande av individuella indikatorer för migrering av banker (övergången från en ratingnivå till en annan), etc.

Slutligen kan du, genom att köpa den här programvaruprodukten med ett vänligt gränssnitt och en utmärkt service, med en utvecklad uppsättning neurala nätverkskonverteringsfunktioner, remake det för en helt annan uppgift, till exempel för ett fascinerande spel i järnvägsrouletten, på som vi tänker stanna nedan.

Sammanfattningsvis noterar vi att i ekonomin och näringslivet, såväl som i förvaltningen av komplexa föremål, domineras beslutsfattarna, där varje situation bildas på grundval av ett konstant antal faktorer. Varje faktor är representerad av en variant eller värde av en uttömmande uppsättning, d.v.s. Varje situation verkar vara konjunktion där uttalandena om alla faktorer som är nödvändigtvis är inblandade i det neurala nätverket. Då har alla konjunktioner (situationer) samma antal uttalanden. Om i det här fallet leder två utmärkta situationer till olika lösningar som motsvarar det neurala nätverket perfekt. Attraktiviteten hos sådant neuralt nätverk ligger i deras förpliktelse till ett lager. Om vi \u200b\u200breproducerar lösningarna (se Subdaz. 5.2), kommer vi att få en perfekt för Neurallet (utan feedback).

För att bygga ett perfekt neuralt nätverk kan du minska uppgiften för det här avsnittet, dämpad. 6.2, liksom till exempel uppgiften att bedöma landrisken och andra.

Slutsats

Fördelningen av excitationen av utmatningsskiktets neuroner, och skålen på alla neuron, som har det maximala excitationsvärdet, låter dig ställa in korrespondensen mellan kombinationen och värdena för excitationerna på inloppsskiktet ( bilden på näthinnan) och det mottagna svaret (vilket är). Således är detta beroende och bestämmer möjligheten till logisk utmatning av formen "om något." Kontroll, bildandet av detta beroende utförs av vikter av synapsiska bindningar av neuroner, vilket påverkar distributionsriktningen av neuroner på nätverket, vilket leder Vid lärandet av de "nödvändiga" utmatningsskiktneuronerna.. de. Betjäna bindning och memorisering av relationer "paket - corollary". Anslutningen av understrukturerna i det neurala nätverket gör att du kan ta emot "långa" logiska kedjor baserade på sådana relationer.

Härifrån följer att nätverket fungerar i två lägen: i träningsläget och i erkännande läge (driftsläge).

I träningsläget genereras logiska kedjor.

I erkännande-läget bestämmer det neurala nätverket på den presenterade bilden med hög tillförlitlighet hur den typ det hänvisar, vilka åtgärder som ska tas, etc.

Det antas att i den mänskliga hjärnan till 100 miljarder neuroner. Men nu är vi inte intresserade av hur neuroner är ordnade, i vilka upp till 240 kemiska reaktioner. Vi är intresserade av, Neuron arbetar på en logisk nivå, eftersom det utför logiska funktioner. Genomförandet av endast dessa funktioner bör ligga till grund och medel för artificiell intelligens. Förbättra dessa logiska funktioner är vi redo att bryta mot fysikens huvudsakliga lagar, till exempel lagen om energibesparing. När allt kommer omkring räknas vi inte på fysisk modellering, men på en prisvärd, universell - dator.

Så fokuserar vi på "(direkt" användning av neurala nätverk i uppgifterna för artificiell intelligens. Men deras ansökan gäller lösningar och andra uppgifter. För detta är neurala nätverksmodeller byggda med en strukturorienterad struktur), använd A Särskilt system av neuropow-liknande element, en viss gaffelöverföringsfunktion (ofta använder så kallade sigmoillers baserat på utställarens deltagande i bildandet av ett växelförhållande), speciellt utvalda och dynamiskt raffinerade vikter. I detta fall används egenskaperna hos konvergensen av excitation av neuroner, självoptimering. När inmatningen av excitationsvektorn är tillförd genom ett visst antal klockor i det neurala nätverket, är värdena för excitation av utgångsskiktneuronerna (i vissa modeller, alla neuroner av inloppsskiktet neuroner av utgångsskiktet Och det finns ingen annan) konvergera till vissa värden. De kan till exempel ange vilka standarden är mer som en "roaring". Opålitlig inmatningsbild, eller det. Hur man hittar en lösning på någon uppgift. Till exempel det välkända nätverket av Hopfield. Även om det med begränsningar kan lösa gemenskapens uppgift - uppgiften att exponentiell komplexitet. Chamming-nätverket genomför framgångsrikt associativt minne. Coonena Network (Kohonen Maps), tillagd 06/27/2011

Uppgiften att analysera affärsverksamhet, faktorer som påverkar beslutsfattandet. Modern informationsteknik och neurala nätverk: Principer om sitt arbete. Undersökning av användningen av neurala nätverk i målen att prognostisera finansiella situationer och beslutsfattande.

avhandling, tillagt 11/06/2011

Beskrivning av den tekniska processen för pappersvetenskap. Design pappersmaskin. Motivering av användningen av neurala nätverk i förvaltningen av gjutningspappersbanan. Matematisk modell av neuron. Simulering av två strukturer av neurala nätverk.

kurs, tillagt 15.10.2012

Sätt att tillämpa neurala nätverksteknik i intrångsdetekteringssystem. Expert systemdetektering av nätverksattacker. Konstgjorda nätverk, genetiska algoritmer. Fördelar och nackdelar med intrångsdetekteringssystem baserade på neurala nätverk.

examination, tillagt 30.11.2015

Begreppet artificiell intelligens som egenskaper hos automatiska system att ta på sig enskilda funktioner av mänsklig intelligens. Expertsystem inom medicinområdet. Olika tillvägagångssätt för att bygga konstgjorda intelligenssystem. Skapa neurala nätverk.

presentation, tillagt 05/28/2015

Studie av uppgiften och utsikterna för att använda neurala nätverk på radiella grundläggande funktioner för att förutsäga de viktigaste ekonomiska indikatorerna: en bruttonationalprodukt, Ukrainas nationella inkomst och konsumentprisindex. Bedömning av resultat.

kursarbete, tillagt 14.12.2014

Konceptet och egenskaperna hos konstgjorda neurala nätverk, deras funktionella likhet med den mänskliga hjärnan, principen om sitt arbete, användningsområdet. Expertsystem och tillförlitlighet av neurala nätverk. Modell av konstgjord neuron med aktiveringsfunktion.

abstrakt, tillagt 03/16/2011

Kärnan och funktionerna hos artificiella neurala nätverk (INS), deras klassificering. Strukturella element av artificiell neuron. Skillnader mellan ins och maskiner med Neumanan arkitektur. Bygga och lära sig dessa nätverk, områden och utsikter för deras användning.

presentation, tillagt 14.10.2013

Användningen av neurokomputörer på den ryska finansmarknaden. Förutsägelse av tillfälliga serier baserat på neurala bearbetningsmetoder. Bestämning av kurser av obligationer och aktier i företag. Tillämpning av neurala nätverk till uppgifterna för analys av lageraktivitet.

kursarbete, tillagt 05/28/2009

Historien om skapandet och huvudriktningarna i modellering av artificiell intelligens. Problem med att lära sig visuell uppfattning och erkännande. Utveckling av element av intelligensrobotar. Forskning inom neurala nätverk. Princip för feedback Wiener.

UDC 004.38.032.26

O. V. KONYUKHOVA, K. S. LAPPOCHNA

O. V. Konukhova, K. S. Lapochkina

Användningen av neurala nätverk i ekonomin och relevansen av deras användning vid utarbetandet av en kortfristig budgetprognos

Tillämpning av neurala nätverk i ekonomi och en brådskande användning genom att utarbeta en kortfristig prognos för budgeten

I den här artikeln beskrivs användningen av neurala nätverk i ekonomin. Processen att förutsäga Ryska federationens budget och relevansen av användningen av neurala nätverk för att sammanställa en kortfristig budget beaktas.

Nyckelord: ekonomi, budget för Ryska federationen, budgetprognos, neurala nätverk, genetiska algoritmer.

I denna artikel beskrivs tillämpning av neurala nätverk i ekonomin. Process för prognos av budgeten för Ryska federationen av neurala nätverk för utformning av den kortfristiga budgeten beaktas.

Nyckelord: ekonomi, budget för Ryska federationen, budgetprognosen, neurala nätverk, genetiska algoritmer.

4) Automatiska anläggningar gruppering.

Ett av de intressanta försöken att skapa en mekanism för rationell depressiv ekonomi som ägs av engelska cybernetics Stafford Biiru. De föreslogs till dem som blev kända förvaltningsprinciper, baserat på neurofysiologiska mekanismer. Modeller av produktionssystem ansågs vara mycket komplexa relationer mellan ingångarna (resursgängor) interna, osynliga element och utgångar (resultat). Ingångarna i modellerna som serveras tillräckligt generaliserade index, vars huvud som snabbt återspeglar mängden produktion av specifik produktion, det nödvändiga behovet av resurser och prestanda. Lösningarna som erbjuds effektivt fungera av denna typ av system togs efter hur alla alternativ i denna situation hittades och diskuterades. Den bästa lösningen gjordes av en majoritetsval som deltog i diskussionen om chefer och experter. För detta ändamål har systemet ett lägesrum utrustat med lämpliga tekniska medel. Tillvägagångssättet för skapandet av förvaltningssystemet som föreslagits av S. BIR var effektivt för kontroll inte bara av stora tillverkningsföreningar, som stålbolaget, men även Chile-ekonomin.

Liknande principer användes i gruppens redovisningsmetod för argument (Moskva State University) av ukrainska cybernetiska för att modellera ekonomin i välmående England. Tillsammans med ekonomer (parker etc.), erbjöds mer än tvåhundra oberoende variabler som påverkar bruttoinkomsten, avslöjades de av flera (fem till sex) av de viktigaste faktorerna, vilket med hög grad av noggrannhet bestämmer värdet av produktionen variabel. Baserat på dessa modeller utvecklades olika alternativ för ekonomin för att öka den ekonomiska tillväxten i olika sparande, inflationsnivåer och arbetslöshet.

Den föreslagna metoden för koncernredovisning av argument baseras på principen om självorganisation av modeller av komplex, särskilt ekonomiska system och låter dig bestämma komplexa dolda beroenden i data som inte detekteras av standardstatistiska metoder. Denna metod användes framgångsrikt av A. och Ivakhnenko för att bedöma ekonomins tillstånd och prognostisera sin utveckling i länder som Förenta staterna, Storbritannien, Bulgarien och Tyskland. Använde ett stort antal oberoende variabler (från femtio till tvåhundra), som beskriver ekonomins tillstånd och påverkar bruttoinkomsten i de studerade länderna. Baserat på analysen av dessa variabler med användning av metoden för gruppredovisning av argument upptäcktes de huvudsakliga signifikanta faktorerna, med hög grad av noggrannhet som bestämde värdet av utgångsvariabeln (bruttoinkomst).

Studier i denna riktning har stimulerande effekterna på utvecklingen av neurala nätverksmetoder som intensivt används de senaste tiderna på grund av deras förmåga att extrahera erfarenhet och kunskap från en liten klassificerad sekvens. Neurala nätverk efter träning på sådana sekvenser kan lösa komplexa informaliserbara uppgifter som experter är gjorda baserat på deras kunskaper och intuition. Dessa fördelar blir särskilt viktiga i den erövrande ekonomin, för vilken ojämnheten i utvecklingsräntan kännetecknas, olika inflationstakt, en liten varaktighet, liksom ofullständig och inkonsekvenskning av kunskap om de ekonomiska fenomenen.

Arbetet är allmänt känt, vilket framgångsrikt tillämpade principerna om självorganisation av modeller av komplexa ekonomiska system för att bygga ett neuralt nätverk för att lösa problem med att analysera och modellera utvecklingen av ekonomin i Mordovia och Penza-regionen.

Ett karakteristiskt exempel på den framgångsrika tillämpningen av neural databehandling i den finansiella sektorns kreditriskhantering. Som ni vet, innan det utfärdar ett lån, utförs banker genom komplexa statistiska beräkningar på låntagarens ekonomiska tillförlitlighet för att bedöma sannolikheten för sina egna förluster från den sena återbetalningen av medel. Sådana beräkningar baseras vanligtvis på bedömningen av kredithistoria, dynamiken i bolagets utveckling, stabiliteten hos sina grundläggande finansiella indikatorer och många andra faktorer. En allmänt känd amerikansk bank har försökt metoden för neural databehandling och drog slutsatsen att samma uppgift på beräkningarna av detta slag är löst snabbare och mer exakt. Till exempel har i ett av utvärderingsfallen på 100 tusen bankkonton, ett nytt system, byggt på grundval av neural databehandling, identifierat över 90% av de potentiella icke-betalarna.

Ett annat mycket viktigt tillämpningsområde för neural databehandling i den finansiella sektorn förutsägelse för situationen på aktiemarknaden. Standardinriktningen till denna uppgift är baserad på en styvt fast uppsättning av "spelregler", som med tiden förlorar sin effektivitet på grund av förändringar i flödesförhållandena på börsen. Dessutom är system som byggdes på grundval av detta tillvägagångssätt för långsamma för situationer som kräver omedelbar beslutsfattande. Det är därför de viktigaste japanska företagen som är verksamma på värdepappersmarknaden beslutade att tillämpa metoden för neural databehandling. I det typiska systemet baserat på det neurala nätverket infördes informationen av den totala volymen av 33 års affärsverksamhet av flera organisationer, inklusive omsättningen, det tidigare värdet av aktierna, inkomstnivåerna etc. självbevis vid de verkliga exemplen , Neural Network System visade större förutsägelse noggrannhet och bättre hastighet: jämfört med det statistiska tillvägagångssättet gav en förbättring av prestanda som helhet med 19%.

En av de mest avancerade teknikerna för neural beräkning är genetiska algoritmer som efterliknar utvecklingen av levande organismer. Därför kan de användas som en optimering av de neurala nätverksparametrarna. Ett liknande system för att förutsäga resultaten av kontrakt för långfristiga värdepapper av ökad tillförlitlighet utvecklades och installerades på Sun Workstation vid Hill Samuel Investment Management. Vid modellering av flera budgivarstrategier uppnådde den 57% noggrannhet för att förutsäga marknadsrörelsens riktning. I försäkringsbolaget använder TSB General Insurance (Newport) en liknande metod för att förutsäga risknivån när man försäkrar privata lån. Detta neurala nätverk är självlärande om statistiska uppgifter om arbetslöshetstillståndet i landet.

Trots det faktum att den finansiella marknaden i Ryssland ännu inte stabiliseras och, argumenterar från en matematisk synvinkel, ändras dess modell, vilket beror på den ena sidan, med förväntan på den gradvisa gruvdriften på värdepappersmarknaden och öka aktien av aktiemarknaden i samband med investeringsflödet som inhemsk, så och utländskt kapital, och å andra sidan - med instabiliteten av den politiska kursen, kan du trots allt se utseendet på företag som behöver använda andra statistiska metoder än Traditionell, liksom utseendet på neuropackets på mjukvaruprodukterna och datorutrustningen för att emulera neurala nätverk på IBM-seriens datorer och till och med specialiserade neuropilater på grundval av skräddarsydda neurochipov.

I synnerhet i Ryssland är en av de första kraftfulla neurokomputerna för ekonomisk användning redan framgångsrikt - CNAPS PC / 128 på grundval av den 4: e neurobis av Alaptiva lösningar. Enligt företaget "Tora-Center", bland organisationer som använder neurala nätverk för att lösa sina uppgifter, centralbanken, ministeriet för nödsituationer, skatteinspektionen, mer än 30 banker och mer än 60 finansiella företag. Några av dessa organisationer har redan publicerat resultaten av sin verksamhet inom området neurocomputer.

Av det ovan anförda följer att det för närvarande är användningen av neurala nätverk vid utarbetandet av en kortfristig budgetförutsägelse ett brådskande ämne för forskning.

Sammanfattningsvis bör det noteras att användningen av neurala nätverk inom alla områden av mänsklig verksamhet, inklusive inom finansiella tillämpningar, rör sig längs den växande, delvis efter behov och på grund av stora möjligheter för vissa, på grund av prestiges för andra och på grund av intressanta applikationer för tredje.

REFERENSLISTA

1. Ryska federationens federala lag på 01.01.2001 (med ändring av 01.01.2001) "om statens prognoser och program för socioekonomisk utveckling av Ryska federationen" [Text]

2. Bir S. Brain Firm [Text] / S. Bir. - m.: Radio och kommunikation, 1993. - 524 s.

3. Galyushkin, neurocomputers i finansiell verksamhet [text] /. - Novosibirsk: Science, 2002. - 215c.

4., Muller Prediktiva modeller [Text] /, - Kiev: Technique, 1985. - 225 p.

5. Ploggar, prognosmetoder i budgetprocessen [Text] / // Electronic Magazine Corporate Finance, 2011. - № 3 (19) - P. 71 - 78.

6. RUTKOVSKAYA M., Plinsky L. Neural Networks, Genetic Algoritms och Fuzzy Systems: Per. med polska. [Text] / M. Rutkovskaya, L. Plinsky -: Hotline - Telecom, 20c.

7. Sostoris lösningar på neurala nätverk av optimal komplexitet [Text] /, // Automation och modern teknik, 1998. - Nr. 4. - P. 38-43.

Federal State Utbildningsinstitution för högre yrkesutbildning "State University - Utbildning och vetenskaplig och produktionskomplex", Orel

Kandidat av teknisk vetenskap, docent, docent i avdelningen "Informationssystem"

E-post: ***** @ *** ru

Lapokhna Kristina Sergeeevna

Federal State Utbildningsinstitution för högre yrkesutbildning "State University - Utbildning och vetenskaplig och produktionskomplex", Orel

Studentgrupp 11-PI (M)

Men också att lösa viktigare uppgifter - till exempel att leta efter nya droger. Byn appellerade till experter för att ta reda på vad teknikens egenskaper är och hur inhemska företag och universitet används.

Vad är neurala nätverk?

För att förstå vad de neurala nätverken upptar i världen av artificiell intelligens och hur de är förknippade med annan teknik för att skapa intelligenta system, låt oss börja med definitioner.

Neurala nätverk - En av metoderna för maskininlärning, vars grundar ursprung i 1943, före uppkomsten av termen "artificiell intelligens". Representerar en matematisk modell som på distans liknar arbetet med nervsystemet av djur.

Enligt seniorforskaren, Innopolis Stanislav Protasov, är den närmaste analoga av den mänskliga hjärnan, falkolutionella neurala nätverk, uppfunna av matematik, Yana Lekuna. "De ligger till grund för många applikationer som söker titeln artificiell intelligens - till exempel i Findface eller Prisma," noterar han.

Maskininlärning - Underavsnitt av artificiell intelligens vid korsningen av matematik och datavetenskap. IT-studier för att bygga modeller och algoritmer baserat på principen om utbildning. Maskinen analyserar regntidsexemplen, fördelar mönster, sammanfattar dem och bygger de regler som olika uppgifter löses - till exempel, förutsäga vidareutveckling av händelser eller erkännande och generering av bilder, text och tal. Förutom det neurala nätverket används också metoderna för linjär regression, träd av lösningar och andra tillvägagångssätt här.

Artificiell intelligens - Avsnitt av datavetenskap om skapandet av tekniska medel för att utföra uppgifter som tidigare ansågs uteslutande prerogativ för en person, liksom beteckningen av sådan utveckling. Den riktning som officiellt ålagts 1956.

Alexander Krinov

Vad kan kallas artificiell intelligens, och det är inte - frågan om avtal. Mänskligheten i stort sett kom inte till den otvetydiga formuleringen, vilket är en sådan intelligens alls, för att inte tala om artificiellt. Men om vi genererar vad som händer, kan vi säga att artificiell intelligens är djupa neurala nätverk som avgörande komplexa uppgifter på nivån nära nivån på en person och i en examen eller ett annat självförtroende. Samtidigt, under självinlärning, betyder det möjligheten att självständigt extrahera en fördelaktig signal från rådata.

Vilket tillstånd är branschen nu?

Enligt den analytiska byrån Gartner är maskininlärning nu på toppen av överdrivna förväntningar. Spänningsegenskapen för detta stadium kring den nya tekniken leder till en överdriven entusiasm, som blir till misslyckade försök till dess allestädes närvarande användning. Det antas att det kommer att bli nödvändigt att bli av med branschens illusioner från två till fem år. Enligt ryska experter, på kort tid, måste neurala nätverk testas för styrka.

Sergey Nickayev

hantera en portfölj av utvecklingsfonden för Internet-initiativen

Även om forskare är engagerade i formalisering och utveckling av neurala nätverk i 70 år, kan två vändpunkt i utvecklingen av denna teknik särskiljas. Den första - 2007, när vid University of Toronto, skapade algoritmer för djupt lärande av multilager neurala nätverk. Det andra ögonblicket som provocerar dagens boom är 2012, när forskare från samma universitet tillämpade djupa neurala nätverk och vann ImageNet-tävlingen, lärde dig att känna igen objekt i fotot och video med ett minimumsfel.

Nu är datoranläggningar tillräckligt för att lösa om det inte är någon, den överväldigande majoriteten av uppgifterna baserade på det neurala nätverket. Nu är det största hindret bristen på data markerade. Villkorligt säger att systemet lärde sig att känna igen solnedgången på video eller fotografier, behöver hon regna en miljon skott av solnedgången, vilket indikerar var det är i ramen. Till exempel, när du laddar upp ett foto på Facebook, känner dina vänner en katt i solnedgångens strålar, och det sociala nätverket ser en uppsättning etiketter i det: "djur", "katt", "trä", "golv" , "Evening", "Orange". Vem har mer data för att lära sig, för att neuraltit och bli smartare.

Andrei Kalinin

chef "Sök mail.ru"

Underhållningsapplikationer baserade på neurala nätverk - till exempel är vår artisto eller vinci bara isbergs vertex, och samtidigt ett bra sätt att visa sina möjligheter till en bred publik. Faktum är att neurosetik kan lösa ett antal komplexa uppgifter. De mest "heta" riktningarna är nu autopiloter, rösthjälpare, chattbots och medicin.

Alexander Krinov

chef för datorsynstjänst "Yandex"

Vi kan säga att bommen i det neurala nätverket redan har kommit, men han har inte kommit ut på toppen. Vidare kommer det bara att intressantas. De mest lovande riktningarna idag är kanske datorvision, dialogsystem, textanalys, robotik, obemannad transport och generation av innehåll - texter, bilder, musik.

Perspektiv sfärer för neuralt nätverk

Transport

Robotik

Bioteknik

Lantbruk

Internet

Media och underhållning

Lingvistik

säkerhet

Vlad sershulsky

direktör för Microsoft Teknologiska samarbetsprogram i Ryssland

Idag har den neurala revolutionen redan hänt. Ibland är det även svårt att skilja fiktion från verkligheten. Föreställ dig en automatiserad kombination med en mängd olika kameror. Han gör 5 tusen bilder per minut och analyser genom det neurala nätverket, gräset framför honom eller skadedjuret som smittats med skadedjur, varefter det bestämmer hur man gör nästa. Fiktion? Inte längre alls.

Boris Wolfson

headhunter Development Director

Det finns en viss hög runt det neurala nätverket och enligt min mening lite dyr förväntningar. Vi kommer också att passera genom besvikelsen innan du lär dig att effektivt använda dem. Många genombrottsforskningsresultat är inte särskilt tillämpliga i affärer. I praktiken är det ofta klokt att använda andra maskininlärningsmetoder - till exempel olika algoritmer baserade på lösningar. Förmodligen ser det inte lika spännande och futuristiskt, men dessa tillvägagångssätt är mycket vanliga.

Vad lär Neural Networks i Ryssland?

Marknadsaktörerna är överens om att många prestationer av neurala nätverk fortfarande är tillämpliga endast på den akademiska sfären. BENTE, tekniken används huvudsakligen i underhållningsapplikationer, som värms av ämnet. Ändå lär den ryska utvecklarna ett neuralt nätverk och löser socialt signifikanta och affärsuppgifter. Låt oss bo i detalj i vissa riktningar.

Vetenskap och medicin

Yandex dataanalysskolan deltar i Crayfis-experimentet i samband med företrädare för Skolkovo, MIPT, HSE och US UCI och NYU universitet. Dess essens är att söka efter kosmiska partiklar av ultrahög energi med smartphones. Data från kameror överförs av accelererade neurala nätverk som kan fixa spåren av svagt interagerande partiklar i bilderna.

Detta är inte det enda internationella experimentet där ryska specialister är involverade. Forskare University Innopolis Manuel Matsar och Leonard Johard deltar i Biodamo-projektet. Efter att ha anlitat med stöd av Intel och CERN, vill de skapa ett erfaret prov som kan reproducera en fullskalig simulering av hjärnbarken. Det är planerat att förbättra effektiviteten och effektiviteten hos experiment där närvaron av en levande mänsklig hjärna krävs.

Professor Innopolis Yaroslav Kolodov deltog i utvecklingen av en datormodell som är kapabel till tiotals gånger snabbare för att förutsäga bildandet av proteinband. Med denna algoritm kan du påskynda utvecklingen av vacciner och läkemedel. På samma sätt noterades utvecklare från Mail.ru-gruppen, Insilico Medicine och MFTI. De använde generativa melodi-nätverk, utbildade för att uppfinna molekylära strukturer, för att hitta ämnen som kan vara användbara i olika sjukdomar - från onkologi till kardiovaskulära sjukdomar.

Skönhet och hälsa

År 2015 lanserade det ryska företagets ungdomslaboratorier den första internationella skönhetskonkurrensen. Bilder av deltagare utvärderades av neurala nätverk. Vid bestämning av vinnarna tog de hänsyn till golvet, ålder, nationalitet, hudfärg, ansiktets symmetri och närvaron eller frånvaron av rynkanvändare. Den sista faktorn pressade också arrangörerna för att skapa en Rynkl-tjänst, vilket möjliggjorde att spåra hur åldrandet påverkar huden och hur olika droger kämpar med det.

Även neurala nätverk används i telemedicin. Det ryska företaget "Mobile Medical Technologies", hanterar projekt "online Dr." och "Pediatrician 24/7", testar Bot Diagnostic, som kommer att vara användbar både för patienter och läkare. Han kommer att vara den första som berättar, till vilken specialist att kontakta dessa eller andra symtom, och den andra kommer att hjälpa till att bestämma vad exakt de sjuka.

Optimering av affärsprocesser och reklam

Den ryska starten Leadza lyckades tillämpa ett neuralt nätverk för en effektivare budgetdistribution för reklam på Facebook och Instagram. Algoritmen analyserar resultaten av tidigare kampanjer, bygger en nyckelmått och baserat på dem automatiskt omfördelar kostnaderna så att nätbutiker kan få fler kunder för mindre.

GuaranACAM-laget innebar maskininlärningsteknik för att bedöma effektiviteten av boende av varor och reklammaterial i offline. Systemet arbetar på grundval av Microsoft Azure Cloud och analyserar inköpsbeteendet hos videoövervakningskameror. Företagare får en realtidsrapport i realtid. Projektet är redan tillämpat i köpcentret "Mega White Dacha".

Vid detta framgångsrika inhemska exempel på att använda neurala nätverk i affärer slutar inte. Logistix, experiment med teknik för att skapa artificiell intelligens Sedan 2006 har utvecklat ett lageroptimeringssystem. Den är baserad på ett studentneural nätverk som analyserar data som erhållits från träningsprackers och omfördelar lasten mellan dem. Nu lär laget ett neuralt nätverk för att skilja mellan äktenskapet.

Att hålla "Belfingroup" gick ännu längre. Hans "dotter" BFG-Soft har skapat en BFG-är Cloud-plattform, som låter dig hantera ett företag med hjälp av sin virtuella modell. Den senare byggs automatiskt på grundval av det samlade produktionsdatasystemet och visar inte bara hur det är bättre att organisera processer, med beaktande av de angivna ändamålen, men förutspår också konsekvenserna av eventuella ändringar - från att ersätta utrustning innan du administrerar ytterligare skift. I slutet av 2016 beslutade internetinitiativets utvecklingsfond att investera i ett företag med 125 miljoner rubel.

Rekrytering och personalhantering

Den ryska loggivaren av rekryterare Stafory slutar utbildningen av ett återkommande neuralt nätverk som inte bara kan ge ett rum svar på kandidaternas frågor, men leder också en fullfjädrad konversation med dem om vakansandel. Ett team av Superjob-portalen tester en tjänst som förutsäger vilken av hundratals samma typ av sammanfattningen som kommer att krävas av en viss arbetsgivare.

Transport

Den ryska utvecklaren av kognitiva tekniker Intelligenta system tillämpar neurala nätverk för att känna igen fordon, fotgängare, vägskyltar, trafikljus och andra föremål som kommer in i ramen. Företaget samlar också in data för att undervisa ett neuralt nätverk för en obemannad bil. Vi pratar om dussintals tusentals episoder, som beskriver reaktionen av förare för vissa kritiska situationer på vägarna. Som ett resultat bör systemet formulera de optimala scenarierna av autoboods beteende. Samma tekniker används för att skapa smart jordbrukstransport.

Dessutom kan neurala nätverk användas inom transportområdet och på ett annat sätt. Under sommaren 2016 lade Yandex till honom annonserna för den automatiska bestämningen av maskinens modell enligt sitt foto som tillhör honom. Vid den tiden visste systemet 100 varumärken.

Psykologi och säkerhet

Den ryska Ntechlab-uppstarten, av Google i den internationella tävlingen av MegaFace Benchmark Face Recognition-algoritmer, använd maskininlärningsteknik i Findface-programmet. Det låter dig hitta en person i sociala nätverk med fotografering. Ofta hänvisar användarna till tjänsten för att identifiera förfalskningar, men det kan vara användbara och brottsbekämpande tjänstemän. Med det har identiteten på flera brottslingar redan etablerats, inklusive Sitibank-invaderarna i Moskva. Affärsversion av Findface.Pro tillhandahålls till företag som är intresserade av kundidentifiering. Nu är systemet säkras för att bestämma andras kön, ålder och känslor, som kan vara användbara inte bara när de kommunicerar med kunder, men också när man hanterar personal.

På samma sätt tillämpar neurala nätverk också ett annat ryskt företag - VisionLabs. Den använder ansiktsigenkänningsteknik för att säkerställa säkerhet i banker och bildandet av specialerbjudanden för de mest lojala kunderna av olika detaljhandelspunkter.

I samma riktning fungerar starten "Emotian". Han slutför systemet med att bestämma det emotionella statens städer. Medan Neurallet beräknar de lyckligaste publikationsområdena på sociala nätverk, men i framtiden kommer bolaget att ta hänsyn till biometriska data från kameror.

Media och kreativitet

En av de viktigaste aktörerna på den ryska neurala nätverksmarknaden är Yandex. Företaget använder maskininlärning inte bara i sina söktjänster, men också i andra produkter. År 2015 lanserade hon Dzens rekommendationssystem, som utgör ett tejp från nyheter, artiklar, foton och video, baserat på en viss användares intressen. Ju oftare det hänvisar till de valda algoritmmaterialen, desto mer exakt bestämmer det neurala nätverket vad han kan vilja.

Dessutom experimenterar Yandex med kreativitet. Anställda i bolaget har redan lyckats tillämpa ett neuralt nätverkstrategi för poesi, och sedan

Institutionen för utbildning av Moskva

Gbou gymnasium №1503

"NEURALA NÄTVERK. Deras tillämpning, roll och betydelse

I en modern och framtida ekonomi "

(forskning)
Genomförde

betyg 10 student

Bryzhenko Dmitry

Ledare:

Janikov Alexander Vasilyevich

Moskva

år 2013

Neurala nätverk. Deras tillämpning, roll och betydelse i en modern och framtida ekonomi
Planen:

Introduktion ................................................. .................................................. .................... Mål och syfte……………………………………………………………………………………… Begreppet neurala nätverk, deras mening .......................................... ..................... Enklaste analytiska teknik ............................................... ......... Olinjär uppgift .............................................. ................................. .. Fördelar med att använda neurala nätverk ............................................. Principen om drift av neurala nätverk ........................................... ...................... Programvaruimplementeringar ................................................ .............................. Tillämpning av neurala nätverk .............................................. .......................... Prognosförändringar i citat .............................................. ..... ... Pris och produktion Pris och produktion ............................................ ............... Forskningsfaktorer i efterfrågan .............................................. ................... .. Fastighetsvärdering ............................................................................. Analys av konsumentmarknaden ............................................. ................................ Bedrägeribekämpning ................................................ ...................................... Text erkänner ............................................................................ Empirisk del ................................................ .................................... Prognos på kursens gång USD / RUR ......................................... ......... Bedömning av kostnaden för fastigheter ........................................... ................. .. Nackdelar med att använda neurala nätverk ............................................. ........... Slutsats ................................................. .................................................. ...... Referenslista……………………………………………………………………………… Applikationer ................................................. .................................................. ........... ...

3

Faren är inte att datorn återigen börjar tänka som en person, men den mannen kommer att försöka tänka som en dator en gång.

(Sidney J. Harris)

Introduktion

I den moderna världen måste ekonomiska beräkningar vara mycket korrekta, förlita sig på den tidigare erfarenheten. Traditionella metoder, som att förutsäga efterfrågan på nya produkter genom offentlig undersökning av analysen av den erhållna data manuellt, produktkvalitetsanalys genom att testa enskilda fall, som kontrollerar potentiella risker för standardmetoder, långsamt, men korrekt avgick till bakgrunden på grund av relativt låg noggrannhet .

Neurala nätverk är en ny och mycket lovande datorteknik, som ger helt nya tillvägagångssätt för studien av dynamiska uppgifter på det ekonomiska området. Inledningsvis öppnade neurala nätverk nya möjligheter inom erkännande av bilder, då har statistiskt och baserat på sökandet efter komplexa relationships (artificiell intelligens) tillagt detta för att finna beslutsfattande och lösa problem inom ekonomi.

Möjligheten att modellera olinjära processer, som arbetar med bullriga data och anpassningsförmåga gör att du kan tillämpa neurala nätverk för att lösa en stor klass av uppgifter som täcker ett brett utbud av intresseområden. Erkännande av bilder, behandling av brummande eller ofullständig data, associativ sökning, klassificering, optimering, prognos, diagnostik, processhantering, datasegmentering, kompression, komplexa mappings, modellering av icke-standardiserade processer, taligenkänning.

Under de senaste åren fanns det många mjukvarusystem baserade på neurala nätverk för applikationer i frågor som verksamhet på råvarumarknaden, bedömning av konkurs konkurs, kreditvärdighetsbedömning, investeringskontroll, lån.

Betydelsen av att använda neurala nätverk i ekonomin är inte alls till Oust traditionella metoder eller att uppfinna en cykel, och det här är ett annat möjligt sätt att lösa problem.

Den positiva effekten på utvecklingen av neuralteknik var skapandet av metoder för parallell informationsbehandling.

Hypotesen är att neurala nätverk anses vara verktyg som kan identifiera de svåraste beroenden. I mitt arbete vill jag kolla in det.

Den praktiska betydelsen av den forskning som drivs av mig är relaterad till det faktum att det nu inte ett mycket stort antal företag använder neurala nätverk som huvudverktyget. Därför, med den "vanliga" beräkningen, kan de göra fel som kan avslöjas med ett "neuralt nätverk" -metod.

Jag delade ditt arbete på 5 kapitel. I det första kapitlet avslöjar jag de allmänna koncepten av neurala nätverk, deras mening. I det andra kapitlet citerar jag programvaruimplementeringar, d.v.s. Program som skapats för att arbeta med neurala nätverk. I kapitel 3 citerar jag detaljerade exempel på att använda neurala nätverk i praktiken. I det fjärde kapitlet väljer jag två exempel och med hjälp av neurala nätverksteknik, spenderar jag studien, de resultat som jag beskriver i jobbet.

Syftet med att skriva arbete:

• 
  Identifiera behovet av att använda neurala nätverk i ekonomin

Uppgifter:

1. 
   Räkna ut systemet med neurala nätverk, förstå att de representerar
2. 
   Bestäm de ekonomiska uppgifter som kan lösas med hjälp av neurala nätverk
3. 
   Modell det neurala nätverket med hjälp av en programvara Neuropacket och skapa ett praktiskt exempel med det.
4. 
   Utvärdera effektiviteten av användningen av neurala nätverk i ekonomiska uppgifter.

1. Begreppet neurala nätverk, deras mening.

Neurala nätverk är adaptiva system för bearbetning och analys av data, som är en matematisk struktur som imiterar vissa aspekter av den mänskliga hjärnan och demonstrerar sådana möjligheter, såsom förmåga att informella lärandet, förmåga att generalisera och kluster icke-klassificerad information, förmågan att Oberoende byggprognoser baserat på redan presenterad tillfällig serie, förmågan att hitta komplexa analytiska beroenden.

Deras väsentliga skillnader från andra metoder, såsom expertsystem, är att neurala nätverk inte behöver en tidigare känd, specificerad modell och bildar den baserat på den angivna informationen. Därför ingick neurala nätverk och genetiska algoritmer överallt, där det är nödvändigt att lösa problem med prognoser, klassificering, förvaltning - med andra ord, inom området för mänsklig verksamhet, där det finns dåligt algoritmiserbara uppgifter, för att lösa huruvida eller permanent drift av en grupp kvalificerade experter, eller adaptiva automationssystem. Vad är de neurala nätverken. Således kan neurala nätverk betraktas som komplex analytisk teknik, d.v.s. En metod som baserat på kända algoritmer möjliggör angivna data för att visa värdet av okända parametrar.

1,1. Enkelaste analytiska teknik

För att vara tydligare kommer jag att citera ett klassiskt exempel på den enklaste analytiska tekniken: Pythagora-teorem, som tillåter längden på kateterna att bestämma längden på hypotenusen.

c2 \u003d A 2 + B2.

Att veta parametrarna A och B, beräkna C [hypotenuse] är inte svårt.

1,2. "Olinjär uppgift"

Ett helt annat alternativ för analytisk teknik är metoder som behandlas av den mänskliga hjärnan. Exempel på en sådan analytisk teknik är erkännande av människor som är kända för oss i en folkmassa eller effektiv hantering av flera muskler när de serveras. Dessa uppgifter som kan till och med lösa barnets hjärna är fortfarande inte som moderna datorer.

Den mänskliga hjärnans unikahet är att han kan lära sig att lösa nya uppgifter, som kör, lära sig främmande språk etc. Trots detta är hjärnan inte anpassad till behandlingen av stora mängder information - en person kommer inte att kunna beräkna till och med en kvadratisk rot av ett stort antal i sinnet utan att använda papper eller räknare. I praktiken finns numeriska uppgifter ofta, mycket mer komplexa, snarare än rotutvinningen. För att lösa sådana uppgifter behövs ytterligare verktyg.

Det neurala nätverket accepterar inmatningsinformation och analyserar den på ett sätt som liknar vad som används av vår hjärna. Nätverket kan lära sig. Efterföljande resultat utfärdas på grundval av tidigare erhållen erfarenhet.

Den viktigaste uppgiften för en specialist som använder neurala nätverk för att lösa några problem är behovet av att välja den mest effektiva neurala nätverksarkitekturen, dvs. Välj korrekt typ av neuralt nätverk, algoritmen för sin träning, antalet neuroner och typer av länkar mellan dem. Tyvärr har det här arbetet inte en strikt algoritm, det kräver en djup förståelse för olika typer av neurala nätverksarkitekturer, innehåller många studier och kan ta lång tid.

Tillämpning av neurala nätverk är tillrådligt om:

Tillräckliga mängder data om tidigare systembeteende har ackumulerats

Det finns inga traditionella metoder eller algoritmer, tillfredsställande att lösa problemet.

Uppgifterna snedvrider delvis, inte full eller motsägelsefullt, vilket resulterar i vilket traditionella metoder ger otillfredsställande resultat.

Neurala nätverk manifesterar sig bäst där det finns ett stort antal inmatningsdata, mellan vilka det finns implicita relationer och mönster. I det här fallet kommer de neurala nätverken att hjälpa till att ta hänsyn till olika olinjära beroenden dolda i data. Detta är särskilt viktigt i lösningar för att stödja beslutsfattande och prediktionssystem.

1,3. Fördelar med att använda neurala nätverk

Neurala nätverk är oumbärliga vid analys av data, till exempel för preliminär analys eller urval, detektera grova mänskliga fel. Det är lämpligt att använda neurala nätverksmetoder i ofullständiga informationsuppgifter, i uppgifter där lösningen kan hittas intuitivt, och samtidigt ger traditionella matematiska modeller inte det önskade resultatet.

Metoder för neurala nätverk är ett utmärkt tillägg till traditionella metoder för statistisk analys, varav de flesta är förknippade med konstruktionen av modeller baserade på vissa antaganden och teoretiska slutsatser (till exempel att det önskade beroende är linjärt eller att någon variabel har en normal fördelning ). Neural Network-tillvägagångssättet är inte relaterat till sådana antaganden - det är lika lämpligt för linjära och komplexa olinjära beroenden, särskilt effektiva i prospekteringsanalys, när målet är att ta reda på om det finns åtgärder mellan variabler. Samtidigt kan data vara ofullständiga, motsägelsefulla och till och med medvetet förvrängda. Om det finns en viss koppling mellan ingångs- och utgångsdata, som inte ens detekteras av traditionella korrelationsmetoder, kan det neurala nätverket automatiskt stämma in i det med en viss grad av noggrannhet. Dessutom har moderna neurala nätverk ytterligare möjligheter: de tillåter oss att utvärdera den jämförande betydelsen av olika typer av inmatningsinformation, minska volymen utan att förlora betydande data, erkänna symptomen på approximation av kritiska situationer etc.

1,4. Principen om drift av neurala nätverk

Hastigheten hos moderna datorer är cirka 100 mflops (10 ^ 8 flops) (flops - en enhet som anger datorns hastighet, med en flytande semikolon) i hjärnan innehåller ca 10 ^ 11 neuroner. Tiden för att passera en nervös impuls - 1 ms, det antas att produktiviteten hos ett neuron är ca 10 flops. Den ekvivalenta hastigheten i hjärnan kommer att vara 10 ^ 11 * 10 \u003d 10 ^ 12 flops. Om vi \u200b\u200böverväger de utmaningar som tas ut i hjärnan och beräkna det önskade antalet operationer för att lösa dem på vanliga datorer, får vi en uppskattning av hastighet upp till 10 ^ 12 flops. Skillnaden i prestanda mellan den vanliga datorn och hjärnan är 4 beställningar! På många sätt beror dessa vinster på parallellismen av informationsbehandling i hjärnan. För att öka datorns prestanda är det följaktligen nödvändigt att flytta från principerna för bakgrundsneiman till parallell behandling av information. Parallella datorer har dock ännu inte distribuerats av flera skäl, vilket beror på de tekniska svårigheterna med genomförandet.

Artificiellt neuralt nätverk är en betydande förenklad modell av ett biologiskt neuralt nätverk, d.v.s. Element i nervsystemet. Av biologi, grundläggande idéer och principer lånas:

• 
  Neuron är en omkopplare mottagande och sändande pulser eller signaler. Om neuron får en tillräckligt stark impuls, säger de att neuron är aktiverad, det vill säga överför pulserna i samband med det till neuroner. Ej aktiverad Neuron förblir i vila och passerar inte impulsen.
• 
  Neuron består av flera komponenter: synapser som förbinder neuroner med andra neuroner och mottagande pulser från närliggande neuroner, axon, sänder puls till andra neuroner och dendrit mottagande signaler från olika källor, inkl. från synapses.
• 
  När Neuron mottar en puls som överstiger ett visst tröskelvärde, sänder den pulsen till efterföljande neuroner (aktiverar pulsen).
• 
  Synapse består av två delar: premiputen, ansluten till axeln hos den sändande puls av cellen och den postsenpetiska, som är anslutna till den Dendriten av mottagningspulsen hos cellen. Båda delarna av synapsen ansluter det synaptiska gapet.

Signalen från neuron till andra neuroner överförs via Axon, som inte är direkt relaterad till mottagningspulsen med neuroner. Pulsen varierar flera gånger i Synapse: före avgång - i presynaptiska delen och vid mottagande - i Postsynaptic.

Överföringspulsen är formad i neuron, beroende på en eller flera pulser. I fallet med flera pulser ackumulerar neuroner dem. Det kommer att ge en impuls eller inte, beror på de mottagna impulserna, vilka de överförs etc. Således är beroendet mellan överförda och erhållna impulser olinjärt. Om Neuron sänder pulsen, är den aktiverad.

Neuronens matematiska modell är byggd enligt följande:

Fikon. 1. Modell av artificiell neuron

• 
  Inmatningen av neuronmodellen X är en vektor bestående av en stor nummer (n) komponent. Var och en av komponenterna i ingångsvektorn XI är en av pulserna erhållna av neuron.
• 
  Utgången från neuronmodellen är ett nummer X *. Det betyder att inmatningsvektorn måste konverteras och aggregeras in i skalären. I framtiden kommer denna impuls att överföras till andra neuroner.
• 
  Det är känt att när man tar emot en puls ändras neuronsynalperna. Matematiskt kan denna förändringsprocess beskrivas enligt följande: För var och en av XI-komponenterna anges vikten. Pulsen passerade genom synaps ser utseendet på Wixi. Observera att vikter kan tilldelas modellinitialisering och kan vara variabler och mätt under beräkningarna. Vikt är de interna parametrarna i nätverket, som diskuterades ovan. Tala om nätverk, menar de grunden för syndskalor.
• 
  Tillsatsen av de erhållna pulserna. Aggregationen av de erhållna pulserna är beräkningen av deras summa av σwixi.

Fikon. 2. Ett exempel på ett neuralt nätverk med en dold nivå.

Vanligtvis finns neuroner på nätet med nivåer. Illustrationen visar ett exempel på ett neuralt nätverk på tre nivåer:

1. 
   På första nivåns ingående neuroner (märkt i blått), som får data från utsidan och sändande pulser till neuroner på nästa nivå genom synapser.
2. 
   Neuroner på den dolda (andra, röda) nivån behandlas med de erhållna pulserna och sände dem till neuroner vid utgången (tredje, grön) nivå.
3. 
   Nero på utgångsnivån ger slutlig analys och datautmatning.

Naturligtvis kan nätverksarkitekturen vara mer komplex, till exempel med ett stort antal dolda nivåer eller med ett ändrat antal neuroner. Modeller av neurala nätverk klassificeras av tre huvudparametrar:

• 
  Typ av kommunikation mellan neuroner i nätverket
• 
  Typ av växellåda;
• 
  Begagnad nätverksutbildningsalgoritm

Vidare är det viktigaste steget att träna det neurala nätverket. När nätverket är utbildat kan vi anta att det är klart för användning

Fikon. 3. Process för att lära sig neuraloet