Нейросетевые технологии

Размещено на http://www.allbest.ru//

Размещено на http://www.allbest.ru//

Нейросетевые технологии

К.В. Каменева,

студентка 3-го курса факультета «Менеджер»

Хабаровской государственной академии экономики и права

Современный финансовый рынок характеризуется высокой динамичностью происходящих процессов, наличием огромного числа объективных и субъективных факторов, взаимно обусловливающих друг друга, относительной скудностью априорной информации о среде. В такой ситуации процесс принятия эффективного решения для большинства экономических агентов крайне затруднён. Инвестор зачастую вынужден реагировать на субъективные показатели. Сложная рыночная ситуация, подкрепляемая неопределённостью, зачастую рождает панику, что в свою очередь также не способствует повышению эффективности принимаемых решений. Поэтому на сегодняшний день особенно актуальны изыскание и разработка новых методов моделирования инвестиционного портфеля, методов, позволяющих систематизировать, а также эффективно, непрерывно и оперативно оценивать аналитический материал, необходимый инвестору в процессе принятия решения. В частности, для решения указанной проблемы целесообразно применять модели, основанные на применении нейросетевых технологий как инструмента прогнозирования курсовой стоимости ценных бумаг.

Выбор нейронных сетей как инструмента анализа не случаен. Нейронные сети - это принципиально новое направление в прогнозировании, получившее на сегодняшний день широкое распространение. Нейронная сеть - компьютерный алгоритм, построенный по принципу человеческого мозга и обладающий способностью к обучению. Использование компьютерной реализации моделей значительно увеличивает оперативность получения аналитического материала для принятия решений. Следовательно, выполняются такие основные свойства управления, как эффективность, непрерывность и оперативность. Кроме того, в самой природе нейронных сетей заложена возможность анализа большого объёма косвенной и зашумленной информации.

Всё это даёт основания предполагать возможность их эффективного использования для решения различного рода финансовых задач.

Нервная клетка, сокращённо называемая нейроном, является основным элементом нервной системы. Изучение механизмов функционирования отдельных нейронов и их взаимодействия принципиально важно для познания протекающих в нервной системе процессов поиска, передачи и обработки информации. С этой точки зрения представляется необходимым изучить модель биологического нейрона (рисунок).

Рисунок - Модель биологического нейрона

Нейрон состоит из ядра и протоплазмы. У нейрона имеется тело со стандартным набором органелл, называемое сомой, внутри которого располагается ядро. От окружающей среды нейрон отделен тонкой мембраной. Нейроны имеют многочисленные отростки, по которым они получают информацию от рецепторов и других нейронов и передают сигналы нейронным клеткам исполнительных органов. Можно выделить два типа отростков: многочисленные тонкие, густо ветвящиеся древовидные отростки (дендриты) и более толстый, расщепляющийся на конце аксон. Через дендриты нейрон получает информацию через специальные контакты - синапсы. Передача информации от одного нейрона к другому осуществляется распространением нервного импульса по нервному волокну - аксону. Выходной сигнал отводится аксоном через его многочисленные нервные окончания, называемые колатералами. Колатералы контактируют с сомой и дендритами других нейронов, образуя очередные синапсы. Термин «нейронные сети» сформировался к середине 50-х гг. XX века. Основные результаты в этой области связаны с именами У. Маккалоха, Д. Хебба, Ф. Розенблатта, М. Минского, Дж. Хопфилда. В 1943 г. У. Маккалох и У. Питтс предложили модель нейрона и сформулировали основные положения теории функционирования головного мозга.

Нейронные сети - это наукоёмкие технологии, основанные на моделировании работы биологических аналогов - биологических нервных клеток (нейронов) и их групп. Это мощное средство исследователя и инженера. Там, где требуется решить задачи, которые не могут быть решены аналитически, задачи, трудно поддающиеся формализации, можно использовать искусственные нейронные сети. Каждый нейрон характеризуется своим текущим состоянием по аналогии с нервными клетками головного мозга, которые могут быть возбуждены или заторможены. Хотя один нейрон и способен выполнять простейшие процедуры распознавания, сила нейронных вычислений проистекает от соединений нейронов в сетях. Простейшая сеть состоит из группы нейронов, образующих слой. Более крупные и сложные нейронные сети обладают, как правило, и большими вычислительными возможностями. Искусственные нейронные сети (ИНС) строятся по принципам организации и функционирования их биологических аналогов. Они способны решать широкий круг задач распознавания образов, идентификации, прогнозирования, оптимизации, управления сложными объектами. Дальнейшее повышение производительности компьютеров в большей мере связывают с ИНС, в частности с нейрокомпьютерами (НК), основу которых составляет искусственная нейронная сеть. До недавнего времени над искусственными нейронными сетями доминировали логические и символьно-операционные дисциплины. Сейчас более популярно мнение о том, что искусственные нейронные сети вскоре заменят собой современный искусственный интеллект. Однако многое свидетельствует о том, что они будут существовать вместе, объединяясь в системах, где каждый подход используется для решения тех задач, с которыми он лучше справляется.

Нейронные сети представляют собой совокупность однотипных базовых элементов - нейронов, соединённых между собой линиями передачи информации или синаптическими связями с определёнными коэффициентами веса и, благодаря такой структуре, обладающих очень высокой степенью внутреннего параллелизма.

Принципы обработки информации в современных системах обработки данных и функционирования человеческого мозга существенно различаются. Мозг функционирует на основе параллельной обработки информации в нейронных сетях. И хотя о работе человеческого мозга известно не так много, существует множество моделей, имитирующих внешние проявления этой работы. Системы, построенные на основе принципов параллельной обработки информации в распределённых нейронных сетях, называют нейрокомпъютерами.

Потенциальными областями применения искусственных нейронных сетей являются те, где человеческий интеллект малоэффективен, а традиционные вычисления трудоёмки или физически неадекватны. Действительно, актуальность применения нейронных сетей многократно возрастает тогда, когда появляется необходимость решения плохо формализованных задач. Нейросетевые технологии применимы во многих предметных областях для решения различных прикладных задач. Есть несколько признаков, которыми должна обладать задача, чтобы применение нейронных сетей было оправдано:

- отсутствует алгоритм или неизвестны принципы решения задач, но накоплено достаточное число примеров;

- проблема характеризуется большими объёмами входной информации;

- данные неполны или избыточны, зашумлены, частично противоречивы.

Нейронные сети для пользователя ПК - инструмент, позволяющий решать задачи на основе накопленного опыта.

Основные области применения нейронных сетей:

- промышленность;

- высокие технологии;

- оборона;

- наука и техника;

- здравоохранение; нейронный сеть технология

- бизнес и финансы.

Некоторые типовые задачи, решаемые с помощью нейронных сетей и нейрокомпьютеров:

- автоматизация процесса классификации;

- автоматизация прогнозирования;

- автоматизация процесса предсказания;

- автоматизация процесса принятия решений;

- управление;

- кодирование и декодирование информации;

- аппроксимация зависимостей.

Важнейшая особенность нейронных сетей, свидетельствующая об их широких возможностях и огромном потенциале, состоит в параллельности обработки данных при аппаратной реализации.

При большом количестве межнейронных связей это позволяет значительно ускорить процесс обработки информации. Во многих случаях становится возможным преобразование сигналов в реальном времени. Кроме того, при большом числе межнейронных соединений сеть приобретает устойчивость к ошибкам, возникающим на некоторых линиях. Функции повреждённых связей берут на себя исправные линии, в результате чего деятельность сети не претерпевает существенных возмущений. Не менее важна способность нейронных сетей к обучению и обобщению накопленных знаний. Нейронная сеть обладает чертами искусственного интеллекта. Кроме того, архитектура нейронных сетей позволяет реализовать её с применением технологий сверхвысокой степени интеграции. Различие элементов сети невелико, а их повторяемость огромна. Это открывает перспективу создания универсального процессора с однородной структурой, способного перерабатывать разнообразную информацию и не требующего обязательного наличия программы обработки, достаточна только постановка задачи. Использование перечисленных свойств на фоне развития устройств со сверхвысокой степенью интеграции (VLSI) и повсеместного применения вычислительной техники вызвало в последние годы огромный рост интереса к нейронным сетям и существенный прогресс в их исследовании. Создана база для выработки новых технологических решений, касающихся восприятия, искусственного распознавания и обобщения видеоинформации, управления сложными системами, обработки речевых сигналов и т.п. Искусственные нейронные сети в практических приложениях, как правило, используются в качестве подсистемы управления или выработки решений, передающей исполнительный сигнал другим подсистемам, имеющим иную методологическую основу.

Применение технологии нейронных сетей для решения вычислительных задач позволяет достичь высокого уровня параллелизма и делает возможным для реализации алгоритмов использовать распределённые вычислительные комплексы, системы и вычислительные сети с различными топологиями.

Разработаны различные алгоритмы обучения нейросетей, представленные в ряде компьютерных программ. Смысл обучения состоит в подборе синапсов.

Наш мир всё активнее наполняется развивающимися интеллектуальными системами, нейрокомпьютерами, нейроподобными системами. Успешно развивается нейроинформатика и осуществляются её различные применения в технике и технологиях, в финансовых и медицинских проблемах, в распознавании образов, диагностике, прогнозировании и многих других задачах.

Привлекают новые большие возможности распараллеливания процессов, увеличения быстродействия, прямой связи между входными и выходными параметрами, умения нейросетей обучаться и доучиваться в процессе функционирования.

Литература

1. Жуков, Л. А. Приложения нейронных сетей : учеб. пособие для студентов, учащихся лицея и ЗПШНИ / Л. А. Жуков, Н. В. Решетникова. - Красноярск : ИПЦ КГТУ, 2007. - 154 с.

2. Каширина, И. Л. Нейросетевые технологии : учеб.-метод. пособие для вузов / И. Л. Каширина. - Воронеж : ИПЦ ВГУ, 2008. - 72 с.

Размещено на Allbest.ru