Решение задач на тему: Теоретические аспекты по теме исследования описание нейронных сетей

Введение

Актуальность темы исследования обусловлено тем, что нейронные сети в наш век технологий могут найти свое применение в различных задачах машинного обучения, к которым можно отнести:

Предсказание/прогноз. Пусть заданы n дискретных отсчетов {y(t1), y(t2) …, y(tк)} в последовательные моменты времени t1, t2, …, tк. Задача состоит в предсказании значения y(tк+1) в некоторый будущий момент времени tк+1. Предсказание/прогноз имеют значительное влияние на принятие решений в бизнесе, науке и технике[10. с.114]

Кластеризация/категоризация. При решении задачи кластеризации, которая известна также как классификация образов "без учителя", отсутствует обучающая выборка с метками классов. Алгоритм кластеризации основан на подобии образов и помещает близкие образы в один кластер. Известны случаи применения кластеризации для извлечения знаний, сжатия данных и исследования свойств данных.

Классификация образов. Задача состоит в указании принадлежности входного образа (например, речевого сигнала или рукописного символа), представленного вектором признаков, одному или нескольким предварительно определенным классам. К известным приложениям относятся распознавание букв, распознавание речи, классификация сигнала электрокардиограммы, классификация, клеток крови.

Аппроксимация функций. Предположим, что имеется обучающая выборка ((x1, y1), (x2, y2) …, (xN, yN)) (пары данных вход-выход), которая генерируется неизвестной функцией F(x), искаженной шумом. Задача аппроксимации состоит в нахождении оценки неизвестной функции F(x). Аппроксимация функций необходима при решении многочисленных инженерных и научных задач моделирования[9. с.128]

Оптимизация. Многочисленные проблемы в математике, статистике, технике, науке, медицине и экономике могут рассматриваться как проблемы оптимизации. Задачей алгоритма оптимизации является нахождение такого решения, которое удовлетворяет системе ограничений и максимизирует или минимизирует целевую функцию.

Как видно из вышеперечисленного, НС являются универсальным математическим аппаратом. В зависимости от парадигмы и структуры НС может успешно решить практически любую задачу

Таким образом, цель данной работы - проанализировать архитектуру нейтронных сетей.

Для достижения поставленной цели нам необходимо решить задачи следующего порядка:

- изучить основные теоретические аспекты по теме исследования нейтронных сетей;

- провести анализ архитектур нейтронных сетей, - рассмотрев однослойные и многослойные нейронные сети;

- выстроить программную реализацию по проведенному анализу;

- сделать основные выводы и дать заключение по теме исследования.

Соответственно, объект исследования - нейтронные сети, предмет - архитектурные особенности объекта исследования.

Методы исследования: математические, статистические и экономические. Практическая значимость определяется тем, что нейронная сеть сегодня представляют собой весьма упрощенную модель, но, несмотря на это, весьма успешно используются при решении самых различных задач. Хотя решение на основе нейронных сетей может выглядеть и вести себя как обычное программное обеспечение, они различны в принципе, поскольку большинство реализаций на основе нейронных сетей "обучается", а "не программируется"

Оглавление

- Введение 3

- Теоретические аспекты по теме исследования описание нейронных сетей

- Описание устройства нейрона и функционирования сети

- Функции активации

- Тренировка нейронной сети

- Анализ архитектур нейронных сетей

- Однослойные нейронные сети

- Многослойные нейронные сети

- Программная реализация

- Заключение 21

- Список источников 22

- Приложение А

Заключение

В результате выполнения курсовой работы по прогнозированию биржевых курсов были рассмотрены одни из основных архитектур нейронных сетей, а также в ходе анализа была выявлена нейросетевая модель, которая дала вполне приемлемые результаты.

Для прогноза каких-либо других величин стоит обратить особое внимание предобработке исходных значений, на которых будут обучаться и тестироваться модели так как изначально в нейронных сетях используется логистическая функция активации.

Также как можно было уже заметить в работе не использовался Perceptron по той лишь причине что во время обучения на исходных данных он не сходился к конечному значению. В общем случае для достижения наилучшего результата на бирже необходимо использовать нейронные сети вкупе с грамотной стратегией управления капиталом.

Способности нейронной сети к прогнозированию напрямую следуют из ее способности к обобщению и выделению скрытых зависимостей между входными и выходными данными.

После обучения сеть способна предсказать будущее значение некой последовательности на основе нескольких предыдущих значений и/или каких-то существующих в настоящий момент факторов. Следует отметить, что прогнозирование возможно только тогда, когда предыдущие изменения действительно в какой-то степени предопределяют будущие.

Список литературы

1 Беркинблит М. Б., Нейронные сети: учебное пособие. - М.: МИРОС и ВЗМШ РАО, 2016 - 296 с.: ил.

2 Осовский С. Нейронные сети для обработки информации / Пер. с польского И.Д. Рудинского. - М.: Финансы и статистика, 2016. - 344 с.

3 Горбань А.Н. Обобщенная аппроксимационная теорема и вычислительные возможности нейронных сетей. //Сибирский журнал вычислительной математики. - 2015 - Т.1, №1. - С. 12 - 24.

4 Барский. А. Б. Нейронные сети: распознавание, управление, принятие решений. М.: Финансы и статистика, 2015. - 275 с.

5 Еремин Д. М., Гарцеев И. Б. Искусственные нейронные сети в интеллектуальных системах управления. М.: МИРЭА, 2015. - 275 с.

6 Нейрокомпьютинг и его применение в науке и бизнесе. А. Ежов, С. Шумский. 2016. - 275 с.

7 Уоссермен, Ф. Нейрокомпьютерная техника. Теория и практика. - М.: МИР, 2016. - 240 с.

8 Хайкин, С. Нейронные сети полный курс. 2-е изд., испр. - М.: ВИЛЬЯМС, 2016. - 1104 с.

9 Рутковская, Д. Нейронные сети, генетические алгоритмы и нечеткие системы / Д. Рутковская, М. Пилиньский, Л. Рутковский. - М.: Горячая линия-Телеком, 2017. - 452 с.

10 Бэстенс Д.-Э., ван ден Берг В.-М., Вуд Д. Нейронные сети и финансовые рынки: принятие решений в торговых операциях. - Москва: ТВП, 2017. - 236 с.

11 Вороновский Г. К., Махотило К. В., Петрашев С. Н., Сергеев С. А., Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности. - Х.: Основа, 2017. - 112 с.

12 Ежов А.А., Шумский С.А. Нейрокомпьютинг и его применения в экономике и бизнесе (серия "Учебники экономико-аналитического института МИФИ" под ред. проф. В.В. Харитонова). М.: МИФИ, 2015. - 224 с.

13 Занг В. Б. Синергетическая экономика. Время и перемены в нелинейной экономической теории: Пер. с англ. - М.; Мир 2016. - 335 с. ил.

14 Змиртович А.И. Интеллектуальные информационные системы. - Мн.: НТООО "ТетраСистемс", 2017. - 368 с.

15 Калан Р. Основные концепции нейронных сетей.: Пер. с англ. - М.: Издательский дом "Вильямс" - 2015. - 288 с.

Интернет - источники

16 Анил К. Джейн, Жианчанг Мао, Моиуддин К М. Введение в искусственные нейронные сети. - http://www.osp.ru/оs/1997/04/index.htm.

17 Борисов Ю., Виталий К., Сорокин С. Нейросетевые методы обработки информации и средства их программно-аппаратной поддержки. - http://www.osp.ru/оs/1997/04/index.htm.

18 Галушкин А.И. Применения нейрокомпьютеров в финансовой деятельности. - http://www.user.cityline.ru/~neurnews/primer/finance.htm.

19 Галушкин А.И. Современные направления развития нейрокомпьютерных технологий в России. - http://www.osp.ru/оs/1997/04/index.htm.

20 Гроссберг С. Внимательный мозг. - http://www.osp.ru/оs/1997/04/index.htm.

21 Дорогов А. Структурные модели и топологическое проектирование быстрых нейронных сетей. - http://www.orc.ru/~stasson/fann.zip.

22 Короткий С. Введение в теорию нейронных сетей и программная реализация их основных конфигураций. - http://www.orc.ru/~stasson/index.htm.

23 Короткий С. Нейронные сети: основные положения. - http://www.orc.ru/~stasson/n1.zip.

24 Короткий С. Нейронные сети: алгоритм обратного распространения. - http://www.orc.ru/~stasson/n2.zip.

25 Короткий С. Нейронные сети: обучение без учителя. - http://www.orc.ru/~stasson/n3.zip.

26 Стариков А. Нейронные сети - математический аппарат. - http://www.basegroup.ryazan.ru/tech/neural-4.htm.

27 Шумский С.А. Нейросетевые агенты в Интернете. - http://www.computerra.ru/2000/4/.