Характерні риси розвитку нейромережних технологій

Історія виникнення нейронних систем.

Нейромережні технології.

З середини 1980-их років нейронні системи почали використовуватися на Заході переважно в фінансових і військових прикладних пакетах. Але, незважаючи на успіх, інструмент виявився достатньо складним і дорогим. Ситуація змінилася на початку 1990-их років, коли на ринку з’явилося нове покоління нейромережних технологій – потужних, недорогих, простих у використанні. Одним з лідерів ринку став нейромережний пакет Brain Maker американської фірми California Scientific Software, який був розроблений на замовлення військових. З 1990 року він утримує лідерство за обсягами продаж в США. В Україні нейронні мережі почали впроваджуватися для застосуванні у фінансово-економічній сфері, де зацікавлені в удосконаленні аналітичної роботи банків. Вони можуть застосовуватися при розпізнаванні симптомів наближення критичних ситуацій, для короткотермінових, а деколи і для довготермінових прогнозів.

На ринку комерційних програмних продуктів поряд з аналітичними інструментами нового покоління, що базуються на використанні логіки нечітких множин – від електронних таблиць (Fuzzy Calc) до експертних систем (Cubi Calc) корпорації Hyper Jodic (США), все більшу зацікавленість для фінансово-економічної діяльності притягують аналітичні інформаційні технології, що грунтуються на використанні нейронних мереж. Нейронні мережі – це узагальнена назва групи алгоритмів, які вміють навчатися на деяких прикладах, використовуючи приховані закономірності з потоку даних. Комп’ютерні технології, які отримали назву нейронних, працюють по аналогії з принципами побудови і функціонування нейронів головного мозку людини і дозволяють вирішувати надзвичайно широке коло задач: розпізнавання людської мови і абстрактних образів, класифікація стану складних систем, управління технологічними процесами і фінансовими потоками, вирішення аналітичних, дослідних, прогнозних задач, пов’язаних з величезними інформаційними потоками. Нейромережні технології як потужній технологічний інструмент дозволяють полегшити спеціалісту процес прийняття важливих і неочевидних рішень в умовах невизначеності, дефіциту часу і обмежених інформаційних ресурсів.

Характерною рисою нейронних мереж є їх здатність змінювати свою поведінку в залежності від змін зовнішнього середовища, враховуючи приховані закономірності з потоку даних. При цьому алгоритми навчання не вимагають будь-яких попередніх знань про існуючі в предметній ділянці взаємозв’язки – необхідно тільки підібрати достатнє число прикладів, які описують поведінку модельованої системи в минулому. Переваги нейромережних технологій зокрема полягають в тому, що вони не вимагають підвищених вимог до точності вхідних даних, як на етапі навчання так і при їх застосуванні. Можна виділити такі переваги нейромережних технологій:

· здатність навчатися на конкретній множині прикладів і таким чином пристосовуватися до поточної ситуації;

· вміння стабільно розпізнавати, прогнозувати нові ситуації з високим рівнем точності в умовах зовнішніх перешкод, наприклад появи неповних чи суперечливих значень в потоках інформації.

Беручи за основу роботу мозку, нейромережні технології застосовують ряд біологічних термінів, понять, параметрів. Так наприклад метод нейромережних технологій отримав назву генетичний алгоритм. Генетичний алгоритм застосовується в таких популярних версіях нейропакетів, як Brain Maker Professional v3.11 та менш відомому але більше професійному Neuroforester v5.1. В цих пакетах генетичний алгоритм керує процесом спілкування на деякій множині прикладів, а також стабільно розпізнає (прогнозує) нові ситуації з високим степенем точності навіть в умовах зовнішніх перешкод. Навчання програми зводиться до роботи алгоритму підбору вагових коефіцієнтів, який здійснюється автоматично без безпосередньої участі користувача - аналітика.

Розглянуті пакети мають інструменти для попередньої обробки даних:

· кореляційний аналіз, який дозволяє визначити значимість вхідних параметрів прогнозу;

· аналіз з допомогою масштабних коефіцієнтів і експоненти Хьорста для виявлення неявних циклів даних;

· діаграма-розподіл залежності прогнозованої величини від вхідних параметрів.

Розглянуті методи дозволяють вже на етапі підготовки даних виділити найсуттєвіші для прогнозу параметри. Всі результати можуть представлятися в графічному вигляді, який зручний для аналізу і прийняття рішення.

Дата добавления: 2015-05-26