Алгоритм застосування нейромережних технологій

Застосування нейромережної технології передбачає обов’якове проведення таких етапів. Першим етапом є чітке формулювання проблеми, тобто того, що користувач - аналітик збирається отримати від нейромережної технології на виході. Це може бути деякий вектор, що характеризує систему чи процес. Наприклад, крива дохідності, ціна відсікання первинного аукціону, показник доцільності реструктуризації інвестиційного портфелю, точки перелому тренду та інші.

На другому етапі визначаються і підготовлюються вхідні дані для реалізації нейромережної технології. Для цього відбирається вся необхідна інформація, яка адекватно і повно описує процес. На цьому етапі рекомендується задіяти кваліфікованих спеціалістів, що добре знають редметну ділянку, для якої розробляється програмний засіб. Складність виконання цього етапу полягає в тому, щоб підтримати баланс між прагненням збільшити кількість вхідних параметрів та ймовірністю отримати погано навчену мережу, яка може спотворити очікувані прогнози. Справа в тому, що число днів ретроспективи і прогнозу, які залежать від властивостей даних сильно впливають на точність прогнозу. Тому вибір невідповідно великої кількості днів для прогнозу чи малого числа днів ретроспективи може привести до того, що мережа не зможе навчатися.

Ввід даних в систему, підготовка даних, створення файлів для тренування і тестування можна вважати самостійним третім етапом. Основна мета роботи на цьому етапі – це формування необхідного набору ситуацій, з якими доводиться працювати аналітику, а потім розподіл вхідних даних у відповідності з цими ситуаціями. У цьому випадку нейромережна технологія автоматично реалізує задачу класифікації, в основі якої лежить нечітка логіка. Вхідними параметрами можуть вибиратися і штучно створені показники, наприклад для фондового ринку це можуть бути різноманітні індикатори технічного аналізу.

Для того щоб виявити рівень впливу конкретного параметру на прогнозовану величину на етапі підготовці даних аналізується ступінь їх інформаційного насичення. Після досягнення рівномірного наповнення всіх ступенів насичення виявляється відповідність між прогнозованою величиною і параметром у вигляді “Якщо. тоді. інакше“, що близьке до реалізації алгоритму нечіткої логіки і експертних систем.

Вибір типу нейромережної технології і методу її навчання можна виділити в окремий етап. Мережа може буті побудована за допомогою NetMaker в інтерактивному режимі при допомозі підказок або ж створити файли Brain Maker за допомогою текстового редактора. Для прогнозування рядів динаміки, якими описуються фінансові ринки рекомендується використовувати генетичний алгоритм Genetik Algoriths, а для розв’язання задач розпізнавання образів і класифікації - мережними технологіями Hopfield і Kohonen. Найтрудомісткішим процесом є налагодження нейромережі на навчальну вибірку даних, так як на цьому етапі визначається оптимальна кількість параметрів, властивостей досліджуваних даних, оптимальне число днів ретроспективи і прогнозу. Добре продумані способи задання текстових множин у поєднанні з декількома варіантами навчальних алгоритмів (від стандартних до швидкісних) і різноманітних критеріїв зупинки навчання забезпечує широкі експериментальні можливості нейромереж.

Процес роботи з нейронними технологіями значно полегшує можливість взаємодії з різноманітним стандартними програмними засобоми, (наприклад, Excel), що забезпечуються розвиненою системою конверторів.

Сучасні нейромережні продукти дозволяють працювати як з числовими так і з текстовими даними, тобто перетворювати набір символів (слово, фраза) в унікальний набір чисел. Деякі нейромережні технології дозволяють проводити і обернену операцію, тобто представляти результати роботи нейромережі у вигляді не тільки чисел, але і зв’язного тексту, що дозволяє генерувати результати у вигляді різноманітних інформаційних повідомлень. Правила для навчання в нейромережі можуть задаватися шляхом їх вводу в готовому вигляді, а також у вигляді чисел, які вимагають додаткових перетворень даних. Надається можливість задавати такі обмежувальні та рекомендаційні правила та умови в процесі розв’язання задачі. Іншим методом задання правил є робота з індикаторами технічного аналізу. Включення індикаторів в процес навчання суттєво підвищує не тільки точність прогнозів, але і їх стабільність і статистичну достовірність. Деякі нейромережні продукти пропонують спеціальний блок налагодження, який містить повний список процедур з можливостями автоматичного підбору параметрів і переносу вибраних значень в підготовлений набір вхідних даних, що значно полегшує роботу аналітику.

Останніми етапами слід вважати проведення тестування нейромережі і її запуск для отримання прогнозу. Роботоздатність початково навчених нейромереж доводиться на тестовій вибірці даних. По результатах тестів відбираються найперспективніші варіанти. У цих випадках керуються тим, що точність і надійність прогнозу насамперед залежать від типу прогнозованої величини, стану, в якому знаходиться система (стаціонарне, поблизу критичної точки та інших), типу системи (керована вона ззовні чи замкнута). Наприклад, найточніший і найнадійніший прогноз локальної зміни тренду у випадку стаціонарного стану ринку. Якщо результати тестування нейромережі не задовільні, тоді проглядається набір вхідних даних, змінюють деякі навчальні програми чи перебудовують мережу.

Після завершення повної настройки нейромережі можливі два шляхи її використання:

1. користуватися в подальшій роботі створеною системою, що цілком достатньо для одного спеціаліста, який вирішує певне коло задач;

2. створити для кожної задачі незалежні пакети у вигляді окремих файлів, які можуть використовуватися іншими програмами.

В останньому випадку отриманий варіант нейромережної технології є упакованою нейромережею з описаними функціями передачі команд управління.

Дата добавления: 2015-05-26