Нейросетевыми технологиями называют комплекс информационных технологий, основанных на применении искусственных нейронных сетей.
Искусственные нейронные сети – это программно или аппаратно реализованные системы, построенные по принципу организации и функционирования их биологического аналога – нервной системы человека.
Нервная система человека состоит из нейронов. Все нейроны связаны между собой нервными волокнами, которые передают электрические импульсы. Различают волокна двух типов – дендриты и аксоны.
Дендриты – нервные волокна, по которым принимаются импульсы. К одному нейрону может подходить несколько дендритов.
Аксоны – нервные волокна, по которым передаются электрические импульсы. Каждый нейрон имеет единственный аксон, который в свою очередь может контактировать с дендритами других нейронов через синапсы.
Синапсы – особые образования, изменяющие параметры импульса. Величина, на которую синапсы изменяют силу импульса, называется весом синапса. Веса синапсов могут изменяться – в этом заключается процесс обучения нейросети.
|
|
При математическом описании нейросети можно определить:
Дендрит – вход,
Аксон – выход,
Нейрон – сумматор сигналов на выходе.
Основная задача состоит в использовании внутренней функции для получения силы импульса на выходе.
Тогда математическую модель можно записать следующим образом:
Пусть w1, w2, …., wn – веса дендритов, по которым передаются импульсы силы x1, x2, …., xn соответственно.
Суммарный сигнал на выходе будет равен d=åwi*xi
Выходной сигнал нейрона определяется функцией: y=f(d)
Нейрон полностью описан входным сигналом x, функцией нейрона и сигналом y на выходе. Один из возможных вариантов модели искусственного нейрона представлен на рисунке 18.
Рис. 18. Модель искусственного нейрона
Таким образом, искусственный нейрон— этоэлементарный преобразующий элемент, состоящий из элементов трех типов: умножителей (синапсы), сумматора и нелинейного преобразователя, и выполняющий две функции - взвешенное суммирование и нелинейное преобразование.
Биологический нейрон моделируется как устройство, имеющее несколько входов (дендриты), и один выход (аксон). Каждому входу ставится в соответствие некоторый весовой коэффициент (w), характеризующий пропускную способность канала и оценивающий степень влияния сигнала с этого входа на сигнал на выходе. В теле нейрона происходит взвешенное суммирование входных возбуждений, и далее это значение является аргументом активационной функции нейрона (рисунок 18).
Подобно биологическим системам, которые моделирует искусственный нейрон, он изменяет свои характеристики в результате попыток достичь лучшей модели поведения. Изменения состоят в корректировке величин коэффициентов wi входящих связей. Тем самым изменяется и величина исходящего сигнала, который будет генерироваться при тех же входных сигналах. Корректируя весовые коэффициенты, нейрон накапливает «опыт», приспосабливая свой выходной сигнал к решению той или иной конкретной задачи.
|
|
Будучи соединенными определенным образом, нейроны образуют нейронную сеть.
Нейронные сети — иерархически организованные параллельные соединения адаптивных элементов — нейронов, которые обеспечивают взаимодействие с объектами реального мира так же, как и биологическая нервная система.
К настоящему времени предложено большое количество способов объединения нейронов в нейросеть. Нейроны в сети расположены слоями. Обычно выделяют входной слой, на который подается возбуждающий сигнал, выходной слой, с которого снимают переработанный сетью сигнал, а все остальные слои называют скрытыми, поскольку они не видны пользователю. Очевидно, что для адекватного решения задачи функционирования сети нужно правильно выбрать значения весов связей между нейронами — обучить сеть Процесс обучения состоит в настройке параметров этой сети.
В практике искусственных нейронных сетей сложились два основных метода обучения:
• с учителем,
• без учителя.
При обучении с учителем предполагается, что помимо входных сигналов, известны также и ожидаемые выходные сигналы. Иными словами, нейрон каждый раз получает информацию о том, какой выходной сигнал от него ожидают. При обучении без учителя ожидаемые выходные сигналы неизвестны, подбор весовых коэффициентов осуществляется на основе конкуренции нейронов, либо корреляции обучающих и выходных сигналов.
К основным преимуществам нейронных сетей можно отнести:
наиболее ценное свойство нейронных сетей — способность обучаться на множестве примеров в тех случаях, когда неизвестны закономерности развития ситуации и какие бы, то ни было зависимости между входными и входными данными. С такими ситуациями (а это 80% задач финансового анализа) не справляются как традиционные математические методы, так и экспертные системы;
нейронные сети способны успешно решать задачи, опираясь на неполную, искаженную и внутренне противоречивую информацию;
для использования методов корреляционного, регрессионного и кластерного анализов требуется специалист высокой квалификации, однако эксплуатация обученной нейронной сети по силам рядовому пользователю;
внутренний параллелизм, присущий нейронным сетям, позволяет практически безгранично наращивать мощность любой нейросистемы. Можно начать с простого пакета, потом перейти на профессиональную версию, затем перейти на специализированный компьютер с гарантией полной преемственности всего ранее созданного программного обеспечения.