Нейросетевые технологии

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 w_1, w_{2, ….,} w_n – веса дендритов, по которым передаются импульсы силы x_1, x_2, …., x_n соответственно.

Суммарный сигнал на выходе будет равен d=åw_i*x_i

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:

Ÿ 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;

Ÿ нейронные сети способны успешно решать задачи, опираясь на неполную, искаженную и внутренне противоречивую информацию;

Ÿ для использования методов корреляционного, регрессионного и кластерного анализов требуется специалист высокой квалификации, однако эксплуатация обученной нейронной сети по силам рядовому пользователю;

Ÿ 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.