Нейросетевые системы Общие сведения о нс

Несмотря на бурное развитие информационных технологий и их широкое использование, достаточно трудно ответить на вопрос о том, как конкретно в экономической сфере возникает и используется информация, которая может приносить при­быль. Исследования почти всегда показывают, что никакая устойчивая стратегия торговли не дает постоянной прибыли, и это, во всяком случае, так, если учитывать еще и расходы на совершение сделок. Хорошо извест­но также, что участники рынка (и весь рынок в целом) могут принимать совершенно различные решения исходя из сходной или даже неизменной информации.

Участники рынка в своей работе, как правило, имеют в запасе несколько сценариев действий, и то, какой из них пускается в ход, зависит подчас от внешних незаметных признаков. Один из возможных подходов к многомерным и зачастую плохо формализуемым задачам заключается в том, чтобы по возможности подражать образцам пове­дения участников рынка, используя такие методы искусственного интеллек­та.

На моделирование процессов принятия решений этими методами было потрачено много усилий. Оказалось, однако, что многие методы реализованные в экспертных системах в сложных ситуациях хорошо работают лишь тогда, когда системе присуща внутренняя стационарность (т.е. когда на каждый входной вектор имеется единственный не меняющийся со временем ответ).

Нейронные сети предлагают совершенно новые многообещающие воз­можности для участников рынка, которым по роду своей деятельности приходится решать задачи в условиях небольших априорных знаний о среде.

Характер разработок в области нейронных сетей принципиально от­личается от экспертных систем: последние построены на утверждениях типа «если..., то...», которые нарабатываются в результате длительного процесса обучения системы, а прогресс достигается, главным образом, за счет более удачного использования формально-логических структур.

В основе нейронных сетей лежит преимущественно-поведенческий подход к решаемой задаче: сеть «учится на примерах» и подстраивает свои пара­метры при помощи так называемых алгоритмов обучения через механизм обратной связи.

Проблемная специализация нейросетевых вычислительных систем (слд 173)

Нейросетевой подход к решению плохо формализованных задач прогнози­рования, распознавания, классификации показал свою эффективность на прак­тически важных проблемах. Следует отметить что это достаточно "узкий" класс математических постановок задач. Однако практическая важность этих задач - безусловна. К типовые задачам этого класса можно отнести следующие задачи.

Распознавание образов

Задача состоит в отнесении входного набора данных, представляющего рас­познаваемый объект, к одному из заранее известных классов. В число этих за­дач входит распознавание рукописных и печатных символов при оптическом вводе в ЭВМ, распознавание типов клеток крови, распознавание речи и другие.

Кластеризация данных

Задача состоит в группировке входных данных по присущей им "близости". Алгоритм определения близости данных (определение расстояния между векто­рами, вычисление коэффициента корреляции и другие способы) закладывается в нейросеть при ее построении. Сеть кластеризует данные на заранее не известное число кластеров. Наиболее известные применения кластеризации связаны со сжатием данных, анализом данных и поиском в них закономерностей.

Аппроксимация функций

Имеется набор экспериментальных данных {(X_j,Y_j),..., (X_n,Y_n)}, представ­ляющий значения Y неизвестной функции от аргумента X, i = 1,..., n. Требует­ся найти функцию, аппроксимирующую неизвестную и удовлетворяющую некоторым критериям. Эта задача актуальна при моделировании сложных систем и создании систем управления сложными динамическими объектами.

Предсказание

Имеется набор { у(t₁), y(t₂),..., y(t_n) } значений у, представляющих поведение системы в моменты времени t₁, t₂,..., t_n. Требуется по предыдущему поведению системы предсказать ее поведение y(t_n+1) в момент времени t_n+1. Эта задача актуальна для управления складскими запасами, систем принятия решений.

Оптимизация

Цель этих задач - найти решение NP-полной проблемы, удовлетворяют ряду ограничений и оптимизирующее значение целевой функции. К числу этих задач относится, например, задача коммивояжера.