Нейронные сети.
Заказать уникальный реферат- 21 21 страница
- 7 + 7 источников
- Добавлена 04.07.2016
- Содержание
- Часть работы
- Список литературы
- Вопросы/Ответы
1 Формулирование и актуальность темы 3
2 Научное обоснование (описание) используемых методов 5
2.1. Методы упрощения структуры нейронной сети 7
2.2. Метод обратного распространения ошибки 7
2.3. Метод сопряженных направлений 9
3 Область применения, выигрышность мнения (технология, метод, инструментарий) 11
4. Практическое применение нейронных сетей 13
4.1. Современные технологии на основе ИНС. Google поиск. 13
4.2. Пример решения задачи предварительного прогнозирования на 1 день вперед курса акций 13
4.3. Перспективы развития нейронных сетей 16
5 Мое отношение к методам 19
Заключение 20
Список использованной литературы 21
Эти параметры будут применяться для обучения (табл. 3).
Таблица 3 – Параметры выходных данных для перцептрона
Дата Цены при закрытии акций ОАО «Аэрофлот» 08.03.2011 74,13 09.03.2011 75,00 10.03.2011 76,59 11.03.2011 78,49 12.03.2011 76,48 13.03.2011 74,80 14.03.2011 74,21 15.03.2011 73,26 16.03.2011 74,5 17.03.2011 73,69 18.03.2011 73,30 19.03.2011 73,40 20.03.2011 72,20 21.03.2011 72,10 22.03.2011 74,14
Теперь можно запустить нашу нейронную сеть в режим обучения, используя выбранный алгоритм и точность выходных данных. Если количество примеров невелико, можно выполнить их пропуск несколько раз, тогда спустя некоторое время сеть обучится. Дале можно использовать для предъявления ей реальных данных по биржевой ситуации, а в ответ получить прогноз состояния акций завтра. Примерный алгоритм обучения показан на рис 5.
Используя алгоритм, рассмотренный подробно в этом примере, может выполниться значительное расширение функциональности нейронной сети для решения задач такого типа, как прогнозирование анализа проведенных сделок, оценок рисков, тренда рынка, торговых сигналов и прочее.
Перспективы развития нейронных сетей
На сегодняшний день нейронные сети уже занимают важное место в науки, технике и повседневной жизни человека. Однако современные компьютерные системы основанные на искусственных нейронных сетей в большей степени применяются в программных продуктах, что не позволяет в полной мере использовать возможность параллелизма. Раскрытие потенциала параллельных
Рисунок 5 – Пример метода обучения нейронной сети
вычислений произойдет с появлением аппаратных решений в виде плат расширений и нейрочипов. Именно с аппаратной частью связаны наибольшие надежды.
Еще одним перспективным направлением развития искусственных нейронных сетей является появление техники, которая будет способна интуитивно подстраиваться под своего владельца, хотя уже сейчас делаются попытки по созданию таких технологий. Интересно развитие интегрированных технологий вроде «умного» дома на базе нейронных сетей. Системы жизнеобеспечения таких домов должны стать буле гибкими за счет адаптивности и обучения.
На данном этапе применение нейронных сетей ограничено безопасными сферами деятельности, это связано с нестабильностью получаемых результатов, что соответственно не позволяет использовать данные системы в потенциально опасных производствах.
На сегодняшний день нейронным сетям предстоит пройти еще долгий путь развития, увеличивая свои возможности и производительность, захватывая новые сферы применения по мере возникновения новых задач и развития технической основы для их разработки.
5 МОЕ ОТНОШЕНИЕ К МЕТОДАМ
Отношение к применяемым в нейронных сетях методам, которые описаны в данном реферате, абсолютно положительны. В современном мире без применения нейронных сетей сложно обойтись во многих областях науки, техники, медицины, промышленности и так далее. Сегодня их применение полностью компьютеризировано и автоматизировано, что дает возможность ускорить работу абсолютно в любой области, повысить точность вычислений в разы и повышсить качество проведения интеллектуального анализа данных в системах поддержки принятия решений в требуемой области.
По моему, наиболее популярной и изученной архитектурой нейронных сетей на сегодняшний день является большой многослойный персептрон. Это хорошо изученная модель нейронных сетей, довольно таки простая и имеет в большом количестве эффективные алгоритмы обучения.
ЗАКЛЮЧЕНИЕ
Искусственные нейронные сети, несомненно, явились важным расширением понятия вычисления. Основной целью создания нейронных сетей явилось выполнение функций, которые ранее были лишь прерогативой человека.
В данном реферате были изложены общие теоретические аспекты нейронных сетей их устройства и принцип действия. Важно частью данной работ является отражение практического применения нейросетевых технологий. Уже сейчас искусственные нейронные сети заняли важное место в повседневно жизни человека и продолжают расширять сферу своего влияния.
Нейросетевые технологии достаточно спорный предмет исследования, который имеет своих приверженцев и противников. От себя хотелось бы добавить, что не стоит считать искусственные нейронные сети универсальным средством, которое подойдет для решения любого вида задач. На сегодняшний момент искусственные нейронные сети все еще мало применимы в областях связанных с жизнью и здоровьем человека, кроме того пока не удалось определить насколько точно можно доверять нейросетевым технологиям решения вопросов связанные с социальным контекстом.
Несмотря на большое количество вопросов связанных с нейронными сетями в настоящее время они уверенно продолжают проникать в нашу жизнь и технологические системы.
СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ
Чубукова И. А. Data Mining: учебное пособие. — М.: Интернет-университет информационных технологий: БИНОМ: Лаборатория знаний, 2006. – 326 с.
Каллан, Роберт. Основные концепции нейронных сетей. : Пер. с англ. — М. : Издательский дом «Вильямс». – 2001. — 287 с.
Russo A.P. Neural Networks for Sonar Signal Processing, Tutorial No. 8, IEEE Conference on Neural Networks for Ocean Engineering, Washington, DC, 1991.
Хайкин, Саймон. Нейронные сети: полный курс, 2-е издание. : Пер. с англ. — М. : Издательский дом «Вильямс», 2006. — 1104 с.
Бэстенс Д.-Э., Ван Ден Берг В.-М., Вуд Д. Нейронные сети и финансовые рынки: принятие решений в торговых операциях. - М.: ТВП. – 1997.236с.
Кричевский М. Л. Интеллектуальный анализ данных в менеджменте. Учебное пособие. - Спб: СПбГУАП. –2005. – 208 с.
Хромов С. С. Формирование системы прогнозирования цен на опционы на базе нейронных сетей. М.: Теория и практика общественного развития. – 2014. №13, С. 148-153.
2
СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ
1. Чубукова И. А. Data Mining: учебное пособие. — М.: Интернет-университет информационных технологий: БИНОМ: Лаборатория знаний, 2006. – 326 с.
2. Каллан, Роберт. Основные концепции нейронных сетей. : Пер. с англ. — М. : Изда¬тельский дом «Вильямс». – 2001. — 287 с.
3. Russo A.P. Neural Networks for Sonar Signal Processing, Tutorial No. 8, IEEE Conference on Neural Networks for Ocean Engineering, Washington, DC, 1991.
4. Хайкин, Саймон. Нейронные сети: полный курс, 2-е издание. : Пер. с англ. — М. : Издательский дом «Вильямс», 2006. — 1104 с.
5. Бэстенс Д.-Э., Ван Ден Берг В.-М., Вуд Д. Нейронные сети и финансовые рынки: принятие решений в торговых операциях. - М.: ТВП. – 1997.236с.
6. Кричевский М. Л. Интеллектуальный анализ данных в менеджменте. Учебное пособие. - Спб: СПбГУАП. –2005. – 208 с.
7. Хромов С. С. Формирование системы прогнозирования цен на опционы на базе нейронных сетей. М.: Теория и практика общественного развития. – 2014. №13, С. 148-153.
Вопрос-ответ:
Что такое нейронные сети?
Нейронные сети - это математические модели, которые имитируют работу нервной системы человека. Они состоят из простых элементов, называемых нейронами, которые взаимодействуют друг с другом и передают информацию между собой. Нейронные сети используются для решения сложных задач в области обработки данных, распознавания образов, предсказания и т.д.
Какие методы используются для упрощения структуры нейронных сетей?
Для упрощения структуры нейронных сетей применяются различные методы. Один из них - метод прореживания, при котором некоторые связи между нейронами обрываются, что позволяет уменьшить количество параметров сети. Другой метод - метод сжатия сети, при котором используется специальный алгоритм для удаления неиспользуемых нейронов и связей. Эти методы позволяют значительно упростить структуру нейронных сетей без потери точности в решении задач.
Что такое метод обратного распространения ошибки?
Метод обратного распространения ошибки - это один из основных методов обучения нейронных сетей. Он использует алгоритм градиентного спуска для минимизации ошибки, которая возникает при предсказании выходных значений сети. В процессе обратного распространения ошибки веса связей между нейронами корректируются таким образом, чтобы уменьшить ошибку предсказания. Этот метод позволяет нейронным сетям учиться на основе примеров и повышает их точность в решении задач.
Какие современные технологии на основе нейронных сетей существуют?
Существует множество современных технологий на основе нейронных сетей. Одна из них - Google поиск, который использует нейронные сети для предсказания запросов пользователей и выдачи наиболее релевантных результатов. Еще один пример - системы автоматического распознавания речи, которые используют нейронные сети для обработки аудиосигналов и преобразования их в текст. Нейронные сети также применяются в области компьютерного зрения, медицины, финансов и других отраслях.
На что направлены методы упрощения структуры нейронной сети?
Методы упрощения структуры нейронной сети направлены на улучшение ее производительности и снижение сложности вычислений. Они позволяют уменьшить количество нейронов и связей в сети, улучшить ее обобщающую способность и снизить риск переобучения.
Как работает метод обратного распространения ошибки в нейронных сетях?
Метод обратного распространения ошибки используется для обучения нейронной сети. Он заключается в передаче ошибки от выходного слоя сети к входному. На каждом шаге обучения корректируются веса связей между нейронами сети в соответствии с полученной ошибкой. Этот процесс повторяется до достижения требуемой точности предсказания.
Какой метод используется для улучшения сходимости процесса обучения нейронных сетей?
Для улучшения сходимости процесса обучения нейронных сетей можно использовать метод сопряженных направлений. Он позволяет учитывать предыдущие шаги оптимизации и выбирать направление, которое наиболее эффективно для достижения минимума функции ошибки. Этот метод способствует более быстрой и устойчивой сходимости сети к оптимальному решению.
В каких областях можно применять нейронные сети?
Нейронные сети нашли применение во многих областях, включая распознавание образов, обработку естественного языка, компьютерное зрение, управление и прогнозирование временных рядов. Они успешно используются в медицине, финансовой сфере, рекламе, игровой индустрии и других отраслях.
Какие современные технологии основаны на нейронных сетях?
Одной из современных технологий, основанных на нейронных сетях, является поисковая система Google. Она использует большие нейронные сети для обработки и анализа запросов пользователей, ранжирования страниц и предоставления релевантных результатов поиска. Еще одним примером является прогнозирование и анализ данных, которое делается на основе нейронных сетей.
Какие методы упрощения структуры нейронной сети существуют?
Существует несколько методов упрощения структуры нейронной сети, например методы удаления связей, понижения разрешения изображения и сокращения числа параметров модели. Эти методы помогают сократить размер сети и улучшить ее производительность.
Что такое метод обратного распространения ошибки в нейронных сетях?
Метод обратного распространения ошибки является основным алгоритмом обучения нейронных сетей. Он заключается в подсчете градиента функции ошибки по весам сети и последующем обновлении этих весов противоположным направлением градиента. Таким образом, сеть корректирует свои веса, чтобы минимизировать ошибку и улучшить свою способность к предсказанию.
Какие современные технологии на основе нейронных сетей существуют?
Существует множество современных технологий на основе нейронных сетей, одной из которых является Google поиск. Он использует нейронные сети для обработки и анализа запросов пользователей, чтобы предоставлять более точные и релевантные результаты поиска.