Нейросетевое моделирование в системах MATLAB и STATISTICA

Данное программное обеспечение представляет собой полнофункциональную, быструю и мощную среду, предназначенную для анализа нейросетевых моделей, соответствующей наиболее современным требованиям.К её достоинствам относятся:автоматическое обучение,сравнение качества обучения,высокая производительность.В Statisticaиспользуются наиболее современные технологиидля работы с нейронными сетями.Основными направлениями применения данной программы является проведение нейросетевых исследований в промышленности, геологоразведке, маркетинге, финансах, а также в других областях науки и техники.Все аналитические инструменты STATISTICA являются отдельными компонентами единого интегрированного пакета. Нейросетевое моделирование осуществляется с помощью пакета STATISTICA Neural Networks, которыйявляется частью арсенала аналитических средств программыSTATISTICA. Пакет STATISTICA Neural Networks отличается удобным интерфейсом, а также предоставляет возможность проведения исследования в диалоговом режиме. Абсолютно все подсказки и диалоговые окна, а также электронная справочная система переведены на русский язык, что является несомненным преимуществом данного пакета [18].2.2 Нейросетевое моделирование в MatlabПопулярный математический пакет Matlab также предоставляет массу возможностей для осуществления нейросетевого моделирования [19].Для этой цели был разработан Neural Network Toolbox, который включает в себя функции и приложения, предназначенные для моделирования сложных нелинейных систем, описание которых с помощью уровнений затруднено. Данный пакет позволяет производить с нейросетями следующие действия:создавать,моделировать,обучать,визуализировать.При использовании Neural Network Toolbox возможно два варианта обучения:с учителем и прямым распространением, а также с радиальными базисными функциями. без учителя с самоорганизующимися картами и конкурентными слоями. Возможно использование Neural Network Toolbox совместно с Parallel Computing Toolbox, в результате которого можно достичь ускорения подготовки и обработки больших массивов данных за счет распределения вычислений и данных между GPU, многоядерными процессорами и компьютерными кластерами. Neural Network Toolbox обеспечивает всестороннюю поддержку типовых парадигм нейросетей, а также имеет открытую модульную архитектуру. Работа с пакетом возможна как в режиме командной строки, так и с использованием графического интерфейса пользователя, который позволяетбыстро пошагово создавать нейросети. Одним из преимуществ Neural Network Toolbox также является поддержка Simulink, что позволяет не только моделировать нейросети, но и создавать блоки, в основе которых лежат разработанные нейросетевые структуры.К недостаткам данного пакета можно отнести малое количество обучающей литературы, выпущенной на русском языке [20]. ЗАКЛЮЧЕНИЕВ первом параграфе первой главы настоящей работы были рассмотрены теоретические основы построения нейронных сетей, их структура, основные элементы, а также возможности применения.Во втором параграфе первой главы настоящей работы были рассмотрены основы оценки качества работы нейронных сетей на основе оптимизации взаимной информации.Во второй главе рассмотрены пакеты для нейросетевого моделирования двух наиболее популярных программ Statisticaи Matlab.У каждого из описанных пакетов есть свои достоинства и недостатки, а также целевая аудитория.Пакет STATISTICA NeuralNetworksвбольшейстепени ориентирован на конечного пользователя, которому необходимо осуществить нейросетевое моделирования без сложного программирования. Для такой категории пользователей предусмотрен удобный графический интерфейс и полный перевод на язык пользователя.Вкачестве основной целевой аудитории пакетаNeuralNetworkToolbox можно рассматривать студентов, инженеров и исследователей, которые имеют необходимые технические знания для начала работы в данном пакете и для которых удобный интерфейс и язык поддержки не являются приоритетными при выборе используемого программного обеспечения.В процессе выполнения работы были решены следующие задачи:Изучены основные понятия, положенные в основу работы выбранной исследуемой модели, то есть нейронных сетей, рассмотрены основные компоненты, из которых состоят нейронные сети, их назначение и свойства.Выявлены основные элементы, которые входят в состав любого нейрона, как наиболее мелкого составного элемента нейронной сети. Рассмотрены основные функции данных элементов и их взаимосвязь.Рассмотрена классификация нейронных сетей в зависимости от их сложности и решаемых задач:однослойные (могут использоваться для решения задач, в которых требуется выявить простые линейные взаимосвязи),многослойные (могут использоваться для решения задач, в которых требуется выявить сложные нелинейные взаимосвязи).Выявлены основные проблемы, возникающие при их создании и обучении. Одной из наиболее актуальных проблем является проблема выбора критериев оценки качества работы нейронной сети. Данная проблема подразделяется на две, каждая из которых возникает при одном из видов обучения:При обучении с учителем данная проблема состоит в подборе большого набора обучающих пар входной-выходной информации, так как критерием качества служит вероятность совпадения выходной информации из обучающего набора с выходной информацией нейронной сети.При обучении без учителя (самоорганизации) проблема состоит в выборе такого критерия, который не требовал бы априорных знаний об идеальной информации на выходе, но в то же время позволял проводить качественную оценку выходной информации нейронной сети.Определены параметры, оптимизация которых позволит повысить качество нейронных сетей. В данной работе в качестве такого параметра была выбрана взаимная информация между двумя выходными векторами.Изучены теоретические основы исследования нейронных сетей с целью оптимизации взаимной информации между двумя выходами.Рассмотрены пакеты для нейросетевого моделирования двух наиболее известных программ Matlabи Statistica.На основе проведенного анализа сделаны выводы о категории пользователей, на которую рассчитаны описанные пакеты.Таким образом, в процессе выполнения работы были решены все поставленные задачи.СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫБарский А. Б. Логические нейронные сети; Интернет-университет информационных технологий, Бином. Лаборатория знаний - Москва, 2007. - 352 c.Галушкин А. И. Нейронные сети. Основы теории; Горячая Линия - Телеком - , 2012. - 496 c.Круглов В.В., Дли М.И., Голунов Р.Ю. Нечеткая логика и искусственные нейронные сети; Wings Comics - Москва, 2001. - 779 c. Круглов, В.В.; Борисов, В.В. Искусственные нейронные сети. Теория и практика; М.: Горячая линия - Телеком; Издание 2-е, стер. - Москва, 2002. - 382 c.Мкртчян, С.О. Нейроны и нейронные сети; М.: Энергия - Москва, 1986. - 232 c.Редько В. Г. Эволюция, нейронные сети, интеллект. Модели и концепции эволюционной кибернетики; Либроком - Москва, 2013. - 224 c.Смелянский Р. Л. Компьютерные сети. В 2 томах. Том 2. Сети ЭВМ; Академия - Москва, 2011. - 240 c.Тархов Д. А. Нейронные сети. Модели и алгоритмы. Книга 18; Радиотехника - Москва, 2005. - 256 c.Татузов А. Л. Нейронные сети в задачах радиолокации; Радиотехника - Москва, 2009. - 432 c.Хайкин, Саймон Нейронные сети: полный курс; М.: Вильямс - Москва, 2006. - 781 c.Ширяев В. И. Финансовые рынки. Нейронные сети, хаос и нелинейная динамика; Либроком - Москва, 2013. - 232 c.Яхъяева Г. Э. Нечеткие множества и нейронные сети; Интернет-университет информационных технологий, Бином. Лаборатория знаний - Москва, 2011. - 320 c.Яхъяева, Г.Э. Нечеткие множества и нейронные сети; Интернет-университет информационных технологий - Москва, 2006. - 320 c.Гасанов, Э.Э. Теория хранения и поиска информации / Э.Э. Гасанов, В.Б. Кудрявцев. - М., 2016. - 1 c. Гоппа, В.Д. Введение в алгебраическую теорию информации / В.Д. Гоппа. - М., 2016. - 1 c.Стратонович, Р.Л. Теория информации: моногр. / Р.Л. Стратонович. - М., 2016. - 1 c. Шеннон, К. Работы по теории информации и кибернетике / К. Шеннон. - М., 2016. - 1 c.Нейронныесети. Statistica Neural Networks. Методология и технологии современного анализа данных; Горячая Линия - Телеком - , 2008. - 392 c. Introduction To Matlab For Engineers; Машиностроение - Москва, 2011. - 704 c.Pascal Wallisch Matlab for Neuroscientists; ИЛ - Москва, 2010. - 400 c.