до того чи іншого вирішення завдання, тобто нейронні мережі є системами категорії "чорний ящик", тому що функції нейронів і ваги синапсів не мають реальної інтерпретації. Тим не менш, існує маса нейромережевих алгоритмів, в яких ці та інші недоліки так чи інакше нівельовані.
У прогнозуванні нейронні мережі використовуються найчастіше за найпростішою схемою: у якості вхідних даних в мережу подається попередньо оброблена інформація про значеннях прогнозованого параметра за кілька попередніх періодів, на виході мережа видає прогноз на наступні періоди - як у вищезгаданому прикладі з продажами. Існують і менш тривіальні способи отримання прогнозу; нейронні мережі - дуже гнучкий інструмент, тому існує безліч кінцевих моделей самих мереж і варіантів їх застосування.
Ще один метод - генетичні алгоритми. В їх основі лежить скерований випадковий пошук, тобто намагання моделювання еволюційних процесів у природі. У базовому варіанті генетичні алгоритми працюють так:
1. Рішення завдання представляється у вигляді хромосоми. p> 2. Створюється випадковий набір хромосом - це споконвічне покоління рішень. p> 3. Вони обробляються спеціальними операторами репродукції і мутації. p> 4. Проводиться оцінка рішень та їх селекція на основі функції придатності. p> 5. Виводиться нове покоління рішень, і цикл повторюється. p> У результаті з кожною епохою еволюції знаходяться більш досконалі рішення.
При використанні генетичних алгоритмів аналітик не потребує апріорної інформації про природу вихідних даних, про їх структуру і т. д. Аналогія тут прозора - колір очей, форма носа і густота волосяного покриву на ногах закодовані в наших генах одними і тими ж нуклеотидами.
У прогнозуванні генетичні алгоритми рідко використовуються безпосередньо, так як складно придумати критерій оцінки прогнозу, тобто критерій відбору рішень, - при народженні неможливо визначити, ким стане людина - космонавтом або алконавт. Тому зазвичай генетичні алгоритми служать допоміжним методом - наприклад, при навчанні нейронної мережі з нестандартними активаційними функціями, за яких неможливе застосування градієнтних алгоритмів. Тут в Як приклад можна назвати MIP-мережі, успішно що прогнозують, здавалося б, випадкові явища - число плям на сонці і інтенсивність лазера.
Ще один метод - нечітка логіка, що моделює процеси мислення. На відміну від бінарної логіки, що вимагає точних і однозначних формулювань, нечітка пропонує інший рівень мислення. Наприклад, формалізація затвердження "Продажі минулого місяця були низькими" в рамках традиційної двійковій або "булевої" логіки вимагає однозначного розмежування понять "Низькі" (0) і "високі" (1) продажу. Наприклад, продажі рівні або великі 1 мільйона шекелів - високі, менше - низькі.
Виникає питання: чому продажі на рівні 999 999 шекелів вже вважаються низькими? Очевидно, що це не зовсім коректне твердження. Нечітка логіка оперує м'якшими поняттями. Наприклад, продажі на рівні 900 тис. шекелів будуть вважатися високими з рангом 0,9 і низькими з рангом 0,1.
У нечіткій логіці завдання формулюються в термінах правил, що складаються з сукупностей умов і результатів. Приклади найпростіших правил: "Якщо клієнтам дали скромний термін кредиту, то продажі будуть так собі ", "Якщо клієнтам запропонували пристойну знижку, то продажі будуть непоганими ".
Після постановки задачі в термінах правил чіткі значення умов (термін кредиту в Днями і розмір знижки у відсотках) перетворюються на нечітку форму (великий, маленький і т. д.). Потім проводиться їх обробка за допомогою логічних операцій і зворотне перетворення до числових змінним (прогнозований рівень продажів в одиницях продукції).
За порівняно з імовірнісними методами нечіткі дозволяють різко скоротити обсяг вироблених обчислень, але зазвичай не підвищують їх точність. Серед недоліків таких систем можна відзначити відсутність стандартної методики конструювання, неможливість математичного аналізу традиційними методами. Крім того, в класичних нечітких системах зростання числа вхідних величин призводить до експоненціального зростання числа правил. Для подолання цих та інших недоліків, так само як і у випадку нейронних мереж, існує безліч модифікацій нечітко-логічних систем.
У рамках методів "м'яких" обчислень можна виділити так звані гібридні алгоритми, що включають в себе кілька різних складових. Наприклад, нечітко-логічні мережі, або вже згадувані нейронні мережі з генетичним навчанням.
У гібридних алгоритмах, як правило, має місце синергетичний ефект, при якому недоліки одного методу компенсуються достоїнствами інших, і підсумкова система показує результат, недоступний жодному з компонентів по окремо.
3. Вибір методу прогнозування
Будь процес прогнозування, як правило, будується в наступній послідовності:
1. Формулювання проблеми. p> 2. Збір інформації та вибір методу прогнозування. p> 3. Застосування методу і ...
