ті.
За допомогою нейронних мереж успішно вирішується важливе завдання в галузі телекомунікацій - знаходження оптимального шляху трафіку між вузлами. Розпізнавання мови - одна з найбільш популярних областей застосувань нейронних мереж. Нейромережі в медицині використовуються для діагностики захворювань. Лікар правильно діагностує інфаркт міокарда у 88% хворих і помилково ставить цей діагноз у 29% випадків. Мережа продемонструвала точність 92% при виявленні інфаркту міокарда та дала тільки 4% випадків сигналів помилкової тривоги, помилково підтверджуючи направлення пацієнтів без інфаркту в кардіологічне відділення.
Про нейронних мережах як професійному інструменті для фінансових операцій серйозно заговорили наприкінці 80-х років. Характерний приклад успішного застосування нейронних мереж у фінансовій сфері - управління кредитними ризиками. Перед видачею кредиту для оцінки ймовірності власних збитків від несвоєчасного повернення фінансових коштів великі банки, як правило, роблять складні статистичні розрахунки по визначенню фінансової надійності позичальника.
Застосування нейромережі.
Після того, як мережа навчена, її можна застосовувати її для вирішення поставленого завдання. Найважливіша особливість людського мозку полягає в тому, що, одного разу навчившись певному процесу, він може вірно діяти і в тих ситуаціях, в яких він не бував в процесі навчання. Наприклад, можна читати майже будь-який почерк, навіть якщо бачимо його перший раз в житті. Так само і нейросеть, грамотним чином навчена, може з великою ймовірністю правильно реагувати на нові, не пред'явлені їй раніше дані. Наприклад, ми можемо намалювати букву А іншим почерком, а потім запропонувати нашій мережі класифікувати нове зображення. Ваги навченої мережі зберігають досить багато інформації про схожість і відмінності букв, тому можна розраховувати на правильну відповідь і для нового варіанту зображення
Приклади практичного застосування нейронних мереж.
В якості прикладів розглянемо найбільш відомі класи завдань, для вирішення яких в даний час широко застосовуються нейромережеві технології.
Прогнозування.
Прогноз майбутніх значень перемінної, яка від часу, на основі попередніх значень її та/або інших змінних. У фінансовій області, це, наприклад, прогнозування курсу акцій на 1 день вперед, або прогнозування зміни курсу валют на певний період часу і т.д .. (рис 1.6)
Розпізнавання або класифікація.
Визначення, до якого з заздалегідь відомих класів належить тестований об'єкт. Слід зазначити, що задачі класифікації дуже погано алгорітмізіруются. Якщо у випадку розпізнавання букв вірний відповідь очевидна для нас заздалегідь, то в складніших практичних завданнях навчена нейромережа виступає як експерт, що володіє великим досвідом і здатний дати відповідь на важке запитання.
Прикладом такого завдання служить медична діагностика, де мережа може враховувати велику кількість числових параметрів (енцефалограма, тиск, вагу і т.д.). Звичайно, думка мережі в цьому випадку не можна вважати остаточним.
Класифікація підприємств за ступенем їх перспективності (рис 1.8) - це вже звичний спосіб використання нейромереж в практиці великих компаній. При цьому мережа також використовує безліч економічних показників, складним чином пов'язаних між собою.
Глава 3. Побудова нейронної мережі для визначення кредитоспроможності позичальника
нейромережевої програмний кредитоспроможність позичальник
Для побудови нейронної мережі необхідно розробити її топологію, визначити механізм навчання і процедуру тестування. Крім того, для навчання потрібні вхідні дані - вибірка компаній з достовірною фінансовою звітністю і розраховані на її основі коефіцієнти.
На підставі аналізу задачі було прийнято рішення зупинитися на моделі тришарового персептрона і алгоритмі зворотного поширення в якості навчального.
Цей тип нейронних мереж досить добре досліджений і описаний в науковій літературі. Він був запропонований в роботі Румельхарта і детально обговорюється майже у всіх підручниках по нейронних мереж. Кожен елемент мережі будує зважену суму своїх входів з поправкою у вигляді доданка і потім пропускає цю величину активації через передатну функцію, отримуючи, таким чином, вихідне значення цього елемента. Елементи організовані в пошарову топологію з прямою передачею сигналу. Таку мережу легко можна інтерпретувати як модель вхід-вихід, в якій ваги і порогові значення (зсуву) є вільними параметрами моделі. Мережа може моделювати функцію практично будь-якого...
