у процес обробки інформації відбувається за допомогою взаємопов'язаних між собою клітин - Нейронів. Кожен нейрон незалежний, працюють вони асинхронно. Особливістю нейронних мереж є здатність вирішувати проблеми, які не підлягають алгоритмізації, за відсутності повних даних, при великому В«шуміВ» (випадкових збурюваннях) даних, подібно до того, як це робить людський мозок при спробі розпізнати промайнуло в натовпі обличчя. Нейронна мережа - це сукупність обчислювальних елементів (нейронів), розподілених в декількох шарах, і взаємозалежних один з одним зв'язками (синапсами), яким присвоюються позитивні або негативні ваги. Крім вхідного і вихідного шарів, між ними можуть перебувати внутрішні шари, зворотній зв'язок, відповідно до топологією мережі. Модифікація ваг становить процес навчання нейромережі. Навчання нейронної мережі зводиться до побудови розділяє поверхні в просторі компонент вхідного вектора. Прийняття рішення - це визначення приналежності даної точки (вхідного вектора) до кластеру, обмеженому розділяє поверхнею. Достовірність рішення пропорційна відстані точки від кордону кластеру. При навчанні деяких парадигм мереж помилка поширюється назад по мережі, проводиться корекція ваг зв'язків, запобігаючи повторне цієї помилки. Для мереж зворотного поширення існує регулярна процедура їх навчання. В даний час існує думка, що мережі зворотного розповсюдження найбільш універсальні і краще за інших узагальнюють факти. У нейронної мережі зі зворотним поширенням помилок існує шар (або кілька шарів) прихованих (внутрішніх) нейронів, що представляють В«абстрактні поняття В». Така нейромережа має внутрішні уявлення, пов'язані з об'єктам зовнішнього світу, і може реалізувати логічну функцію В«виключає або В». Метод зворотного поширення похибок дозволив отримати ряд результатів: комп'ютерний експеримент показав, що нейромережа створює В«абстрактні поняттяВ», виділяючи для їх внутрішнього подання певні елементи. Обробляючи набори самих різних даних з метою навчання розпізнаванню об'єктів, нейронна мережа, таким чином, намагається виділити їх категорії, формуючи внутрішнє подання.
Основні переваги нейронних мереж:
- здатність навчатися на безлічі прикладів в тих випадках, коли невідомі закономірності розвитку ситуації і залежності між вхідними та вихідними даними, коли пасують як традиційні математичні методи, так і експертні системи;
- здатність успішно вирішувати завдання, спираючись на неповну, викривлену, зашумленную і внутрішньо суперечливу вхідну інформацію;
- легкість в експлуатації навчених мереж;
- зручний доступ нейромережевих пакетів до баз даних, електронній пошті і т.д., що дозволяє автоматизувати процес введення і первинної обробки даних.
Всі ці якості дозволяють зробити обережне припущення про ефективність використання апарату нейронних мереж для імітаційного моделювання індивідуальних переваг по ризику. Процес моделювання індивідуальних переваг по ризику за допомогою нейронних мереж зворотного поширення складається з наступних етапів:
1. Проведення ділової гри респондента - особи, що приймає рішення, - з використанням комп'ютера, в ході якої послідовно реалізуються різні сценарії, які відтворюють ситуації невизначеності, що вимагають прийняття рішень. Важливо відповідність імітованим подіям мотивацій і складність сценаріїв гри. Іншою вимогою є можливість прояву переваг - Адекватні ігрові ходи, доступні учаснику. Також необхідно врахувати наочність ситуацій, ясність інструкцій і можливість вибору.
2. Складання файлів прикладів для навчання та тестування нейронної мережі. Фіксуються в пам'яті комп'ютера параметри ситуацій та ходів гравця представляють собою відповідно вхідні та вихідні дані прикладів для навчання нейронної мережі. Число прикладів, яка дорівнює кількості ходів гравця, має бути достатнім для навчання нейронної мережі і водночас не надто великим, щоб не втомити гравця надмірної тривалістю гри і не спотворити результати. Для подальшого тестування мережі виділяється деяке число прикладів.
3. Побудова нейронної мережі зворотного поширення похибки з числом нейронів вхідного шару, відповідним числа ключових параметрів ігровий ситуації, числом нейронів вихідної шару, відповідному числу параметрів ходу гравця, а також деяким числом нейронів прихованого шару, призначених для формування внутрішніх уявлень нейронної мережі про ситуаціях невизначеності, відповідних індивідуальних переваг учасника у тій міру, в якій ці переваги залежать від параметрів ситуації і виявляються в діях грає.
4. Навчання та тестування нейронної мережі з підбором оптимального (в сенсі якості навчання) числа прихованих нейронів (і шарів) і можливим винятком несуттєвих параметрів і зв'язків. При навчанні задається відносно високий рівень необхідної точності (толерантності), понижувальний до раціонально прийнятного значення при тестуванні мережі.
5. Використан...
