к вся мережа відпрацює, вихідні значення елементів вихідного шару приймаються за вихід всієї мережі в цілому.
Для вирішення завдання прогнозування можна використовувати багатошаровий персептрон, радіально-базисну мережу, узагальнено-регресійну мережу і рекурентні мережі.
.3 Опис інструментальних засобів
В даний час існує величезна кількість програмних пакетів як для професійної роботи з біржею (т.зв. трейдинговие системи, DealStations), так і для нейромережевого моделювання, тому з метою економії часу і концентрування на завданні курсового проекту була творів робота в рамках існуючих систем замість самостійного написання нових. Як пакет нейромережного моделювання був обраний модуль Neural Network Toolbox програмного комплексу MatLab, а для роботи з біржовими котируваннями використовується ПО MetaTrader 4. Платформа MetaTrader має у своєму розпорядженні вбудовані засоби візуалізації, аналізу та отримання біржових котирувань (валютних пар) з серверів міжнародного ринку Forex, а також реалізує архів зберігання котирувань на весь період своєї роботи з різними рівномірними отсчетами часу. MetaTrader 4 має в своєму складі вбудована скриптова мова з функцією виклику DLL, що дозволяє реалізувати довільну логіку роботи механізму прогнозування, а також можливість підключення пакету MatLab. p align="justify"> Для реалізації графічного інтерфейсу до радіально-базисної нейронної мережі, була обрана програма-оболонка, написана в середовищі швидкої розробки додатків Borland Delphi 7.0 з використанням бібліотеки компонентів Jedi Visual Component Library.
1.4 Побудова структури семантичної мережі
Для вирішення будь-якої завдання із застосуванням штучної нейронної мережі слід, перш за все, спроектувати структуру мережі, адекватну поставленій задачі. Це передбачає вибір типу мережі, кількості шарів мережі і нейронів у кожному шарі, а також визначення необхідних зв'язків між шарами. p align="justify"> Оскільки розв'язувана задача має досить жорсткі обмеження за часом свого виконання (при прогнозуванні, наприклад, п'ятихвилинних котирувань), в якості моделі ІНС були відразу обрані нерекуррентние мережі прямого поширення, оскільки вони добре навчаються за невеликі кінцеві проміжки часу ; крім того, існує кілька добре вивчених і ефективних алгоритмів для навчання мереж такого типу. p align="justify"> З усіх типів нейронних мереж була обрана радіально-базисна мережа внаслідок деяких особливостей біржового передбачення, а саме подання біржових котирувань на певний проміжок часу у вигляді т.зв. бару або японської свічки . Бар (японська свічка) являє собою графічне зображення чотирьох основних параметрів на проміжок часу: ціни відкриття ( open
