Нейронные сети как инструмент интеллектуального моделирования

Определение и виды модели, ее отличие от понятия моделирования. Формула искусственного нейрона. Структура передачи сигнала между нейронами. Способность искусственных нейронных сетей к обучению и переобучению. Особенности их применения в финансовой сфере.

Рубрика Программирование, компьютеры и кибернетика
Вид реферат
Язык русский
Дата добавления 25.04.2016
Размер файла 136,2 K

Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже

Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.

Размещено на http://www.allbest.ru/

Размещено на http://www.allbest.ru/

Федеральное государственное бюджетное образовательное учреждение

высшего образования

«САНКТ-ПЕТЕРБУРГКИЙ ГОСУДАРСТВЕННЫЙ ЭКОНОМИЧЕСКИЙ УНИВЕРСИТЕТ»

Факультет экономики и финансов

Кафедра информатики

Реферат

«Нейронные как инструмент интеллектуального моделирования»

Выполнила:

Студентка 1 группа Э-1502,

Галанова Анна Константиновна

г. Санкт-Петербург, г.

Оглавление

Введение

1. Модель и моделирование

2. Нейронные сети

3. Базовая искусственная модель

4. Связь между нейронами

5. Обучение нейронных сетей

6. Переобучение нейронных сетей

7. Применение нейронных сетей

Заключение

Список использованной литературы

Введение

21 век по праву считается веком технического прогресса. Стоит только оглянуться назад, лет на 20 назад, и понять, какой мощный и невероятный скачок совершило человечество за эти года. Но технологии не останавливаются на достигнутом, и впереди нас ждет еще много увлекательного. Может наша планета погибнет, и мы вынуждены будем искать новую планету, пригодную для жизни человека, а может, мы сами решим колонизировать другие галактики. И в этом нам, несомненно, поможет наука. Но, а пока такая энергия, как антивещество нам не доступно, ученые сосредоточились вокруг нейронных сетей.

В нашем веке они являются новой и весьма перспективной технологией, которая применяется в различных сферах жизнедеятельности человека, от информатики до генной инженерии, а к недавнему времени ко всему прочему добавилось непреодолимое желание создать искусственный интеллект. О чем говорит это желание остается только гадать.

Но главная тема данного реферата заключается в роли нейронных сетей как главного инструмента интеллектуального моделирования.

Так как данный материал сложен с теоретической точки зрения и лучше объясняется на примере какой-либо нейронно-сетевой программы, то в данном случае будем ссылаться на STATISTICA NEURAL NETWORKS.

Также в моем реферате будет множество ссылок на разные источники, поскольку без них и без специального образования я не в состоянии написать доклад на данную тему.

модель сигнал нейрон сеть

1. Модель и моделирование

Для того чтобы хорошо понять суть реферата нужно начать с определений.

Модель - это образ или объект, являющийся упрощенной версией данного объекта или образа, заменяющий реальный объект макетом в процессе исследования и отражающий самые существенные свойства объекта исследования Информатика: учебник/ под. ред. В.В. Трофимова. - М.: Издательство Юрайт; Высшее образование,2010. - 911 с. Стр. 536.

Итак, возникает вопрос: чем же моделирование отличается от модели.

На самом деле модель - это образ, только в уменьшенном размере, в то время как моделирование - это один из методов научного исследования самого объекта и явлений, основанный на изучении и использовании моделей с целью получения новых знаний, улучшения характеристик объектов исследования или управления ими Информатика: учебник/ под ред. В.В. Трофимова. - М.:Издательство Юрайт; Высшее образование,2010. - 911 с. Стр. 536.

История показывает, что первые модели были использованы людьми еще до нашей эры. Иногда это были наскальные рисунки пещерных людей, иногда языковыми знаками. Они возникали и развивались вместе с человеком и постепенно превратились в культуру, язык, который является неотъемлемой частью нашей жизни.

На данный момент существует несколько видов моделей (приведем самые распространенные):

1. Карта обозначает графическую модель местности или звездного неба. В данной модели соблюдаются формы материков, гор, низменностей и т.д.

2. Манекен - модель человека, отражающая его внешние черты.

На мой взгляд, в моделях главным образом отражаются глубинные закономерности, устанавливающиеся в ходе исследования, обязательно целенаправленного.

А вот при помощи моделирования прослеживается процесс замещения реального объекта объектом - моделью с целью изучения человеком, т.е. субъектом, реального объекта или передачи информации о свойствах изучаемого объекта, который невозможно исследовать из-за сложности объекта или стоимости его изучения.

2. Нейронные сети

Головной мозг человека - одна из совершенно и непостижимых загадок природы. В нем скрывается целый мир, целая вселенная удивительных процессов, которые происходят с неимоверной скоростью. Весь наш мозг окутан нейронными сетями, которые являются маленькими проводниками необходимой информации о событиях внутри и вне нашего тела.

Удивительные маленькие клеточки головного мозга - нейроны - имеют разветвленную структуру ввода информации (дендриты), ядро и разветвляющийся выход (аксон). При активации нейрон посылает импульс по своему аксону, и через синапсы он достигает других нейронов. Они способны активироваться тогда и только тогда, когда суммарный уровень сигналов превысит порог активации.

Все это приводит нас к тому, что наш мозг способен решать чрезвычайно сложные задания, будучи построенным из самых мелких элементов.

Вы можете задаться вопросом: для чего я вам рассказываю про биологические нейронные сети, в то время как в моем реферате речь идет об искусственных сетях. Дело в том, что искусственные нейронные сети идентичны биологическим сетям, но не настолько, чтобы приблизиться к созданию искусственного интеллекта.

3. Базовая искусственная модель

Для начала нужно начать с простой модели, сходной с биологической.

Искусственным нейроном принимаются сигналы через входные каналы, обычно их несколько. Каждый входной сигнал проходит через соединение, имеющее определенную интенсивность (вес), этот вес является копией синоптической активности биологического нейрона. С нейроном связано пороговое значение, являющееся результатом взвешенной суммы ввода, в результате чего появляется величина активации нейрона. Данный сигнал преобразуется с помощью функции активации и получается выходной сигнал нейрона.

Активации имеют различные функции (самые распространенные из них):

1. Линейная - выходной сигнал нейрона равен его потенциалу.

2. Пороговая - нейрон выбирает решение из двух вариантов: активен (равен 1)/неактивен (равен 0).

Формула искусственного нейрона представлена ниже:

N -размерность выхода; WI - вес входного сигнала; V - взвешенная сумма; F (v) - выходной сигнал.

4. Связь между нейронами

В предыдущем разделе мы просмотрели описание отдельно взятого нейрона. Теперь же возникает вопрос: как они взаимодействуют друг с другом?

Главным моментом здесь является обратная связь. Самая простая сеть имеет структуру прямой передачи сигнала. Это означает, что сигналы проводятся через скрытые элементы от входов и завершают свое путешествие выходными элементами. Данная структура передачи сигнала имеет устойчивое поведение. Также есть еще рекуррентная: она имеет неустойчивое поведение, более сложную структуру передачи сигнала, но, тем не менее, представляет больший интерес для исследования.

Приведём сеть с прямой передачей сигнала. На рисунке (Рисунок 1) мы видим, что нейроны организованы в слои, есть входные и выходные элементы, которые связаны все между собой. Такой тип сетей реализован в пакете ST Neural Networks:

Рисунок 1

5. Обучение нейронных сетей

На мой взгляд, главной особенностью нейронных сетей является их способность к обучению и переобучению. Если конкретная задача будет решаться с помощью нейронных сетей, то нужно собрать необходимые данные для обучения. Например, составляются комплекты. Предположим, что составленных комплектов было 5 штук. Тогда, сеть обучается по 4 комплектам, а тестируется по 5-ому. И данная операция повторяется по 5 раз, так, что все части исходного комплекта тестируются. Чтобы научить сеть правильно решать данный тип задач, необходимо, чтобы составленные комплекты, а точнее их части не были похожи друг на друга.

Каждая нейронная сеть на входе и выходе принимает числовые значения. Передаточная функция выбирается для каждого элемента таким образом, что входные элементы могут принимать произвольные значения, а выходные находятся в строго ограниченном диапазоне. На рисунке (Рисунок 2) представлена сигмоидная функция, где выходные значения лежат в интервале (0;1)а область чувствительности находится в пределах от(-1;+1).

Рисунок 2

Данная функция легко вычисляется, поэтому она весьма существенна для работы алгоритмов обучения сети.

6. Переобучение нейронных сетей

Ранее упоминалось, что нейронные сети имеют способность не только к обучению, но и переобучению.

Переобучение сетей происходит тогда, когда нейронная сеть в результате обучения хорошо распознает примеры из обучающего множества, не приобретает свойство обобщения, т.е. не распознает или плохо распознает любые другие примеры, за исключением обучающих, то говорят, что сеть переобучена. Переобучение - это результат чрезмерной подгонки сети к обучающим примерам.

Проще говоря, переобучение связано с тем, что выбор обучающего множества является случайным. С первых шагов обучения происходит уменьшение ошибки. На последующих шагах с целью уменьшения ошибки параметры подстраиваются под особенности обучающего множества. Однако при этом происходит "подстройка" не под общие закономерности ряда, а под особенности его части - обучающего подмножества. При этом точность прогноза уменьшается.

Один из вариантов борьбы с переобучением сети - деление обучающей выборки на два множества (обучающее и тестовое).

На обучающем множестве происходит обучение нейронной сети. На тестовом множестве осуществляется проверка построенной модели. Эти множества не должны пересекаться.

С каждым шагом параметры модели изменяются, однако постоянное уменьшение значения целевой функции происходит именно на обучающем множестве. При разбиении множества на два мы можем наблюдать изменение ошибки прогноза на тестовом множестве параллельно с наблюдениями над обучающим множеством. Какое-то количество шагов ошибки прогноза уменьшается на обоих множествах. Однако на определенном шаге ошибка на тестовом множестве начинает возрастать, при этом ошибка на обучающем множестве продолжает уменьшаться. Этот момент считается концом реального или настоящего обучения, с него и начинается переобучение. На рисунке (Рисунок 3) показан описанный вше процесс:

Рисунок 3

7. Применение нейронных сетей

В современном мире нейронные сети плотно вошли в нашу размеренную жизнь, но наибольшую пользу они приносят в генной инженерии, биотехнологиях, информатике и при создании искусственного интеллекта.

Так как мы в будущем собираемся работать в финансовой сфере, то нейронные сети и там широко используются:

1. Прогнозирование на фондовом рынке - зная цены акций за последнюю неделю и сегодняшнее значение индекса FTSE, спрогнозировать завтрашнюю цену акций

2. Предоставление кредита - требуется определить, высок ли риск предоставления кредита частному лицу, обратившемуся с такой просьбой. В результате разговора с ним известен его доход, предыдущая кредитная история и т.д.

3. Управление - нужно определить, что должен делать робот (повернуться направо или налево, двигаться вперед и т.д.), чтобы достичь цели; известно изображение, которое передает установленная на роботе видеокамера.

Но, разумеется, не все задачи можно решить с помощью нейронных сетей.

Заключение

В данном реферате я попыталась показать вам, что нейронные сети являются одним из главных элементов интеллектуального моделирования. Но, как и все технологии, они несовершенны. На данный момент искусственные нейронные сети неспособны превзойти головной мозг человека, который имеет настолько сложную структуру, что за последние тысячелетия никто так и не смог до конца познать его. Но, я верю, что в будущем технологии, созданные на основе нейронных сетей, станут помощником человека, а возможно и его спасением.

Список использованной литературы

1. Minsky, M.L. Papert, S.A. (MIT Press, Cambridge,

2. Sejnowski, T.J. Rosenberg, C.R. Systems 1, (1987).

3. Информатика: учебник/под. ред. В.В. Трофимова. - М.: Издательство Юрайт; Высшее образование,2010. - 911 с. Стр. 536

Размещено на Allbest.ru


Подобные документы

  • Сущность и функции искусственных нейронных сетей (ИНС), их классификация. Структурные элементы искусственного нейрона. Различия между ИНС и машинами с архитектурой фон Неймана. Построение и обучение данных сетей, области и перспективы их применения.

    презентация [1,4 M], добавлен 14.10.2013

  • Понятие и свойства искусственных нейронных сетей, их функциональное сходство с человеческим мозгом, принцип их работы, области использования. Экспертная система и надежность нейронных сетей. Модель искусственного нейрона с активационной функцией.

    реферат [158,2 K], добавлен 16.03.2011

  • Возможности программ моделирования нейронных сетей. Виды нейросетей: персептроны, сети Кохонена, сети радиальных базисных функций. Генетический алгоритм, его применение для оптимизации нейросетей. Система моделирования нейронных сетей Trajan 2.0.

    дипломная работа [2,3 M], добавлен 13.10.2015

  • Общие сведения о принципах построения нейронных сетей. Искусственные нейронные системы. Математическая модель нейрона. Классификация нейронных сетей. Правила обучения Хэбба, Розенблатта и Видроу-Хоффа. Алгоритм обратного распространения ошибки.

    дипломная работа [814,6 K], добавлен 29.09.2014

  • Понятие искусственного нейрона и искусственных нейронных сетей. Сущность процесса обучения нейронной сети и аппроксимации функции. Смысл алгоритма обучения с учителем. Построение и обучение нейронной сети для аппроксимации функции в среде Matlab.

    лабораторная работа [1,1 M], добавлен 05.10.2010

  • Особенности нейронных сетей как параллельных вычислительных структур, ассоциируемых с работой человеческого мозга. История искусственных нейронных сетей как универсального инструмента для решения широкого класса задач. Программное обеспечение их работы.

    презентация [582,1 K], добавлен 25.06.2013

  • История возникновения, примеры использования и основные виды искусственных нейронных сетей. Анализ задач, решаемых при помощи Персептрона Розенблатта, создание схемы имитационной модели в среде Delphi. Исходные коды компьютерной программы Perseptron.

    дипломная работа [933,1 K], добавлен 18.12.2011

  • Преимущества нейронных сетей. Модели нейронов, представляющих собой единицу обработки информации в нейронной сети. Ее представление с помощью направленных графов. Понятие обратной связи (feedback). Основная задача и значение искусственного интеллекта.

    реферат [1,2 M], добавлен 24.05.2015

  • Искусственные нейронные сети как одна из широко известных и используемых моделей машинного обучения. Знакомство с особенностями разработки системы распознавания изображений на основе аппарата искусственных нейронных сетей. Анализ типов машинного обучения.

    дипломная работа [1,8 M], добавлен 08.02.2017

  • Модели оценки кредитоспособности физических лиц в российских банках. Нейронные сети как метод решения задачи классификации. Описание возможностей программы STATISTICA 8 Neural Networks. Общая характеристика основных этапов нейросетевого моделирования.

    дипломная работа [1,4 M], добавлен 21.10.2013

Работы в архивах красиво оформлены согласно требованиям ВУЗов и содержат рисунки, диаграммы, формулы и т.д.
PPT, PPTX и PDF-файлы представлены только в архивах.
Рекомендуем скачать работу.