UDC 004.38.26

O. Kyanuxova, K. S. Lappna

O. V. Konuxova, K. S. Lapchkina

Iqtisodiyotdagi neyron tarmoqlaridan foydalanish va ulardan foydalanishning qisqa muddatli prognozini tayyorlashda ulardan foydalanishning dolzarbligi

Iqtisodiyotdagi neo'r tarmoqlarini qo'llash va ulardan foydalanishning dolzarbligi byudjetning qisqa muddatli prognozini tuzish

Sharmlanayotgan modda iqtisodiyotdagi neyron tarmoqlaridan foydalanish tasvirlangan. Rossiya Federatsiyasi byudjetini va qisqa muddatli byudjetni tuzish uchun neyron tarmoqlaridan foydalanishning dolzarbligini bashorat qilish jarayoni ko'rib chiqiladi.

Kalit so'zlar: Iqtisodiyot, Rossiya Federatsiyasi, byudjet bashorat qilish, Neron tarmoqlari, genetik algoritmlar.

Ushbu maqolada iqtisodiyotdagi neyron tarmoqlarini qo'llash tasvirlangan. Rossiya nexurrlar federatsiyasi byudjetini prognozlash jarayoni qisqa muddatli byudjetni rasmiylashtirish uchun hisoblanadi.

Kalit so'zlar: iqtisodiy, Rossiya Federatsiyasining iqtisodiyoti, byudjeti, byudjet prognozi, neyron tarmoqlari, genetik algoritmlar.

4) Avtomatik jihozlarni guruhlash.

Ingliz tilida kibernetika xodimlariga tegishli bo'lgan depressiv iqtisodiyotga ega bo'lgan iqtisodiy deputat iqtisodiyotini yaratish mexanizmini yaratishning qiziqarli harakatlaridan biri. Ular neyrofiziyologik mexanizmlarga asoslangan boshqaruvning taniqli printsiplariga ega bo'lganlarga taklif qilindi. Ichki, ko'rinmas elementlar va chiqishlar (natijalari) o'rtasida ishlab chiqarish tizimlarining modellari juda murakkab munosabatlar sifatida ko'rib chiqildi. Modellarning kiritilishi etarlicha umumlashtirilgan indekslarga xizmat ko'rsatdi, ularning asosiysi ma'lum bir ishlab chiqarish hajmini, resurslar va ishlash uchun zarur bo'lgan ehtiyojlarni aks ettiradi. Ushbu turdagi tizimlar ushbu holatdagi barcha variantlar ushbu vaziyatdagi barcha variantlar topilgan va muhokama qilingan echimlar qabul qilindi. Eng yaxshi echim Menejerlar va ekspertlarni muhokama qilishda ishtirok etayotgan ovozlarning aksariyati. Shu maqsadda tizim tegishli texnik vositalar bilan jihozlangan vaziyat xonasi mavjud. S.bir tomonidan taklif etilgan boshqaruv tizimini yaratishga yondashuv nafaqat yirik ishlab chiqarish birlashmalari, masalan, po'lat korporatsiya, balki Chili 70-yillar iqtisodiyotiga ham samarali bo'ldi.

Shunga o'xshash printsiplar Guruhlar Buxgalteriya hisobini (Moskva davlat universiteti) gullab-yashnagan Angliya iqtisodiyotini modellashtirish uchun ukrainalik kibernetikning buxgalteriya hisobi (Moskva davlat universiteti) tomonidan ishlatilgan. Iqtisodchilar (parklar va boshqalar) bilan birgalikda yalpi daromadga ta'sir etuvchi ikki yuzdan ortiq mustaqil o'zgaruvchi, ular yuqori darajadagi aniqlik mahsulotining qiymatini aniqlaydilar. o'zgaruvchan. Ushbu modellarga asoslanib, turli xil omonat standartlari, inflyatsiya darajasi va ishsizlik sohasidagi iqtisodiy o'sishni oshirish maqsadida iqtisodiyotning turli xil variantlari ishlab chiqilgan.

Ushbu dalillarni hisobga olgan guruhning taklif qilinayotgan usuli majmuaning o'zini o'zi tashkil etishning o'zi, xususan iqtisodiy tizimlarning o'zini o'zi tashkil etish printsipiga asoslanadi va sizga standart statistik usullar bilan aniqlanmagan ma'lumotlardagi kompleks yashirin bog'liqlikni aniqlashga imkon beradi. Ushbu usul A. va Ivaaxnenko iqtisodiyot holatini baholash va AQSh, Buyuk Britaniya, Bolgariya va Germaniya kabi mamlakatlarda rivojlanishini bashorat qilish uchun muvaffaqiyatli ishlatilgan. Iqtisodiyotning holatini tavsiflovchi va o'rganilgan mamlakatlarda yalpi daromadga ta'sir qiluvchi ko'plab mustaqil o'zgaruvchilar (ellik ikki yuzdan ikki yuzgacha) mustaqil o'zgaruvchilar foydalandilar. Ushbu o'zgaruvchini tahlil qilish asosida dalillarni hisobga olish usulidan foydalanib, asosiy, muhim omillar aniqlandi, ammo yuqori darajadagi aniqlik o'zgargan bo'lsa, uning o'zgaruvchi o'zgaruvchini (yalpi daromad) belgilaydi.

Ushbu yo'nalish bo'yicha tadqiqotlar so'nggi paytlarda tajriba va bilimlarni kichik tasniflangan ketma-ketlikdan tortib olish qobiliyati tufayli qo'llanilishi sababli qo'llaniladigan Neral tarmoq usullarini rivojlantirishga ta'sirini rag'batlantiradi. Neyron tarmoqlari bunday ketma-ketlikda mutaxassislar o'zlarining bilimlari va sezgi asosida amalga oshirilgan murakkab noal` chiqish vazifalarini echishga qodir. Ushbu afzalliklar iqtisodiyotning nomusisurotida, shuningdek, inflyatsiya darajasi noma'lum, kichik davomiylik, shuningdek, iqtisodiy hodisalar to'g'risida to'liq va nomuvofiqlik mavjud.

Ishlar keng tarqalgan bo'lib, Mordoviya va Penza mintaqasi va Penza mintaqasi iqtisodiyotini tahlil qilish va modellashtirish muammolarini hal qilishda nohal tarmog'ini rivojlantirish uchun kompleks iqtisodiy tizimlarning modellarini tashkil etish tamoyillarini muvaffaqiyatli qo'llash tamoyillarini muvaffaqiyatli qo'llash.

Xarakterli misol Moliya sektori moliya sektorida Fuqarolik xatarlarini boshqarishda neyron hisoblashning muvaffaqiyatli qo'llanilishi. Ma'lumki, kreditlar berishdan oldin banklar Qarz oluvchining moliyaviy ishonchliligi bo'yicha amalga oshiriladi, ularning yo'qotishlari ehtimolini mablag 'to'lashdan qaytarish ehtimolini baholash uchun amalga oshiriladi. Bunday hisob-kitoblar odatda kredit tarixini baholash, kompaniyaning rivojlanish dinamikasi, uning asosiy moliyaviy ko'rsatkichlari va boshqa ko'plab omillarning barqarorligi. Biz keng taniqli taniqli AQSh neyron hisoblash usulini sinab ko'rdi va shu turdagi vazifadagi xuddi shu vazifa tezroq va aniqroq hal qilinadi. Masalan, 100 ming bank hisob raqamini baholash holatlaridan birida yangi tizimNeyron hisoblash asosida qurilgan, potentsial bo'lmagan to'lovlarning 90 foizidan ortig'i belgilangan.

Xalq sektoridagi vaziyatni moliyalashtirishda neyron hisoblashning yana bir muhim yo'nalish. Ushbu vazifaga standart yondashuv "o'yinlar qoidalari" ning qat'iy belgilangan to'plamiga asoslangan bo'lib, vaqt o'tishi bilan bir fond birjasida oqim sharoitida o'zgarishlar tufayli samaradorligini yo'qotadi. Bundan tashqari, ushbu yondashuv asosida tizimlar tezkor qarorlar qabul qilishni talab qiladigan vaziyatlar uchun juda sekin. Shuning uchun qimmatli qog'ozlar bozorida faoliyat yuritayotgan yapon kompaniyalari nemat hisoblash usulini qo'llashga qaror qilishdi. Neural tarmog'iga asoslangan odatiy tizimda bir nechta tashkilotlarning, shu jumladan aylanmalarning avvalgi qiymati, daromad darajasi, daromad darajasi, daromad darajasi va boshqalarning ishbilarmonligi bo'yicha ma'lumotlar joriy etildi , Neron tarmoq tizimi ko'proq bashoratli aniqlikni ko'rsatdi: statistik yondashuv bilan taqqoslaganda statistik yondashuvni butunlay 19 foizga oshirdi.

Neyron hisoblashning eng ilg'or uslublaridan biri tirik organizmlarning evolyutsiyasiga taqlid qiladigan genetik algoritmlardir. Shuning uchun ular Neron tarmoq parametrlarining optimalizi sifatida foydalanish mumkin. Shomuil Sitme Investitsion boshqaruvida Samuel investitsiyalarni boshqarishdagi ishonchlilikning ko'payishi bo'yicha shartnomalar natijalarini bashorat qilishning shunga o'xshash tizimi ishlab chiqildi va quyosh ishxonasi "Samuel investitsiyasini boshqarish. Bir nechta savdo ishtirokchilari strategiyalarini modellashtirishda bozor harakatining yo'nalishini bashorat qilishda 57% aniqlikka erishdi. TSB Umumiy sug'urta sug'urta kompaniyasida xususiy kreditlar berishda xavf darajasini oldindan aytib berish usulidan foydalanadi. Ushbu neyron tarmog'i mamlakatda ishsizlik holati to'g'risidagi statistik ma'lumotlarni o'z-o'zini bilishdir.

Rossiyadagi moliya bozori hali barqaror bo'lmaganiga qaramay, uning modeli o'zgarishi, bu qimmatli qog'ozlar bozorini bosqichma-bosqich qazib olish va aktsiyani oshirish bilan bog'liq Uyda, shu va xorijiy kapital kabi sarmoyalar oqimi bilan bog'liq bo'lgan fond bozori, siyosiy kursning beqarorligi bilan siz firmalarning boshqa ko'rinishini boshqalardan tashqari foydalanishga muhtoj bo'lgan firmalarning paydo bo'lishini ko'rishingiz mumkin an'anaviy, shuningdek dasturiy mahsulotlardagi tashqi ko'rinish va kompyuter texnikasi IBM seriyasida Nerur tarmoqlarini IBM seriyali kompyuterlarida va hatto ixtisoslashgan neyroplatiklar bilan taqqoslash uchun nevraklar.

Xususan, Rossiyada "Alpaviya echimlarining 4-neyrobis" ning 4-nevrabislari asosida moliyaviy foydalanish uchun birinchi neyrokompaniyalardan biri - CNASPUTS PC / 128. "Tora-markaz" kompaniyasining so'zlariga ko'ra, NECURR tarmoqlaridan foydalangan holda, Favqulodda vaziyatlar vazirligi, soliq inspektsiyasi, 30 dan ortiq banklar va 60 dan ortiq moliyaviy kompaniyalar. Ushbu tashkilotlarning ba'zilari allaqachon nevrokompyuterdan foydalanish sohasidagi faoliyatining natijalarini e'lon qildi.

Yuqoridan yuqorida aytib o'tamizki, hozirda bu qisqa muddatli byudjetni bashorat qilishda neyron tarmoqlaridan foydalanish tadqiqot uchun shoshilinch mavzu.

Xulosa qilib aytilishicha, inson faoliyatining barcha sohalarida, shu jumladan moliyaviy dasturlar sohasida neyron tarmoqlaridan foydalanish, qisman zarur va boshqalarning obro'si tufayli keng tarqalgan va ba'zilar uchun keng imkoniyatlar bo'lgan va uchinchi o'rinda qiziqarli dasturlar tufayli.

ADABIYOTLAR RO'YXATI

1. Federal qonun 01.01.2001 yil RF 01.01.2001 yil (01.01.2001) "Rossiya Federatsiyasining ijtimoiy-iqtisodiy rivojlanishi davlat prognozlash va dasturlari to'g'risida" [matn]

2. Bir S. miyasining firmasi [Matn] / S. BIR. - m .: Radio va aloqa, 1993 yil. - 524 p.

3. Galyushkin, moliyaviy faoliyatdagi neyrokpyuter [matn] /. - Novosibirsk: fan, 2002. - 215s.

4., Myuller bashoratli modellar [Matn] /, - Kiev: texnikasi, 1985 yil. - 225 b.

5. Byudjet jarayonida pichoqlash, prognozlash usullari [Matn] / // Elektron jurnal korporativ Minor, 2011 yil. (19) - 71 - 78.

6. Rutkovskaya M., Plinskiy L. Neron tarmoqlari, genetik algoritmlar va fuzzy tizimlari: har bir. polyak bilan. [Matn] / M. Rutkovskaya, L. Plinskiy -: Issiq liniya - Telekom, 20c.

7., Neyrmal murakkablikdagi echimlarni saqlash [matn] /, // avtomatlashtirish va zamonaviy texnologiyalar, 1998 yil. № - 38-43.

Oliy o'quv yurtining Federal davlat ta'lim muassasasi " Davlat universiteti - O'quv va ilmiy-ishlab chiqarish majmuasi, Burgut

"Axborot tizimlari" kafedrasi dotsenti, dotsent, dotsent, dotsent, dotsent, dotsent, dotsent

Elektron pochta: ***** @ *** ru

Lapostna Kristina Sergeevna

"Davlat universiteti - o'qitish va ilmiy-ishlab chiqarish majmuasi" oliy o'quv yurtining federal davlat ta'lim muassasasi, Orel

11-pi (m) talabalari guruhi

Qishloq xo'jaligi vazirligi

ROSSIYA FEDERATSIYASI

FGBOUY VPO "VORONEZH Davlat

Agrar universiteti. Imperator Piter men »

Axborot xavfsizligi bo'limi

Va agroiqtisodiy tizimlarni modellashtirish

Kurs loyihasi

mavzu bo'yicha : "Korxonalar samaradorligini tahlil qilish uchun avtomatlashtirilgan axborot tizimini loyihalashtirish (masalani: Voronej viloyati va korxonalarning Kalachek tumani korxonalari

"OOO SP" Tribal parrandachilik fermasi "Ocherodnyskoye") "

Bajarildi: talaba bf-2-7 (masalan)

Maksimova A.I.

Lider: Yordamchi

Misukova S.V.

Voronej

Kirish .. 3.

Iqtisodiyotda 1 neyron tarmoqlari .. 4

1.1 Neyeraviy sun'iy tarmoqlarning tushunchalari va asoslari .. 4

1.2 Neural tarmoqlarining xususiyatlari va tasnifi .. 6

1.3 Neyron tarmoq arxitekturalarining turlari. sakkiz

1.4 Neron tarmoqlaridan foydalanish iqtisodiy vazifalar bo'yicha. 11

2 Korxonalar samaradorligini tahlil qilish uchun avtomatlashtirilgan axborot tizimini loyihalashtirish (Voronej viloyati Kalogiya tumani va SP-ning "Raidenskiy" kompaniyasining asosiy kompaniyasi misolida. 17

2.1 Tushuntirish xati .. 17

2.2 Hujjatlar shakllarini loyihalash. o'n sakkiz

2.3 Axborot va mantiqiy model. 22.

2.4 ALGORITM AXBOROT TIZIMI. 25

2.5 Foydalanuvchi uchun ko'rsatmalar. 26.

Xulosa va takliflar .. 30

Ishlatilgan adabiyotlarning ro'yxati ... 32

Arizalar .. 33.

Kirish

Neron tarmoqlari - bu iqtisodiy sohada dinamik vazifalarni o'rganishga yangi yondashuvlar beradigan yangi va juda istiqbolli hisoblash texnologiyasidir. Dastlab, neyron tarmoqlari tasvirlarni tan olish, keyin statistik va qarorlarni qabul qilish va iqtisodiyot sohasidagi muammolarni hal qilishda yangi imkoniyatlar qo'shildi.

Nomaxli jarayonlarni modellashtirish, xayrli ma'lumotlar va moslashuvchanlik bilan ishlashning keng sinfini hal qilish uchun Neron tarmoqlarini qo'llash imkonini beradi. So'nggi bir necha yil ichida nexurr tarmoqlariga asoslangan ko'p narsa ishlab chiqilgan dasturiy tizimlar Tovarlar bozorida operatsiyalar, bankrotlikni baholash, bankrotlikni baholash, kreditga intilish, investitsiyalarni boshqarish, kreditlar, kreditlar berish.

Ushbu kursning maqsadi loyihaviy korxonalar samaradorligini tahlil qilish uchun avtomatlashtirilgan axborot tizimini ishlab chiqishdir.

AIS-ni yaratishda korxonalarning samaradorligini tahlil qilishda quyidagi vazifalarni hal qilish kerak:

1. Neyron tarmoqlarining kontseptsiyasi, xususiyatlari, tasniflash, turlari va iqtisodiy qo'llanilishini ko'rib chiqing.

2. Avtomatlashtirilgan axborot tizimlarining tarkibi va funktsiyasini ko'rib chiqish; AIS dizaynining nazariy asoslarini o'rganing;

3. Amaliyotning asosiy turlari bilan ishlash dasturiy ta'minotaisni amalga oshirish uchun ishlatiladi;

4. Dizayn shakllari kiritish, o'rta va chiqish hujjatlari;

5. Axborot va mantiqiy modelni yarating;

6. Ishlash uchun algoritmni ishlab chiqing;

7. Foydalanuvchi uchun ko'rsatma yarating.

Kurs loyihasi davomida bunday ilmiy usullar modellashtirish, tavsif, tahlil qilish, sintez, hisoblash usuli sifatida qo'llaniladi.

Texnik vositalarMaqsadni amalga oshirish uchun ishlatiladi - ishlaydigan shaxsiy kompyuter windows tizimi XP, klaviatura va sichqoncha.

AIS MS Excel stoli protsessorida ishlab chiqilgan. Qilingan ishning tavsifi amalga oshirildi matnni protsessor Ms so'z.

Iqtisodiyotdagi neyron tarmoqlari

Anjir. 13.12. Anjir. 13.13. Anjir. 13.14. Anjir. 13.15. Anjir. 13.16. Anjir. 13.17. Anjir. 13.18. Anjir. 13.19. Anjir. 13.20. Anjir. 13.21. Anjir. 13.22. Anjir. 13.23. Anjir. 13.24. Anjir. 13.25. Anjir. 13.26. Anjir. 13.28. Ma'lumotlarni qayta ishlash sxemasi

Moliyaviy bozorlarning kundalik amaliyoti akademik nuqtai nazar bilan qiziqarli nuqtai nazardan, moliyaviy aktivlarning narxi keskin o'zgarishlar darhol mavjud bo'lgan barcha ma'lumotlarni aks ettirmasdan samarali amalga oshiriladi. Foydali foyda olish uchun bo'lgan yuzlab metrlar, savdogarlar va aktsiyadorlik menejerlarining mavjudligi bozor ishtirokchilari umumiy ma'lumotlarga ma'lum bir hissa qo'shishini anglatadi. Bundan tashqari, bu ish qimmat, chunki berilgan ma'lumotlar hajmi sezilarli bo'lishi kerak.

Moliyaviy bozorlarda yuzlab markerlar, savdogarlar va aktsionerlar va aktsiyadorlik menejerlarining mavjudligi ularning barchasi moliyaviy ma'lumotlar va qarorlar qabul qilishlarini taklif qiladi.

Moliyaviy bozorlarda qanday paydo bo'lishiga va foyda keltiradigan ma'lumotlarni qanday ishlatish masalasiga javob berish qiyinroq. Tadqiqot deyarli har doim barqaror savdo strategiyasi doimiy foyda keltirmasligini ko'rsatmoqda va bu har qanday holatda ham, agar bitimlar tuzish xarajatlari hisobga olinsa. Ma'lumki, bozor ishtirokchilari (va umuman butun bozor) shunga o'xshash yoki hatto o'zgarmas ma'lumot asosida butunlay boshqa qarorlarni qabul qilishlari mumkin.

Aftidan, bozor ishtirokchilari, ehtimol, chiziqli badavlat qarorlar qabul qilish qoidalari bilan cheklanmaydi va ulardan nima boshlanadi, ba'zida tashqi versiya belgilariga bog'liq. Ko'p o'lchovli va tez-tez moliyaviy bozorning nober bo'lmagan qatorlarga bo'lgan usullaridan biri bu sun'iy razvedka usullari namunalarini ekspert tizimlari yoki neyron tarmoqlari sifatida taqqoslashdir.

Ushbu usullar bilan qarorlarni qabul qilish jarayonlarini modellashtirish bo'yicha ko'p kuch sarflandi. Biroq, bu tajribadagi ekspert tizimlari faqat tizim ichki statsionar (I.E.) vaqt o'tishi bilan o'zgarmaydigan bitta javobdir deb hisoblanadi. Ushbu tavsifda ma'lum darajada kreditlarni keng qamrovli tasniflash yoki tarqatish vazifalari mos keladi, ammo bu doimiy tarkibiy o'zgarishlar bilan moliyaviy bozorlar uchun mutlaqo ishonchsiz bo'lib tuyuladi. Moliyaviy bozorlarda, ushbu mavzu sohasida ma'lum darajada yoki hech bo'lmaganda qoidalarga asoslangan ekspert tizimlari bilan munosib ravishda erishish mumkinligi, bu normal talabdir.

Neron tarmoqlari banklar va boshqa moliyaviy institutlar uchun to'liq istiqbolli imkoniyatlarni taklif etadi, ular faoliyatining tabiati bilan atrof-muhit to'g'risidagi bilimlarning kichik bilimlari sharoitida muammolarni hal qilishi kerak. Moliyaviy bozorlarning tabiati keskin o'zgaruvchan o'zgaradi, chunki xususiylashtirish va yangi moliyaviy vositalarning paydo bo'lishi, milliy bozorlar global miqyosda va bozorning aksariyat sohalariga qo'shildi. Shubhasiz, xavflarni boshqarish va daromadlarning asoslari o'zgarishlarga duch kelmadi, chunki diversifikatsiya qilish va xavflarni himoya qilish strategiyalari tan olinmaydi.

Bir qator etakchi banklar uchun neyron tarmoqlarining qo'llanmalaridan biri valyuta bozorida o'zgarib bo'lmaydigan ob'ektiv ko'rsatkichlar bilan AQSh dollari pozitsiyasining pozitsiyasidagi o'zgarishlar muammosi edi. Bunday dasturning imkoniyatlari iqtisodiy ma'lumotlarning ulkan asoslari mavjudligi, chunki murakkab modellar har doim ma'lumotlarga nisbatan juda muhimdir.

Obligatsiyalar va arbitraj narxlari - bu xavfni kengaytirish va torayish vazifalari, foiz stavkalari va likvidligi, bozorning chuqurligi va likvidligi kuchli hisoblash usullari uchun qulay materialdir.

Yaqinda yana o'sib chiqqan yana bir muammo institutsional investorlar o'rtasidagi mablag 'modellashtirish hisoblanadi. Foiz stavkalarining pasayishi ochiq turdagi investitsiya fondlari va indeks mablag'larining jozibadorligini oshirishda hal qiluvchi rol o'ynaydi va ularning aktsiyalari va qisman kafolati bilan ularni sotib olishga imkon beradi.

Shubhasiz, qisman muvozanatni cheklashlar soni cheksiz (masalan, bozorning istalgan sektorida fyuchers va har qanday mahsulotning kassasi va har qanday mahsulotning kassa bozori manfaatlar bo'yicha foizlar rolini o'z ichiga olgan holda optimallashtirishning vazifasi. shoshilinch komplekslik, tobora ko'proq savdogarlarning imkoniyatlaridan tashqarida.

Bunday sharoitda savdogarlar va shu sababli, har bir vaqtning o'zida har bir vaqtning o'zida muammoning o'lchovini kamaytirishga e'tibor qaratishadi. Ma'lumki, bunday hodisaning qimmatbaho qog'ozi sifatida katta kuch sifatida taniqli.

Moliyaviy sektor haqida gap ketganda, neyron tarmoqlaridan foydalanish paytida olingan birinchi natijalar juda dalda beruvchi va ushbu sohada izlanishlar ishlab chiqilishi kerakligi haqida bahslashish xavfsiz. Moliyaviy institutlar neyron tarmoqlari imkoniyatlaridan kelib chiqqan holda, moliyaviy institutlar etarlicha yuqadigan va to'liq quvvat olish uchun ishlatiladigan moliyaviy institutlar etarlicha infektsiyalangan bo'lishi mumkin.

Neyron tarmoqlar sohasida rivojlanishning mohiyati ekspert tizimidan tubdan farq qiladi: ikkinchisi uzoq muddatli tizim natijasida ishlab chiqilgan "Agar ... ..." da ishlab chiqilgan Tizimli malaka oshirish va taraqqiyotga asosan rasmiy mantiqiy tuzilmalardan muvaffaqiyatli foydalanish tufayli erishiladi. Neyron tarmoqlari asosan ishlov berish uchun asosan xatti-harakatlar yondashuviga asoslanadi: tarmoq "Misollarda o'qish" va fikr-mulohazalarni o'rganish algoritmlari yordamida uning parametrlarini moslashtiradi.

Turli xil sun'iy neyronlar

Sun'iy neyron (13.1-rasm) oddiy element deb ataladi, birinchi bo'lib "SRC \u003d" formulani hisoblash "SRC \u003d" formulani hisoblash "A formulasi" formulani hisoblash ". .MIF "Chegara \u003d" 0 "0" alp Allag \u003d "ABBMMRIDRAMRIKA" Alt \u003d "(! Lang:(13.1)

Bu erda n- kirish signallarining o'lchamlari.

Keyin hosil bo'lgan miqdor "SRC \u003d" formulasi bilan taqqoslanadi: "SRC \u003d" http://hi-edu.ru/e-bouns/xook725/files/18.gif "Chegara \u003d" 0 " "Abow-albd" alt \u003d "(! Lang: To'xtatilgan summada (1), ular odatda sinaptik koeffitsullar yoki og'irliklar deb ataladi. Juda muvozanatli miqdori v Neyronning imkoniyatlari deb nomlanadi. Chiqish signali f (v) formasiga ega.

Tog 'to'sig'ining qiymati doimiy kirish signalida boshqa vazn koeffitsienti sifatida ko'rib chiqilishi mumkin. Bunday holda, biz gaplashamiz Kengaytirilgan kirish maydoni: N-o'lchovli kirish bilan neyron n + 1 vazn nisbati ....gif "chegarasi \u003d" 0 "alt." (! Lang:(13.2)

Signalni o'zgartirish usuliga va ulanish funktsiyasining xarakteri, har xil turdagi nestura inshootlari paydo bo'ladi. Biz faqat ko'rib chiqamiz deterinistik neyronlar (Farqli o'laroq Probabilli neyronlarO'sha paytda t-1 potentsial va shtatning tasodifiy funktsiyasi bo'lgan holat. Keyin biz ajratamiz statik neyronlar- Signalni kechiktirmasdan uzatadigan va dinamik, bu erda bunday kechikishlar ehtimolligi hisobga olinadigan ( "Kechikish bilan sindirilgan").

Har xil turdagi faollashtirish funktsiyasi

F funktsiyalari har xil turdagi bo'lishi mumkin:

Formula "SRC \u003d" http://hi-edu.ru/e-books/xook725/files/files/0 "chegarasi \u003d" Axlab bo'ldim "Alt:" (! Lang:, Krutizna b tarozual tarozilar va ostonalar kattaligi orqali va umumiylikni cheklamasdan, uni birga teng deb hisoblash mumkin.

Bundan tashqari, neyronlarni to'yinganliksiz, bu uzluksiz qiymatlar to'plamini olishi mumkin. Tasniflash vazifalarida mahsulot qiymatini kamchilik bilan belgilash mumkin - sinfni aniqlashda yagona echim - yagona echimi - yoki ehtimoliy kasalligi bo'lishi mumkin. Muayyan vazifaning o'ziga xos xususiyatlarini, boshqa boshqa turdagi funktsiyalar - Gauss, sinusoidal, portlashlar (to'lqinlar) ni hisobga olish va boshqalarni hisobga olish.

To'g'ri havola Neural tarmoqlari

Biz NECURL tarmoqlarining ikki turini ko'rib chiqamiz: statik, shuningdek, to'g'ridan-to'g'ri to'g'ridan-to'g'ri aloqa tarmoqlari (bo'shatish) va dinamik yoki takroriy tarmoq deb nomlanadi. Ushbu bo'limda biz statik tarmoqlar bilan shug'ullanamiz. Boshqa turlarning tarmoqlari keyinchalik ko'rib chiqiladi.

To'g'ridan-to'g'ri aloqada bo'lgan neyron tarmoqlari statik neyronlardan iborat, shunda signallar oziqlangan bo'lsa, tarmoq chiqishi bir vaqtning o'zida paydo bo'ladi. Tarmoqning tarmoq (topologiyasi) boshqacha bo'lishi mumkin. Agar uning neyronlarining barcha tarkibiy qismlari bo'lmasa, ular tarmoq yashirin neyronlar mavjudligini aytadilar. Barcha neyronlar bir-biri bilan bog'liq bo'lgan holatlarda (lekin fikr-mulohazasiz) tarmoq me'morchiligining eng keng tarqalgan turi olinadi. Muayyan vazifalarda, neyronlar odatda qatlamlarga bog'langan. Shaklda. 13.2. Neural tarmog'ining odatiy sxemasini ko'rsatadi, bitta yashirin qatlam bilan to'g'ri havola bilan.

Shunisi qiziqki, nazariy natijalarga ko'ra, to'g'ridan-to'g'ri bog'langan Neron tarmoqlari va sigmasimon funktsiyalari bo'lgan Neron tarmoqlari funktsiyalarning yaqinlashuvi (yaqinlashuvi). Aniqroq, kompakt ta'rifi hududida bir nechta o'zgaruvchilarning haqiqiy qiymati uchta qatlam tarmog'iga aniq o'xshash bo'lishi mumkin. Shu bilan birga, biz bu uchun talab qilinadigan tarmoqning kattaligini ham, hech qanday og'irlik qiymatini bilmaymiz. Bundan tashqari, ushbu natijalarning isboti bundan mustasno, yashirin elementlar soni yaqinlashishning aniqligi oshib borishi bilan ortadi. Darhaqiqat, to'g'ridan-to'g'ri aloqalar mavjud, haqiqatan ham yaqinlashtirish uchun universal agent bo'lib xizmat qilishi mumkin, ammo bu vazifaning maqbul topologiyasini topishga imkon beradigan qoida yo'q.

Shunday qilib, Necural tarmog'ini qurish vazifasi - bu notekis. Yashirin qatlamlarni, ularning har birida qancha elementlarni, ularning har biridagi va mavjud bo'lgan parametrlarni, amaldagi adabiyotda bo'lgan savollarga engillashtirishingiz haqida savollar.

O'quv bosqichida sinaptik koeffitsientlar neyron tarmog'ining vazifalarini echish jarayonida hisoblanadi, unda zaruriy javob qoidalar bilan emas, balki misollar yordamida belgilanadi ichiga ta'limlar to'plamlari. Bunday ko'p narsa bir qator misollardan iborat bo'lib, ularning har biri uchun belgilangan tartib parametrining qiymati bilan bog'liq. Sodir bo'ladigan harakatlar deb atash mumkin boshqariladigan o'rganish: "O'qituvchi" manba ma'lumotlarini tarmoq kiritish vektori va chiqish tugunida hisob-kitoblar hisoblash natijasining kerakli qiymatini xabar qiladi. Neural tarmog'ining boshqariladigan ta'limotini optimallashtirish muammosini hal qilish mumkin. Uning maqsadi - W. ning tarozi qiymatlarini tanlash orqali ushbu misollar to'plamida xatolar yoki qoldiq funktsiyasini minimallashtirish

Xato mezonlari

Minimallashtirish protsedurasining maqsadi - global minimalni topish - uning yutug'i o'quv jarayonining yaqinlashishi deb ataladi. Bu chiziqli bo'lmaganligi sababli, tarozilarga bog'liq bo'lganligi sababli, tahliliy shaklda echim olish mumkin emas va global minimal minimal miqdordagi minimal ish qidirish amalga oshiriladi - deb nomlangan o'qish algoritmiQolgan qoldiq yuzasini o'rganadi va uning eng kam minimal nuqtasini aniqlashga intiladi. Odatda, o'rtacha kvadrat xato (MSS) Http: // Salom-Edu formulasi uchun kerakli farqlar yig'indisi sifatida belgilanadi. .Ru / elektron kitoblar / XBOBOB725 / Fayllar / 22.GIF "Chegara \u003d" 0 "0" alt \u003d "ABRMMRIKMRIKA" Alt \u003d "(! Lang:har bir misol uchun.

misol "\u003e ishonishning eng ko'pi mezoni:

misol "\u003e" Davrli vaznni o'zgartirish "xarajatlar funktsiyasi uchun eng katta tiklanish tomonga qarama-qarshi yo'nalishda bo'ladi:

- foydalanuvchi tomonidan belgilangan parametr deb nomlanadi Gradient bosqich yoki o'quv koeffitsientining qiymati.

Boshqa mumkin bo'lgan usul deyiladi stoxastik gradyan.

Unda har bir misollarni bitta o'quv to'plamidan har bir noto'g'ri hisob-kitob qilishdan keyin qayta hisoblash va ushbu xarajatning qisman funktsiyasi, masalan, K-A, xilma-xilligi qo'llaniladi:

sUBTITLE "\u003e.

Xatoning teskari taqsimoti

Neyron tarmoqlarini to'g'ridan-to'g'ri ulanish bilan o'rganish uchun hozirda eng keng tarqalgan algoritmni ko'rib chiqaylik. algoritm xatolarni tarqatish (Barkropagyon, BP), bu shunday deb ataladi umumiy delta qoidalari. Ushbu algoritm 1986 yilda Ru Melxarto va Makkellandning Massachusets Texnologiya institutida parallel taqsimlangan jarayonlarni o'rganish bo'yicha taniqli guruh tomonidan qayta ochildi va ommalashdi. Ushbu paragrafda biz algoritmning matematik mohiyatini batafsilroq ko'rib chiqamiz. Bu umumiy kvadratatni minimallashtiradigan grententsiyaning nasliy algoritmidir:

formula "SRC \u003d" http://hi-edu.ru/e- kitoblari/xook725/files/24.gif. Xususiy hosilalarni hisoblash zanjir qoidalariga muvofiq amalga oshiriladi: J-R neyronidan keladigan J-Th neyronning og'irligi formulasi bilan qayta hisoblanadi

formula "SRC \u003d" http://hi-du.ru/e-books/xook725/files/23.gif "Chegara \u003d" Yo'q- gradient tomon qadamning uzunligi.

Agar alohida ko'rib chiqsangiz k-chi namunasiKeyin vazndagi mos keladigan o'zgarishlar teng

bu keyingi qatlamning o'xshash omillari orqali hisoblab chiqiladi va xato qarama-qarshi yo'nalishda uzatiladi.

Dam olish kunlari biz olamiz:

formula "SRC \u003d" http://hi-edu.ru/e-books/xook725/files/25.gif "chegarasi \u003d" Axlab bo'ldim "Alt:"shunga o'xshash aniqlandi:

formula "SRC \u003d" http://hi-du.ru/e-books/xook725.GIF "Chegara \u003d" Axlab bo'ldim "Alt" Alt: "(13.14)

biz olamiz:

misol "\u003e Stochpastik vazning o'zgarishi har safar" davrda "yoki" davrda "yoki" davrda "yoki" Off-line "versiyasida hisoblab chiqilgandan so'ng, barcha o'quv to'plamini noto'g'ri hisoblab chiqilgandan so'ng o'zgaradi.

Yana bir tez-tez ishlatiladigan usul shundaki, joriy gradyanga qidirish yo'nalishini aniqlash, avvalgi koeffitsient bilan olingan oldingi bosqichning belgilangan vektorini qo'shadi. Aytish mumkinki, mavjud harakatning pulsi hisobga olinadi. Tarozilarni o'zgartirishning yakuniy formulasi quyidagicha ko'rinadi:

formula "SRC \u003d" http://hi-du.ru/e-books/xook725/files/26.gif- foydalanuvchi tomonidan ko'rsatilgan intervalda (0,1) raqam.

Ko'pincha subtitrning qiymati "\u003e

Boshqa o'quv algoritmlari

Va nihoyat, yaqinda muvaffaqiyatga erishgandan foydalaning genetik algoritmlarBunda tarozi mutatsiyalar va kesishadigan shaxs sifatida ko'rib chiqiladi va xato mezoni uning "sifatini" ko'rsatkichi sifatida qabul qilinadi. Yangi avlod ko'tarilganidek, maqbul shaxsning ko'rinishi ko'proq paydo bo'ladi.

Moliyaviy dasturlarda ma'lumotlar tobora kuchayib bormoqda. Masalan, ma'lumotlar bazasida tranzaktsiyalar bazasida kechikish bilan ro'yxatdan o'tkazilishi mumkin va turli hollarda turli hollarda. Qonlarni tashlash yoki to'liq bo'lmagan ma'lumotlar ba'zida ham shovqin deb hisoblanadi: bunday holatlarda o'rtacha yoki eng yaxshi qiymat olinadi va bu ma'lumotlar bazasi juda zichiga olib keladi. Tanilgan sinfda ob'ekt sinfining noto'g'ri ta'rifi mashg'ulotlarga salbiy ta'sir qiladi - bu tizimning yangilari bilan ishlashda umumlashtirish qobiliyatini yomonlashtiradi (ya'ni namunalar soniga kiritilmagan) ob'ektlar.

Kesishuvni tasdiqlash

Ma'lumotlar bazasining o'zboshimchalikligini bartaraf etish uchun namuna usullarini takrorlash qo'llanilishi mumkin. Ushbu usullardan birini ko'rib chiqaylik kesishuvni tasdiqlash. Uning g'oyasi - bu ma'lumotlar bazasini qdan farqli ravishda kesish bo'lmagan to'plamlar Keyin Q (Q -1) to'plamida o'qitish va xato qolgan to'plam tomonidan hisoblanadi. Agar q katta bo'lsa, masalan, 10, har bir o'rganish manba ma'lumotlarining ko'pini ishlatadi. Agar o'quv protsedurasi ishonchli bo'lsa, QTR har xil modellar bir-biriga juda yaqin bo'lishi kerak. Shundan so'ng, yakuniy xarakterli xarakteristikaning o'rtacha hisob-kitoblar uchun o'rtacha ko'rsatkich sifatida belgilanadi. Afsuski, ushbu usulni qo'llashda hisoblash hajmi ko'pincha juda katta, chunki q o'rganishi, shuningdek, ko'proq o'lchov bilan haqiqiy dasturda amalga oshirilishi mumkin emas. Cheklov ishida, agar R \u003d p, u erda Muhrohliklarning umumiy soni bo'lsa, bu usul qoldiqda o'zaro tasdiqlash deb ataladi. Ushbu baholash usuli boshqa joyga ko'chirilgan va usul ishlab chiqilgan "Buklangan pichoq", narx yanada ko'proq hisoblash orqali ushbu noqulaylikni pasaytiring.

Biz ko'rib chiqadigan - dinamik yoki takroriy, tarmoqlarni ko'rib chiqadigan neyron tarmoqlarining quyidagi klassi. Ular dinamik neyronlardan qurilgan, ularning xatti-harakati differentsial yoki farqli tenglamalar, qoida tariqasida, birinchi tartibda tasvirlangan. Tarmoq har bir neyron boshqa neyronlardan (ehtimol o'zi) va atrof-muhitdan olishi uchun tashkil etiladi. Ushbu turdagi tarmoqlar muhim, chunki u nobl bo'lmagan dinamik tizimlarni simulyatsiya qilish mumkin. Bu turli xil dasturlarda, masalan: assotsiatlik xotira, chiziqli bo'lmagan signalni qayta ishlash, tizimni aniqlash, boshqaruv vazifalarini modellashtirish.

Vaqtinchalik kechikish bilan neyron tarmoqlari

Haqiqiy dinamik tarmoqlarni tasvirlashdan oldin, vaqtincha qatorlarni qayta ishlash uchun to'g'ridan-to'g'ri aloqa tarmog'idan qanday foydalaniladi. Usul vaqt seriyasini bir necha segmentlar uchun sindirish va shu bilan to'g'ridan-to'g'ri ulanish bilan ko'p qatlamli tarmoqni boqish uchun statistik namunani olish. Bu filialli kechikish chizig'i yordamida amalga oshiriladi (13.3-rasmga qarang).

Vaqtinchalik kechikish bilan bunday nefron tarmoqning me'morchiligi sizga har qanday fitnaning cheksiz qaramligini taqlid qilishga imkon beradi:

sUBTITLE "\u003e.

Xetfield tarmoqlari

Takroriy Xetfield tarmoqlari yordamida, tartibsiz (qo'lda yozilgan harflar) yoki bo'sh joyni (gramm, grammatika) namunalari (13.4-rasm) ni ishlatish mumkin (13.4-rasm). Eng oddiy shaklning takroriy neyron tarmog'i XetField tomonidan kiritildi; U har biri bilan bog'langan N neyronlardan qurilgan, barcha neyronlar dam olish kunlari.

Bunday dizayn tarmoqlari asosan askativ xotira sifatida, shuningdek, noberış filtrlash ma'lumotlari va grammatik ishlab chiqarish muammolari sifatida ishlatiladi. Bundan tashqari, ular yaqinda aktsiyalar narxlarining xatti-harakatlarida naqshlarni oldindan bilish va tan olish uchun foydalanishgan.

Kohonen tomonidan kiritilgan "O'z-o'zini tashkil etish belgisi" neyron tarmog'i variantini ko'rib chiqish mumkin. Ushbu turdagi tarmog'i uchun mo'ljallangan o'zini o'zi boshqarish: Unga to'g'ri javoblarni ixtiyoriy ravishda xabar berishni o'rganish paytida. Tarmoqning kirish qismida o'qitish jarayonida turli namunalarga xizmat ko'rsatiladi. Tarmoq ularning tuzilish xususiyatlarini qamrab oladi va 436 klasterga ega bo'ladi va tarmoq allaqachon "yaqinlik" ni boshqarib, har bir yangi misolni qabul qildi.

Tarmoq bitta kirish va bitta chiqish sathidan iborat. Chiqish qavatidagi elementlar soni to'g'ridan-to'g'ri klasterlar tarmog'i qanchalik ko'pligini tan olishini aniqlaydi. Mahsulotning har bir elementlari kirish joyida kirish vektorini oladi. Har bir neyron tarmog'ida bo'lgani kabi, ba'zi sinoptik og'irlik bilan bog'liq. Aksariyat hollarda har bir chiqish elementi qo'shnilari bilan ham bog'liq. Bular ichki aloqa O'quv jarayonida muhim rol o'ynaydi, chunki og'irliklar faqat ushbu elementning muhitida ro'y beradi, bu keyingi kirish holatiga eng ko'p javob beradi.

Chiqish elementlari kuchga kirishi uchun bir-biri bilan raqobatlashadi va "dars oling". Ulardan biri g'alaba qozongan, ularning tarozi vektoriga, masalan, Evklid metrysi tomonidan belgilangan masofa hissi bilan yaqinroq bo'ladi. Elementni g'olibida, bu masofa hammadan kam bo'ladi. Hozirgi bosqichda vaznni o'zgartirish faqat elementga ruxsat beriladi - g'olib (va ehtimol yaqin qo'shnilar); Qolgan elementlarning og'irligi bir vaqtning o'zida muzlatilgan. G'alaba elementi o'zining vazni vektorini, uni kirish vektoriga biroz o'zgartiradi. Kerakli bir qator misollarni o'rgangandan so'ng, kamqonlik misollari tarkibiga kiradi - vazn vektorlari - vazn vektorlari kirish namunalarini tom ma'noda taqsimlashni anglatadi.

Anjir. 13.5. O'z-o'zini tashkil etuvchi do'stlar tarmog'i. Tasvirlangan yagona ulanishlar i-tugun. Tugunning mahallasi nuqta chiziqlari tomonidan ko'rsatilgan

Shubhasiz, kirish taqsimlash tarmog'ini to'g'ri tushunish uchun har bir tarmoq elementi bir xil raqamning g'olibiga aylanishi kerak - vazn vektorlari bo'lishi kerak teng.

Kohonen tarmoq boshlanishidan oldin ikkita narsani bajarishi kerak:

kattalik vektorlari tasodifan yagona sohaga tarqatilishi kerak;

barcha og'irlik va kasb vektorlari bitta tomonidan normallashtirilishi kerak.

Qopqoq taqsimot bilan tarmoq(CPN, CHORPRAPRASTASTATT NOMI) KOHONEN KOHONEN KOHONEN RETING RESPUBLIKASI VA AEDTAR - Grossberg tarmog'ining xususiyatlarini birlashtiradi. Ushbu arxitekturaning bir qismi sifatida tanilgan tarmoq qatlamining elementlari tashqi dunyoga to'g'ridan-to'g'ri chiqish va obligatsiyalar grossberg og'irligidan foydalanishga xizmat qiladi. Ushbu sxema Xeht - Nielsen asaridan kelib chiqdi. CPN tarmog'i bunday displeyning namunalariga asoslangan holda kerakli ma'lumotlarni chiqishni bosqichma-bosqich chiqish izchil ravishda qurishga qaratilgan. Tarmoq vazifani barcha nuqtalarda moslashtirish qobiliyatini aniq qadriyatlari bilan moslashtirish qobiliyatini yaxshi biladi.

Ushbu turlarning tarmoqlari kreditlar, tovarlar va almashuv kurslarining tendentsiyalari narxlarini bashorat qilish, kreditlar, tendentsiya narxlarini bashorat qilish uchun arizalarni ko'rib chiqish sifatida muvaffaqiyatli qo'llanilmoqda. Umuman olganda, siz katta miqdordagi ma'lumotlardan bilim olishingiz kerak bo'lgan vazifalarda CPN tarmoqlarini muvaffaqiyatli qo'llashingizni kutishingiz mumkin.

Tasniflash vazifalari uchun neyron tarmoqlarining amaliy qo'llanilishi (klasterlash)

Tasniflash vazifasini hal qilish Neron tarmoqlarining eng muhim dasturlaridan biridir. Tasnifning vazifasi namunani tasniflash vazifasi - bir necha juftlik uyali to'plamlardan biriga. Bunday vazifalarni misol, masalan, Bank mijozining kredit libosini aniqlash, masalan, kasalliklar portfelini boshqarish vazifasini ( Bozor holatiga qarab, bozor sharoitlariga qarab, bankrotlik firmalariga hayotning hayotiy va moyilligini aniqlash vazifasini sotib oling yoki sotib oling.

Tasni oshirish maqsadi

Agar tasniflash vazifalarini hal qilayotganda, uni atribu qilish kerak Statik namunalar (Bozordagi vaziyatning xususiyatlari, tibbiy ma'lumotlar, mijoz haqida ma'lumot) muayyan sinflar. Ma'lumotni ifodalashning bir necha usullari mavjud. Eng keng tarqalgan narsa, namuna vektor bilan ifodalanadi. Ushbu vektorning tarkibiy qismlari turli xil xususiyatlar Sinfning ushbu namunani o'z ichiga olish to'g'risidagi qarorga ta'sir qiladigan namunalar. Masalan, bemorning tibbiy kartasidan ma'lumot ushbu vektorning tarkibiy qismlari sifatida tibbiy muammolar uchun bo'lishi mumkin. Shunday qilib, masalan, ba'zi ma'lumotlar asosida, u qanday bog'liq bo'lishi mumkinligini aniqlash kerak. Klassifikator shu tarzda darslardan biriga ajratilgan bo'lib, u nomlangan N-o'lchovli makonning ma'lum qismiga muvofiq ko'rsatilgan kosmik kirishVa bu bo'shliqning o'lchami - bu vektor tarkibiy qismlari.

Birinchidan, tizimning murakkabligi darajasini aniqlash kerak. Haqiqiy vazifalarda vaziyat ko'pincha namunalar cheklangan bo'lsa, bu vazifaning murakkabligini aniqlashni talab qiladi. Murakkablikning uchta asosiy darajasini ajratish mumkin. Birinchi (eng oson) - darslar to'g'ri chiziqlar (yoki giperplanes, kirpik bo'shlig'i ikkidan ko'prog'iga ega bo'lsa) - deb nomlangan chiziqli ajratish. Ikkinchi holatda sinflar chiziqlar (samolyotlar) bilan bo'linmaydi, ammo ularni yanada murakkab bo'linish bilan ajratish mumkin - notekis ajralish. Uchinchi holatda, sinflar kesishadi va siz faqat haqida gaplashishingiz mumkin probabil kiyinish.

Anjir. 13.6. Chiziqli va ajratib bo'lmaydigan sinflar

So'rovda, oldindan tayyorlangandan so'ng, biz chiziqli ajratib bo'lmaydigan vazifani olishimiz kerak, chunki shundan keyin tasniflagichning qurilishi juda soddalashtirildi. Afsuski, haqiqiy muammolarni hal qilganda, bizda klassifikator qurilgan, ularda cheklangan miqdordagi namunalar mavjud. Shu bilan birga, biz namunalarning chiziqli ajratilishi kerak bo'lgan ma'lumotlarning bunday asportiga erisha olmaymiz.

Klassifikator sifatida neyron tarmoqlaridan foydalanish

To'g'ridan-to'g'ri aloqa tarmoqlari bu funktsiyalarni yaqinlashtirishning universal vositasidir, bu ularga tasniflash vazifalarini echishda foydalanish imkonini beradi. Qoida tariqasida neyron tarmoqlari tasniflashning eng samarali usuli bo'ladi, chunki ular aslida hosil bo'ladi katta raqam Regressiya modellari (tasnifning vazifalarini statistik usullar bilan hal qilishda qo'llaniladi).

Afsuski, amaliy vazifalarda neyron tarmoqlaridan foydalanishda bir qator muammolar yuzaga keladi. Birinchidan, qanday murakkablik (o'lchamdagi) displeyni juda aniq amalga oshirish uchun tarmoq talab qilishi mumkin. Bu qiyinchilik haddan tashqari yuqori bo'lishi mumkin, bu kompleks tarmoq arxitekturasini talab qiladi. Shunday qilib, Minsk o'zining "Seretsisron" asarida eng oddiy turmush qurgan ishlarni faqat chiziqli ajratilgan vazifalarni hal qilishga qodirligini isbotladi. Ushbu cheklov ko'p bosqichli necurer tarmoqlaridan foydalangan holda engillashadi. Umuman, bitta yashirin qatlam bilan tarmoq ichida, kirish namunalariga mos keladigan vektorning turli xil o'lchovga ega bo'lishi mumkin, ammo keyinchalik har xil o'lchamdagi yangi makonda, keyinchalik giperplandiyaning neyronlariga mos keladi. Chiqish sathi, uni sinflarga ajrating. Shunday qilib, tarmoq nafaqat manba ma'lumotlarining xususiyatlarini, balki yashirin qatlam tomonidan shakllangan "xususiyat xususiyatlari" ni tan oladi.

Manba ma'lumotlarini tayyorlash

Klassifikatorni qurish uchun namuna qanday parametrlarni qaysi sinfga tegishli ekanligi to'g'risida qaror qabul qilish kerakligini aniqlash kerak. Shu bilan birga ikkita muammo bo'lishi mumkin. Birinchidan, agar parametrlar soni etarli bo'lmasa, unda bir xil manbaning bir qismi turli sinflardagi misollarga mos kelishi mumkin. Keyin neyron tarmog'ini o'rgatishning iloji yo'q, va tizim to'g'ri ishlamaydi (bunday manbaga mos keladigan minimalni topish mumkin emas). Manba ma'lumotlari izchil bo'lishi kerak. Ushbu muammoni hal qilish uchun belgilar belgilarining o'lchovini oshirish kerak (namunaga mos keladigan element kiritish komponentining soni). Ammo belgilar belgilarining ko'payishi bilan, masalan, namunalarni o'rgatish uchun etarli darajada misollar etarli bo'lishi mumkin va bu shunchaki mashg'ulotlarning misollarini eslab qoladi va to'g'ri ishlay olmaydi. Shunday qilib, belgilarni aniqlashda ularning soni bilan murosaga kelish kerak.

Keyinchalik neyron tarmog'i uchun kirish ma'lumotlarini ifodalash usulini aniqlash kerak, i.e. Ratsion usulini aniqlang. Gemane kerak, chunki neyron tarmoqlari 0..1 oralig'ida ko'rsatilgan ma'lumotlar bilan ishlaydi va boshlang'ich ma'lumotlarga o'zboshimchalik bilan yoki umuman ma'lumot bo'lmagan ma'lumotlar bo'lishi mumkin. Bunday holda, oddiy chiziqli o'zgarishlardan istalgan diapazonga qarab, parametrlarning bir-birining ta'siriga qarab parametrlar ta'siriga qarab parametrlar va nomutanosib ratsionlarni tahlil qilish bilan tugallanishi mumkin.

Chiqish qiymatlari

Ikkita sinf mavjudligida tasniflash vazifasi tarmoqda bitta neyron bilan ey neyron bilan yechib olinishi mumkin, ular namuna namunasiga tegishli bo'lgan ikkita qiymatdan birini olishi mumkin. Agar bir nechta sinflar bo'lsa, ushbu ma'lumotlarning tarmog'ini chiqarish bilan bog'liq muammo paydo bo'ladi. Ushbu holatda chiqish ma'lumotlarini ifodalashning eng oddiy usuli - bu tarkibiy qismlar turli xil sinflarga mos keladi. Qayerda i-i komponent Vektor I-sinfga mos keladi. Boshqa barcha komponentlar 0 ga o'rnatiladi. Keyin, masalan, ikkinchi sinf 2 tarmoqqa chiqish va dam olish uchun 0 ga to'g'ri keladi. Natijani sharhlashda odatda sinf raqami tarmoq chiqish raqami bilan belgilanadi, bu maksimal qiymat paydo bo'ldi. Masalan, agar uchta mahsulot bo'lsa, bizda vektorli chiqish qiymatlari (0,2; 0.6; 0,4; 0,4; 0,4; 0,4; Vektorning ikkinchi tarkibiy qismi maksimal qiymatga ega, bu esa bu misolni anglatadi 2. Ushbu kodlash usuli bilan tarmoqning ishonch kontseptsiyasi ba'zida ushbu sinfga tegishli bo'lgan misol keltirilgan. Ishonchni aniqlashning eng oson usuli bu maksimal darajada eng yuqori darajaga eng yaqin bo'lgan mahsulotning maksimal qiymati va qiymatining maksimal qiymati orasidagi farqni aniqlashdir. Masalan, yuqorida muhokama qilingan misol uchun tarmoqning ishonchliligi ikkinchi sinfning ikkinchi va uchinchi komponenti o'rtasidagi farqni anglatadi va 0,6-0,4 \u003d 0,2. Shunga ko'ra, ishonch shunchalik yuqori bo'ladi, tarmoq to'g'ri javob bergan bo'lishi ehtimoli katta. Ushbu kodlash usuli - bu eng oson, ammo har doim ma'lumotlarni yuborishning eng maqbul usuli.

Boshqa usullar ham ma'lum. Masalan, chiqish vektori ikkilik shaklda qayd etilgan klaster raqami. Agar 8 ta sinf bo'lsa, bizda 3 elementning vektori kerak bo'ladi va deydi 3 sinf vektorning 011 ga mos keladi. Ammo bizda noto'g'ri tasniflash mumkin ( Noto'g'ri klaster raqami), shuning uchun tasnifning ishonchliligini oshiradigan kimyoviy kodni kodlash orqali ikkita klaster orasidagi masofani oshirish mantiqiy ma'noga ega.

Yana bir yondashuv - C * (K-L) / 2 Subtacks-da ikkita sinfda (2 Coding 2 uchun 2 kodi) bilan dars berish. Bu holda subtacks ostida tarmoq vektorning tarkibiy qismlaridan biri bo'lganligini aniqlaydi. Ular. Manbasi vektori har birida ikkita komponent guruhiga bo'lingan, shuning uchun ishlab chiqarish vektor tarkibiy qismlarining barcha mumkin bo'lgan kombinatsiyasi ularga kiritilgan. Ushbu guruhlarning soni bir-birini manbali qismdan ikkita tartibsiz namunalari soni deb ta'riflash mumkin.

352 "Chegara \u003d" 0 "\u003e

Raqamni almashtirish (chiqish) Chiqish komponentlari 1 1-2 2 1-3 3 1-4 4 2-3 5 2-4 6 3-4

Chiqishda 1 qismning bir qismi borligi haqida gapiradi. Keyin biz tarmoqni hisoblash bo'yicha sinf raqamiga o'tishimiz mumkin: biz qaysi kombinatsiyalarni bitta (ya'ni qaysi pastki qismlarni faollashtirdik) va biz u faollashganiga ishonamiz va biz sinfga ishonamiz raqam B ga kiradigan narsa bo'ladi. eng katta raqam faollashtirilgan subtacks (jadvalga qarang).

Hujjatsiz hujjat

Ushbu kodlash ko'p ishlarda eng yaxshi natija beradi klassik usul kodlash.

Probabilizm tasnifi

Rasmlarni statistik tan olish bilan optimal klassifikator "SRC \u003d" formulasi namunasini to'ldiradi. "Alt \u003d" (! Lang:

"SRC \u003d" formulasini oling http://hi-du.ru/e-books/xook725/files/4.gif "chegarasi \u003d" ABBMLEMRIDRAF "Alt \u003d" ALL "Alt:" (! Lang:eng katta bo'lmagan ehtimollik borasidagi guruhga tegishli. Ushbu qoida noto'g'ri tasniflashning o'rtacha sonini minimallashtiradi degan ma'noni anglatadi. "Chegara \u003d" 0 "Allag \u003d" Yo'q

keyin Bayesiansi nisbati va posteriori ehtimolligi orasidagi nisbati kuchayadi va shuning uchun bu funktsiyalardan foydalanish mumkin soddalashtirilgan hal qiluvchi funktsiyalar. Shunday qilib, agar ushbu funktsiyalar qurilgan bo'lsa va hisoblangan bo'lsa, buni qilish mantiqiy.

Garchi qoida juda sodda bo'lsa-da, amalda qo'llanilishi mumkin, chunki u amaliyotda qo'llaniladi, chunki posteriori ehtimolligi noma'lum (yoki hatto hal qiluvchi funktsiyalarning qiymatlari). Ularning qadriyatlarini baholash mumkin. Tayyorlar fazilatlari bilan qabul qiluvchilar ehtimoli "SRC \u003d" formulasi formulasi bilan ifodalanishi mumkin. Http://hi-edu.ru/e- kitoblari/xook725/files/ 8.MIF "Chegara \u003d" 0 "Anige \u003d" Yo'q.

Ruxsat beruvchilar rasmlari

Prical ehtimollik zichligini aniqlash mumkin turli xil usullar. Ichida parametrik usullar Ehtimol, ehtimollik zichligi (PDF) noma'lum parametrlar bilan ma'lum bir tur funktsiyasi deb taxmin qilinadi. Masalan, siz Gauss funktsiyasi yordamida PDF yaqinroq harakat qilishingiz mumkin. Tasniflash uchun ma'lumot darslarining har birida o'rta va matritsalar uchun oldindan taxmin qilingan qiymatlarni oldindan bilish kerak va keyin ularni hal qiluvchi qoidada qo'llash kerak. Natijada faqat kvadrat va juftlik o'zgaruvchilarini o'z ichiga olgan murakkab tartiblidir. Ta'riflangan butun protsedura deyiladi Kvadrat kamsituvchi tahlil (QDA). Barcha sinflarda kovayaklarning matritsalari bir xil, QDA pastga tushadi chiziqli kamsituvchi tahlil(LDA).

Boshqa turdagi usulda - parametrik bo'lmagan- ehtimollikning zichligi to'g'risida oldindan taxminlar talab qilinmaydi. "Eng yaqin qo'shnilarga" (NN) usulida, yangi qabul qilingan namuna va o'quv yo'nalishi orasidagi masofa, shundan so'ng namuna katta qo'shnilarning eng yaqin qo'shnilariga tegishli bo'lgan sinfga tegishli. Ushbu chegara natijasida, ajratuvchi darslar, chiziqli qiyofaga ega. Ushbu usulning turli xil modifikatsiyalarida turli xil masofalar va qo'shnilarni topishning maxsus usullaridan foydalaniladi. Ba'zan namunalarning eng ko'p to'plamiga, moslashuvchan vektorli miqdordagi klasterlarga mos keladigan Centroid-ning umumiyligi (LVQ) olinadi.

Boshqa usullarda, klassifikator daraxt sxemasiga muvofiq guruhlarga ma'lumotlarni buzadi. Har qadamda, kichik guruh ikkiga bo'lingan va natijada ikkilik daraxtning ierarxik tuzilishi olinadi. Chegaralarni ajratish odatda qisman chiziqli va bir yoki bir nechta daraxt barglaridan iborat sinflarga mos keladi. Ushbu usul yaxshi, bu mantiqiy hal qiluvchi qoidalarga asoslangan tasnif usulini yaratadi. Erkaklar tasniflovchilarining g'oyalari o'zini faollashtirish usullarini o'z-o'zini faollashtirish usullarida qo'llaniladi.

Klassifikator sifatida to'g'ri havolani to'g'ri havola bilan neyron tarmog'i

To'g'ridan-to'g'ri aloqa tarmoqlari bo'lgani uchun funktsiyalarni yaqinlashtirish uchun universal vositadir, ularning yordami bilan, siz ushbu tasnif qilingan vazifadagi Posteriori ehtimolligini baholashingiz mumkin. Xaritani qurish moslashuvchanligi sababli, posteriusi ehtimolligi bilan bog'liqligi sababli, ular bays qoidalari tomonidan hisoblangan qiymatlar bilan bog'liq bo'lishi mumkin.

Vaqt ketma-ketligini tahlil qilish vazifasi

Http://hi-edu.ru/e-books/xhook725/filt \u003d "ABLEKMRIDRAF" alt \u003d "(! Lang:n-o'lchovli makonda qiymatlar paytida siljiydi yoki kechiktirish maydoni.

Vaqtinchalik seriyalar tahlili maqsadi bu raqamdan foydali ma'lumotlarni olishdir. Buning uchun fenomenning matematik modelini qurish kerak. Bunday model jarayonni ishlab chiqaradigan ma'lumotlarning mavjudotini, xususan, ma'lumotlarni (tasodifiy, davriy, davriy, harakatsiz va boshqalar) tushuntirishi kerak. Shundan so'ng siz kelajakdagi qiymatlarni bashorat qilish uchun siz ma'lumot filtrlash usullarini (tekislash, emissiya, emissiya olib tashlash va boshqalar) qo'llashingiz mumkin - kelajak qiymatlarini bashorat qilish.

Shunday qilib, ushbu yondashuv vaqt seriyasining ba'zi matematik tuzilmasiga ega (masalan, fenomenonning jismoniy mohiyatining oqibati bo'lishi mumkin degan taxminlarga asoslanadi. Ushbu struktura chaqirilganda mavjud faza maydoniKimning koordinatalari dinamik tizimning holatini tavsiflovchi mustaqil o'zgaruvchilar hisoblanadi. Shuning uchun, siz modellashtirishda duch keladigan birinchi vazifa fazaviy bo'sh joyni aniqlang. Buning uchun, Tizimning faz o'zgaruvchilar sifatida ba'zi xususiyatlarini tanlang. Shundan so'ng, bashorat qilish yoki ekstrapolyatsiya masalasini ko'tarish mumkin. Qoida tariqasida, o'lchovlar natijasida olingan safda satrlar turli xil nisbatda tasodifiy tebranishlar va shovqin mavjud. Shuning uchun modelning sifati ko'p jihatdan u shovqindan ajratib, mo'ljallangan ma'lumotlar tuzilmasini taxmin qilish qobiliyatiga bog'liq.

Vaqtinchalik seriyalarning statistik tahlili

Vaqt ketma-ketligini statistik tahlil usullarining batafsil tavsifi ushbu kitobdan tashqarida bo'ladi. Taqdimot mavzusi bilan bevosita bog'liq vaziyatlarni ta'kidlaymiz. Yuuu-ning kashshoflik ishidan boshlana boshlaydi, vaqtni bosqichma-bosqich Arimaning chiziqli modellari tomonidan olib borildi. Vaqt o'tishi bilan, bu soha to'liq nazariyani - boks jenkins nazariyasi bilan shakllantirildi.

Arima-ning Arima Modeldagi vakolatxonasi mavjudligi o'zgaruvchining joriy qiymatlari uning o'tmishdagi qadriyatlariga bog'liqligini bildiradi. Bunday modellar bir o'lchovli deb ataladi. Ko'pincha, tergov qilingan maqsad o'zgaruvchining qadriyatlari bir necha turli xil vaqt oralig'ida joylashgan.

Anjir. 13.7. Eng oddiy nexurr tarmog'ida Arima (p, q) modellarini amalga oshirish

Shunday qilib, agar maqsad o'zgaruvchisi valyuta ayirboshlash kursi bo'lsa va boshqa ishtirokchi o'zgaruvchilar foiz stavkalari bo'lsa (har ikki valyutada).

Tegishli usullar ko'p qirrali deb ataladi. Chiziqli modellarning matematik tuzilmasi juda oddiy va hisob-kitoblar soniy-uslublarning standart paketlari yordamida ko'p qiyinchiliksiz amalga oshirilishi mumkin. Vaqtni tahlil qilish, ketma-ket qadam, turkumlar, qoida tariqasida, qoida tariqasida, qoida tariqasida, real jarayonlar va tizimlarda rivojlanayotgan modellarni ishlab chiqish edi. Birinchi bunday modellardan biri Tong tomonidan taklif qilingan va indordum avtojtiya modeli (Tar) deb nomlangan.

Unda (oldindan belgilangan qiymatlar) belgilanib, bir chiziqli Ar modelidan boshqasiga o'ting. Shunday qilib, tizimda bir nechta ish usullari mavjud.

Keyin yulduz yoki "silliq" Tar-modellar taklif etiladi. Bunday model - bu doimiy funktsiyalar bo'lgan koeffitsientlar bilan olingan bir nechta modellarning chiziqli kombinatsiyasidir.

To'g'ridan-to'g'ri havolasi bo'lgan neyron tarmoqlariga asoslangan modellar

Oldingi paragrafda tasvirlangan barcha modellar Neyron tarmoqlari tomonidan amalga oshirilishi mumkinligini ta'kidlash qiziq. Ko'rishning har qanday qaramligi

selektsiya "1.8-rasm

Birinchisidagi harakatlar sahna bosqichi Pechka qayta sotiladigan ma'lumotlarni qayta ishlash- Shubhasiz, muammoning o'ziga xosligiga qat'iy bog'liq. Jarayonni tavsiflovchi stol, shu jumladan kechikish tuzilishini tanlashingiz kerak. Shundan so'ng, siz tarmoq topologiyasini tanlashingiz kerak. Agar tarmoq to'g'ridan-to'g'ri ulanish bilan qo'llanilsa, yashirin buyumlar sonini aniqlashingiz kerak. Keyinchalik, model parametrlarini topish uchun siz xatolar mezonini va optimallashtirish (o'qitish) algoritmini tanlashingiz kerak. Keyin, diagnostik vositalardan foydalanish, modelning turli xususiyatlarini tekshirishingiz kerak. Va nihoyat, chiqish tarmoq ma'lumotlarini sharhlash va boshqa qarorlarni boshqa qarorlarni qabul qilish tizimiga etkazish kerak. Keyinchalik, siz oldindan ishlov berish va tahlil qilish bosqichlari (refrakt) bosqichlarini (refrakt) hal qilishingiz kerak bo'lgan masalalarni ko'rib chiqamiz.

Ma'lumotlar to'plami

Tahlilchining qabul qilinishi kerak bo'lgan eng muhim qaror simulyatsiya qilingan jarayonni tasvirlash uchun o'zgaruvchilar to'plamini tanlashdir. Turli o'zgaruvchilar o'rtasidagi bog'liq havolalarni tasavvur qilish uchun muammoning mavjudotini yaxshi tushunishingiz kerak. Shu munosabat bilan ushbu mavzu sohasida tajribali mutaxassis bilan suhbatlashish juda foydali bo'ladi. Siz tanlagan o'zgaruvchilar haqida tushunishingiz kerak, ular tushunishingiz kerak, ular o'zlarida mazmunli yoki boshqa narsalar ularda o'z aksini topadi, albatta, sezilarli o'zgaruvchilar. Moyiqani tekshirish o'zaro bog'liqlik tahlilini o'z ichiga oladi. U bilan, masalan, ikki qator orasidagi kechikish turini vaqtincha ulash mumkinligini aniqlash mumkin. Chiziqli model tomonidan naqshli vaziyatni qanchalik eng kam kvadratlar usuli (OLS) tomonidan tekshiriladi.

Subtitrni ochgandan so'ng qabul qilingan "\u003e

Neyron tarmoqlari ma'lumotlarni ajratish vositasi sifatida

Ba'zida ma'lumotlar tahlil qilish vazifasi mavjud, ular matematik raqam shaklida namoyish etilishi mumkin. Agar siz Fuzzyda ko'rsatilgan ma'lumotlarni ajratib olishingiz kerak bo'lgan holatda ham shunday: ishonchli sheriklarni ta'kidlash, istiqbolli mahsulotni aniqlang va hk. Ushbu turdagi vazifalar uchun odatiy vaziyatni ko'rib chiqing - bankrotlikni bashorat qilish. Aytaylik, bizda bir necha o'nlab banklarning faoliyati (ularning ochiq moliyaviy hisoboti) haqida ma'lum bir vaqt uchun ma'lumotlar mavjud. Ushbu davr oxirida biz ushbu banklarning qaysi bankrot bo'lganini bilamiz, ular litsenziyani olib tashladilar va barqaror ishlashda davom etmoqda (davr oxiri vaqtda). Va endi biz mablag'larni joylashtirishga arziydigan banklarning qaysi masalani hal qilishimiz kerak. Tabiiyki, tez orada bankrotga olib kelishi mumkin bo'lgan bankaga joy ajratishni istamasligi dargumon. Bu shuni anglatadiki, biz qandaydir tarzda tijorat tuzilmalariga investitsiyalar xavfini tahlil qilish vazifasini hal qilish kerak.

Bir qarashda, ushbu muammoni hal qilish juda oson - chunki biz banklarning ishi va ularning faoliyati natijalari bo'yicha ma'lumotlar mavjud. Ammo, aslida, bu vazifa unchalik oddiy emas. O'tgan davrni biz tasvirlagan ma'lumotlar biz baholaganligi sababli, biz kelajakda nima bo'lishidan manfaatdor ekanligi sababli muammo mavjud. Shunday qilib, biz amaldagi priori ma'lumotlari uchun prognozni olishimiz kerak. Ushbu vazifani hal qilish uchun siz turli xil usullardan foydalanishingiz mumkin.

Shunday qilib, eng ravshan, matematik statistika usullaridan foydalanish. Ammo ma'lumotlar hajmi bo'yicha muammo bor, chunki statistik usullar ko'p miqdorda ishlaydi va bizda cheklangan raqamga ega bo'lishimiz mumkin. Bunday holda statistik usullar muvaffaqiyatli natijaga olib kelmaydi.

Ushbu vazifani hal qilishning yana bir usuli, ma'lumotlar to'plamida o'qitilishi mumkin bo'lgan neyron tarmoqlaridan foydalanish bo'lishi mumkin. Bunday holda, turli xil banklarning ushbu moliyaviy xabarlari boshlang'ich ma'lumot sifatida ishlatiladi va natijada ularning maqsadlari maqsadli maydon sifatida faoliyat natijasidir. Ammo yuqorida tavsiflangan usullardan foydalanganda, biz dastlabki ma'lumotlarga naqsh topmasdan natijaga olib kelmaymiz. Aslida, bankrot banklar hech bo'lmaganda bankrot bo'lgan narsalarga o'xshashdir. Bu shuni anglatadiki, ularni ushbu natijaga olib boradigan ishlarida ko'proq keng tarqalgan bo'lishi kerak va siz kelajakda ularni ishlatish uchun ushbu naqshlarni topishga harakat qilishingiz mumkin. Va bu erda bizda ushbu naqshlarni qanday topish mumkinligi haqida savol tug'iladi. Buning uchun, agar biz statistika usullaridan foydalansak, biz topshirish uchun "shunga o'xshash" ning qaysi mezonlarini ishlatishimiz kerakligini aniqlashimiz kerak.

Biroq, ushbu harakatlarni muntazamliklarni izlash bo'yicha barcha harakatlarni avtomatlashtirilgan - o'z-o'zini tashkil qiluvchi kohonen kartalaridan foydalanib tahlil qilish usuli mavjud. Bunday vazifalar qanday hal qilinayotganini va Koxonen kartalari manba ma'lumotlarida naqshlarni topishda ko'rib chiqing. Biz generallik bo'yicha ko'rib chiqish uchun biz atamaning atamalaridan foydalanamiz (masalan, ob'ekt, ushbu misolda bank bo'lishi mumkin, ammo ta'riflangan texnikani hal qilish va boshqa vazifalarsiz) - masalan, kredit libosini tahlil qilish uchun mos keladi Mijoz, bozorda maqbul xulq-atvor strategiyasini topishi va boshqalar). Har bir ob'ekt uning holatini tavsiflovchi turli parametrlar to'plami bilan tavsiflanadi. Masalan, bizning misolimiz uchun parametrlar moliyaviy hisobotlar ma'lumotlari bo'ladi. Ushbu parametrlar ko'pincha raqamli shaklga ega yoki unga olib kelinishi mumkin. Shunday qilib, shunga o'xshash ob'ektlarni yoritish uchun ob'ekt parametrlarini tahlil qilish va natijani in'ikos uchun qulay bo'lgan shaklda taqdim etishimiz kerak.

Ushbu barcha vazifalar o'z-o'zini tashkil qilish Kohonen kartalari tomonidan hal qilinadi. Ular qanday ishlashlarini batafsil ko'rib chiqing. Ko'rib chiqishni soddalashtirish uchun biz ob'ektlarning 3 ta belgisi bor deb taxmin qilamiz (aslida har qanday raqam bo'lishi mumkin).

Endi tasavvur qiling-a, ob'ektlarning bu uchta parametrlari ularning uch o'lchovli makonda koordinatalaridir (bizni kundalik hayotda o'rab turgan kosmosda). Keyin har bir ob'ektni ushbu makonda namoyish qilish mumkin (shuning uchun bizda har qanday holatda har qanday narsada har qanday ushbu belgilar bilan bog'liq bo'lmagan muammolar yo'q, natijada barcha ballar bir o'lchamli kubga tushadi. 13.9. Ushbu fikrlarni ko'rsatish. Ushbu rasmga qarab, qanday ob'ektlar kosmosda joylashganligini ko'rishimiz mumkin va ob'ektlar guruhlangan joylarni ko'rish juda oson, i.e. Ular shunga o'xshash parametrlarga ega, bu shuni anglatadiki, bu ob'ektlarning o'zi bitta guruhga tegishli bo'lishi mumkin. Biz ushbu tizimni idrok etish uchun oddiy deb topishimiz kerak, bu ikki o'lchovli tizimga aylanib o'tish mumkin (chunki samolyotda to'g'ri ko'rinishi kerak bo'lgan uch o'lchovli rasm). bo'sh joy yaqin va natijada olingan rasmda. Buning uchun o'z-o'zini tashkil qiluvchi Kohonen xaritasidan foydalaning. Birinchi yaqinda u kauchuk guruchdan yasalgan tarmoq sifatida tasvirlanishi mumkin. 13.10.

Biz, "tijorat", biz ushbu tarmoqni biz allaqachon ob'ektlar bo'lgan belgilar belgilariga tashlaymiz, shunda biz quyidagilarni amalga oshiramiz: biz unga eng yaqin tarmoq tugunini topamiz. Shundan so'ng, ushbu tugun ob'ektga mahkamlangan ("kauchuk", bu tugun bir xil, ammo kichik kuch va qo'shni tugunlar bilan kesilgan.

Keyin boshqa ob'ekt tanlangan (nuqta) va protsedura takrorlanadi. Natijada biz xaritani olamiz, uning joylashuvi joylashgan joylashuvi Manba FAC-dagi ob'ektlarning asosiy to'planishiga to'g'ri keladigan joylashuviga to'g'ri keladi. Bundan tashqari, natijada olingan kartaga quyidagi ajoyib mulk mavjud - bu tugunlar bir-biriga o'xshash bo'lgan binolar kartaning qo'shni tugunlariga mos keladi. Endi biz kartaning bosh tugunlari qaysi ob'ektlarni aniqlaymiz. Shuningdek, u eng yaqin tugun tomonidan belgilanadi - ob'ekt unga yaqinroq bo'lgan tugunga tushadi. Ushbu operatsiyalarning barchasi natijasida shunga o'xshash parametrlarga ega bo'lgan ob'ektlar bitta tugunga yoki qo'shni tugunlarda bo'ladi. Shunday qilib, biz shunga o'xshash ob'ektlarni topish va ularni guruhlash vazifasini hal qila oldik deb taxmin qilishimiz mumkin.

Ammo Kohonen kartalarining ushbu imkoniyatlari tugamaydi. Shuningdek, ular olingan ma'lumotlarga rang berish orqali oddiy va vizual shaklda ruxsat berishadi. Buning uchun biz qabul qilingan kartani (aniqroq, uning tugunlari) bizga qiziqish xususiyatlariga mos keladigan gullar bilan bo'yoqlaymiz. Masalan, banklarning tasnifi bilan qaytish, siz litsenziyani litsenziyadan kamida bittasi bo'lgan bosh tugunlar bir rangga bo'yashingiz mumkin. Keyin, rang berishdan so'ng, biz xavf zonasi deb ataladigan zona olamiz va ushbu zonada bizni qiziqtirgan bank uning ishonchsizligi haqida gapiradi.

Ammo bu hammasi emas. Shuningdek, parametrlar orasidagi bog'liqliklar haqida ma'lumot olishimiz mumkin. Kartaga turli xil hisobotlarga javob beradigan rang-barang kartani qo'llash, siz bozorning holati haqidagi ma'lumotlarni saqlaydigan atlasni olishingiz mumkin. Turli xil parametrlar bo'yicha hosil bo'lgan ranglar bilan taqqoslashni taqqoslash, banklar, farovon banklar va boshqalar haqida to'liq ma'lumot olishingiz mumkin.

Bularning barchasi bilan tavsiflangan texnologiya universal usul Tahlil. U bilan faoliyatning turli strategiyasini tahlil qilish, marketing tadqiqotlari natijalarini tahlil qilish, mijozlarning kredit muddati va boshqalarni tekshirish mumkin.

Xaritaga ega bo'lish va o'rganilayotgan ba'zi ob'ektlar haqida ma'lumot bilish, biz biz tanish bo'lmagan narsalarni ishonchli baholashimiz mumkin. Yangi sherik nima ekanligini bilish kerakmi? Xaritada uni namoyish eting va qo'shnilarga qarang. Natijada siz ma'lumotlar bazasidan fuzzy xususiyatlariga asoslangan ma'lumotni olishingiz mumkin.

Ma'lumotlar bazasini tozalash va o'zgartirish

Tarmoqqa kirishdan oldin, tarmoqni kiritishdan oldin, statistik statistik usullardan foydalanishni o'rganish (davomiylik, murakkablik parametrlari) va tizimning tizimidan foydalanishni sezilarli darajada yaxshilashi mumkin. Masalan, kiritish seriyali eksponentga ega bo'lsa, unda logaritmingdan so'ng, soddaroq qator bo'ladi va agar unga murakkab qaramlik bo'lsa, ularni aniqlash ancha oson bo'ladi. Ko'pincha, standart bo'lmagan taqsimlanmagan ma'lumotlar oldindan belgilanmagan: o'zgaruvchining dastlabki raqami ba'zi funktsiyaga aylantiriladi va mahsulotni ishlab chiqarishda olingan qator yangi kirish o'zgaruvchisi uchun olinadi. Oddiy o'zgarish usullari ildiz tortish, teskari miqdor, eksponentlar yoki logaritmlarni qurishdir.

Ma'lumotlarning axborot tuzilmasini takomillashtirish maqsadida o'zgargichlarning ma'lum birlashishi foydali bo'lishi mumkin - ishlar, xususiy va boshqalar. Masalan, Variantlar bozorini variantlardagi o'zgarishlar, variantlar sonining o'zgarishi, I.E. Sotish variantlari soniga nisbati haqida ma'lumot beriladi ikkala ko'rsatkich ham alohida. Bundan tashqari, bunday oraliq kombinatsiyalar yordamida siz ko'pincha ko'proq narsani olishingiz mumkin oddiy modelBu, ayniqsa erkinlik darajasining soni cheklanganda juda muhimdir.

Va nihoyat, chiqish tugunida amalga oshiriladigan ba'zi bir o'zgartirish funktsiyalari uchun muammolar to'planmoqda. Sigmoid segmentda aniqlanadi, shuning uchun ushbu vaqt oralig'ida qiymatlarni qabul qilish uchun chiqish o'zgaruvchanligi juda kengaytirilishi kerak. Shkalasi bo'yicha bir necha usullar mavjud: doimiy ravishda, o'rtacha minimal va maksimal qiymatdagi qiymatlarning o'rtacha qiymatini o'zgartirish, standart og'ish va standartlashtirishga yo'naltirilib, standart og'ishni birlashtiradi (bir-biriga yaqin bo'lgan ikkita). Tarmoqdagi barcha kirish va chiqish qiymatlarining qadriyatlarini har doim, masalan, intervalda (yoki [1,1]) liklangan holda yotadi (yoki [1,1]), keyin har qanday konversion funktsiyalardan foydalanish mumkin bo'ladi Xavf.

Qurilish modeli

Maqsadli seriyalarning qadriyatlari (masalan, kelgusi kun uchun daromad topish uchun) n omillarga bog'liq, ular orasida o'zgaruvchan o'zgaruvchilarning kombinatsiyasi, oldingi maqsadli qiymatlar kodigi kattaroq ko'rsatkichlar bo'lishi mumkin. .

Model sifatini baholash odatda o'rtacha kvadrat xato (mse) yoki undan (RMSE) roziligining roziligi mezonlariga asoslanadi. Ushbu mezonlar qanday bashorat qilingan qadriyatlar tayyorgarlik yoki sinov to'plamiga qanchalik yaqin ekanligi ko'rsatilgan.

Vaqt ketma-ketligini chiziqli tahlil qilishda, o'quv to'plamini (MSS), bepul parametrlar soni (V) soni va o'quv to'plamining hajmi bo'yicha ajratish qobiliyatini olish mumkin ( N). Ushbu turdagi taxminlar chaqirilgan axborot mezonlari (1c) va modelning murakkabligini hisobga olgan holda rozilik va jarima tarkibiy qismiga mos keladigan komponentni kiriting, bu modelning murakkabligini hisobga oladi. Quyidagi axborot mezonlari taklif qilindi: normallangan (NARAIC), Bayesovskiy (NBIC) va yakuniy prognoz xato (FPE):

sUBTITLE "\u003e.

Dasturiy ta'minot

Bugungi kunda nexurr tarmoqlarini amalga oshiradigan ko'plab dasturiy paketlar ishlab chiqilgan. Bu erda bir necha, eng mashhur bo'lgan: Nestor, Cascade Korelasyon, Neudisk, Mimenice, ni Web, miya, Dana, NeuralWorks Professional II Plus, Brain Maker, HNet, Explorer, Explorenet 3000, nöro Solutions: dasturiy ta'minot bozorida taqdim asab tarmoq emulyatorlar , Prapagator, Matlabob asboblariBox. Shuningdek, si-mianantlar universitet serverlari orqali erkin taqsimlangan (masalan, SNNS (masalan, Snns (SNTTGART) yoki Nevada Quinpropagationni aytib o'tadi. Ma'lumotlarni qayta ishlash bilan bog'liq boshqa dasturlarga muvofiqligi muhim sifat paketi. Bundan tashqari, ko'plab megafloplarga (bir soniyada million suzuvchi punktsiyalar bo'yicha operatsiyalar) yaqinlashishi mumkin bo'lgan do'stona interfeysi va unumdorligi muhim ahamiyatga ega. Kengashni tezlatuvchi vositachilar oddiy ustida ishlashni qisqartirishga imkon beradi shaxsiy kompyuterlar. Biroq, neyron tarmoqlaridan foydalanib ishonchli natijalarga erishish uchun kuchli kompyuter talab qilinadi.

Moliyaviy fanning tashkil etilgan paradigmalar, masalan, tasodifiy kelayapti va juda samarali bozorning gipotezasining modeli, moliyaviy bozorlar oqilona va muammolarga reaktsiyaga javob berishini anglatadi. Bunday holda, siz kesib o'tish tendentsiyasi bilan chiziqli ulanish va statsionar xatti-harakatlardan yaxshiroq narsa bilan turolmaysiz. Afsuski, biz moliyaviy bozorlarning asl xatti-harakatlarida biz shunchaki tendentsiyalarning tiklanishini, balki kiruvchi ma'lumotlarga va vaqti-vaqti bilan narxlar va o'zgaruvchanlik bo'yicha duch kelmaydigan tushunchalar, o'zgaruvchanliklarni keltirib chiqarmaymiz. Moliyaviy bozorlarning xatti-harakatlarini tasvirlash uchun ba'zi yangi modellar ishlab chiqilgan va ma'lum bir muvaffaqiyatga erishgan.

Qimmatli qog'ozlar bozorida moliyaviy tahlil

Ushbu ishdagi Neron tarmoqlaridan foydalangan holda qimmatli qog'ozlar bozorida qimmatli qog'ozlar bozorida moliyaviy tahlil neft va neft mahsulotlariga nisbatan amalga oshiriladi.

Mamlakatimizning makroiqtisodiy o'sishi va farovonligi katta ahamiyatga ega bo'lgan asosiy tarmoqlarning rivojlanish darajasiga bog'liq, ular orasida neft qazib oluvchi va neftni qayta ishlash sanoati juda muhim rol o'ynaydi. Neft sanoatidagi vaziyat asosan Rossiyaning butun iqtisodiyotining holatini belgilaydi. Global neft bozorida belgilangan narx mavqei tufayli Rossiya uchun neft sanoatining eng foydali tomoni eksport hisoblanadi. Neft eksporti valyuta daromadlarining eng muhim va tezkor manbalaridan biridir. Neft sanoatining eng yaxshi vakillaridan biri LUKOIL neft kompaniyasi hisoblanadi. "LUKOIL" neft, neft mahsulotlarini ishlab chiqarish va sotish, neft, yog ', ishlab chiqarish va sotishga ixtisoslashgan vertikal integratsiyalashgan neft kompaniyasidir. Kompaniya nafaqat Rossiyada, balki chet elda ham ishlaydi, istiqbolli loyihalarda faol ishtirok etmoqda.

Kompaniyaning moliyaviy va ishlab chiqarish faoliyati 13.1-jadvalda keltirilgan.

Jadval. 13.1.

1998 yil uchun moliyaviy va ishlab chiqarish ko'rsatkichlari

Hujjatsiz hujjat

Neft qazib olish (gaz kondensatini o'z ichiga olgan holda)		64192 1284
Tijorat gazini ishlab chiqarish	million kubometr. yil / yilga million kubometr oyoq / kun	3748 369
Neftni qayta ishlash (o'z xiylalari, shu jumladan xorijiy)	ming tonna, ming bar. / kun	17947 359
Eksport moyi	ming tonna yil	24711
Neft mahsulotlarini eksport qilish	ming tonna yil	3426
Daromad	million rubl AQSh dollari miqdorida *	81660 8393
Sotishdan tushgan daromad	million rubl AQSh dollari miqdorida *	5032 517
Soliqqa tortishdan oldin foyda (hisobotga ko'ra)	million rubl AQSh dollari miqdorida *	2032 209
Soliqqa tortishdan oldin foyda (kurs farq qilmasdan)	million rubl AQSh dollari miqdorida *	5134 528
Taqsimlangan daromad (hisobotga ko'ra)	million rubl AQSh dollari miqdorida *	118 12
Saqlangan daromad (kursivlar bundan mustasno)	million rubl AQSh dollari miqdorida *	3220 331
Aktivlar (yil oxirida)	million rubl AQSh dollari miqdorida *	136482 6638

Dunyo miqyosida narxlarning pasayishi munosabati bilan 1998 yilda ularning eksporti 1997 yilda 3,3 million tonnaga teng. Kompaniyaning fath qilingan lavozimlarini neft mahsulotlari bozorida saqlash uchun bozor sharoitlarini yaxshilash uchun eksport 5-6 millionga etkazilishi rejalashtirilgan. Imkoniyatning o'sishi va maksimal foyda olish uchun rag'batlantiruvchi sharoitlarni yaratish ustuvor vazifa.

Neft va neft mahsulotlarini eksport qilish jarayonining, shu jumladan shartnomalarning barcha shakllarini, narxlarni belgilash tartibi, tomonlarning javobgarligi va boshqa bir fond birjasi. U ushbu mahsulotni sotish bosqichida uchraydigan barcha jarayonlarni to'playdi va birlashtirilgan xatarlarni sug'urtalashga yordam beradi.

Neft va neft mahsulotlari bo'yicha fyuchersiyalar to'g'risidagi shartnomalar o'tkaziladigan almashinuvlar: Nyu-York va London xalqaro neft birjasi (IPE). Birja - bu savdogarlar tashkiloti shaklida qonuniy ravishda amalga oshiriladigan ulgurji bozor. Fyuchers bo'yicha shartnomalar va tovarlar, fyucherslar va valyuta almashinuvlari tomonidan ishlab chiqarilgan barcha aktivlar bo'yicha savdo mexanizmlarini ishlab chiqish, ma'lum bir almashinuv vakasblarining tashqi turlari o'rtasidagi farqlarni o'chirishga olib keldi Bu haqda faqat fyuchers shartnomasi bo'lib, ular bo'yicha fyuchers shartnomalari va an'anaviy aktsiyalar, masalan, aktsiyalar, valyuta va hatto yakka tartibdagi tovarlar kabi savdo.

Birja funktsiyalari quyidagicha:

ommaviy savdolar uchun birja yig'ilishlarini tashkil etish;

aktsionerlik shartnomalarini ishlab chiqish;

birja savdolari paytida tuzilgan bitimlardan kelib chiqadigan nizolarni amalga oshirish yoki hal qiluvchi nizolarni hal qilish;

qiymat almashish funktsiyasi. Ushbu xususiyat ikkita jihatga ega. Birinchisi shundaki, birja vazifasi "haqiqatan ham" bozor narxlarini aniqlash, ammo shu bilan birga ularning birjadagi narxlar bilan noqonuniy manipulyatsiyalarning oldini olish to'g'risidagi nizom. Ikkinchisi - birjaning narx prognozi;

narxlar savdosidagi ishtirokchilarni narxlarning o'zgarishi bilan birja savdolari bo'yicha sug'urta qilish. Xedging funktsiyasi savdo firallari shartnomalari mexanizmidan foydalanishga asoslangan. Ushbu xususiyatning mohiyati shundaki, savdogar Hetger (ya'ni sug'urtalangan kishi) - sotuvchi va uning xaridor bo'lishi kerak. Bunday holda, uning mahsulot narxidagi har qanday o'zgarish zararsizlantiriladi, chunki sotuvchining yutuqlari bir vaqtning o'zida xaridorni yo'qotib qo'ydi va aksincha. Ushbu holatga, masalan, ishg'ol qilgan Hederning odatdagi bozorda, xaridorning pozitsiyasini odatdagi bozorda, sotuv fyallari shartnomalari bozorida qo'llashi kerak. Odatda, tovarlarni ishlab chiqaruvchilar o'z mahsulotlari va xaridorlarning arzon narxlaridan, xaridorlar sotib olingan mahsulotlar narxini oshirishdan:

spekulyativ aktsiyalar;

funktsiyani kafolatlash bo'yicha operatsiyalar. Pleymik tozalash tizimlari va hisob-kitoblari yordamida erishildi;

birja ma'lumot funktsiyasi.

Global neft va neft mahsulotlari bozorini rivojlantirishning asosiy manbalari Piatt-ning kotirovka agentliklari (MakG'AW-Hill) va Argus-Hill (mustaqil kompaniya, birlashgan) Shohlik).

Quvvatlar ma'lum bir kun uchun ma'lum bir xil neft uchun narx oralig'i haqida tasavvur beradi. Shunga ko'ra, ular minimal narxdan iborat (bitimlarning minimal narxi yoki o'rtacha narxni sotib olishning eng kam narxi) va maksimal narxlar (maksimal darajadagi narxlar narxi yoki narxlash uchun maksimal narx takliflari).

Kotirovkalarning aniqligi to'plangan ma'lumotlarning miqdoriga bog'liq. Iqtiboslar to'g'risidagi birinchi ma'lumotlar real vaqt rejimida beriladi (ular Moskva vaqti bilan 21.00-22.00 da berilgan uskunalar mavjud bo'lganda olinishi mumkin. Ushbu ma'lumotlar olingan taqdirda, kun oxirigacha yangi ma'lumotlarning dastlabki kotirovkalarini aniqlashtirish bo'yicha yangi ma'lumotlar to'g'risida. Kotirovkalarning yakuniy versiyasi ushbu agentliklarning rasmiy bosma nashrlarida keltirilgan.

Tovarlarning narxi tezkor etkazib berish bilan bog'liq hisoblanadi - "Spot" narxi (ikki hafta ichida, ba'zi navlar uchun - uch hafta ichida) - kechiktirilgan etkazib berish (Neftning asosiy navlari) - narxlar "oldinga" narxlar bir oy ichida ikki oy va uch oy).

Joy va oldinga narxlar to'g'risidagi ma'lumotlar bepul bozorda neft savdosining asosiy elementidir. "Spe" kotirovkalari ilgari tuzilgan "oldinga" bitimning tanlangan narxining to'g'riligini baholash uchun ishlatiladi; mahsulotni jo'natish paytida joylashtirilgan narxlar asosida formulalar asosida olib borilayotgan fakturalardan ko'chirish; Shuningdek, ushbu kabinetlar tomonidan keyingi kotirovka kunlari uchun narx shartlarini muhokama qilishni boshlaydi.

"Oldinga" tirnoq, etkazib berishni kechiktirgan etkazib berish bitimlarining belgilangan narxlarini aks ettiradi, bozor ishtirokchilarining ikki va uch oy oldin prognozsiyasini baholaydi. Spot tirnoqlari bilan birgalikda, hujumlar ushbu sohada narxlarning ikki va uch oyida narxlarning o'zgarishi tendentsiyasini ko'rsatadigan paytda, ehtimol, bu eng katta neft o'zgarishi tendentsiyasi.

Sug'urtalar standart sifat sinfining moyi uchun beriladi. Agar ma'lum bir yog 'sifati standartdan farq qilsa, tranzaktsiyaga kirishda partiyaning narxi chegirma yoki sifatni hisobga olgan holda kotirovkalar asosida o'rnatiladi.

Chegirma yoki mukofotga sazovor miqdori ma'lum bir tovar partiyasining narxi narxining ushbu sinfning ushbu sinfining narxi narxidan farq qiladi.

Yuqorida aytilganlarning tarkibini umumlashtiramiz, neft eksportini samarali ta'minlash maqsadida, "Spot", "oldinga", neft mahsulotlari va fyuchers narxlari, yuklarning narxlari, yuklar narxi, yuklar narxi, yuklar narxi, yuklar, yuklar narxi va Sug'urta kurslari, loyiha dinamikasi va aktsiyalar moyi. Minimal ma'lumotlarning minimal talablari, eksport qilinadigan neft va raqobatbardosh neft navlari, tarqalish, yuk va sug'urta stavkalari. Birjada joylashgan shoshilinch shartnomalarning asosiy turlari quyidagilardan iborat:

Fyuchers shartnomasi - Bitim davrida narxlarda tovarlarni sotib olish va sotish shartnomasi.

Variant - bu to'g'ri narx beradigan shartnoma, ammo kelajakda kelajakda neft yoki neft mahsulotlarini sotib olish yoki sotish majburiyatini istalgan narxda sotib olish yoki sotish majburiyatini emas. Ular puxta shug'ullanadigan shartnomalar bo'yicha birjalarda savdo qilingan variantlar.

Oldinga kelishuv - ijro etish muddati - bu fond birjasida xulosa va shartnomada nazarda tutilgan masalaga to'g'ri kelmaydigan bitim.

"Spot" bitimi amalga oshirilayotgan muddati, uning bajarilishi davriga mos kelishi bilan tavsiflanadi va bunday operatsiya bilan valyutani darhol joylashtirishi kerak (qoida tariqasida, oxirida ikki ish kuni) bitim).

Shartnoma tuzishda alohida rol o'ynaydi prognoz vaziyatining aniqligi Ushbu turdagi tovarlar bozorida, shuningdek, buning uchun narx prognozi. Shuning uchun biz neft va neft mahsulotlarining ta'siriga erishish uchun prognoz ko'rsatkichlarining rolini ko'rib chiqish muhim deb bilamiz.

Ro'yxatga olingan bitimlarni amalga oshirishda bitta muhim fikr mavjud - bu prognozlarning aniqligi. Albatta, nazariya nuqtai nazaridan, biz hali ham narxlar bo'lgan joyda, biz hali ham narxlar bo'lgan. O'z pozitsiyasini ochib, biz o'zlarini moyni sotish narxini yutib yubordik, biz uchun u endi yuqori va quyida bo'lmaydi. Shuning uchun aniq prognoz narxni o'zgartirishda kerakli harakatlar variantini taklif qiladi. Noto'g'ri prognoz yo'qotish degani. Bozorni bashorat qilishning ko'plab usullari mavjud, ammo ulardan faqat ba'zilari alohida e'tiborga loyiqdir. Yillar davomida moliyaviy bozorlar prognozlash oqilona umidlar nazariyasiga va vaqtincha qatorlar va texnik tahlilni tahlil qilish.

Haqiqiy umidlar nazariyasiga ko'ra, sarmoyadorlar oqilona ekanligi yoki yangi ma'lumotlarga zudlik bilan bog'liqligi sababli, narxlar, masalan, investitsiya maqsadlari yoki ular uchun mavjud bo'lgan ma'lumotlar statistik ahamiyatsiz deb hisoblanmaydi . Bunday yondashuv bozorning to'liq ochiqligi taxmin qilinishiga asoslanadi, i.e. Uning hech bir ishtirokchisining boshqa ishtirokchilari boshqa ishtirokchilar ega bo'lishlari haqida ma'lumotga ega bo'lishlari. Shu bilan birga, raqobatdosh ustunlik bo'lmaydi, chunki ular arzon emas, foyda olish imkoniyatini oshirish mumkin emas.

Vaqt ketma-ketligini tahlil qilish maqsadi statistik usullardan foydalangan holda narxlarning o'zgarishiga ta'sir qiluvchi ma'lum bir sonini aniqlashdir. Ushbu yondashuv bozorni rivojlantirish tendentsiyalarini aniqlash imkonini beradi, ammo agar ma'lumotlarning safida takrorlanishi yoki bir hil tsikllar bo'lsa, undan foydalanish jiddiy qiyinchiliklar bilan bog'liq bo'lishi mumkin.

Texnik tahlilbu faqat fond bozorining ichki parametrlarini o'rganishga asoslangan holda, faqat fond bozorining ichki parametrlarini o'rganishga asoslangan holda: narxlar, bitimlar va ochiq foizlar sonlari (sotib olish va sotish uchun ochiq shartnomalar soni). Texnik tahlilni bashorat qilishning barcha usullarini ikkita katta guruhga bo'lish mumkin: grafik usullar va tahliliy usullar.

Grafik texnik tahlil - bu turli bozorni tahlil qilish grafik modellarMavjud tendentsiyani davom ettirish yoki o'zgartirish ehtimoli bo'lgan jadval bo'yicha narxlarning ba'zi shakllari tomonidan yaratilgan. Asosiy turdagi grafik turlarini ko'rib chiqing:

Chiziqli. Chiziqli grafikada faqat har bir keyingi davr uchun yopiladigan narx nishonlanadi. Qisqa segmentlarda tavsiya etilgan (bir necha daqiqagacha).

SHAJNI SG'MATLAR (Barlar) - barlar grafikasi, maksimal narxni (ustunning pastki nuqtasi), ochish narxi (vertikal ustun) va yopilish narxi (chap tomoni). To'g'ri vertikal ustundan o'ngdagi abebribe). Vaqt oralig'ida 5 daqiqadan ko'proq vaqt davomida tavsiya etiladi.

Yapon shamlari (barlar bilan o'xshash).

Choygichi - Vaqt o'qi yo'q, va boshqa yangi narxlar ustuni yana bir dinamika paydo bo'lganidan keyin qurilgan. Agar narxlar tushib ketgan bo'lsa, xoch chizilgan ma'lum miqdordagi Agar narxlar ma'lum bir qator mahsulotlar soni ko'paygan bo'lsa, u zolik tortilsa, ballar (daryolar mezoni).

Arifmetik va logarifmik tarozi. Ba'zi tahlil turlari uchun, ayniqsa uzoq muddatli tendentsiyalar tahlili haqida gapiradigan bo'lsak, logarifmik shkaladan foydalanish qulay. Arifmetik miqyosda bo'linishlar orasidagi masofa o'zgarmaydi. Logarifmik shkalada bir xil masofa o'zgarganlar foizi bilan bir xil bo'ladi.

Grafiklar hajmi.

Ushbu turdagi texnik tahlilning kechikishi texnik tahlilning quyidagi asosiy tushunchalari: tendentsiyalar, bozorga chidamliligi va qo'llab-quvvatlash, joriy tendentsiyani tuzatish darajasi. Masalan:

Qarshilik liniyasi (qarshilik):

sotib olmaganda, xaridorlar endi ushbu mahsulotni ko'proq sotib olishni xohlamaganda paydo bo'ladi yuqori narxlar. Sotuvchilarning bosimi xaridorlarning bosimidan oshadi, natijada o'sish to'xtaydi va bir tomchi bilan almashtiriladi;

bozorning muhim maksima (uchi) ni ulang.

Qo'llab-quvvatlash liniyasi:

bozorning muhim minima (pastki qismlarini) birlashtirish;

endi sotuvchilar yo'q yoki ushbu mahsulotni arzon narxlarda sotishni xohlamayman. Uchun bu daraja Narxlar juda kuchli va sotuvchilarning bosimiga qarshi turishi mumkin. Yiqilish to'xtatiladi va narxlar yana ko'tarila boshlaydi.

Pastga tushish, qo'llab-quvvatlash liniyasi qarshilikka aylanadi. Ko'tarilish, qarshilik chizig'i qo'llab-quvvatlanadi.

Agar narxlar ikki parallel tekis chiziqlar (kanallar liniyalari) o'rtasida diapazon bo'lsa, siz booz (pastga yoki gorizontal) kanalning mavjudligi haqida gapirishingiz mumkin.

Grafik modellarining ikki turini ajratib turing:

1. Buzilish modellari muayyan sharoitlarni amalga oshirishda modelning grafikasida modellashtiriladi, ular bozorda mavjud bo'lgan tendentsiyaning o'zgarishini oldindan sezadi. Bularga "bosh-elkama", "ikki baravar", "ikki xil bazasi", "Triple Verex", "uchli bazasi" kabi modellar kiradi.

Ulardan ba'zilarini ko'rib chiqing.

"Bosh - elkalar" - tendentsiyani tasdiqlaydi.

15.22-rasm. 1-birinchi vertex; 2 Ikkinchi shtateks; 3 qatorli bo'yin

Boshliqlar - bosh - elkalar.

15.23-rasm. 1 pin chap yelka; 2 pin; 3 ta o'ng elka; 4-qator bo'yin.

2. Modellar tendentsiyani davom ettirmoqda - belgilangan shartlarni bajarishda belgilangan modellar, joriy tendentsiyani davom ettirish imkoniyatiga ega ekanligini ta'kidlaydi. Ehtimol, tendentsiya juda tez rivojlangan va vaqtincha haddan tashqari haddan tashqari yoki boshqa holatga kiritilgan. Keyin oraliq tuzatishdan so'ng, bu avvalgi tendentsiya tomon rivojlanishini davom ettiradi. Ushbu guruhda "uchburchaklar", "olmos", "bayroqlar", "pennantlar" va boshqalar kabi modellar mavjud. Masalan:

Qoida tariqasida, bu raqamlar o'zlarining shakllanishlarini Vertex P (Stern) dan teng masofada tugatadi:

men "\u003e" ni aniqlayman

Uchburchak

Bozordagi uchburchak qo'rquvdan qo'rqish kerak. R-narx bazasi. Vaqtincha bazasi. Shaklning parchalanishi masofada joylashgan: "\u003e\u003e

ma'lumotni to'plash va saqlash - prognozli ishtirokchilarga (yoki belgilangan mezon yoki taxmin qilingan qiymat sifatida yoki boshqa narsa sifatida);

tendentsiya yoki mezonlar to'plamini aniqlash (va to'g'ridan-to'g'ri ma'lumotlar bazasida bevosita saqlanmaydigan ma'lumotlar har doim foydalana olmaydi, masalan, qiymatlardagi ba'zi o'zgarishlardan foydalanish mezonlari sifatida ba'zi ma'lumotlar o'zgarishi kerak);

taxmin qilingan qiymati va ba'zi funktsiya shaklida belgilangan mezonlar to'plamiga bog'liqlikni aniqlash;

muayyan funktsiyaga muvofiq, taxmin qilingan lahzalar va prognoz turi - qisqa muddatli yoki uzoq muddatli) foizlar qiymatini hisoblash.

Bir muncha vaqt oralig'i (bir necha yil) bir muncha vaqt oralig'i (oy, yil) bo'lgan har qanday tendentsiyaning tarixiy ma'lumotlariga asoslangan ishning amaliy qismida, shuningdek bir muncha vaqt (daqiqalar, yarim soat, kunduzi va boshqalar) Bir necha bor bir necha marta diskretlik uchun kotirovkalarni ishlab chiqishimiz kerak. Aktivlar to'g'risidagi ma'lumotlar Dismiletiya vaqtini tavsiflovchi barcha yoki standart parametrlarning barchasi yoki bir qismi, yopilishlar, yopilish paytida, eng ko'p, minimal, savdo hajmi, ochiq qiziqish uyg'otadi.

Tez va yuqori sifatli prognoz olish uchun neyron tarmoqlaridan foydalanishni anjirda ko'rib chiqish mumkin. 13.27 "Neural tarmoqlaridan foydalanib, fond bozorida bashorat qilish uchun texnologik sxema".

Mamlakatimizda, shu jumladan ko'plab moliyaviy vositalar, jumladan ma'lumotlar bashorat qilish uchun etarli miqdordagi manbalarning tendentsiyalari uchun to'liq prognoz qilish uchun ma'lumotlar bashorat qilish uchun etarli miqdordir. Sxemadan ko'rinib turibdiki, hozirda quyidagi ma'lumotlar amalga oshirilmoqda:

"Reuters", "Dow Jones teleko'rsatuvi" ma'lumotlar va savdo-sotiq agentliklari "," Bloomberg ";

mikex va RTS saytlaridan savdo ma'lumotlari;

qo'lda kirish orqali boshqa ma'lumotlar.

Barcha kerakli ma'lumotlar ma'lumotlar bazasida ro'yxatdan o'tish (MS ma'lumotlar bazasi) SQL Server). Quyida prognozda ishtirok etish uchun ma'lumotlarni tanlash va tayyorlash. Ushbu dastlabki bosqichda 200 dan ortiq turdagi ma'lumotlar va savdo ma'lumotlarini tanlash vazifasi ba'zi moliyaviy vositalar yoki moliyaviy vositalar guruhining manfaatlariga yoki bir guruh moliyaviy vositalarning manfaatini bashorat qilishga qaratilgan. Merziyaning asosiy tanlovi tahlilchi tomonidan amalga oshiriladi va ikkinchisining tajribasi va sezgiga bog'liq. Tahlillar beriladi, ularda yashirin o'zaro bog'liqlikni ko'rishingiz mumkin bo'lgan grafiklar shaklida tasvirlangan texnik tahlillar beriladi. Vaqtinchalik bashorat oralig'i ajratilgan.

Qayta ko'rib chiqilgan ma'lumotlar, keyinchalik statis-TICA NEURAL tarmoqlari paketida o'qiladi, u erda malaka permeptroni yordamida 5 kunlik muddat tan olingan. Tarmoqning har biri tendentsiyani tavsiflovchi to'rtta ko'rsatkichdan birini belgilaydi (texnik tahlilda jadvallar sifatida): barqaror davr, o'sish, o'sish, pastga yo'nalishi, pastga yo'nalishi. Qayta ishlov berilgan ma'lumotlarga asoslanib, tarmoq prognozni rivojlantiradi, ammo olingan natijalarni aniqlashga erishish uchun biz prognoz jarayonini murakkablashtiramiz. Keyingi qayta ishlash statistlar1A tizimida sodir bo'ladi. Ma'lumotni o'zgartirish kerak emas, chunki tipda bir xil.

Diskalistik paketni ishlov berish jarayonida, diskontensial tekislash (eksponentsial tekislash prognozi) yordamida, tendentsiya amalga oshiriladi, uni keyingi qisqa muddatli prognozlash uchun birlashtiradi (5 kunlik davr). . Trendni sozlash taqdim etilgan to'rtta usuldan biri (chiziqli, eksplensient, gorizontal, polinomiya) ga muvofiq amalga oshiriladi. Bizning tajribamiz uchun biz eksponent usulni tanladik. Trend tendentsiyasi va uni tekislash to'g'risida ma'lumot olish. Ushbu ma'lumotlar ko'p qavatli pereptron yordamida neyron tarmoqlariga qaytadi. Ta'lim eksponentsial tekislash orqali amalga oshiriladi, natijada tarmoq ilgari olingan prognozning to'g'riligini tasdiqlaydi. Arxiv xususiyati yordamida natijalarni ko'rish.

Olingan bashorat qilingan qadriyatlar savdogar tomonidan tahlil qilinadi, natijada qimmatli qog'ozlar bilan operatsiyalarni amalga oshirish huquqi qabul qilindi.

Birja bozorini tahlil qilish va prognoz qilish muammosini hal qilishda bir yondashuv iqtisodiy jarayonlarning tsiklik tabiatiga asoslangan. Tsiklikning namoyon bo'lishi iqtisodiy davrlarning eng yaxshi rivojlanishiga o'xshaydi. Iqtisodiyotda vaqtli seriyani bashorat qilganda vaziyatni to'g'ri baholab, tsiklik tebranishlar trend satrida tsiklik tebranishini hisobga olmagan holda aniq prognoz qilishning iloji yo'q. Zamonaviy iqtisod fanlarida 1380 dan ortiq tsiklik turlari ma'lum. Iqtisodiyot quyidagi to'rttadan foyda keltiradi:

Kitin tsikllari - aktsiyadorlik tsikllari. Kitchin (1926 yil) uzoq vaqt davomida uzoq vaqt davomida moliyaviy hisobvaraqlar va sotish narxlarini tahlil qilishda 2 yildan 4 yilgacha bo'lgan qisqa to'lqinlarni o'rganishga qaratilgan.

Yahudiylarning tsikllari. Ushbu tsiklda boshqa nomlar mavjud: biznes tsikl, sanoat tsikllari va boshqalar. Frantsiyada, Buyuk Britaniya va AQShda foiz stavkalarini tubdan tahlil qilish asosida Frantsiya, Buyuk Britaniya va AQShda sanoat osistikining xususiyatlarini o'rganish paytida tsikllar topilgan. Ma'lum bo'lishicha, ushbu o'zgaruvchanlik investitsiyalar tsikliga to'g'ri keldi, bu esa GNP, inflyatsiya va bandlikdagi o'zgarishlarni boshlagan.

Velosipedda. J. Ryg'alman, V.NVEN 1930-yillarda. Va ba'zi boshqa tahlilchilar uy-joylarning yillik hajmining birinchi statistik indekslarini qurdilar va ularda tez sur'atlar va chuqur pasayish yoki turg'unlikning uzoq muddatli so'rovlari topildi. Keyin "Qurilish tsikllari" atamasi birinchi marta paydo bo'ldi.

Sandiqchi tsikl. Katta tsikl uzoq vaqt davomida iqtisodiy muvozanatni buzish va tiklash sifatida ko'rib chiqish mumkin. Ularning asosiy ishlab chiqarish kuchlarini yaratish uchun kapitalni to'plash, to'plash va tarqalish mexanizmida yotadi. Biroq, bu asosiy sabab ikkilamchi omillarning ta'sirini oshiradi. Yuqoridagilarga muvofiq, katta tsiklning rivojlanishi quyidagi yoritishni talab qiladi. Kapitalning ishlab chiqarish va texnologiyani tejash uchun kapitalning iqtisodiy investitsiyalari uchun kapitalning iqtisodiy investitsiyalari uchun mablag 'ishlab chiqarish va texnologik jihatdan reabonlashtirish uchun kapitalning iqtisodiy investitsiyalari amalga oshirilishi mumkin bo'lgan vaqtga qadar o'sishiga to'g'ri keladi. Bundan tashqari, Kondratingning asosiy "haqiqatlari" ning asosiy to'lqini paytida, o'rta va qisqa to'lqinlar tarqalishining qisqarishi va ko'tarilishning qizg'inligi va u erda katta tsiklning katta to'lqinlari bilan ajralib turadi teskari rasm.

Birja bozorida tebranish ma'lumotlari ma'lum bir davrda biznes faoliyatining quyidagi satrlari va remonsiya darajalarida namoyon bo'ladi: tsiklning cho'qqisi, pasayishning eng past nuqtasi va jonlanish bosqichi.

Ushbu maqolada biz qimmatli qog'ozlar bozorida narxlarning o'zgarishi yuqoridagi turli xil to'lqinlar va tasodifiy, stoxast omillari qatorlarining natijasidir. Tsikllarning mavjudligini aniqlash va jarayon joylashgan bosqichni aniqlash uchun urinish amalga oshiriladi. Bunga qarab, jarayon parametrlari haqida munosib taxminlar ostida ARIMA fondlaridan foydalangan holda jarayonni yanada rivojlantirish prognozi.

Tizim o'tishi turli xil uzunlikdagi to'lqinlarning superdigosidir. Ma'lumki, to'lqinlar bir-birining o'rnini bosadigan bir nechta fazalar mavjud. Bu jonlantirish, retsessiya yoki turg'unlik davri bo'lishi mumkin. Agar ushbu bosqichlar A, B, C-ning ramziy qadriyatlari tayinlangan bo'lsa, ular Primitivlar ketma-ketligi sifatida taqdim etilishi va ushbu ketma-ketlik (shuningdek, pasayish davrlari, turg'unlik, ya'ni a , B, c, faqat kichikroq), biz "SRC \u003d" formulasi ehtimolligi bilan grammatikani tan olish qoidalariga asoslanib, http://hi-edu.ru/e-bows/xook725/files/28.gif "Chegara \u003d" 0 "0" Allag \u003d "Yo'q. Shunda biz AABBCD shaklining ketma-ketligini ko'rib chiqishimiz mumkin .... Ma'lum bo'lishicha, biz to'lqinning o'zi va uning faza ham tan olingan.

Endi biz nafaqat aniq qisqa muddatli prognozni, balki kelajakda fond bozorining umumiy dinamikasini kuzatishimiz mumkin (uzoq to'lqinning fazasini belgilashimiz mumkin, biz oxiratning fe'l-atvorini baholay olamiz ma'lum bir ketma-ketlik). Bizning tajribamizda biz to'lqinlar (A, B, C, d) perceptonni tan olishni o'rgatishga harakat qildik.

Eksperiment uchun ushbu davrda RTS bilan savdo qilish natijalari 1998 yil 1 iyundan 1 iyunda bo'lib o'tgan davrda RTS bilan savdo qilishning ushbu natijalari olindi. 1999 yil 31 dekabrda asl ma'lumotlar bazasiga quyidagi o'zgaruvchilar kiritildi: o'rtacha xarid narxi, o'rtacha sotiladigan o'rtacha narx, eng kam kunlik narx, bitimlar soni, bitimlar soni. Ko'rsatilgan o'zgaruvchilar ma'lumotlari bazasi Internetdan Excel chorshanba kuni import qilingan va keyin SNW paketiga o'tkazilgan. Ushbu protsedura ko'rib chiqiladi anjir. 13.28 - Seriallarning individual kuzatuvlarini amalga oshiradigan og'irliklar.

Sovuqish oralig'ining kengligi 4 ta kuzatuvga to'g'ri keldi. Keyin tendentsiyaning sonini ifodalash (13.30-rasm) yangi o'zgaruvchan tekislash holatiga qo'shildi.

Shunday qilib, biz ma'lumotlar bazasini Neural tarmog'iga kirishga tayyorlanadigan o'zgaruvchilar bilan yaratdik. Va chunki SNW MNN-ga to'liq mos keladi, xususan, SNN-da ma'lumotlarni import qilish shart emas edi. Kirish joyida A, B, C, D turidagi qiymatlarni olish, lekin ushbu maqsadlar bizniki bo'lgan va uning asosini aniqroq qisqa muddatli ravishda tan olish kerak deb topildi Prognoz. Boshqacha qilib aytganda, u priitivlarning ketma-ketligini ko'rib chiqishi va tsiklning fazalari bilan aniqlanishi kerak. Bundan tashqari, A, B, C, D Pereptron tsikl tsikli bosqichida ishlab chiqarilmaydi.

Serteptroni o'rganish vazifasini amalga oshirish uchun mobil deraza 5 kun kenglik bilan ajratilgan. Birinchovka derazasi A, B, C yoki D priitivlar ketma-ketligidan iborat. Shunday qilib, aniqroq prognozni o'rtacha narxli narx narxida raqamli tendentsiyaga yaqinlashtirish orqali olish mumkin.

Besh kunlik ketma-ketlikni tan olish va ularni aniqlash va ularni aniqlash uchun biz, ular kabi bir qator variantlar uchun o'z bosqichlarini aniqlashimiz va o'z natijalarini asl ma'lumotlar bazasi (holatini) birlashtirganligimizni aniqlash uchun. Shunday qilib, paydo bo'lgan ma'lumotlar bazasi quyidagi o'zgaruvchilarning qiymatlarini o'z ichiga oladi: sotib olingan o'rtacha narx, og'irlikning o'rtacha narxi, maksimal kunlik narx, tranzaktsiyalarning minimal narxi, nisbatan ajratilgan tendentsiya Xaridning og'irligi va nihoyat, iqtisodiy jarayon holatini aniqlash o'zgaruvchan o'zgaruvchidir. Barcha o'zgaruvchilar kirishga nisbatan qo'llanildi. Faqatgina chiqish paytida olish kerak edi, shunda permeptron ushbu o'zgaruvchining qiymatiga ta'sir qilmasligi va og'irliklarni qo'lga kiritish uchun og'irliklarni qo'lga kiritish kerak: a, S, D va keyin Tanilgan davlatning so'zlariga ko'ra, shuningdek, ko'tarish bosqichidan keyin doimiy bosqichga kelib, keyin qayta tiklanish va qisqa muddatli prognozni qisqa muddatli prognoz qilishga qodir emasligini hisobga olgan holda. Shunday qilib, barcha ma'lumotlar prognoz uchun yig'iladi. Endi faqat bitta savol qoladi: Tarmoq uchun qanday parametrlar va qanday qilib dars berish kerak. Shu munosabat bilan bir qator tajribalar amalga oshirildi va natijada quyidagi xulosalar berildi.

Dastlab, uni o'zgartirish xatosini o'zgartirish usulida ko'p bosqichli pereptronni o'qitish uchun mo'ljallangan edi. Kirishga 7 ta o'zgaruvchilar qo'llanilib, faqat bir davlat ishlab chiqarishda qo'llaniladi. Kirish va chiqish qatlamlariga qo'shimcha ravishda, 6 ta, keyin 8 neyrondan iborat bo'lgan bitta oraliq qatlam qurilgan. O'qish xatosi taxminan 0,2-0,4, ammo, permeptron zaiflik qiladi. Shuning uchun biz birinchi qatlamda neyronlar sonini 14 ga oshirishga qaror qildik va keyin permeptron ("konjugajning gradenlari") ni o'rganish usulini o'zgartirdik. Xato 0,12-0.14 oralig'ida o'zgara boshladi va ko'plab o'zgaruvchan qiymatlar mashg'ulot sifatida ko'rib chiqildi.

Tajribalar natijasida eng maqbul tarmoq quyidagi parametrlar bilan Neron tarmog'i bo'lib chiqdi: Kirish uchun 7 ta o'zgaruvchi qo'llaniladi: silliq, o'rtacha, ochiq_buy, voltrod. Val_Q, min_PR, max_PR, chiqish bo'yicha - davlat. Trening 6 ta grupebuce grankuce, atigi 7 ta neyronlar (birinchi-14 neyronida, ikkinchi- uchinchi neyronda, ikkinchi-14 neyronda), natijada PERSECTRON Trendning holatiga aniq munosabat bildirdi (o'sish - 1 ta chiqish neyroni, kamayib borayotgan nogironlar, gorizontal - 3 neyron) (13.31-rasm).

Tadqiqotlar natijasida ma'lumotlar asosida prognoz ob'ektlari va mezonlar to'plamini aniqlab, ular o'rtasidagi munosabatlarni aniqladi.

Tajriba jarayonida ko'p bosqichli pereptroni o'rganish tendentsiyasi ko'payishi va tarmoq ma'lum bir nizom o'sish sur'atlari o'sishini, pastga va gorizontal tendentsiyalarni taniydi deb topildi.

Olingan ijobiy natijalar bozordagi tsiklik tsiklik qaramliklarini chuqurroq o'rganishga va moliyaviy operatsiyalar paytida (Kohonen Card) boshqa nematiy texnologiyalarning boshqa usullaridan foydalanish imkonini beradi.

Xayrli kun, mening ismim Natalya Efremo va Ntechlabda olimni ilmiy-tadqiqot qidirmoqdaman. Bugun men neyron tarmoqlari va ulardan foydalanish turlari haqida aytib beraman.

Avval kompaniyamiz haqida bir necha so'z aytaman. Kompaniya yangi, ehtimol siz nima qilayotganimizni bilmaysiz. O'tgan yili biz MegaFace tanlovini yutib oldik. Bu xalqaro partiyalarni tan olish tanlovi. O'sha yili kompaniyamiz ochildi, ya'ni bozorda bir necha bor, hatto yana bir oz ko'proq. Shunga ko'ra, biz jismoniy shaxslar va qayta ishlash biometrik tasvirlarini tan olishdagi etakchi kompaniyalardan biridir.

Mening hisobotimning birinchi qismi neyron tarmoqlari bilan tanish bo'lmaganlarga yuboriladi. Men to'g'ridan-to'g'ri chuqur o'rganyapman. Ushbu sohada men 10 yildan ortiq ishlayman. Bir necha yil oldin bir oz vaqt oldin paydo bo'lgan bo'lsa-da, u erda chuqur o'rganish tizimiga o'xshash nayranglar mavjud edi.

So'nggi 10 yil ichida chuqur o'rganish va kompyuter ko'rish juda sur'atda rivojlandi. Bu sohada muhim bo'lganlarning barchasi so'nggi 6 yil ichida sodir bo'lgan.

Men amaliy jihatlar haqida gaplashaman: Qaerda, qachon, men ishlayotgan kompaniyada ishlayotganim kabi rasmlar va shaxslarni tanlashni chuqur o'rganish nuqtai nazaridan qaerga murojaat qilish kerak. O'yinlar va robototexnikalarda yondashuvda ishlatiladigan hissiyotlarning tan olinishi haqida bir oz aytib beraman. Bundan tashqari, men chuqur o'rganishdan nostandart foydalanish haqida gapirib beraman, faqat ilmiy muassasalar mavjud va shu paytgacha amalda qo'llanilishi mumkin, shuning uchun uni qo'llash qiyin.

Hisobot ikki qismdan iborat bo'ladi. Neyron tarmoqlari bilan ko'pchilik tanishganidan beri, birinchi navbatda men tezda men tezda biologik nohal tarmoqlari nimada, nima uchun bu biz uchun sun'iy neyron tarmoqlari va qaysi sohalar qo'llaniladi.

Men darhol uzr so'rayman, men ingliz terminologiyasida bir oz sakramayman, chunki u rus tilida qanday deb atalgan, men ham bilmayman. Ehtimol siz ham.

Shunday qilib, hisobotning birinchi qismi konverual Neron tarmoqlariga bag'ishlanadi. Sizga konverual Neural tarmog'i (CNN) qanday ishlaydi, masalan, taqqoslash misolini tan olish. Bir oz takrorlanadigan Neural tarmoqlari takrorlanadigan NECRAL tarmog'i (RNN) va chuqur o'rganish tizimlari misolida kuchayib borishi haqida ozgina ma'lumot bering.

Neyron tarmoqlaridan noodatiy foydalanish sifatida, men tibbiyotda vokel tasvirlarini tan olish uchun tibbiy CNN asarlarini aytaman, Afrikada qashshoqlikni tan olish uchun qanday qo'llaniladi.

Neron tarmoqlari nima

Neron tarmoqlarini yaratish uchun prototip, biologik neyron tarmoqlari etarli emas. Ehtimol, ko'pchilik neyron tarmog'ini qanday dasturlashni bilasiz, lekin u qaerdan kelganini bilaman, menimcha, ba'zilari bilmayman. Bizga keladigan barcha sezgi ma'lumotlarning uchdan ikki qismi, vizokorlik organlari bilan birga keladi. Bizning miyamiz yuzasining uchdan bir qismi eng muhim vizual zonalar - dorlarning vizual usulida va ventral vizual usul bilan shug'ullanadi.

Dorsal vizual yo'lning asosiy vizual zonasida, Teko'-shuvimizda boshlanadi va yuqori qavatda, ventral yo'li bizning boshimizdan boshlanadi va quloqlari haqida tugaydi. Biz bilan sodir bo'ladigan rasmlarning barcha muhim e'tirozi hamma ma'nosiz, biz nimani anglaymiz, quloq orqasida aniq bo'ladi.

Nega bu muhim? Chunki bu ko'pincha neyron tarmoqlarini tushunish kerak. Birinchidan, hamma bu haqda hamma xabar bermoqda va men allaqachon sodir bo'layotgan narsaga, ikkinchidan, bu erda tasvirlar ventral vizual yo'ldan bo'lgan barcha sohalar, har qanday kichik zonasi qat'iy belgilangan funktsiya uchun javobgardir.

Tasvir bizga ko'zning to'ridan tushadi, vizual zonalar seriyasida vaqt o'tishi bilan tugaydi.

O'tgan asrning 60-yillarida, miya vizual zonalarini o'rganish boshlanganda, birinchi tajriba hayvonlarga birinchi tajriba o'tkazildi, chunki fmri yo'q edi. Miya turli xil vizual zonalarda yonib ketgan elektrodes yordamida tekshirilgan.

Birinchi vizual zona 1962 yilda Devid Huebel va Torsten Vester tomonidan o'rganilgan. Ular mushuklar bo'yicha tajribalarni o'tkazdilar. Mushuklar turli xil harakatlanuvchi ob'ektlarni ko'rsatdilar. Miya hujayralari qanday munosabat bildiradi, bu hayvonni tanigan stimul edi. Hozir ham ko'plab tajribalar ushbu taxmonta yo'llari bilan amalga oshiriladi. Shunga qaramay, bu miyamizdagi eng kichik kamerani bilishning eng samarali usuli.

Xuddi shu tarzda, chuqur o'rganishda foydalanadigan eng muhim narsalar ochiq. Eng muhim xususiyatlardan biri bu hujayralarimizning kombinatsion zonalaridan vaqtincha fraktsiyalar, ya'ni vizual zonalarga o'tishning eng muhim yo'nalishlaridan biri. Qabul qiluvchilar - bu bizning har bir hujayraning har bir hujayrasi qayta ishlanganligi tasvirning bir qismi. Har bir katakda o'z retsepti maydoni mavjud. Ushbu mulk Neyron tarmoqlarida saqlanadi, chunki ehtimol siz hamma narsani bilasiz.

Shuningdek, retsept maydonlarida ko'payishi bilan murakkab imtiyozlar ko'payib, odatda neyron tarmoqlarini tan oladi.

Bu erda siz muvaffaqiyatli stimullar, turli ikki o'lchovli shakllar, v2, v4 zonalari va makkada vaqtinchalik maydonlar zonalarida tan olingan. Shuningdek, MRIda bir qator tajribalar mavjud.

Bu erda siz bunday tajribalar qanday o'tkazilmoqda. Bu uning 1 ta nanometrning bir qismi "turli xil ob'ektlarni taniyotganda - marheks maskanlari". Tan olingan narsalar bilan buzilgan.

Xulosa qilish. Viual zonalarda qabul qilmoqchi bo'lgan muhim mulk - bu konservalangan maydonlar hajmi oshadi va biz tanigan narsalarning murakkabligi oshadi.

Kompyuterni ko'rish

Uni kompyuter ko'rishiga qo'llashni o'rganmasdan oldin - umuman olganda, u yo'q edi. Qanday bo'lmasin, u hozirda ishlashi yaxshi emas.

Ushbu xususiyatlarning barchasi nexurr tarmog'iga o'tkaziladi va endi u bir oz chekinish kiritilmagan bo'lsa, keyinroq aytib beradi.

Ammo birinchi navbatda eng oddiy perepton haqida. Shuningdek, u bizning miyamizning tasviri va o'xshashligida hosil bo'ladi. Miya hujayrali hujayraga o'xshash eng oddiy element - neyron. U chapdan pastgacha bo'lgan holda chapdan o'ngga, chapdan o'ngga joylashgan elementlarni kiritish. Chapda neyronning kiradigan qismlari, neyronning o'ng qismida.

Eng oddiy pereptron faqat eng oddiy operatsiyalarni amalga oshira oladi. Ko'proq murakkab hisob-kitoblarni amalga oshirish uchun bizga ko'p sonli yashirin qatlamlar bilan tuzilish kerak.

Kompyuter qarashlari holatida bizga yanada yashirin qatlam kerak. Shundagina tizim o'zi ko'rganlarini taniy oladi.

Xo'sh, rasmni tan olishda nima sodir bo'ladi, men odamlarning misolini aytib beraman.

Ushbu rasmga qarash va haykalning yuzi unga etarlicha ko'rsatilganligini aytamiz. Biroq, 2010 yilgacha, kompyuter ko'rish uchun bu juda qiyin edi. Bu savolga duch kelganlar, ehtimol, so'zsiz topishni xohlagan ob'ektni qanday tasvirlash qanchalik qiyinligini bilib olishdi.

Biz unga ba'zi geometrik usul qilishimiz kerak edi, ob'ektning fikrini tasvirlab, bu qismlar bir-birlariga qanday munosabatda bo'lishi mumkinligini, so'ngra ushbu rasmni bir-biriga qanday murojaat qilishi va yomon tan olganimizni bilib oling. Odatda tanga otishdan biroz yaxshiroq edi. Tasodifiy darajadan biroz yaxshiroq.

Endi bu noto'g'ri bo'ladi. Biz o'z obro'-e'tiborimizni pikselda yoki ba'zi yamalarda ajratamiz: 2x2, 3x3, 5x5, 11x5, 11x1, piksellar - ular neyron tarmog'ida kir yuvuvchi sifatida xizmat qiladi.

Ushbu kiritish qatlamlarining signallari Sabinalardan foydalanib qavatga qatlamga uzatiladi, ularning har bir qatlamlari o'ziga xos koeffitsientlarga ega. Bas, Biz qatlamdan qatlamgacha, biz yuzni taniymiz, qadar qadahdan ketdik.

Shartli ravishda ushbu qismlarning barchasi uchta sinfga bo'lish mumkin, biz ularni x, w va y bilan belgilaymiz, bu erda X bizning kirish imidjimiz, y bizning kirish imzosi, y bizning og'irliklarimizning to'plami va bizning vaznlarimizni olishimiz kerak. Biz W ni hisoblaymiz?

X va Y bilan, bu juda oddiy ko'rinadi. Biroq, yulduzcha, juda murakkab bo'lmagan operatsiya, afsuski, hech qanday teskari yo'q. Hatto 2 ta tenglama tarkibiy qismiga ega bo'lish, uni hisoblash juda qiyin. Shuning uchun, biz asta-sekin, sinov va xato usuli bilan, og'irlikni tanlash, bu adashganligi sababli, nolga teng bo'lish maqsadga muvofiqligini tekshiring.

Bu jarayon Ichki ravishda sodir bo'ladi, biz uchun kifoya qiladigan V ning qiymatini topgunimizcha biz doimo kamayamiz.

Aytgancha, men ishlagan nevral tarmog'i nolga teng bo'lmagan xatoga erisha olmadi, ammo u juda yaxshi ishladi.

Sizdan oldin 2012 yildagi xalqaro tekshiruv o'tkazgan birinchi tarmoq. Bu aleksnet deb ataladigan narsa. Ushbu tarmoq o'zini birinchi marotaba axloqsiz Neron tarmoqlari mavjudligi va barcha xalqaro musobaqalarda allaqachon butun xalqaro musobaqalarda o'z pozitsiyalaridan voz kechmaganligini e'lon qildi.

Ushbu tarmoq juda kichik ekanligiga qaramay (unda faqat 7 ta yashirin qatlam bor), unda 60 million parametrga ega 650 ming neyron mavjud. To'g'ri og'irlikni topishni o'rganish, biz juda ko'p misollar kerak.

Neural tarmog'i rasm va yorliq misolida o'qiydi. Bolaligimga kelsak, "bu mushuk va bu it", shuningdek, Neron tarmoqlari ko'p sonli rasmlarda o'qitiladi. Ammo haqiqat shundaki, 2010 yilgacha ajoyib ma'lumotlar sektasi mavjud emas edi, bu rasmlarni tan olish uchun bunday bir qator parametrlarni o'rgatishi mumkin.

Bu vaqtdan oldin mavjud bo'lgan eng katta ma'lumotlar bazalari: Paskal vizasi, unda Kaliforniya Texnologiya instituti va Caltex 101 kishi bor bo'lgan, ularda 20 ta ob'ekt va kalitechning 101 tasi bo'lgan. Ikkinchisida 101 toifa, va bu juda ko'p edi. Ushbu ma'lumotlar bazalaridan birortasida o'z ob'ektlarini topa olmaganlar ham o'zlarining ma'lumotlar bazalariga qimmatga tushishlari kerak edi, men juda og'riqli.

Biroq, 2010 yilda Asame-ning bazasi paydo bo'ldi, unda 15 million rasm 22 ming toifaga ajratilgan. Neyron tarmoqlarini o'rganish muammosini hal qildi. Endi biron bir akademik manzilga ega bo'lgan har bir kishi bazaviy saytga jimgina kira oladi, ular nexura tarmoqlarini o'qitish uchun kiradi va ushbu ma'lumotlar bazasini olishni talab qiladi. Ular tezda javob berishadi, mening fikrimcha, ertasi kuni.

Oldingi ma'lumotlar to'plamiga nisbatan bu juda katta ma'lumotlar bazasi.

Bunga misolda bu avvalgilarning hammasi qanchalik oz edi. Tasvirning assenti bilan bir vaqtning o'zida, Tasvirlar tanlovi bilan bir vaqtda, xalqaro qiyinchiliklar paydo bo'ldi, unda raqobatlashmoqchi bo'lgan barcha jamoalar ishtirok etishlari mumkin.

Bu yil tarmoq Xitoyda mag'lubiyatga uchradi, bu 269 qatlamni tashkil etdi. Men qancha parametrlarni bilmayman, men juda ko'p narsani, juda ko'p deb bilmayman.

Chuqursiz tarmoq arxitekturasi

Shartli bo'lsa, uni 2 qismga bo'lish mumkin: o'rganadiganlar va o'rganmaganlar.

Qora, bu qismlarni o'rganmagan qismlarni belgilaydi, boshqa barcha qatlamlar o'rganishga qodir. Har bir konverental qatlam ichida ko'plab ta'riflar mavjud. Qabul qilingan belgilardan biri - uchta tarkibiy qismga ega bo'lib, bitim bosqichida, detektor bosqichida va basseyn bosqichiga ulangan bitta qatlam bilan bir qatlam.

Men tafsilotlarga kirmayman, bu erda u qanday ishlashi haqida batafsil muhokama qilingan. Men sizga misolni aytaman.

Tashkilotchilar mendan juda ko'p formulalarni aytmaslikni so'rashgani sababli, men ularni umuman tashladim.

Shunday qilib, kirish tasviri turli o'lchamdagi filtrlar va ular tanigan elementlarning turli xil murakkabligi deb nomlanishi mumkin bo'lgan qatlamlar tarmog'iga kiradi. Ushbu filtrlar ma'lum bir indeks yoki xususiyatlarning to'plamini tashkil qiladi, keyin ular klassifikatorga tushadi. Bu odatda SVM yoki MLP - ko'p qavatli permenton, u qulay.

Biologik Neural tarmog'i bilan tasvir va o'xshashlikda ob'ektlar turli xil murakkablik bilan tan olinadi. Qatlamlarning ko'payishi sababli, bu hamma korteks bilan aloqada bo'lgan, chunki Neron tarmog'idagi zonalar soni cheklangan. 269 \u200b\u200byoki ko'plab abstraksiya zonalari, shuning uchun murakkablikning ko'payishi, elementlar soni va retsept maydonlari mavjud.

Agar biz jismoniy shaxslarning tan olinishi misolida ko'rib chiqsak, unda bizda birinchi qatlamning qabul qiluvchi sohasi kichik, keyin yana bir oz ko'proq, va nihoyat butun yuzning yuzini taniy olmaymiz.

Filtr ichida bizning filtrlarimiz nuqtai nazaridan, birinchi navbatda, bir oz rang, keyin butun qalbning har bir hujayralari tomonidan tan olinadi.

Biror kishi har doim tarmoqdan yaxshiroq taniydi deb da'vo qiladigan odamlar bor. Shundaymi?

2014 yilda olimlar neyron tarmoqlariga nisbatan biz qanchalik taniymizni tekshirishga qaror qilishdi. Ayni paytda ular 2 ta eng yaxshi tarmoqni olib ketishdi - bu Aleksnet va Tarmoq Metyu Ziller va Fergus turli xil ob'ektlarni tan olish uchun juda ko'p mcaki miya zonalarining javobi bilan taqqoslaganda. Ob'ektlar hayvonot dunyosidan edi, shunda maymun sarosimaga tushib qolmaydi va yaxshiroq tanlangan tajriba o'tkazildi.

Maymundan javob olish imkonsiz bo'lganligi sababli, u elektrodlarga ega bo'lib, har bir neyronning javobi bilan to'g'ridan-to'g'ri o'lchanadi.

Ma'lum bo'lishicha, normal sharoitda miya hujayralari bu davrda, ya'ni Metyu Zillerning tarmog'i bo'lganligi ma'lum bo'ldi.

Biroq, ob'ektlarni namoyish etish, rasmda shovqin va narsalar sonini, tan olish tezligi va uning miyamizning sifati va primatlarning miyasi ko'payishi bilan ko'payadi. Hatto eng oddiy konvertalent Nesur tarmoq ob'ektlarini yaxshiroq tan oladi. Ya'ni, rasmiy ravishda neyron tarmoqlari bizning miyamizdan yaxshiroq ishlaydi.

Klassik konvertikaning Neron tarmoqlarining klassik vazifalari

Ular aslida unchalik emas, ular uchta sinfga tegishli. Ob'ektni aniqlash, semantik segmentatsiya, individual tan olish, chegaralarni aniqlash, tasvirlarning semantik ta'rifi, chegara ob'ektlarini ajratish va yuzaga ajratish kabi vazifalar ham bor. Ularni 3 darajasiga bo'lish mumkin: eng past darajadan yuqori darajadagi vazifalarni bajarish mumkin.

Ushbu rasmning misolida har bir vazifani nima qilishini ko'rib chiqing.

• Chegaralarni aniqlash - Bu eng past darajadagi vazifa - bu konvertalent Neural tarmoqlari allaqachon qo'llanilgan.
• Vektorni normal holatni aniqlash Ikki o'lchovli uch o'lchovli tasvirni rekonstruktsiya qilishimizga imkon beradi.
• Ob'ektlarni aniqlashda salomlashish - Bu odam ushbu rasmni ko'rib chiqishga e'tibor beradi.
• Semantik segmentatsiya Ob'ektlarni ularning tuzilishi bilan sinflarga ajratishga imkon beradi, bu ob'ektlar haqida hech narsa bilmaydi, ya'ni ularning e'tirofidan oldin ham.
• Chegaralarni semantik tanlash - Bu sinflarga singan chegaralarni ajratish.
• Inson tanasi qismlari.
• Va eng yuqori darajadagi vazifa - ob'ektlarni tan olishEndi biz individual tan olish misolida muhokama qilamiz.

Yolg'on tan olish

Birinchi narsa - yuzni detektorni ishga tushirish uchun "Normallashtiring", yaqinlashamiz, yuzingizni normallashtiramiz va neyron tarmog'ida ishlayapmiz. Shundan so'ng, biz belgilar to'plamini yoki belgilarini olamiz bu odamning xususiyatlarini aniq tasvirlab berish.

Shunda biz ushbu vektorli belgilar bizning ma'lumotlar bazamizda saqlanadigan barcha elementlarning barcha vektorlari bilan taqqoslashimiz va uning nomi bilan ma'lum bir odamga murojaat qiling - ma'lumotlar bazasida saqlanishi mumkin bo'lgan hamma narsa.

Shunday qilib, bizning mahsulot folfece asarlari - bu "VKontakte" asosiy "VKontakte" dagi odamlarning profillarini qidirishga yordam beradigan bepul xizmatdir.

Bundan tashqari, bizda mahsulotlarimizni sinab ko'rmoqchi bo'lgan kompaniyalar uchun API bor. Biz odamlarni aniqlash, tekshirish va foydalanuvchi identifikatsiyasini aniqlash uchun xizmatlarni taqdim etamiz.

Hozirda ikkita stsenariy bor. Birinchisi, identifikatsiya, ma'lumotlar bazasida qidirish. Ikkinchisi tekshiruv, bu ikkita rasmni bir xil ehtimol bilan taqqoslashdir. Bundan tashqari, biz endi his-tuyg'ularni tan olish, video va turmush darajasini aniqlash bo'yicha tasvirni aniqlash, odam kamera yoki fotosurat oldida yashaydigan yoki yo'qligidan ham tushunishdir.

Ba'zi statistika. 10 ming fotosurat qidirayotganda, biz 95% bazaga nisbatan 95% ni tashkil qiladi, 99% tekshiruv aniqligi aniqlanadi. Bundan tashqari, bu algoritm o'zgarish uchun juda bardoshli - biz kameraga qarab, bizda miltillovchi buyumlar, soqolli ko'zoynaklar, soqol, tibbiy niqobga ega bo'lishimiz mumkin. Ba'zi hollarda, biz hatto ko'zoynak va niqob kabi kompyuter ko'rish uchun bunday aql bovar qilmaydigan qiyinchiliklarni ham mag'lub etishimiz mumkin.

Juda tezkor qidiruv 1 milliard fotosuratni qayta ishlash uchun 0,5 soniya sarflanadi. Biz eng tezkor qidiruv indeksini ishlab chiqdik. Shuningdek, biz CCTV kameralaridan olingan past sifatli rasmlar bilan ishlashimiz mumkin. Biz hammasi real vaqtda hal qilishimiz mumkin. Siz Web interfeysi orqali fotosuratlarni Android, iOS qidirish orqali yuklashingiz va 100 million foydalanuvchilarni qidirish va 250 million fotosuratlar mavjud.

Aytganimdek, biz MegaFace Range-da birinchi o'rinni egalladik - imidjet uchun analog, ammo individual tan olish uchun. U bir necha yillar davomida o'tkazib kelinmoqda, o'tgan yili biz dunyoning turli burchaklaridan, shu jumladan Google-ning eng yaxshi qismida edik.

Takroriy Neron tarmoqlari

Biz faqat rasmni tan olish uchun etarli emasmiz, biz takroriy neyron tarmoqlaridan foydalanamiz. Biz ketma-ketlikni bajarish biz uchun muhim bo'lgan hollarda, biz bilan nima bo'lishimiz kerakligi, biz odatiy takrorlanadigan Neron tarmoqlaridan foydalanamiz.

Bu tabiiy tilni tan olish, hatto rasmlarni tan olish uchun ishlatiladigan videolarni qayta ishlash uchun ishlatiladi.

Men tabiiy tilni tan olish haqida hech narsa aytmayman - hisobotim hali ham ikkitaga ega bo'ladi, bu tabiiy tilni tan olishga yo'naltiriladi. Shuning uchun, men sizga hissiyot tarmoqlarining hissiyotlarini tan olish misolida aytib beraman.

Takroriy neyron tarmoqlari nima? Bu odatdagi neyron tarmoqlari bilan bir xil, ammo fikr-mulohaza bilan. Fikr-mulohazalar, nexurom tarmog'iga yoki ba'zi qatlamlari uchun tizimning avvalgi holati uchun topshirishimiz kerak.

Aytaylik, biz hissiyotlarni qayta ishlaymiz. Hatto tabassum bilan ham - eng oddiy hissiyotlardan biri - bir necha lahzalar mavjud: biz to'liq tabassumimizga qadar yuzning neytral ifodasidan. Ular bir-birlariga birlashadilar. Shunday qilib, tushunish yaxshi ekanligi, bu sodir bo'lishini kuzatishimiz kerak, tizimning keyingi bosqichida oldingi freymda nima bo'lishini kuzatib borishimiz kerak.

2005 yilda Monreal jamoasi qayta kunduzgi tizimni yaratdi, bu esa tabiatda hissiyotni tan olishni tan olish juda oson edi. Uning bir nechta supurgi qatlamlari bor edi va u faqat video bilan ishladi. Bu yil ular ham ayirboshlashning inqilobi Neron tarmoqlaridan olinadigan va rekladi ma'lumotlaridan olingan ma'lumotlar bilan, audio ma'lumotlardan olingan, audio ma'lumotlardan olingan va tanlovda birinchi o'rinni olishdi.

Kuchaytirish bilan mashg'ulotlar

So'nggi paytlarda juda ko'p qo'llaniladigan Neakral tarmoqlarning keyingi turi, ammo avvalgi 2 turdagi chuqurlashishni o'rganish, mustahkamlash bilan o'rganish, bu kabi keng tarqalgan.

Gap shundaki, avvalgi ikki holatda ma'lumotlar bazalaridan foydalanamiz. Bizda yoki rasmlar yoki ma'lumotlar yoki videolardan olingan ma'lumotlar bilan ma'lumotlar yoki ma'lumotlarni videolardan ma'lumotlar mavjud. Agar bizda yo'q bo'lsa, agar biz buni hisoblay olmasak, robotni qanday qilib buyumlar olish kerak? Bu biz avtomatik ravishda harakat qilamiz - bu qanday ishlashini bilmaymiz. Yana bir misol: Katta ma'lumotlar bazalarini kompyuter o'yinlarida kompenektsion qilish qiyin va juda oson ish qilishning hojati yo'q.

Hammasi, ehtimol Atarri va Guo-da chuqur mustahkamlanishning muvaffaqiyati haqida eshitgan.

Atarri haqida kim eshitgan? Xo'sh, kimdir eshitgan, yaxshi. Alpago haqida menimcha, hamma eshitgan deb o'ylayman, shuning uchun men nima bo'layotganini ham aytmayman.

Atariyda nima sodir bo'ldi? Chapda ushbu neyron tarmog'ining arxitekturasi tasvirlangan. U juda ko'p mukofot olish uchun men bilan o'ynaydi. Maksimal haq - bu imkon qadar eng yuqori natijalar.

Yuqoridagi o'ng tomonda - neyron tarmog'ining oxirgi qatlami, bu esa ikki soat davomida o'zini o'zi o'z zimmasiga olgan. Qizil o'yinning eng ko'p haqi bilan o'yinning kerakli natijalarini ko'rsatadi, va ko'k keraksiz. Tarmoq ma'lum bir maydonni quradi va tayyorlangan qatlamlari bo'ylab u erishmoqchi bo'lgan davlatga harakat qiladi.

Robototexnika bo'yicha vaziyat boshqacha bir oz farq qiladi. Nima uchun? Bu erda bizda bir nechta qiyinchiliklar mavjud. Birinchidan, bizda unchalik ko'p ma'lumotlar bazalari yo'q. Ikkinchidan, biz birdaniga uchta tizimni muvofiqlashtirishimiz kerak: robotni idrok etishimiz kerak: robotni idrok etish, uning xatti-harakatlari, manipulyator va uning xotirasi - oldingi bosqichda nima qilinganligi va uning qanday bajarilgani bor edi. Umuman olganda, hammasi juda qiyin.

Gap shundaki, hozirda Neral tarmog'i, hatto chuqur o'rganish ham bu vazifani unchalik samarali qila olmaydi, shuning uchun chuqur o'rganish robotlar qilish kerak bo'lgan narsalarning juda juda ko'p narsa. Masalan, Sergey Levin yaqinda robotni etarli darajada ob'ektlar o'rgatadigan tizimni taqdim etdi.

Bu erda 14 ta robotlari-manipulyatorlariga sarflagan tajribalari namoyish etildi.

Bu erda nima bo'lyapti? Siz ko'rgan ba'zi narsalar, sizning oldingizda turli xil narsalar: tutqichlar, silgi, kichikroq va boshqa narsalar, turli xil tebranishlar, turli xil tebranishlar. Robotga ularni ushlash uchun qanday o'rgatish kerakligi aniq emas. Bir necha soat davomida va hatto, ehtimol, ushbu buyumlarni yozib olishga o'rgatilgan, bu ma'lumotlar bazasida ushbu mahsulotlarni suratga olishga o'rgatilgan.

Ma'lumotlar bazalari kelajakda biron bir narsa qilish uchun robotni mashq qilish uchun to'plashimiz kerak bo'lgan muhitning aniq javobidir. Kelajakda robotlar ushbu tizimning ushbu standartlarida o'qitiladi.

Neyron tarmoqlaridan normal foydalanish

Afsuski, oxiri, menda ko'p vaqt yo'q. Men hozirda bo'lmagan va ko'plab prognozlarda bunday bo'lmagan va'zgo'ylik echimlari haqida gapirib beraman, kelajakda ma'lum bir qo'llaniladi.

Shunday qilib, yaqinda Stenford olimlari qashshoqlikni bashorat qilish uchun CNN NECRAL tarmog'ining g'ayrioddiy qo'llanilishini ixtiro qilishdi. Ular nima qilishdi?

Aslida, kontseptsiya juda oddiy. Gap shundaki, Afrikada, qashshoqlik darajasi barcha tasavvurlar uchun ko'tariladi va aqlli chegaralar uchun ko'tariladi. Ular hatto ijtimoiy demografik ma'lumotlarni yig'ish imkoniyatiga ega emaslar. Shuning uchun 2005 yildan beri bizda nima bo'layotgani haqida ma'lumot yo'q.

Sun'iy yo'ldoshlardan kun va tun kartalari kun va tun kartalarini to'plashdi va bir muncha vaqt o'zlarining neyron tarmog'iga qarshi kurashdilar.

Neyron tarmog'i "E." preparatida namoyish etildi, shuning uchun birinchi filtr qatlamlari, masalan, uylarning tomlari, masalan, uylarning tomlarini qidirishni biladi. Keyin kunlik kartalar Tungi kartalar bilan almashtirilgan. Pul aholisi hech bo'lmaganda uylarini kechasi uylarini yoritadigan narsada qancha pulni yoritib berish uchun yoritilgan.

Bu erda nexurom tarmog'i tomonidan qurilgan prognoz natijalarini ko'rasiz. Prognoz turli xil qarorga ega bo'ldi. Siz ko'rasiz - so'nggi ramka - Uganda hukumati tomonidan 2005 yilda to'plangan real ma'lumotlar.

Shuni ta'kidlash mumkinki, Neural tarmog'i ancha aniq prognozni tashkil etdi, hatto 2005 yildan beri kichik o'zgarishlar bilan ham.

Albatta yon ta'sirlar mavjud. Chuqur o'rganish bilan shug'ullanadigan olimlar har doim boshqa yon ta'sirlarni kashf etishdan hayron bo'lishadi. Masalan, tarmoq suv, o'rmonlar, katta qurilish maydonchalarini tan olishni o'rgangan kabi, bularning barchasi profilaktika ma'lumotlari bo'lmagan holda o'qituvchisiz. Umuman mustaqil ravishda mustaqil ravishda. Yo'lda, masalan, munosabat bildirgan ba'zi qatlamlar bor edi.

Va men aytmoqchi bo'lgan oxirgi ariza, tibbiyotda 3D tasvirlarni semantik segmentatsiya qilish. Umuman olganda, tibbiy ko'rik - bu ishlash juda qiyin bo'lgan murakkab maydon.

Buning bir necha sabablari bor.

• Bizda ma'lumotlar bazalari juda kam. Miyaning suratini topish juda oson emas va uni olish ham mumkin emas.
• Agar bizda bunday rasm bo'lsa ham, siz shifokorni olishingiz kerak va uni juda uzoq va juda samarasiz bo'lgan ko'p qavatli rasmlarni joylashtirishingiz kerak. Hamma shifokorlar buni amalga oshirish uchun manbalar mavjud emas.
• Juda yuqori aniqlik kerak. Tibbiy tizim noto'g'ri bo'lishi mumkin emas. Masalan, mushuklarni tan olmaganda, tanimagan - hech narsa dahshatli narsa. Va agar biz o'smani tanimagan bo'lsak, bu unchalik yaxshi emas. Tizimning ishonchliligi uchun juda qattiq talablar mavjud.
• Uch o'lchovli elementlarda tasvirlar - vokellar - piksellarda emas, balki tizimni ishlab chiquvchilarga qo'shimcha murakkabliklarni etkazib beradi.

Ammo bu holatda bu savolga qanday murojaat qildingiz? CNN pechene edi. Bir tomoni oddiy qarorni hal qildi, ikkinchisi biz mashq qilishimiz kerak bo'lgan qatlamlar sonini kamaytirish uchun biroz yomonlashishi mumkin. Shu sababli tarmoq o'qishi bo'yicha vaqt oz vaqt qisqartirildi.

U qayerda qo'llaniladi: Ta'sirdan keyin zararni aniqlang, miyada o'sma, yurak qanday ishlashini aniqlash uchun.

Mana, yo'ldoshning hajmini aniqlash uchun misol.

Avtomatik ravishda yaxshi ishlaydi, lekin unchalik emas, shuning uchun u ishlab chiqarishga chiqarildi, shuning uchun u faqat boshlanadi. Bunday tibbiy ko'rik tizimlarini yaratish uchun bir nechta startalar mavjud. Umuman olganda, yaqin kelajakda juda ko'p startuplarni chuqur o'rganishda. So'nggi olti oy ichida so'nggi olti oy ichida boshlang'ich kapitalistlar oxirgi 5 yilga nisbatan chuqur o'rganish uchun startaplar uchun byudjet mablag'lari ajratildi.

Bu hudud faol rivojlanmoqda, ko'plab qiziqarli yo'nalishlar. Biz siz bilan qiziqarli vaqt davomida yashayapmiz. Agar siz chuqur o'rganish bilan shug'ullansangiz, ehtimol siz boshlang'ichingizni ochishingiz kerak.

Xo'sh, men yana aylanaman. Sizga katta raxmat.

Neron tarmoqlari (NS) bozorning xatti-harakatlarini o'rganishga eng so'nggi ilmiy yondoshuvlardan biridir. Neyron tarmog'i g'oyasi tarixiy ma'lumotlarga asoslangan turli xil jarayonlar xatti-harakatlarining modellashtirish (takrorlanishi).

Yaqinda sun'iy neyron tarmoqlari va ekspert tizimlarini birlashtirish uchun faol urinishlar amalga oshirildi. Bunday tizimda sun'iy neyron tarmog'i nisbatan oddiy holatlarga reaktsiyaga kirishi mumkin va qolgan barcha barcha barcha boshqa barcha ekspert tizimini ko'rib chiqish uchun etkaziladi. Natijada, murakkab ishlar yuqori darajada qabul qilinadi, qo'shimcha ma'lumotlarni to'plash yoki hatto mutaxassislarni jalb qilish bilan.

Neyron tarmoqlari tarkibini tanlash Vazifaning murakkabligi va murakkabligiga muvofiq amalga oshiriladi. Agar vazifa biron bir ma'lum bir toifalarga qisqartirilmasa, ishlab chiquvchi yangi konfiguratsiya sintezining murakkab muammosini hal qilishi kerak.

Neyron tarmog'i, o'tgan ma'lumotlarda o'qitish jarayonida turli xil parametrlar bo'lgan maxsus matematik funktsiyalar to'plamidir. Keyin, neyron tarmog'iga ega bo'lgan holda o'qilgan real ma'lumotlarni qayta ko'rib chiqadi va uni o'rganilayotgan tizimning kelajakdagi xatti-harakatlarini bashorat qiladi. Neron tarmoqlariga asoslangan dasturlarning asosiy noqulayligi - bu neyron tarmog'ini to'g'ri o'qitish va ortiqcha o'qishni istisno qilish muammosi va ortiqcha o'qishni istisno qilish muammosi, bu bozor modelining etarliligiga juda ta'sir qilishi mumkin.

Neyrokomputning afzalligi Neron tarmog'ini o'qitishning yagona printsipi - empirik xatoni minimallashtirish. Ushbu tarmoq konfiguratsiyasini hisoblab chiqadigan xato funktsiyasi - maqsad gol urishning tashqi tomondan o'rnatiladi. Keyinchalik tarmoq o'z konfiguratsiyasini asta-sekin o'zgartira boshlaydi - bu xatoni minimallashtirish uchun barcha sintaklar tarmog'idir. Natijada, o'quv jarayonida tarmoq unga tayinlangan vazifa bilan eng yaxshi kurashmoqda.

Ikki katta sinfga bo'lingan turli xil o'rganish algoritmlari mavjud: determinist va stoxastik. Ulardan birinchisida tarozchani sozlash qat'iy harakatlar ketma-ketligidir, ikkinchisida - ma'lum bir tasodifiy jarayonga bo'ysungan harakatlar asosida amalga oshiriladi.

Multibayer Neron tarmoqlari (bir-biridan bog'liq bir-birining bir-birining bir nechta bir nechta nohurali tarmoqlar) bir qatlamdan keyin ko'proq foydalanishni boshlagan, chunki Ilgari bunday tarmoqlarni o'rganish usullari yo'q edi. Ko'p bosqichli tarmoqlar ko'proq murakkab ob'ektlarni taniy olishlari mumkin, i.e. Bir qatlamga qaraganda ko'proq optimal mos keladigan qobiliyatlarga ega. Allaqachon uchta qatlam nexurret tarmog'i har qanday tasvirni taniydi! Agar siz takroriy (qatlamlar) neyron tarmog'i bilan tanishsangiz, tarmoq mustaqil ravishda ishlay boshlaydi. Bunday tarmoqni o'rgatish uchun kirish signalini to'kish kifoya qiladi va bu ushbu signallar tomonidan ko'rsatilgan ob'ektni tasniflashi mumkin.

Neyrali tarmoqlarning iqtisodiy sohasida ular quyidagi vazifalarni neyrokompyuter yordamida hal qilish uchun foydalaniladi: neyronni qayta ishlash usullari asosida vaqt seriyasini bashorat qilish (kurslar, aktsiyalar va aktsiyalar va boshqalar); Banklarning sug'urta faoliyati; Neron tarmoq tizimiga asoslangan bankrotlikni bashorat qilish; Ushbu korxonalarga sarmoya kiritish uchun obligatsiyalar va korxona aktsiyalarini aniqlash; Aktsiya faoliyati vazifalariga neyron tarmoqlarini qo'llash; Iqtisodiy va innovatsion loyihalarni moliyalashtirishning iqtisodiy samaradorligini prognoz qilish.

Neyron tarmoqlarida barcha hisob-kitoblar ishlab chiqilgan maxsus dastur paketlari tomonidan olib boriladi. Endi gigivor gazlar yangi hisoblash va axborot texnologiyalari sohasidagi eng kam yoki kamroq klassik vositaga aylandi. Shu sababli, yangi mahsulotlarni rivojlantirish bilan shug'ullanadigan juda ko'p firmalar nevropexnologiyadan foydalanadilar. Bunday mahsulotga ega bo'lish, siz uni o'rnatasiz, keyin o'qitib, yugurib chiqing. Paketlarning o'zi yiliga bir necha marta yangilanadi, shuning uchun ularning barchasi juda zamonaviy.

Bir qator kompaniyalar tomonidan ishlab chiqilgan Neyronli dasturlar foydalanuvchilarga neyron tarmoqlari bilan ishlash va ularni o'rganishning turli usullari bilan ishlashiga imkon beradi. Ular ikkalasi ham ixtisoslashgan bo'lishi mumkin (masalan, aktsiyalarni bashorat qilish) va umuman universal.

Xususan, Statistika NECURT tarmoqlari paketi mavjud. Ushbu paketning diqqatga sazovor tomoni shundaki, bu tabiiy ravishda statistik tahlil va statistika tizimida taqdim etilgan ma'lumotlarni vizualizatsiya qilish tabiiy ravishda qurilgan.

Neurruchell Doyatrader bozorni tahlil qilish uchun neyron tarmoqlarini yaratish bo'yicha eng mashhur dastur. Neyron tarmoqlariga qo'shimcha ravishda, texnik tahlilning klassik asboblari va ko'rsatkichlari mavjud. Metastok formatini tushunadi.

Excel Neyral paketi - bu Necural tarmog'ini yaratish va ularni Microsoft Excel-da tahlil qilish uchun Rossiya dasturi.

Adabiyot: Osovo S. axborotni qayta ishlash uchun Neron tarmoqlari. M., Moliya va statistika, 2002. Nazarov A.V., Loskutov A.I. Neyron tarmoq tarmoqlari tizimlarni oldindan aytib berish va optivatsiya qilish uchun. - SPB.: Fan va Texnologiya, 2003 yil.