Нейро-нечёткие сети - Программирование, компьютеры и кибернетика контрольная работа
Искусственные нейросетевые системы как перспективное направление в области разработки искусственного интеллекта. Назначение нейро-нечётких сетей. Гибридная сеть ANFIS. Устройство и принцип работы нейро-нечётких сетей, применение в экономике и бизнесе.
посмотреть текст работы
скачать работу можно здесь
полная информация о работе
весь список подобных работ
Нужна помощь с учёбой? Наши эксперты готовы помочь!
Нажимая на кнопку, вы соглашаетесь с
политикой обработки персональных данных
Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.
• BrainMaker Student - версия пакета для университетов. Она особенно популярна у небольших фирм, специализирующихся на создании приложений и для не очень сложных задач.
• Toolkit Option - набор из трех дополнительных программ, увеличивающих возможности BrainMaker , Binary , которая переводит обучающую информацию в двоичный формат для ускорения обучения; Hypersonic Training , где используется высокоскоростной алгоритм обучения; Plotting , которая отображает факты, статистику и другие данные в графическом виде.
• BrainMaker Professional - профессиональная версия пакета BrainMaker с расширенными функциональными возможностями. Включает в себя все опции Toolkit .
• Genetic Training Option (для пакета BrainMaker Pro ) - программа автоматической оптимизации нейронной сети для решения заданного класса задач, использующая генетические алгоритмы для селекции наилучших решений.
• Dat а Maker Editor - специализированный редактор для автоматизации подготовки данных при настройке и использовании нейронной сети.
• Training Financial Data - специализированные наборы данных для настройки нейронной сети на различные виды аналитических, коммерческих и финансовых операций, которые включают реальные значения макроэкономических показателей NYSE, NADDAW, ASE, OEX, DOW и др., индексы инфляции, статистические данные биржевых сводок по различным видам продукции, а также информацию по фьючерсным контрактам и многое другое.
• BrainMaker Accelerator - специализированная нейроплата акселератор на базе сигнальных процессоров TMS320C25 фирмы Texas Instruments. Вставленная в персональный компьютер, она в несколько раз ускоряет работу пакета BrainMaker .
• BrainMaker Accelerator Pro - профессиональная многопроцессорная нейронная плата. Она содержит пять сигнальных процессоров TMS320C30 и 32 Мбайт оперативной памяти.
В настоящее время на рынке программных средств имеется большое количество разнообразных пакетов для конструирования нейронных сетей и решения различных задач. Пакет BrainMaker можно назвать ветераном рынка. Кроме представителей этого семейства, к хорошо известным и распространенным программным средствам можно отнести NeuroShell (WardSystem's Group), Neuro Works (Neural Ware Inc.) и NeuroSolutions (NeuroDimension Inc.). Объектно-ориентированные программы среды семейства NeuroSolutions предназначены для моделирования искусственной нейронной сети произвольной структуры. Пользователю систем NeuroSolutions предоставлены возможности исследования и диалогового управления. Все данные в сети доступны для просмотра в процессе обучения посредством разнообразных инструментов визуализации. Проектирование искусственной нейронной сети в системе NeuroSolutions основано на модульном принципе, который позволяет моделировать стандартные и новые топологии. Важным преимуществом системы является наличие специальных инструментов, позволяющих моделировать динамические процессы в искусственной нейронной сети.
Применение нейросетевых технологий целесообразно при решении задач, имеющих следующие признаки:
• отсутствие алгоритмов решения задач при наличии достаточно большого числа параметров;
• наличие большого объема входной информации, характеризующей исследуемую проблему;
• зашумленность, частичная противоречивость, неполнота или избыточность исходных данных.
Нейросетевые технологии нашли широкое применение в таких направлениях, как распознавание печатного текста, контроль качества продукции на производстве, идентификация событий в ускорителях частиц, разведка нефти, борьба с наркотиками, медицинские и военные приложения, управление и оптимизация, финансовый анализ, прогнозирование и др.
В сфере экономике нейросетевые технологии могут использоваться для классификации и анализа временных рядов путем аппроксимации сложных нелинейных функций. Экспериментально установлено, что модели нейронных сетей обеспечивают большую точность при выявлении нелинейных закономерностей на фондовом рынке по сравнению с регрессионными моделями.
Нейросетевые технологии активно используются в маркетинге для моделирования поведения клиентов и распределения долей рынка. Нейросетевые технологии позволяют отыскивать в маркетинговых базах данных скрытые закономерности.
Моделирование поведения клиентов позволяет определить характеристики людей, которые будут нужным образом реагировать на рекламу и совершать покупки определенного товара или услуги.
Сегментирование и моделирование рынков на основе нейросетевых технологий дает возможность построения гибких классификационных систем, способных осуществлять сегментирование рынков с учетом многообразия факторов и особенностей каждого клиента.
Технологии искусственных нейронных сетей имеют хорошие перспективы при решении задач имитации и предсказания поведенческих характеристик менеджеров и задач прогнозирования рисков при выдаче кредитов. Не менее актуально применение искусственных нейронных сетей при выборе клиентов для ипотечного кредитования, предсказания банкротства клиентов банка, определения мошеннических сделок при использовании кредитных карточек, составления рейтингов клиентов при займах с фиксированными платежами и т.д.
Следует помнить о том, что применение нейросетевых технологий не всегда возможно и сопряжено с определенными проблемами и недостатками.
1. Необходимо как минимум 50, а лучше 100 наблюдений для создания приемлемой модели. Это достаточно большое число данных, и они не всегда доступны. Например, при производстве сезонного товара истории предыдущих сезонов недостаточно для прогноза на текущий сезон из-за изменения стиля продукта, политики продаж и т.д. Даже при прогнозировании спроса на достаточно стабильный продукт на основе информации о ежемесячных продажах трудно накопить исторические данные за период от 50 до 100 месяцев. Для сезонных товаров проблема еще более сложна, так как каждый сезон фактически представляет собой одно наблюдение. При дефиците информации модели искусственных нейронных сетей строят в условиях неполных данных, а затем проводят их последовательное уточнение.
2. Построение нейронных сетей требует значительных затрат труда и времени для получения удовлетворительной модели. Необходимо учитывать, что излишне высокая точность, полученная на обучающей выборке, может обернуться неустойчивостью результатов на тестовой выборке - в этом случае происходит «переобучение» сети. Чем лучше система адаптирована к конкретным условиям, тем меньше она способна к обобщению и экстраполяции и тем скорее может оказаться неработоспособной при изменении этих условий. Расширение объема обучающей выборке позволяет добиться большей устойчивости, но за счет увеличения времени обучения.
3. При обучении нейронных сетей могут возникать «ловушки», связанные с попаданием в локальные минимумы. Детерминированный алгоритм обучения не в силах обнаружить глобальный экстремум или покинуть локальный минимум. Одним из приемов, который позволяет обходить «ловушки», является расширение размерности пространства весов за счет увеличения числа нейронов скрытых слоев. Некоторые возможности для решения этой проблемы открывают стохастические методы обучения. При модификации весов сети только на основе информации о направлении вектора градиента целевой функции в пространстве весов можно достичь локального минимума, но невозможно выйти из него, поскольку в точке экстремума «движущая сила» (градиент) обращается в нуль и причина движения исчезает. Чтобы покинуть локальный экстремум и перейти к поиску глобального экстремума, нужно создать дополнительную силу, которая будет зависеть не от градиента целевой функции, а от каких-то других факторов. Один из простейших методов состоит в том, чтобы просто создать случайную силу и добавить ее к детерминистической.
4. Сигмоидальный характер передаточной функции нейрона является причиной того, что если в процессе обучения несколько весовых коэффициентов стало слишком большим, то нейрон попадает на горизонтальный участок функции в область насыщения. При этом изменения других весов, даже достаточно большие, практически не сказывается на величине выходного сигнала такого нейрона, а значит и на величине целевой функции.
5. Неудачный выбор диапазона входных переменных - достаточно элементарная, но часто совершаемая ошибка. Если - это двоичная переменная со значением 0 и 1, то примерно в половине случаев она будет иметь нулевое значение: = 0. Поскольку входит в выражение для модификации веса в виде сомножителя, то эффект будет тот же, что и при насыщении: модификация соответствующих весов будет блокирована. Правильный диапазон для входных переменных должен быть симметричным, например от +1 до -1.
6. Процесс решения задач нейронной сетью является «непрозрачным» для пользователя, что может вызывать с его стороны недоверие к прогнозирующим способностям сети.
7. Предсказывающая способность сети существенно снижается, если поступающие на вход факты (данные) имеют значительные отличия от примеров, на которых обучалась сеть. Этот недостаток ярко проявляется при решении задач экономического прогнозирования, в частности при определении тенденций котировок ценных бумаг и стоимости валют на фондовых и финансовых рынках.
8. Отсутствуют теоретически обоснованные правила конструирования и эффективного обучения нейронных сетей. Этот недостаток приводит, в частности, к потере нейронными сетями способности обобщать данные предметной области в состояниях переобучения (перетренировки).
1. Андрейчиков А.В., Андрейчикова О.Н. Интеллектуальные информационные систем: Учебник. - М.; Финансы и статистика, 2004. - 424 с.: ил.
2. Девятков В.В. Системы искусственного интеллекта: Учеб. Пособие для вузов. - М.: Изд-во МГТУ им. Н.Э. Баумана, 2001. - 352 с.: ил.
3. Бухарбаева Л.Я., Танюкевич М.В. Информационная поддержка финансового менеджмента на основе программного пакета нейросетевого программирования Brainmaker 3.11: Методические указания. / Уфимск. гос. авиац. техн. унив-т. - Уфа, 2001. - 46 с.
4. Черняховская Л.Р., Шкундина Р.А. Нейро-нечёткое моделирование: Методические указания. / Уфимск. гос. авиац. техн. унив-т. - Уфа, 2004. - 22 c.
5. Балдин К.В., Уткин В.Б. Информационные системы в экономике: Учебник. - М.; Финансы и статистика, 2009.
6. Романов В.П. Интеллектуальные информационные систем в экономике: Учебник. - М.; Финансы и статистика, 2007.
7. Соколов Е.Н., Вайтнявичус Г.Г. Нейроинтеллект: от нейрона к нейрокомпьютеру. - М.: Наука, 1989.
8. Осовский С. Нейронные сети для обработки информации: Учебник. - М.; Финансы и статистика, 2002.
9. Мкртчян C. О. Нейроны и нейронные сети (Введение в теорию формальных нейронов и нейронных сетей). - М.: Энергия, 1971.
10. Позин Н.В. Моделирование нейронных структур. - М.: Наука, 1970.
Методы, системы, типы и способы проводимых измерений в автоматизированных системах медицинского обеспечения безопасности на транспорте. Проектирования нечеткого алгоритма предрейсовых медицинских осмотров на основе адаптивной сети нейро-нечеткого вывода. дипломная работа [6,5 M], добавлен 06.05.2011
Понятие искусственного интеллекта как свойства автоматических систем брать на себя отдельные функции интеллекта человека. Экспертные системы в области медицины. Различные подходы к построению систем искусственного интеллекта. Создание нейронных сетей. презентация [3,0 M], добавлен 28.05.2015
Сущность и функции искусственных нейронных сетей (ИНС), их классификация. Структурные элементы искусственного нейрона. Различия между ИНС и машинами с архитектурой фон Неймана. Построение и обучение данных сетей, области и перспективы их применения. презентация [1,4 M], добавлен 14.10.2013
Классификация компьютерных сетей в технологическом аспекте. Устройство и принцип работы локальных и глобальных сетей. Сети с коммутацией каналов, сети операторов связи. Топологии компьютерных сетей: шина, звезда. Их основные преимущества и недостатки. реферат [134,0 K], добавлен 21.10.2013
История создания и основные направления в моделировании искусственного интеллекта. Проблемы обучения зрительному восприятию и распознаванию. Разработка элементов интеллекта роботов. Исследования в области нейронных сетей. Принцип обратной связи Винера. реферат [45,1 K], добавлен 20.11.2009
Понятие и свойства искусственных нейронных сетей, их функциональное сходство с человеческим мозгом, принцип их работы, области использования. Экспертная система и надежность нейронных сетей. Модель искусственного нейрона с активационной функцией. реферат [158,2 K], добавлен 16.03.2011
Изучение нейро-компьютерных интерфейсов - физических интерфейсов приёма или передачи сигналов между живыми нейронами биологического организма (например, мозгом животного) с одной стороны, и электронным устройством (например, компьютером) с другой стороны. контрольная работа [374,2 K], добавлен 25.11.2010
Работы в архивах красиво оформлены согласно требованиям ВУЗов и содержат рисунки, диаграммы, формулы и т.д. PPT, PPTX и PDF-файлы представлены только в архивах. Рекомендуем скачать работу .
© 2000 — 2021
Нейро-нечёткие сети контрольная работа. Программирование, компьютеры и кибернетика.
Реферат по теме Теорія граничної корисності
Курсовая работа по теме Государственное регулирование демографических процессов в России
Дипломный Отдел Архангельск
Позитивизм И Его Исторические Формы Реферат
Реферат Основы Графической Грамоты 7 Класс Технология
Сальмонеллез Реферат Инфекционные Болезни
Реферат по теме Размножение, рост и индивидуальное совершенствование организмов
Реферат: Политическая Культура
Курсовая работа: Внутренние миграционные потоки высококвалифицированных кадров на примере развитых стран ЕС. Скачать бесплатно и без регистрации
Лекция На Тему Организация И Планирование Производства
Курсовая работа по теме Технология программирования: игра 'Бой словами'
Дипломная Работа На Тему Использование Образовательной Технологии "Школа 2100" В Обучении Математике Младших Школьников
Практическое задание по теме Охорона праці на підприємстві інформаційного бізнесу
Реферат по теме Философия Гераклита
Реферат: Рейтинг инвестиционной привлекательности регионов России
Курсовая работа по теме Стратегічне маркетингове дослідження підприємства (готельного господарства 'Глібовка')
Грабарь Зимнее Утро Сочинение Описание 5 Класс
Дипломная работа по теме Анализ основных производственных фондов на примере ООО 'Тольятти Каучук'
Курсовая работа по теме Государственные и муниципальные унитарные предприятия
Курсовая работа по теме Дипломатическая борьба стран Тройственного союза и Антанты по вовлечению Болгарии и Румынии в Первую Мировую войну
Основные методики структуризации целей и функций компании на примере ООО "Уно Моменто" - Менеджмент и трудовые отношения курсовая работа
Вирусы и бактерии - Биология и естествознание реферат
Заболеваемость населения - Медицина презентация