Применение нейронных сетей для обработки финансово-экономических данных предприятий сопряжено с рядом трудностей. В некоторых случаях входные данные соотносятся с желаемыми выходными данными либо могут быть охарактеризованы с помощью ряда устойчивых факторов. Это равносильно априорному предположению о существовании неких правил, управляющих преобразованием исходных временных рядов во множество выходных данных. Все это приводит к проблеме выявления репрезентативных рядов и факторов, существенных с точки зрения характеристики входных данных, а также значимых примеров. Сложность использования АНС в этом случае обусловлена тем, что размерность плоскости выходных параметров должна быть определена до начала обучения. Кроме того, в процессе самообучения нейросети не допускается добавление новых нейронов. Таким образом, метод АНС иногда является недостаточно гибким.
В таких случаях метод АНС целесообразно дополнить генетическими алгоритмами. Гибридная нейросетевая модель, совмещающая обучающую процедуру метода АНС с эволюционной моделью, значительно повышает гибкость использования нейронной структуры. Гибридная модель может обеспечить получение более полной и осмысленной информации о финансово-экономических процессах на предприятиях (как качественной, так и количественной).
В целом применение АНС не предполагает полного отказа от других хорошо известных методов, и сетевые модели целесообразно дополняться другими методами анализа. Результаты, полученные с помощью АНС, часто можно улучшить, если использовать их в сочетании с традиционными статистическими методами либо в комбинации с другими прогрессивными средствами, такими как многомерные статистические модели; нейронные сети, обучаемыми с учителем; нейронные модели, подобными многослойному перцептрону; генетические алгоритмы, нечеткая логика, алгоритмы оптимальной цифровой фильтрации, выделения слабых сигналов с помощью критерия х2 и т.д. Прогностические способности АНС целесообразно улучшить с помощью численного моделирования методом Монте-Карло и общего метода моментов. Проекции Сэммона следует использовать для демонстрации относительных расстояний между входными векторами данных. Каждый из дополнительных методов в наибольшей степени отвечает решению некоторых специальных аспектов решаемых задач. Поэтому для каждого из таких аспектов следует выбирать наиболее подходящие методы.
Наиболее правильным подходом в использовании АНС является интегрирование этого метода в комплексную систему информационного обеспечения принятия решений, предназначенную для управления крупными портфелями ценных бумаг инвесторов.
Основные категории
Цель и задачи исследования
Традиционные подходы
Адаптивные нейронные сети
Принципы функционирования АНС
Процедуры использования АНС
Определение цели анализа
Выбор источников данных и определение требований к ним
Определение необходимых объемов данных и используемых переменных
Определение алгоритмов предварительной обработки каждой переменной
Выявление данных, наиболее типичных для входного набора
Выбор дополнительных методов кластеризации и визуализации
Определение желаемого размера изображения, отношения высоты к ширине и степень детализации.
Настройка АНС на оптимальную кластеризацию и визуализацию
Интерпретация результатов, выявление кластеров и нетипичных объектов
Расстановка на плоскости выходных параметров соответствующих меток
Формулировка полученных результатов на основе различия между кластерами
Оценка результатов, полученных с помощью АНС
там
Операционные системы -вопросы теории там
