Адаптивные нейросети


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
Основные категории 2

Цель и задачи исследования
Цель и задачи исследования 2
Цель и задачи исследования 3

Традиционные подходы 1
Традиционные подходы 2
Традиционные подходы 3
Традиционные подходы 4
Традиционные подходы 5
Традиционные подходы 6
Традиционные подходы 7
Традиционные подходы 8
Традиционные подходы 9
Традиционные подходы 10
Традиционные подходы 11

Адаптивные нейронные сети
Адаптивные нейронные сети 2
Адаптивные нейронные сети 3
Адаптивные нейронные сети 4
Адаптивные нейронные сети 5
Адаптивные нейронные сети 6
Адаптивные нейронные сети 7

Принципы функционирования АНС
Принципы функционирования АНС 2
Принципы функционирования АНС 3
Принципы функционирования АНС 4
Принципы функционирования АНС 5
Принципы функционирования АНС 6
Принципы функционирования АНС 7
Принципы функционирования АНС 8
Принципы функционирования АНС 9
Принципы функционирования АНС 10

Принципы функционирования АНС 11
Принципы функционирования АНС 12
Принципы функционирования АНС 13
Принципы функционирования АНС 14
Принципы функционирования АНС 15
Принципы функционирования АНС 16
Принципы функционирования АНС 17
Принципы функционирования АНС 18
Принципы функционирования АНС 19
Принципы функционирования АНС 20


Принципы функционирования АНС 21
Принципы функционирования АНС 22
Принципы функционирования АНС 23
Принципы функционирования АНС 24
Принципы функционирования АНС 25
Принципы функционирования АНС 26
Принципы функционирования АНС 27
Принципы функционирования АНС 28
Принципы функционирования АНС 29
Принципы функционирования АНС 30

Принципы функционирования АНС 31
Принципы функционирования АНС 32
Принципы функционирования АНС 33
Принципы функционирования АНС 34

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
Определение алгоритмов предварительной обработки каждой переменной 2
Определение алгоритмов предварительной обработки каждой переменной 3

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
Настройка АНС на оптимальную кластеризацию и визуализацию 2

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
Оценка результатов, полученных с помощью АНС 2
Оценка результатов, полученных с помощью АНС 3

Макроэкономический анализ

Глава 2 Матрица инвестиционных решений





Справка
Выбор данных для обучения сети и их обработка является самым сложным этапом решения задачи. Набор данных для обучения должен удовлетворять нескольким критериям: Репрезентативность — данные должны иллюстрировать истинное положение вещей в предметной области; Непротиворечивость — противоречивые данные в обучающей выборке приведут к плохому качеству обучения сети. Исходные данные преобразуются к виду, в котором их можно подать на входы сети. Каждая запись в файле данных называется обучающей парой или обучающим вектором. Обучающий вектор содержит по одному значению на каждый вход сети и, в зависимости от типа обучения (с учителем или без), по одному значению для каждого выхода сети. Обучение сети на «сыром» наборе, как правило, не даёт качественных результатов.
Продолжение