Автор работы: Пользователь скрыл имя, 11 Декабря 2011 в 11:51, реферат
На современном этапе возрастает необходимость в системах, которые способны не только выполнять однажды запрограммированную последовательность действий над заранее определенными данными, но и способны сами анализировать вновь поступающую информацию, находить в ней закономерности, производить прогнозирование и т.д. В этой области приложений самым лучшим образом зарекомендовали себя так называемые нейронные сети – самообучающиеся системы, имитирующие деятельность человеческого мозга. Рассмотрим подробнее структуру и математическую модель искусственных нейронных сетей (НС), а также их применение в моделировании и прогнозировании. Техника нейронных вычислений в последние годы начинает все активнее использоваться для анализа, моделирования и прогнозирования в задачах связанных с финансовыми потоками и экономикой на всех уровнях ее хозяйствования. В основном это вызвано появлением более мощных процессоров, доступных для рядового пользователя, а также различными теоретическими и практическими достижениями в данной области.
Введение………………………………………………………………...4
1. Проблемы и их решение ……………………………………………6
2. Принципиальные особенности …………………………………….8
3. Процесс построения комплексной нейросетевой модели……....11
Список источников…
МИНИСТЕРСТВО
ОБРАЗОВАНИЯ И НАУКИ УКРАИНЫ
ХАРЬКОВСКИЙ ТОРГОВО-
Кафедра
экономики предприятий и
РЕФЕРАТ
по дисциплине Макроэкономическое прогнозирование
на
тему: «Нейросетевое прогнозирование
макроэкономики»
Выполнил:
Харьков
2010
Введение……………………………………………
1.
Проблемы и их решение ……………………
2.
Принципиальные особенности ………
3.
Процесс построения
Список
источников……………………………………………………
Введение
На
современном этапе возрастает необходимость
в системах, которые способны не
только выполнять однажды
Немаловажную роль в успехе нейронных сетей сыграло и то, что они обладают многими весьма интересными свойствами, присущими человеческому мозгу: они могут обучаться на основании некоторого опыта, могут обобщать и извлекать полезную информацию из набора предоставляемых данных, который может содержать ненужные данные или информацию с помехами. В то же время при использовании обычных «точных» алгоритмов нахождения ответов на вопросы, отклонения во входной информации вызывают отклонения выходной. Следует отметить, что такая способность нейронных сетей реализуется только благодаря структуре сети, а не с помощью какого-либо дополнительного инструментария.
Важно то, что, в отличие от человека, который одновременно может принимать во внимание 5-6 факторов, нейронная сеть может оперировать сотнями, и, как это ни странно, может дать прогноз лучше, чем человек. Человеческое сознание способно удерживать одновременно пять плюс-минус две сущности
Данная
область имеет вместе с уникальными
возможностями также и
Недостатками нейронных сетей можно считать их «склонность» к ошибкам, а также то, что нейронная сеть не способна «объяснить», почему она принимает то или иное решение, что иногда бывает очень важно. Строение нейронной сети в некоторых случаях бывает настолько сложным, что любые попытки к анализу не дадут существенных результатов. И даже в этом случае можно наблюдать аналогию с человеческим мышлением, ведь мы узнаем, что написанное от руки предложение принадлежит нашему знакомому, хотя объяснить, почему мы так решили не можем, мы лишь наблюдаем определенные закономерности начертания букв и выдаем результат — точно так же происходит и в нейронных сетях.
Как показывает практика последних лет, нейронные сети оказались весьма перспективным инструментом для анализа информации экономического характера, что позволило использовать эту технологию при проведении стандартных банковских операций, таких как: оценка кредитных рисков, решения задач банковского маркетинга, контроль операций с кредитными карточками и др. Следует отметить, что подобные области всегда отличались весьма высокой ценой ошибки, и применение нейросетевых технологий в данном случае говорит о достаточном уровне доверия к ним.
Все эти задачи, так или иначе, связаны с анализом большого количества информации, среди которой необходимо обнаружить зависимости, влияющие на изменение состояния рынка, или благоприятные обстоятельства для инвестиционной деятельности. Именно в ситуациях, когда прямую зависимость достаточно сложно записать в виде формулы или определенных правил, нейронные сети дают очень эффективные результаты.
Однако
при рассмотрении вопроса применения
нейросетевых технологий в моделировании
и прогнозировании
1.
Проблемы и их решение
В программировании известна такая теорема: «Чем больше размер программы, тем сложнее написать и чаще приходится переписывать». В последней редакции программной реализации нейросетевой макроэкономической модели размер кода основных модулей превысил 5000 строк, не считая подключаемые компоненты и используемые сторонние модули. Для того чтобы избежать трудно уловимых коллизий между модулями и внутренних ошибок, было сделано следующее:
1.
Разделение основной программы
на отдельные
a) DataPump – модуль работы с данными;
b)
NeuroEvolution – модуль определения
зависимостей между
c) Neural Network – модуль настройки нейронных сетей;
d) ExcelLink – надстройка для связи с MS Excel по COM-технологии.
2.
Использование простой и,
3. Контроль версий частей кода.
4.
Использование отлаженных
a) NeuralBase и GeneBase компании BaseGroup;
b)
FFNN компании Dataland Software.
Ресурсоемкость применяемых алгоритмов
В программировании известна также следующая теорема: «На 20% машинного кода приходится 80% затрат машинного времени». Данное соотношение оказалось более чем верным в отношении алгоритмов эволюционного поиска и настройки нейронных сетей. Так, например, процесс выявления определяющих факторов до его оптимизации требовал более суток непрерывной работы системы на процессоре Celeron с тактовой частотой 1000 МГц16. После оптимизации и добавления алгоритма, составляющего первоначальный набор факторов на основе коэффициентов линейной корреляции, стало возможным получать аналогичные результаты за 4-8 часов вычислений. Итак, значительные затраты процессорного времени, требуемого алгоритмами, которые применяются при построении комплексных нейромоделей макроэкономических процессов, можно снизить, если:
16 FactorCount = 7, DataFieldCount = 20, AbsolutePeriodCount = 52, Window = 5, Forecast = 2, GAEpochCount = 40, GAChromosomeCount = 20, NetStructure = ―FactorCount-7-Forecast‖, UseAdaptiveAging = Да, NETEpochCount = 1000. Описание переменных см. в «Процесс построения комплексной макроэкономической модели».
17
Например, при расчете 10-факторной
модели высокого уровня можно
25-50% первой популяции
a)
оптимизировать код, на
b)
использовать ранее полученные
результаты вычислений по
c) запускать длительные процессы в фоновом режиме с низким приоритетом (Idle или Low) для использования времени простоя процессора.
В
перспективе возможно также использование
системы распределенных вычислений,
позволяющее использовать свободное
процессорное время компьютеров, объединенных
в единую сеть.
Сложность анализа логики нейросетевых моделей
Одним из наиболее часто упоминающихся недостатков нейросетевых моделей является сложность их представления в удобной для восприятия и анализа форме. Так, например, синаптические связи простейшей нейронной сети вида «2-2-2» полностью описываются системой из 8 уравнений, содержащих трудно воспринимаемые весовые коэффициенты. Если же речь идет о модели вида «20*5-40-20*2», одновременно прогнозирующей состояние 20 показателей на 2 периода вперед на основе этих же 20 показателей с величиной лагов до 5, то размер файла с ее характеристиками превысит 100 Кб. Ни о каком восприятии и анализе логики нейронной сети здесь речь идти не может.
Одним
из способов решения данной проблемы
является разделение такой большой
нейромодели на ряд субмоделей (по
одной на каждый показатель) с ограниченным
количеством входных (1-3) и выходных
(5-10) переменных. В таком случае становится
значительно проще работать с
определяющими факторами и
2
Принципиальные особенности
При
применении эконометрических методов
моделирования чрезвычайно
Поэтому на практике исследователи выдвигают гипотезу о том, что имеющиеся данные описываются каким-либо определенным законом, а потом проверяют, является эта гипотеза ложной или истинной. Естественно, что реально возможно проверить лишь ограниченное число предположений из бесконечного количества вариантов.
Преимущество
нейронных сетей заключается
в том, что изначально не задается
жесткая структура
Таким
образом, использование нейросетевых
моделей позволяет
Информация о работе Нейросетевое программирование макроєкономики