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…
Использование системного подхода породило ряд принципиальных отличий данной программной наработки от других работ подобного рода. Среди особенностей данного метода построения моделей необходимо выделить:
1.
Использование группы
2.
Комбинированный алгоритм
3.
Специальный алгоритм
Рассмотрим
подробнее каждый из пунктов.
Использование группы взаимосвязанных показателей
Традиционно
в нейросетевых решениях присутствует
некоторое число входов, на основе
значений которых НС вычисляет один
параметр, некоторым образом
1)
невозможно задать или
2)
нейронная сеть должна
3)
использование традиционного
4)
настройка и дообучение
С
другой же стороны только такая нейросетевая
модель способна в наиболее полной
мере реализовать принцип
18
В данном случае имеется в
виду взаимное влияние
1)
нивелируются все недостатки
предыдущего способа
2)
подобное разделение НС не
только значительно снижает
3)
появляется возможность без
Комбинированный алгоритм выявления определяющих факторов
Одной из главных задач, которые возникают при прогнозировании любого показателя, является выявление тех независимых переменных, на основе которых можно с определенной долей вероятности вычислить его состояние в последующие периоды времени. При наличии множества возможных комбинаций геометрически увеличиваются затраты времени на проверку гипотез о возможности использования конкретного набора факторов и выбор самого оптимального. Для ускорения и автоматизации большей части подобного процесса был использован алгоритм, состоящий из следующих элементов:
1.
Составление первоначального
2.
Эволюционная оптимизация
3.
Пост процессная обработка
Шаги 1 и 2, занимающие большую часть времени, выполнялись в автоматическом режиме, высвобождая время оператора для анализа выявленных закономерностей и творческого поиска новых.
Более
подробно данный алгоритм будет описан
ниже.
Автоматический контроль настройки нейросетевых моделей
Традиционно оценка качества сети производится на основе максимальной и средней ошибок на обучающей выборке19. Иногда используются также значения максимальной и средней ошибок на тестовой выборке20.
19
Указанные параметры
20 Показатели того, насколько правильно в модели определены основные зависимости.
Следует заметить, что, если рассматривать процесс формирования сетевой модели в динамике, то можно выявить весьма интересные тенденции: сначала все 4 показателя ошибок убывают, но затем в некоторой точке ошибки на тестовой выборке начинают возрастать, а сеть входит в состояние «переобученности», аппроксимируя «белый шум». Представляется (к сожалению, в литературе пока данный вопрос подробно не освещался), что одним из способов выбора момента остановки обучения является продолжение настройки сети, пока скользящие средние по значениям ошибок продолжают уменьшаться или рост ошибок на тестовой выборке незначителен по сравнению с уменьшением ошибок на обучающем множестве.
Зачастую, настройка нейросетевой модели заканчивается ее «попаданием» в локальный экстремум, из которого механизм шоковых встрясок ее вывести не в состоянии. Но перед началом обучения весовые коэффициенты НС инициализируются случайными значениями, вследствие этого процесс настройки каждый раз протекает по-разному. Поэтому необходимо повторить процесс нахождения весовых коэффициентов несколько раз, выбрав наиболее оптимальное решение.
Как
мы видим, контроль настройки нейросетевых
моделей можно автоматизировать
использованием нескольких простых
правил, что и было сделано в
программной реализации нейросетевого
моделирования
3.
Процесс построения
Весь процесс создания модели можно разделить на следующие этапы:
1. Подготовка данных.
2.
Выявления определяющих
3.
Построение нейронных
4.
Объединение субмоделей и
Рассмотрим
подробнее каждый из перечисленных
этапов.
Подготовка данных
Процесс подготовки временных рядов для прогнозирования достаточно подробно описан в соответствующей литературе. Остановимся лишь на некоторых особенностях, возникающих вследствие применения математического аппарата нейронных сетей.
1.
Сглаживание исходных
2.
Предпочтительнее
21
Кроме того, использование относительного
прироста показателя «через
22
Здесь и далее в тексте жирным
шрифтом выделяются переменные,
которые оказывают
Подготовленные
данные загружаются в модуль DataPump,
который позволяет гибко
1) Window22 – максимальный лаг для независимых переменных;
2) Forecast – глубина прогноза;
3) iBegin – количество наблюдений с начала периода, которые исключаются из обработки;
4) iEnd – количество наблюдений с конца периода, которые исключаются из обработки (если предполагается провести ретроспективный анализ, то показатель должен быть больше нуля).
После загрузки данных определяются следующие значения:
1) DataFieldCount – число используемых временных рядов;
2) OriginalCount – размерность временных рядов;
3) AbsolutePeriodCount – максимальный размер множества, который можно сформировать из имеющихся данных (определяется как OriginalCount - iBegin - iEnd - Window – Forecast);
4)
NormalizationType – тип нормализации (линейная,
экспоненциальная, автоматическая, без
нормализации) для каждого временного
ряда.
Выявление определяющих факторов
Для
каждой из целевых переменных необходимо
определить те независимые факторы,
на основе которых можно построить
модель, наилучшим образом
1.
Составление первоначального
2.
Эволюционная оптимизация
3.
Пост процессная обработка
Составление первоначального набора независимых переменных
Сначала необходимо выбрать значение показателя FactorCount (5-10), который определяет число независимых переменных в наборе. При увеличении данного показателя:
1) точность модели возрастает;
2) растет «требовательность» к вычислительным ресурсам;
3) затрудняется анализ модели;
4)
возрастает вероятность «
Первичный
набор независимых переменных наиболее
простым образом можно
Информация о работе Нейросетевое программирование макроєкономики