Автор: Пользователь скрыл имя, 04 Ноября 2012 в 22:53, реферат
По периоду упреждения — промежутку времени, на который рассчитан прогноз, —
оперативные (текущие), кратко-, средне-, долго- и дальнесрочные (сверхдолгосрочные)
По объекту исследования
естествоведческие, научно-технические и обществоведчески
Искусственная нейронная
сеть (ИНС, нейронная сеть) - это набор нейронов,
соединенных между собой. Как правило,
передаточные функции всех нейронов в
нейронной сети фиксированы, а веса являются
параметрами нейронной сети и могут изменяться.
Некоторые входы нейронов помечены как
внешние входы нейронной сети, а некоторые
выходы - как внешние выходы нейронной
сети. Подавая любые числа на входы нейронной
сети, мы получаем какой-то набор чисел
на выходах нейронной сети. Таким образом,
работа нейронной сети состоит в преобразовании
входного вектора в выходной вектор, причем
это преобразование задается весами нейронной
сети.
33) Этапы функционирования
нейронной сети: обучение и прогнозирование.
Обучить нейронную сеть - значит, сообщить ей, чего мы от нее добиваемся. Этот процесс очень похож на обучение ребенка алфавиту. Показав ребенку изображение буквы "А", мы спрашиваем его: "Какая это буква?" Если ответ неверен, мы сообщаем ребенку тот ответ, который мы хотели бы от него получить: "Это буква А". Ребенок запоминает этот пример вместе с верным ответом, то есть в его памяти происходят некоторые изменения в нужном направлении. Мы будем повторять процесс предъявления букв снова и снова до тех пор, когда все 33 буквы будут твердо запомнены. Такой процесс называют "обучение с учителем".
При обучении нейронной сети мы действуем совершенно аналогично. У нас имеется некоторая база данных, содержащая примеры (набор рукописных изображений букв). Предъявляя изображение буквы "А" на вход нейронной сети, мы получаем от нее некоторый ответ, не обязательно верный. Нам известен и верный (желаемый) ответ - в данном случае нам хотелось бы, чтобы на выходе нейронной сети с меткой "А" уровень сигнала был максимален. Обычно в качестве желаемого выхода в задаче классификации берут набор (1, 0, 0, ...), где 1 стоит на выходе с меткой "А", а 0 - на всех остальных выходах. Вычисляя разность между желаемым ответом и реальным ответом сети, мы получаем 33 числа - вектор ошибки. Алгоритм обратного распространения ошибки - это набор формул, который позволяет по вектору ошибки вычислить требуемые поправки для весов нейронной сети. Одну и ту же букву (а также различные изображения одной и той же буквы) мы можем предъявлять нейронной сети много раз. В этом смысле обучение скорее напоминает повторение упражнений в спорте - тренировку.
Оказывается,
что после многократного
Важно отметить, что вся информация, которую
нейронная сеть имеет о задаче, содержится
в наборе примеров. Поэтому качество обучения
нейронной сети напрямую зависит от количества
примеров в обучающей выборке, а также
от того, насколько полно эти примеры описывают
данную задачу. Так, например, бессмысленно
использовать нейронную сеть для предсказания
финансового кризиса, если в обучающей
выборке кризисов не представлено. Считается,
что для полноценной тренировки нейронной
сети требуется хотя бы несколько десятков
(а лучше сотен) примеров.
Повторим еще раз, что обучение нейронных
сетей - сложный и наукоемкий процесс.
Алгоритмы обучения нейронных сетей имеют
различные параметры и настройки, для
управления которыми требуется понимание
их влияния.
Применение
нейронной сети
После того, как нейронная сеть обучена, мы можем применять ее для решения полезных задач. Важнейшая особенность человеческого мозга состоит в том, что, однажды обучившись определенному процессу, он может верно действовать и в тех ситуациях, в которых он не бывал в процессе обучения. Например, мы можем читать почти любой почерк, даже если видим его первый раз в жизни. Так же и нейронная сеть, грамотным образом обученная, может с большой вероятностью правильно реагировать на новые, не предъявленные ей ранее данные. Например, мы можем нарисовать букву "А" другим почерком, а затем предложить нашей нейронной сети классифицировать новое изображение. Веса обученной нейронной сети хранят достаточно много информации о сходстве и различиях букв, поэтому можно рассчитывать на правильный ответ и для нового варианта изображения.