Объединение га и инс
ГA для обучения нейронных сетей — эволюционное обучение, также называемое эволюцией весов связей.
ГA для подбора топологии нейронной сети – эволюция сетевой архитектуры.
Нейросетевой подход особенно эффективен в задачах экспертной оценки по той причине, что он сочетает в себе способность компьютера к обработке чисел и способность мозга к обобщению и распознаванию. Говорят, что у хорошего врача способность к распознаванию в своей области столь велика, что он может провести приблизительную диагностику уже по внешнему виду пациента. Можно согласиться, что опытный трейдер чувствует направление движения рынка по атмосфере биржи. Нейронная сеть позволяет обрабатывать огромное количество факторов (до нескольких тысяч), независимо от их наглядности - это универсальный "хороший врач", который может поставить независимый диагноз.
В любой области человеческой деятельности есть плохо алгоритмизуемые задачи, для решения которых необходима либо постоянная работа группы квалифицированных экспертов, либо адаптивные системы автоматизации, каковыми являются нейронные сети. Разные компании выбирают разные варианты - одни предпочитают тратить деньги на оплату лучших специалистов и их обучение, другие покупают полностью готовые специализированные нейросетевые системы, а третьи комбинируют эти подходы. Вариант создания собственной системы на основе готового нейропакета подходит для менее крупных компаний и даже для частных лиц - инвесторов, трейдеров, предпринимателей. Впрочем, имеется и несколько примеров крупнейших концернов, избравших этот вариант и добившихся успеха.
Так, например, компания DuPont разработала новый материал - безопасное стекло, используя нейросетевой пакет NeuroShell. Этот пакет используется также в крупных западных банках, таких как Citibank, Security Pacific National Bank, The World Bank, Lloyds Bank, The Federal Reserve Board, Federal Reserve Bank of New York, и в страховых компаниях Royal Insurance, Presidential Life Insurance, New York Life Insurance и других. Хотя конкретные методики использования пакетов держатся в секрете, формулировки задач и подходы к их решению известны.
Рассмотрим использование нейронной сети для финансовых приложений на простом примере. Представим, что вы - брокер на фондовой бирже и хотите использовать нейропакет для прогнозирования изменений в своем "портфеле игрока". Пусть вас интересуют завтрашние котировки акций двадцати фирм, входящих в ваш "портфель". Интуитивно ясно, что эти котировки зависят, от собственных предшествующих значений, от котировок всех остальных ценных бумаг, представленных на бирже, от курсов основных валют и индексов инфляции, от ряда макроэкономических параметров, а также от некоторых дополнительных факторов - вчерашней рекламы, грядущих выборов в Думу и пр.
-все эти факторы образуют вектор входных значений для настройки сети.
Теперь соберем данные о биржевой ситуации за достаточно длительный период, которые нам кажутся существенными.
Подготовим данные по искомым выходным параметрам (курсам двадцати акций нашего портфеля) за тот же период - они будут использоваться для обучения.
Соберем все данные в одном текстовом файле в виде весьма простой таблички и запустим нейропакет в режиме обучения. Если примеров мало, их можно пропускать по несколько раз. Через пятнадцать минут ваш пакет обучен. Добавьте программку, позволяющую вашему пакету автоматически обновлять данные, получая их непосредственно из биржевых сводок, распространяемых по электронной почте.
Теперь в ваших руках действительно мощное оружие, способное, не отнимая времени и сил, вооружать вас знанием биржевых тенденций и даже подсказывать стратегию биржевой игры:
1. Наиболее ценное свойство нейронных сетей - способность обучаться на множестве примеров в тех случаях когда неизвестны закономерности развития ситуации и какие бы то ни было зависимости между входными и выходными данными. К этим случаям относится до 80% задач финансового анализа, перед которыми пасуют как традиционные математические методы, так и экспертные системы.
2. Нейронные сети способны успешно решать задачи, опираясь на неполную, искаженную, зашумленную и внутренне противоречивую входную информацию.
3. Для использования методов корреляционного анализа вам понадобится профессионал-математик. Эксплуатация обученной нейронной сети по силам и старшекласснику.
4. Нейросетевые пакеты позволяют исключительно легко подключаться к базам данных, электронной почте и т.д. и автоматизировать процесс ввода и первичной обработки данных.
5. Внутренний параллелизм, присущий нейронным сетям, позволяет практически безгранично (насколько хватит кошелька) наращивать мощность вашей нейросистемы. Вы можете начать с простого и дешевого пакета, потом перейти на профессиональную версию, потом добавить одну-две-три платы-ускорителя, потом перейти на специализированный нейрокомпьютер с гарантией полной преемственности всего ранее созданного программного обеспечения.
Решения практических задач
Классификация предприятий по степени их перспективности - это уже привычный способ использования нейронных сетей в практике западных компаний. При этом нейронная сеть также использует множество экономических показателей, сложным образом связанных между собой.
Обслуживание кредитных карточек
Способности нейросетей к классификации применяются для отслеживания операций с крадеными кредитными картами и поддельными чеками. Специализированная система Falcon фирмы HNC позволяет по частоте сделок и характеру покупок выделить подозрительные сделки и сигнализировать об этом. Благодаря этой системе потери банков от таких операций заметно уменьшились. В настоящее время Falcon контролирует более 260 миллионов счетов 16 крупнейших эмитентов кредитных карт. Аналогичная система, разработанная фирмой ITC, используется для обработки операций с кредитными картами Visa. В 1995 году с помощью этой системы были предотвращены нелегальные сделки на сумму более 100 млн. долларов.