Оценка кредитоспособности заемщиков БИНБАНК методами нейросетевого моделирования
Дипломная работа - Компьютеры, программирование
Другие дипломы по предмету Компьютеры, программирование
?ом активации и в результате получается величина активации нейрона. Сигнал активации преобразуется с помощью функции активации и в результате получается выходной сигнал нейрона: y=f(s) [9].
Рисунок 2. Искусственный нейрон
Нелинейная функция называется активационной и может выглядеть по-разному. Одной из наиболее распространенных является нелинейная функция с насыщением, так называемая логистическая функция, или сигмоид (т.е. s-образная кривая):
В общем случае входной сигнал, весовые коэффициенты и значения смещения могут принимать действительные значения. Выход определяется видом функции активации и может быть как действительным, так и целым. Синаптические связи с положительными весами называют возбуждающими, с отрицательными весами - тормозящими. Таким образом, нейрон полностью описывается своими весами wi и передаточной функцией f(s). Получив набор чисел в качестве входов xi, нейрон выдает некоторое число y на выходе. Примеры активационных функций представлены в таблице 2 и на рисунке 3 [18].
Таблица 2
Определение категории качества ссуды
Что еще касается общих черт нейронных сетей, то им характерен принцип параллельной обработки сигналов, который достигается путем объединения большого числа нейронов в так называемые слои и соединения определенным образом нейронов различных слоев, а также, в некоторых конфигурациях, и нейронов одного слоя между собой, причем обработка взаимодействия всех нейронов ведется послойно [18].
В качестве примера простейшей НС рассмотрим трехнейронный перcептрон (рис.4), то есть такую сеть, нейроны которой имеют активационную функцию в виде единичного скачка (бинарная сеть). Стоит сказать, что иногда персептроном называют любую НС слоистой структуры, однако здесь и далее под персептроном понимается только сеть, состоящая из нейронов с активационными функциями единичного скачка (бинарная сеть). [18]. На n входов поступают некие сигналы, проходящие по синапсам на 3 нейрона, образующие единственный слой этой НС и выдающие три выходных сигнала: j=1...3
Рисунок 3. Однослойный перcептрон
Совокупность нейронов, соединенных таким образом, что выходной сигнал одного нейрона служит входной информацией другого нейрона, представляет собой многослойную НС.
Теоретически число слоев и число нейронов в каждом слое может быть произвольным, однако фактически оно ограничено ресурсами компьютера или специализированной микросхемы, на которых обычно реализуется НС.
Стоит сказать, что разработчик нейронной сети, первоначально определившись со структурой сети, должен найти оптимальные значения всех переменных весовых коэффициентов, поскольку сущность действий выполняемых нейронной сетью зависит от величин синаптических связей.
Этот этап называется обучением нейронной сети, и от того, насколько качественно он будет выполнен, зависит способность сети решать поставленные перед ней проблемы во время эксплуатации. На этапе обучения кроме параметра качества подбора весов важную роль играет время обучения. Как правило, эти два параметра связаны обратной зависимостью и их приходится выбирать на основе компромисса.
Обычно НС используется тогда, когда между известными входными значениями и неизвестными выходами существует связь, но не известен точный тип связи. Особенность НС состоит в том, что зависимость между входом и выходом находится в процессе обучения сети.
Существует множество различных алгоритмов обучения, которые однако делятся на два больших класса: детерминистские и стохастические. В первом из них подстройка весов представляет собой жесткую последовательность действий, во втором - производится на основе действий, подчиняющихся некоторому случайному процессу. (Лаврушин, 2007).
Построение нейронной сети проходит в два этапа: выбор типа нейронной сети и ее обучение. На первом этапе нам необходимо определить число нейронов, передаточные функции, каким образом соединить их между собой, и определить входы и выходы нейронной сети. Далее происходит обучение нейронных сетей.
Непосредственно обучение нейронной сети происходит с помощью наблюдений. В процессе первого наблюдения НС, обладая способностью обнаруживать зависимости, самостоятельно устанавливает первоначальные значения wi. Эти значения подставляются в формулу f() и полученная в результате функция определяет величину результирующего показателя Y. Расiитанная величина Y сравнивается с реальной величиной показателя выхода из обучающего набора данных, и вычисляется отклонение между этими показателями. Если отклонение велико, то проводится еще одно аналогичное наблюдение, т.е. сначала корректировка веса wi потом раiет функции f(), затем определение нового значения Y и его сравнение с реальным показателем. Наблюдения повторяются до тех пор, пока ошибка раiета Y не станет близка к нулю. iитается, что по мере проведения наблюдений НС все ближе и ближе приближается к нахождению нужного типа связи [14]. Графически это представлено на рис. 4.
Рисунок 4. Процесс обучения нейросети
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.
Выбор оптимального количества нейронов на внутреннем слое осуществляется с помощью следствия теоре?/p>