Кафедра: "ВТ"

Вид материалаДоклад

Содержание


Классификация образов.
Аппроксимация функций.
Память, адресуемая по содержанию.
2.1. Человеческий мозг.
Рис.1. Компоненты нейрона
2.5. Аксон и синапс.
Рис.2. Синапс
Результатом прогноза на нейронной сети
Задачей автоматизированной системы прогнозирования краткосрочных и долгосрочных тенденций финансовых рынков
3) операции с двумя рядами данных C
2 этап. Преобразование входных сигналов. x
Выбор алгоритма обучения нейронной сети
5 этап. Итоговое вычисление границ прогнозируемого значения. P=P
T и предполагаемое значение i-го критерия на момент T
Подобный материал:
  1   2   3   4

Ульяновский государственный технический университет

факультет ИСТ

кафедра: "ВТ"


Дисциплина: Инженерия знаний

Доклад

Моделирование и использование нейро-представлений и механизмов.




Выполнила ст. гр. ЭВМдм - 52 Лылова А. В.

Проверил: Соснин П. И.


Ульяновск 2000 г.

Содержание.

  1. Введение:

1.1. Причины начала исследований в области искусственного интеллекта и нейромоделирования.

1.2. Краткий исторический обзор.

1.3. Области применения нейросетей и ИНС в целом.


  1. Электрохимические процессы, лежащие в основе функционирования нервной системы человека:

2.1. Человеческий мозг.

2.2. Нейрон.

2.3. Тело ячейки.

2.4. Дендриты.

2.5. Аксон и синапс.

2.6. Мембрана клетки.

  1. Математическая модель биологической нейросети.



  1. Применение нейросетей финансах и бизнесе:

4.1. Краткое описание задачи прогнозирования краткосрочных и долгосрочных тенденций финансовых рынков.

4.2. Краткое описание задачи оптимального распределения свободных средств банка между различными финансовыми рынками и их инструментами.

4.3. Выбор и подготовка данных для участия в прогнозе.

4.4. Прогнозирование тенденций финансовых рынков.

4.5. Задача оптимального распределения свободных средств банка.

4.6. Выводы.

  1. Заключение.

1. Введение.

1.1. Причины начала исследований в области искусственного интеллекта и нейромоделирования.


Научно - технический прогресс и бурное развитие технологии, изменение и расширение структуры общественных потребностей ставят перед обществом ряд задач, решение которых проблематично или невозможно в рамках существующих традиционных методов решения. Как известно, для решения множества задач планирования, управления, вычисления, прогнозирования и т.д. вплоть до настоящего времени широко применялись цифровые и аналоговые вычислительные модули (ЭВМ), в основе функционирования которых лежит известный всем принцип программного управления фон-Неймана.

В случае реализации принципа программного управления любая решаемая задача должна быть вначале представлена в виде программы - жесткого алгоритма, учитывающего все возможные ситуации и события. Однако на практике приходится решать задачи, для которых нелегко либо практически невозможно разработать единый алгоритм их решения (трудно формализуемые и неформализуемые задачи). Это, например, такие задачи, как задача распознавания образов и изображений, звука и т.д. С другой стороны, в ряде случаев человек (точнее, его мозг) решает эти задачи достаточно эффективно и без осложнений. Это привело ученых - кибернетиков к пониманию того факта, что необходимо изучить механизмы функционирования нейросетей (нервных систем) животных и человека, а затем, разработав их математические модели с заданной степенью приближения, сымитировать (программно) их обучение и поведение и (или) построить на приемлемом технологическом базисе вычислительные устройства, реализующие функции нейросетей – нейрокомпьютеры (Интеллектуальные системы на основе искусственных нейронных сетей (ИНС)).

Подобно биологической нейронной системе ИНС является вычислительной системой с огромным числом параллельно функционирующих простых процессоров с множеством связей. Модели ИНС в некоторой степени воспроизводят "организационные" принципы, свойственные мозгу человека. Моделирование биологической нейронной системы с использованием ИНС может также способствовать лучшему пониманию биологических функций. Такие технологии производства, как VLSI (сверхвысокий уровень интеграции) и оптические аппаратные средства, делают возможным подобное моделирование.

Глубокое изучение ИНС требует знания нейрофизиологии, науки о познании, психологии, физики (статистической механики), теории управления, теории вычислений, проблем искусственного интеллекта, статистики/математики, распознавания образов, компьютерного зрения, параллельных вычислений и аппаратных средств (цифровых/аналоговых/VLSI/оптических). С другой стороны, ИНС также стимулируют эти дисциплины, обеспечивая их новыми инструментами и представлениями. Этот симбиоз жизненно необходим для исследований по нейронным сетям.


1.2. Краткий исторический обзор.


Исследования в области ИНС пережили три периода активизации. Первый пик в 40-х годах обусловлен пионерской работой МакКаллока и Питтса. Второй возник в 60-х благодаря теореме сходимости персептрона Розенблатта и работе Минского и Пейперта, указавшей ограниченные возможности простейшего персептрона. Результаты Минского и Пейперта погасили энтузиазм большинства исследователей, особенно тех, кто работал в области вычислительных наук. Возникшее в исследованиях по нейронным сетям затишье продлилось почти 20 лет. С начала 80-х годов ИНС вновь привлекли интерес исследователей, что связано с энергетическим подходом Хопфилда и алгоритмом обратного распространения для обучения многослойного персептрона (многослойные сети прямого распространения), впервые предложенного Вербосом и независимо разработанного рядом других авторов. Алгоритм получил известность благодаря Румельхарту, в 1986 году Андерсон и Розенфельд подготовили подробную историческую справку о развитии ИНС.


1.3. Области применения нейросетей и ИНС в целом.


Представим некоторые проблемы, решаемые в контексте ИНС и представляющие интерес для ученых и инженеров.


^ Классификация образов.

Задача состоит в указании принадлежности входного образа (например, речевого сигнала или рукописного символа), представленного вектором признаков, одному или нескольким предварительно определенным классам. К известным приложениям относятся распознавание букв, распознавание речи, классификация сигнала электрокардиограммы, классификация клеток крови.

Отметим, что задачи классификации очень плохо алгоритмизуются. Если в случае распознавания букв верный ответ очевиден для нас заранее, то в более сложных практических задачах обученная нейросеть выступает как эксперт, обладающий большим опытом и способный дать ответ на трудный вопрос.



Примером такой задачи служит медицинская диагностика, где сеть может учитывать большое количество числовых параметров (энцефалограмма, давление, вес и т.д.). Конечно, "мнение" сети в этом случае нельзя считать окончательным.




Классификация предприятий по степени их перспективности - это уже привычный способ использования нейросетей в практике западных компаний. При этом сеть также использует множество экономических показателей, сложным образом связанных между собой.


Нейросеть позволяет обрабатывать огромное количество факторов (до нескольких тысяч), независимо от их наглядности


Кластеризация/категоризация.

При решении задачи кластеризации, которая известна также как классификация образов "без учителя", отсутствует обучающая выборка с метками классов. Алгоритм кластеризации основан на подобии образов и размещает близкие образы в один кластер (компактную область), причем число кластеров заранее неизвестно. Кластеризация позволяет представить неоднородные данные в более наглядном виде и использовать далее для исследования каждого кластера различные методы. Известны случаи применения кластеризации для извлечения знаний, сжатия данных и исследования свойств данных.



Например, нейросеть на основе методики МГУА (метод группового учета аргументов) позволяет на основе обучающей выборки построить зависимость одного параметра от других в виде полинома. Такая сеть может не только мгновенно выучить таблицу умножения, но и найти сложные скрытые зависимости в данных (например, финансовых), которые не обнаруживаются стандартными статистическими методами


^ Аппроксимация функций.

Предположим, что имеется обучающая выборка ((x1,y1), (x2,y2),..., (xn,yn)) (пары данных вход-выход), которая генерируется неизвестной функцией f(x), искаженной шумом. Задача аппроксимации состоит в нахождении оценки неизвестной функции f(x). Аппроксимация функций необходима при решении многочисленных инженерных и научных задач моделирования.


Предсказание/прогноз.

Пусть заданы n дискретных отсчетов {y(t1), y(t2),..., y(tn)} в последовательные моменты времени t1, t2,..., tn. Задача состоит в предсказании значения y(tn+1) в некоторый будущий момент времени tn+1. Предсказание/прогноз имеют значительное влияние на принятие решений в бизнесе, науке и технике. Предсказание цен на фондовой бирже и прогноз погоды являются типичными приложениями техники предсказания/прогноза.


Оптимизация.

Многочисленные проблемы в математике, статистике, технике, науке, медицине и экономике могут рассматриваться как проблемы оптимизации. Задачей алгоритма оптимизации является нахождение такого решения, которое удовлетворяет системе ограничений и максимизирует или минимизирует целевую функцию. Задача коммивояжера, относящаяся к классу NP-полных, является классическим примером задачи оптимизации.


^ Память, адресуемая по содержанию.

В модели вычислений фон Неймана обращение к памяти доступно только посредством адреса, который не зависит от содержания памяти. Более того, если допущена ошибка в вычислении адреса, то может быть найдена совершенно иная информация. Ассоциативная память, или память, адресуемая по содержанию, доступна по указанию заданного содержания. Содержимое памяти может быть вызвано даже по частичному входу или искаженному содержанию. Ассоциативная память чрезвычайно желательна при создании мультимедийных информационных баз данных.


Управление.

Рассмотрим динамическую систему, заданную совокупностью {u(t), y(t)}, где u(t) является входным управляющим воздействием, а y(t) - выходом системы в момент времени t. В системах управления с эталонной моделью целью управления является расчет такого входного воздействия u(t), при котором система следует по желаемой траектории, диктуемой эталонной моделью. Примером является оптимальное управление двигателем.


2. Электрохимические процессы, лежащие в основе функционирования нервной системы человека.


Структура искусственных нейронных сетей была смоделирована как результат изучения человеческого мозга. Как мы уже отмечали, сходство между ними в действительности очень незначительно, однако даже эта скромная эмуляция мозга приносит ощутимые результаты. Например, искусственные нейронные сети имеют такие аналогичные мозгу свойства, как способность обучаться на опыте, основанном на знаниях, делать абстрактные умозаключения и совершать ошибки, что является более характерным для человеческой мысли, чем для созданных человеком компьютеров.

Учитывая успехи, достигнутые при использовании грубой модели мозга, кажется естественным ожидать дальнейшего продвижения вперед при использовании более точной модели. Разработка такой модели требует детального понимания структуры и функций мозга. Это в свою очередь требует определения точных характеристик нейронов, включая их вычислительные элементы и элементы связи. К сожалению, информация не является полной; большая часть мозга остается тайной для понимания. Основные исследования проведены в области идентификации функций мозга, однако и здесь отсутствуют подходы, отличающиеся от чисто “схематических”. Биохимия нейронов, фундаментальных строительных блоков мозга, очень неохотно раскрывает свои секреты. Каждый год приносит новую информацию относительно электрохимического поведения нейронов, причем всегда в направлении раскрытия новых уровней сложности. Ясно одно: нейрон является намного более сложным, чем представлялось несколько лет назад, и нет полного понимания процесса его функционирования.

Все выше сказанное приводит к необходимости дальнейшего изучения электрохимических процессов, происходящих в нейронных сетях человеческого мозга, с целью построения более точных моделей искусственных нейронных сетей на основе полученных знаний


^ 2.1. Человеческий мозг.


Человеческий мозг содержит свыше тысячи миллиардов вычислительных элементов, называемых нейронами. Эти нейроны связаны сотнями триллионов нервных нитей, называемых синапсами. Эта сеть нейронов отвечает за все явления, которые мы называем мыслями, эмоциями, познанием, а также и за совершение мириадов сенсомоторных и автономных функций. Пока мало понятно, каким образом все это происходит, но уже исследовано много вопросов физиологической структуры и определенные функциональные области постепенно изучаются исследователями.

Мозг также содержит густую сеть кровеносных сосудов, которые обеспечивают кислородом и питательными веществами нейроны и другие ткани. Эта система кровоснабжения связана с главной системой кровообращения посредством высокоэффективной фильтрующей системы, называемой гематоэнцефалическим барьером, этот барьер является механизмом защиты, который предохраняет мозг от возможных токсичных веществ, находящихся в крови. Защита обеспечивается низкой проницаемостью кровеносных сосудов мозга, а также плотным перекрытием глиальных клеток, окружающих нейроны. Кроме этого, глиальные клетки обеспечивают структурную основу мозга. Фактически весь объем мозга, не занятый нейронами и кровеносными сосудами, заполнен глиальными клетками.

Мозг является основным потребителем энергии тела. Включая в себя лишь 2% массы тела, в состоянии покоя он использует приблизительно 20% кислорода тела. Потребляя только 20 Вт, мозг с энергетической точки зрения невероятно эффективен. Компьютеры с одной крошечной долей вычислительных возможностей мозга потребляют много тысяч ватт и требуют сложных средств для охлаждения, предохраняющего их от температурного саморазрушения.