Применение - нейронная сеть
Cтраница 2
 |
Функциональная схема аппаратно-программного комплекса АСУ ТП. [16] |
Наиболее типичным прикладным применением нейронных сетей является распознавание образов, т.е. анализ визуальных изображений, речи и других сигналов. Помимо этого, нейронные сети могут быть использованы для моделирования и управления различными системами и процессами. [17]
Тот факт, что хаотические модели дают хорошее приближение для финансовых временных рядов, говорит о важности изучения поведения рынков капитала как нелинейных динамических процессов и является дополнительным доводом в пользу применения в задачах прогноза различных нелинейных методов, в том числе, - нейронных сетей. В любом случае применение нейронных сетей согласуется с принципом ограниченной рациональности Саймона [243], согласно которому эффективность рынка ограниченна в силу ограниченных возможностей человека в обработке информации. [18]
Пакет обеспечивает всестороннюю поддержку проектирования, обучения и моделирования множества известных сетевых парадигм - от базовых моделей персептрона до самых современных ассоциативных и самоорганизующихся сетей. Он может быть использован для исследования и применения нейронных сетей к таким задачам, как обработка сигналов, нелинейное управление и финансовое моделирование. [19]
Методика синтеза процессорных блоков конвейерного сложения с ускоренным переносом в СОК при применении нейронной сети рекурсивной редукции может быть представлена следующим образом. [20]
Имеется опыт использования нейронных сетей для предсказания зависимости структура соединения - биологическая активность. Точность предсказания оставшихся 7 соединений составляла примерно ту же величину, что свидетельствует о целесообразности применения нейронных сетей для моделирования биологической активности. [21]
Несмотря на огромный интерес, проявляемый к искусственным нейронным сетям, литература по этому направлению в нашей стране издается весьма малыми тиражами и является дефицитной, а зачастую слишком узкоспециализированной и поэтому трудной для понимания. Целью настоящей книги, в связи с этим, является знакомство широкого круга заинтересованных лиц с основными понятиями и методами исследования и применения нейронных сетей. [22]
Для принятия правильного решения эксперту необходимо проанализировать большой объем информации: количество и технологии ранее проведенных обработок, данные об интервалах продуктивного горизонта, продолжительность работы скважины, уровень падения пластового давления в зоне работы скважины, степень обводнения скважины. Ввиду сложности процесса принятия решения при разработке месторождения, большой ответственности, лежащей на эксперте, была разработана интеллектуальная информационная система поддержки принятия решений с применением нейронных сетей. [23]
К моменту написания книги у автора сложилось впечатление, что наиболее ценными в ближайшие годы будут работы, посвященные математическому или статистическому обоснованию адекватности и надежности вновь создаваемых моделей. Применение нейронных сетей уже сегодня могло бы стать практически повсеместным, но до сих пор не имеется твердых доказательств11 того, какие задачи и с какой надежностью способна решать эта модель. [24]
Перечень приведенных способов интерпретации ответов НС не является полным. Для каждой предметной области при решении конкретных задач необходимо их экспериментальное исследование. В нашей практике применения нейронных сетей для исследования вычислительных систем наиболее часто использовалась интерпретация, основывающаяся на правиле победитель забирает все и нечеткая интерпретация. [25]
В случае отсутствия реального временного ряда используется его моделирование, применяя эту модель для обучения НС. Качество моделирования временного ряда с помощью НС в этом случае во многом определяется достоверностью выбранной модели. Однако, в общем случае, применение нейронных сетей для прогнозирования временных рядов не предполагает знание ( или определение) модели тренда и ( или) сезонной составляющей. [26]
 |
Реализация модуля нечеткого управления, использующего нейронную сеть в качестве системы дефуззификации. [27] |
Ограничено количество нечетких множеств Af и В, что позволяет зафиксировать количество нечетких множеств, соответствующих каждому входу и выходу. Благодаря этому не только упрощается конструкция самого модуля нечеткого управления, но и уменьшается количество параметров ( в том числе описывающих входные функции принадлежности), которые будут подвергаться модификации. И, конечно, самая главная особенность - это применение нейронной сети в качестве блока дефуззифика-ции. [28]
Эта книга посвящена нейронным сетям - мощному, хотя и не всегда правильно понимаемому методу. Этот алгоритм наиболее широко распространен и наименее уязвим с точки зрения математики. Благодаря экспоненциально возрастающему в последние несколько лет количеству конференций по финансовым применениям нейронных сетей, эта методика завоевывает все большее доверие в финансовых кругах. Она имеет самые разные применения: от оптических устройств распознавания символов ( OCR, Optical Character Recognition), основанных на нейронных моделях различения настоящих и поддельных подписей, до таких собственно финансовых приложений, как оценка кредитоспособности, процедуры рассмотрения заявок на ссуды, наилучшее распределение активов, оценка волатильно-сти, управление валютными активами, технический анализ. [29]
В предыдущей главе были изложены результаты классификации ex ante ( т.е. наперед) в задаче оценки привлекательности фирм с точки зрения размещения кредитов, которую выполняли несколько польских специалистов в области кредитного дела на материале гипотетических заявок на предоставление кредита; также были рассмотрены результаты классификации ex post ( т.е. задним числом) на материале реального инвестиционного портфеля Голландского инвестиционного банка. В обеих задачах имеющихся данных было недостаточно для того, чтобы проанализировать цену ошибок классификации. В этой главе мы займемся оценкой ошибок классификации 1-го и 2-го родов в задаче прогнозирования банкротства корпораций и исследуем возможные результаты применения нейронных сетей. Материалом для конкретной задачи послужат данные по ряду британских компаний - производителей комплектующих для автомобилей. В основе конструкции сети лежат семь входных моделей, использующих показатели, которые входят в так называемое дзета Альтмана. [30]
Страницы: 1 2 3