Cтраница 1
Нейронные сети предлагают совершенно новые многообещающие возможности для банков и других финансовых институтов, которым по роду своей деятельности приходится решать задачи в условиях небольших априорных знаний о среде. Характер финансовых рынков драматическим образом меняется с тех пор, как вследствие ослабления контроля, приватизации и появления новых финансовых инструментов национальные рынки слились в общемировые, а в большинстве секторов рынка возросла свобода финансовых операций. Очевидно, что сами основы управления риском и доходом не могли не претерпеть изменений, коль скоро возможности диверсификации и стратегии защиты от риска изменились до неузнаваемости. [1]
Нейронные сети представляют собой новую и весьма перспективную вычислительную технологию, дающую новые подходы к исследованию динамических задач в финансовой области. Первоначально нейронные сети открыли новые возможности в области распознавания образов, затем к этому прибавились статистические и основанные на методах искусственного интеллекта средства поддержки принятия решений и решения задач в сфере финансов. [2]
Нейронные сети с прямой связью состоят из статических нейронов, так что сигнал на выходе сети появляется в тот же момент, когда подаются сигналы на вход. Организация ( топология) сети может быть различной. Если не все составляющие ее нейроны являются выходными, говорят, что сеть содержит скрытые нейроны. В конкретных задачах нейроны обычно бывают сгруппированы в слои. На рис. 1.3 показана типовая схема нейронной сети с прямой связью с одним скрытым слоем. [3]
Нейронные сети с прямой связью и обучением методом обратного распространения ошибки рассматриваются в литературе чаще других. Кроме них, существует много других сетевых моделей, некоторые из которых имеют вычурные названия: конкурентное обучение ( или адаптивная теория резонанса), сети Хопфилда, машины Больцмана, самоорганизующиеся карты признаков Кохонена. [4]
Нейронные сети превосходят последовательные машины в решении тех же задач, в которых машину превосходит человек. Задачи, требующие большого объема вычислений или высокой точности лучше выполняются обычной ЭВМ. [5]
Нейронные сети в настоящее время широко используют в химической технологии для решения различных задач распознавания образов. Одной из важнейших функций мозга является способность распознавать ( узнавать) объекты и явления, которую называют феноменом восприятия. При этом принимают во внимание только существенные признаки, которые присущи объектам одного образа и не встречаются у объектов других образов. Распознаванием называют процесс обработки информации об объекте, в результате которого последний относится к тому или иному образу. Таким образом, распознавание является разновидностью процессов классификации. Процессу распознавания всегда предшествует процесс обучения. Различают обучение с учителем и самообучение. [6]
Нейронные сети пока редко применяются в отечественной практике анализа, поэтому в настоящей книге конкретные примеры их применения не приводятся. Укажем лишь, что они используются для тех задач, которые решаются с помощью моделей прикладной математической статистики. [7]
Нейронные сети ( см. Приложение 3) представляют собой совокупность связанных друг с другом узлов, получающих входные данные, осуществляющих их обработку и генерирующих на выходе некоторый результат. Между узлами видимых входного и выходного уровней может находиться какое-то число скрытых уровней обработ-ки. Такая сеть способна обучаться. Для нее имеется специальный набор данных, совокупность входных значений которых порождает заранее установленное множество выходных. Для каждого сочетания обучающих данных на входе выходные значения сравниваются с известным результатом. Если они различаются, то вычисляется корректирующее воздействие, учитываемое при обработке в узлах сети. Указанные шаги повторяются, пока не выполнится условие останова, например, необходимая коррекция не будет превышать заданной величины. Нейронные сети реализуют непрозрачный процесс. Это означает, что построенная в итоге модель не имеет четкой интерпретации, т.е. далеко не всегда понятно, на основе каких логических выводов получаются результаты. [8]
Нейронные сети ( НС) - это ячеечная модель мозга. [9]
Нейронные сети обладают способностью извлекать сущность из входных сигналов, т.е. оперировать с данными, которые не возникали в процессе обучения. [10]
Нейронные сети представляют собой классический пример технологии, основанной на примерах. Нейронные сети - обобщенное название группы математических алгоритмов, обладающих способностью обучаться на примерах, узнавая впоследствии черты встреченных образцов и ситуаций. [11]
Нейронные сети относятся к классу нелинейных адаптивных систем с архитектурой, условно имитирующей нервную ткань, состоящую из нейронов. [12]
Нейронные сети широко применяются для решения задач классификации. Построенную сеть сначала нужно обучить на примерах, для которых известны значения исходных данных и результаты. Процесс обучения сети заключается в подборе весов межнейронных связей и модификации внутренних параметров активационной функции нейронов. Обученная сеть способна классифицировать новые объекты ( или решать другие примеры), однако правила классификации остаются не известными пользователю. [13]
Нейронные сети могут быть реализованы программным или аппаратным способом. [14]
Нейронные сети: как это делается. [15]