Автор работы: Пользователь скрыл имя, 07 Ноября 2013 в 19:36, реферат
Нейронные сети - это очень мощный и гибкий механизм прогнозирования. При определении того, что нужно прогнозировать, необходимо указывать переменные, которые анализируются и предсказываются. Здесь очень важен требуемый уровень детализации. На используемый уровень детализации влияет множество факторов: доступность и точность данных, стоимость анализа и предпочтения пользователей результатов прогнозирования. В ситуациях, когда наилучший набор переменных неясен, можно попробовать разные альтернативы и выбрать один из вариантов, дающий наилучшие результаты. Обычно так осуществляется выбор при разработке прогнозирующих систем, основанных на анализе исторических данных.
Проведем анализ, используя данные журнала «Нейрокомпьютер», наиболее мощных зарубежных нейропакетов
1) NeuroSolutions фирмы NeuroDimension Inc.,
2) NeuralWorks Professional II/ Plus с модулем UDND фирмы NeuralWare Inc.;
3) Process Advisor фирмы AlWare Inc.;
4) NeuroShell 2 фирмы Ward Systems Group,
5) BrainMaker Pro фирмы California Scientific Software.
В качестве тестовой рассмотрена задача прогнозирования многомерного временного ряда. В качестве архитектуры взята многослойная нейронная сеть с различными критериями и алгоритмами обучения
В результате тестирования все нейропакеты показали практически одинаковые результаты по времени обучения с помощью алгоритма обратного распространения ошибки. Поэтому оценка производилась по показателям нейропакетов, связанным с возможностями использования различных нейронных структур, критериев оптимизации и алгоритмов обучения сетей, а также с простотой использования нейропакетов и наглядностью представляемой информации.
При тестировании
учитывались и возможности
• простота создания и обучения нейронной сети, интуитивно понятный интерфейс;
• простота подготовки обучающей выборки;
• наглядность и полнота представления информации в процессе создания и обучения нейронной сети;
• количество реализуемых стандартных нейропарадигм, критериев и алгоритмов обучения нейронной сети,
• возможность создания собственных нейронных структур;
• возможность использования собственных критериев оптимизации,
• возможность использования собственных алгоритмов обучения нейронной сети,
• простота обмена информацией между нейропакетом и Другими приложениями операционной системы;
• открытость архитектуры, т. е. возможность расширения нейропакета за счет собственных программных модулей;
• возможность генерации исходного кода;
• наличие макроязыка для ускорения работы с нейропакетом.
Первые три показателя важны для начинающих пользователей нейропакетов, 3-8 — для опытных пользователей, решающих конкретные прикладные задачи, показатели же 7-11 являются определяющими при создании интегрированных, нейронных инструментальных систем на базе нейропакетов и важны для профессиональных разработчиков и программистов.