Содержание 

Введение

1. Нейронные  сети: варианты использования

2. Диагностика  и прогнозирование экономических  объектов

3. Применение  нейронных сетей в экономике  и бизнесе

4. Нейросетевые  модели бизнес-прогнозирования

Заключение

Список использованной литературы

 

       Введение

 

      В моменты принятия сложных решений  человек старается «заглянуть в  себя» и постичь, каким образом  он справляется с трудными и порой не решаемыми формальной логикой задачами. Естественное беспокойство и жажда познания обуревают его наряду со смутным сознанием того, что математический, алгоритмический подход к построению сложных кибернетических систем искусственно абсолютизирован. Все должно быть к месту, все должно быть взвешено, И обращаясь к себе, он раз за разом проводит мозговую атаку на то таинственное, созданное природой — на собственный мозг...

      Итак, мы вступаем в самую сокровенную  область искусственного интеллекта.

      Мы  смелы и безапелляционны. Долго  и систематически насаждаемая духовная нищета заставила нас позабыть о  превалирующем духовном начале в человеке. Все больше людей понимают, что мозг — лишь инструмент духа, души. И как любой инструмент, он производится, тупится и приходит в негодность — умирает. Бессмертной остается душа — продукт тонкого мира, мира сверхвысоких частот и. по мнению некоторых философов, настойчиво проявляющейся психической энергии.

      А раз мозг — инструмент, его надо тренировать, заполнять, совершенствовать. В природе царит принцип целесообразности, полезности в борьбе за главную установку  — установку на развитие. Нужное существует и утверждается, ненужное отмирает, как отмирают неиспользованные, «лишние» нейроны, порождая склеротическую ткань и разъедающую интоксикацию. И человека ленивого, праздного, недеятельного охватывает преждевременное старческое слабоумие. «Душа обязана трудиться». — сказал поэт Н. Заболоцкий. Эту истину мы открываем вновь, с другой, неожиданной стороны...

      Мы  принимаем сказанное и успокаиваемся. Не вторгаемся мы в то, что для нас сейчас непостижимо, что пока нам не дано. Но кто знает? И на всякий случай мы вооружаемся иронией, преодолевая «сопротивление материала». Ирония позволяет и сказать, и не сказать, предположить, но тотчас, прикрываясь шуткой, трусливо отступить. Только иронией можно защитить себя от мистических страхов, возникающих на трудном пути познания.

      Внимание  ученых к логическому моделированию  процессов головного мозга обусловили следующие причины:

      • высокая скорость выполнения сложных логических конструкций — преликатов с высоким параллелизмом действий;

      • простота алгоритмов логических действий мозга, основанная неначисленном манипулировании, а на принципах ассоциативного мышления;

      • возможность решения трудно формализуемых  задач, в которых совместно используются данные логически несовместимой  природы, противоречивые, неполные, «зашумленные». некорректные;

      • устойчивость работы, совместимая с  расширением, трансформированием и  совершенствованием знаний;

      * надежность, обеспечиваемая наличием  многих путей логического вывода  и способностью восстановления  утраченных данных;

      • возможность построения самообучающихся и самонастраивающихся систем;

      • прекрасная сочетаемость с традиционными «вычислительными» алгоритмами обработки информации, позволяющая строить сложные системы управления, - с максимальной надежностью, адаптивностью и с минимумом расходуемых ресурсов;

      • отсутствие требований к «традиционно»  развиваемым вычислительным средствам. Единственный стимулируемый принцип  — параллелизм. Для реализации параллельной системы — нейросети — необходима параллельная вычислительная система. Ведь для выявления параллелизма, в частности, мы и обращаемся к модели мозга! Наряду с разработкой параллельных вычислительных устройств — нейрокомпьютеров — стимул к развитию получают сети ЭВМ для реализации в них «больших» нейросетей.

      Особый  интерес ученых и разработчиков сложных управляющих систем к нейросетевым технологиям, как и к другим технологиям искусственного интеллекта, возник в начале 1980-х годов (известный «японский вызов» [7]), когда остро встала проблема сверхвысокой производительности вычислительных средств.

 

       1. Нейронные  сети: варианты использования

 

      Нейронные сети - это адаптивные системы для  обработки и анализа данных, которые  представляют собой математическую структуру, имитирующую некоторые  аспекты работы человеческого мозга  и демонстрирующие такие его возможности, как способность к неформальному обучению, способность к обобщению и кластеризации неклассифицированной информации, способность самостоятельно строить прогнозы на основе уже предъявленных временных рядов. Главным их отличием от других методов, например таких, как экспертные системы, является то, что нейросети в принципе не нуждаются в заранее известной модели, а строят ее сами только на основе предъявляемой информации. Именно поэтому нейронные сети и генетические алгоритмы вошли в практику всюду, где нужно решать задачи прогнозирования, классификации, управления - иными словами, в области человеческой деятельности, где есть плохо алгоритмизуемые задачи, для решения которых необходимы либо постоянная работа группы квалифицированных экспертов, либо адаптивные системы автоматизации, каковыми и являются нейронные сети.

      Особенности

      Нейронная сеть принимает входную информацию и анализирует ее способом, аналогичным  тому, что использует наш мозг. Во время анализа сеть обучается (приобретает  опыт и знания) и выдает выходную информацию на основе приобретенного ранее опыта.

      Основная  задача аналитика, использующего нейронные  сети для решения какой-либо проблемы, - создать наиболее эффективную архитектуру  нейронной сети, т.е. правильно выбрать  вид нейронной сети, алгоритм ее обучения, количество нейронов и виды связей между ними. Эта работа не имеет формализованных процедур, она требует глубокого понимания различных видов архитектур нейронных сетей, включает в себя много исследовательской и аналитической работы, и может занять достаточно много времени.

      Для неформализованных задач нейросетевые модели могут на порядок превосходить традиционные методы решения. Но применение нейронных сетей целесообразно, если:

1. накоплены достаточные объемы данных о предыдущем поведении системы
2. не существует традиционных методов или алгоритмов, которые удовлетворительно решают проблему
3. данные частично искажены, частично противоречивы или не полны и поэтому традиционные методы выдают неудовлетворительный результат

      Нейронные сети наилучшим образом проявляют себя там, где имеется большое количество входных данных, между которыми существуют неявные взаимосвязи и закономерности. В этом случае нейросети помогут автоматически учесть различные нелинейные зависимости, скрытые в данных. Это особенно важно в системах поддержки принятия решений и системах прогнозирования.

      Преимущества

      Нейросети являются незаменимыми при анализе  данных, в частности, для предварительного анализа или отбора, выявления "выпадающих фактов" или грубых ошибок человека, принимающего решения. Целесообразно использовать нейросетевые методы в задачах с неполной или "зашумленной" информацией, особенно в задачах, где решение можно найти интуитивно, и при этом традиционные математические модели не дают желаемого результата.

      Методы  нейронных сетей могут использоваться независимо или же служить прекрасным дополнением к традиционным методам  статистического анализа, большинство  из которых связаны с построением  моделей, основанных на тех или иных предположениях и теоретических выводах (например, что искомая зависимость является линейной или что некоторая переменная имеет нормальное распределение). Нейросетевой подход не связан с такими предположениями - он одинаково пригоден для линейных и сложных нелинейных зависимостей, особенно же эффективен в разведочном анализе данных, когда ставится цель выяснить, имеются ли зависимости между переменными. При этом данные могут быть неполными, противоречивыми и даже заведомо искаженными. Если между входными и выходными данными существует какая-то связь, даже не обнаруживаемая традиционными корреляционными методами, то нейронная сеть способна автоматически настроиться на нее с заданной степенью точности. Кроме того, современные нейронные сети обладают дополнительными возможностями: они позволяют оценивать сравнительную важность различных видов входной информации, уменьшать ее объем без потери существенных данных, распознавать симптомы приближения критических ситуаций и т.д.

      Применение

      Нейронные сети все чаще применяются в реальных бизнес приложениях. В некоторых областях, таких как обнаружение фальсификаций и оценка риска, они стали бесспорными лидерами среди используемых методов. Их использование в системах прогнозирования и системах маркетинговых исследований постоянно растет.

      Стоит отметить, что поскольку, экономические, финансовые и социальные системы очень сложны и являются результатом действий и противодействий различных людей, то является очень сложным (если не невозможным) создать полную математическую модель с учетом всех возможных действий и противодействий. Практически невозможно детально аппроксимировать модель, основанную на таких традиционных параметрах, как максимизация полезности или максимизация прибыли.

      В системах подобной сложности является естественным и наиболее эффективным использовать модели, которые напрямую имитируют поведение общества и экономики. А это как раз то, что способна предложить методология нейронных сетей.

      Ниже  перечислены области, в которых  эффективность применение нейронных  сетей доказана на практике:

      Для финансовых операций:

1. Прогнозирование поведения клиента
2. Прогнозирование и оценка риска предстоящей сделки
3. Прогнозирование возможных мошеннических действий
4. Прогнозирование остатков средств на корреспондентских счетах банка
5. Прогнозирование движения наличности, объемов оборотных средств
6. Прогнозирование экономических параметров и фондовых индексов

      Для планирования работы предприятия:

1. Прогнозирование объемов продаж
2. Прогнозирование загрузки производственных мощностей
3. Прогнозирование спроса на новую продукцию

      Для бизнес-аналитики и поддержки  принятия решений:

1. Выявление тенденций, корреляций, типовых образцов и исключений в больших объемах данных
2. Анализ работы филиалов компании
3. Сравнительный анализ конкурирующих фирм

      Другие  приложения:

1. Оценка стоимости недвижимости
2. Контроль качества выпускаемой продукции
3. Системы слежения за состоянием оборудования
4. Проектирование и оптимизация сетей связи, сетей электроснабжения
5. Прогнозирование потребления энергии
6. Распознавание рукописных символов, в т.ч. автоматическое распознавание и аутентификация подписи
7. Распознавание и обработка видео и аудио сигналов

      Нейронные сети могут быть использованы и в  других задачах. Основными предопределяющими  условиями их использования являются наличие «исторических данных», используя которые нейронная сеть сможет обучиться, а также невозможность или неэффективность использования других, более формальных, методов.

      2. Диагностика и  прогнозирование  экономических объектов

 

      При диагностике и прогнозировании  экономических объектов часто используются веса факторов, которые даются экспертами, а далее проводится голосование мнений экспертов. Однако такие процедуры могут быть некорректными, и существующий аппарат построения корректных процедур достаточно трудно использовать для получения практически значимых решений. Поясним это. Рассмотрим задачу диагностики объектов коллективами экспертов, используя коалиции в задаче коллективного предпочтения. Пусть Х – множество вариантов, из которых нам надо выбрать – по некоторым критериям – определённый вариант х. Пусть проблемой такого выбора занимается набор экспертов или лиц, принимающих решения, набор С. В случае, когда выбор осуществляется на основе предпочтений, каждый член f набора С – это фактически бинарное отношение предпочтения r(f). Это значит, что для некоторых х,у из Х может иметь место утверждение х r(f) y, это значит: для f будет х предпочтительнее, чем у. Коллективное предпочтение r = r ( C ) можно считать некоторой функцией от индивидуальных предпочтений : r = ф( r(f): f пробегает набор С). На первый взгляд такое предположение кажется естественным, но именно оно является источником дальнейших противоречий. Оказалось, что коллективное предпочтение не может быть универсальным правилом, оно зависит от конкретных вариантов х,у и от предпочтений r(f). Иными словами, правило ф не может быть универсальным, оно должно быть локальным.

      Нами  показано, что при сведении задачи к классификационной можно строить коллективы экспертов (комитеты), корректно решающие задачу диагностики методы обучения нейросетей в двух слоях, а затем метод комитетов позволил получить точные результаты и обоснованные процедуры обучения, которые позволяют решать широкий класс задач, сводимых к разделению конечных множеств с единственным требованием непустоты их пересечения.