И такая реклама имеет продолжительное  действие - даже через несколько  месяцев после окончания рекламы на телевидении люди будут помнить продукт и покупать его, хотя, скорее всего, продажи будут постепенно падать.

      Поэтому пытаясь подавать в сеть такие  данные о рекламе, мы делаем неправильную постановку задачи и, как минимум, усложним сети процесс обучения.

      При использовании многослойных нейронных  сетей в бизнес-прогнозировании  в общем и прогнозировании  продаж в частности полезно также  помнить о том, что нужно аккуратно  делать нормировку и что для выходного  нейрона лучше использовать линейную передаточную функцию. Обобщающие свойства от этого немного ухудшаются, но сеть будет намного лучше работать с данными, содержащими тренд.

      Использование нейронных  сетей с общей регрессией GRNN и GRNN-GA

      Еще одной часто используемой нейросетевой архитектурой, используемой в бизнес-прогнозировании является нейронная сеть с общей регрессией.

      Несмотря  на то, что принцип обучения и применения таких сетей в корне отличается от обычных персептронов, внешне сеть используется таким же образом, как и обычный персептрон.

      Говоря  другими словами, это совместимые  архитектуры в том смысле, что  в работающей системе прогнозирования  можно заменить работающий персептрон на сеть с общей регрессией и все  будет работать. Не потребуется проводить  никаких дополнительных манипуляций с данными.

      Если  персептрон во время обучения запоминал  предъявляемые примеры постепенно подстраивая свои внутренние параметры, то сети с общей регрессией запоминают примеры в буквальном смысле.

      Каждому примеру - отдельный нейрон в скрытом  слое сети, а затем, во время применения сеть сравнивает предъявляемый пример с примерами, которые она помнит. Смотрит, на какие из них текущий пример похож, и в какой степени и на основе этого сравнения выдаст ответ.

      Отсюда  следует первый недостаток такой  архитектуры - когда база данных о продажах, или других величинах, которые мы прогнозируем велика, сеть станет слишком большой и будет медленно работать. С этим можно бороться предварительной кластеризацией базы данных.

      Второй  недостаток таких сетей особенно заметен в задачах бизнес-прогнозирования - они совсем не способны "продлевать" тренд. Поэтому такие сети можно использовать только в случаях, когда рынок устойчивый, либо, после декомпозиции данных, тренд прогнозировать другими архитектурами нейронных сетей, или любыми классическими методами.

 

       Заключение

 

      Все чаше появляются научные работы, посвященных нейро-сетевым моделям, которые порождают все больше интересных, эффективных технологий для решения задач управления, планирования, распознавания образов и принятия решений. В этом разнообразии мы выделили лишь то направление, которое непосредственно связано с принципами человеческого интеллекта, с ассоциативным мышлением. Фактически это — построение таблиц, фиксирующих опыт и реализующих принцип «если — то», «посылка — следствие». Важным достоинством этих таблиц является то, что они позволяют наглядно воспроизводить функции многих переменных, не совместимых по типам и по физической природе. Эти функции не имеют формального математического описания и потому отображают трудно формализуемые задачи. Автоматическая интерполяция опыта является неотъемлемым свойством нейронной сети. Она позволяет делать вывод «на что больше всего это похоже и что следует предпринять», а также производить необходимое усреднение.

      Важнейшее значение нейронные сети приобретают при построении систем управления и принятия решений. Технологии, основанные на применении «вычислительных» алгоритмов, приводят к тупиковой ситуации, когда традиционно развиваемая элементно-конструкторская база не обеспечивает требуемой производительности компьютеров. Нейросетевые технологии, использующие нетрудоемкий принцип ассоциативного мышления и высокий параллелизм, порождают прорыв в достижении необходимой реальной производительности вычислительных средств.

      Конечно, статистические исследования накопленного опыта, моделирование и обработка нужны для обучения или построения обученной нейросети. Однако эти исследования проводятся вне рабочего режима, могут быть совместимы с ним, а также допускать корректирование, модификацию и развитие нейросети в процессе и эксплуатации.

      Благодаря логическому методу построения математический аппарат нейронных сетей прост  и доходчив, разработка нейросети  не дорога, она не требует специальных  знаний пользователя. В то же время  нейросеть легко допускает включение в рассмотрение новых факторов, изменение решений и т.д.

      Воспроизведение принципов работы мозга позволяет  создавать действительно универсальные, помехозащищенные, адаптивные, несложные и развиваемые информационные технологии в экономике, в бизнесе, в управлении сложными системами, в том числе и социальными, в искусстве, туризме и т.д.

      Однако  мы осознаем, что Природа действует  в соответствии с законами своего развития. Для того чтобы реализовать  примитивную логическую передаточную функцию, в нейроне происходит до 240 химических реакций. Создавая интеллект искусственный на принципиальном, логическом уровне, бессмысленно слепо и многотрудно воспроизводить существующие в природе методы, хотя такое моделирование может быть полезно для биологии и медицины. На пути логического создания разума мы не связаны с проблемами энергетики и надежности. Искусственная нейросеть не требует кровоснабжения и не подвергается огню на поражение. И потому мы смело идем по пути абстракции, сублимации и условной имитации, пользуясь богатыми возможностями современного компьютера и логического мышления.

      Мы  убеждены в необходимости создания студий Computer An Studio, клубов по интересам  и артелей, объединяющих все слои населения, всех возрастов и профессий, для реализации принципов искусственного интеллекта: это и искусство, и наука, и бизнес!

 

       Список использованной литературы

 

1. Галушкин  Л.И. Сфера применения нейрокомпьютеров  расширяется. Приложение к журналу  «Информационные технологии... - 2001. - № 10.

2. Галушкин Л.И. Теория нейронных сетей. Сер. «Нейрокомпьютеры и их применение... Кн. 1. - М.: ИПРЖР, 2000.

3. Стеру  О., Марзуки X., Рубин Ю. Нейроуправление и его приложения / Полрел. А.И. Галушкина. Сер. «Нейрокомпьютеры и их применение*. Кн. 2. - М.: ИПРЖР, 2000.

4. Комашинский В.И., Смирнов МЛ. Введение в нейроинформационные технологии. — СПб.: Тема, 1999.

5. Круглое  В.В., Борисов В.В. Искусственные  нейронные сети. Теория и практика. — М.: Горячая линия — Телеком, 2001.

6. Уоссерман  Ф. Нейрокомпьютерная техника.  — М.: Мир, 1992.

7. ЭВМ  пятого поколения. Концепции,  проблемы, перспективы. — М.: Финансы  и статистика, 1984.

8. Игнатущенко  В.В. Организация структур управляющих многопроцессорных вычислительных систем. — М.: Энергоатом-иэдат, 1984.

9. Барский  Л.Б. Параллельные процессы в вычислительных системах: Планирование и организация. — М.: Радио и связь, 1990.

10. Нейрокомпьютеры  и интеллектуальные роботы / Н  .М. Амосов, Т.Н. Байлык, А.Д. Гольцов и др. — Киев: Наукова думка, 1991.

11. Поспелов  ДА. Моделирование рассуждений: Опыт анализа мыслительных актов. - М.: Радио и связь, 1989.

12. HopfieldJ., Tank D. Neurel computation of decision in optimization problems. Biol. Cybernet., 1985, vol. 52.

13. Kohorten Т. Self-Organizing Maps. Springer-Verlag, 2nd ed., 1997.

14. Шеннон P. Имитационное моделирование систем. Искусство и наука. — М.: Мир, 1978.

15. Поспелов  Д.А. Большие системы. Ситуационное управление. - М.: Знание, 1975.

16. Поспелов  Д.А. Ситуационное управление. Теория и практика. - М.: Наука, 1986.

17. Головкин  Б.А. Параллельные вычислительные системы. — М.: Наука, 19S0.

18. Барский Л.Б., Шилов В.В. SPMD-архитектура и параллельная обработка структур данных. — Приложение к журналу "Информационные технологии». — 1999. — № 6.

19. Барский Л.Б., Шилов В.В. SPMD-архитектура и параллельный логический вывод. — Приложение к журналу «Информационные технологии». - 1999. - № 12.

20. Барский  А.Б. Параллельные технологии решения оптимизационных задач. — Приложение к журналу "Информационные технологии». - 2001. - № 2.

21. Барский  А.Б. Обучение нейросети методом  трассировки. Труды VIII Всеросс.  конф. «Нейрокомпьютеры и их применение», 2002.

22. Фролов  Ю.В. Интеллектуальные системы  и управленческие решения. - М.: МГЛУ, 2000.

23. Фролов  Ю.В., Паспухов Е.С. Мониторинг изменений в банковском сообществе России с применением самоорганизующихся карт Кохонена// Банковские технологии. — 2000. — № 11.

24. Deboeck С, Kohonen Т. Visual Exploration in Finance with Self-Organizing Maps. Springer-Verlag. 1998.

25. Нейронныесети:  История развития теории / Под ред. А.И. Галушкина. Я.3. Цыпкина. Науч. сер. «Нейрокомпьютеры и их применение. Кн. 5. - М: ИПРЖР, 2001.

26. Головко  ВЛ. Нейронные сети: обучение, организация  и применение/ Пол ред. А.И. Галушкина.  Науч. сер. "Нейрокомпьютеры и их применение». Кн. 4. - М.: ИПРЖР, 2001.

27. Галушкин  А.И. Нейрокомпьютеры. Науч. сер.  «Нейрокомпьютеры и их применение».  Кн. 3. - М.: ИПРЖР, 2000.

28. Горбань А.Н. Обучение нейронных сетей. — М.: СП «ParaGraf». 1990.

29. Терехов  В.А., Ефимов Д.В., Тюкин И.Ю. и др. Нейросетевые системы управления. - СПб.: СПбГУ, 1999.