Оценка кредитоспособности предприятий на основе нейросетевых технологий

3.по переменам состояний

•  
  синхронные, т.е. в каждый момент времени лишь один нейрон меняет свое состояние;
•  
  асинхронные, т.е. состояние меняется сразу у целой группы нейронов, как правило, у всего слоя. Алгоритмически ход времени в нейронных сетях задается итерационным выполнением однотипных действий над нейронами;

4. по возможностям обучения:

•  
  предварительно обученные (неадаптивные);
•  
  самообучающиеся (адаптивные);

5. по архитектуре:

1.  
   полносвязные;
2.  
   многослойные или слоистые;
3.  
   слабосвязные (с локальными связями).

 В полносвязных нейросетях каждый нейрон передает свой выходной сигнал остальным нейронам, в том числе и самому себе. Все входные сигналы подаются всем нейронам. Выходными сигналами сети могут быть все или некоторые выходные сигналы нейронов после нескольких тактов функционирования сети. 
          В многослойных нейронных сетях нейроны объединяются в слои. Слой содержит совокупность нейронов с едиными входными сигналами. Число нейронов в слое может быть любым и не зависит от количества нейронов в других слоях. В общем случае сеть состоит из Q слоев, пронумерованных слева направо. Внешние входные сигналы подаются на входы нейронов входного слоя (его часто нумеруют как нулевой), а выходами сети являются выходные сигналы последнего слоя, Кроме входного и выходного слоев в многослойной нейронной сети есть один или несколько скрытых слоев. Связи от выходов нейронов некоторого слоя q к входам нейронов следующего слоя (q+1) называются последовательными, а между нейронами одного слоя называют латеральными (боковыми).

 

 

 

 

 

 

Глава 2. Применение нейросетевых технологий

Применение нейросетевого программного обеспечения и его возможности..                                                                                                                     Существует два разных направления к практическому воплощению идеи искусственных нейронных сетей. Первое направление–микропроцессорные устройства из искусственных нейронов, так называемые нейрочипы, а второе –компьютерные программы-имитаторы.                                                             Нейросетевое программное обеспечение активно используется в различных отраслях знаний и всё больше расширяются области их применения, где человеческий интеллект малоэффективен, а традиционные вычисления трудоемки или физически неадекватны (т.е. плохо отражают реальные физические процессы и объекты).

Основные области применения нейронных сетей в промышленности:

1. Управление технологическими  процессами.

2. Идентификация химических компонент.

3. Контроль качества артезианских  вод.

4. Оценка экологической обстановки.

5. Прогнозирование свойств синтезируемых  полимеров.

6. Управление водными ресурсами.

7. Оптимальное планирование. 

8. Разработка нефти и газа.

9. Управление работой пресса.

10. Идентификация вида полимеров.

11. Управление ценами и производством.

12. Оптимизация работы моторов.

13. Обнаружение повреждений.

14. Оптимизация закупок сырья. 

15. Контроль качества изделий.

16. Приложения аналитической химии.

17. Анализ проблем функционирования  заводов и магазинов.

18. Прогнозирование потребления  энергии.

• В высоких технологиях:

1. Проектирование и оптимизация  сетей связи.

2. Анализ и сжатие изображений. 

3. Распознавание печатных и рукописных символов.

4. Фальсификации в пищевой и  парфюмерной промышленности. 

5. Обслуживание кредитных карт. 

6. Идентификация и верификация  говорящего субъекта.

7. Видеонаблюдение. 

8. Автоматизированное распознавание  речевых команд.

9. Распознавание слитной речи с (и без) настройкой на говорящего субъекта.

10. Речевой ввод текста в компьютер.

• Для обороны:

1. Анализ визуальной аэрокосмической  информации.

2. Отбор целей.

3. Обнаружение наркотиков и взрывчатых  веществ.

4. Сличение изображений с криминальной базой данных.

5. Предсказание целесообразности  условного освобождения.

• Для науки и техники: 

1. Поиск неисправностей в научных  приборах.

2. Диагностика печатных плат. 

3. Идентификация продуктов.

4. Синтез новых видов стекла.

5. Автоматизированное проектирование.

6. Оптимизация биологических экспериментов.

7. Геофизические и сейсмологические  исследования.

8. Распознавание ингредиентов.

9. Спектральный анализ и интерпретация  спектров.

10. Интерпретация показаний сенсоров. 

11. Моделирование физических систем. 

12. Анализ данных в ботанике. 

13. Планирование химических экспериментов.

14. Отбор сенсоров для контроля  химических процессов.

15. Прогноз температурного режима  технологических процессов.

16. Диагностика сбоев сигнализации.

• Для здравоохранения:

1. Идентификация микробов и бактерий.

2. Диагностика заболеваний.

3. Интерпретация ЭКГ.

4. Анализ качества лекарств.

5. Обработка и анализ медицинских  тестов.

6. Прогнозирование результатов  применения методов лечения.

7. Оптимизация атлетической подготовки.

8. Диагностика слуха.

• Для бизнеса и финансов:

1.Выбор сбытовой политики. 

2.Принятие административных решений.

3.Предсказания на фондовой бирже.

4.Анализ финансового рынка.

5.Исследование фактора спроса. 

6.Моделирование бизнес – стратегии.

7.Предсказание наступления финансовых  кризисов.

8.Прогноз прибыли (Cash - flow).

9.Предсказание и расшивка «узких  мест».

10.Прогноз эффективности кредитования.

11.Прогнозирование валютного курса.

12.Прогнозирование и анализ цен.

13.Построение макро- и микроэкономических  моделей.

14.Предсказание необходимых трудодней  для реализации проекта.

15.Прогнозирование продаж.

16.Анализ целей маркетинговой  политики.

17.Прогнозирование экономических  индикаторов.

18.Анализ страховых исков.

19.Отбор перспективных кадров.

20.Стратегии в области юриспруденции.

21.Оценка и прогнозирование стоимости  недвижимости.

С помощью нейронных сетей успешно решается важная задача в области телекоммуникаций – нахождение оптимального пути трафика между узлами. Распознавание речи – одна из наиболее популярных областей применений нейронных сетей.  Нейросети в медицине используются для диагностики заболеваний. Врач правильно диагностирует инфаркт миокарда у 88% больных и ошибочно ставит этот диагноз в 29% случаев. Сеть продемонстрировала точность 92% при обнаружении инфаркта миокарда и дала только 4% случаев сигналов ложной тревоги, ошибочно подтверждая направление пациентов без инфаркта в кардиологическое отделение.

О нейронных сетях как профессиональном инструменте для финансовых операций серьезно заговорили в конце 80-х годов. Характерный пример успешного применения нейронных сетей в финансовой сфере – управление кредитными рисками. Перед выдачей кредита для оценки вероятности собственных убытков от несвоевременного возврата финансовых средств крупные банки, как правило, предпринимают сложные статистические расчеты по определению финансовой надежности заемщика. 

        Применение нейросети.

После того, как сеть обучена, ее можно применять ее для решения поставленной задачи. Важнейшая особенность человеческого мозга состоит в том, что, однажды обучившись определенному процессу, он может верно действовать и в тех ситуациях, в которых он не бывал в процессе обучения. Например, можно читать почти любой почерк, даже если видим его первый раз в жизни. Так же и нейросеть, грамотным образом обученная, может с большой вероятностью правильно реагировать на новые, не предъявленные ей ранее данные. Например, мы можем нарисовать букву "А" другим почерком, а затем предложить нашей сети классифицировать новое изображение. Веса обученной сети хранят достаточно много информации о сходстве и различиях букв, поэтому можно рассчитывать на правильный ответ и для нового варианта изображения

Примеры практического применения нейронных сетей.

В качестве примеров рассмотрим наиболее известные классы задач, для решения которых в настоящее время широко применяются нейросетевые технологии.

Прогнозирование.

Прогноз будущих значений переменной, зависящей от времени, на основе предыдущих значений ее и/или других переменных. В финансовой области, это ,например, прогнозирование курса акций на 1 день вперед, или прогнозирование изменения курса валют на определенный период времени и т.д.. (рис 1.6)

Распознавание или классификация.

Определение, к какому из заранее известных классов принадлежит тестируемый объект. Следует отметить, что задачи классификации очень плохо алгоритмизируются. Если в случае распознавания букв верный ответ очевиден для нас заранее, то в более сложных практических задачах обученная нейросеть выступает как эксперт, обладающий большим опытом и способный дать ответ на трудный вопрос.

Примером такой задачи служит медицинская диагностика, где сеть может учитывать большое количество числовых параметров (энцефалограмма, давление, вес и т.д.). Конечно, "мнение" сети в этом случае нельзя считать окончательным.

Классификация предприятий по степени их перспективности (рис 1.8) - это уже привычный способ использования нейросетей в практике крупных компаний. При этом сеть также использует множество экономических показателей, сложным образом связанных между собой.

 

 

 

 

 

 

 

 

 

 

 

 

 

Глава 3. Построение нейронной сети для определения кредитоспособности заемщика

Для построения нейронной сети необходимо разработать ее топологию, определить механизм обучения и процедуру тестирования. Кроме того, для обучения нужны входные данные – выборка компаний с достоверной финансовой отчетностью и рассчитанные на ее основе коэффициенты.

На основании анализа задачи было принято решение остановиться на модели трехслойного персептрона и алгоритме обратного распространения в качестве обучающего.

Этот тип нейронных сетей довольно хорошо исследован и описан в научной литературе. Он был предложен в работе Румельхарта и подробно обсуждается почти во всех учебниках по нейронным сетям. Каждый элемент сети строит взвешенную сумму своих входов с поправкой в виде слагаемого и затем пропускает эту величину активации через передаточную функцию, получая, таким образом, выходное значение этого элемента.                          Элементы организованы в послойную топологию с прямой передачей сигнала. Такую сеть легко можно интерпретировать как модель вход-выход, в которой веса и пороговые значения(смещения) являются свободными параметрами модели. Сеть может моделировать функцию практически любой степени сложности, причем число слоев и число элементов в каждом слое определяют сложность функции. Определение числа промежуточных слоев и числа элементов в них является важным вопросом при конструировании многослойных нейронных сетей. Количество входных и выходных элементов определяется условиями задачи.

Использован самый известный вариант алгоритма обучения нейронной сети –   это алгоритм обратного распространения.

В алгоритме обратного распространения вычисляется вектор градиента поверхности ошибок. Этот вектор указывает направление кратчайшего спуска по поверхности из данной точки, поэтому если мы «немного» продвинемся по нему, ошибка уменьшится. Последовательность таких шагов (замедляющаясяпо мере приближения к дну), в конце концов, приведет к минимуму того или иного типа. Определенную трудность здесь представляет вопрос о том, какую нужно брать длину шагов.                                                                                             

При большой длине шага сходимость будет более быстрой, но имеется опасность «перепрыгнуть» через решение или уйти в неправильном направлении. Классическим примером такого явления при обучении нейронной сети является ситуация, когда алгоритм очень медленно продвигается по узкому оврагу с крутыми склонами, прыгая с одной его стороны на другую.