Розділ «4. Інтелектуальні технології обробки економічних даних»

o знання набуваються мережею під час навчання;

o для збереження знань використовуються міжнейронні з'єднання.

В основі нейронних мереж лежить елементарний перетворювач - штучний нейрон, названий так за аналогією з його біологічним прототипом. Штучний нейрон складається з входів (синапсів), суматора, нелінійного перетворювача і виходу (аксона). Всі нейрони з'єднуються між собою зв'язками, які називаються вагами і визначаються певними величинами - ваговими коефіцієнтами.

Структуру нейромережі - багатошарового персептрона - можна описати наступним чином. Нейромережа складається з декількох шарів: вхідний, внутрішній (прихований) і вихідний шари. Вхідний шар реалізує зв'язок із вхідними даними, вихідний - із вихідними. Внутрішніх шарів може бути від одного і більше. В кожному шарі міститься декілька одиниць або десятків нейронів.

Перед використанням нейромережі проводиться її навчання, що є ітераційним процесом налаштування вагових коефіцієнтів. Для навчання використовуються спеціальні алгоритми. Найбільше розповсюдження отримали градієнтні методи - алгоритм зворотного поширення похибки (Back Propagation), зв'язаних градієнтів, RProp і інші. Основна особливість нейронних мереж полягає в тому, що в процесі навчання вони моделюють складну нелінійну залежність між вхідними і вихідними даними.

Для перевірки адекватності побудованої нейронної мережі використовується спеціальний метод - тестове підтвердження, в якому аналізується відсоткове співвідношення між вірними вихідними значеннями та помилковими. При незадовільному результаті перевірки проводиться навчання з використанням інакше підібраної навчальної вибірки даних для потрібної корекції вагових коефіцієнтів.

Загалом, нейронні мережі характеризуються такими факторами:

o структура мережі;

o процес пошуку (метод пересилання інформації з входу на вихід);

o метод навчання мережі.

Вибір топологічної структури мережі здійснюється у відповідності із особливостями і складністю розв'язуваної задачі. Для розв'язання деяких визначених типів задач вже існують оптимальні конфігурації нейронних мереж. Якщо задача не може бути зведена до відомого типу, то розробляється новий тип нейронної мережі.

Способи обробки інформації в нейронних мережах поділяються на:

o асоціацію (взаємозв'язок між інформацією (образом) на вході системи і інформацією (образом), що зберігається в системі);

o класифікацію (вказати або оцінити приналежність образу до відповідного класу).

Нейронні мережі недоцільно застосовувати у таких випадках:

o для задач, що мають точний аналітичний алгоритм розв'язання;

o у випадку потреби високої точності результатів;

o для задач, розв'язання яких вимагає багато етапних логічних висновків і тверджень;

o для задач, в яких використовується символьне представлення;

o для задач, які можуть бути розв'язані засобами з меншою собівартістю застосування.