Адаптивные нейронные сети 4


Среди положительных качеств метода АНС следует отметить то, что он обеспечивает высокую наглядность результатов. Алгоритм АНС одновременно выполняет две задачи: проецирование и кластеризацию, обеспечивая наглядное представление многомерных входных данных на плоскости выходных данных в виде кластеров. Различные нейроны с помощью метода АНС автоматически окрашиваются в соответствии с активностью воздействия на них входных сигналов. Сходные сигналы вызывают активность одних и тех же нейронов. Таким образом, нейроны группируются в компактные кластеры, характеризующейся близкой интенсивностью окраски. Это изображение четко проступает на плоскости выходных данных АНС. Особую важность представляют топологические свойства результирующей картины, так как они позволяют находить в непосредственной окрестности нейрона, соответствующего тому или иному набору входных данных, другие наборы, близкие ему по своим характеристикам.

Алгоритм АНС обеспечивает также возможность визуализации различных входных показателей из всех обработанных наборов. В общем случае каждый балансовый показатель на плоскости выходных данных выделяется отдельным цветом, а различия в его значениях передаются оттенками этого цвета. Ячейки плоскости с высокими значениями того или иного показателя оказываются окрашенными более интенсивно.

Организованная подобным образом АНС обладает свойством интерактивности. На плоскости выходных данных можно получить распределение любого признака входного массива данных. Она может проиллюстрировать даже динамику сложного процесса путем демонстрации траектории любого балансового показателя на плоскости.

Такие возможности реализованы в программных продуктах, основанных на методе самоорганизующихся сетей.

Применение этих продуктов не требует специальной математической подготовки.

Наконец, метод АНС демонстрирует высокую работоспособность в условиях неполноты данных, что резко выделяет его из остальных известных методов анализа структурированных наборов данных. Иначе говоря, на вход АНС могут подаваться наборы финансово-экономических показателей предприятий с существенными пропусками данных внутри набора. Алгоритм АНС не только позволяет успешно обрабатывать такие данные, но и восстанавливать некоторые отсутствующие значения на основе информации, полученной ранее при обучении АНС.

Объяснением этого является присущая нейронным сетям «стойкость к неисправностям» (fault tolerance) . свойство, позволяющее системе функционировать и ухудшать работу плавно при отключении малого числа обрабатывающих элементов. В совокупности с описанным выше свойством обобщения эта особенность АНС обеспечивает ее повышенную устойчивость к информационным помехам. Иначе говоря, ошибки операторов при заполнении матриц финансово-экономических показателей предприятий не приводят в каждом таком случае к получению резко искаженных результатов, а в значительной мере элиминируются обученной сетью.

Все эти свойства делают АНС наиболее приемлемым инструментом для анализа финансовой отчетности предприятий-эмитентов и весьма полезным элементом системы информационного обеспечения принятия решений акционеров. С помощью АНС можно выявить более тонкие особенности поведения компаний, чем при использовании некоторых более традиционных аналитических средств, подобных, например, линейному дискриминантному анализу. Новые образы и связи могут быть использованы для прогнозирования деятельности эмитентов, определения рыночных цен пакетов акций, принятия управленческих решений об инвестициях в ценные бумаги, управления рисками и инвестиционным портфелем, выявления перспективных эмитентов и решения многих других задач.

Финансовые и экономические приложения с использованием самоорганизующихся сетей показывают, что конкретных процедур либо оптимальных методов их применения, которые годились бы для всех областей применения, не существует. Подобно разработке других нейросетевых моделей, создание самоорганизующихся сетей является пока еще, скорее, искусством, чем наукой.