Адаптивные нейронные сети


Как было показано в предыдущем разделе, закономерности, которые кроются в цифровой информации, на практике используются не полностью. Доля переработки исходных данных о предприятиях, которые содержатся в финансовых отчетах и базах данных, в практически значимые знания невелика, так как арсенал классической статистики не позволяет решать такую задачу. Традиционные статистические методы способны обнаруживать регулярности, тенденции и структурные связи в совокупностях предварительно не обработанных многомерных данных. Однако лишь немногие из них позволяют непосредственно визуализировать связи, существующие между их элементами. При этом техника такой визуализации не свободна от недостатков.

Однако существуют методы, которые дают возможность закономерностям, скрытым в массивах данных, проявляются визуально в автоматическом режиме. Данные как бы самостоятельно упорядочиваются, располагаясь в двумерном пространстве в соответствии с их внутренним устройством. Посредством процесса, именуемого самоорганизацией, такие методы образуют топологическое представление исходных данных из элементов, получаемых на выходе. Наличие связей становится очевидным в результате нелинейного проецирования многомерного пространства данных на двумерную плоскость выходных данных. Программно-математической основой этих методов являются самоорганизующиеся нейронные сети. Впервые подобный метод был предложен в 1982 г. под названием метода самоорганизующихся карт. В настоящее время эти методы уже доказали свою высокую эффективность в области экономики и финансов.

Искусственные нейронные сети являются аппаратом из области нейрокомпьютинга (neural computing) быстро развивающейся в последнее время области вычислительных технологий, стимулированной исследованиями мозга. Вычислительные операции в таких сетях выполняются большим числом сравнительно простых процессорных элементов (processing element). Структура сети (network) тождественна математически определенной структуре вычислительной системы, в которой все операции выполняются в определенных узлах, а поток информации отображается направленными ребрами графа. Каждый узел (или нейрон . neuron) сети представлен процессорным элементом . Нейроно подобной ячейкой, которая совместно со многими другими процессорными элементами образует нейронную вычислительную сеть.

Аналогом такого узла в физиологической нервной системе является нервная клетка мозга. В общем случае искусственная нейронная сеть представляет собой адаптивную нелинейную динамическую систему. Посредством равновесных состояний такой сети можно решать математические или вычислительные задачи. Процесс их решения получил название нейросетевых вычислений.

Нейронные сети представляют собой совокупность математических методов, которые могут быть использованы для обработки информации, прогнозирования и кластеризации. Математически их можно представить как нелинейные, многослойные и параллельные методы регрессии. Иначе говоря, нейросетевое моделирование подобно проведению линии, плоскости или гиперплоскости через определенный набор информационных точек. Такой набор (в данном случае набор финансово-экономических параметров эмитента) тождественен входному набору нейросети. Рассчитанная сетью гиперплоскость тождественна выходным данным нейросети. Линию, плоскость или гиперплоскость можно с наилучшим приближением провести через любой набор данных и по выбору исследователя определить взаимосвязи, которые могут существовать между входами и выходами нейросети. Сеть можно также подстроить для представления многомерных данных в меньшей размерности.

Существует два класса нейронных сетей:

 сети, обучаемые с учителем;

 сети, обучаемые без учителя.