Аннотация: 

Наиболее эффективно применение ИНС в задачах, для которых известные алгоритмы и методы решения остаются относительно трудоемкими.

Annotation: The most effective use of ANN in the tasks for which the well-known algorithms and methods are relatively labor-intensive solutions.

Искусственные нейронные сети (ИНС) являются достаточно универсальным средством моделирования широкого класса задач управления и экономики. Реализованы нейронные сети либо в виде отдельных специализированных пакетов таких как, например, NeuroPro, BrainMaker, NeuroSolutions, Neural Planner, Neuro Shell, Wizard, либо в виде приложений к таким системам, как MathLab и Statistica. Наиболее эффективно применение ИНС в задачах, для которых известные алгоритмы и методы решения остаются относительно трудоемкими [1, 2, 3] .

В этом случае целесообразно использовать процедуры моделирования на основе нейронных сетей, содержащие вне зависимости от класса решаемой задачи следующие четыре этапа.

 Анализ исходных данных и подготовка к моделированию включают следующие фрагменты:

·        классификацию решаемой задачи;

·        предварительный выбор модели нейронной сети;

·        предварительное определение структуры сети;

·        выбор алгоритма обучения ИНС;

·        выбор пакета ИНС;

·        на основе выбранного пакета формулируются минимальные требования к информационной и программной совместимости, а также к составу и параметрам технических средств ПК, на которой осуществляется моделирование.

 Обучение нейронной сети.

На данном этапе моделирования, основываясь на результатах первого этапа и эмпирических данных, осуществляется:

·        формирование и редактирование исходных данных для режима обучения;

·        окончательный выбор структуры ИНС, модели и пакета;

·        выбор и реализация режима «дообучения» нейронной сети.

Этап обучения является наиболее трудоемким и ответственным в процессе моделирования [4, 5, 6] . На этом этапе обычно отсутствуют формализованные процедуры, и решение принимается на основе эмпирики и эвристики. Как правило, процесс является итерационным и требует неоднократного возвращения к сформулированным на данном этапе вопросам.

 Анализ качества обучения ИНС предполагает:

·        анализ значений параметров и вида характеристик, определяющих отклонение результатов, полученных ИНС, от эталонных;

·        определение границ области, в пределах которой ИНС обучилась с заданной степенью точности;

·        принятия решения о завершении процесса обучения. Если положительное решение не принято, то следует возврат ко второму или даже к первому этапам моделирования.

 Применение обученной нейронной сети.

Это – заключительный этап моделирования. По времени он, как правило, может быть разнесен от первых трех этапов. Требует меньшей квалификации от пользователя. Этап содержит следующие вопросы:

·        формирование на основе шаблона исходных данных;

·        обращение к обученной нейронной сети.

Приведены примеры моделирования на основе ИНС с помощью пакетов NeuroPro, Neuro Shell, Wizard. В режиме «шаг за шагом» рассмотрены этапы моделирования. Сформулированы рекомендации по выбору параметров моделирования [7]. Проведен анализ специфики работы в каждом из пакетов.

Библиографический список

1. Снегирева Л.В., Катальникова Е.С., Горюшкин Е.И. Искусственная нейронная сеть для проверки соответствия реальной трудности тестовых заданий // В сборнике: Перспективы развития информационных технологий Труды Всероссийской молодежной научно-практической конференции. Кузбасский государственный технический университет имени Т.Ф. Горбачева, Международный научно-образовательный центр КузГТУ-Arena Multimedia. Кемерово, 2014. С. 282-283.

2. Арутюнян В.Г. Структура ментальных репрезентаций: извлечение текста из памяти, нейронная сеть и искусственный интеллект // Вестник Пермского университета. Российская и зарубежная филология. 2013. № 4 (24). С. 133-139.

3. Бессонов Д.В. Способы кодирования искусственных нейронных сетей в эволюционных алгоритмах // В сборнике: Современные системы искусственного интеллекта и их приложения в науке Материалы II Всероссийской научной Интернет-конференции с международным участием. Сервис виртуальных конференций Pax Grid; ИП Синяев Д. Н.. 2014. С. 14-16.

4. Афанасьева М.А. Создание и обучение нейронных сетей в системе MATLAB // Молодой ученый. 2014. № 4. С. 85-88.

5. Колесникова Т. Построение и обучение нейронной сети для решения задачи прогнозирования погоды при помощи программы NEUROPH STUDIO // Компоненты и технологии. 2014. № 7 (156). С. 129-132.

6. Полупанов А.А., Гарнага В.В., Кольцов Ю.В. Эволюционный подход к обучению искусственной нейронной сети // Информатика, вычислительная техника и инженерное образование. 2013. № 3 (14). С. 10-15.

7. Плеханов П.А. Применение искусственных нейронных сетей для нахождения взаимосвязей в экономике // Современные тенденции в экономике и управлении: новый взгляд. 2014. № 26. С. 130-133.



References

1. Snegireva L.V., Katal'nikova E.P., Gorjushkin E.I. Iskusstvennaja nejronnaja set' dlja proverki sootvetstvija real'noj trudnosti testovyh zadanij V sbornike: Perspektivy razvitija informacionnyh tehnologij Trudy Vserossijskoj molodezhnoj nauchno-prakticheskoj konferencii. Kuzbasskij gosudarstvennyj tehnicheskij universitet imeni T.F. Gorbacheva, Mezhdunarodnyj nauchno-obrazovatel'nyj centr KuzGTU-Arena Multimedia. Kemerovo, 2014. P. 282-283.

2. Arutjunjan V.G. Struktura mental'nyh reprezentacij: izvlechenie teksta iz pamjati, nejronnaja set' i iskusstvennyj intellekt Vestnik Permskogo universiteta. Rossijskaja i zarubezhnaja filologija. 2013. No 4 (24). P. 133-139.

3. Bessonov D.V. Sposoby kodirovanija iskusstvennyh nejronnyh setej v jevoljucionnyh algoritmah V sbornike: Sovremennye sistemy iskusstvennogo intellekta i ih prilozhenija v nauke Materialy II Vserossijskoj nauchnoj Internet-konferencii s mezhdunarodnym uchastiem. Servis virtual'nyh konferencij Pax Grid; IP Sinjaev D. N.. 2014. P. 14-16.

4. Afanas'eva M.A. Sozdanie i obuchenie nejronnyh setej v sisteme MATLAB Molodoj uchenyj. 2014. No 4. P. 85-88.

5. Kolesnikova T. Postroenie i obuchenie nejronnoj seti dlja reshenija zadachi prognozirovanija pogody pri pomoshhi programmy NEUROPH STUDIO Komponenty i tehnologii. 2014. No 7 (156). P. 129-132.

6. Polupanov A.A., Garnaga V.V., Kol'cov Ju.V. Jevoljucionnyj podhod k obucheniju iskusstvennoj nejronnoj seti Informatika, vychislitel'naja tehnika i inzhenernoe obrazovanie. 2013. No 3 (14). P. 10-15.

7. Plehanov P.A. Primenenie iskusstvennyh nejronnyh setej dlja nahozhdenija vzaimosvjazej v jekonomike Sovremennye tendencii v jekonomike i upravlenii: novyj vzgljad. 2014. No 26. P. 130-133.

Tweet

Яндекс.ВиджетINNOV