ОСНОВНЫЕ ПОНЯТИЯ НЕЙРОННЫХ СЕТЕЙ И ЕГО ПРИМЕНЕНИЕ

Элементом клеточной структуры мозга является нервная клетка - нейрон. Нейрон в своем строении имеет много общих черт с другими клетками биоткани: тело нейрона окружено плазматической мембраной, внутри которой находится цитоплазма, ядро и другие составляющие клетки. Однако нервная клетка существенно отличается от иных по своему функциональному назначению. Нейрон выполняет прием, элементарное преобразование и дальнейшую передачу информации другим нейронам. Информация переносится в виде импульсов нервной активности, имеющих электрохимическую природу. Вот как известно выглядит биологический нейрон

Рис. 1 Общая схема строения биологического нейрона

Взаимодействующие между собой посредством передачи через отростки возбуждений нейроны формируют нейронные сети. Переход от рассмотрения отдельного нейрона к изучению нейронных сетей является естественным шагом в нейробиологической иерархии.

Прежде чем перейти к рассмотрению моделей нейронов и искусственных нейронных сетей, сформулируем общие фактологические положения о биологических нейронных сетях. Здесь мы полностью следуем изложенному в книге Ф.Блума, А.Лейзерсона и Л.Хофстедтера.

Основными действующими элементами нервной системы являются отдельные клетки, называемые нейронами. Они имеют ряд общих с клетками других типов черт, при этом сильно отличаясь от них по своей конфигурации и функциональному назначению. Активность нейронов при передаче и обработке нервных импульсов регулируется свойствами мембраны, которые могут меняться под воздействием синаптических медиаторов. Биологические функции нейрона могут меняться и адаптироваться к условиям функционирования. Нейроны объединяются в нейронные сети, основные типы которых, а также схемы проводящих путей мозга являются генетически запрограммированными. В процессе развития возможно локальное видоизменение нейронных сетей с формированием новых соединений между нейронами. Отметим также, что нервная система содержит помимо нейронов клетки других типов.

Многообразие предлагаемых алгоритмов, характеризующихся различной степенью детальности проработки, возможностями их параллельной реализации, а также наличием аппаратной реализации, приводит к особой актуальности исследования по сравнительным характеристикам различных методик. Идея создания искусственного подобия человеческого разума для решения сложных задач и моделирования мыслительной способности витала в воздухе с древнейших времен. Впервые ее выразил Р.Луллий (ок.1235-ок.1315), который еще в XIV в. пытался создать машину для решения различных задач на основе всеобщей классификации понятий. Развитие искусственного интеллекта как научного направления стало возможным только после создания ЭВМ. Это произошло в 40-х гг. XX в. В это же время Н.Винер (1894 - 1964) создал свои основополагающие работы по новой науке — кибернетике. Термин искусственный интеллект (artificial intelligence) предложен в 1956 г. на семинаре с аналогичным названием в Станфордском университете (США). Семинар был посвящен разработке логических, а не вычислительных задач. Вскоре после признания искусственного интеллекта самостоятельной отраслью науки произошло разделение на два основных направления: нейрокибернетику и кибернетику "черного ящика". И только в настоящее время стали заметны тенденции к объединению этих частей вновь в единое целое. Первые нейросети были созданы в конце 50-х гг. американскими учеными Г.Розен-блаттом и П.Мак-Каллоком.

Рис. 2 Элементарный персептрон Розенблатта

Простейший классический персептрон содержит нейрободобные элементы трех типов. S-элементы формируют сетчатку сенсорных клеток, принимающих двоичные сигналы от внешнего мира. Далее сигналы поступают в слой ассоциативных или A-элементов (для упрощения изображения. R-элементы с фиксированными весами формируют сигнал реакции персептрона на входной стимул. В современном мире новых технологии сейчас используются многослойные нейронные сети, с помощью которых производятся распознавание образов сложных систем.

На фондовых рынках системы на основе искусственных нейронных сетей активно используются еще с 90-х годов прошлого века. Системы принятия решений позволяют снизить риски финансовых операций. На валютных биржах используются системы на основе нейронных сетей, отслеживающие подозрительные сделки.

Отдельным направлением использования систем с искусственным интеллектом на основе нейронных сетей является прогнозирование. Это и долгосрочное прогнозирование курсов акций, и краткосрочное предсказание курсов валют, что в настоящее время активно используется на рынке Forex.

Вообразим, что вы - брокер, использующий нейронную сеть для прогноза изменений в своем "портфеле ", и вас интересуют котировки акций нескольких фирм. Интуитивно ясно, что эти котировки зависят от собственных предыдущих значений, от котировок остальных ценных бумаг, от курсов основных валют и индексов инфляции, а также от ряда других факторов - рекламы, грядущих выборов и пр. Эти факторы образуют вектор входных значений для настройки нейронной сети. Теперь соберем данные о биржевой ситуации за достаточно длительный период. Подготовим данные по искомым выходным параметрам (курсам акций нашего портфеля) за тот же период - они будут использоваться для обучения. Затем соберем все данные и запустим нейропакет в режиме обучения, и после обучения вы сможете предъявлять ему реальные данные по биржевой ситуации, а в ответ получать прогноз относительно будущего состояния ваших акций.

Системы принятия решений на основе искусственных нейронных сетей используются, когда правильное решение зависит от большого количества факторов. Экспертные оценки в таких случаях могут быть противоречивы, а большое количество разных факторов приводит к увеличению вероятности принятия ошибочного решения. Экономический эффект от использования таких систем очевиден.

Интерес к искусственным нейронным сетям в мире очень вырос за последние несколько лет. Возможность быстрого обучения и достоверность выводов позволяет рекомендовать нейросетевые экспертные системы как один из обязательных инструментов во многих аспектах современного бизнеса. Нейронные сети обладают огромным преимуществом перед традиционным трудозатратным и более длительным путем обобщения знаний людей-экспертов.

Технологии нейронных сетей применимы практически в любой области, а в таких задачах, как прогнозирование котировок акций и курса валют они стали уже привычным и широко используемым инструментом. Повсеместное проникновение нейросетевых технологий в современный бизнес - только вопрос времени. Внедрение новых наукоемких технологий - это процесс сложный, однако практика показывает, что инвестиции не только окупаются и приносят выгоду, но и дают тем, кто их использует, ощутимые преимущества

Литературы:

1. Computing with neural circuits: a model.//Science, 1986. V. 233. p. 625-633.

2. Cross Michael. Brain ware hits Japanese computers.// New Sci. - 1988 - 120, # 1640 - p. 33.

3. Dayhoff J. Neural network architectures.//New-York:Van Nostrand reinhold, 1991.

4. Fogelman Soulie F. Neural networks, state of the art, neural computing.// London: IBC Technical Services, 1991.

5. Стобо Дж. Язык программирования Пролог. М., 1993.

6.Чювенен Э., Сеппянен И. Мир Лиспа. М., 1990.

7.Маурер У. Введение в программирование на языке Лисп. М., 1976.