Оглавление 
 
 

 

Введение

 

     Уже сегодня искусственные нейронные  сети используются во многих областях, но прежде чем их можно будет применять  там, где на карту поставлены человеческие жизни или значительные материальные ресурсы, должны быть решены важные вопросы, касающиеся надежности их работы. Поэтому уровень допустимых ошибок следует определять исходя из природы самой задачи. Некоторые проблемы с анализом вопросов надежности возникают из-за допущения полной безошибочности компьютеров, тогда как искусственные нейронные сети могут быть неточны даже при их правильном функционировании. На самом же деле компьютеры, как и люди, тоже могут ошибаться. Первые — в силу различных технических проблем или ошибок в программах, вторые — из-за невнимательности, усталости или непрофессионализма. Следовательно, для особо критических задач необходимо, чтобы эти системы дублировали и страховали друг друга. А это значит, при решении таких задач нейронные сети должны выступать не в качестве единственных средств, а в качестве дополнительных, предупреждающих особые ситуации или берущих на себя управление, когда проблема не решается стандартным образом и какие-либо задержки могут привести к катастрофе.

     Другая  трудность использования нейронных  сетей состоит в том, что традиционные нейронные сети неспособны объяснить, каким образом они решают задачу. Внутреннее представление результатов обучения зачастую настолько сложно, что его невозможно проанализировать, за исключением некоторых простейших случаев, обычно не представляющих интереса.

     В последнее время предпринимаются активные попытки объединения искусственных нейронных сетей и экспертных систем. В такой системе искусственная нейронная сеть может реагировать на большинство относительно простых случаев, а все остальные передаются для рассмотрения экспертной системе. В результате сложные случаи принимаются на более высоком уровне, при этом, возможно, со сбором дополнительных данных или даже с привлечением экспертов.

     Нейросетевые  прикладные пакеты, разрабатываемые  рядом компаний, позволяют пользователям работать с разными видами нейронных сетей и с различными способами их обучения. Они могут быть как специализированными (например, для предсказания курса цен на драгоценные металлы), так и достаточно универсальными.

     Области применения нейронных сетей весьма разнообразны — это распознавание текста и речи, семантический поиск, экспертные системы и системы поддержки принятия решений, предсказание курсов акций, валют, цен на драгоценные металлы, системы безопасности, анализ текстов. В данной курсовой работе рассматривается применение нейросети для прогнозирования изменения цены на золото.

     При создании курсовой работы ставилась  цель: изучение применения нейронных  сетей для определения динамики цен на золото, рассмотрение непосредственных примеров.

     Для достижения поставленной цели в работе решены следующие задачи:

1. Выполнение обзора применения нейронных сетей.
2. Изучение классификаций нейронных сетей.
3. Изучение применения нейросетей в задаче прогнозирования.
4. Построение нейронной сети для прогнозирования на основе реальных данных.

 

     1 Понятие нейросети. Область применения. Преимущества нейросети

1. Понятие нейросети

 

     Иску́сственные  нейро́нные се́ти (ИНС) — математические модели, а также их программные  или аппаратные реализации, построенные  по принципу организации и функционирования биологических нейронных сетей — сетей нервных клеток живого организма. Это понятие возникло при изучении процессов, протекающих в мозге, и при попытке смоделировать эти процессы. Первой такой попыткой были нейронные сети Маккалока и Питтса. Впоследствии, после разработки алгоритмов обучения, получаемые модели стали использовать в практических целях: в задачах прогнозирования, для распознавания образов, в задачах управления и др.

     ИНС представляют собой систему соединённых  и взаимодействующих между собой простых процессоров (искусственных нейронов). Такие процессоры обычно довольно просты, особенно в сравнении с процессорами, используемыми в персональных компьютерах (Рисунок 1). Каждый процессор подобной сети имеет дело только с сигналами, которые он периодически получает, и сигналами, которые он периодически посылает другим процессорам. И, тем не менее, будучи соединёнными в достаточно большую сеть с управляемым взаимодействием, такие локально простые процессоры вместе способны выполнять довольно сложные задачи.

     

     Рисунок 1 – Нейронная сеть 

     Нейронные сети не программируются в привычном  смысле этого слова, они обучаются. Возможность обучения — одно из главных преимуществ нейронных  сетей перед традиционными алгоритмами. Технически обучение заключается в нахождении коэффициентов связей между нейронами. В процессе обучения нейронная сеть способна выявлять сложные зависимости между входными данными и выходными, а также выполнять обобщение. Это значит, что в случае успешного обучения сеть сможет вернуть верный результат на основании данных, которые отсутствовали в обучающей выборке, а также неполных и/или «зашумленных», частично искаженных данных. [4]

     1.2 Область применения  нейросетей

 

     В каждой предметной области при ближайшем  рассмотрении можно найти постановки задач для нейронных сетей. Решение такого рода задач имеет практическое значение уже сейчас в следующих областях.

• Экономика и бизнес: прогнозирование временных рядов (курсов валют, цен на сырьё, объемов продаж и т.д.), автоматический трейдинг, оценка рисков невозврата кредитов, предсказание банкротств, оценка стоимости недвижимости, выявление переоцененных и недооцененных компаний, рейтингование, оптимизация товарных и денежных потоков, считывание и распознавание чеков и документов, безопасность транзакций по пластиковым картам.
• Медицина: постановка диагноза, обработка медицинских изображений, мониторинг состояния пациента, анализ эффективности лечения, очистка показаний приборов от шумов.
• Авионика: обучаемые автопилоты, распознавание сигналов радаров, адаптивное пилотирование сильно поврежденного самолета, беспилотные летательные аппараты.
• Связь: сжатие видеоинформации, быстрое кодирование-декодирование, оптимизация сотовых сетей и схем маршрутизации пакетов.
• Интернет: ассоциативный поиск информации, электронные секретари и автономные агенты в интернете, фильтрация информации, блокировка спама, автоматическая рубрикация новостевых лент, адресные реклама и маркетинг для электронной торговли.
• Автоматизация производства: оптимизация режимов производственного процесса, контроль качества продукции, мониторинг и визуализация многомерной диспетчерской информации, предупреждение аварийных ситуаций, робототехника.
• Политологические и социологические технологии: предсказание результатов выборов, анализ опросов, предсказание динамики рейтингов, выявление значимых факторов, кластеризация электората, исследование и визуализация социальной динамики населения.
• Безопасность и охранные системы: распознавание лиц; идентификация личности по отпечаткам пальцев, голосу, подписи, лицу; распознавание автомобильных номеров, анализ аэрокосмических снимков, мониторинг информационных потоков в компьютерной сети и обнаружение вторжений, обнаружение подделок.
• Ввод и обработка информации: распознавание рукописных текстов, отсканированных почтовых, платежных, финансовых и бухгалтерских документов.
• Геологоразведка: анализ сейсмических данных, ассоциативные методики поиска полезных ископаемых, оценка ресурсов месторождений. [5]

     1.3 Преимущества и достоинства нейронных сетей

 

     Область применения нейронных сетей во многом совпадает с кругом задач, решаемых традиционными статистическими  методами. Поэтому необходимо указать преимущества нейронных сетей перед несколькими классическими методами статистики.

     По  сравнению с линейными методами статистики (линейная регрессия, авторегрессия, линейный дискриминант) нейросети позволяют эффективно строить нелинейные зависимости, более точно описывающие наборы данных. Из нелинейных методов классической статистики распространен только байесовский классификатор, строящий квадратичную разделяющую поверхность − а искусственная нейронная сеть может построить поверхность более высокого порядка. Высокая нелинейность разделяющей поверхности байесовского классификатора требует значительного суммарного числа примеров для возможности оценивания вероятностей при каждом сочетании интервалов значений переменных − а нейронная сеть обучается на всей выборке данных, не фрагментируя её, что повышает адекватность настройки нейросети.

     Для сжатия и визуализации данных в статистике разработан метод линейных главных компонент. Нейросети-автоассоциаторы позволяют эффективнее сжимать данные за счет построения нелинейных отображений и визуализировать данные в пространстве меньшего числа нелинейных главных компонент.

     По сравнению с методами непараметрической статистики нейронная сеть с радиальными базисными функциями позволяет сокращать число ядер, оптимизировать координаты и размытость каждого ядра. Это позволяет при сохранении парадигмы локальной ядерной аппроксимации ускорять дальнейший процесс принятия решения.

     При обучении нейронной сети вместо критерия качества в виде наименьших квадратов  можно использовать робастные критерии, дополнительно вести оптимизацию  и других свойств нейронной сети (например, добавляя критерии регуляризации решения или оптимизации структуры нейронной сети). Алгоритмы обучения нейронной сети при этом остаются неизменными.

     Необходимость решения прямой и обратной задач  обычно требует построения двух моделей. При использовании же нейронных  сетей можно обойтись одной сетью, обученной решать прямую задачу.

     Также нейронная сеть одновременно может решать нескольких задач (при наличии у нее нескольких выходов). [5]

     Простота  в использовании. Нейронные сети учатся на примерах. Пользователь нейронной сети подбирает представительные данные, а затем запускает алгоритм обучения, который автоматически воспринимает структуру данных. При этом от пользователя требуется какой-то набор эвристических знаний о том, как следует отбирать и подготавливать данные, выбирать нужную архитектуру сети и интерпретировать результаты, однако уровень знаний, необходимый для успешного применения нейронных сетей, гораздо скромнее, чем, например, при использовании традиционных методов статистики. [4]

 

     2 Применение нейросетей и их классификация

     2.1 Задачи нейросети

 

     Любая работа с нейросетью начинается с  определения задач, которые она  должна решать, т.е. с определения  функций выходов. В общем случае сеть может решать как задачи классификации (дискретные выходы), так и задачи предсказания (непрерывные выходы). Из всего множества решаемых нейросетями задач для трейдинга наиболее важными являются:

- классификационный  прогноз направления;

- прогноз  цены;

- выработка  торговых сигналов;

- прогнозирование  индикаторов;

- определение  уровней стопов;

- определение  «похожих» дней;

- определение  кризисных и аномальных точек;

- предсказание  наступления кризиса;

- прогноз  развития кризисной ситуации.

     Конечной  целью любого вида анализа, в том  числе и нейронных технологий, является выработка торговых сигналов. Настройка нейросети для генерации торговых сигналов - задача сложная и требующая углубленного понимания рынка и нейросетей. Поэтому, следует  сначала научиться избегать ошибок на более простых, но не менее важных задачах - прогнозировании цен и индикаторов. [2]

   2.2 Известное применение нейросетей

 

1. Распознавание образов и классификация

     В качестве образов могут выступать  различные по своей природе объекты: символы текста, изображения, образцы  звуков и т. д. При обучении сети предлагаются различные образцы образов с указанием того, к какому классу они относятся. Образец, как правило, представляется как вектор значений признаков. При этом совокупность всех признаков должна однозначно определять класс, к которому относится образец. В случае если признаков недостаточно, сеть может соотнести один и тот же образец с несколькими классами, что неверно. По окончании обучения сети ей можно предъявлять неизвестные ранее образы и получать ответ о принадлежности к определённому классу.