Файл: Применение нейронных сетей в экономике.pdf

Провести обесцвечивание изображения с выравниванием тонов к черному или белому

Провести разбиение обесцвеченного изображения на мелкую регулярную сетку, записать значения в массив (черный – 1, белый – 0)

Заранее приготовленная и обученная система персептронов обработает массив данных. Для сети следует выбрать наиболее подходящий вид дельта-правило, обеспечивающий корректную работу.

Настройкой весовых коэффициентов добиться максимальной точности, провести обучение сети на образцах.

Работу данного алгоритма иллюстрирует рисунок 2.3^[23]

Рисунок 2.3 – Алгоритм распознавания объекта

На рисунке видно, что выбран прямой вид на здание. В общем случае положение камеры может этого не обеспечивать, потому становится понятно не только, почему выше сказано про необходимость предварительной подготовки изображения, это основная сложность по сравнению с распознаванием простых символов. Возможно, целесообразно будет задействовать геолокацию, присутствующую в большинстве современных устройств, для определения угла зрения. Также понятно, что хотя разность углов зрения на объект при движении небольшая, можно как минимум немного «довернуть» трехмерную реконструкцию на нужный угол перед распознаванием. Дополнительное преимущество нейронной сети ещё и в том, что при наличии достаточного количества образцов распознавание будет лучше, чем при других методах – так, каскады Хоара потребуют набора очень большого количества признаков на сложных фотографиях зданий.

Перед тем, как дополнительно описать принцип работы перцептронной сети, следует упомянуть, что в отличие от простых символьных образов, могут возникать некоторые сложности с распознаванием снимка здания по признакам, основанным на сетке из обесцвеченного образа, т.к., очевидно, гораздо лучшее распознавание получится при выделении контура здания либо локализации его характерных частей отдельно.

Следует упомянуть и традиционное для этого метода трансформирование введенного изображения из графического в матричный вид. При распознавании образов, изображение подают на матрицу рецепторов по аналогии с тем, как изображение попадает на сетчатку человеческого глаза. По аналогии строится модель с полем рецепторов, представляющим собой прямоугольный массив, на котором можно изображать всевозможные конфигурации символов. Ввод информации в устройство, представляет собой процесс сканирования изображения с помощью периферийного устройства – камеры, и сохранения изображения в формате графического файла. Другим способом может служить создание изображения в любой графической программе. Сохраненное изображение представляет собой графический файл, т.е. последовательность кодовых знаков, которые несут в себе информацию о структуре визуального изображения. Однако для использования этой информации в математических целях, необходимо преобразовать этот последовательный зашифрованный код в более доступное матричное представление нулей и единиц (0 – не закрашенные, 1 – закрашенные точки).^[24]

Будем считать достаточным топологическое описание без дополнительных уточнений, т.к. простые геометрические деформации сохранят подобие с эталоном. Выбор классов (простых образов), для которых верна гипотеза компактности по сути является аналогом отдельного распознавания частей здания, что опять же подтверждает удачный выбор нейронной сети как инструмента в данной задаче.

Основная проблема подхода будет связана с выбором удовлетворительных процедур распознавания, этот вопрос отчасти остается открытым. Понятно только, что исходить следует из выделения опорных точек и контуров в силуэте здания, а также к их формализации таким образом, чтобы получившиеся признаки были кластеризуемы. Даже несмотря на присутствие вероятностных описаний в хорошей нейросети, признаки необходимо выделять продуманно. Эти дискриминантные функции пространства признаков можно попытаться изыскать из общих соображений аналитической геометрии.

2.2. Прогнозирование на основе нейросетей

Прогнозирование - это ключевой момент при принятии решений в управлении. Конечная эффективность любого решения зависит от последовательности событий, возникающих уже после принятия решения. Возможность предсказать неуправляемые аспекты этих событий перед принятием решения позволяет сделать наилучший выбор, который, в противном случае, мог бы быть не таким удачным. Поэтому системы планирования и управления, обычно, реализуют функцию прогноза. Далее перечислены примеры ситуаций, в которых полезно прогнозирование.

Управление материально-производственными запасами. В управлении запасами запасных частей на предприятии по ремонту самолетов совершенно необходимо оценить степень используемости каждой детали. На основе этой информации определяется необходимое количество запасных частей. Кроме того, необходимо оценить ошибку прогнозирования. Эта ошибка может быть оценена, например, на основе данных о времени, которое понадобилось для доставки деталей, которых не было на складе.^[25]

Планирование производства. Для того, чтобы планировать производство семейства продуктов, возможно, необходимо спрогнозировать продажу для каждого наименования продукта, с учетом времени доставки, на несколько месяцев вперед. Эти прогнозы для конечных продуктов могут быть потом преобразованы в требования к полуфабрикатам, компонентам, материалам, рабочим и т.д. Таким образом, на основании прогноза может быть построен график работы целой группы предприятий.

Финансовое планирование. Финансового менеджера интересует, как будет изменяться денежный оборот компании с течением времени.

Менеджер может пожелать узнать, в какой период времени в будущем оборот компании начнет падать, с тем, чтобы принять соответствующее решение уже сейчас.

Разработка расписания персонала. Менеджер почтовой компании должен знать прогноз количества обрабатываемых писем, с тем, чтобы обработка производилась в соответствии с расписанием персонала и производительностью оборудования.

Планирование нового продукта. Решение о разработке нового продукта обычно требует долговременного прогноза того, каким спросом он будет пользоваться. Этот прогноз не менее важен, чем определение инвестиций необходимых для его производства.

Управление технологическим процессом. Прогнозирование также может быть важной частью систем управления технологическими процессами. Наблюдая ключевые переменные процесса и используя их для предсказания будущего поведения процесса, можно определить оптимальное время и длительность управляющего воздействия. Например, некоторое воздействие в течение часа может повышать эффективность химического процесса, а потом оно может снижать эффективность процесса.

Прогнозирование производительности процесса может быть полезно при планировании времени окончания процесса и общего расписания производства.

2.3. Преимущества и недостатки прогнозирования на нейросетях

Прогнозирование на НС обладает рядом недостатков. Даже при прогнозировании требования на достаточно стабильный продукт на основе информации о ежемесячных продажах, возможно мы не сможем накопить историю за период от 50 до 100 месяцев. Для сезонных процессов проблема еще более сложна. Каждый сезон истории фактически представляет собой одно наблюдение. То есть, в ежемесячных наблюдениях за пять лет будет только пять наблюдений за январь, пять наблюдений за февраль и т.д. Может потребоваться информация за большее число сезонов для того, чтобы построить сезонную модель. Однако, необходимо отметить, что мы можем построить удовлетворительную модель на НС даже в условиях нехватки данных. Модель может уточняться по мере того, как свежие данные становится доступными.^[26]

Другим недостатком нейронных моделей — значительные затраты по времени и другим ресурсам для построения удовлетворительной модели. Эта проблема не очень важна, если исследуется небольшое число временных последовательностей. Тем не менее, обычно прогнозирующая система в области управления производством может включать от нескольких сотен до нескольких тысяч временных последовательностей.

Однако, несмотря на перечисленные недостатки, модель обладает рядом достоинств. Существует удобный способ модифицировать модель по мере того, как появляются новые наблюдения. Модель хорошо работает с временными последовательностями, в которых мал интервал наблюдений, т.е. может быть получена относительно длительная временная последовательность. По этой причине модель может быть использована в областях, где нас интересуют ежечасовые, ежедневные или еженедельные наблюдения. Эти модели также используются в ситуациях, когда необходимо анализировать небольшое число временных последовательностей.

2.4. Обзор программных продуктов

В данной главе приведены краткие характеристики наиболее распространенных программных продуктов.

NeuroShell 2 - программная среда с дружественным и интуитивно понятным интерфейсом, в которой реализованы наиболее распространенные и эффективные нейросетевые архитектуры. Этот программный продукт удовлетворит и новичка, и профессионала. NeuroShell сопровождает целая серия дополнений, которые могут существенно упростить решение ряда специфических задач.^[27]

GeneHunter - "охотник за генами" использует генетические алгоритмы для решения сложных, очень сложных и очень-очень сложных комбинаторных и оптимизационных задач. GeneHunter является надстройкой Microsoft Excel, т.е. пользователь решает свои задачи непосредственно из рабочего листа, содержащего данные. Кроме того, в состав GeneHunter входит динамическая библиотека функций генетических алгоритмов, совместимая с NeuroWindows, что позволяет пользователю создавать мощные гибридные системы, сочетающие нейронные сети и генетические алгоритмы.^[28]

NeuroShell Trader не похож ни на один из графических пакетов потому, что мощные нейронные сети для предсказаний становятся осязаемыми. Только соединив вместе наиболее важные принципы графического отображения, технический анализ и нейронные сети в один простой пакет, оказалось возможным создать продукт специально для трейдеров.

NeuroShell Easy Series

Easy - в перводе "легкий, простой" - вовсе не означает, что в данную серию входят примитивные алгоритмы. Напротив, нейросетевые архитектуры, лежащие в основе программ данной серии, являются самыми последними достижениями научного поиска, результатом которого явилось создание алгоритма "самопостроения" нейронной сети, обладающей рекордными скоростями обучения. Поэтому термин "легкий" относится к простоте, с которой пользователь может обрабатывать свои данные. Теперь пользователь должен сосредоточиться только на формулировке задачи, все остальное программы данной серии сделают сами.

В состав серии входят:

NeuroShell Easy Predictor - Предсказатель

NeuroShell Easy Classifier - Классификатор

NeuroShell Easy Run-Time Server - Генератор автономных файлов.

NeuroShell Easy Predictor - дает возможность с легкостью создавать системы для решения задач

прогнозирования и предсказания на основе имеющейся базы данных. Это могут быть предсказания следующих значений параметров временного ряда, например, предсказание курса акций, или оценка какой-либо величины, определяемой набором независимых факторов, например, оценка стоимости квартир или подержанных автомобилей.

NeuroShell Easy Classifier - предназначен для решения задач распознавания образов, связанных с определением принадлежности предъявляемого образа (ситуации) к той или иной категории. Например, по набору биржевых показателей вырабатывать сигнал для покупки или продажи акций той или иной компании.

NeuroShell Easy Run-Time Server - содержит серию программ, которые позволяют использовать сети, созданные с помощью NeuroShell Easy Predictor и NeuroShell Easy Classifier либо из рабочих листов Microsoft® Excel™, либо в собственных программах.

NeuroWindows - представляет собой динамическую библиотеку нейросетевых функций, с помощью которых программист в состоянии построить нейросетевые структуры практически произвольной архитектуры.

Перед тем, как дополнительно описать принцип сети, следует упомянуть, что в отличие от простых символьных образов, могут возникать некоторые сложности с распознаванием снимка здания по признакам, основанным на сетке из обесцвеченного образа, т.к., очевидно, гораздо лучшее распознавание получится при выделении контура здания либо локализации его характерных частей отдельно.
Следует упомянуть и традиционное для этого метода трансформирование введенного изображения из графического в матричный вид. При распознавании образов, изображение подают на матрицу рецепторов по аналогии с тем, как изображение попадает на сетчатку человеческого глаза. По аналогии строится модель с полем рецепторов, представляющим собой прямоугольный массив, на котором можно изображать всевозможные конфигурации символов. Ввод информации в устройство, представляет собой процесс сканирования изображения с помощью периферийного устройства – камеры, и сохранения изображения в формате графического файла. Другим способом может служить создание изображения в любой графической программе. Сохраненное изображение представляет собой графический файл, т.е.  в отличие от простых символьных образов, могут возникать некоторые сложности с распознаванием снимка здания по признакам, основанным на сетке из обесцвеченного образа, т.к., очевидно, гораздо лучшее распознавание получится при выделении контура здания либо локализации его характерных частей отдельно.