Архитектура ИНС. Режимы работы нейронной сети. Алгоритмы обучения ИНС

ИНС может рассматриваться как направленный граф, в котором искусственные нейроны являются узлами. В многообразии нейронных сетей можно выделить две базовых архитектуры – слоистые и полносвязные сети. На практике широко исследуются многослойные сети типа перцептрон, где отсутствуют обратные связи и возможны связи между нейронами только смежных слоев. Нейроны первого слоя получают входные сигналы, преобразуют их и через точки ветвления передают нейронам второго слоя. Далее срабатывает второй слой и т.д. до k-го слоя, который выдает выходные сигналы для интерпретатора и пользователя.

Нейронная сеть может работать в двух режимах: в режиме обучения и в режиме распознавания.

В режиме обучения производится формирование логических цепочек. В режиме распознавания нейросеть по предъявляемому образу с высокой достоверностью определяет, к какому типу он относится, какие действия следует предпринять и т.д.

ИНС обучается по эталонным ситуациям, решение которых известно, а затем в рабочем режиме автоматически определяет, на какую «знакомую»ситуацию более всего похожа введенная и какое решение надо принять.

Алгоритм обучения означает процедуру, в которой используются правила обучения для настройки весов. Существуют три парадигмы обучения: «с учителем»; «без учителя» (самообучение); смешанная.

В первом случае нейронная сеть располагает правильными ответами (выходами сети) на каждый входной пример. Веса настраиваются так, чтобы сеть производила ответы как можно более близкие к известным правильным ответам. Во втором случае сеть спонтанно обучается выполнять поставленную задачу, без вмешательства со стороны экспериментатора. Смешанное обучение комбинирует первый и второй тип.

Алгоритм обратного распространения ошибки – воспроизводит подход, используемый в динамическом программировании и основанный на обратном и прямом проходах.

Алгоритм «трассировки» – основан только на прямом проходе при прокладывании путей возбуждения от эталонов к нейронам выходного слоя.

19. Задачи решаемые ИНС. Применение ИНС для мониторинга банковской системы.

Нейронная сеть – это математическая модель, а также ее программные или аппаратные реализации, построенные по принципу организации и функционирования биологических нейронных сетей — сетей нервных клеток живого организма.

Основные задачи, решаемые нейронными сетями: Распознавание образов, Аппроксимация функций, Прогнозирование, Оптимизация, Ассоциативная память, Управление.

Рассмотрим решение задачи аппроксимации функции. Задача линейной регрессии состоит в поиске наилучшего линейного приближения функции, заданной конечным набором значений. ИНС решает задачу аппроксимации методом последовательных приближений, где каждый слой играет роль новой итерации.

Задача нейросетевого прогнозирования: при решении этого типа задач используется Нейросетевой алгоритм прогнозирования событий в многомерных временных рядах. Алгоритм основан на использовании нейронных сетей, обучаемых на различных участках анализируемого временного ряда. Существенной особенностью алгоритма являются возможность поиска нелинейных связей между событием и явлением.

Также ИНС можно применять для мониторинга банковской системы. Обученная система, поступает в распоряжение пользователя после высококвалифицированной экспертизы экономистов и политиков. К основным показателям, которыми оперирует система относятся собственный капитал, сальдированные активы, ликвидные активы, обязательства до востребования, вклады населения, коэффициент ликвидности, бюджетные средства. В итоге в течение мониторинга мы получаем ряд коэффициентов, на основе которых можно определить, является ли банк успевающим или нет.