WWW.REFERATCENTRAL.ORG.UA - Я ТУТ НАВЧАЮСЬ

... відкритий, безкоштовний архів рефератів, курсових, дипломних робіт

ГоловнаІнформатика, Компютерні науки → Технології використання експертних систем та нейромережеві технології - Реферат

Технології використання експертних систем та нейромережеві технології - Реферат

Але головне, що величезний об'єм знань, яким володіють експерти-спеціалісти (професійні знання і знання про світ і закони, що діють в нім), не вдається поки вбудувати в інтелектуальну систему, тим більше таку спеціалізовану, якою є будь-яка експертна система.

2. ІНТЕГРОВАНІ ТЕХНОЛОГІЇ В РОЗПОДІЛЕНИХ СИСТЕМАХ ОБРОБКИ ДАНИХ

Різноманіття компютерних мереж і форм взаємодії ПК породжує насущну проблему їх інтеграції або принаймні з'єднання на рівні обміну повідомленнями.

У розподілених системах використовуються три інтегровані технології.

1. Технологія клієнт - сервер.

2. Технологія сумісного використання ресурсів в рамках глобальних мереж.

З. Технологія універсального призначеного для користувача спілкування у вигляді електронної пошти.

Основна форма взаємодії ПК в мережі — це клієнт сервер. Зазвичай один ПК в мережі має в своєму розпорядженні інформаційно-обчислювальні ресурси (такі, як процесори, файлова система, поштова служба, служба друку, база даних), а інші ПК користуються ними. Комп'ютер, керівник тим або іншим ресурсом, прийнято називати сервером цього ресурсу, а комп'ютер, охочий їм скористатися, — клієнтом. Якщо ресурсом є бази даних, то говорять про сервер баз даних, призначення якого обслуговувати запити клієнтів, пов'язані з обробкою даних; якщо ресурс — файлова система, то говорять про файловий сервер або файл-серверер і так далі.

Технологія "клієнт — сервер", набуває все більшого поширення, але реалізація технології в конкретних програмних продуктах істотно розрізняється.

Один з основних принципів технології "клієнт — сервер", полягає в розділенні операцій обробки даних на три групи, що мають різну природу. Перша група — це введення і відображення даних. Друга група об'єднує прикладні операції обробки даних, характерні для вирішення завдань даної наочної області. Нарешті, до третьої групи відносяться операції зберігання і управління даними (базами даних або файловими системами).Згідно цієї класифікації в будь-якому техпроцесі можна виділити програми трьох видів: програми уявлення, що реалізовують операції першої групи; прикладні програми, що підтримують операції другої групи;

3. НЕЙРОМЕРЕЖЕВІ ТЕХНОЛОГІЇ У ФІНАНСОВО-ЕКОНОМІЧНІЙ ДІЯЛЬНОСТІ

На ринку комерційних програмних продуктів разом з аналітичними інструментами нового покоління, заснованими на застосуванні логіки нечітких множин, — від електронних таблиць (FuzzyCalc) до експертних систем (CubiCalc) корпорації Hyper Jodic (США), все більший інтерес для фінансово- економічної діяльності представляють аналітичні інформаційні технології, засновані на використанні нейронних мереж. Нейронні мережі — узагальнена назва груп алгоритмів, які уміють навчатися на прикладах, витягуючи приховані закономірності з потоку даних. Комп'ютерні, які отримали назву нейромережевих, працюють по аналогії з принципами будови і функціонування нейронів головного мозку людини і дозволяють вирішувати надзвичайно широкий круг завдань: розпізнавання людської мови і абстрактних образів, класифікацію станів складних систем, управління технологічними процесами і фінансовими потоками, вирішення аналітичних, дослідницьких, прогнозних завдань, пов'язаних з обширними інформаційними потоками. Будучи могутнім технологічним інструментом, нейромережеві технології полегшують фахівцеві процес ухвалення важливих і неочевидних рішень в умовах невизначеності, дефіциту часу і обмежених інформаційних ресурсів.

З середини 1980-х років нейронні мережі почали використовуватися на заході переважно у фінансових і військових застосуваннях. Проте, не дивлячись на успіх, інструмент виявився дуже складним і дорогим.Ситуація змінилася на початку 1990-х років, коли на ринку з'явилося нове покоління нейромережевих технологій — могутніх, недорогих, простих у використанні. Одним з лідерів ринку став нейромережевий пакет Brain Maker американської фірми California Scientific Software. Розроблений за замовленням військових пакет був адаптований для бизнес-приложений і з 1990 року утримує лідерство серед нейромережевих пакетів, що самих продаються, США.

Свій шлях на російський ринок нейронні мережі почали з фінансово-кредитної сфери, де зацікавлені у вдосконаленні аналітичної роботи банки почали інтенсивно включати нейронні мережеві технології до складу фінансових застосувань. В даний час користувачами Brain Maker Pro 3.12 (останньої професійної версії пакету) стали вже більше 200 банків і торгових компаній, а останнім часом — і аналітичні установи верхніх ешелонів влади.

Відмінною рисою нейронних мереж є їх здатність міняти свою поведінку (навчатися) залежно від зміни зовнішнього середовища, витягуючи приховані закономірності з потоку даних. При цьому алгоритми навчання не вимагають яких-небудь попередніх знань про взаємозв'язки, що існують в наочній області, — необхідно тільки підібрати достатнє число прикладів, що описують поведінку модельованої системи у минулому. Заснована на нейромережах технологія не пред'являє підвищених вимог до точності вхідних даних як на етапі навчання, так і при її використанні (після настройки і вивчення), наприклад, при розпізнаванні симптомів наближення критичних ситуацій, для короткострокових, а іноді і довгострокових прогнозів. Таким чином, нейромережева технологія володіє двома надзвичайно корисними властивостями.

1. Здатністю навчатися на конкретній безлічі прикладів.

2. Умінням стабільно розпізнавати прогнозувати нові ситуації з високим ступенем точності, причому в умовах зовнішніх перешкод, наприклад появи суперечливих або неповних значень в потоках інформації.Узявши за основу роботу мозку, нейромережеві технології включили і ряд біологічних термінів, понять, параметрів, а метод отримав назву генетичного алгоритму.

Генетичний алгоритм реалізований в популярних версіях нейропакетів — широко відомих в Росії Brain Maker Professional v.3.11 і менш відомих, але професіональніших Neuroforester v.5.1. У цих пакетах генетичний алгоритм управляє процесом спілкування на деякій множині прикладів, а також стабільно розпізнає нові ситуації з високим ступенем точності навіть в умовах зовнішніх перешкод, наприклад, появи суперечливих або неповних знань. Причому навчання зводиться до роботи алгоритму підбору вагових коефіцієнтів, який реалізується автоматично без безпосередньої участі користувача-аналітика.

Для реалізації нейромережевої технології повинні бути виконані наступні умови: наявність IВМ РС або сумісного комп'ютера, миші, MS Windows 3.1 або вище, 4 Мбайт RАМ (оперативній пам'яті).

На відміну від Brain Maker Professional v.3.11 в пакеті Neuroforester v.5.1. для вирішення прогнозних завдань ряд процедур виконується автоматично. Зокрема, автоматично вибирається оптимальне число днів, що забезпечуються прогнозом. Пакет має також інструменти для попередньої обробки даних: кореляційний аналіз, що дозволяє визначати значущість вхідних параметрів прогнозу; аналіз за допомогою масштабних перетворень і експоненти Херста для виявлень прихованих циклів даних; діаграма-розподіл залежності прогнозованої величини від вхідних параметрів. Ці методи дозволяють вже на етапі підготовки даних виділяти найбільш істотні для прогнозу параметри. Всі результати обробки представляються в графічному вигляді, зручному для аналізу, ухвалення рішень.

При використанні нейромережевої технології робота будується у декілька етапів. Розглянемо їх зміст і найважливіші процедури. Першим етапом є чітке визначення проблеми, тобто того, що користувач-аналітик збирається отримати від нейромережевої технології на виході. Це може бути деякий вектор, що характеризує систему або процес. Наприклад, крива прибутковості ГКО; ціна відсікання первинного аукціону; показник доцільності реструктуризації інвестиційного портфеля, точки перелому тренда і тому подібне .

Другим етапом є визначення і підготовка початкових даних для реалізації нейромережевої технології. При цьому відбирається вся необхідна інформація, ,що повно і адекватно описує процес. Для найбільш успішного вирішення проблеми формування наборів інформації та подальшого прогнозування ситуацій рекомендується привертати обізнаних дану конкретну область фахівців.

Складність виконання другого етапу полягає в тому, що повинен бути дотриманий баланс між прагненням збільшити кількість вхідних параметрів і вірогідністю отримати погано навчану мережу, яка може спотворити очікувані прогнози. Річ у тому, що число днів ретроспективи і прогнозу, які залежать від властивостей досліджуваних даних, сильно впливають на точність прогнозу. Тому вибір невідповідного великого числа днів для прогнозу або їх малого числа ретроспективи може привести до того, що мережа буде не в змозі навчатися.

Введення даних в систему, підготовка даних, створення файлів для тренування і тестування можна вважати самостійним третім етапом. Основною метою роботи на цьому етапі є формування необхідного набору ситуацій, з якими доведеться працювати аналітикові, а потім розподіл початкових даних по цих ситуаціях. При цьому нейросетевая технологія автоматично реалізує завдання класифікації, в основі якої лежить нечітка логіка. Як вхідні параметри можуть бути використані штучно створені характеристики системи, зокрема для фондового ринку це можуть бути різні індикатори технічного аналізу.

Loading...

 
 

Цікаве