Содержание

Введение................................................................................................................................. 3

Задание 1. Нейросетевые технологии финансово-экономической деятельности.......... 4

1.1. Биологический нейрон.............................................................................................. 4

1.2. Нейронные сети.......................................................................................................... 6

1.3. Применение нейросетевых технологий.................................................................. 8

1.3.1. Прогнозирование................................................................................................ 8

1.3.2. Распознавание или классификация.................................................................. 8

1.3.3. Кластеризация и поиск закономерностей........................................................ 9

Задание 2. Создание HTML-документа............................................................................. 10

2.1. Тема WEB-страницы................................................................................................ 10

2.2. Выбор программы для создания страницы........................................................... 10

2.3. Создание заголовков в FrontPage........................................................................... 11

2.4. Вставка таблицы на страницу................................................................................. 11

2.5. Вставка рисунка на WEB-страницу....................................................................... 12

2.6. Создание гиперссылок............................................................................................. 12

2.7. Вид готовых страниц............................................................................................... 13

Заключение........................................................................................................................... 15

Литература............................................................................................................................ 16

Введение

Разнообразие, большой объем и противоречивость различной диагностической информации выводят на передний план проблему поиска физических систем, способных к ее переработке. Решение этой комплексной задачи тесно связано с новыми информационными технологиями, важное место среди которых занимают методы распознавания и категоризации образов. Нейронные сети - мощный и на сегодня, пожалуй, наилучший метод для решения задач распознавания образов в ситуациях, когда в экспериментальных данных отсутствуют значительные фрагменты информации, а имеющаяся информация предельно зашумлена. Высокая степень параллельности, допускаемая при реализации нейросистем, обеспечивает обработку недоступных оператору объемов информации за времена, меньшие или сравнимые с допустимыми временами измерений.

К рубежу 80-х годов были достигнуты значительные результаты в совсем молодой синергетике, науке о самоорганизации в неравновесных системах; систематизированы факты и проведены многочисленные новые эксперименты в нейрофизиологии, в частности, подробно изучено строение и механизм действия отдельных нейронов; сформулирован принцип работы и создана первая ЭВМ с параллельной архитектурой. Эти обстоятельства, по-видимому, стимулировали начало интенсивных исследований нейронных сетей, как моделей ассоциативной памяти.

Широкий интерес к нейронным сетям был инициирован после появления работы Хопфилда (Hopfield J.J., 1982), который показал, что задача с изинговскими нейронами может быть сведена к обобщениям ряда моделей, разработанных к тому моменту в физике неупорядоченных систем.

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.

Нейронаука в современный момент переживает период перехода от юного состояния к зрелости. Развитие в области теории и приложений нейронных сетей идет в самых разных направлениях: идут поиски новых нелинейных элементов, которые могли бы реализовывать сложное коллективное поведение в ансамбле нейронов, предлагаются новые архитектуры нейронных сетей, идет поиск областей приложения нейронных сетей в системах обработки изображений, распознавания образов и речи, робототехники и др. Значительное место в данных исследованиях традиционно занимает математическое моделирование.

Задание 1. Нейросетевые технологии финансово-экономической деятельности

1.1. Биологический нейрон

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.

Нейроны крайне разнообразны по форме, которая зависит от их местонахождения в нервной системе и особенностей фунционирования. На Рис. 1. приведена схема строения "типичного" нейрона. Тело клетки содержит множество ветвящихся отростков двух типов. Отростки первого типа, называемые дендритами за их сходство с кроной раскидистого дерева, служат в качестве входных каналов для нервных импульсов от других нейронов. Эти импульсы поступают в сому или тело клетки размером от 3 до 100 микрон, вызывая ее специфическое возбуждение, которое затем распространяется по выводному отростку второго типа - аксону. Длина аксонов обычно заметно превосходит размеры дентритов, в отдельных случаях достигая десятков сантиметров и даже метров. Гигантский аксон кальмара имеет толщину около миллиметра, и именно наблюдение за ним послужило выяснению механизма передачи нервных импульсов между нейронами[1].

Тело нейрона, заполненное проводящим ионным раствором, окружено мембраной толщиной около 75 ангстрем, обладающей низкой проводимостью. Между внутреннней поверхностью мембраны аксона и внешней средой поддерживается разность электрических потенциалов. Это осуществляется при помощи молекулярного механизма ионных насосов, создающих различную концентрацию положительных ионов K⁺ и Na⁺ внутри и вне клетки. Проницаемость мембраны нейрона селективна для этих ионов. Внутри аксона клетки, находящейся в состоянии покоя, активный транспорт ионов стремится поддерживать концентрацию ионов калия более высокой, чем ионов натрия, тогда как в жидкости, окружающей аксон, выше оказывается концентрация ионов Na⁺. Пассивная диффузия более подвижных ионов калия приводит к их интенсивному выходу из клетки, что обуславливает ее общий отрицательный относительно внешней среды потенциал покоя, составляющий около -65 милливольт.

Рис. 1.Общая схема строения биологического нейрона.

Под воздействием стимулирующих сигналов от других нейронов мембрана аксона динамически изменяет свою проводимость. Это происходит, когда суммарный внутренний потенциал превышает пороговое значение масштаба -50 мв. Мембрана на короткое время, составляющее около 2 миллисекунд, изменяет свою полярность (деполяризуется) и достигает потенциала действия около +40 мв. На микроуровне это объясняется кратковременным повышением проницаемости мембраны для ионов Na⁺ и активным поступлением их в аксон. В дальнейшем, по мере выхода ионов калия, положительный заряд с внутренней стороны мембраны меняется на отрицательный, и наступает так называемый период рефрактерности, длящийся около 200 мс. В течении этого времени нейрон является полностью пассивным, практически неизменно сохраняя потенциал внутри аксона на уровне около -70 мв.

Импульс деполяризации клеточной мембраны, называемый спайком, распространяется вдоль аксона практически без затухания, поддерживаясь локальными ионными градиентами. Скорость перемещения спайка является относительно невысокой и составляет от 100 до 1000 сантиметров в секунду.

Возбуждение нейрона в виде спайка передается другим нейронам, которые таким образом объединены в проводящую нервные импульсы сеть. Участки мембраны на аксоне, где размещаются области контакта аксона данного нейрона с дендритами другими нейронов, называются синапсами. В области синапса, имеющего сложное строение, происходит обмен информацией о возбуждении между нейронами. Механизмы синаптической передачи достаточно сложны и разнообразны. Они могут иметь химическую и электрическую природу. В химическом синапсе в передаче импульсов участвуют специфические химические вещества - нейромедиаторы, вызывающие изменения проницаемости локального участка мембраны. В зависимости от типа вырабатываемого медиатора синапс может обладать возбуждающим (эффективно проводящим возбуждение) или тормозящим действием. Обычно на всех отростках одного нейрона вырабатывается один и тот же медиатор, и поэтому нейрон в целом функционально является тормозящим или возбуждающим. Это важное наблюдение о наличии нейронов различных типов в последующих главах будет существенно использоваться при проектировании искусственных систем.

1.2. Нейронные сети

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.

Общее число нейронов в центральной нервной системе человека достигает 10¹⁰ - 10¹¹, при этом каждая нервная клетка связана в среднем с 10³ - 10⁴ других нейронов. Установлено, что в головном мозге совокупность нейронов в объеме масштаба 1 мм³ формирует относительно независимую локальную сеть, несущую определенную функциональную нагрузку[2].

Выделяют несколько (обычно три) основных типов нейронных сетей, отличающихся структурой и назначением. Первый тип составляют иерархические сети, часто встречающиеся в сенсорных и двигательных путях. Информация в таких сетях передается в процессе последовательного перехода от одного уровня иерархии к другому.

Рис. 2.Структура простой рефлекторной нейронной сети.

Нейроны образуют два характерных типа соединений - конвергентные, когда большое число нейронов одного уровня контактирует с меньшим числом нейронов следующего уровня, и дивергентные, в которых контакты устанавливаются со все большим числом клеток последующих слоев иерархии. Сочетание конвергентных и дивергентных соединений обеспечивает многократное дублирование информационных путей, что является решающим фактором надежности нейронной сети. При гибели части клеток, сохранившиеся нейроны оказываются в состоянии поддерживать функционирование сети. Ко второму типу нейронных сетей относятся локальные сети, формируемые нейронами с ограниченными сферами влияния. Нейроны локальных сетей производят переработку информации в пределах одного уровня иерархии. При этом функционально локальная сеть представляет собой относительно изолированную тормозящую или возбуждающую структуру. Важную роль также играют так называемые дивергентные сети с одним входом. Командный нейрон, находящийся в основании такой сети может оказывать влияние сразу на множество нейронов, и поэтому сети с одним входом выступают согласующим элементом в сложном сочетании нейросетевых систем всех типов.

Рассмотрим схематически нейронную сеть, формирующую простой рефлекторную цепь с передачей возбуждения от раздражителя к двигательной мышце (Рис. 2).

Сигнал внешнего раздражителя воспринимается сенсорными нейронами, связанными с чувствительными клетками-рецепторами. Сенсорные нейроны формируют первый (нижний) уровень иерархии. Выработанные ими сигналы передаются нейронам локальной сети, содержащим множество прямых и обратных связей с сочетанием дивергентных и конвергентных соединений. Характер преобразованного в локальных сетях сигнала определяет состояние возбуждения моторных нейронов. Эти нейроны, составляющие верхний в рассматриваемой сети уровень иерархии, образно говоря, "принимают решение", которое выражается в воздействии на клетки мышечной ткани посредством нервно-мышечных соединений[3].

В качестве примеров рассмотрим наиболее известные классы задач, для решения которых в настоящее время широко применяются нейросетевые технологии.

1.3. Применение нейросетевых технологий

1.3.1. Прогнозирование

Прогноз будущих значений переменной, зависящей от времени, на основе предыдущих значений ее и/или других переменных. В финансовой области, это ,например, прогнозирование курса акций на 1 день вперед, или прогнозирование изменения курса валют на определенный период времени и т.д.. (рис. 3)

1.3.2. Распознавание или классификация

Определение, к какому из заранее известных классов принадлежит тестируемый объект. Следует отметить, что задачи классификации очень плохо алгоритмизируются. Если в случае распознавания букв верный ответ очевиден для нас заранее, то в более сложных практических задачах обученная нейросеть выступает как эксперт, обладающий большим опытом и способный дать ответ на трудный вопрос.

Примером такой задачи служит медицинская диагностика, где сеть может учитывать большое количество числовых параметров (энцефалограмма, давление, вес и т.д.).

Конечно, "мнение" сети в этом случае нельзя считать окончательным.

Классификация предприятий по степени их перспективности (рис 5) - это уже привычный способ использования нейросетей в практике крупных компаний. При этом сеть также использует множество  экономических показателей, сложным образом связанных между собой.

1.3.3. Кластеризация и поиск закономерностей

Помимо задач классификации, нейросети широко используются для поиска зависимостей в данных и кластеризации.

Например, нейросеть на основе методики МГУА (метод группового учета аргументов) позволяет на основе обучающей выборки построить зависимость одного параметра от других в виде полинома (рис. 6). Такая сеть может не только мгновенно выучить таблицу умножения, но и найти сложные скрытые зависимости в данных (например, финансовых), которые не обнаруживаются стандартными статистическими методами.

 

Кластеризация - это разбиение набора примеров на несколько компактных областей (кластеров), причем число кластеров заранее неизвестно (рис. 7). Кластеризация позволяет представить неоднородные данные в более наглядном виде и использовать далее для исследования каждого кластера различные методы. Например, таким образом можно быстро выявить фальсифицированные страховые случаи или недобросовестные предприятия[4].

 

Несмотря на большие возможности, существует ряд недостатков, которые все же ограничивают применение нейросетевых технологий. Во-первых, нейронные сети позволяют найти только субоптимальное решение, и соответственно они неприменимы для задач, в которых требуется высокая точность. Функционируя по принципу черного ящика, они также неприменимы в случае, когда необходимо объяснить причину принятия решения. Обученная нейросеть выдает ответ за доли секунд, однако относительно высокая вычислительная стоимость процесса обучения как по времени, так и по объему занимаемой памяти также существенно ограничивает возможности их использования. И все же класс задач, для решения которых эти ограничения не критичны, достаточно широк.

Задание 2. Создание HTML-документа

2.1. Тема WEB-страницы

Требуется создать WEB-страницу о HOST-компьютерах.

2.2. Выбор программы для создания страницы

Создание WEB-страницы выполним при помощи Microsoft FrontPage.

FrontPage - это интегрированная среда разработки WWW-серверов производства компании Microsoft. Подробнее>>>

Любой человек, даже совсем не знакомый с понятиями WWW, HTML, CGI и прочими страшными словами, в состоянии сделать свой WWW-сервер, используя FrontPage. В этот пакет включен полноэкранный редактор HTML, в котором редактирование производится на уровне текста без использования HTML-тегов.

Плюс к этому программа FrontPage позволяет легко манипулировать содержимым Вашего сервера, перемещать это содержимое с одной машины на другую, следить за структурой сервера, и многое другое.

FrontPage оперирует понятием "Веб" (FrontPage Web). Под этим термином Microsoft понимает совокупность документов, связанных общим администрированием, дизайном, идеологией. Веб может представлять весь WWW-сервер или его раздел. Вы имеете возможность самостоятельно создавать новые вебы и передавать другим людям возможность по их администрированию[5].

2.3. Создание заголовков в FrontPage

Чтобы создать заголовки 1-го, 2-го и последующих уровней необходимо выделить строку и из выпадающего списка Style выберем Heading 1, Heading 2 и т.д.[6]:

2.4. Вставка таблицы на страницу

Чтобы в FrontPage вставить таблицу, нужно на панели инструментов нажать кнопку Insert Table и выделить нужное число строк и столбцов[7]:

2.5. Вставка рисунка на WEB-страницу

Чтобы вставить рисунок на WEB-страницу нужно из меню выбрать пункт Insert > Picture > From file.

После этого выбрать расположение файла с рисунком на одном из дисков

2.6. Создание гиперссылок

Чтобы вставить гиперссылку, нужно выделить фрагмент текста и из меню Front Page выбрать пункт Insert > Hyperlink.

Далее нужно выбрать файл, на который должен вызываться при нажатии на ссылку[8]:

2.7. Вид готовых страниц

В результате главная страница будет иметь вид:

Страница с таблицей отображается так:

Рисунок на WEB-странице будет иметь вил:

Заключение

Сегодня нейронные сети уже не являются уделом небольшой группы теоретиков. К нейросетевым приложениям подключаются инженеры и исследователи разных специальностей. Особенно радует прогресс в построении удачных нейросетевых моделей исследуемых явлений, полностью базирующихся на экспериментальных данных. Здесь наиболее полно проявляются замечательные свойства искусственных нейронных систем: массивная параллельность обработки информации, ассоциативность памяти и возможность к обучению на опыте. Это открывает новые перспективы для систематизации многочисленной экспериментальной информации в таких областях знаний, где традиционно трудно приживается математический формализм, например, в медицине, психологии и истории.

Технология нейронных сетей и генетических алгоритмов применимы практически в любой области. В некоторых задачах, таких как прогнозирование котировок или распознавание образов, нейросети стали уже привычным инструментом. Нет сомнений, что повсеместное проникновение новых технологий и в другие области - только вопрос времени. Аналогичный процесс уже произошел с компьютерами, которые в течение всего 20 лет распространились из военных вычислительных центров в каждый офис и во многие квартиры.

Внедрение новых наукоемких технологий - достаточно непростое дело, требующее, кроме денег и времени, еще и некоторой перемены психологии. Однако, практика показывает, что эти вложения окупаются и выводят компанию на качественно новый уровень.

Скорее всего, в работе ежедневно приходится решать различные задачи, причем их постановка неформальна, а решение неоднозначно. Ясно также, что доход компании так или иначе зависит от качества решения этих задач. Даже если строгий алгоритмический подход невозможен, а получить точное решение принципиально нельзя, существуют другие эффективные способы решения.

Литература

1.      Зозуля Ю.И. Интеллектуальные системы. Книга 12. Издательство «Радиотехника», 2003, 144 с.

2.      Леонтьев Б.К. Энциклопедия Web-дизайнера. Издательство «Новый Издательский дом», 2004, 640 с.

3.      Каллан Р. Основные концепции нейронных сетей. Издательство «Вильямс», 2001, 288 с.

4.      Прохорский Г.В. Как сделать свою веб-страницу или сайт с помощью Microsoft FrontPage 2003. Издательство «НТ Пресс», 2005, 160 с.

5.      Рандалл Н., Джоунз Д. Использование Microsoft FrontPage 2002. Специальное издание. Издательство «QUE», 2002, 848 с.

6.      Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы. Издательство «Горячая Линия - Телеком», 2006, 452 с.

7.      Хайкин С. Нейронные сети: полный курс. 2-е издание. Издательство «Вильямс», 2006, 1104 с.

8.      FrontPage 2003 Шаг за шагом. Издательство «ЭКОМ», 2005, 384 с.

---

[1] Каллан Р. Основные концепции нейронных сетей. Издательство «Вильямс», 2001, стр. 68

[2] Зозуля Ю.И. Интеллектуальные системы. Книга 12. Издательство «Радиотехника», 2003, стр. 21

[3] Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы. Издательство «Горячая Линия - Телеком», 2006, стр. 213

[4] Хайкин С. Нейронные сети: полный курс. 2-е издание. Издательство «Вильямс», 2006, стр. 539

[5] FrontPage 2003 Шаг за шагом. Издательство «ЭКОМ», 2005, стр. 15

[6] Прохорский Г.В. Как сделать свою веб-страницу или сайт с помощью Microsoft FrontPage 2003. Издательство «НТ Пресс», 2005, стр. 89

[7] Леонтьев Б.К. Энциклопедия Web-дизайнера. Издательство «Новый Издательский дом», 2004, стр. 320

[8] Рандалл Н., Джоунз Д. Использование Microsoft FrontPage 2002. Специальное издание. Издательство «QUE», 2002, стр. 511