Генетические алгоритмы

Алгоритмы извлечения знаний

Нейросетевые технологии

Искусственная нейронная сеть (ИНС, нейросеть) - это набор нейронов, соединенных между собой. Как правило, передаточные функции всех нейронов фиксированы, а веса являются параметрами сети и могут изменяться. Подавая любые числа на входы сети, мы получаем какой-то набор чисел на выходах. Таким образом, работа нейросети состоит в преобразовании входного вектора в выходной вектор, причем это преобразование задается весами сети. Отличительными чертами нейросетевых технологий являются сочетание способности компьютера к обработке чисел и способность мозга к обобщению и распознаванию. Такое сочетание возможностей позволяет решать широкий круг задач.

Решаемые задачи

Задачи, решаемые нейронными сетями, делятся на три основополагающих класса:

       • Классификация

       • Кластеризация и поиск зависимостей

       • Прогнозирование

Нейронные сети считаются самым оптимальным методом для решения задач классификации. Примерами таких задач могут быть:

       • Распознавание графических и звуковых образов

     • Классификация предприятий по степени перспективности в зависимости от большого объёма экономических показателей

       • Задачи различной экспертной оценки

Класс кластеризации позволяет осуществлять поиск зависимостей между различными параметрами, например финансовыми, представлять неоднородные данные в более наглядном виде и использовать далее для исследования каждого кластера различные методы.

Сложно представить себе деятельность современной компании без ежедневного решения задач прогнозирования. Прогнозируются цены на ресурсы, спрос на рынке, в конце концов, мы каждый день видим по телевизору прогноз погоды. Важность и востребованность решения такого рода задач не требует доказательств.

Инновации

У группы есть три основных направления в развитии нейросетевых алгоритмов. С каждым новым программным продуктом мы стараемся продвинуться в этих направлениях.

Первое направление - это интеграция нейросетевых методов с методами извлечения знаний. Одним из основных недостатков нейронных сетей является то, что аналитику они представляются как «чёрный ящик» и очень часто полученные с помощью нейросети результаты не понятны специалисту. С помощью новейших подходов у нас получилось частично извлекать знания из нейронных сетей, что сделало их результаты более понятными для специалистов.

Второе направление, заключается в усовершенствовании методов обучения НС. Например, наша группа имеет успешный опыт применения принципов генетических алгоритмов в обучении НС, что существенно улучшило его эффективность. Для специфических задач была усовершенствована система учета ошибки сети и система коррекции весов, что ускорило процесс обучения.

Третье направление - это усовершенствование процедур предварительной обработки данных. В настоящее время нами уделяется огромное внимание спектральному анализу, что позволяет на некоторых наборах данных значительно понизить уровни шума и таким образом повысить качество обучения сети.