Аттестационная работа (ВАР/ВКР) на тему Применение нейронных сетей для обработки данных.

Содержание:

Введение 3
1 Анализ принципов использования нейронных сетей 5
1.1 Понятие нейронной сети 5
1.2 Обучение нейросети 13
1.3 Архитектура сети Кохонена 17
2 Постановка задачи на применение нейронных сетей для обработки данных на примере прогнозирования курсов валют 22
3 Сущность и основа валютного курса 33
3.1 Факторы, влияющие на валютный курс 34
3.2 Прогнозирование движения валютных курсов 38
4 Построение нейросети для прогнозирования курса евро 41
4.1 Определение начальных данных 41
4.2 Обучение нейронной сети 43
4.3 Тестирование нейронной сети 52
Заключение 61
Литература 63

Введение:

Начиная с 80-х годов, для решения различных экономических задач применяются нейронные сети. Использование нейронной сети дает возможность работать с огромным количеством факторов независимо от их наглядности. Нейросетевые технологии работают наподобие человеческого мозга. Человеческий мозг основывается на ассоциациях, которые когда-то были ему даны. Таким же образом работает нейронная сеть .
Дело в том, что компьютеры, созданные по схеме машины Фон-Неймана, по своей структуре и свойствам далеки от нашего основного компьютера – человеческого мозга. Поэтому возникла необходимость в создании нейронных сетей и нейрокомпьютеров, в основе которых лежит идея создания искусственных интеллектуальных устройств по образу и подобию человеческого мозга. Основная проблема создания нейросетей состоит в том, что до сих пор не известно как именно работает человеческий мозг, как он обучается обрабатывать информацию. Поэтому на данный момент существует очень много гипотез и теорий на этот счет.
В настоящее время все большое количество задач решается с использованием нейросетевых технологий. Это и распознавание образов, прогнозирование курсов валют, котировок акций, диагностика медицинских заболеваний, вероятность получения работы в службе занятости населения и многое другое. Наиболее широкое применение интеллектуальные системы получили в областях трудно поддающихся формализации.
В данной работе рассмотрена проблема прогнозирования изменения курса евро. В настоящее время стало очень популярно играть на бирже, так как это честный и при этом высокодоходный способ вложения денежных средств. Работа посвящена прогнозированию курса евро.
Нейросетевой подход эффективен в задачах экспертной оценки, так как это сочетание в себе способности компьютера к обработке большого набора чисел и способность человеческого мозга к обобщению и распознаванию. Нейронная сеть позволяет обрабатывать большое количество факторов независимо от их наглядности. Так, например, определение значимых факторов может быть использовано для прогнозирования изменения курса евро .
В данной работе рассмотрена эффективность использования нейросетевых технологий при прогнозировании курса евро.
Предмет исследования применение нейронных сетей для обработки данных.
Объект исследования применение нейросетевых технологий для обработки данных по прогнозированию курса евро.
Цель работы: определить эффективность применения нейронных сетей в прогнозировании курса евро.
Для достижения поставленной цели необходимо решить следующие задачи:
– дать определение нейронной сети;
– представить принципы обучения нейронной сети;
– рассмотреть архитектуру сети Кохонена;
– собрать данные для прогнозирования курса евро
– рассмотреть факторы, влияющие на изменение курса валют.
– выполнить построение нейронной сети прогнозирования валютных курсов;
– провести тестирование построенной нейронной сети.

Заключение:

В рамках данной работы были решены следующие задачи:
– проанализированы принципы работы с нейронными сетями;
– описаны основные понятия нейронных сетей;
– представлены принципы обучения нейронных сетей;
– изучена архитектура сети Кохонена;
– сформулирована задача на применение нейронных сетей для обработки данных на примере прогнозирования курсов валют
– определены факторы влияющие на валютный курс
– представлены методики прогнозирование движения валютных курсов
– выполнено построение нейронной сети прогнозирования валютных курсов;
– были определены начальные данные;
– выполнено обучение нейронной сети
– после обучения сети было выполнено ее тестирование;
– для обоснованности применения нейронных сетей для прогнозирования курса валют обучение сети было осуществлено с помощью двух программных пакетов – MATLAB и «Deductor Studio Academic».
Максимальная ошибка прогноза сети, обучающейся по алгоритму обратного распостранения ошибки, в программе «Deductor Studio Academic» составила 109 пунктов, погрешность обобщения – 0,00002867.
Результатами работы сети, обученной алгоритмом «эластичное распространение», реализованной в аналитическом пакете MATLAB являются погрешность обобщения равная 0,0000013613 и максимальная ошибка в 19 пунктов.
Обе сети были оптимизированы и нацелены на получение наилучшего результата.
В результате проведенных исследований можно сделать вывод о том, что нейронная сеть, спроектированная на втором симуляторе, предсказывает будущие значения временного ряда точнее и ближе к реальным данным. Ошибку 19 пунктов можно считать допустимой для принятия различных торговых стратегий, ориентированных на получение прибыли.

Фрагмент текста работы:

1 Анализ принципов использования нейронных сетей

1.1 Понятие нейронной сети

Искусственные нейроны (ИН) сильно упрощены по сравнению с их биологическими прототипами. ИН представляет собой единицу обработки информации в искусственной нейронной сети. Искусственная нейронная сеть (ИНС) – это система, с помощью которой осуществляется программно-аппаратное моделирование структур, подобных структуре человеческого мозга, и процессов мышления. ИНС реализует как краткосрочную память (в виде состояний нейронов), так и долгосрочную память (в виде весов связи между нейронами).
Особенности нейронных сетей, а также известные из литературы различные модели сетевых структур позволяют охарактеризовать их возможности и области их потенциальных приложений. Сети не изучают алгоритмы, но они учатся на примерах. В отличие от обычных компьютеров, они являются слабыми математическими машинами и плохо подходят для типичных задач, основанных на алгоритмах. Тем не менее, они хорошо подходят для задач, связанных с распознаванием объектов (даже с неполной или ложной информацией), для задач оптимизации и принятия решений, для быстрого поиска больших баз данных.
Модели сетей Хопфилда и Хэмминга являются одними из наиболее обсуждаемых, исследованных и используемых. Как правило, оба используются для распознавания или классификации изображений, которые представлены двоично. Также стоит отметить, что сеть Хопфилда часто дается в качестве примера ассоциативной памяти или как устройство для решения задач оптимизации .
Сетевую структуру Хопфилда можно описать очень просто — это множество многих идентичных элементов, связанных одноранговым методом. Поэтому он чаще всего рассматривается как однослойная структура . В отличие от стратифицированных сетей типа персептрона, сеть Хопфилда является рекурсивной сетью, где нейроны неоднократно возбуждаются в одном цикле распознавания, который получается через петли обратной связи (см. рис.1).