6.4. Прогнозирование потребительского спроса

    Решается  современными супермаркетами и торговыми  розничными сетями. Для эффективного управления торговой сетью необходимо прогнозировать объёмы продаж для каждого товара на заданное число дней вперёд. На основе этих прогнозов осуществляется планирование закупок, управление ассортиментом, формирование ценовой политики, планирование промоакций (рекламных кампаний). Специфика задачи в том, что количество товаров может исчисляться десятками или даже сотнями тысяч. Прогнозирование и принятие решений по каждому товару «вручную» просто немыслимо. Исходными данными для прогнозирования являются временные ряды цен и объёмов продаж по товарам и по отдельным магазинам. Современные технологии позволяют снимать эти данные непосредственно с кассовых аппаратов. Для увеличения точности прогнозов необходимо также учитывать различные внешние факторы, влияющие на потребительский спрос: уровень инфляции, погодные условия, рекламные кампании, социально-демографические условия, активность конкурентов. В зависимости от целей анализа в роли объектов выступают либо товары, либо магазины, либо пары «магазин, товар». Ещё одна особенность задачи – несимметричность функции потерь. Если прогноз делается с целью планирования закупок, то потери от заниженного прогноза существенно выше потерь от завышенного.

    6.5. Принятие инвестиционных решений на финансовом рынке

    В этой задаче умение хорошо прогнозировать самым непосредственным образом превращается в прибыль. Если инвестор предполагает, что цена акции вырастет, он покупает акции, надеясь продать их позже по более высокой цене. И, наоборот, прогнозируя падение цен, инвестор продаёт акции, чтобы впоследствии выкупить их обратно по более низкой цене. Задача инвестора-спекулянта в том, чтобы правильно предугадать направление будущего изменения цены – роста или падения. Большой популярностью пользуются автоматические торговые стратегии – алгоритмы, принимающие торговые решения без участия человека. Разработка такого алгоритма – тоже задача обучения с учителем. В роли объектов выступают ситуации, фактически, моменты времени. Описание объекта – это вся предыстория изменения цен и объёмов торгов, зафиксированная к данному моменту. В простейшем случае объекты необходимо классифицировать на три класса, соответствующих возможным решениям: купить, продать или выжидать. Обучающей выборкой для настройки торговых стратегий служат исторические данные о движении цен и объёмов за некоторый промежуток времени. Критерий качества в данной задаче существенно отличается от стандартного функционала средней ошибки, поскольку инвестора интересует не точность прогнозирования, а максимизация итоговой прибыли. Современный биржевой технический анализ насчитывает сотни параметрических торговых стратегий, параметры которых принято настраивать по критерию максимума прибыли на выбранном интервале истории.

    6.6. Применение для адаптивных систем

    Применяется для управления нелинейной системой, и или системой с переменными параметрами. К примерам таких систем относят, например, асинхронные машины, транспортные средства на магнитной подушке, магнитные подшипники и т.п. среди механических систем можно назвать инверсный маятник, подъемно транспортные машины, роботы, шагающие машины, подводные аппараты, самолеты, ракеты многие виды управляемого высокоточного оружия и т.п. [7].

   7. Применение нейронных сетей для решения задач автоматического целеуказания в системах видеонаблюдения

    7.1 Основные понятия

    Нейронная сеть - это вычислительная или логическая схема, построенная из однородных процессорных элементов, являющихся упрощенными  функциональными моделями нейронов. Как правило, передаточные функции  всех нейронов в нейронной сети фиксированы, а веса являются параметрами нейронной сети и могут изменяться.

    Некоторые входы нейронов помечены как внешние  входы нейронной сети, а некоторые  выходы - как внешние выходы. Подавая  любые числа на входы нейронной  сети, мы получаем какой-то набор чисел на выходах нейронной сети. Таким образом, работа нейронной сети состоит в преобразовании входного вектора в выходной вектор, причем это преобразование задается весами нейронной сети. Формальный нейрон в нейронных сетях - это процессорный элемент, преобразователь данных, получающий входные данные и преобразующий их в соответствии с заданной функцией и параметрами. Формальный нейрон работает с дискретным временем.

    Синапс  в нейронных сетях - это связь  между формальными нейронами. Выходной сигнал от нейрона поступает в синапс, который передает его другому нейрону. Сложные синапсы могут иметь память. Синапсов в нейронной сети, как правило, достаточно много (до нескольких сотен).

    Сумматор  в нейронных сетях - это блок, суммирующий  сигналы, поступающие от нейронов через синапсы. В общем случае сумматор может преобразовывать сигналы и передавать их нейронам или сумматорам тоже через синапсы.

    7.2 Динамическая синапсовая нейронная сеть (DSNN)

     Традиционная нейронная сеть, созданная на основе биологического прототипа, имеет единственный выход от каждого нейрона. Но если перейти к модели, когда каждый нейрон имеет много выходов, получится динамическая синапсовой нейронной сети (DSNN), которая показана на рис. 1.

    В DSNN отдельные нейроны передают обработанную информацию в виде изменения в  целой серии точечных событий (логика "все или ничего"), а соединения между отдельными нейронами моделируются как динамический процесс с различными временными параметрами, полученными на основании экспериментальных исследований в ходе "обучения" системы распознаванию той или иной информации. Эти временные параметры определяют динамику изменений в каждом синаптическом соединении и в конечном результате синаптический выход всей системы становится временной функцией, зависящей от происходящих на входе сети событий.

    Таким образом, каждая последовательность событий  на входе сети приводит к соответствующей  последовательности событий на ее выходе. Поскольку каждый нейрон имеет несколько соединений и поскольку все они различны, DSNN позволяет нейрону кодировать и передавать пространственно-временной сигнал, который в принципе дает экспоненциальный рост информационной емкости системы по сравнению с традиционной.

Мы  разработали алгоритм обучения, позволяющий  оптимизировать передаточную функцию  с каждым повтором входного события, что позволяет выявить неизменные составляющие в этом событии и "настроить" сеть на надежное распознавание этого события вне зависимости от влияния посторонних событий (шумов) на входе сети. Таким образом, концепция и архитектура DSNN ярко контрастирует с формализмом традиционных нейронных сетей (Artificial Neural Network -ANN), который оперирует со статическими коэффициентами (синаптическими весами), что позволяет с помощью обучения автоматически оптимизировать статические веса и каждому нейрону передавать одинаковые сигналы на все нейроны, соединенные с ним. Преимущества рассматриваемой модели можно продемонстрировать на основе проведенного нами эксперимента. Мы обучили распознаванию определенного звука системы, построенные на DSNN- и ANN- (best alternative) моделях, и измерили коэффициент распознавания ими этого звука при различных уровнях шумов. Результат наших измерений показан на рис. 2 (Human - коэффициент распознавания этого звука человеком). Думаю, никто не станет возражать, что преимущество DSNN-архитектуры очевидно.

    7.3 Автоматическое целеуказание в системах видеонаблюдения

     Одним из практических применений процессоров, построенных по архитектуре DSNN, является использование их для реализации автоматического целеуказания в системах видеонаблюдения. Мы "обучили" такой процессор распознаванию звука выстрела из различных видов огнестрельного оружия и разработали на его основе устройство, имеющее входы для параболического микрофона и выход для управления поворотной телевизионной камерой. Структурная схема этой системы показана на рис. 3.

    Система устанавливается в местах возможных  инцидентов с применением огнестрельного оружия, и в случае криминальной ситуации она автоматически распознает звук и направление выстрела, разворачивая камеру к источнику выстрела. Одновременно посылается сигнал в соответствующие компетентные органы. Таким образом, мы получили круглосуточного полицейского, которому не требуется ни пища, ни отдых. Мы совместно с местными инсталляторами систем безопасности установили нашу систему в ряде криминогенных городских зон США и получили впечатляющее снижение уровня уличной преступности. Экспериментальный радиус устойчивого действия системы достигал двух городских кварталов.

    Разумеется, это только одно из возможных практических применений технологии DSNN. Сеть можно "обучить" распознаванию практически  любой необходимой последовательности входных событий. От сложности решаемой задачи зависит в основном только время, которое необходимо потратить на "обучение" системы (отсчет здесь начинается от нескольких месяцев), поскольку именно в процессе обучения сеть оптимизирует себя под выявление конкретного события.

    В заключение можно добавить, что возможности  применения технологии DSNN огромны, они  ограничиваются только человеческим воображением.  

     Заключение

    В данной работе было представлено, каким  образом нейронные сети способны помочь людям в генерации знаний, которые основывались бы на всех первоначальных данных. Исследования в области нейронных сетей в основном достаточно наглядны. По сравнению с другими вычислительными методами в статистике и науке они имеют значительные преимущества. Так, у моделей на основе нейронных сетей очень гибкие теоретические требования; кроме того, им необходимы совсем небольшие объемы предварительных знаний относительно формирования задачи.

    Как мощный механизм обучения нейронные  сети могут широко применяться в  различных областях. Существует, однако, возможность недоразумений в оценке методик машинного обучения. Они никогда не смогут полностью заменить людей в процессе решения задачи. Нейронные сети должны использоваться для обобщения данных, а не для определения, атрибуты и критерии которого весьма важны при сборе данных. Нейронные сети адаптивны по своей природе, они могут подражать решению проблемы человеком, но они не сообщат нам, какой из критериев решения задачи должен быть принят во внимание перед сбором данных. Кроме того, обучающиеся машины часто используются при формализации знаний из данных реального мира, но сами обучающиеся машины не могут генерировать принципы формализации.

     Список литературы

1. Барский А.Б.  Нейронные сети: распознавание, управление, принятие решений. – М.: Финансы и статистика, 2004. – 176 с.
2. Беркинблит М. Б. Нейронные сети: Учебное пособие. – М.: МИРОС и ВЗМШ  РАО, 1993. – 96 с.
3. Галушкин А.И. Теория нейронных сетей. Кн. 1: Учеб. Пособие для вузов. – М.: ИПРЖР, 2000. – 416 с.
4. Каллан Р. Основные концепции нейронных сетей.: Пер. с англ. – М.: Издательский дом «Вильямс», 2001.
5. Лю Б. Теория и практика неопределенного программирования.: Пер. с англ. – М.: БИНОМ, 2005. – 416 с.
6. Комашинский В.И., Смирнов Д.А. Нейронные сети и их применение в системах управления и связи. – М .: Горячая линия – Телеком, 2003. – 94 с.
7. Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы: – М.: Горячая линия – Телеком, 2006. – 452 с.
8. Теодор В. Бергер. Применение нейронных сетей для решения задач автоматического целеуказания в системах видеонаблюдения / Теодор В. Бергер // Системы безопасности. – 2006. – эл. рес., №1. – С. 52-54. – (Видеонаблюдение (CCTV)).