Нейрокомпьютинг и его применения в экономике и бизнесе

Скачать в pdf «Нейрокомпьютинг и его применения в экономике и бизнесе»

Рисунок 4. Нейронная сеть (нечеткий персептрон), входами которой являются лингвистические переменные, выходом — четкое значение величины портфеля. Скрытые слои в нечетком персептроне называются слоями правил.


Значения выходов в узлах первого слоя отражают степень соответствия входных значений лингвистическим переменным, связанными с этими узлами. Элементы второго слоя вычисляют значения уровней активации соответствующих нечетких правил. Выходные значения нейронов третьего слоя соответствуют нормированным значениям этих уровней активации


е, = at / ^ at. Выходные значения нейронов четвертого слоя вычисляются как


произведения нормированных значений уровней активации правил на значения величины портфеля, соответствующего данной их (ненормированной) активации:


с» = pVB~] (|), c2z2 = с2В’~] (a2), с,» = c3S~]3) .


Наконец, единственный выходной нейрон (слой 5) просто суммирует воздействия нейронов предыдущего слоя.


Если мы имеем набор обучающих пар, содержащих точные значения курсов обмена хк и


точные значения величины портфеля ук: {(х,)…..(х, J , то определив ошибку сети


для А>й обучающей пары обычным образом, как Ек = {ук — ок)2 (ок реальное значение


состояния выходного нейрона), можно использовать метод градиентного спуска для коррекции значений параметров, управляющих формой функции принадлежности лингвистической переменной “величина портфеля”:


С(t C 1) = С(t) — Л



а,



дС a C(t) +    C а2 C а3


Sk a (Ук °к)


Аналогичным образом выводятся уравнения коррекции для параметров, управляющих формой функций принадлежности нечетких понятий слабый L, и сильный    Н, курс доллара:


= 1,2,3- Легко заметить, что особенностью описанного нами совместного использования нейросетевого и нечеткого подходов заключается в том, что адаптируются не величины связей между нейронами, а формы нелинейного преобразования, осуществляемого нейронами (формы функции принадлежности). С нейрокомпьютерной точки зрения достоинства нечетких моделей как раз и связано с нелинейностью функции принадлежности. Фиксирование и изначальное задание архитектуры сети позволяет интерпретировать ее решения. И что особенно важно, описанный подход по сути позволяет инкорпорировать априорные знания в структуру нейронной сети.

Скачать в pdf «Нейрокомпьютинг и его применения в экономике и бизнесе»