Нейрокомпьютинг и его применения в экономике и бизнесе

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


Masters,T. Practical Neural Network Recipes in C++. Academic Press. 1994.


McCord Nelson, M. and Illingworth, W.T. A Practical Guide to Neural Nets. Addison-Wesley, 1990.

Обучение без учителя: Сжатие информации


Прототипы задач: кластеризация данных, анализ главных компонент, сжатие информации, Хеббовское обучение. Автоассоциативные сети. Конкурентное обучение. Сети Кохонена. Гибридные архитектуры.


Ш … а мудрость его все возрастала, причиняя ему страдание полнотой своей. Ф.Ницше, Так говорил Заратустра


Обобщение данных. Прототипы задач


В этой главе рассматривается новый тип обучения нейросетей — обучение без учителя (или для краткости — самообучение), когда сеть самостоятельно формирует свои выходы, адаптируясь к поступающим на ее входы сигналам. Как и прежде, такое обучение предполагает минимизацию некоторого целевого функционала. Задание такого функционала формирует цель, в соответствии с которой сеть осуществляет преобразование входной информации.


В отсутствие внешней цели, «учителем» сети могут служить лишь сами данные, т.е. имеющаяся в них информация, закономерности, отличающие входные данные от случайного шума. Лишь такая избыточность позволяет находить более компактное описание данных, что, согласно общему принципу, изложенному в предыдущей главе, и является обобщением эмпирических данных. Сжатие данных, уменьшение степени их избыточности, использующее существующие в них закономерности, может существенно облегчить последующую работу с данными, выделяя действительно независимые признаки. Поэтому самообучающиеся сети чаще всего используются именно для предобработки «сырых» данных. Практически, адаптивные сети кодируют входную информацию наиболее компактным при заданных ограничениях кодом.


Длина описания данных пропорциональна, во-первых, разрядности данных Ъ (т.е. числу бит), определяющей возможное разнообразие принимаемых ими значений, и, во-вторых,


размерности даных d, т.е. числу компонент входных векторов х“. Соответственно, можно различить два предельных типа кодирования, использующих противоположные способы сжатия информации:


■ Понижение размерности данных с минимальной потерей информации. (Сети, например, способны осуществлять анализ главных компонент данных, выделять наборы независимых признаков.)

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