практическое применение нейросетей

При практическом применении нейросетей преобразование чаще всего представляет собой алгебраические или статистические операции над входящими данными. В прогнозировании финансовых рынков преобразование может быть применено к бесчисленному множеству технических индикаторов, обычно используемых трейдерами в целях интерпретации рыночных явлений. Предварительная обработка может включать в себя разностные коэффициенты, а также скользящие средние цен открытия, закрытия, максимальных и минимальных цен, показателей объема или открытого интереса. Каждый нейрон на уровне входящих данных представляет собой предварительно обработанные данные.

Вы можете использовать различные методы преобразования и нормализации, так как какие-то из них при различных условиях будут применимы больше, а какие-то — меньше. После того, как вы определитесь с архитектурой, выберете входные данные и предварительно их обработаете, можно переходить к отбору событий.

Отбор событий. События представляют собой ряд связанных чисел, в которых i-e числа обозначают /-е входные данные сети, a j-e числа обозначают выходные данные сети. Группа взаимосвязанных между собой событий называется «множеством событий». Если два события обладают абсолютно одинаковыми значениями на входе и выходе, только одно из этих событий включается в выборку. После того, как вы сформируете множество событий, вам придется разделить это множество на два взаимоисключающих подмножества: пробное и тестовое. Этого требует большинство финансовых приложений нейросетевого анализа.

Сети с обратным распространением оперируют двумя моделями. Первая из них представляет собой учебную модель, в которой сеть берет события из пробного множества с тем, чтобы поменять внутреннее представление информации, придав событиям разные веса. Вторая модель предполагает обратное тестирование, при котором нейросеть берет данные из другого, тестового множества. При этом результат предыдущего тестирования аннулируется. Относительное представление различных пробных моделей на тестовом множестве призвано определить, какую сеть следует применять в итоговой модели.

Пробы и тестирование. После того, как множество событий будет определено, их надо транспонировать в сеть, разбив на серии, образованные во время проб. Веса, которые позволяют нейросети адаптировать ее внутренние процессы моделирования системы, обычно инициируются генератором случайных чисел, которые берутся из небольшого установленного заранее диапазона значений. Если весам изначально придать одни и те же значения, нейросеть может никогда не выдать верного результата, так как глубина ошибки (погрешности) привязана к относительному изменению весов. Для каждого множества пробных значений сеть рассчитывает при помощи компьютера значение погрешностей, возникающие между сгенерированными сетью значениями и желаемым результатом для всех выходных данных каждого выпускающего уровня. Далее полученные ошибки (погрешности) прогоняются обратно через сеть, уровень за уровнем, чередуя связывающие веса между нейронами, чтобы минимизировать суммарную ошибку, связанную' с выходными данными.

Каждый раз, когда меняется значение весов, нейросеть совершает очередное движение в многомерном пространстве, формируя целостное пространство погрешностей. Во время тестирования сеть совершает движение вдоль одной плоскости в поисках точки, где величина погрешности была бы минимальной. Изменение весов пропорционально тестируемому параметру называется «коэффициентом обучения». Прочие параметры, которые выводятся в процессе тестирования, представляют собой температуру, выигрыш и шум.