Составители:
Рубрика:
56
использованию метода Монте–Карло для оценки характеристики
обученной сети на многих временных интервалах, каждый из кото"
рых имеет случайные даты начала и окончания. Единственное огра"
ничение сводится к сохранению некоторой минимальной ширины
окна, например один месяц.
1.10. Нейронные сети в задачах менеджмента
Рассмотрим типовые задачи менеджмента, которые могут решаться
с использованием аппарата ИНС. Одной из целей книги является
демонстрация менеджерам (и будущим, и сегодняшним) возможнос"
тей «интеллектуального инструментария». Здесь укажем только раз"
новидности задач менеджмента, а способы их решения с применени"
ем программных продуктов – в следующем подразделе.
Как отмечалось выше, классификация и регрессия (прогнозиро"
вание) – основные области практического приложения нейронных
сетей. Применительно к задачам менеджмента классификации мо"
гут подвергаться фирмы, предприятия, выпускаемая продукция,
поставщики и т. п. С целью сохранения общности изложения все
перечисленное можно назвать объектами классификации. Ко второй
области практического приложения ИНС можно отнести задачи про"
гнозирования объемов выпуска продукции, объемов продаж, изме"
нения курса акций, изменения обменных курсов и т. п., которые так"
же с целью общности назовем показателем. Здесь для получения оцен"
ки прогноза необходимо иметь ретроспективный временной ряд из"
менения конкретного показателя. Рассмотрим несколько типовых
задач.
Управление качеством [12]. В такой задаче производителя инте"
ресует качество выпускаемой продукции. Для оценки качества мож"
но предложить систему контроля, построенную на принципах ИНС.
В системе должна быть использована нейронная сеть прямого рас"
пространения, обучаемая методом ОРО. Для увеличения вычисли"
тельных возможностей сеть должна состоять из трех слоев: входно"
го, скрытого и выходного.
Оценим число нейронов в каждом слое. Количество нейронов
входного слоя должно соответствовать размерности входного век"
тора, например, если объект характеризуется пятью признаками,
то входной слой содержит такое же число нейронов. В качестве
первого приближения для скрытого слоя установим удвоенное ко"
личество нейронов (10). Число нейронов выходного слоя будет
определяться тем количеством классов, на которые предполагает"
ся разделить всю совокупность объектов. Положим, что таких
Страницы
- « первая
- ‹ предыдущая
- …
- 54
- 55
- 56
- 57
- 58
- …
- следующая ›
- последняя »
