Глава 1     Глава 2   

 

 

Жесткие статистические предложения о свойствах временных

рядов ограничивают возможности методов математической стати-

стики, теории распознавания образов, теории случайных процессов

и т.п. Дело в том, что многие реальные процессы не могут адекватно

быть описаны с помощью традиционных статистических моделей,

поскольку, по сути, являются существенно нелинейными, и имеют  либо хаотическую, либо квазипериодическую, либо смешанную

(стохастика + хаос-динамика+детерминизм) основу [14 ,20, 21].

В данной ситуации адекватным аппаратом для решения задач

диагностики и прогнозирования могут служить специальные искус-

ственные сети [29, 36, 104, 109] реализующие идеи предсказания и

классификации при наличии обучающих последовательностей, при-

чем, как весьма перспективные, следует отметить радиально-

базисные структуры, отличающиеся высокой скоростью обучения и

универсальными аппроксимирующими возможностями [114].

В его основе нейроинтеллекта лежит нейронная организация ис-

кусственных систем, которая имеет биологические предпосылки.

Способность биологических систем к обучению, самоорганизации и

адаптации обладает большим преимуществом по сравнению с со-

временными вычислительными системами. Первые шаги в области

искусственных нейронных сетей сделали в 1943 г. В.Мак-Калох и

В.Питс. Они показали, что при помощи пороговых нейронных эле-

ментов можно реализовать исчисление любых логических функций

[36]. В 1949 г. Хебб предложил правило обучения, которое стало

математической основой для обучения ряда нейронных сетей [29]. В

1957-1962 гг. Ф. Розенблатт предложил и исследовал модель ней-

ронной сети, которую он назвал персептроном [104]. В 1959 г. В.

Видроу и М. Хофф предложили процедуру обучения для линейного

адаптивного элемента – ADALINE. Процедура обучения получила

название "дельта правило" [36]. В 1969 г. М. Минский и С. Пайперт

опубликовали монографию "Персептроны", в которой был дан ма-

тематический анализ персептрона, и показаны ограничения, прису-

щие ему. В 80-е годы значительно расширяются исследования в об-

ласти нейронных сетей. Д. Хопфилд в 1982 г. дал анализ устойчиво-

сти нейронных сетей с обратными связями и предложил использо-

вать их для решений задач оптимизации. Т.Кохонен разработал и

исследовал самоорганизующиеся нейронные сети. Ряд авторов

предложил алгоритм обратного распространение ошибки, который

стал мощным средством для обучения многослойных нейронных

сетей [29, 36, 104]. В настоящее время разработано большое число

нейросистем, применяемых в различных областях: прогнозирова-

нии, управлении, диагностике в медицине и технике, распознавании

образов и т.д [1, 4, 28, 47, 51, 52].

Нейронная сеть – совокупность нейронных элементов и связей

между ними. Основной элемент нейронной сети - это формальный нейрон, осуществляющий операцию нелинейного преобразования суммы произведений входных сигналов на весовые коэффициенты








Прогнозирование с использованием нейронных сетей, искусственного интеллекта и генетических алгоритмов