Курсовая работа: Применение нейронных сетей для формализации процессов управления Сети Хопфилда

Введение

1. Применение нейрокомпьютеров в финансовой деятельности

1.1 Прогнозирование временных рядов на основе нейросетевых методов обработки

1.2 Страховая деятельность банков

1.3 Прогнозирование банкротств на основе нейросетевой системы распознавания

1.4 Определение курсов облигаций и акций предприятий с целью вложения средств в эти предприятия

1.5 Применение нейронных сетей к задачам анализа биржевой деятельности

1.6 Прогнозирование экономической эффективности финансирования экономических и инновационных проектов

1.7 Предсказание результатов займов

2. Пример применения нейронной сети

3. Применение нейрокомпьютеров на российском финансовом рынке

4. Применение нейронных сетей в задачах прогнозирования

5. Использование аппарата нейронных сетей для создания модели оценки и управления рисками.

6. Предсказание рисков банкротств

7. Сравнительный анализ финансового состояния фирм

7.1.1. Постановка задачи

7.1.2. Данные о российских банках

7.1.3. Нелинейное сжатие информации - карты Кохонена

7.1.4. Раскраски карты Кохонена

8. Модель нейронной сети для предсказания финансовой несостоятельности организации

9. Нейронная сеть Хопфилда

10. Пример применения сети Хопфилда

Заключение

Список используемой литературы

Введение

Уже сегодня искусственные нейронные сети используются во многих областях, но прежде чем их можно будет применять там, где на карту поставлены человеческие жизни или значительные материальные ресурсы, должны быть решены важные вопросы, касающиеся надежности их работы. Поэтому уровень допустимых ошибок следует определять исходя из природы самой задачи. Некоторые проблемы с анализом вопросов надежности возникают из-за допущения полной безошибочности компьютеров, тогда как искусственные нейронные сети могут быть неточны даже при их правильном функционировании. На самом же деле компьютеры, как и люди, тоже могут ошибаться. Первые — в силу различных технических проблем или ошибок в программах, вторые — из-за невнимательности, усталости или непрофессионализма. Следовательно, для особо критических задач необходимо, чтобы эти системы дублировали и страховали друг друга. А это значит, при решении таких задач нейронные сети должны выступать не в качестве единственных средств, а в качестве дополнительных, предупреждающих особые ситуации или берущих на себя управление, когда проблема не решается стандартным образом и какие-либо задержки могут привести к катастрофе.

Другая трудность использования нейронных сетей состоит в том, что традиционные нейронные сети неспособны объяснить, каким образом они решают задачу. Внутреннее представление результатов обучения зачастую настолько сложно, что его невозможно проанализировать, за исключением некоторых простейших случаев, обычно не представляющих интереса.

В последнее время предпринимаются активные попытки объединения искусственных нейронных сетей и экспертных систем. В такой системе искусственная нейронная сеть может реагировать на большинство относительно простых случаев, а все остальные передаются для рассмотрения экспертной системе. В результате сложные случаи принимаются на более высоком уровне, при этом, возможно, со сбором дополнительных данных или даже с привлечением экспертов.

Нейросетевые прикладные пакеты, разрабатываемые рядом компаний, позволяют пользователям работать с разными видами нейронных сетей и с различными способами их обучения. Они могут быть как специализированными (например, для предсказания курса акций), так и достаточно универсальными.

Области применения нейронных сетей весьма разнообразны — это распознавание текста и речи, семантический поиск, экспертные системы и системы поддержки принятия решений, предсказание курсов акций, системы безопасности, анализ текстов. В данной курсовой работе рассматривается несколько особенно ярких и интересных примеров использования нейронных сетей в разных областях.

--> ЧИТАТЬ ПОЛНОСТЬЮ <--