Что такое нейронные сети?

Когда говорят о нейронных сетях, то обычно имеют в виду многослойную нейронную сеть, обучаемую по алгоритму обратного распространения ошибки. Таким нейросетям посвящено множество книг и статей. И именно такой тип нейронных сетей до сих пор использовали трейдеры. Однако есть другой тип нейронных сетей. Это самоорганизующиеся карты Кохонена, которые благодаря своим уникальным свойствам уже давно стали на Западе классическим способом решения сложных финансовых задач.

Обучение без учителя

Любая нейронная сеть, прежде всего, должна быть обучена. Процесс обучения заключается в подстройке внутренних параметров нейросети под конкретную задачу.

При обучении «классической» многослойной нейросети на вход подаются данные или индикаторы, а выход нейросети сравнивается с эталонным значением (с так называемым «учителем»). Разность этих значений называется ошибкой нейронной сети, которая и минимизируется в процессе обучения. Таким образом, обычные нейронные сети выявляют закономерности между входными данными и прогнозируемой величиной. Если такие закономерности есть, то нейросеть их выделит, и прогноз будет успешным.

В процессе обучения карт Кохонена на входы также подаются данные и индикаторы, но при этом сеть подстраивается под закономерности во входных данных, а не под эталонное значение выхода. Такое обучение называется обучением «без учителя». Обучение при этом заключается не в минимизации ошибки, а в подстройке внутренних параметров нейросети (весов) для большего совпадения с входными данными. После обучения такая нейросеть визуально отображает многомерные входные данные на плоскости нейронов. Имея такое представление данных, можно очень наглядно увидеть наличие или отсутствие взаимосвязи во входных данных.

Для большего удобства визуального представления нейроны карты Кохонена располагают в виде двухмерной матрицы и раскрашивают эту матрицу в зависимости от анализируемых параметров нейронов.

Порядок работы с картами Кохонена

Как и при работе с обычными нейросетями, оперирование картами Кохонена складывается из нескольких последовательных этапов. Первым из них является этап определения состава входов.

Для хорошего обучения обычной нейронной сети нужно выбрать такое множество входов, которое наиболее сильно влияет на выходные (прогнозируемые) значения. Если угадали, и входы действительно влияют на выходы, то нейросеть будет работать и давать отличные прогнозы. Однако подобрать правильные входы очень сложно. Обычно это делается методом проб и ошибок, т.е. простым перебором различных комбинаций индикаторов и данных.

Входы нейронной сети, обучаемой «без учителя», определяются другим образом, и перед такой нейросетью ставится иная цель – выявление закономерностей между любыми входными данными и индикаторами, которые и подаются на вход карты. Архитектура карт Кохонена, в отличие от многослойной нейронной сети, очень проста и представляет собой один-единственный слой нейронов, который организован в виде двухмерной матрицы. Пользователю необходимо определить лишь размер этой матрицы, т.е. количество нейронов по ширине и количество нейронов по высоте.

Карты Кохонена дают визуальное отображение многомерных входных данных. У карты Кохонена анализируются не только выходы нейронов (как в случае обычной нейросети), но также веса нейронов и распределения примеров по нейронам. Так как карта Кохонена организована в виде двухмерной решетки, в узлах которой располагаются нейроны, то ее очень удобно отображать на плоскости в виде «карты» с раскраской, зависящей от величины анализируемого параметра нейрона. Именно за схожесть такого типа изображения нейросети с топографическими картами они получили название карт Кохонена.

Как устроена карта Кохонена

Таким образом, самоорганизующиеся карты Кохонена представляют собой один из видов нейронных сетей. Принципы работы и обучения такой нейросети были сформулированы финским ученым Тойво Кохоненом в 1982 году. Основной идеей Т. Кохонена является введение в правило обучения нейрона информации о его расположении. По Кохонену нейросеть имеет один входной слой, с числом нейронов равным числу входов и единственный скрытый (выходной) слой нейронов, образующий одномерную (линия) или двухмерную (прямоугольник) решётку. По аналогии с топографическими картами, такую нейронную сеть также называют картой Кохонена.

Для этой парадигмы обучение проводится без "учителя", т. е. в процессе обучения нет сравнивания выходов нейронов с эталонными значениями. В процессе обучения на вход такой нейронной сети последовательно подаются обучающие примеры. После подачи очередного примера определяется наиболее схожий нейрон, т. е. нейрон, у которого скалярное произведение весов и поданного на вход вектора минимально. Такой нейрон объявляется победителем и будет являться центром при подстройке весов у соседних нейронов.

Делов то. Cкачать ЗДЕСЬ и использовать. А если нужны карты кохонена, то в тестере во время оптимизации или после нее выберешь вкладку "график оптимизации" и нажмешь пробел, получишь карту. Нажмешь еще раз пробел и получишь график.

Прошу прощения, что встрял, но у меня вопрос по этой теме. Не скрою, я чайник в этом. Но уже два года ломаю голову по данной теме. Дело в том, что здесь говорилось о том, что для обучения нейро сети на вход нужно подавать сигналы от индикаторов для обучения эксперта созданного по карте Кохонена. Вопрос, а могут такими индикаторами быть FATL с фильтром полученным с помощью спектрального анализатора или скажем RBCI, FTLM-STLM. Я приобрел эти индикаторы два года назад и хочу предложить написать робота. Если это возможно, буду рад сотрудничеству. Обращайтесь dicson33@mail.ru