Под нейронными сетями подразумеваются вычислительные структуры, которые моделируют простые биологические процессы обычно ассоциируемые с процессами головного мозга. Они представляют собой распределенные и параллельные системы, способные к адаптивному обучению путем анализа положительных и отрицательных воздействий. Элементарным преобразователем в данных сетях является искусственный нейрон или просто нейрон, названный так по аналогии с биологическим прототипом.
Рис.1 Модель нейрона
Искусственные нейронные сети (ИНС) представляют собой не один обособленный предмет, а совокупность множества дисциплин, таких как: нейрофизиология, математика, статистика, физика, компьютерные науки, техника и т.п. Применяются ИНС так же в различных областях: анализ временных рядов, обработка сигналов и управление, распознавание образов. Нейронные сети являются одним из самых популярнейших и распространенных методов прогнозирования, благодаря тому, что они имеют ряд существенных преимуществ над остальными методами:
- Позволяет устанавливать сложные зависимости энергопотребления от входных данных.
- Способность сети самостоятельно обучается на выборке данных (которая называется «обучающей выборкой»). Самостоятельно определяет значимость каждого из параметров, и его влияние. Также имеется возможность обучить сеть самому с помощью учителя.
- Способность нейронов сети делать точный прогноз на данных, не принадлежащих исходному общему множеству.
- Сеть может дополнительно обучаться при поступлении новых данных.
- Возможность работы с неполными данными с меньшей вероятностью ухудшения прогноза чем у других методов.
На сегодняшний день широко применяются несколько типов ИНС: многослойный персептрон, сети на основе радиальных базисных функций, карты самоорганизации, рекуррентные нейронные сети.
Основное преимущество нейронных сетей заключается в способности обучаться на примерах. В большинстве случаев обучение представляет собой процесс изменения весовых коэффициентов-синапсов по определенному алгоритму. При этом, как правило, требуется много примеров и много циклов обучения.
В прогнозировании нейронные сети используются чаще всего по простейшей схеме: в качестве входных данных в сеть подается предварительно обработанная информация о значениях прогнозируемого параметра за несколько предыдущих периодов, на выходе сеть выдает прогноз на следующие периоды.
Нейронные сети можно разделить на три основные группы:
- Полносвязные.
Нейрон передает свой входной сигнал остальным нейронам, в том числе и самому себе. Все входные сигналы подаются всем нейронам. Выходными сигналами могут быть все или некоторые выходные сигналы нейронов после нескольких тактов функционирования сети.
- Многослойные или слоистые.
Нейроны объединяются в слои. Слой содержит совокупность нейронов с едиными входными сигналами. Число нейронов в слое может быть любым. В общем случае сеть состоит из Q слоев, пронумерованных слева направо. Внешние входные сигналы подаются на входы нейронов входного слоя (нулевой), а выходами сети являются выходные сигналы последнего слоя. Кроме входного и выходного слоев в многослойной нейронной сети есть один или несколько скрытых слоев.
- Слабосвязанные (с локальными связями).
Нейроны располагаются в узлах прямоугольной или гексагональной решетки. Каждый нейрон связан с четырьмя (окрестность фон Неймана), шестью (окрестность Голея) или восемью (окрестность Мура) своими ближайшими соседями.
Рисунок 2. Архитектура многослойного персептрона
Наиболее популярным является многослойный персептрон, который состоит из множества сенсорных элементов (входных нейронов), образующих входной слой; одного или нескольких скрытых слоев вычислительных нейронов, не являющихся частью входа или выхода сети, и одного выходного слоя нейронов. Такая сеть обладает высокой степенью связанности, реализуемой посредством синаптических соединений. Многослойный персептрон имеет высокую вычислительную мощность и имеет достаточно высокую скорость и точность для прогнозирования электропотребления.
Среди недостатков нейронных сетей можно назвать: длительное время обучения, склонность к подстройке под обучающие данные и снижение обобщающих способностей с ростом времени обучения. Кроме того, невозможно объяснить, каким образом сеть приходит к тому или иному решению задачи. Но такие недостатки несущественны на фоне преимуществ ИНС.
- Генетические алгоритмы.
Впервые были предложены Дж.Холландом в 1976году.В их основе лежит направленный случайный поиск, то есть попытка моделирования эволюционных процессов в природе. Генетические алгоритмы работают так: Решение задачи представляется в виде особи. Создается случайный набор особей – популяция, это изначальное поколение решений. Популяции обрабатываются специальными операторами репродукции и мутации. Т.е. как бы переживают одно поколение (эпоху). Производится оценка решений и их селекция на основе функции пригодности. Особи с худшими параметрами удаляются, а с лучшими остаются, в результате чего увеличивается точность прогноза. Выводится поколение решений, и цикл повторяется. В результате с каждой эпохой эволюции находятся более совершенные решения.
В прогнозировании генетические алгоритмы редко используются напрямую, так как сложно придумать критерий оценки прогноза, то есть критерий отбора решений. Поэтому обычно генетические алгоритмы служат вспомогательным методом — например, при обучении нейронной сети с нестандартными активационными функциями, при которых невозможно применение градиентных алгоритмов.
- Прогнозирование с использованием гибридных систем.
Гибридная система – система, состоящая из двух и более интегрированных разнородных подсистем. Подобный подход дает возможность компенсировать недостатки одних моделей при помощи других и направлен на повышение точности прогнозирования, как одного из главных критериев эффективности модели.
Одним из примеров гибридных систем является использование нечетких нейронных сетей в качестве основы для построения прогнозной модели. Нечеткая ИНС – четкая нейронная сеть, построенная на основе многослойной архитектуры с использованием «И»-, «ИЛИ»-нейронов. Т.е. вместо четкого ответа 0 или 1 результат может принимать значения от 0 до 1.
Существуют следующие типы комбинаций гибридных моделей прогнозирования:
нейронные сети + нечеткая логика;
нейронные сети + ARIMA;
нейронные сети + регрессия;
нейронные сети + генетические алгоритмы
нейронные сети + GA + нечеткая логика;
В большинстве комбинаций модели на основе нейронных сетей применяются для решения задачи кластеризации, а далее для каждого кластера строиться отдельная модель прогнозирования на основе ARIMA, GA, нечеткой логики и др. Применение комбинированных моделей, выполняющих предварительную кластеризации и последующее прогнозирование внутри определенного кластера, является самым перспективным направлением развития моделей прогнозирования.
Применение в гибридных моделях нечетких нейронных сетей, позволяет добиться существенного улучшения адаптивности и обобщающей способности прогнозной модели по сравнению с традиционными ИНС.
Количество возможных вариантов нейронных сетей настолько велико, что необходима методика по формированию оптимальных параметров сети. Такой методикой являются генетические алгоритмы.
Применение генетических алгоритмов позволяет получить оптимальную конфигурацию нейронной сети, а значит наилучшую прогнозную модель электропотребления на ее основе, а также упростить сам процесс формирования нейронной сети.
Главным недостатком комбинированных моделей является сложность и ресурсоемкость их разработки: нужно разработать модели таким образом, чтобы компенсировать недостатки каждой из них, не потеряв достоинств.
Определено, что наиболее перспективным направлением развития моделей прогнозирования с целью повышения точности является создание комбинированных моделей, на основе нейронных сетей в связи с очевидными преимуществами ИНС над остальными методами прогнозирования. Оптимальная прогнозная модель должна быть легко обучаема, иметь небольшое время обучения, адаптироваться к изменениям окружающей среды, легко корректироваться, стабильно работать в нестационарной среде. Все эти свойства присущи ИНС. Это позволяет сделать вывод о том, что наилучшим по совокупности характеристик методом для автоматизации прогнозирования электропотребления будет методика гибридных систем на основе ИНС.
Список литературы:
- Искусственные нейронные сети, режим доступа к изд.: www.coolreferat.com
- Круглов В.В., Борисов В.В. «Искусственные нейронные сети 2-е издание»
- Методы прогнозирования национальной экономики, режим доступа к изд.: www.bibliofond.ru
- Чучуева И., диссертация на тему: «модель прогнозирования временных рядов по выборке максимального подобия»[schema type=»book» name=»ПРОГНОЗИРОВАНИЕ ЭЛЕКТРОПОТРЕБЛЕНИЯ С ИСПОЛЬЗОВАНИЕМ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ» description=» В статье описаны возможности применения нейронных сетей для прогнозирования электропотребления какого-либо объекта. Дано понятие и представление о нейронных сетях и их методах рассчета.» author=»Орлов Дмитрий Викторович, Таран Ангелина Викторовна, Зиновьев Евгений Викторович, Мумладзе Даниэль Григорьевич» publisher=»БАСАРАНОВИЧ ЕКАТЕРИНА» pubdate=»2017-04-21″ edition=»ЕВРАЗИЙСКИЙ СОЮЗ УЧЕНЫХ_ 28.03.2015_03(12)» ebook=»yes» ]