49641

Прогнозирование стоимости подержанных сотовых телефонов

Курсовая

Информатика, кибернетика и программирование

Искусственный интеллект и нейронные сети. Нейронные сети. Сети прямого распространения Feedforwrd Рекуррентные сети

Русский

2014-01-05

560 KB

1 чел.

Федеральное агентство по образованию

Министерство образования и науки Российской Федерации

Пермский государственный педагогический университет

Факультет информатики и экономики

Курсовой проект

по дисциплине

Интеллектуальные информационные системы

на тему:

«Прогнозирование стоимости подержанных

сотовых телефонов».

                                                                                        Работу выполнила студентка гр. 1233

                                                                                        Носкова Т.П.

                                                                                        Научный руководитель:

Профессор Ясницкий Л.Н.

Пермь – 2008


Содержание

[1]
Глава1. Искусственный интеллект и нейронные сети.

[2] 1.1 Искусственный интеллект: состояние исследований.

[3] 1.2 Перспективные направления искусственного интеллекта.

[4] 1.3 Нейронные сети.

[4.0.1] Принятие решений и управление

[4.0.2] Кластеризация

[4.0.3] Прогнозирование и аппроксимация

[4.0.4] Сжатие данных и ассоциативная память

[4.1] Классификация по типу входной информации

[4.2] Классификация по характеру обучения

[4.3] Классификация по характеру настройки синапсов

[4.3.1] Сети прямого распространения (Feedforward)

[4.3.2] Рекуррентные сети

[4.3.3] Двунаправленные сети

[4.3.4] Радиально-базисные функции

[4.3.5] Самоорганизующиеся карты

[5]
Глава 2. Практическое применение нейросетевых технологий.

[5.1] 2.1 Постановка задачи и исследование области.

[6] 2.2 Обучение персептрона.

[6.1]
2.3 Результаты исследования.

[6.2] На формирование цен на сотовые телефоны влияет несколько параметров. Например срок эксплуатации, вид телефона. Исследуя стоимость подержанных телефонов в г. Пермь был выведен закон зависимости цены от срока эксплуатации телефона.

[7]
Заключение

[8] Проведенная работа показывает, что применение нейросетевых технологий поможет определить цену подержанных сотовых телефонов.

[8.1]
Список использованной литературы


Введение

Термин интеллект означает ум, рассудок, разум; мыслительные способности человека. Искусственный интеллект обычно толкуется как свойство автоматических систем брать на себя отдельные функции интеллекта человека, например, выбирать и принимать оптимальные решения на основе ранее полученного опыта и рационального анализа внешних воздействий.

В настоящий момент выделяют несколько направлений развития искусственного интеллекта:

  •  Разработка интеллектуальных систем, основанных на знаниях;
  •  Нейросетевые и нейрокомпьютерные технологии;
  •  Распознавание образов;
  •  Игры и творчество;
  •  Компьютерная лингвистика;
  •  Интеллектуальные роботы;
  •  Компьютерные вирусы;
  •  Интеллектуальное математическое моделирование.

Остановимся на рассмотрении нейросетевых технологий. Для них главными принципами служат принципы работы головного мозга. Другими словами, нейротехнологии моделируют головной мозг человека. Исторически первой работой по созданию интеллектуальных устройств, которые моделируют не только работу, но и структуру, человеческого мозга, принято считать статью Мак-Каллока и Питтса. Эти авторы выдвинули гипотезу математического нейрона, моделирующего нейрон мозга человека. Далее идея Мак-Каллока-Питтса была материализована Фрэнком Розенблаттом. Это устройство, имеющее в качестве элементной базы модельные нейроны Мак-Каллока-Питтса и названное персептроном, удалось обучить решению сложнейшей интеллектуальной задачи – распознаванию букв латинского алфавита. Далее была усложнена структура персептрона, усовершенствована модель математического нейрона, разработано множество алгоритмов обучения, созданы персептроны на основе гибридных нейросетей, а так же расширился круг задач, решаемых с помощью нейросетей.

Пользуясь некоторыми знаниями из области нейросетевых технологий, в данной курсовой работе я с помощью персептрона попытаюсь решить прикладную задачу, а именно попытаюсь смоделировать цены на подержанные сотовые телефоны. Выбор данной темы было обусловлен  тем, что в данной области применение методов искусственного интеллекта пока ещё не распространено достаточно широко. Цель моей работы - показать, что и в данной сфере возможно применение нейросетевых технологий.

Достижение поставленных целей предопределило постановку и решение следующих задач:

  •  раскрыть сущность искусственного интеллекта;
  •  обучить один из нейросимуляторов;
  •  вывести закон, показывающий результат работы.

Предметом исследования является развитие применения нейросетей в прогнозировании цен.


Глава1. Искусственный интеллект и нейронные сети.

1.1 Искусственный интеллект: состояние исследований.

Наука под названием «искусственный интеллект» входит в комплекс компьютерных наук, а создаваемые на ее основе технологии относятся к информационным технологиям. Задачей этой науки является обеспечение разумных рассуждений и действий с помощью вычислительных систем и иных искусственных устройств.

На этом пути возникают следующие главные трудности:

а) в большинстве случаев до получения результата не известен алгоритм решения задачи. Например, точно неизвестно, как происходит понимание текста, поиск доказательства теоремы, построение плана действий, узнавание изображения.

б) искусственные устройства (например, компьютеры) не обладают достаточным уровнем начальной компетентности. Специалист же добивается результата, используя свою компетентность (в частности, знания и опыт).

Это означает, что искусственный интеллект представляет собой экспериментальную науку. Экспериментальность искусственного интеллекта состоит в том, что создавая те или иные компьютерные представления и модели, исследователь сравнивает их поведение между собой и с примерами решения тех же задач специалистом, модифицирует их на основе этого сравнения, пытаясь добиться лучшего соответствия результатов.

Основные направления исследований в искусственном интеллекте:

1. Представление знаний и моделирование рассуждений.

Представление знаний - одно из наиболее сформировавшихся направлений искусственного интеллекта. Традиционно к нему относилась разработка формальных языков и программных средств для отображения и описания так называемых когнитивных структур. Сегодня к представлению знаний причисляют также исследования по дескриптивной логике, логикам пространства и времени, онтологиям.

Пространственные логики позволяют описывать конфигурацию пространственных областей, объектов в пространстве; изучаются также семейства пространственных отношений.

Объектами дескриптивной логики являются так называемые концепты, (базовые структуры для описания объектов в экспертных системах) и связанные в единое целое множества концептов (агрегированные объекты).

Онтологические исследования посвящены способам концептуализации знаний и методологическим соображениям о разработке инструментальных средств для анализа знаний.

2. Приобретение знаний, машинное обучение и автоматическое порождение гипотез.

Работы в области приобретения знаний интеллектуальными системами были и остаются важнейшим направлением теории и практики искусственного интеллекта. Целью этих работ является создание методологий, технологий и программных средств переноса знаний (или, как иногда говорят, компетентности), в базу знаний системы. При этом в качестве источников знаний выступают эксперты (т.е. высококвалифицированные специалисты предметных областей), тексты и данные, например, хранимые в базах данных.

3. Интеллектуальный анализ данных и обработка образной информации.

Это сравнительно новое направление, основу которого составляют две процедуры: обнаружение закономерностей в исходной информации и использование обнаруженных закономерностей для предсказания (прогнозирования). Сюда относят задачи выбора информативных данных из большой их совокупности, выбора информативных характеристик некоторого объекта из более широкого множества его характеристик, задачи построения модели, позволяющие вычислять значения выбранных информативных характеристик по значениям других характеристик. Значительную часть этого направления составляют исследования по различным аспектам распознавания изображений, в частности, с помощью нейросетей (включая псевдооптические нейросети). Изучаются методы распознавания последовательностей видеообразов на основе декларативного подхода и извлечения семантически значимой информации. К этому же направлению принадлежат исследования по графической технологии программирования в Интернете.

4. Многоагентные системы, динамические интеллектуальные системы и планирование.

Это новое (впрочем, в теоретических, поведенческих аспектах – скорее хорошо забытое старое) направление, изучающее интеллектуальные программные агенты и их коллективы

Интеллектуальный агент это программная система, обладающая

-автономностью: агенты действуют без непосредственного участия человека и могут в некоторых пределах сами управлять своими действиями;

-социальными чертами: агенты взаимодействуют с другими агентами (и, возможно, человеком) посредством некоторого языка коммуникации;

-реактивностью: агенты воспринимают окружающую среду, которая может быть физическим миром, множеством других агентов, сетью Интернет или комбинацией всего этого, и реагируют на ее изменения;

-активностью: агенты могут демонстрировать целенаправленное поведение, проявляя при этом инициативу.

Основные задачи в этой области таковы: реализация переговоров интеллектуальных агентов и разработка языков для этой цели, координация поведения агентов, разработка архитектуры языка программирования агентов.

Планирование поведения, или ИИ - планирование – это способность интеллектуальной системы синтезировать последовательность действий для достижения желаемого целевого состояния. Работы по созданию эффективных методов такого синтеза востребованы и активно ведутся уже около 30 лет. Планирование является основой интеллектуального управления, т. е. автоматического управления автономным целенаправленным поведением программно-технических систем.

Среди методов ИИ–планирования сегодня выделяют:

  •  классическое планирование -  планирование в условиях статической среды;
  •  динамическое планирование - планирование в условиях изменения среды и, главное, учета такого изменения;
  •  иерархическое планирование – это когда действия абстрактного плана высокого уровня конкретизируются более детальными планами нижнего уровня;
  •  частично-упорядоченное (или монотонное) планирование, когда план строится на основе частично упорядоченного множества подпланов.

Задачи планирования относятся в наше время к наиболее важным и перспективным направлениям в искусственном интеллекте.

5. Обработка естественного языка, пользовательский интерфейс и модели пользователя.

Это направление связано с разработкой систем поддержки речевого общения, c решением проблем уточнения запроса в информационных системах, с задачами сегментации текстов по тематическим топикам, с задачами управления диалогом, с задачами анализа естественного языка с использованием различных эвристик. Сюда же включаются проблемы дискурса (иногда под дискурсом понимают совокупность речевых актов вместе с их результатами).

6. Нечеткие модели и мягкие вычисления.

Это направление представлено нечеткими схемами «вывода по аналогии», взглядом на теорию нечетких мер с вероятностных позиций, нечетким представлением аналитическими моделями для описания геометрических объектов, алгоритмами эволюционного моделирования с динамическими параметрами, такими как время жизни и размер популяции, методами решения оптимизационных задач с использованием технологий генетического поиска, гомеостатических и синергетических принципов и элементов самоорганизации.

7. Разработка инструментальных средств.

Это обширная сфера деятельности внутри искусственного интеллекта, ставящая перед собой задачи:

а) создания программных средств приобретения знаний для автоматизированного переноса компетентности в базы знаний. При этом в качестве источников такой компетентности могут выступать не только «прямые» её носители – эксперты различных областей, но и текстовые материалы – от учебников до протоколов, а также, разумеется, базы данных (имплицитные источники знаний). Вербализация, то есть перевод таких источников в эксплицитную форму составляет содержание методов обнаружения знаний в данных, в том числе различных методов обучения по примерам (включая предобработку больших массивов данных для дальнейшего анализа);

б) реализации программных средств поддержки баз знаний.

в) реализации программных средств поддержки проектирования интеллектуальных систем. Набор таких средств обычно содержит редактор текстов, редактор понятий, редактор концептуальных моделей, библиотеку моделей, систему приобретения знаний от экспертов, средства обучения по примерам и ряд других модулей.

1.2 Перспективные направления искусственного интеллекта.

Сегодня можно выделить ряд направлений в искусственном интеллекте, которые во вполне обозримом будущем могут привести к качественным изменениям в технике и технологиях. Здесь я намерен изложить свой взгляд на некоторые из них.

  •  Рассуждения о пространстве - не очень новая, но бурно развивающаяся сейчас область искусственого интеллекта, имеет все возрастающее прикладное значение в связи с работами по созданию автономных мобильных устройств, анализу изображений (в частности, аэрофотоснимков), задачами синтеза текстовых описаний по изображениям.
  •  Подходы, основанные на технологии интеллектуальных агентов надо признать одними из наиболее перспективных при разработке больших программных продуктов, в том числе средств управления крупными и сложными системами (к таковым относятся телекоммуникационые системы, распределенные производства, системы управления войсками, транспортом, сетями, распределенный поиск информации).
  •  Следует ожидать всё большего влияния идей и методов искусственного интеллекта на машинный анализ текстов на естественном языке. Это влияние, скорее всего, коснется семантического анализа и связанных с ним методов синтаксического анализа - в этой области оно проявится в учете модели мира на заключительных стадиях семантического анализа и использовании знаний о предметной области и ситуативной информации для уменьшения переборов на более ранних стадиях (например, при построении деревьев синтаксического разбора).
  •  К одному из наиболее важных и перспективных направлений в искусственном интеллекте следует сегодня отнести задачи автоматического планирования поведения. Область применения методов автоматического планирования - самые различные устройства с высокой степенью автономности и целенаправленным поведением, от бытовой техники до беспилотных космических кораблей для исследования глубокого космоса.

1.3 Нейронные сети.

Иску́сcтвенная нейронная сеть — это математическая модель, а также устройства параллельных вычислений, представляющие собой систему соединённых и взаимодействующих между собой простых процессоров (искусственных нейронов). Как математическая модель искусcтвенная нейронная сеть представляет собой частный случай методов распознавания образов или дискриминантного анализа.

Такие процессоры обычно довольно просты, особенно в сравнении с процессорами, используемыми в персональных компьютерах. Каждый процессор подобной сети имеет дело только с сигналами, которые он периодически получает, и сигналами, которые он периодически посылает другим процессорам. И тем не менее, будучи соединёнными в достаточно большую сеть с управляемым взаимодействием, такие локально простые процессоры вместе способны выполнять довольно сложные задачи. Понятие возникло при изучении процессов, протекающих в мозге при мышлении, и при попытке смоделировать эти процессы. Полученные модели называются искусственными нейронными сетями (ИНС). Нейронные сети не программируются в привычном смысле этого слова, они обучаются. Возможность обучения — одно из главных преимуществ нейронных сетей перед традиционными алгоритмами. Технически обучение заключается в нахождении коэффициентов связей между нейронами. В процессе обучения нейронная сеть способна выявлять сложные зависимости между входными данными и выходными, а также выполнять обобщение. Это значит, что, в случае успешного обучения, сеть сможет вернуть верный результат на основании данных, которые отсутствовали в обучающей выборке.

Применение нейронных сетей.

  •  Распознавание образов и классификация

В качестве образов могут выступать различные по своей природе объекты: символы текста, изображения, образцы звуков и т. д. При обучении сети предлагаются различные образцы образов с указанием того, к какому классу они относятся. Образец, как правило, представляется как вектор из его признаков. При этом совокупность всех признаков должна однозначно определять класс, к которому относится образец. В случае, если признаков недостаточно, сеть может соотнести один и тот же образец с несколькими классами, что неверно.По окончании обучения сети можно предъявлять неизвестные ей ранее образы и получать от нее ответ о принадлежности к определенному классу. Топология такой сети характеризуется тем, что количество нейронов в выходном слое, как правило, равно количеству определяемых классов. При этом устанавливается соответствие между выходом нейронной сети и классом, который он представляет. Когда сети предъявляется некий образ, на одном из ее выходов должен появится признак того, что образ принадлежит этому классу. В то же время на других выходах должен быть признак того, что образ данному классу не принадлежит. Если на двух или более выходах есть признак принадлежности к классу, считается что сеть «не уверена» в своем ответе.

  •  Принятие решений и управление

Эта задача близка к задаче классификации. Классификации подлежат ситуации, характеристики которых поступают на вход нейронной сети. На выходе сети при этом должен появится признак решения, которое она приняла. При этом в качестве входных сигналов используются различные критерии описания состояния управляемой системы.

  •  Кластеризация

Под кластеризацией понимается разбиение множества входных сигналов на классы, при том, что ни количество, ни признаки классов заранее неизвестны. После обучения такая сеть способна определять, к какому классу относится входной сигнал. Сеть также может сигнализировать о том, что входной сигнал не относится ни к одному из выделенных классов — это является признаком новых, отсутствующих в обучающей выборке, данных. Таким образом, подобная сеть может выявлять новые, неизвестные ранее классы сигналов. Соответствие между классами, выделенными сетью, и классами, существующими в предметной области, устанавливается человеком.

  •  Прогнозирование и аппроксимация

Способности нейронной сети к прогнозированию напрямую следуют из ее способности к обобщению и выделению скрытых зависимостей между входными и выходными данными. После обучения сеть способна предсказать будущее значение некой последовательности на основе нескольких предыдущих значений и/или каких-то существующих в настоящий момент факторов. Следует отметить, что прогнозирование возможно только тогда, когда предыдущие изменения действительно в какой-то степени предопределяют будущие. Например, прогнозирование котировок акций на основе котировок за прошлую неделю может оказаться успешным (а может и не оказаться), тогда как прогнозирование результатов завтрашней лотереи на основе данных за последние 50 лет почти наверняка не даст никаких результатов.

  •  Сжатие данных и ассоциативная память

Способность нейросетей к выявлению взаимосвязей между различными параметрами дает возможность выразить данные большой размерности более компактно, если данные тесно взаимосвязаны друг с другом. Обратный процесс — восстановление исходного набора данных из части информации — называется (авто)ассоциативной памятью. Ассоциативная память позволяет также восстанавливать исходный сигнал/образ из зашумленных/поврежденных входных данных. Решение задачи гетероассоциативной памяти позволяет реализовать память, адресуемую по содержимому

Классификация нейронных сетей:

Классификация по типу входной информации

  •  Аналоговые нейронные сети (используют информацию в форме действительных чисел);
    •  Двоичные нейронные сети (оперируют с информацией, представленной в двоичном виде).

Классификация по характеру обучения

  •  С учителем (выходное пространство решений нейронной сети известно);
  •  Без учителя (нейронная сеть формирует выходное пространство решений только на основе входных воздействий). Такие сети называют самоорганизующимися;
  •  С критиком (система назначения штрафов и поощрений).

Классификация по характеру настройки синапсов

  •  Сети с фиксированными связями (весовые коэффициенты нейронной сети выбираются сразу, исходя из условий задачи);
  •  Сети с динамическими связями (для них в процессе обучения происходит настройка синаптических связей)

 Классификация по характеру связей

  •  Сети прямого распространения (Feedforward)

Все связи направлены строго от входных нейронов к выходным. Примерами таких сетей являются однослойный и многослойный перцептроны, сети Ворда.

  •  Рекуррентные сети

Сигнал с выходных нейронов или нейронов скрытого слоя частично передается обратно на входы нейронов входного слоя. Как любая система, имеющая обратную связь, рекуррентная сеть стремится к устойчивому состоянию. Как известно, наиболее устойчивое состояние обеспечивается минимализацией энергии системы. Рекуррентная сеть «фильтрует» входные данные, возвращаясь к устойчивому состоянию и, таким образом, позволяет решать задачи компрессии данных и построения ассоциативной памяти[6]. Ярким примером таких сетей является сеть Хопфилда.

  •  Двунаправленные сети

В таких сетях между слоями существуют связи как в направлении от входного слоя к выходному, так и в обратном.

  •  Радиально-базисные функции

Искусственные нейронные сети использующие в качестве активационных функций радиально-базисные (такие сети сокращенно называются RBF-сетями). Общий вид радиально-базисной функции:

Радиально-базисная сеть характеризуется тремя особенностями:

1. Единственный скрытый слой

2. Только нейроны скрытого слоя имеют нелинейную активационную функцию

3. Синаптические веса связей входного и скрытого слоев равны единице

Про процедуру обучения - см. литературу

  •  Самоорганизующиеся карты

Такие сети представляют собой, как правило, двумерную структуру нейронов. Перед обучением структура случайна, нейроны распределены примерно равномерно. При обучении, для каждой обучающей записи расчитывается точка, которая соответствует ей в структуре сети. Нейрон, находящийся ближе всего к искомой точке, называется нейроном-победителем. Веса связей, соединяющих этот нейрон с другими, увеличиваются, тем самым несколько упорядочивая структуру. Веса от нейронов, являющихся «соседями» нейрона победителя, к другим нейронам также увеличиваются, но слабее и т. д. Таким образом, чем чаще нейрон «побеждает» при сравнении с признаком, тем «плотнее» к нему находятся другие нейроны. В конце обучения сеть представляет из себя несколько зон сосредоточения нейронов, называемых кластерами.

Нейронные сети возникли из исследований в области искусственного интеллекта, а именно, из попыток воспроизвести способность биологических нервных систем обучаться и исправлять ошибки, моделируя низкоуровневую структуру мозга. Идея нейросетей заключается в моделировании (повторении) поведения различных процессов на основе исторической информации. Сама нейросеть представляет собой набор специальных математических функций с множеством параметров, которые настраиваются в процессе обучения на прошлых данных. В основе нейронных сетей лежит поведенческий подход к решению задачи, сеть учится на примерах, подстраивая свои параметры при помощи специальных обучающих алгоритмов. С практической точки зрения методика принятия решения обученной нейросети проста, на входе задаются некоторые числовые данные, и нейросеть ищет похожие в исторических данных, на которых она обучалась.  Как правило, нейронная сеть используется тогда, когда неизвестен точный вид связей между входами и выходами, если бы он был известен, то связь можно было бы моделировать непосредственно. Другая существенная особенность нейронных сетей состоит в том, что зависимость между входом и выходом находится в процессе обучения сети.


Глава 2. Практическое применение нейросетевых технологий.

2.1 Постановка задачи и исследование области.

Нейросетевые технологии применяются при решении таких задач, в которых не существует чёткого алгоритма, точных действий либо формальных правил, позволяющих без каких-либо затруднений получить желаемый результат. Каждый человек в наше время имеет сотовый телефон. Очень часто выпускаются более усовершенствованные модели сотовых телефонов и человек, желающий приобрести новинку сталкивается с проблемой продажи своего старого телефона. Так же не у каждого есть возможность купить абсолютно новый телефон и этот человек сталкивается с проблемой определения стоимости телефона с желаемыми характеристиками. Таким образом проблема оценки подержанного сотового телефона возникает у множества людей, поэтому для своего исследования я выбрала рынок подержанных сотовых телефонов. Выяснить цены на сотовые телефоны можно через объявления газет, в Интернете, в комиссионном магазине. Наиболее эффективным методом моделирования цен на подержанные сотовые телефоны является применение нейросетей. На данный момент этот метод прогнозирования цен на подержанные сотовые телефоны практически не применяется.

Оценка стоимости сотовых телефонов, бывших в употреблении оценивается с учетом факторов, показывающих состояние и качественные характеристики телефона. К данным факторам относятся: марка сотового телефона, срок использование с момента приобретения, наличие документов, гарантии, наличие камеры и её характеристики, наличие флэш-карты, наличие МР3 плеера и радио, Наличие Bluetooth и ИК-порта, вид телефона, начальная цена телефона при покупке.

На входе имеются следующие параметры:

1. Фирма производитель сотового телефона:

  •  2 -  Nokia;
    •  3 – Samsung;
    •  5 – Sony Ericsson;
    •  6 – LG.

2. Форма телефона:

  •  1 – классический;
    •  2 – раскладушка;
    •  3 – слайдер.

4. Срок использования с момента приобретения.

5. Наличие документов, гарантии:

  •  1 – да;
    •  2 – нет.

6. Наличие камеры и её характеристики:

  •  1 – 1,3 mpx;
    •  2 – 2 mpx;
    •  3 – 3 mpx;
    •  4 – 0,3 mpx;
    •  5 – нет;
    •  6 – 1 mpx;
    •  7 – 3,2 mpx;
    •  8 – 6 mpx;
    •  9 – 5 mpx.

7. Наличие флэш-карты:

  •  1 – да;
    •  2 – нет.

8. Наличие МР3 плеера:

  •  1 – да;
    •  2 – нет.

9. Наличие Fm радио:

  •  1 – да;
    •  2 – нет.

10. Вид телефона:

  •  1 – сотовый телефон;
    •  2 – смартфон;

11. Наличие Bluetooth:

  •  1 – да;
    •  2 – нет.

12. Наличие ИК-порта:

  •  1 – да;
    •  2 – нет.

13. Первоначальная цена сотового телефона.

На выходе – цена подержанного сотового телефона.

Обучающая выборка составлена на основе реальных данных, состоит из 130 примеров. Обучающая выборка представлена в таблице 1.

                                                                                                                  Таблица1

Х1

Х2

Х3

Х4

Х5

Х6

Х7

Х8

Х9

Х10

Х11

Х11

У1

2

1

3

1

2

2

1

1

2

1

2

12900

9000

2

1

2

1

3

1

1

1

2

1

1

14000

10000

2

1

7

1

5

2

2

2

1

2

2

1900

1000

2

1

3

1

5

2

2

2

1

2

2

1900

1100

2

1

4

1

5

2

2

1

1

2

2

2000

1200

2

2

6

1

5

2

2

1

1

2

2

2000

1400

2

1

10

1

4

2

2

1

1

1

2

4500

1200

2

1

5

1

5

2

2

2

1

2

2

2100

1500

2

1

7

1

5

2

2

1

1

2

2

2300

1800

2

2

8

1

1

2

1

1

1

1

2

7000

3000

2

1

5

1

1

2

1

1

1

1

1

7000

3600

2

1

10

1

1

2

1

1

1

1

1

5000

1200

2

1

8

1

2

1

1

1

2

1

1

12000

4500

2

1

10

1

2

2

1

1

2

1

1

12000

3300

2

1

3

1

2

1

1

1

2

1

2

9000

6000

2

1

8

1

2

2

1

2

2

1

1

8000

2800

2

3

6

2

1

1

1

1

1

1

1

6200

3200

2

3

4

1

1

1

1

1

1

1

1

7500

4000

2

1

6

1

4

2

2

2

1

2

1

4000

2000

2

1

4

1

5

2

2

2

1

2

1

3600

1800

2

1

6

1

5

2

2

1

1

2

2

3700

1500

2

2

4

1

5

2

2

2

1

2

2

2300

1300

2

1

3

1

4

2

2

1

1

2

1

3000

2000

2

2

7

1

4

2

1

1

1

1

2

6200

3200

2

1

4

1

5

2

2

2

1

2

1

3000

1500

2

3

2

1

2

1

1

1

2

1

2

12500

11000

2

3

5

1

2

1

1

1

2

1

2

12500

9000

2

3

5

1

1

2

1

1

1

1

1

7000

4500

2

1

3

1

2

2

1

2

2

1

2

9000

7000

2

2

3

1

1

2

1

1

1

1

1

9000

5000

2

2

5

1

1

2

1

1

1

1

1

9000

4200

2

2

2

1

1

2

1

1

1

1

1

9000

5300

2

2

8

1

1

2

1

2

1

2

1

6300

2500

2

1

7

1

1

2

1

1

1

1

1

8500

3200

Тестируемая выборка представлена в таблице 2.

                                                                                                    Таблица 2

X1

X2

X3

X4

X5

X6

X7

X8

X9

X10

X11

X12

Y1

5

1

7

1

2

1

1

1

1

1

1

6990

4871,44

2

1

4

1

2

2

1

1

2

1

2

9000

5307,074

3

3

1

1

4

2

1

1

1

1

2

3500

3511,781

2

3

6

1

6

1

1

1

2

1

2

27400

13056,12

2

1

10

1

2

2

1

1

1

1

2

54900

12006,57

2

1

5

1

2

2

1

1

2

1

1

13100

6515,163

5

2

8

1

1

2

1

2

2

2

1

7150

3044,827

6

1

12

1

5

2

2

1

1

2

2

2400

1177,886

При проектировании персептронов необходимо понимать, что персептрон должен не только правильно реагировать на примеры, на которых он обучен, но и уметь обобщать приобретенные знания, т.е. правильно реагировать на примеры, которых в обучающей выборке не было. Погрешность персептрона, вычисленная на обучающей выборке называется погрешностью обучения, обозначаемой, а вычисленная на тестовой выборке- погрешностью обобщения, обозначаемой T. При увеличении числа нейронов внутренних слоев персептрона N погрешность обучения   обычно падает, тогда как погрешность обобщения   сначала падает, а затем, начиная с некоторого оптимального значения N=N0, возрастает.

2.2 Обучение персептрона.

При проектировании персептрона я использовала готовый нейросимулятор, который представлен на рисунке 1.

Рис.1 Нейросимулятор

На вкладке «Проектирование сети» указываются: тип активационной функции у каждого слоя сети, число нейронов входного и выходного слоя сети, а также число скрытых слоев. На вкладке «Обучение» мы загружаем саму выборку, используемую для обучения. На этой вкладке задается число итераций обучения и скорость обучения, количество эпох.  На вкладке «Вычисления» вводим входные параметры для проверки работы нейросимулятора.

Желаемый результат был получен не сразу. Сначала ошибка обучения была очень высокой. Ошибка первоначального обучения представлена на рисунке 2.

Рис.2 Ошибка обучения.

Для достижения желаемого результата изменялось количество скрытых слоёв, количество нейронов на скрытых слоях, изменялось количество эпох. Было произведено тестирование по строкам, строки, в которых были найдены ошибки удалены. На рисунке 3 представлено выявление поступающего выброса в обучающем множестве методом анализа ошибки обобщения (см. рис. 3):

Рис.3 Тестирование по строкам.

Рис. 4 Обучение персептрона.

На рисунке 4 видно что было использовано 12 входных нейронов, 3 скрытых слоя, на выходе 1 нейрон. Применение данных параметров при проектировании сети была достигнута минимальная погрешность обучения.

На рисунке 5 представлено на сколько точно обучилась сеть.

Рис. 5 Ошибка сети.

Для обучения сети использовался метод обратного распространения (Back Propagation), суть которого состоит в следующем.  Перед началом обучения сети весам и порогам случайным образом присваиваются небольшие по величине начальные значения. Тем самым отклики отдельных элементов сети имеют малый наклон и ориентированы хаотично - фактически они не связаны друг с другом. По мере того, как происходит обучение, поверхности отклика элементов сети вращаются и сдвигаются в нужное положение, а значения весов увеличиваются, поскольку они должны моделировать отдельные участки целевой поверхности отклика. Затем вычисляется вектор градиента поверхности ошибок. Этот вектор указывает направление кратчайшего спуска по поверхности из данной точки, поэтому при продвижении по нему, ошибка уменьшится. Значение ошибки, а также градиента поверхности ошибок используется для корректировки весов, после чего все действия повторяются. Начальная конфигурация сети выбирается случайным образом, и процесс обучения прекращается либо когда пройдено определенное количество эпох, либо когда ошибка достигнет некоторого определенного уровня малости, либо когда ошибка перестанет уменьшаться.  В качестве меры ошибки в простейшем случае берется средняя квадратичная ошибка, которая определяется как сумма квадратов разностей между величиной на выходе и требуемой величиной.

,

где СiТ -модельные значения (полученные в результате обучения сети);

СiП -практические значения .

Несмотря на то, что модельные значения не полностью совпадают с практическими, можно утверждать, что тренд изменения искомых величин отражен точно. На рисунке 6 представлена гистограмма нейросетевого моделирования тестируемой выборки.

Рис. 6. Результаты нейросетевого моделирования тестируемой выборки цен подержанные сотовые телефоны.


2.3 Результаты исследования.

На формирование цен на сотовые телефоны влияет несколько параметров. Например срок эксплуатации, вид телефона. Исследуя стоимость подержанных телефонов в г. Пермь был выведен закон зависимости цены от срока эксплуатации телефона. 

Рис. 7 График зависимости цены сотового телефона от срока его эксплуатации.

На данном графике видно, что с увеличением эксплуатационного срока цена сотового телефона снижается.

Вывод: Рассмотрев пример нейросетевого моделирования рынка подержанных сотовых телефонов, я пришла к выводу, что при использовании нейросимулятора с применением метода обратного распространения, результаты оказались наиболее близкими к практическим. На этой основе был выведен закон зависимости цен на сотовые телефоны от срока эксплуатации, который показал, что чем дольше использовался телефон, тем ниже его цена.


Заключение

Подведём итог проделанной работы.

В первой части я обобщила свои знания в области нейросетевых технологий, рассмотрела на каком этапе находится изучение искусственного интеллекта и перспективы его дальнейшего развития, теорию нейронных сетей.

В практической части работы я  применяла  нейронную сеть, с помощью которой доказала возможность использования нейронные сети при определении цены на подержанный сотовый телефон. Я убедилась, что персептрон смог решить поставленную перед ним задачу. Подав на вход персептрона сигналы, которых не было в обучающей выборке, на выходе мы получили адекватные результаты, то есть соответствующие действительности. Другими словами, применение нейросетевых технологий в выбранной области можно считать эффективным.

Проведенная работа показывает, что применение нейросетевых технологий поможет определить цену подержанных сотовых телефонов.

 


Список использованной литературы

Литература:

  1.  Ясницкий Л.Н. Введение в искусственный интеллект: Учеб. пособие для студ. высш. учеб. заведений, М.: Издательский центр «Академия», 2005.-176 с.

Ссылки на ресурсы Интернет:

2. http://lii.newmail.ru.

3. http://www.russ.ru.

4. http://ai.obrazec.ru/artint.htm

5. www. Svyaznoy.ru


 

А также другие работы, которые могут Вас заинтересовать

77882. Право на защиту чести, достоинства и деловой репутации 28.5 KB
  Диффамации которое распространяется на разглашение не только ложных но и действительных сведений позорящих честь и достоинство гражданина или юридического лица. Под распространением сведений следует понимать сообщение их различными способами как любому третьему лицу так и нескольким лицам неопределенному кругу лиц. При рассмотрении исков о защите чести и достоинства суду необходимо установить: имело ли место распространение сведений которые оспаривает истец; порочат ли они честь и достоинство истца; соответствуют ли они...
77883. Понятие, виды и исполнение обязательств в гражданском праве 28.5 KB
  Признаки обязательства: относительное гражданское правоотношение его субъектами являются строго определенные лица конкретный должник и конкретный кредитор; объектом обязательства является действие обязанного лица; содержанием являются права и обязанности сторон; опосредуют динамику гражданскоправовых правоотношений – процесс перехода имущественных благ от одних лиц к другим; за невыполнение наступает гражданскоправовая ответственность; 6 реализация кредитором своего права возможно только через исполнение обязанности...
77884. Поручительство и банковская гарантия как способы обеспечения исполнения обязательств 30.5 KB
  Поручительство и банковская гарантия как способы обеспечения исполнения обязательств Поручительство – способ по которому поручитель обязуется исполнить обязательство за должника. При поручительстве ответственным перед кредитором за неисполнение основного обеспечиваемого обязательства становится наряду с должником еще и другое лицо – поручитель...
77885. Залог как способ обеспечения исполнения обязательств 28 KB
  Общие признаки: носят имущественный характер то есть интересы кредитора удовлетворяются за счет имущества должника; направлены на обеспечение удовлетворения интересов кредитора которое состоит в надлежащем исполнении ему обязательства; между должником и кредитором чаще всего существует два обязательства; возникает на основании закона или договора...
77886. Понятие и виды гражданско-правовых договоров 28.5 KB
  Свобода договора: недопущение понуждения к заключению договора; свобода выбора партнера при заключении договора; свобода участников гражданского оборота в выборе вида договора; свобода усмотрения сторон при определении условий договора кроме условий которые предусмотрены законом. Значение договора: договор представляет собой одно из самых уникальных правовых средств в рамках которого интерес каждой стороны в принципе может быть удовлетворен лишь посредством удовлетворения интереса другой стороны; договор...
77887. Формы и способы заключения договоров. Содержание гражданско-правовых договоров 31.5 KB
  Содержание гражданскоправовых договоров Содержание договора – условия на которых достигнуто соглашение сторон: существенные – условия которые необходимы и достаточны для заключения договора. Во-первых являются условия о предмете договора. Они включаются в текст договора по усмотрению сторон. Однако в отличие от обычных они приобретают юридическую силу лишь в случае включения их в текст договора.
77888. Договор купли-продажи. Обязанности 35 KB
  Продавец обязан передать товар в собственность покупателю надлежащего качества количества комплектности со всеми документами и принадлежностями если отказывается то предоставляется разумный срок не передал – покупатель вправе отказаться от договора установленные законном или договором сроки пригодный для целей для которых товар такого рода обычно используется; товар свободный от 3 лиц либо уведомить покупателя об обременении данного товара....
77889. Договор дарения 30.5 KB
  Договор дарения Договором дарения называется договор по которому одна сторона даритель безвозмездно передает или обязуется передать определенное имущество другой стороне одаряемому либо освобождает или обязуется освободить ее от имущественной обязанности перед собой или перед третьим лицом. В отношении договоров дарения с участием юридических лиц ГК также предусматривает ряд специальных ограничений. Другое ограничение касается дарения вещей принадлежащих юридическому лицу на праве хозяйственного ведения или оперативного управления....
77890. Договор ренты 29 KB
  Договор ренты По договору ренты одна сторона получатель ренты передает другой стороне плательщику ренты в собственность имущество а плательщик ренты обязуется в обмен на полученное имущество периодически выплачивать получателю ренту в виде определенной денежной суммы либо предоставления средств на его содержание в иной форме. Реальный односторонний возмездный Возникающие из договора ренты отношения носят длительный стабильный а при пожизненном содержании с иждивением – и доверительный характер. Форма подлежит...