Aplikasi JST Dalam Bisnis

Tgl Tugas : 27 April 2010
Tgl Selesai : 11 Mei 2010

Sebuah jaringan syaraf tiruan adalah sistem yang didasarkan pada operasi jaringan syaraf biologis, dengan kata lain, adalah persaingan sistem syaraf biologis. Mengapa perlu penerapan jaringan syaraf tiruan? Meskipun komputasi hari ini benar-benar canggih, ada tugas-tugas tertentu bahwa program yang dibuat untuk sebuah mikroprosesor umum adalah tidak dapat melakukan, bahkan sehingga implementasi perangkat lunak jaringan syaraf tiruan dapat dibuat dengan mereka kelebihan dan kekurangan.

Keuntungan:
- JST dapat melakukan tugas-tugas yang program linier tidak bisa.
- Ketika sebuah elemen dari jaringan saraf gagal, ia dapat terus tanpa masalah apapun oleh alam paralel mereka.
- JST belajar dan tidak perlu memprogram ulang.
- Hal ini dapat diimplementasikan dalam aplikasi apapun.
- Hal ini dapat diterapkan tanpa masalah.

Kekurangan:
- Jaringan saraf kebutuhan pelatihan untuk beroperasi.
- Arsitektur jaringan syaraf tiruan adalah berbeda dari arsitektur mikroprosesor Oleh karena itu perlu dicontoh.
- Memerlukan waktu proses yang tinggi untuk jaringan saraf besar.

Aspek lain dari jaringan syaraf tiruan adalah bahwa ada arsitektur yang berbeda, yang tentunya membutuhkan berbagai jenis algoritma, tetapi meskipun menjadi sistem tampaknya kompleks, jaringan syaraf relatif sederhana.

Jaringan Saraf Tiruan (JST) adalah salah satu teknologi pemrosesan sinyal-insinyur terbaru di toolbox. Bidang ini sangat interdisipliner, tapi akan membatasi pendekatan kita melihat dengan perspektif rekayasa. Dalam rekayasa, jaringan saraf melayani dua fungsi penting: sebagai pengklasifikasi pola dan sebagai filter nonlinier adaptif. Kami akan memberikan gambaran singkat tentang teori ini, belajar aturan, dan aplikasi dari model jaringan syaraf penting yang paling dan. Definisi Gaya Komputasi Sebuah Jaringan Syaraf Tiruan adalah yang paling, sistem nonlinier sering adaptif yang belajar untuk melakukan fungsi-fungsi (input / peta output) dari data. Adaptif berarti bahwa parameter sistem berubah selama operasi, biasanya disebut fase pelatihan. Setelah tahap pelatihan Jaringan Syaraf Tiruan parameter yang tetap dan sistem ini digunakan untuk memecahkan masalah yang dihadapi (tahap pengujian). Jaringan Syaraf Tiruan ini dibangun dengan dengan langkah-langkah prosedur sistematis untuk mengoptimalkan kinerja atau kriteria untuk mengikuti beberapa kendala internal implisit, yang biasanya disebut sebagai aturan belajar. input / output data pelatihan yang mendasar dalam teknologi jaringan saraf, karena mereka menyampaikan informasi yang diperlukan untuk "menemukan" titik operasi optimal. Sifat nonlinier dari elemen pemrosesan jaringan saraf (PES) menyediakan sistem dengan banyak fleksibilitas untuk mencapai hampir semua input yang diinginkan / output peta, yaitu, beberapa Jaringan Syaraf Tiruan adalah mappers universal. Ada sebuah gaya dalam perhitungan saraf yang bernilai menggambarkan.

Input disajikan ke jaringan saraf dan sesuai yang diinginkan atau respon target yang ditetapkan pada keluaran (saat ini kasus pelatihan ini disebut diawasi). Kesalahan terdiri dari perbedaan antara respon yang diinginkan dan output sistem. Informasi kesalahan diumpankan kembali ke sistem dan menyesuaikan parameter sistem secara sistematis (belajar aturan). Proses ini diulang sampai kinerja dapat diterima. Jelas dari gambaran bahwa kinerja engsel berat pada data. Jika seseorang tidak memiliki data yang mencakup sebagian besar kondisi operasi atau jika mereka berisik, kemudian teknologi jaringan syaraf mungkin bukan solusi yang tepat. Di sisi lain, jika ada banyak data dan masalah ini kurang dipahami untuk mendapatkan model perkiraan, maka teknologi jaringan syaraf tiruan adalah pilihan yang baik. Prosedur operasi ini harus kontras dengan desain teknik tradisional, terbuat dari spesifikasi lengkap dan subsistem pergaulan protokol. Dalam jaringan syaraf tiruan, desainer memilih topologi jaringan, fungsi kinerja, aturan belajar, dan kriteria untuk menghentikan fase pelatihan, tetapi sistem akan secara otomatis menyesuaikan parameter. Jadi, sulit untuk membawa informasi apriori ke dalam desain, dan ketika sistem tidak bekerja dengan benar juga sulit untuk secara bertahap menyempurnakan solusi. Tapi solusi berbasis JST sangat efisien dalam hal waktu dan sumber daya pembangunan, dan dalam banyak masalah sulit jaringan syaraf tiruan memberikan kinerja yang sulit untuk menyesuaikan dengan teknologi lainnya. Denker 10 tahun lalu mengatakan bahwa "jaringan syaraf tiruan adalah cara terbaik kedua untuk mengimplementasikan solusi" termotivasi oleh kesederhanaan desain mereka dan karena universalitas mereka, hanya dibayangi oleh desain tradisional yang diperoleh dengan mempelajari fisika dari masalah. Saat ini, jaringan syaraf tiruan yang muncul sebagai teknologi pilihan bagi banyak aplikasi, seperti pengenalan pola, prediksi, identifikasi sistem, dan kontrol.

Neural Networks dalam bisnis

Bisnis adalah bidang yang dialihkan dengan beberapa area umum seperti spesialisasi akuntansi atau keuangan analisis. Hampir semua aplikasi jaringan syaraf akan muat ke dalam satu bidang bisnis atau analisis keuangan.
Ada beberapa potensi untuk menggunakan jaringan syaraf tiruan untuk tujuan bisnis, termasuk alokasi sumber daya dan penjadwalan. Ada juga potensi kuat untuk menggunakan jaringan saraf untuk pertambangan database, yaitu, mencari pola implisit dalam informasi eksplisit disimpan dalam database. Sebagian besar bekerja di bidang ini didanai diklasifikasikan sebagai milik. Dengan demikian, tidaklah mungkin untuk melaporkan sepenuhnya pekerjaan berlangsung. Kebanyakan bekerja menerapkan jaringan saraf, seperti jaringan Hopfield-Tank untuk optimasi dan penjadwalan.

1. Pemasaran

Ada aplikasi pemasaran yang telah terintegrasi dengan sistem jaringan syaraf tiruan. Perusahaan Penerbangan Pemasaran taktik (merek dagang disingkat AMT) adalah sebuah sistem komputer yang terbuat dari berbagai teknologi cerdas termasuk sistem pakar. Sebuah jaringan saraf feedforward terintegrasi dengan AMT dan dilatih menggunakan kembali-propagasi untuk membantu kontrol pemasaran alokasi kursi penerbangan. Pendekatan saraf adaptif adalah ekspresi setuju dengan aturan. Ditambahkannya, aplikasi lingkungan berubah dengan cepat dan terus-menerus, yang adaptif memerlukan solusi terus. Sistem ini digunakan untuk memantau dan merekomendasikan saran pemesanan untuk keberangkatan masing-masing. Informasi tersebut memiliki dampak langsung terhadap profitabilitas perusahaan penerbangan dan dapat memberikan keuntungan bagi pengguna teknologi sistem. [Hutchison & Stephens, 1987]

Sementara itu adalah penting bahwa jaringan saraf telah diterapkan untuk masalah ini, juga penting untuk melihat bahwa teknologi cerdas dapat diintegrasikan dengan sistem pakar dan pendekatan lain untuk membuat sistem fungsional. jaringan syaraf digunakan untuk mengetahui pengaruh interaksi terdefinisi oleh berbagai variabel. Sementara interaksi ini tidak didefinisikan, mereka digunakan oleh sistem neural untuk mengembangkan kesimpulan yang bermanfaat. Hal ini juga penting untuk melihat bahwa jaringan saraf dapat mempengaruhi bottom line.

2. Evaluasi Kredit

Perusahaan HNC, didirikan oleh Robert Hecht-Nielsen, telah mengembangkan beberapa aplikasi jaringan syaraf. Salah satunya adalah Kredit Scoring sistem yang meningkatkan keuntungan dari model yang ada sampai dengan 27%. Sistem saraf HNC juga diterapkan untuk skrining hipotek. JST asuransi hipotek underwritting otomatis sistem dikembangkan oleh Perusahaan Nestor. Sistem ini dilatih dengan 5.048 aplikasi yang telah disertifikasi 2597. Peminjam data yang berhubungan dengan properti dan kualifikasi. Dalam modus konservatif sistem menyetujui underwritters pada 97% kasus. Dalam model sistem liberal setuju 84% dari kasus. Ini adalah sistem dijalankan pada DN3000 Apollo dan digunakan 250K memori ketika memproses kasus file dalam sekitar 1 detik.

Jaringan Saraf Hopfield

Salah satu jaringan saraf berulang dilaporkan dalam sastra awal adalah auto-associator mandiri dijelaskan oleh Anderson (Anderson, 1977) dan Kohonen (Kohonen, 1977) pada tahun 1977. Ini terdiri dari kolam neuron dengan hubungan antara setiap unit i dan j, i 6 = j.


Jaringan associator otomatis. Semua neuron yang baik input dan output neuron, yaitu,
pola dijepit, jaringan iterates ke keadaan stabil, dan output dari jaringan terdiri dari nilai aktivasi neuron baru.

Semua koneksi yang tertimbang. Pada tahun 1982, Hopfield (Hopfield, 1982) membawa beberapa ide sebelumnya bersama-sama tentang jaringan ini dan menyajikan analisis matematis lengkap berbasis pada model ising spin (Amit, Gutfreund, & Sompolinsky, 1986). Oleh karena itu, bahwa jaringan ini, yang akan kita uraikan dalam bab ini, biasanya disebut sebagai jaringan Hopfield.

Jaringan Hopfield terdiri dari satu set neuron yang saling berhubungan N memperbarui nilai aktivasi asynchronous dan independen dari neuron lainnya. Semua neuron yang baik input dan output neuron. Nilai aktivasi biner. Awalnya, waktu tua Hop memilih nilai-nilai aktivasi 1 dan 0, tetapi menggunakan nilai 1 dan -1 menyajikan beberapa keuntungan dibahas di bawah ini. Karena itu kita akan mengikuti konvensi kedua.

Keadaan sistem diberikan oleh aktivasi values1 y = (yk). The sk input bersih (t +1) dari neuron pada t k siklus 1 adalah jumlah tertimbang


Fungsi ambang sederhana diterapkan ke input bersih untuk mendapatkan nilai aktivasi baru yi (t + 1) pada waktu t + 1:


Hopfield jaringan sebagai memori asosiatif

Sebuah aplikasi utama dari jaringan Hopfield adalah memori asosiatif. Dalam hal ini, bobot dari koneksi antara neuron harus demikian menetapkan bahwa negara-negara dari sistem yang sesuai dengan pola yang harus disimpan dalam jaringan tersebut stabil. Negara-negara ini dapat dilihat sebagai 'dips' dalam ruang energi. Ketika jaringan adalah cued dengan bising atau pola uji tidak lengkap, maka akan membuat data hilang atau tidak benar oleh iterasi ke keadaan stabil yang dalam arti tertentu 'dekat' dengan pola cued.

yaitu, jika j dan k xp xp adalah sama, wjk meningkat, dinyatakan mengalami penurunan sebesar satu (perhatikan bahwa, dalam aturan Hebb asli, berat hanya kenaikan). Tampaknya, bagaimanapun, bahwa jaringan akan jenuh dengan sangat cepat, dan bahwa sekitar 0:15 N kenangan dapat disimpan sebelum kesalahan ingat menjadi parah. Ada dua masalah yang terkait dengan banyak menyimpan pola juga:
1. pola disimpan menjadi tidak stabil;
2. negara stabil palsu muncul (yaitu, negara yang stabil yang tidak sesuai dengan pola yang disimpan).

Yang pertama dari kedua masalah bisa diselesaikan dengan algoritma yang diusulkan oleh Bruce et al. (Bruce, Canning, Forrest, Gardner, & Wallace, 1986):

Algoritma 1 Dengan berat mulai matriks
untuk setiap xp pola untuk disimpan dan setiap k unsur xp di xp de ne sebuah koreksi seperti yang εk

Sekarang memodifikasi wjk oleh Ulangi prosedur ini sampai semua pola yang stabil.
Tampaknya, dalam prakteknya, algoritma ini biasanya menyatu. Terdapat kasus, dimana algoritma tetap berosilasi (mencoba mencari satu)!

Reference :
http://www.learnartificialneuralnetworks.com
http://www.learnartificialneuralnetworks.com/hopfield.html
http://www.doc.ic.ac.uk/~nd/surprise_96/journal/vol4/cs11/report.html