Создание искусственной нейронной сети для поиска нужного товара

Оглавление реферата

по дисциплине «Интеллектуальные информационные системы»

по теме «Создание искусственной нейронной сети для поиска нужного товара»

Введение

Темой моего курсового проекта является промо-сайт экскаваторов-погрузчиков JCB 3CX и 4СХ. В нем  подробно рассказывается о видах этих тракторов, их преимуществах, недостатках, технических характеристиках, с возможностью выбрать понравившийся, заказать и оставить отзыв о нем.

На данном сайте можно узнать подробную информацию об экскаваторах-погрузчиках: 3СХ, 3СХ Super, 4СХ и 4СХ Super.

Цель моей нейронной сети:  дать возможность будущему покупателю, либо просто заинтересованному лицу, быстро осуществить поиск нужного трактора, по определенным заданным критериям.

Описание моделей

Экскаватор-погрузчик 3CX

Максимальная мощность двигателя: 68.5 кВт

Максимальная глубина копания: 5.46 м

Максимальная емкость ковша: 1.1 м2

Технические характеристики JCB 3CX

Экскаватор-погрузчик 3CX Super

Максимальная мощность двигателя: 68.5 кВт

Максимальная глубина копания: 4.72 м

Максимальная емкость ковша: 1 м2

Технические характеристики JCB 3CX Super

Экскаватор-погрузчик 4СХ

Максимальная мощность двигателя: 74.6 кВт

Максимальная глубина копания: 4.67 м

Максимальная емкость ковша: 1.3 м2

Технические характеристики JCB 4CX

Экскаватор-погрузчик 4СХ Super:

Максимальная мощность двигателя: 74.2 кВт

Максимальная глубина копания: 5.35 м

Максимальная емкость ковша: 1.3 м2

Технические характеристики JCB 4CX

Таким образом, мы видим, что у этих погрузчиков много общего, но так же много и различий. Человеку сложно, перечитывая и сравнивая все эти данные, найти то, что действительно нужно именно ему. С этим ему может помочь нейронная сеть.

О нейронных сетях

В наши дни возрастает необходимость в системах, которые способны не только выполнять однажды запрограммированную последовательность действий над заранее определенными данными, но и способны сами анализировать вновь поступающую информацию, находить в ней закономерности, производить прогнозирование и т.д. В этой области приложений самым лучшим образом зарекомендовали себя так называемые нейронные сети – это самообучающиеся системы, имитирующие деятельность человеческого мозга. Несмотря на большое разнообразие вариантов нейронных сетей, все они имеют общие черты. Так, все они, так же, как и мозг человека, состоят из большого числа связанных между собой однотипных элементов – нейронов, которые имитируют нейроны головного мозга. На рис. 1 показана схема нейрона.

Рис.1

Из рисунка видно, что искусственный нейрон, так же, как и живой, состоит из синапсов, связывающих входы нейрона с ядром; ядра нейрона, которое осуществляет обработку входных сигналов и аксона, который связывает нейрон с нейронами следующего слоя. Каждый синапс имеет вес, который определяет, насколько соответствующий вход нейрона влияет на его состояние.

Бывают нейронные сети обратного распространения – это мощнейший инструмент поиска закономерностей, прогнозирования, качественного анализа. Такое название – сети обратного распространения (back propagation) они получили из-за используемого алгоритма обучения, в котором ошибка распространяется от выходного слоя к входному, т. е. в направлении, противоположном направлению распространения сигнала при нормальном функционировании сети.

В общем случае задача обучения НС сводится к нахождению некой функциональной зависимости Y=F(X) где X – входной, а Y – выходной векторы. В общем случае такая задача, при ограниченном наборе входных данных, имеет бесконечное множество решений. Для ограничения пространства поиска при обучении ставится задача минимизации целевой функции ошибки НС.

Входные данные бывают разные: в виде чисел с плавающей точкой обычно в диапазоне [0..1]. В то же время данные предметной области часто имеют другое кодирование. Так, это могут быть числа в произвольном диапазоне, даты, символьные и текстовые строки. Таким образом, данные о проблеме могут быть как количественными, так и качественными.

Нейронные сети учатся на примерах. Пользователь нейронной сети подбирает представительные данные, а затем запускает алгоритм обучения, который автоматически воспринимает структуру данных. При этом от пользователя, конечно, требуется какой-то набор эвристических знаний о том, как следует отбирать и подготавливать данные, выбирать нужную архитектуру сети и интерпретировать результаты, однако уровень знаний, необходимый для успешного применения нейронных сетей, гораздо скромнее, чем, например, при использовании традиционных методов статистики.

Этот Алгоритм нейронной сети создает сеть, состоящую из двух или трех слоев нейронов. Такими слоями являются входной слой, необязательный скрытый слой и выходной слой. Входной слой определяет все значения входных атрибутов для модели интеллектуального анализа данных и их вероятности.  Скрытый слой  получает входные данные от входных нейронов и передают выходные данные выходным нейронам. В скрытом слое различным вероятностям входных атрибутов назначаются весовые коэффициенты. Весовой коэффициент описывает существенность или важность отдельного входного атрибута для скрытого нейрона. Чем больше весовой коэффициент, назначенный входному атрибуту, тем большую важность имеет его значение. Весовые коэффициенты могут быть отрицательными. Входной атрибут с отрицательным коэффициентом препятствует, а не способствует наступлению выбранного результата. Выходной слой представляет значения прогнозируемых атрибутов для модели интеллектуального анализа данных.

Когда пользователь выбирает трактор, он должен обозначить для себя какие параметры из предоставленных ему подходят. Т.е. нейронная сеть должна содержать наборы характеристик различных погрузчиков, разделенных на кластеры. Кластеры содержат модели тракторов с одинаковыми характеристиками (масса, емкость, маневренность и т.д.) Запросы покупателей, где они будут отмечать те характеристики, которые им необходимы будут  входными параметрами. Один слой отвечает за цели, другой, за технические характеристики, третий за внешнее описание, четвертый, за внутренний комфорт. И таких слоев может быть очень много, в зависимости от потребностей покупателя.

Например, если человек ищет погрузчик для плохопроходимых условий и с большим и емким ковшом, но ему не нужна высокая грузоподъемность, то ему подойдет небольшой погрузчик с большими колесами и хорошей вместительностью, а если ему наоборот нужен большой трактор с высокой грузоподъемностью, используемый в городских условиях, то необходима совершенно другая модель.

Следующий слой — вычислительный слой. Он должен выбрать из всех возможных характеристик, которые задал пользователь, те, что смогут удовлетворить его параметры.

И, наконец, выходной слой – вывод информации о выбранных экскаваторах-погрузчиках, подходящих по всем заданным параметрам.

Вывод

Таким образом, имея перед собой нейронную сеть, с заданными параметрами и алгоритмом слоев, мы получаем вполне необходимую сеть, которая помогает пользователю экономить время при выборе определенных товаров. Он может в несколько щелчков получить именно то, что необходимо ему и его компании, чем тратить время на поиски этого же товара, изучая длинные статьи и сравнивая технические характеристики.