|
|
|
|
|
Жесткие статистические предположения о свойствах временных рядов ограничивают возможности классических методов прогнозирования. В данной ситуации адекватным аппаратом для решения задач прогнозирования могут служить специальные искусственные нейронные сети (НС) [22, 116]. В этой связи возникает особо важная задача определения структуры и типа прогнозирующей нейронной сети. На сегодняшний день нет алгоритма или метода, позволяющего дать однозначный ответ на этот вопрос. Однако предложены способы настройки числа нейронов в процессе обучения, которые обеспечивают построение нейронной сети для решения задачи и дают возможность избежать избыточности. Эти способы настройки можно разделить на две группы: конструктивные алгоритмы и алгоритмы сокращения. В основе алгоритмов сокращения лежит принцип постепенного удаления из нейронной сети синапсов и нейронов. В начале работы алгоритма обучения с сокращением число нейронов скрытых слоях сети заведомо избыточно. Алгоритмы сокращения можно рассматривать как частный случай алгоритмов контрастирования. Существуют два подхода к реализации алгоритмов сокращения метод штрафных функций и метод проекций. Для реализации первого в целевую функцию алгоритма обучения вводится штрафы за то, что значения синаптических весов отличны от нуля; пример штрафа
|
Пример применения нейронных сетей в задачах прогнозирования и проблемы идентификации моделей прогнозирования на нейронных сетях |
