|
|
|
|
|
Актуальность данной тематики продиктована поиском адекват- ных моделей нейронных сетей (НС), определяемые типом и струк- турой НС, для задач прогнозирования. В ходе исследования уста- новлено, что радиальные базисные сети (RBF) обладают рядом пре- имуществ перед сетями типа многослойных персептрон (MLP) [121, 123]. Во-первых, они моделируют произвольную нелинейную функ- цию с помощью одного промежуточного слоя. Тем самым отпадает вопрос о числе слоев. Во-вторых, параметры линейной комбинации в выходном слое можно полностью оптимизировать с помощью из- вестных методов моделирования, которые не испытывают трудно- стей с локальными минимумами, мешающими при обучении MLP. Поэтому сеть RBF обучается очень быстро (на порядок быстрее MLP) [85,107]. С другой стороны, до того как применять линейную оптимизацию в выходном слое сети RBF, необходимо определить число радиальных элементов, положение их центров и величины отклонений. Для устранения этой проблемы предлагается использовать автоматизированный конструктор сети, который выполняет за пользователя основные эксперименты с сетью Другие отличия работы RBF от MLP связаны с различным представлением пространства модели: «групповым» в RBF и «плоскостным» в MLP. |
Сравнительный анализ нейронных сетей |
