Опыт показывает, что для правильного моделирования

типичной функции сеть RBF, с ее более эксцентричной поверхно-

стью отклика, требует несколько большего числа элементов. Следо-

вательно, модель, основанная на RBF, будет работать медленнее и

потребует больше памяти, чем соответствующий MLP (однако она

гораздо быстрее обучается, а в некоторых случаях это важнее).

С «групповым» подходом связано и неумение сетей RBF экстра-

полировать свои выводы за область известных данных. При удале-

нии от обучающего множества значение функции отклика быстро

спадает до нуля. Напротив, сеть MLP выдает более определенные

решения при обработке сильно отклоняющихся данных, однако, в

целом, склонность MLP к некритическому экстраполированию ре-

зультата считается его слабостью. Сети RBF более чувствительны к

«проклятию размерности» и испытывают значительные трудности,

когда число входов велико.

Для оценки точности и адекватности результатов прогнозирова-

ния, а также структуры нейронной сети использовались следующие

статистические показатели:

1. Data Mean. – среднее значение целевой выходной переменной;

2. Data S.D. – среднеквадратическое отклонение целевой выход-

ной переменной;

3. Error Mean – средняя ошибка выходной переменной (остаток

между целевой и реальной переменной);

4. Abs. E. Mean – средняя абсолютная ошибка (разница между

целевой и реальной выходной переменной);

5. Error S.D. – стандартное отклонение ошибки выходной пере-

менной;

6. S.D. Ratio – среднеквадратическое отклонение ошибок выход-

ной переменной;

7. Correlation – коэффициент корреляции Спирмена, вычислен-

ный между целевым вектором и реальным выходным вектором.

Исследования проводились в пакете STATISTICA Neural Networks

4.0. Используются данные биржи «ММВБ» в период с

29.05.1997 по 24.06.2003.

На рисунке 4.44 показана динамика курса акций российской

компании ОАО «РАО ЕЭС».

---

       

  

---

Сравнительный анализ нейронных сетей 2