Cтраница 3
В известных методах построения аналитической зависимости между входной и выходными величинами эксперимент используется лишь для оценки коэффициентов, а решение остальных задач возлагается на самого исследователя. Метод группового учета аргументов позволяет на основании малой выборки экспериментальных данных объективно выбрать вид аппроксимирующей функции. При этом исходная экспериментальная выборка делится на обучающую и проверочную последовательности. [31]
Помимо задач классификации, нейросети широко используются для поиска зависимостей в данных и кластеризации. Например, нейросеть на базе методики МГУА ( метод группового учета аргументов) позволяет на основе обучающей выборки построить зависимость одного параметра от других в виде полинома. Такая сеть может не только мгновенно выучить таблицу умножения, но и найти сложные скрытые зависимости в данных ( например, финансовых), которые не обнаруживаются стандартными статистическими методами. [32]
Основное положение новой теории самоорганизации состоит в следующем: при постепенном повышении сложности математической модели некоторые критерии сначала снижаются, доходят до минимума, а затем начинают повышаться. Машина при помощи перебора способна находить минимум критерия. Для сокращения объема выбора вариантов при росте числа переменных разработаны алгоритмы метода группового учета аргументов ( МГУА), использующие принципы селекции. [33]