Нейросетевая модель

Cтраница 2

Наиболее простым способом построения нейросетевой модели с несколькими выходами, с точки зрения практического применения, является использование независимой модели для каждого выхода. Поэтому для решения задачи оптимизации нейросетевая модель проектируется из двух нейросетей, которые используются в качестве аппроксиматора целевой функции QH. [16]

Для целей проектирования и реализации нейросетевых моделей, в том числе и решения задач прогнозирования, наибольшее распространение сегодня получили такие пакеты программ как: математическая система MATLAB ( версия 5.2 5.3 с инструментальным средством Networks Toolbox), STATISTICA Neural Networks, Brain Maker, OWL, представляющий собой библиотеку, содержащую большинство известных нейросетевых алгоритмов на языках С и C, а также AI Trilogy, состоящий из трех самостоятельных приложений: Neuro Shell II - средство создания, обучения и тестирования нейросетевых приложений, Neuro Windows - нейросетевая библиотека в исходных текстах, GeneHunter - система оптимизации нейросетей на основе генетических алгоритмов. [17]

После подготовки обучающей выборки определяются параметры нейросетевой модели. Ниже рассматриваются основные процедуры данного этапа. [18]

Следует отметить, что при обучении рекуррентных нейросетевых моделей на множестве, из которого удалена часть данных, могут возникнуть некоторые проблемы. Наличие обратных связей в модели является причиной возникновения переходного процесса при наличии резкого изменения уровня сигналов. Переходный процесс имеет некоторое время затухания, поэтому необходимо тщательно согласовывать данные, чтобы избежать проблем с построением нейросетевой модели. [19]

Структурная схема нейросетевой системы управления с инверсной моделью. [20]

В данном случае основным принципом синтеза нейросетевого регулятора является нахождение инверсной нейросетевой модели динамической системы. [21]

Следует заметить, что представленные во втором разделе уравнения регрессии и нейросетевые модели позволяют адекватно оценивать содержание оксидов азота и углерода в уходящих газах на тех компрессорных станциях, по которым была сформирована экспериментальная выборка, но предложенный подход к моделированию выбросов продуктов сгорания может быть использован и для других типов газоперекачивающих агрегатов. [22]

В этом отношении большой интерес представляет вариант построения ЭС на основе нейросетевых моделей. Принципы оперирования информацией в нейросетевых моделях отличаются от принципов традиционных вычислительных систем. Нейросетевые модели в силу своей специфики менее формальны по отношению к моделям машинного интеллекта. Предпочтительность использования методов нейроинтеллекта заключается также в том, что они не требуют применения языков искусственного интеллекта высокого уровня, а используют специальный набор аппаратнопрограммных средств параллельной обработки данных, вследствие чего значительно повышается быстродействие ЭС. [23]

В книге популярно изложении методы анализа данных, основынные на построении нейросетевых моделей. Рассматриваются различные типы нейронных сетей, алгоритмы их обучения и примеры решения конкретных задач с использованием пакета. [24]

Важнейшим свойством нейронных сетей является их способность к обучению, что делает нейросетевые модели незаменимыми при решении задач, для которых алгоритмизация является невозможной проблематичной или слишком трудоемкой. Обучение нейронной сети заключается в изменении внутренних параметров модели таким образом, чтобы на выходе ИНС генерировался вектор значений, совпадающий с результатами примеров обучающей выборки. [25]

Заметим, что несмотря на неплохие, в общем-то, результаты, подобные нейросетевые модели весьма компактны. В качестве входных переменных обычно используется от 6 до 10 финансовых индикаторов, являющихся отношением наиболее значимых статей балансов и отчетов о прибылях и убытках корпораций. Например, в последней из упомянутых выше работ первоначально использовались 10 финансовых индикаторов, отобранных аналитиками одного из крупных американских банков. [26]

Результаты тестирования ( рис. 3.6) показывают наличие небольшого перерегулирования, т.е. построенная инверсная нейросетевая модель системы не является идеальной. [27]

Отметим в этой связи, что для целей проектирования и использования как нейросетевых моделей, так и нечетких и гибридных крайне удобной является достаточно распространенная в нашей стране математическая система MATLAB ( версии 5.2 и 5.3), точнее два инструментальных средства этой системы: пакеты Neural Networks Toolbox ( нейронные сети) и Fuzzy Logic Toolbox ( пакет нечеткой логики), которые и будут ниже подробно рассмотрены. [28]

Изменения ошибки обучения ( е и оценки ошибки прогнозирования на тестовом множестве ( е в ходе процедуры оптимизации ней росс гевой структуры методом Левенберга - Маркардта. NI - номер итерации оптимизационной процедуры. [29]

В настоящем разделе рассматриваются аспекты практического применения методов безусловной оптимизации к обучению нейросетевых моделей. [30]

Страницы: 1 2 3 4