14.3 Згладжування даних

Позитивний ефект спостерігається при використанні додаткової нейромережі, що функціонує в режимі згладжування вхідних даних навчальної множини. В режимі навчання додаткової мережі кожна реалізація навчальної множини набуває вигляду: вектор вхідних значень→ вектор вхідних значень (рис.14.2).

Рисунок 14.2 – Приклад застосування нейромережі для згладжування даних

В режимі функціонування на входи подаються вхідні значення навчальної множини, на виході отримуємо згладжені значення, без наявних викидів, які в подальшому можна використовувати для опрацювання. Можна дати наступне пояснення ефекту згладжування даних. Залежність вихідних значень нейромережі від вхідних може бути представлена сумарним степеневим поліномом, так як передавальні функції нейронів прихованого шару - поліноміальні. При незначному числі нейронів прихованого шару і невисоких степенях поліномів сумарний поліном буде невисокого степеня, що не дає можливості відтворювати викиди, тобто приводить до згладжуваного відтворення.

Питання про те, скільки прикладів потрібно мати для навчання мережі, часто виявляється непростим. Відомо ряд правил, що погоджують число необхідних прикладів з розмірами мережі (найпростіше з них говорить, що число прикладів повинне бути в десять разів більше числа зв’язків у мережі). Насправді це число залежить також від складності того відображення, що нейронна мережа прагне відтворити. З ростом кількості параметрів кількість необхідних прикладів росте нелінійно, так що вже при досить невеликому числі параметрів може знадобитися величезне число прикладів.

Для більшості реальних задач буває досить декількох сотень чи тисяч прикладів. Для особливо складних задач може знадобитися ще більша кількість, однак дуже рідко може зустрітися задача, де вистачило б менш сотні прикладів. Якщо даних менше, то інформації для навчання мережі недостатньо.

14.4 Задачі прогнозування

Особливе значення мають задачі передбачення та прогнозування часових рядів, серед яких виділяються завдання з набором певних специфічних ознак. Тому варто провести їх класифікацію. Задачі дослідження явищ, розвиток яких пов’язаний із часом, можна поділити на декілька класів.

За характером основних ознак об’єкту:

- прогнозування явищ, реалізації яких представлені у вигляді детермінованих часових рядів. Такі задачі, зокрема, можна вирішити шляхом застосування методів математичного аналізу;

- прогнозування явищ, реалізації яких представлені у вигляді індетермінованих часових рядів. Вирішення цих задач традиційно здійснюється шляхом застосування методів теорії ймовірностей та математичної статистики. Зокрема, реалізації таких явищ, можуть мати вигляд:

• стаціонарного часового ряду, який характеризується однорідністю в часі, без суттєвих змін характеру коливань та їх середньої амплітуди. Вибір проміжку для формування навчальної множини довільний. Приклад такого ряду показаний на рис.14.3, де наведений графік сумарного річного стоку Дніпра за період з 1810 до 1964 року;

• нестаціонарного часового ряду, який характеризується певною тенденцією розвитку в часі. При дослідженні нестаціонарних процесів можна виділити ділянки, на яких процес можна вважати стаціонарним. Вибір проміжку для формування навчальної множини в такому випадку обирається згідно задачі прогнозування.

Рисунок 14.3 – Розподіл річного стоку Дніпра в часі

На рис.14.4 наведені щоденні нормовані дані мікросейсмічних коливань Землі за певний період часу.

Рисунок 14.4 – Розподіл мікросейсмічних коливань Землі в часі