201 / 320
199
информации для обучения, и лучшее, что можно в этом случае сделать, это
попробовать подогнать к данным некоторую простую линейную модель.
Большинство решаемых нашей научной группой прогностических
задач оказалось возможным довести до конечного результата благодаря
использованию рекуррентной ИНС с обратным распространением ошибки
и включенной петлей обратной связи, исходящей из скрытого слоя
(см. рисунок 7.2). Это т.н. ИНС Элмана.
Рисунок 7.2 – Архитектура рекуррентной ИНС Элмана
При
этом
объективная
оценка
качества
прогнозирования/восстановления делается на основе вычисления
величины эффективности прогнозирования:
2
1
2
1
1
100%,
1, 2,...
N
N
T O
PE
N
T T
,
где
T
– целевое
(реально
зарегистрированное)
значение
для сопоставления с выходом для
-го примера во входной
последовательности,
O
– значение
-го выхода ИНС для
-го примера
входной последовательности,
T
– среднее по всем целевым значениям
выхода ИНС,
N
– число точек целевого процесса. Таким образом, под
эффективностью прогнозирования понимается единица, уменьшенная на
величину средней относительной вариации, которая в свою очередь
является отношением среднеквадратичной ошибки к дисперсии целевого
процесса.
В качестве критерия качества обучения ИНС выбрана
среднеквадратичная ошибка (MSE), вычисляемая между целевым и
полученным сетью рядом значений МНЧ по формуле: