Составители:
Рубрика:
52
[+0,2...+0,8] или [–0,8... +0,8]. Формула, по которой можно прове"
сти масштабирование входных данных, имеет следующий вид:
*,
su
XScXOf1 2
max min max min min min
()/( ), *,Sc T T R R Of T Sc R1 221 2
где X
s
, X
u
– соответственно, отмасштабированные и исходные вход"
ные данные; T
min
= 0, T
max
= 1 – максимум и минимум целевой функ"
ции; R
max,
R
min
– максимум и минимум входных данных.
Отбор переменных. Эта процедура имеет цель – снизить размер"
ность вектора входных данных. Часто нейронная сеть с меньшим
числом входных переменных показывает большую эффективность в
работе, чем сеть с большим количеством входов. В случае, если опре"
делено приемлемое множество входов для решения конкретной зада"
чи, то такие входные переменные остаются постоянными.
Существует три подхода к отбору используемых входов.
Первое направление связано с использованием статистических ме"
тодов или методов нелинейной динамики для решения вопроса о часто"
те отсчетов (если, например, речь идет о временной зависимости).
Во втором способе для обученной сети может быть применен изве"
стный метод анализа чувствительности для определения важности
входов. Подобная процедура ранжирования входов и исключения
нижней части списка входов достаточно эффективна. Статистичес"
кие методы могут пропустить входы, которые важны только при вза"
имодействии с другими переменными, но анализ чувствительности
обнаруживает такие входы. В этом методе процесс целиком представ"
ляет собой последовательность таких шагов: отбор множества дан"
ных для входа, обучение сети до принятого уровня ошибки, проведе"
ние анализа чувствительности и исключение всех переменных, нахо"
дящихся ниже порогового уровня.
Альтернативой способу анализа чувствительности является оп"
ределение относительного воздействия данного входа на среднее зна"
чение всех входных переменных. Однако для такой оценки важности
входов данные должны быть пронормированы.
Вне зависимости от того, какой из способов снижения размернос"
ти входного вектора используется, цель отбора входных переменных,
укажем еще раз, заключается в их уменьшении. Это приводит к со"
кращению времени обучения сети и улучшению в ряде случаев харак"
теристик нейросетевой модели.
Обучающая и тестовая выборки. Напомним, что нейронные сети,
о которых идет речь в этом разделе, в первую очередь, предназначены
для решения непараметрических, плохо формализуемых задач. Не"
Страницы
- « первая
- ‹ предыдущая
- …
- 50
- 51
- 52
- 53
- 54
- …
- следующая ›
- последняя »
