Составители:
Рубрика:
59
этот объект похож на предыдущий, то сеть относит его к тому же
классу; в противном случае – указывает метку другого кластера.
Одним из свойств сетей Кохонена является возможность сжатия
информации, поскольку в один нейрон"победитель могут входить
несколько объектов. Вследствие этого типичными задачами, решае"
мыми с помощью сетей Кохонена, являются разбиение совокупности
предприятий, фирм на ряд классов, формирование рейтингов банков
(в каждый кластер попадают несколько схожих банков), составле"
ние базы данных по продаже объектов недвижимости (квартиры раз"
ной площади, разные районы, типы домов определяют различные
ценовые кластеры).
Прогнозирование изменения показателей. Подобная задача ти"
пична для деятельности менеджера в ситуациях, когда нужно оце"
нить потребность в той или иной продукции в следующий временной
промежуток, сформировать требования к запасам комплектующих
деталей, выяснить характер изменения спроса на выпускаемую про"
дукцию. Нейросетевая технология при построении прогнозных оце"
нок здесь представляется вполне приемлемым подходом. Однако не
следует забывать о существовании традиционных статистических
методов прогноза и дополнять нейросетевой прогноз подходящей ста"
тистической моделью, например, класса ARIMA.
Как обычно, при разработке ИНС начнем с ее архитектуры.
Метод скользящих окон, используемый при нейросетевом прогно"
зе, однозначным образом определяет число нейронов в каждом
слое: входной слой содержит число нейронов, равное ширине пер"
вого окна; скрытый слой – количество нейронов в первом прибли"
жении, равное удвоенной ширине окна; в выходном слое находит"
ся только один нейрон, который определяет ширину второго окна.
Метод обучения сети (ОРО) требует наличия обучающей пары вход –
требуемый выход. Такая пара формируется из значений ряда, по"
павших в первое окно (вход сети), и единственное значение ряда,
взятое через некоторый заранее установленный сдвиг по времен"
ной оси (требуемый выход).
Система из двух окон, передвигаясь («скользя») вдоль времен"
ной оси, обучает нейронную сеть до тех пор, пока правое окно не
выйдет за пределы имеющегося временного ряда. При этом образу"
ется так называемая проекция временного ряда, полученная как
прогноз на наблюдаемом участке. На последнем, таким образом,
имеем две кривых: исходный временной ряд и его проекция как
результат нейросетевого прогноза. За пределами интервала наблю"
дения получаем только результат прогноза, выдаваемый обучен"
Страницы
- « первая
- ‹ предыдущая
- …
- 57
- 58
- 59
- 60
- 61
- …
- следующая ›
- последняя »
