сложности или на основе прямых вычислений с использованием специально отобранной на шаге 2 группы данных (тестовой выборки). При недостаточном качестве обобщения необходимо вернуться к шагу 6.1. Здесь можно попытаться уменьшить число нейронов в скрытых слоях ИНС и применить алгоритмы удаления наименее незначимых связей, а также принципиально изменить архитектуру ИНС или выбрать другой алгоритм ее обучения. При получении на шаге 6.3 неприемлемо большой ошибки обучения (более 10 %) диагностируется недостаточная точность решения задачи Если заданная исследователем степень точности будет достигнута, то для получения адекватной математической модели в виде обученной ИНС с хорошими предсказательными способностями в области решения задачи также реализуются шаги 6.1—6.3. В том случае, если не удалось достигнуть заданной степени точности, следует рассмотреть возможность получения дополнительных данных, изменения количественного и/или качественного состава параметров математической модели. В результате произойдет изменение и/или дополнение базы данных наблюдений и, соответственно, обучающей и тестовой выборок. Таким образом, будут повторно реализованы шаги 1—5. 3.5.Создание и обучение нейронной сети решения задачи прогнозирования аварийных ситуаций зданий и сооружений. Входными данными для алгоритма прогнозирования являются данные с приборов информационно-измерительной системы, которые представляют собой п дискретных отсчетов {у(Ц),у(£2)' •••,y(tn)} в последовательные моменты времени tv t2, — , £пТогда для решения задачи прогнозирования необходимо указать значения y(Cn + 1) в момент времени tn + 1. Целью прогнозирования является уменьшение риска при принятии решений. 120 |
На шаге 6.3 происходит изучение ошибки обобщения Епр_ построенной и обученной ИНС, исходя из априорных теоретических соображений о ее сложности или на основе прямых вычислений с использованием специально отобранной на шаге 2 группы данных (тестовой выборки). При недостаточном качестве обобщения необходимо вернуться к шагу 6.1. Здесь можно попытаться уменьшить число нейронов в скрытых слоях ИНС и применить алгоритмы удаления наименее незначимых связей, а также принципиально изменить архитектуру ИНС или выбрать другой алгоритм ее обучения. При получении на шаге 6.3 неприемлемо большой ошибки обучения (более 10 %) диагностируется недостаточная точность решения задачи Если заданная исследователем степень точности будет достигнута, то для получения адекватной математической модели в виде обученной ИНС с хорошими предсказательными способностями в области решения задачи также реализуются шаги 6.1—6.3. В том случае, если не удалось достигнуть заданной степени точности, следует рассмотреть возможность получения дополнительных данных, изменения количественного и/или качественного состава параметров математической модели. В результате произойдет изменение и/или дополнение базы данных наблюдений и, соответственно, обучающей и тестовой выборок. Таким образом, будут повторно реализованы шаги 1—7. 3.2. СИНТЕЗ СТРУКТУРЫ НЕЙРОННОЙ СЕТИ ДЛЯ РЕШЕНИЯ ЗАДАЧИ ОПРЕДЕЛЕНИЯ КОНЦЕНТРАЦИИ ВРЕДНЫХ ВЕЩЕСТВ В ВОЗДУШНОЙ СРЕДЕ Нейронная сеть представляет собой совокупность взаимосвязанных простых элементов нейронов, и способна выдавать на входное возмущение определенный информационный отклик. Основой любой нейронныой сети является искусственный нейрон (формальный нейрон (ФН)). ФН [86] 67 |