Информационная система "Конференции"

Вычислительные и информационные технологии в науке, технике и образовании

Усть-Каменогорск, Казахстан, 11-14 сентября 2003 года

Тезисы докладов

Архитектура и требования к возможностям программы-нейроимитатора для решения современных индустриальных задач

Царегородцев В.Г.

Институт вычислительного моделирования СО РАН (Красноярск)

Для решения сложных неформализованных задач прогнозирования и классификации широко применяются искусственные обучаемые нейронные сети. Рост объемов баз данных в технике, бизнесе, медицине, экологии и растущие требования к точности решения ставят новые требования перед программами-нейроимитаторами. Современные традиционные нейропакеты (Statistica Neural Networks и подобные) по прежнему ориентированы в основном на жесткий цикл "создание нейросети => обучение => выдача прогноза", что уже неадекватно.

Автор развивает собственные "ритуалы" нейромоделирования в виде итерационной схемы "анализ данных - оптимизация предобработки данных - исследование динамики показателей в ходе обучения нейросети - исследование статических свойств обученной сети - исследование свойств выдаваемого сетью решения". На каждом этапе (как анализа данных, так и моделирования) возникающие переменные и показатели анализируются с привлечением однотипных стандартных методов - визуализация, статистика, фрактальный анализ и т.д.

С учетом этого в авторском нейропакете NeuroPro возможна однотипная трактовка переменных из обрабатываемых таблиц данных и переменных (внутренние сигналы нейросети, выходные сигналы, невязки выходных сигналов), связанных с нейросетью и с иными реализованными методами моделирования (парные и множественные регрессии, ARIMA-модели и т.д.). Таким образом, построение каждой новой модели расширяет пространство переменных новыми переменными, которые затем можно использовать всеми реализованными в нейропакете способами.
Для доказательства полезности такой идеологии приведем следующие рабочие примеры:
1. Изучение скоррелированности ошибки предиктора с независимыми переменными при анализе адекватности построенной модели.
2. Изучение скоррелированности ошибки нейросети с внутренними сигналами сети для определения узких мест и адекватности наложенных на архитектуру сети ограничений.
Примеры возможного иерархического моделирования:
1. Построение нелинейных главных компонент для независимых переменных задачи нейросетью-автоассоциатором, далее решение задачи распознавания в пространстве этих нелинейных главных компонент новой нейросетью-классификатором.
2. Прогноз на несколько шагов вперед итерированием одношагового предиктора, далее построение модели для коррекции возникающей систематической ошибки такого долгосрочного прогноза.

Примечание. Тезисы докладов публикуются в авторской редакции

Ваши комментарии
Обратная связь

[Головная страница]
[Конференции]