ПОСТРОЕНИЕ НЕЙРОННОЙ СЕТИ

При построении модели ИНС прежде всего необходимо точ­но определить задачи, которые будут решаться с ее помощью. В настоящее время нейросетевые технологии успешно применяют­ся для прогнозирования, распознавания и обобщения.

Первым этапом построения нейросетевой модели является тщательный отбор входных данных, влияющих на ожидаемый ре­зультат. Из исходной информации необходимо исключить все сведения, не относящиеся к исследуемой проблеме. В то же вре­мя следует располагать достаточным количеством примеров для обучения ИНС. Существует эмпирическое правило, которое ус­танавливает рекомендуемое соотношение между количеством обучающих примеров, содержащих входные данные и правиль­ные ответы, и числом соединений в нейронной сети: .

Для факторов, которые включаются в обучающую выборку, целесообразно предварительно оценить их значимость, проведя корреляционный и регрессионный анализ, и проанализировать диапазоны их возможных изменений.

На втором этапе осуществляется преобразование исходных данных с учетом характера и типа проблемы, отображаемой ней­росетевой моделью, и выбираются способы представления ин­формации. Эффективность нейросетевой модели повышается, если диапазоны изменения входных и выходных величин приве­дены к некоторому стандарту, например [0,1] или [-1,1].

Третий этап заключается в конструировании ИНС, т.е. в проектировании ее архитектуры (число слоев и число нейронов в каждом слое). Структура ИНС формируется до начала обуче­ния, поэтому успешное решение этой проблемы во многом определяется опытом и искусством аналитика, проводящего ис­следования.

Четвертый этап связан с обучением сети, которое может проводиться на основе конструктивного или деструктивного подхода. В соответствии с первым подходом обучение ИНС на­чинается на сети небольшого размера, который постепенно уве­личивается до достижения требуемой точности по результатам тестирования. Деструктивный подход базируется на принципе «прореживания дерева», в соответствии с которым из сети с заве­домо избыточным объемом постепенно удаляют «лишние» ней­роны и примыкающие к ним связи. Этот подход дает возмож­ность исследовать влияние удаленных связей на точность сети. Процесс обучения нейронной сети представляет собой уточне­ние значений весовых коэффициентов для отдельных узлов на основе постепенного увеличения объема входной и выходной информации. Началу обучения должна предшествовать про­цедура выбора функции активации нейронов, учитывающая ха­рактер решаемой задачи. В частности, в трехслойных перцептро-нах на нейронах скрытого слоя применяется в большинстве слу­чаев логистическая функция, а тип передаточной функции ней­ронов выходного слоя определяется на основе анализа результа­тов вычислительных экспериментов на сети. Индикатором обу­чаемости ИНС может служить гистограмма значений межней­ронных связей [13].

На пятом этапе проводится тестирование полученной модели ИНС на независимой выборке примеров.