Page 87 - 4268
P. 87

Багатокрокове               прогнозування              з       перенавчанням
                  нейромережі на кожному кроці прогнозу
                        Швидкі  неітераційні  алгоритми  навчання  дозволяють
                  запропонувати  новий  тип  багатокрокового  прогнозу,  який  може
                  бути       застосований          при       довготермінових            прогнозах          із
                  збереженням задовільної точності прогнозування.
                        Аналогічно  з  попереднім  алгоритмом  прогнозування  на
                  входи  мережі  у  режимі  функціонування  надходить  остання
                  реалізація  навчальної  множини  x(t ),  x(t ),  x(t ).  Прогнозоване
                                                                                     n
                                                                   n-2
                                                                            n-1
                  значення  виходу  x*(t        n+1 )  відкладається  у  векторі  прогнозованих
                  вихідних значень і в якості достовірного додається до реальних
                  значень  навчальної  множини.  Навчальна  множина  збільшується
                  на одне часове вікно. Відбувається процес перенавчання мережі
                  на  збільшеній  навчальній  множині,  під  час  якого  визначаються
                  нові  вагові  коефіцієнти  k  синаптичних  зв'язків  і  поліномів
                  передатних функцій нейронів (рис. 41).














                  Рисунок 9.3 – Послідовність використання нейромережі для задач
                              багатокрокового прогнозування з перенавчанням
                        Реалізація  x(t ),  x(t ),  x*(t         n+1 ),  як  значення  наступного
                                            n-1
                                                      n
                  вхідного  вікна  подається  на  входи  мережі  в  режимі
                  функціонування. Мережа продукує нове вихідне значення x*(t                            n+2 ),
                  яке  відповідно  також  відкладається  у  вектор  продукованих
                  виходів і долучається до реальних значень навчальної множини, з
                  метою  подальшого  перенавчання  мережі  та  встановлення
                  поновлених  коефіцієнтів  поліномів  передатних  функцій  і
                  синаптичних  зв'язків.  Ітераційна  процедура  перенавчання
                  поширюється до прогнозованого значення x*(t ).
                                                                                  N
                        Такий підхід дозволяє при великих інтервалах випередження
                  усунути  затухання  прогностичних  властивостей  мережі  за
                  рахунок         постійного         коректування           вагових         коефіцієнтів
                  синаптичних зв'язків.
                        Відзначимо,  що  алгоритм  багатокрокового  прогнозування  з
                  перенавчанням  мережі  для  традиційних  мереж  прямого
                  поширення з ітераційним навчанням є практично нездійсненним
                  через  великі  часові  затримки,  необхідні  на  переналаштовування
                  коефіцієнтів мережі.



                                                               87
   82   83   84   85   86   87   88   89   90   91   92