Page 87 - 4268

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