Page 81 - 4524

винне бути в десять разів більше числа зв'язків у мережі). На-
справді це число залежить також від складності того відобра-
ження, що нейронна мережа прагне відтворити. З ростом кіль-
кості параметрів кількість необхідних прикладів росте нелі-
нійно, так що вже при досить невеликому числі параметрів
може знадобитися величезне число прикладів.
Для більшості реальних задач буває досить декількох со-
тень чи тисяч прикладів. Для особливо складних задач може
знадобитися ще більша кількість, однак дуже рідко може зу-
стрітися задача, де вистачило б менш сотні прикладів. Якщо
даних менше, то інформації для навчання мережі недостатньо.

6.2 Задачі прогнозування

Особливе значення мають задачі передбачення та про-
гнозування часових рядів, серед яких виділяються завдання з
набором певних специфічних ознак, тому варто провести їх
класифікацію. Задачі дослідження явищ, розвиток яких пов'я-
заний із часом, можна поділити на декілька класів:
За характером основних ознак об'єкту:
 прогнозування явищ, реалізації яких представлені у ви-
гляді детермінованих часових рядів. Такі задачі, зокрема, мо-
жна вирішити шляхом застосування методів математичного
аналізу;
 прогнозування явищ, реалізації яких представлені у ви-
гляді індетермінованих часових рядів. Вирішення цих задач
традиційно здійснюється шляхом застосування методів теорії
ймовірностей та математичної статистики. Зокрема, реалізації
таких явищ, можуть мати вигляд:
а) стаціонарного часового ряду, який характеризується
однорідністю в часі, без суттєвих змін характеру коливань та
їх середньої амплітуди; вибір проміжку для формування на-
вчальної множини довільний; як приклад такого ряду на рис.
6.2 наведений графік сумарного річного стоку Дніпра за пері-
од з 1810 до 1964 року;

80