Page 155 - 4703

побудови моделей спостережень в гравіметричній мережі) в 7-
ви-
мірному просторі для моделі гравіметричної мережі, яка опи-
сується 7 змінними у вигляді z=f(w1, w2, w3, w4, w5, w6, w7),
де:

z - залежна змінна, показник виходу випадкового проце-
су (величина грубої помилки). Груба помилка розподілена
випадково за рівномірним розподілом в інтервалі [(-4,-
9);(4,9)] і має випадковий знак;
w1, w2, w3, w4, w5, w6, w7 - неперервні незалежні змінні
(нев’язки полігонів).
. Необхідно ефективно розбити ці об'єкти на ряд груп та-
ким чином, щоби:
- усередині групи об'єкти були максимально схожі між
собою;
- групи максимально між собою розрізнялися.

Якщо таке розбиття буде здійснено, то, швидше за все,
зважаючи на однорідність усередині кожного кластера залеж-
ність z=f(w1, w2, w3, w4, w5, w6, w7) буде безперервною функ-
цією. І тоді, побудувавши для кожного з кластерів окрему
нейронну регресійну мережу, ми побудуємо модель випадко-
вого процесу.
Для навчання SOFM-мережі згенеровано масив з 1200
даних (відповідно 100 даних для кожної з 12 груп помилок).
Для незалежного тестування згенерованої нейронної мережі
сформовано контрольний масив з 120 даними. Для перевірки
ефективності розпізнавання згенерованої нейронної мережі на
нових даних сформовано масив з 240 даними.
Масиви даних (1200+120 зразків), які збережені в табли-
ці системи STATISTICA, мають вигляд на рис.6.14.

155