• 35. Прогнозирование на основе нс в многослойном персептроне. Примеры решаемых задач. Алгоритм подготовки исходных данных для обучения и применения. Пример фрагмента исходных данных.

Прогнозирование – определение неизвестного значения (значений) по известной зависимости (тренду). Например, погода, финансовые рынки, пульс человека.

Алгоритм подготовки: сбор информации, обработка, формирование обучающих пар, тестирование.

Прогнозирование => есть зависимость. Допустим, берем 10 точек, пускаем на обучение, а 11 – эталон. Это 1ая обучающая пара.

Далее сдвигаемся на 1 по числовой оси: 2-11, 12 – эталон. Это когда шаг равномерный.

Когда шаг неравномерный, то информацию о шаге нужно задавать, либо найти среднее значение.

Тренд – некая зависимость.

1ая обучающая пара – тренд на интервале соизмеримом с периодом.

Э талон – первое значение после интервала. При переходе ко второй обучающей паре происходит смещение на одну позицию по тренду.

Пример прогнозирования t воздуха на следующий час на основе t за последние 10 часов.

Сбор данных: данные о t воздуха за сутки (24 часа) с шагом 1 час. Данные: 15.2,14.8,14.5,14.3,14.1,13.9,13.7,13.6,13.5,13.7,14.0,… 5.0

Формирование обучающих пар:

• Тренд: t за последние 10 часов.

• Эталон: t на следующий час.

Например:

Первая обучающая пара: Вход: [15.2,14.8,14.5,14.3,14.1,13.9,13.7,13.6,13.5,13.7], Эталон: 14.0

Вторая обучающая пара: Вход: [14.8,14.5,14.3,14.1,13.9,13.7,13.6,13.5,13.7,14.0], Эталон: 14.2

Уменьшение интервала повышает степень ошибки, а увеличение шага, практически не влияет на повышение степени ошибки.

• 36. Способность к обобщению у НС (многослойного персептрона) при распознавании графических образов. Когда необходима способность к обобщению для НС? Требования к формированию исходных данных для обучения с формированием способности к обобщению.

Способность к обобщению - способность модель работать не только на тех данных, которые были известны, но и на новых.

Способность к обобщению необходима, если нейронная сеть должна получать новые знания, то есть корректно работать с новыми входными данными, которые не присутствовали в обучающей выборке. (Могут появится промежуточные данные или либо есть закономерность)

Формирование исходных данных с обобщением и без:

1.Полный набор данных

2.Часть на обучение (подстройку вес. коэфф-в) и на тестирование

3.Расширенный (набор который давали + новые примеры)

Середина рисунка - вход и выход.

Пример обобщения на числовых данных: если обучить НС сложению, сказать, что есть закономерность, задав пары входов и выходов (например, 1 + 1 = 2, 2 + 2 = 4), она должна обучиться и обобщить закономерность, правильно предсказав результат для новых данных, которых не было в обучающих парах (например, 2 + 3 = 5). – это правый набор данных. А при отсутствии закономерности НС необходимо обучать на всём наборе данных.

Формируем полный набор данных, убираем из него одно, получаем усеченный, проверяем функ зависимость обоих наборо в данных

Когда идет речь про графические образы, то тут нет четкой закономерности (не везде!), следовательно не обобщит и на расширенном даст неверный ответ. Пример когда есть: определение расы людей,

Движение образа: если в обучении задать движение образа и пропустить одно-два значения, НС с хорошей способностью к обобщению должна восстановить пропущенные траектории.

Исходные данные: достаточное количество пар, преобразование образа, нормализация