Спосіб дослідження параметрів моделей періодичних процесів у нейронних мережах

Спосіб дослідження параметрів моделей періодичних процесів у нейронних мережах, який по лягає в тому, що на вхід нейронної мережі надсилають послідовно чисельні значення аргументу і функції будь-якого процесу, після чого здійснюють навчання нейронної мережі і досліджують параметри отриманої моделі процесу, який відрізняється тим, що на вхід нейронної мережі окрім сигналу аргументу і функції досліджуваного процесу подають сигнал інтеграла функції, отримані при тестуванні нейронної мережі значення аргументу функції та інтегральної величини цієї функції направляють на вхід другої нейронної мережі. Корисна модель належить до галузі дослідження параметрів моделей періодичних процесів у нейронних мережах і може бути використана для аналізу і прогнозу різних показників моделей періодичних процесів. Найбільш близьким до способу, що заявляється, (прототипом) є спосіб дослідження параметрів моделей процесів у нейронних мережах, який полягає в тому, що на вхід нейронної мережі надсилають послідовно чисельні значення аргументу і функції будь-якого процесу, після чого здійснюють навчання нейронної мережі і досліджують параметри отриманої моделі процесу (див. Заенцев И. В. Нейронные сети: основные модели. Учебное пособие к курсу "Нейронные сети" для студентов 5 курса магистратуры Воронежского Государственного университета. 76 С. Сайт http://nncourse.chat.ru/course.pdf). Недоліком відомого способу є необхідність проведення великого обсягу додаткових обчислювальних операцій з метою ідентифікації значення аргументу для заданого значення функції y  f (x) y тих випадках, коли цьому значенню функції відповідає не одне, а декілька значень аргументу, що завжди має місце в періодичних процесах. На вхід нейронної мережі з N1 вхідних нейронів і NO вихідних нейронів надходить вектор вхідних сигналів x, виходом нейронної мережі є вектор вихідних сигналів у. Багатошаровий перцептрон розраховує вихідний вектор у для будь-якого вхідного вектора х, тобто дає значення деякої векторної функції y  f (x) . Отже, умова будь-якої задачі, яка ставиться перцептрону, повинна бути безліччю Рішенням задачі є безліч векторів {y1...ys } , (13)  xs   1 x s   ...  .  s   xN   I U векторів {x1...xs } з N1 компонентами кожен: умова задачі, а безліч y1...y s - формалізоване рішення. В той же час при такій схемі апроксимації даних нейронною мережею вибір та класифікація окремих векторів X  Y для x  X можлива лише шляхом послідовного перегляду безлічі векторів x1...xs і безлічі y1...y s , що збільшує час вирішення поставленої проблеми і тому є сутнім недоліком відомого способу. (11) UA тут безліч векторів x1...xs - формалізована (19) де s  1...S - номер пред'явленого образу. Дана нейронна мережа формує відображення X  Y для x  X . Це відображення можливо зафіксувати лише як відображення довільної кількості точок:  x1  y1     . . . ,  s   x  ys    64609 кожен вектор y s є NO компонентами; ys  f ( xs ) , 3 В основу корисної моделі поставлена задача удосконалення способу дослідження параметрів моделей періодичних процесів у нейронних мережах шляхом того, що на вхід нейронної мережі окрім сигналу аргументу і функції досліджуваного процесу подають сигнал інтеграла функції, що дозволить ідентифікувати значення аргументу для заданого значення функції y  f (x) в тих випадках, коли цьому значенню функції відповідає не одне, а кілька значень аргументу, що завжди має місце у періодичних процесах. Поставлена задача вирішується тим, що у способі дослідження параметрів моделей процесів у нейронних мережах, який полягає в тому, що на вхід нейронної мережі надсилають послідовно чисельні значення аргументу і функції будь-якого процесу, після чого здійснюють навчання нейронної мережі і досліджують параметри отриманої моделі процесу, згідно до корисної моделі на вхід нейронної мережі окрім сигналу аргументу і функції досліджуваного процесу подають сигнал інтеграла функції, отримані при тестуванні цієї нейронної мережі значення аргументу функції та інтегральної величини цієї функції направляють на вхід другої нейронної мережі, що дозволить визначити однозначну залежність між значеннями функції і аргументу цієї функції, і, тим самим, ідентифікувати значення аргументу для заданого значення функції у тих випадках, коли цьому значенню функції відповідає не одне, а кілька значень аргументу. Суть корисної моделі пояснюється ілюстративним матеріалом, де на фіг. 1 зображена періодична функція y  f (x) , на фіг. 2 - зображена однозначна залежність аргументу функції від її інтегральної величини. 64609 4 Аналіз графіка на фіг. 1 показує, що вибраному значенню функції на зображеній ділянці відповідають чотири значення аргументу, і для вибору одного з них, наприклад останнього, необхідна додаткова умова. В той же час, на графіку, наведеному на фіг. 2, кожному значенню інтегральної функції для досліджуваної залежності y  f (x) (див. фіг. 1) відповідає лише одне значення аргументу х, що дозволяє визначити необхідний вектор вхідних і вихідних сигналів без додаткових умов. Спосіб дослідження параметрів моделей процесів у нейронних мережах здійснюється наступним чином. На вхід нейронної мережі надсилають послідовно чисельні значення аргументу і функції будьякого процесу, а також інтеграла цієї функції, після чого здійснюють навчання нейронної мережі, а отримані при тестуванні нейронної мережі значення аргументу функції та інтегральної величини цієї функції направляють на вхід другої нейронної мережі, що дозволяє визначити однозначну залежність між значеннями функції і аргументами цієї функції і ідентифікувати значення аргументу для заданого значення функції в періодичних процесах. На відміну від відомого способу, кожному значенню інтегральної функції, одержаному для досліджуваної залежності, відповідає лише одне значення аргументу, що дозволяє визначати і дослідити необхідний вектор вхідних і вихідних сигналів без додаткових умов. Таким чином, запропонований спосіб, на відміну від прототипу, може бути використаний для аналізу і прогнозу різних показників моделей періодичних процесів. 5 64609 6 В описі до патенту на корисну модель графічні зображення та текст подаються в редакції заявника Комп’ютерна верстка Л. Купенко Підписне Тираж 23 прим. Державна служба інтелектуальної власності України, вул. Урицького, 45, м. Київ, МСП, 03680, Україна ДП “Український інститут промислової власності”, вул. Глазунова, 1, м. Київ – 42, 01601