Строка 5. Построенная сеть обучается методом обратного распространения ошибки (Back Propagation)с помощью встроенной функции `train'. Как известно, принцип обратного распространения реализован с помощью нескольких конкретных методов. В примере функция `train' использует по умолчанию один из наиболее быстрых методов, метод Левенберга-Марквардта. Во время выполнения функции `train' Matlab наглядно демонстрирует процесс и результаты обучения с помощью следующего диалогового окна (Рис.4.1):

Рис. 4.1. Главное окно, отображающее ход обучения и результаты обучения нейронной сети

Результатом данной функции является обученная сеть, т.е. сеть, в которой веса связей настроены для наилучшего соответствия обучающего множества. Наиболее важным показателем является точность обучения, оцениваемая с помощью MSE-критерия.

Строка 6. Формируется вектор p1, который на следующем шаге будет подаваться на вход сети.

Строка 7. Функция 'sim' позволяет получить с помощью нейронной сети ее выход при заданном входном векторе.

Функция TimeSeries2TrainingSet

function [inputs outputs] = TimeSeries2TrainingSet(timeSeries, winWidth, exampleCount)

% превращает временной ряд с заданной шириной окна winWidth

% в обучающее множество для нейронной сети, состоящее из exampleCount элементов

in=[]

out=[]

for n = 1:exampleCount

slice=timeSeries(n:n+winWidth-1)

in=[in slice']

out=[out; timeSeries(1,n+winWidth)]

end

inputs=in

outputs=out'

end

Эта функция преобразовывает временной ряд в обучающее множество нейронной сети, используя принцип «скользящего окна». Ее входом является вектор `timeSeries', а выходом - обучающее множество (матрица inputs и вектор outputs).

Заключение

В результате выполнения данной работы удалось получить ряд результатов, в конечном счете позволяющих осуществлять прогнозирование временных рядов.

В первой части работы были рассмотрены основные положения теории прогнозирования. Основной результат - классификация методов прогнозирования и постановка задачи прогнозирования временных рядов. Критерий оценки качества - MSE-критерий.

Во второй части работы рассмотрены основные подходы ИИ, в частности ИНС и ГА. В рамках данной работы в основном используются многослойные сети прямого распространения. Обучение таких сетей предполагается осуществлять с помощью генетического алгоритма с вещественным кодированием.

Рассмотрен классический генетический алгоритм и его модификация (РГА), которая в большей степени подходит для достижения цели работы.

Разработана методика решения задачи прогнозирования временных сетей с помощью сочетания ГА+ИНС, в котором ГА с вещественным кодированием параметров используется как метод обучения многослойной ИНС.

Для практической реализации этой методики спроектированы реализованы программные модули, соответствующие применяемым в рамках работы методам, а также клиентское приложение, позволяющее осуществлять эксперименты с помощью предлагаемой методики.

Для верификации результатов работы разработаны сценарии на языке MATLAB, позволяющие осуществлять сходные эксперименты с помощью встроенных в MATLAB средств.

В ближайшей перспективе следовало бы провести достаточно представительное множество экспериментов, которые позволили бы осуществить более полно тестирование представленного программного обеспечения. Еще важнее, что в результате таких экспериментов можно было бы выявить закономерности в поведении создаваемых моделей в зависимости от входных параметров.

Список использованных источников

прогнозирование интеллект нейронный гибридный

Размещено на Allbest.ru