NEU-2002

Существуют различные модели прогнозирования явлений и процессов. Они основываются на том, что математическая модель каждого конкретного явления или процесса зависит только от начальных информационных данных [1] и не меняется в процессе прогнозирования. Однако прогнозирование представляет собой некоторый принципиальный информационный процесс, в течение которого происходит изменение информации, а математическая модель не корректируется (не доучивается). Такой подход к прогнозированию можно отразить условной формулой (1) в отличие от формулы (2), в которой свойства модели зависят от изменения информации в процессе прогнозирования

П(М(x),И),          (1)

П(М(x,И),И),       (2)

где x – параметры фазового пространства, М – модель, И – информация, П – прогнозирование.

Способность модели доучиваться в процессе (2) выражает одно из важнейших свойств интеллектуальной системы (2) в отличие от (1), лишенной этих качеств. Подход (1) соответственно не учитывает и прошлого системы, которое могло быть использовано для контрольного тестирования.

Одним из эффективных путей реализации интеллектуального процесса прогнозирования (2) является метод пошагового нейросетевого прогнозирования с доучиванием нейросетевой модели на каждом шаге [2]. Особенности данного способа:

• модель на каждом шаге изменяется с учетом получаемой достаточно достоверной информации; модель быстро доучивается, используя предыдущую карту синапсов;
• модель гарантированно учитывает прошлое (на основе обучающей выборки и тестирования результатов) и содержащиеся в нем закономерности развития (в неявном виде), обходясь без формализованной математической формулировки (т.е. область ее применения шире, чем позволяет формализация); учитывается многомерность, многопараметричность и нелинейность процесса);
• выбираемый малый шаг прогноза обеспечивает достаточную точность прогнозирования на шаге, в связи с этим накопление погрешности (потеря точности) происходит медленно, что позволяет продвинуться по шагам на большую глубину прогноза. При сгущении шагов результаты могут быть улучшены.

Опыт применения нами данного пошагового нейросетевого прогнозирования на примерах одномерных и двумерных задач из области механики и математики [3] показывает его эффективность и возможность весьма глубокого прогнозирования. Таким образом, предложенный метод нейросетевого пошагового прогнозирования является универсальным и весьма эффективным и практичным, позволяющим достаточно далеко отодвинуть «горизонт» прогноза. Представляется целесообразным использование данных нейросетевых моделей в сочетании с традиционными математическими.

1. Малинецкий Г.Г., Курдюмов С.П. «Нелинейная динамика и проблемы прогноза». Вестник Российской Академии наук, 2001 г., том 71, №3, с.210-232.

2. Абовский Н.П., Максимова О.М. «Нейросетевой метод практического прогнозирования и его приложения». Сборник научных трудов IV Всероссийской научно-техн. конф. «Нейроинформатика-2002», Москва 2002 г., 9с

3. Абовский Н.П., Максимова О.М., Светашков П.А. «Нейросетевые технологии оптимизации, прогнозирования и управления конструкциями и системами». Материалы междунар. Научно-практ. конф. САКС-2001 (1-4 декабря 2001г., г. Красноярск), с. 331-333.