Показатель чувствительности нейронной сети к входным данным

Abstract

В статье исследуется проблема потери информативности входных данных на этапе синтеза искусственной нейронной сети при решении задач прогнозирования временных рядов. Предложен подход к решению данной проблемы, основанный на повышении чувствительности нейронной сети к входным данным путем анализа их статистических характеристик. Предложено решение актуальной задачи разработки показателя, определяющего степень чувствительности нейронной сети к значениям входных данных. Благодаря разработке такого показателя стало возможным определить виды входных данных, наиболее эффективно обрабатываемые нейронной сетью. Эффективность предложенного показателя обоснована и подтверждена теоретическими выкладками и проиллюстрирована наглядно на рисунках. Обозначены перспективы дальнейшего развития данного направления исследований.

У статті досліджена проблема втрати інформативності вхідних даних на етапі синтезу штучної нейронної мережі у вирішенні задач прогнозування часових рядів. Запропоновано підхід до вирішення даної проблеми, заснований на підвищенні чутливості нейронної мережі до вхідних даних шляхом аналізу їх статистичних характеристик. Запропоновано вирішення актуальної задачі розробки показника, що визначає ступінь чутливості нейронної мережі до значень вхідних даних. Завдяки розробці такого показника стало можливо визначити види вхідних даних, що найбільш ефективно обробляються нейронною мережею. Ефективність запропонованого показника обґрунтована і підтверджена теоретичними викладками та проілюстрована наглядно на рисунках. Визначені перспективи подальшого розвитку даного напрямку досліджень.

The article is devoted to investigation of the problem of informativity dump input data at the stage of artificial neural network synthesis for solution of the task of time series prediction. The new approach to solve this task is offered which is based on neural network sensitivity to input data by analysis of their static characteristics. The new approach to solve actual task of development index which is defined the degree of sensitivity neural network to values of input data. It becomes possible to indicate the sort of input data owing to development such index which is processed the most effective by neural network. The efficiency of the offered index is justified and proved by theoretical calculations and illustrated obviously in the pictures. Perspective of further development of this direction research is indicated.