Следующая задача— найти параметры (веса) модели. Это делается с помощью алгоритма оптимизации (обучения). Известно несколько таких алгоритмов, в частности, методы обратного распространения и замораживания . Этот этап может занять продолжительное время и потребует большой технической работы (установка начальных значений весов, выбор критерия остановки и др.), однако в конце его мы получим некоторую разумную совокупность весов. Нужно следить за тем, чтобы сеть не запоминала шумы, присутствующие во временных рядах (переобучение). Для этого на протяжении всего процесса оптимизации следует проверять, согласуется ли работа модели на обучающем множестве с соответствующими результатами на подтверждающем множестве. [c.63]
Было замечено, что результаты очень чувствительны к выбору начального приближения и потому могут не быть оптимальными. Для удобства мы брали все время одинаковое число эпох и одно и то же начальное приближение для весов. Значимые переменные были выделены по результатам исследования зависимостей по отдельным переменным, хотя более правильным в данном случае представлялся бы многомерный подход. [c.184]
Весьма эффективным и надежным методом прогнозирования является экспоненциальное сглаживание. Основные достоинства метода состоят в возможности учета весов исходной информации, в простоте вычислительных операций, в гибкости описания различных динамик процессов. Метод экспоненциального сглаживания дает возможность получить оценку параметров тренда, характеризующих не средний уровень процесса, а тенденцию, сложившуюся к моменту последнего наблюдения. Наибольшее применение метод нашел для реализации среднесрочных прогнозов. Для метода экспоненциального сглаживания основным и наиболее трудным моментом является выбор параметра сглаживания а, начальных условий и степени прогнозирующего полинома [6,64,72,151]. [c.15]
Весьма эффективным и надежным методом прогнозирования является экспоненциальное сглаживание. Основные достоинства метода состоят в возможности учета весов исходной информации, в простоте вычислительных операций, в гибкости описания различных динамик процессов. Метод экспоненциального сглаживания дает возможность получить оценку параметров тренда, характеризующих не средний уровень процесса, а тенденцию, сложившуюся к моменту последнего наблюдения. Наибольшее применение метод нашел для реализации среднесрочных прогнозов. Для метода экспоненциального сглаживания основным и наиболее трудным моментом является выбор параметра сглаживания а, начальных условий и степени прогнозирующего полинома. На рисунке 4.51 показана зависимость качества прогнозов от изменения параметра сглаживания а для адаптивной модели первого порядка, построенной для курса акций ОАО РАО ЕЭС . Из рисунка хорошо видно, как влияет на качество прогнозов изменение параметра сглаживания а. [c.183]
Основными критериями выбора объектов ФСА являются высокий удельный вес изделия в общем объеме выпуска продукции, низкая рентабельность (убыточность) изделия, перспективность его выпуска, низкий уровень технико-эксплуатационных характеристик изделия, необходимость расшивки узких мест, замены дефицитных материалов, исключения или уменьшения брака. Если продукция предприятия представлена сложными изделиями, то в качестве объекта анализа (особенно на начальной стадии освоения метода) могут выступать узлы и (или) детали. В этом случае выбор объекта осуществляется методом AB -анализа. Сущность метода состоит в том, что сборочные единицы, функциональные зоны, детали подразделяются на три группы А — дорогостоящие (примерно 75% стоимости всего изделия), В — средней стоимости (примерно 20%), С — дешевые (около 5%). Элементы группы А становятся объектом анализа. Им могут быть также узлы или детали с низкими эксплуатационными характеристиками (надежностью, долговечностью и т. д.). Рабочий план-график проведения ФСА выбранного объекта (объектов) определяет его содержание, сроки и исполнителей по этапам. В состав рабочей группы (РГ) включают конструкторов, технологов, экономистов, бухгалтеров, работников отделов снабжения и сбыта, мастеров. В зависимости от специфики решаемых задач, организационной и производственной структуры предприятия в состав РГ могут входить также работники других служб и подразделений предприятия. [c.122]
Классический подход к проблеме выбора начальных значений весов состоит в следующем случайным образом выбрать малые величины весов, чтобы быть уверенным, что ни один из сигмоидных элементов не насыщен (и значения всех производных очень малы). Например, если сигмоидный элемент имеет наибольшую производную в интервале [-3,3], подходящим выбором для начального веса будет [c.29]
Из-за случайности в выборе начальных значений синаптических весов, предсказания сетей, обученных на одной и той же выборке, будут, вообще говоря, разниться. Этот недостаток (элемент неопределенности) можно превратить в достоинство, организовав комитет нейро-экспертов, состоящий из различных нейросетей. Разброс в предсказаниях экспертов даст представление о степени уверенности этих предсказаний, что можно использовать для правильного выбора стратегии игры. [c.160]
Подобные правила рассчитаны на то, чтобы сеть начинала свою работу в линейном режиме и притом не на плоской части поверхности невязок. Однако нет гарантии, что такое начальное приближение приведет к глобальному минимуму или уменьшит время сходимости. Были разработаны другие методы, дающие еще более хорошее начальное приближение с точки зрения уменьшения времени обучения и обладающие большей устойчивостью в смысле локальных минимумов. Так, Дено и Ланжель разработали метод инициализации весов по прототипам, полученным из обучающего множества ]. Усовершенствованный классический метод выбора начальных значений использует данные анализа главных компонент, но для этого, безусловно, требуется меньше скрытых элементов, чем имеется входов [292]. При использовании обучающих алгоритмов типа ВР выбор начального приближения очень важен. Уже на этом шаге нужно позаботиться о том, чтобы не попасть в локальный минимум. [c.30]
Для ряда технологич. процессов, таких, как произ-во алюминия, магния, чистого никеля, рафинированной меди, а также для получения чистых и сверхчистых металлов применяется только электрич. энергия. В указанных произ-вах стоимость энергетич. части составляет более 50% стоимости осн. фондов пром. предприятий. В электрохимич. процессах уд. вес электроэнергии по отношению ко всей подведенной энергии очень высок и колеблется от 82,5% при электролизе солей до 85% при электролизе алюминия. Электролиз — наиболее энергоемкий процесс произ-ва на получение 1 т алюминия расходуется 17 —18тыс. квт-ч, на 1 m магния — 14—15 тыс. квт-ч. Электрич. устройства з-дов электролиза представляют технически сложные сооружения и требуют больших (начальных) капиталовложений. Поэтому при сооружении предприятий уделяется особое внимание выбору электрич. схем, мощности электрооборудования и другим технич. факторам (надежности, удобству эксплуатации). [c.458]