2018 №1 - перейти к содержанию номера...

Постоянный адрес этой страницы - https://esj.today/56itvn118.html

Полный текст статьи в формате PDF


Ссылка для цитирования этой статьи:

Горбатков С.А., Фархиева С.А. Метод агрегирования переменных нейросетевой модели в обратных задачах восстановления зависимости в условиях высокой размерности пространства признаков и зашумленности данных // Вестник Евразийской науки, 2018 №1, https://esj.today/PDF/56ITVN118.pdf (доступ свободный). Загл. с экрана. Яз. рус., англ.


Метод агрегирования переменных нейросетевой модели в обратных задачах восстановления зависимости в условиях высокой размерности пространства признаков и зашумленности данных

Горбатков Станислав Анатольевич
ФГОБУ ВО «Финансовый университет при Правительстве Российской Федерации»
Филиал в г. Уфа, Россия
Профессор кафедры «Математика и информатика»
Доктор технических наук
E-mail: sgorbatkov@mail.ru
РИНЦ: http://elibrary.ru/author_profile.asp?id=158740
SCOPUS: http://www.scopus.com/authid/detail.url?authorId=8646868800

Фархиева Светлана Анатольевна
ФГОБУ ВО «Финансовый университет при Правительстве Российской Федерации»
Филиал в г. Уфа, Россия
Заведующий кафедрой «Математика и информатика»
Кандидат технических наук
E-mail: ok-xi@yandex.ru
РИНЦ: http://elibrary.ru/author_profile.asp?id=567037

Горбаткова Елена Юрьевна
ФГОБУ ВО «Башкирский государственный педагогический университет им. М. Акмуллы», Уфа, Россия
Доцент кафедры «Охрана здоровья и безопасности жизнедеятельности»
Кандидат педагогических наук
E-mail: gorbatkovaeu@mail.ru
РИНЦ: http://elibrary.ru/author_profile.asp?id=300637

Аннотация. Статья посвящена совершенствованию интеллектуальных информационных технологий (нейросетей) и носит методологический характер. В предшествующих статьях авторов были сделаны первые шаги в исследовании эмерджентных эффектов, порождаемых комплексированием нейросетевых технологий и агрегированием экзогенных переменных на базе обобщенных функций желательности Харрингтона. Первые шаги исследований оказались успешными и были подтверждены вычислительными экспериментами и сравнением с классической (базовой) эконометрической моделью. Однако не был получен ответ на основной вопрос комплексирования указанных выше методов, предложенный авторами: сработает ли эта идея при ужесточении условий моделирования, характерных для некоторых классов прикладных задач? Речь идет о сильном зашумлении в данных (вплоть до их сознательного искажения), отягощённых отсутствием априорных сведений о виде закона распределения шумов, неполнотой данных, неопределенностью, большой размерностью пространства признаков (до нескольких сот экзогенных переменных и нескольких десятков эндогенных переменных). В данной статье получены четкие ответы на указанные выше вопросы и дополнительно исследованы вопросы об адекватности получаемой нейросетевой модели. Специфической особенностью рассмотренного класса нейросетевых моделей является то, что и эндогенные, и экзогенные переменные являются случайными величинами. Подробно исследованы вопросы регуляризации предложенного метода и его апробации на реальных данных обработки опросных анкет для экзогенных переменных и изменений с помощью сертифицированных измерительных средств для эндогенных переменных. Предложена концепция и оригинальный реализующий ее метод иерархического трехуровневого каскадного агрегирования эндогенных и экзогенных переменных нейросетевой модели, которые повышают прогностическую силу модели в очень сложных условиях моделирования. Концепция и реализующий ее метод апробированы на реальных данных из области профилактической медицины.

Ключевые слова: нейросетевая модель; агрегирование; экзогенные переменные; эндогенные переменные; обобщенная функция желательности Харрингтона; регуляризация; обратные задачи; восстановление зависимостей

Скачать

Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.

ISSN 2588-0101 (Online)

?>