Ноябрь 20th, 2014
Анализируя коэффициенты при переменных, обозначающих внутренние и внешние факторы, можно делать выводы об их влияние на итоговую характеристику. Но такие оценки, вследствие перечисленных явлений, будут смещенными. Одним из путей преодоления такой проблемы является выполнение процедур препроцес-синг данных. Более эффективным процесс идентификации будет при условии изъятия незначащих факторов и уменьшения шумовых эффектов.
Для решения задачи идентификации функции оценки уровня пожарной безопасности жилых объектов рационально использовать модели, являющиеся прямосвязными нейронными сетями. Такой вывод основывается на следующих предпосылках:
1. Мощность базы данных о пожарах является довольно значительной как по количеству кортежей, так и по количеству полей.
2. База данных испытывает постоянное пополнение.
3. Информация, содержащаяся в базе данных, является разнотипной.
4. Большинство факторов (полей базы данных) являются линейно зависимыми один от другого. Любите чайный гриб — Где можно купить чайный гриб можете узнать тут.
5. Наличие «шумового» эффекта искажает действительные значения факторов, он объясняется субъективными характером процесса осуществления измерений и приводит к смещенной оценке неизвестных параметров.
6. Существующая существенная нелинейность зависимости выходной характеристики от входных факторов.
Очевидно, что такие жесткие ограничения не позволят использовать традиционные методы идентификации. Известно, что нейронные сети не требуют выполнения каких-либо ограничений на исходящую информацию и допускают выполнение определенных преобразований, которые оптимизируют точность идентификации. К таким преобразованиям относятся увеличение информативности исходных данных, нормализация и стандартизация, определения оптимального состава входных факторов и т.п.
Для оптимизации нейросетевой модели традиционно (59) применяют методы, базирующиеся на использовании градиентного подхода. К таким методам относятся: классический алгоритм обратного распространения ошибки (87), метод сопряженных градиентов (96), алгоритм Левенберга-Марк-вардта (43) и другие.
