А.А. Романов - аспирант, Московский авиационный институт (Национальный исследовательский университет); инженер 1 категории, «Концерн «Вега» (Москва). E-mail: alexromanoviv@ya.ru Б.Г. Татарский - д.т.н., профессор, Московский авиационный институт (Национальный исследовательский университет); директор научно-образовательного центра, «Концерн «Вега» (Москва)

Проведены исследование и моделирование существующих архитектур искусственных нейронных сетей (ИНС), применяемых при решении задач прогнозирования и аппроксимации. Показано, что поставленную задачу оперативно способны решать трехслойные ИНС с перекрестными связями, обучаемые по методу, основанному на алгоритме Левенберга-Марквардта. Установлено, что недостатком применения ИНС является большая погрешность при малом перекрытии РЛИ в виду возникающей неполноты обучающей выборки.

 

1. Верба В.С., Неронский Л.Б., Осипов И.Г., Турук В.Э. Радиолокационные системы землеобзора космического базирования. М.: Радиотехника. 2010. 675 с.
2. Школьный Л.А., Толстов Е.Ф., Детков А.Н., Карпов О.А., Яковлев А.М., Титов М.П., Филатов А.А., Тонких А.Н., Цветков О.Е., Архангельский А.С. Радиолокационные системы воздушной разведки, дешифрирование радиолокационных изображений: учебник для курсантов ВВИА имени профессора Н.Е. Жуковского. М.: Изд. ВВИА им. проф. Н.Е. Жуковского. 2008. 531 с.
3. Осовский С. Нейронные сети для обработки информации / Пер. с польск. И.Д. Рудинского. М.: Финансы и статистика. 2002. 344 с.
4. Солдатова О.П., Семенов В.В. Применение нейронный сетей для решения задач прогнозирования // Электронный многопредметный научный журнал «Исследовано в России». 2006. Т. 9. МФТИ. С. 1270-1276.
5. Юсупов А.Н. Нейросетевая аппроксимация условной функции частоты // Нейрокомпьютеры: разработка, применение. 2015. № 8. С. 93-98.
6. Хантимиров Р.И. Прогнозирование нагрузки в облачной вычислительной среде с использованием нейросетей Элмана, обучаемых системой искусственного иммунитета // Нейрокомпьютеры: разработка, применение. 2015. № 3. С. 59-64.
7. Галушкин А.И. Нейронные сети: основы теории. М.: Горячая линия - Телеком. 2010. 496 с.
8. Горбань А.Н. Обобщенная аппроксимационная теорема и вычислительные возможности нейронных сетей // Сибирский журнал вычислительной математики. 1998. № 1. Т. 1. С. 12-24.
9. Ферцев А.А. Ускорение обучения нейронной сети для распознавания изображений с помощью технологии NVIDIA CUDA // Вестн. Самарского гос. техн. ун-та. Сер. Физ.-мат. науки. 2012. Вып. 1(26). С. 183-191.
10. Кондратюк А.В., Крисилов В.А. Метод повышения чувствительности нейронных сетей, обучаемых с учителем, в задачах прогнозирования временных рядов // Известия Южного федерального университета. Технические науки. 2006. Т. 71. № 16.  С. 65-69.
11. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. Изд. 2-е, стереотип. М.: Горячая линия - Телеком. 2002. 382 с.
12. Бескоровайный В.В., Соболева Е.В. Идентификация частной полезности многофакторных альтернатив с помощью S-образных функций // Бионика интеллекта. Харьков: ХНУРЕ. 2010. № 1(72). С. 50-54.