Нейронные сети

Добрый вечер, всем!
Подскажите, пожалуйста, как решить поставленную задачу через нейронные сети.
На каждой i-й итерации (к примеру каждую 1 сек.) поступает массив измерений Xi, по последним n обзорам нужно выделить траектории объектов, т.у. XEi и VEi, где XE и VE - предсказанные X и скорость изменения X ((Xi-Xi-1)/tобз).
Во входном массиве X существуют ложные отметки. Приведу пример:

Идеальный вариант (без ложных отметок):

X1 = [3 12 57]
X2 = [4 11 59]
X3 = [5 10 61]
X4 = [6 9 63]
---------------
XE = [7 8 65]
VE = [1 -1 2]

В реальном случае (с ложными отметками) дела будут обстоять примерно так:

X1 = [3 12 57 93]
X2 = [1 4 11 59 118]
X3 = [5 10 61 92 135]
X4 = [6 9 63]
---------------
XE = [7 8 65]
VE = [1 -1 2]

n было равно 4, т.е. учитывались предыдущие 4 массива X. Вместо X1, X2, X3, X4 следовало написать Xi-3, Xi-2, Xi-1,Xi, но что бы не рябило в глазах пронумеровал так)

Нужно разработать нейронную сеть, которая бы справлялась с поставленной задачей, при этом размерность X доходит до 100, сами элементы Xi(j) принимают значения от 0 до 360, n примерно равно 30-50. Т.е. большие объемы информации. Мне, для начала, разобраться бы с простым.

Основные вопросы:
Какова будет архитектура нейронной сети?
Каким методом обучать?

По возможности, скиньте, какой-нибудь пример в МатЛаб, пожалуйста

0

Если правильно описали задачу (а не свели сложную задачу к неправильной простой постановке) - то нейронки тут нафиг не нужны, тем более обучаемые.

Гугл по запросу codebook algorithm выдаст на первых двух позициях 2 пдфки буржуинских статей - вот этот алгоритм и подшаманьте. Вместо трёх цветовых координат пиксела - будет одна, для которой будете накапливать-адаптировать среднее и разброс, ну и внутри кодовой записи явно храните n последних значений переменной, дабы затем прогнозировать значение XE линейной регрессией (или, если будет хватать процессорного времени - более сложной, полиномиальной, например).
С ложными отметками всё должно справиться - их надо будет прибивать сразу же, как в соотв. кодовую запись на текущем такте не попало никакое значение.

Я уже точно не помню, как там алгоритм адаптировал (если адаптировал) средние координаты и разбросы у каждой кодовой записи - я себе адаптацию делал экспоненциальным сглаживанием-забыванием. Причём разброс может быть не в виде хранения значений, явно пришедших ранее - а путём вычисления-адаптации сигмы, и затем проверяете попадание, например, в плюс-минус одну или две сигмы вокруг среднего. В общем, тут много вариантов, из которых можно/нужно выбрать то, что будет давать меньше ложных сработок и ложных потерь отметок.

0

Спасибо за ответ! Но задачу я, как-раз таки свел к простой и смысл в том, что бы ее решить с помощью нейронных сетей, т.к. другой алгоритм уже разработан.

0

Поверьте лучшему спецу форума в нейронках - лучше не выйдет.
Ну, сделаете Вы какой-то извращённый или кастрированный вариант ART, либо одного слоя из SOINN/ESOINN-сети, либо что-то иное растущее (и при этом быстро забывающее шум) - всё равно это не будет лучше/точнее работать.
Я же не зря упомянул про кучу вариантов - и для определения порога похожести, и для прогноза (регрессией по всему списку из n хранимых значений Xi(j) вместо приведённого Вами в качестве примера вычисления прогноза XE=Xi+1=Xi+(Xi-Xi-1) только лишь по паре последних измерений). Делайте модульную систему и шаманьте с нахождением лучшего сочетания вариантов реализаций блоков - а потом при желании обзовёте это нейронкой и перепишите в другой формулировке (что-то обзовёте нейронами,...).

0

Спасибо за ответ) Подскажите, еще, пожалуйста, где в задачах вторичной обработки информации можно использовать нейронные сети с хорошими результатами, например фильтрация, экстраполяция, может еще, что-то и какие нейронные сети для этого лучше подходят?

0