Алгоритм предварительной обработки данных для обучения нейронной сети типа многослойный персептрон используется для формирования обучающего множества из исходных данных, а также для уточнения вида нейрона за счет вычисления его характеристики на базе выборочных констант Липшица и определения константы Липшица нейронной сети. В работе показано применение алгоритма предварительной обработки данных типа многослойный персептрон для формирования обучающего множества и приведены вычисления характеристики нейрона конкретной нейронной сети. Разработанный алгоритм позволяет сформировать обучающее множество со значением энтропии больше, чем при формировании его случайным образом, а также дать оценку характеристики нейрона снизу и уточнить его вид. При решении задачи с применением описанного алгоритма получены прирост энтропии обучающего множества на 0,14 бит и уменьшение среднеквадратичной ошибки обучения на 0,098.
1. LeCun Y. Efficient learning and secondary methods. – MA: MIT Press, 1993. – 71 p.
2. Хайкин С. Нейронные сети: пер. с англ. – М.: ИД «Вильямс», 2008. – 1104 с.
3. Пастухов А.А. Применение нейронных сетей для прогнозирования параметров энергетических установок с лазерным зажиганием // Научно-технические ведомости СПбГПУ. Физико-математические науки. – 2015. – № 2(218). – С. 19–29. DOI: 10.5862/JPM.218.2
4. Зароченцев С.Г., Ковалев В.И., Пастухов А.А., Прокофьев А.А. Использование нейронных сетей для построения прогностических моделей процессов в энергетических установках и их агрегатах // Изв. вузов. Электроника. – 2016. – Т. 21. – №3. – С. 247–253.
5. Пастухов А.А., Прокофьев А.А. Применение алгоритмов кластеризации к форми-рованию представительской выборки для обучения многослойного персептрона // Научно-технические ведомости СПбГПУ. Физико-математические науки. – 2017. – Т. 10. – № 2. – С. 58–68.
6. Пастухов А.А., Прокофьев А.А. Применение самоорганизующихся карт Кохонена для формирования представительской выборки при обучении многослойного персептрона // Научно-технические ведомости СПбГПУ. Физико-математические науки. – 2016. – № 2 (242). – С. 95–107.
7. Кохонен Т. Самоорганизующиеся карты. – М.: Бином; Лаборатория знаний, 2008. – 655 с.
8. Федоренко Ю.С., Гапанюк Ю.Е. Кластеризация данных на основе самооргани-зующихся растущих нейронных сетей и марковского алгоритма кластеризации // Нейро-компьютеры: разработка, применение. – 2016. – № 4. – С. 3–13.
9. Царегородцев В.Г. Предобработка обучающей выборки, выборочная константа Липшица и свойства обученных нейронных сетей: материалы Х Всерос. семинара «Ней-роинформатика и ее приложения». – Красноярск: КГТУ, 2002. – C. 146–150.
10. Асеев Г.Г. Методы интеллектуального анализа данных в электронных хранилищах // Бионика интеллекта. – 2008. – № 1(70). – С. 28–33.