Актуальность данной тематики продиктована поиском адекват-

ных моделей нейронных сетей (НС), определяемые типом и струк-

турой НС, для задач прогнозирования. В ходе исследования уста-

новлено, что радиальные базисные сети (RBF) обладают рядом пре-

имуществ перед сетями типа многослойных персептрон (MLP) [121,

123]. Во-первых, они моделируют произвольную нелинейную функ-

цию с помощью одного промежуточного слоя. Тем самым отпадает

вопрос о числе слоев. Во-вторых, параметры линейной комбинации

в выходном слое можно полностью оптимизировать с помощью из-

вестных методов моделирования, которые не испытывают трудно-

стей с локальными минимумами, мешающими при обучении MLP.

Поэтому сеть RBF обучается очень быстро (на порядок быстрее

MLP) [85,107].

С другой стороны, до того как применять линейную оптимизацию в выходном слое сети RBF, необходимо определить число радиальных элементов, положение их центров и величины отклонений. Для устранения этой проблемы предлагается использовать автоматизированный конструктор сети, который выполняет за пользователя основные эксперименты с сетью Другие отличия работы RBF от MLP связаны с различным представлением пространства модели: «групповым» в RBF и «плоскостным» в MLP.

---

---