Для обучения сети используются различные алгоритмы обучения и их модификации [9, 11, 22, 42, 70, 139]. Очень трудно определить, какой обучающий алгоритм будет самым быстрым при решении той или иной задачи. Наибольший интерес для нас представляет

алгоритм обратного распространения ошибки, так как является

эффективным средством для обучения многослойных нейронных

сетей прямого распространения [85, 127]. Алгоритм минимизирует

среднеквадратичную ошибку нейронной сети. Для этого с целью

настройки синаптических связей используется метод градиентного

спуска в пространстве весовых коэффициентов и порогов нейронной

сети. Следует отметить, что для настройки синаптических связей

сети используется не только метод градиентного спуска, но и методы сопряженных градиентов, Ньютона, квазиньютоновский метод

[94]. Для ускорения процедуры обучения вместо постоянного шага

обучения предложено использовать адаптивный шаг обучения α(t).

Алгоритм с адаптивным шагом обучения работает в 4 раза быстрее.

На каждом этапе обучения сети он выбирается таким, чтобы минимизировать среднеквадратическую ошибку сети [29, 36].

Для прогнозирующих систем на базе НС наилучшие качества

показывает гетерогенная сеть, состоящая из скрытых слоев с нелинейной функцией активации нейронных элементов и выходного линейного нейрона. Недостатком большинства рассмотренных нелинейных функций активации является то, что область выходных значений их ограничена отрезком [0,1] или [-1,1]. Это приводит к необходимости масштабирования данных, если они не принадлежат указанным выше диапазонам значений. В работе предложено использовать логарифмическую функцию активации для решения задач прогнозирования, которая позволяет получить прогноз значительно точнее, чем при использовании сигмоидной функции.

Анализ различных типов НС показал, что НС может решать задачи сложения, вычитания десятичных чисел, задачи линейного авторегрессионного анализа и прогнозирования временных рядов с

использованием метода «скользящего окна» [70].