Моделирование сложных экономических систем на основе локально рекуррентных нейронных сетей

     

      Принципиальным недостатком проанализированных схем идентификации СЭС, в основе которых лежат традиционные архитектуры и методы обуче-ния, является относительно невысокая скорость поиска синаптических коэффи-циентов, которая обусловлена большим числом синаптических весов. Это значе-ние растет геометрически в зависимости от количества входных сигналов . Данное обстоятельство является весьма критичным именно в эконо-мических системах в силу высокой размерности последних. Существуют два пути преодоления данной проблемы. Первый (экстенсивный) путь достаточно универ-сален и состоит в покрытии вычислительных затрат наращиванием вычислитель-ной мощности. Этот путь может применяться без существенного изменения или обновления информационного парка предприятия за счет создания программны-ми средствами среды облачных или пиринговых вычислений, причем масштаби-рование такого решения возможно как на локальном (для intranet-сетей), так и на глобальном (для Internet) уровне. Один из таких вариантов будет рассмотрен ни-же.

      Тем не менее, следует также особо остановиться и на специфичных реше-ниях, которые позволяют решить указанную проблему идентификации и модели-рования экономической динамики СЭС за счет внутренних изменений классиче-ских ИНС. К таковым решениям относятся специальные классы ИНС, в которых обратные связи организованы непосредственно в самих нейронах. Толчком к раз-витию данного математического аппарата послужили труды Э. Бэка и А. Цоя [196; 198; 199; 270] которыми были предложены локально рекуррентные ИНС. Их типичная архитектура приведена на рис. 4.9 и по сути совпадает с архитек-турой прогнозирующей многослойной ИНС.

      Вся работа доступна по Ссылке