Нейросетевое прогнозирование событий для роботов с непрерывным обучением
Ключевые слова:
нейронная сеть, прогнозирование событий, непрерывное обучение, робот.Аннотация
Введение: большие надежды на существенное расширение возможностей человека в различных сферах деятельности возлагают на создание и применение высокоинтеллектуальных роботов. Для достижения такого уровня интеллектуальности необходимо успешно решать задачи прогнозирования внешней среды и состояний самих роботов. В качестве многообещающих нейросетевых систем прогнозирования выступают решения на основе рекуррентных нейронных сетей с управляемыми элементами. Цель: поиск новых методов и целесообразных нейросетевых структур для прогнозирования событий. Разработка подходов к управлению ассоциативным вызовом информации из памяти нейронных сетей. Методы: компьютерное моделирование рекуррентных нейронных сетей с управляемыми элементами с различными структурами слоев. Результаты: разработан усовершенствованный метод нейросетевого прогнозирования событий с непрерывным обучением роботов. Метод позволяет прогнозировать события как на длинных, так и на коротких выборках временных рядов. Для повышения точности прогнозирования предложены новые правила управления ассоциативным вызовом информации из нейросетевой памяти. Разработана программная система, реализующая предлагаемый метод и допускающая эмуляцию нейронных сетей с различными структурами слоев. На примере прогнозирования городских транспортных потоков проанализированы возможности рекуррентных нейронных сетей с линейными и спиральными структурами слоев. Выигрыш предложенного метода в сравнении с интегрированной моделью авторегрессии — скользящего среднего — по показателю MAPE составил от 4,1 до 7,4 %. Среди исследованных нейросетевых структур наибольшую точность показали спиральные структуры, наименьшую — линейные. Практическая значимость: результаты исследования позволяют повысить точность прогнозирования событий для интеллектуальных роботов.
