В специальном выпуске журнала "Pattern Recognition and Image Analysis" издательства Springer опубликована статья "Метод анализа природных данных на основе вейвлет-фильтрации и коллектива нейронных сетей NARX"

Авторы - научные сотрудники лаборатории системного анализа атмосферных процессов ИКИР ДВО РАН: д.т.н. О. В. Мандрикова, к.т.н. Ю. А. Полозов, к.т.н. Б. С. Мандрикова.

Нейронные сети являются альтернативным инструментом в случае отсутствия формализованного решения задачи и получения адекватных оценок на основе строгого математического аппарата.

Однако построение адекватной нейросетевой модели не является тривиальной задачей. Теория нейронных сетей имеет широкий набор архитектур для разного круга задач, но существуют определённые трудности и ограничения, требующие разработки новых подходов и методов.

В статье предложено расширение нейросетевой модели временного ряда, основанное на создании коллектива нейронных сетей (КНС) архитектуры NARX. Предлагаемый подход рассматривается для задачи обнаружения ионосферных аномалий.

Ионосферные аномалии приводят к сбою функционирования современных технических средств, систем навигации и др. Поэтому задача эффективного обнаружения ионосферных аномалий актуальна и решается большим числом авторов и научных групп.

В статье разработан алгоритм построения КНС, включающий процедуру вейвлет-фильтрации и решающее правило обнаружения аномалий. Процедура вейвлет-фильтрации используется для оптимизации процесса построения нейросетевых моделей NARX. Она позволяет решить известную проблему NARX, связанную с эффектом исчезающих градиентов. На основе сравнения с результатами предыдущий исследований и традиционным способом применения сетей NARX, показана эффективность предлагаемого метода.

Архитектура сети NARX показана на рисунке.

С полным текстом статьи можно ознакомиться по ссылке. 

Ссылка для цитирования: Mandrikova, O.V., Polozov, Y.A. & Mandrikova, B.S. Method of Natural Data Analysis and Anomaly Detection Based on a Collective of NARX Neural Networks. Pattern Recognit. Image Anal. 34, 1223–1232 (2024). https://doi.org/10.1134/S1054661824701293.