ÑоÑÐ¼Ð°Ñ Adobe PDF, ÑÐ°Ð·Ð¼ÐµÑ 2173 Ðб - ÐнÑоÑмаÑионно ...
ÑоÑÐ¼Ð°Ñ Adobe PDF, ÑÐ°Ð·Ð¼ÐµÑ 2173 Ðб - ÐнÑоÑмаÑионно ... ÑоÑÐ¼Ð°Ñ Adobe PDF, ÑÐ°Ð·Ð¼ÐµÑ 2173 Ðб - ÐнÑоÑмаÑионно ...
ISBN 5–7262–0471–9ЛЕКЦИИ ПО НЕЙРОИНФОРМАТИКЕРис. 13 подсказывает причину хаотичности. Две ε-близкие начальныеточки на горизонтальной оси уже после первой итерации окажутся разделеннымирасстоянием 2ε (так как коэффициент наклона прямых на рис. 13равен двум), после второй — 2 2 ε и т. д. Через конечное число итераций расстояниемежду ними достигнет размеров фазового пространства (= 1).Число необходимых для этого итераций и определяют границу прогноза.Для измерения скорости «разбегания» близких траекторий в общем случаеиспользуют так называемые показатели Ляпунова. Пусть отображение заданов виде: x(n + 1) = f(x(n)), M = [0, 1]. Тогда две близкие точки x(0)и (x(0) + ε) после N итераций окажутся на расстоянии:εe Nλ(x0) ≈ |f N (x 0 + ε) − f N (x 0 )|друг от друга. В пределе ɛ → 0, N → ∞ получим:λ(x 0 ) = limN→∞ limε→01∣ ∣∣N ln f N (x 0 + ε) − f N (x 0 )∣ =ε1∣ ∣∣= limN→∞ N ln df N (x 0 )∣ ∣∣ ,dx 0где λ(x 0 ) — коэффициент растяжения (или сжатия) расстояния между двумяточками за одну итерацию. Его называют локальным ляпуновским показателем(4) .Используя это понятие, нетрудно оценить среднее время предсказуемостиT m нашего отображения. Очевидно, наша способность предсказыватькончается, когда расстояние между близкими точками достигнет размеровфазового пространства M — этот размер у нас равен 1, т. е. ε × exp(λT m ) ∼1. Отсюда следует, что T m ∝ (1/λ)ln(ε −1 ) (5) . Эту величину часто называютгоризонтом предсказуемости. Поскольку точность начальных данныхвсегда конечна, поведение систем с хаотической динамикой всегда ограниченнопредсказуемо. Следует заметить, что не всегда следует полагатьсяна оценки ляпуновских показателей. Для реконструкций, построенных извременных рядов со значительной шумовой компонентой, невозможно получитьдаже оценку самого простого максимального положительного показателя.В этом случае более полезны оценки горизонта предсказуемости,основанные на эвристических соображениях.В заключение упомянем еще об одном интересном классе систем, длякоторых будущее предвидимо, но не предсказуемо! Это так называемыемягкие системы, существенным элементом которых является человеческий134 УДК 004.032.26 (06) Нейронные сети
Н. Г. МАКАРЕНКОфактор. Такие системы приходится рассматривать, например, в социологии,демографии и экономике. Представим себе такую ситуацию: в некоторомусловном государстве футуролог, астролог или эмбедолог предсказываетгосударственный переворот, инициированный военными. Правительство,получив эту информацию, тут же использует ее. Например, подвергаетаресту всех заговорщиков. Сценарий предсказанного Будущего тут же меняется!Или, в другой ситуации, узнав о предсказанном вам благоприятномсобытии, вы «самоосуществили» его, предприняв ряд шагов в нужном направлении,вещь, которую Вы никогда бы не сделали, не зная предсказания!(6) . Обобщение подобных примеров резюмировал И. В. Бестужев-Ладав форме следующего постулата [58]:Постулат 1. О принципиальной невозможности безусловного предсказаниябудущих состояний объектов, поддающихся видоизменению действиямина основе решений, принимаемых с учетом подобного прогноза. Изменениясценария Будущей Реальности действиями, учитывающими предсказаниеэтой Реальности в мягких системах, называют эффектом Эдипа (7) .Казалось бы, что предсказание поведения таких систем заведомо обреченона провал. Однако неумение или нежелание управлять социальными илиэкономическими явлениями, которые в принципе поддаются управлению,позволяет считать их квазистихийными или квазиестественными, а следовательнои применять к ним методы прогноза хаотических природныхсистем. В этом состоит суть Постулата 2 И. В. Бестужева-Лады [58]. Обапостулата кажутся весьма правдоподобными, но, к сожалению, чисто эвристическими.Поэтому следует быть очень осмотрительным, применяя методыэмбедологии и прогноза к мягким системам — полученный результатвполне может оказаться квазистихийным. В прогностике особенно полезенизвестный совет Козьмы Пруткова: «Имея в виду какое-либо предприятие,помысли сперва, точно ли оно тебе удастся».Примечания1. Арифметика вычетов по модулю единица используется для того, чтобыизбежать потери фазовых точек при эволюции системы. Так, например,точка с координатой 1, 3 не покидает M, так как 1, 3 = 0, 3по модулю единица.2. Для того чтобы обеспечить единственность разложения, условимсявыбирать разложение кончающееся нулями для дробей, имеющих двадвоичных представления.УДК 004.032.26 (06) Нейронные сети 135
- Page 84 and 85: ISBN 5-7262-0471-9ЛЕКЦИИ ПО
- Page 86 and 87: Н. Г. МАКАРЕНКОИнст
- Page 88 and 89: ISBN 5-7262-0471-9ЛЕКЦИИ ПО
- Page 90 and 91: ISBN 5-7262-0471-9ЛЕКЦИИ ПО
- Page 92 and 93: ISBN 5-7262-0471-9ЛЕКЦИИ ПО
- Page 94 and 95: ISBN 5-7262-0471-9ЛЕКЦИИ ПО
- Page 96 and 97: ISBN 5-7262-0471-9ЛЕКЦИИ ПО
- Page 98 and 99: ISBN 5-7262-0471-9ЛЕКЦИИ ПО
- Page 100 and 101: ISBN 5-7262-0471-9ЛЕКЦИИ ПО
- Page 102 and 103: ISBN 5-7262-0471-9ЛЕКЦИИ ПО
- Page 104 and 105: ISBN 5-7262-0471-9ЛЕКЦИИ ПО
- Page 106 and 107: ISBN 5-7262-0471-9ЛЕКЦИИ ПО
- Page 108 and 109: ISBN 5-7262-0471-9ЛЕКЦИИ ПО
- Page 110 and 111: ISBN 5-7262-0471-9ЛЕКЦИИ ПО
- Page 112 and 113: ISBN 5-7262-0471-9ЛЕКЦИИ ПО
- Page 114 and 115: ISBN 5-7262-0471-9ЛЕКЦИИ ПО
- Page 116 and 117: ISBN 5-7262-0471-9ЛЕКЦИИ ПО
- Page 118 and 119: ISBN 5-7262-0471-9ЛЕКЦИИ ПО
- Page 120 and 121: ISBN 5-7262-0471-9ЛЕКЦИИ ПО
- Page 122 and 123: ISBN 5-7262-0471-9ЛЕКЦИИ ПО
- Page 124 and 125: ISBN 5-7262-0471-9ЛЕКЦИИ ПО
- Page 126 and 127: ISBN 5-7262-0471-9ЛЕКЦИИ ПО
- Page 128 and 129: ISBN 5-7262-0471-9ЛЕКЦИИ ПО
- Page 130 and 131: ISBN 5-7262-0471-9ЛЕКЦИИ ПО
- Page 132 and 133: ISBN 5-7262-0471-9ЛЕКЦИИ ПО
- Page 136 and 137: ISBN 5-7262-0471-9ЛЕКЦИИ ПО
- Page 138 and 139: ISBN 5-7262-0471-9ЛЕКЦИИ ПО
- Page 140 and 141: ISBN 5-7262-0471-9ЛЕКЦИИ ПО
- Page 142 and 143: ISBN 5-7262-0471-9ЛЕКЦИИ ПО
- Page 144 and 145: ISBN 5-7262-0471-9ЛЕКЦИИ ПО
- Page 146 and 147: ISBN 5-7262-0471-9ЛЕКЦИИ ПО
- Page 148 and 149: ISBN 5-7262-0471-9ЛЕКЦИИ ПО
- Page 150 and 151: ISBN 5-7262-0471-9ЛЕКЦИИ ПО
- Page 152 and 153: ISBN 5-7262-0471-9ЛЕКЦИИ ПО
- Page 154 and 155: ISBN 5-7262-0471-9ЛЕКЦИИ ПО
- Page 156 and 157: ISBN 5-7262-0471-9ЛЕКЦИИ ПО
- Page 158 and 159: ISBN 5-7262-0471-9ЛЕКЦИИ ПО
- Page 160 and 161: ISBN 5-7262-0471-9ЛЕКЦИИ ПО
- Page 162 and 163: ISBN 5-7262-0471-9ЛЕКЦИИ ПО
- Page 164 and 165: ISBN 5-7262-0471-9ЛЕКЦИИ ПО
- Page 166 and 167: ISBN 5-7262-0471-9ЛЕКЦИИ ПО
- Page 168 and 169: ISBN 5-7262-0471-9ЛЕКЦИИ ПО
- Page 170 and 171: ISBN 5-7262-0471-9ЛЕКЦИИ ПО
- Page 172 and 173: ISBN 5-7262-0471-9ЛЕКЦИИ ПО
- Page 174 and 175: ISBN 5-7262-0471-9ЛЕКЦИИ ПО
- Page 176 and 177: ISBN 5-7262-0471-9ЛЕКЦИИ ПО
- Page 178 and 179: ISBN 5-7262-0471-9ЛЕКЦИИ ПО
- Page 180 and 181: ISBN 5-7262-0471-9ЛЕКЦИИ ПО
- Page 182 and 183: ISBN 5-7262-0471-9ЛЕКЦИИ ПО
ISBN 5–7262–0471–9ЛЕКЦИИ ПО НЕЙРОИНФОРМАТИКЕРис. 13 подсказывает причину хаотичности. Две ε-близкие начальныеточки на горизонтальной оси уже после первой итерации окажутся разделеннымирасстоянием 2ε (так как коэффициент наклона прямых на рис. 13равен двум), после второй — 2 2 ε и т. д. Через конечное число итераций расстояниемежду ними достигнет размеров фазового пространства (= 1).Число необходимых для этого итераций и определяют границу прогноза.Для измерения скорости «разбегания» близких траекторий в общем случаеиспользуют так называемые показатели Ляпунова. Пусть отображение заданов виде: x(n + 1) = f(x(n)), M = [0, 1]. Тогда две близкие точки x(0)и (x(0) + ε) после N итераций окажутся на расстоянии:εe Nλ(x0) ≈ |f N (x 0 + ε) − f N (x 0 )|друг от друга. В пределе ɛ → 0, N → ∞ получим:λ(x 0 ) = limN→∞ limε→01∣ ∣∣N ln f N (x 0 + ε) − f N (x 0 )∣ =ε1∣ ∣∣= limN→∞ N ln df N (x 0 )∣ ∣∣ ,dx 0где λ(x 0 ) — коэффициент растяжения (или сжатия) расстояния между двумяточками за одну итерацию. Его называют локальным ляпуновским показателем(4) .Используя это понятие, нетрудно оценить среднее время предсказуемостиT m нашего отображения. Очевидно, наша способность предсказыватькончается, когда расстояние между близкими точками достигнет размеровфазового пространства M — этот размер у нас равен 1, т. е. ε × exp(λT m ) ∼1. Отсюда следует, что T m ∝ (1/λ)ln(ε −1 ) (5) . Эту величину часто называютгоризонтом предсказуемости. Поскольку точность начальных данныхвсегда конечна, поведение систем с хаотической динамикой всегда ограниченнопредсказуемо. Следует заметить, что не всегда следует полагатьсяна оценки ляпуновских показателей. Для реконструкций, построенных извременных рядов со значительной шумовой компонентой, невозможно получитьдаже оценку самого простого максимального положительного показателя.В этом случае более полезны оценки горизонта предсказуемости,основанные на эвристических соображениях.В заключение упомянем еще об одном интересном классе систем, длякоторых будущее предвидимо, но не предсказуемо! Это так называемыемягкие системы, существенным элементом которых является человеческий134 УДК 004.032.26 (06) Нейронные сети