Таким образом, на выходе нейронной сети (рис.3) имеем q
выходных сигналов (q классов), полученных трехкратным
взвешенным усреднением исходных данных, причем весовые
коэффициенты, а также число нейронов в скрытом слое могут
варьироваться для получения наилучшего совпадения с
известными результатами при тестировании системы и
самообучении. Структура соединения нейронов в нейронной сети
(топология сети) также может варьироваться и быть как
односвязной, так и многосвязной, что позволяет решать широкий
класс задач оптимального выбора.
Так как измерительные системы на нейронных сетях
относятся к классу интеллектуальных СИ, то для них характерны
рассмотренные выше ошибки: ошибка не идеальности
преобразований; ошибка неадекватности модели и ошибка из-за
конечности объема выборки. Не идеальность преобразований
обусловлена отличием реальной функции преобразования (1.3.35)
от идеальной при отсутствии помех; неадекватность модели
связана с отличием реальной модели персептрона от
сигмоидальной, а также отклонением модели коммутации от
линейной. Поскольку для тестирования нейронной сети требуется
большой объем исходных данных (по сравнению с обычным СИ),
то возрастает удельный вес ошибки из-за конечности объема
выборки. Общее соотношение для погрешности преобразования
нейронной сети с учетом погрешности входного сигнала может
быть получено на основе анализа ее структурной схемы (см.
§3.1).
Вопросы, изложенные в этой главе, рассмотрены в [1–4, 16,
17, 22, 26, 27, 35, 40, 42, 43, 44, 49].
2. Естественные пределы измерений
2.1. Область субъективных измерений
Развитие техники измерений позволило создать такие
измерительные установки, которые, с одной стороны, все
меньше ограничены возможностями человеческих органов
чувств, а с другой - являются оптимальными в эргономическом