В учебно-методическом пособии раскрыто применение нейронных сетей для анализа и прогнозирования данных в физической культуре и спорте. Показаны принципы проведения кластерного, дискриминантного, регрессионного анализа данных и прогнозирования временных рядов в STATISTICA Automated Neural Networks. Приведены примеры анализа и прогнозирования спортивных данных.
Учебно-методическое пособие предназначено для студентов магистратуры, обучающихся по программе «Информационные технологии в сфере ФКиС».
1.7 Архитектуры нейронных сетей.
В общем случае можно выделить три основных класса нейросетевых архитектур [4]:
1 Однослойные сети прямого распространения. Для данного класса нейронных сетей характерно существование входного слой нейронов, информация от которого передается на выходной слой нейронов. Такая нейронная сеть называется однослойной, при этом под единственным слоем подразумевается выходной слой нейронов.
2 Многослойные сети прямого распространения. Для данного класса нейронных сетей характерно наличие одного или нескольких скрытых слоев, узлы которых называются скрытыми нейронами. Функция последних заключается в преобразовании данных между внешним входным сигналом и выходом нейронной сети. Такие сети способны выделять статистические зависимости высокого порядка.
3 Рекуррентные сети. Для данного класса нейронных сетей характерно наличие обратной связи, оказывающей влияние на способность таких сетей к обучению и на их производительность.
Можно перечислить следующие архитектуры нейронных сетей:
1) многослойные персептроны;
2) сети на радиальных базисных функциях;
3) самоорганизующиеся карты Кохонена;
4) байесовские нейронные сети;
5) обобщенно-рефессионные нейронные сети;
6) сети главных компонент;
7) сети для кластеризации;
8) линейные сети.
