Вестник МГТУ, 2022, Т. 25, № 4.

Вестник МГТУ. 2022. Т. 25, № 4. С. 291-297. DOI: https://doi.org/10.21443/1560-9278-2022-25-4-291-297 сети достаточно порядка 50 нейронов каждого скрытого слоя. Экспериментальные исследования авторов показали достаточность организации скрытой структуры в три слоя. Рис. 1. Классическая структура многослойной нейронной сети Fig. 1. Classical structure of a multilayer neural network Нейроны каждого слоя связаны друг с другом, каждая связь - синапс (W) - имеет свой вес по принципу математического графа. В основе каждого нейрона лежит математическая функция активации, обычно принимающая значения в диапазонах [-1,1] или [0,1]. В нейронной сети "Нейрстат" используется функция активации вида сигмоид. Главное отличие нейронной сети от обычных традиционных алгоритмов программирования заключается в возможности ее обучения (Брестер и др., 2017). В процессе обучения осуществляется определение весов связей нейронов с соседними нейронами. В работе применяется метод обратного распространения ошибки, при котором величина ошибки выходного нейрона проецируется на все веса всех нейронов сети, начиная от выходного и заканчивая весами нейронов входного слоя. В результате обучения сеть способна выдавать результаты на наборе данных даже таких, которых изначально не было в обучающей выборке. Эта особенность очень полезна и для систем автоматического управления, управляющее воздействие которых зачастую формируется на основе зашумленной входной информации с датчиков и исполнительных механизмов системы. Технология обработки данных нейронной сетью "Нейростат" приведена на рис. 2. Ввиду малого диапазона выходных значений функции активации вся поступающая на нейроны входного слоя информация должна быть нормирована (Поляхов и др., 2016) на стадии препроцессинга и соответственно приведена в понимаемый пользователем вид на стадии поспроцессинга. Рис. 2. Технология обработки данных нейронной сетью "Нейростат" Fig. 2. The technology of data processing by the neural network "Neurostat" 293