Вестник МГТУ, 2023, Т. 26, № 4.

Вестник МГТУ. 2023. Т. 26, № 4. С. 472-488. DOI: https://doi.org/10.21443/1560-9278-2023-26-4-472-488 поступают на вход и должны появиться на выходе. Они крайне неоднородны по значениям (положительные и отрицательные значения; числа порядка сотен и значения порядка 10-3) и тем самым затрудняют работу системы. Поэтому система масштабирует данные так, чтобы все новые нормализованные значения попадали, например, в интервал (0, 1). Для этого используются мультипликативные (Scale) и аддитивные (Shift) коэффициенты, которые указаны в соответствующих столбцах таблицы, представленной на рис. 11. Pre-Post Processing Editor (TestModelJ.20,01) Classification TimeSeriesHandling Accept 1^-^ § Output (цре | Error Stejjs F “ ! Lookahead F ~ ! П=ПГЁПГа~ Reject Scale Pre/Post Processing Inputs § Outputs P ~ ~ ! Input Fn INone V ] Output Fn INone 3 т т ш Convert Missina Min/Mean Max/SD Shift Scale VAR1 Minimax Mean o 1 -4 .7 2 4 8 82 104.325 I i/AR2 Minimax Mean 0 -4 .7 48 5 7 3 89.7389 1 №R3 Minimax Mean 0 5.525272 92.41905 1/AR4 Kinimax Mean 0 . -4 .7 0 8 9 57 3882.802 k'ARS Minimax Mean 0 1 -4 .5 3 3 2 3 4 38.07131 1/AR6 Minimax Mean 0 -4.5 4 8 2 9 7 7.904195 ^AR7 Minimax Mean 0 -4 .5 3 4 2 0 1 84.27504 1/AR8 Minimax Mean 0 -4 .5 31 0 4 2 104.6083 taR 9 Minimax Mean 0 1 -4 .5 6 8 5 3 3 2004.028 I/AR10 Minimax Mean 0 -1 9 .99 7 0 3 895.7925 /AR11 Minimax Mean 0 8.81949 4558.114 vWR12 Minimax Mean 0 . -4 .6 7 6 3 5 68.15829 ^AR13 Minimax Mean 0 1 5.875888 441.7098 k/AR14 Minimax Mean 0 -4 .6 2 9 7 6 3 77.53651 ^AR15 Minimax Mean 0 - 4 . 9972» 2.739726 ^AR16 Minimax Mean 0 -4 .6 3 5 8 97 5.128205 I/AR17 Minimax Mean ol 1 -1 1 .4 8 2 7 6 0.03448 Рис. 11. Пред/постпроцессорная обработка данных Fig. 11. Pre/post processing of data Используем это обстоятельство для решения задачи, которая не предусмотрена системой SNN. Сеть обучалась для выходной переменной, в качестве которой был выбран диаметр установившейся циркуляции Dc. Но в равной мере нас интересуют и другие характеристики установившейся циркуляции: скорость хода Vc, угловая скорость поворота omC, угол дрейфа ЬеС (возможен прогноз и других характеристик, но пока ограничимся этими тремя). Для их получения следует трижды сменить выходную переменную, для каждой из них снова провести обучение сети и лишь затем получить требуемый прогноз Vc, omC и beC. Реализуем прогноз иначе: воспользуемся уже существующим прогнозом Dc, который переведем в нормированное значение и с его помощью восстановим прогнозы других переменных в исходном формате (т. е. ненормированном). В самой системе SNN выполнить указанную задачу невозможно, поэтому прогнозы по Dc для всех 120 наборов данных записываем в виде файла: выбором Run\Data Set получаем выпадающую форму (рис. 12), нажимаем Run и в таблице прогнозных значений для 120 наборов данных выбираем первый столбец обычным обводом. Кликом на выбранной зоне правой кнопкой получаем возможность копирования и затем переноса в блокнот в виде файла. Дальнейшая работа с этими результатами будет происходить в иной вычислительной системе, выберем MathCad15 (далее - MathCad). В этой среде считываем файл прогнозов Dc и далее работаем с ними; результаты будут показаны на скриншотах из MathCad. В среде MathCad считываем файл с результатами прогнозов по данным обученной сети с помощью функции чтения READPRN текстового файла TestModel000.txt. Содержимое файла считано в матрицу Mall; в нее включены 121 строка и 20 столбцов, так как к 17 "старым" столбцам мы добавили 3 столбца 481