Вестник МГТУ, 2025, Т. 28, № 4/1.

Пашенцев С. В. Маневренное испытание "зигзаг" и обученная нейросеть как инструменты. величиной и является более сложным понятием, включающим точность прогноза, сложность архитектуры сети, время работы, а также ресурсы, потребляемые при работе сети. і Network Set Editor (TestModZig599_p6) Options. ымт Tw)e IInputs IHidden lHidden(2] TError VError TeError TPerf VPerf ІТePerf lr 01 MLP 42 22 - 0.02521 0.0253 0.02513 1.121844 1.179816 1.084883 02 MLP 42 22 - 0.02478 0.02481 0.02478 1.485019 1.665482 1.439177 03 MLP 42 22 - 0.02385 0.02388 0.02393 1.201382 1.265886 1.149028 04 MLP 42 22 - 0.02377 0.02375 0.02365 0.9986665 1.00239 1.002534 05 MLP 42 34 - 0.02341 0.02338 0.0234241 1.064476 1.091088 0.9994993 06 MLP 42 22 - 0.02137 0.02138 0.02135 1.012248 0.9941445 1.007039 07 MLP 42 22 - 0.02087 0.02084 0.02093 1.115781 1.152 1.179883 08 MLP! 42 22 - 0.02051 0.02053 0.02042 1.106156 1.171574 1.08742 03 MLP 42 34: - 0.01929 0.0192521 0.0193 1.087425 1.058168 1.034705 1 0 “ MLP 42 22 - 0 .002192 0.002311 0 .002311 0.9956817 1. 041987 1.126533 Рис. 10. Список 10 сетей, полученных в результате работы интеллектуального решателя проблем Fig. 10. List of 10 networks resulting from the intelligent problem solver Одновременно со списком сетей, отобранных решателем, на экране возникает форма рис. 11, в которой указываются сводные данные. Эта форма включает большой объем данных; в матрице результатов содержится 61 столбец и 600 строк (она не помещается в один скриншот). Ш Run Data Set j сэ || E l Ц S3 Outputs shown (Variables w \ | <-Data Set | RMS Error Train 0.01852 Verify 0.01856 Test 0.01842 ШМ.Ш VAR 43 VAR 44 VAR45 VAR 46 VAR47 VAR 48 VAR 49 01 0 . 0 0 4 1 6 2 0 . 0 7 5 6 5 7 7 - 0 . 0 6 6 9 6 - 0 . 0 0 1 9 0 6 0 . 1 7 2 8 6 1 8 1 . 2 4 0 4 7 2 0 . 1 6 7 5 2 9 1 * 02 0 . 0 0 4 4 0 . 0 7 5 2 8 - 0 . 0 6 7 2 4 - 0 . 0 0 1 8 3 8 0 . 1 7 3 7 4 2 8 1 . 2 7 5 8 1 1 0 . 1 6 3 7 6 5 0 03 0 . 0 0 4 1 1 7 0 . 0 7 5 7 5 - 0 . 0 6 6 9 7 - 0 . 0 0 1 9 2 0 . 1 7 3 1 9 8 6 1 . 2 3 6 7 7 0 . 1 6 8 1 2 2 5 04 0 . 0 0 4 3 9 2 0 . 0 7 5 3 4 - 0 . 0 6 7 1 3 - 0 . 0 0 1 8 3 5 0 . 1 7 4 4 0 1 1 1 . 2 6 6 2 5 7 0 . 1 6 3 3 5 0 6 05 0 . 0 0 4 1 2 5 0 . 0 7 5 6 9 - 0 . 0 6 6 8 - 0 . 0 0 1 9 0 9 0 . 1 7 2 5 8 1 8 1 . 2 2 7 1 6 7 0 . 1 6 7 7 7 9 4 06 0 . 0 0 4 1 4 2 0 . 0 7 5 6 6 - 0 . 0 6 7 0 5 - 0 . 0 0 1 9 1 6 0 . 1 7 2 4 3 9 5 1 . 2 4 6 0 9 9 0 . 1 6 8 2 2 2 07 0 . 0 0 4 0 7 0 . 0 7 5 7 8 - 0 . 0 6 6 8 5 - 0 . 0 0 1 9 2 9 0 . 1 7 2 8 7 1 9 1 . 2 2 5 9 4 9 0 . 1 6 8 6 5 2 9 08 0 . 0 0 3 9 3 3 0 . 0 7 6 0 3 - 0 . 0 6 6 7 4 - 0 . 0 0 1 9 7 1 0 . 1 7 2 6 5 5 1 1 . 2 0 8 4 2 1 0 . 1 7 0 8 7 0 9 09 0 . 0 0 4 0 0 2 0 . 0 7 5 8 4 - 0 . 0 6 6 8 9 - 0 . 0 0 1 9 5 7 0 . 1 7 1 1 1 2 5 1 . 2 2 7 3 5 1 0 . 1 7 0 8 1 10 0 . 0 0 4 1 5 7 0 . 0 7 5 6 6 - 0 . 0 6 6 9 6 - 0 . 0 0 1 9 0 8 0 . 1 7 2 6 3 1 6 1 . 2 4 0 3 6 0 . 1 6 7 7 4 4 7 11 0 . 0 0 3 9 0 . 0 7 5 2 - 0 . 0 6 6 3 9 - 0 . 0 0 1 9 5 0 . 1 6 3 7 0 7 7 1 . 2 0 3 2 9 2 0 . 1 7 2 7 8 2 5 - * □ ► Рис. 11. Результаты определения выходных параметров, найденных по всей совокупности входов Fig. 11. Results of determining output parameters found across the entire set of inputs Найденные сетью выходные параметры указаны в 19 столбцах (var43-var61), следующие за ними столбцы отражают их погрешности в режиме тренинга и погрешности в режиме проверки. Эти параметры и погрешности приведены для всех 600 наборов входных данных, т. е. матрица имеет размер (600 х 61). В рамках SNN ее можно изучать визуально, перемещаясь с помощью вертикального и горизонтального слайдеров. Но данную матрицу легко перенести в другую среду нажатием одной из показанных ниже кнопок слева вверху над матрицей (слева направо: файл SNN, ClipBoard, файл текстовой): Далее можно размещать записанные таким образом результаты в Excel, MathCad и т. п. Важно, что система SNN дает возможность получить результаты не только по всему набору исходных данных, но и по любому одиночному набору из них. Это делается простым переходом по Run\Run Single 566