Александр Константинович Крутиков, старший преподаватель
610000; ул. Московская, д. 36; Киров
Alexander K. Krutikov, Senior Lecturer
610000; 36, Moskovskaya str.; Vyatka
Василий Юрьевич Мельцов, кандидат технических наук, доцент
610000; ул. Московская, д. 36; Киров
Vasily Y. Meltsov, Cand. Sci. (Engineering), Associate Professor,
610000; 36, Moskovskaya str.; Vyatka
Цель исследования. Повышение точности прогнозирования за счёт выявления логических связей в неструктурированных наборах данных и формирования многоярусной структуры специализированной нейросетевой вычислительной системы
Методы. Предложен параллельный алгоритм определения фрагментированной структуры обучающей выборки, используемый для выделения фрагментов, содержащих обучающие данные, на основе логических зависимостей выборки. На базе сгенерированной фрагментированной выборки разработан метод ассемблирования нейронных сетей, используемый для формирования эффективной структуры каскадной системы прогнозирования.
Результаты. В качестве основного эксперимента выбрано прогнозирование результатов неофициального командного зачета Международного фестиваля студенческого спорта 2023. Сформирована фрагментированная обучающая выборка на основе которой построен каскад нейросетевых модулей. В экспериментах протестировано четыре варианта каскада, показавших существенное повышение точности прогнозирования по сравнению с одномодульными аналогами. Для значительного повышения производительности нейросетевой системы при сверхкраткосрочных прогнозах рассмотрена аппаратная реализации каскадов на основе решающего поля ПЛИС. Предложена структура комплекса с возможностью его реконфигурации.
Заключение. Применение искусственных нейронных сетей в прогнозировании перспективно, однако может сталкиваться с проблемами неточности результатов из-за недостаточной вычислительной мощности и коллизий в обучающих выборках. Один из предложенных вариантов решения проблемы – каскадирование специализированных нейросетевых модулей. Положительные результаты продемонстрировали как программная, так и аппаратная реализация системы на основе предложенного каскада. Оценка аппаратной реализации демонстрирует возможность ускорения, по сравнению с программной реализацией, что может быть необходимо при проведении сверхкраткосрочных прогнозов. Предложенные методы и алгоритмы продемонстрировали свою корректность.
Purpose of research. Improving the accuracy of forecasting by identifying logical connections in unstructured datasets and forming a multi-tiered structure of a specialized neural network computing system.
Methods. A parallel algorithm for determining the fragmented structure of the training sample is proposed, which is used to isolate fragments containing training data based on the logical dependencies of the sample. Based on the generated fragmented sample, a method for assembling neural networks has been developed, which is used to form an effective structure of a cascade forecasting system.
Results. Forecasting the results of the unofficial team competition of the International Student Sports Festival 2023 was chosen as the main experiment. A fragmented training sample has been formed on the basis of which a cascade of neural network modules has been built. Four cascade variants were tested in experiments, which showed a significant increase in prediction accuracy compared to single-module analogues. To significantly improve the performance of a neural network system with ultra-short-term forecasts, the hardware implementation of cascades based on the decisive field of FPGA is considered. The structure of the complex with the possibility of its reconfiguration is proposed.
Conclusion. The use of artificial neural networks in forecasting is promising, but it may face problems of inaccuracy of results due to insufficient computing power and collisions in training samples. One of the proposed solutions to the problem is cascading specialized neural network modules. Positive results were demonstrated by both the software and hardware implementation of the system based on the proposed cascade. The evaluation of the hardware implementation demonstrates the possibility of acceleration, compared with the software implementation, which may be necessary when conducting ultra-short-term forecasts. The proposed methods and algorithms have demonstrated their correctness.
The authors declare that there are no conflicts of interest present.