Статья опубликована в рамках: LVII Международной научно-практической конференции «Экспериментальные и теоретические исследования в современной науке» (Россия, г. Новосибирск, 28 сентября 2020 г.)
Наука: Информационные технологии
Скачать книгу(-и): Сборник статей конференции
дипломов
ВЫБОР АЛГОРИТМОВ ОБУЧЕНИЯ НЕЙРОННОЙ СЕТИ ВЕКТОРНОГО КВАНТОВАНИЯ ПРИ ОСУЩЕСТВЛЕНИИ СПОРТИВНОГО ПРОГНОЗИРОВАНИЯ
АННОТАЦИЯ
В статье описывается процесс прогнозирования с использованием сети векторного квантования, обученной двумя различными алгоритмами обучения LVQ1 и LVQ2.1. Рассмотрены основные отличия алгоритмов и результаты прогноза, которые приведены в отдельной таблице.
Ключевые слова: нейронная сеть векторного квантования, нейрон, слой, алгоритм обучения, спортивное прогнозирование, конкурентный слой.
Тенденции к общей информатизации общества активно влияют на все его сферы. Информационные технологии используются как инструмент решения прикладных задач, в том числе, в социальных и общественных областях деятельности. Спортивная сфера не стала исключением, и достаточно давно, в спорте высших достижений, профессиональном спорте используются средства информационных технологий [1]. В данной статье идет речь о спортивном прогнозировании, в частности, прогнозировании исходов в командных и индивидуальных видов спорта, где результат определяется не численным значением, а качественным определением (победа/поражение
/ничья).
Искусственные нейронные сети популярное направление в сфере развития искусственного интеллекта. В предыдущих работах описан процесс спортивного прогнозирования с помощью нейронной сети векторного квантования (LVQ) [2,3]. Алгоритмы обучения нейронной сети векторного квантования известны – это используемые ранее [2,3] LVQ1 и LVQ2.1. При обучении сети этими алгоритмами результаты прогноза результата спортивного события далеко не всегда соответствуют друг другу.
Структура LVQ сети приведена на рисунке 1. Процесс формирования обучающей выборки и определения результата прогноза приведен в работе [3], и в данной работе он используется аналогично.
Данная сеть имеет два слоя. Первый слой – конкурирующий. Этот слой выполняет кластеризацию векторов. Второй слой – линейный. Линейный слой соотносит кластеры с целевыми классами.
В каждом из слоев один нейрон приходится на кластер (или на целевой класс). Конкурирующий слой поддерживает K кластеров. Кластеры соотносятся с R целевыми классами, таким образом, что R не будет превышать К.
Рисунок 1. Структура LVQ сети
В качестве прогнозируемого события выбран поединок в рамках UFC251 между россиянином Петром Яном и бразильцем Жозе Алдо [4]. Поединок закончился победой россиянина.
Для алгоритма LVQ1 определенное количество векторов со свободными параметрами помещено во входное пространство для аппроксимации различных областей входного вектора x их квантованными значениями. Каждому классу значений x назначается несколько векторов со свободными параметрами, и затем принимается решение об отнесении x к тому классу, к которому принадлежит самый близкий вектор. Значения минимизирующие ошибку классификации, могут быть найдены как асимптотические значения.
Решение задачи классификации в алгоритме LVQ2 идентично алгоритму LVQ1. Однако в процессе обучения LVQ2 два вектора со свободными параметрами mi и mj, являющиеся самыми близкими соседями x, модифицируются одновременно. Один из них должен принадлежать к классу 1, а другой - к классу 2. Кроме того, x должен находиться в зоне значений, называемой “окном”, которое определено вокруг середины плоскости, образуемой векторами mi и mj. [5]
Обучающая выборка составлена на основе предыдущих боев спортсменов, где в качестве данных вектора описаны их параметры, а в качестве результата – класс исхода (1-победа, 2-поражение, 3-ничья).
Результат прогноза приведен в таблице 1. При использовании при обучении алгоритма LVQ2.1 обязательным критерием было указание количества эпох обучения, от которых непосредственно зависит и время обучения. Как видно из таблицы, структура в 400 нейронов обучается достаточно длительное время – 132 секунды. При использовании алгоритма LVQ1 количество эпох обучения не указывается, и остановка происходит после завершения настройки весов, скорость которого регулируется отдельным параметром. Алгоритм LVQ1 в большинстве случаев быстрее обучает нейронную сеть, и имеет смысл использовать данный алгоритм в случае, если необходимо быстро получать результат прогноза, например, по ходу течения турнира и прохождения атлетом турнирной сетки.
Таблица 1.
Результат прогноза
|
Структура сети, алгоритм LVQ2.1, 500 эпох обучения |
Время обучения, сек. |
Прогноз |
|
10 |
41 |
(1,0) Победа первого бойца (Петра Яна) |
|
33 |
49 |
(1,0) |
|
100 |
66 |
(1,0) |
|
200 |
83 |
(1,0) |
|
300 |
113 |
(1,0) |
|
400 |
132 |
(1,0) |
|
Структура сети, алгоритм LVQ1 |
Время обучения, сек. |
Прогноз |
|
10 |
0,9 |
(1,0) |
|
33 |
7,1 |
(1,0) |
|
100 |
18 |
(1,0) |
|
200 |
22 |
(1,0) |
|
300 |
39 |
(1,0) |
|
400 |
56 |
(1,0) |
Однако, преимущество во времени обучения не влияет на точность прогноза. В прогнозе, представленном выше, сеть, которую обучали обоими алгоритмами дает верный результат в 100% экспериментов. За время наблюдений, при различных экспериментах в прогнозировании, сеть, обученная LVQ2.1 дает 64% верных прогнозов, против 53% верных прогнозов сети, которая обучена LVQ1. Примеры различий в результатах приведены в работе [3].
Окно обучения (LVQ1) ИНС и структура ИНС приведено на рисунке 2.
Рисунок 2. Окно обучения ИНС (LVQ1)
Исходя из решаемой задачи и ее временных рамок, потенциальном пользователю, решающему эту задачу, следует подбирать алгоритм из данных вариантов. Выбор алгоритмов следует осуществлять, оценивая временные требования и имеющуюся структуру нейронной сети. При возрастании структуры (нейронов конкурентного слоя), время обучения в обоих алгоритмах будет возрастать пропорционально увеличению числа нейронов.
Список литературы:
- Бурева, Веселина Кунчева. Применение методов искусственного интеллекта в спорте / Веселина Кунчева Бурева, Ефтим Иванов Стоянов. — Текст : непосредственный // Актуальные вопросы технических наук : материалы III Междунар. науч. конф. (г. Пермь, апрель 2015 г.). — Пермь : Зебра, 2015. — С. 1-12. — URL: https://moluch.ru/conf/tech/archive/125/7831/ (дата обращения: 18.09.2020).
- Крутиков А.К. НЕЙРОННАЯ СЕТЬ ВЕКТОРНОГО КВАНТОВАНИЯ КАК ИНСТРУМЕНТ ПРОГНОЗИРОВАНИЯ ИСХОДОВ СПОРТИВНЫХ СОБЫТИЙ // Экспериментальные и теоретические исследования в современной науке: сб. ст. по матер. XLV междунар. науч.-практ. конф. № 15(40). – Новосибирск: СибАК, 2019.
- Крутиков А.К. Особенности обучения нейронной сети векторного квантования при разработке специализированного программного модуля - Южно-Сибирский научный вестник. – 2019. – № 2. – с. 150-154.
- Петр Ян URL: https://ru.wikipedia.org/wiki/Ян,_Пётр_Евгеньевич (дата обращения: 11.09.2019)
- Алгоритмы LVQ1 и LVQ2 URL: https://studfile.net/preview/5083085/page:13/ (дата обращения: 11.09.2019)
дипломов
Оставить комментарий