Neurális hálózatok értelmezhetősége és annak javítása
Kulcsszavak:
modell redukció, modell transzformáció, tudásfeltárásAbsztrakt
A nemlineáris fekete doboz modellezési technikák napjainkra különösen fontossá váltak nemcsak a tudományos kutatás, hanem az ipari alkalmazás területén is. Fekete doboz modellek lévén legnagyobb hátrányuk, hogy struktúrájuk, illetve paramétereik nem értelmezhetők. Ennek köszönhetően e modellek optimális struktúrájának meghatározása és validálása rendkívül nehéz. Szintén e fekete doboz jelleg miatt jelent nagy kihívást, hogy miként lehet a modellalkotás során előzetes információk felhasználásával javítani a modellezési teljesítményt. A fekete doboz modellek struktúrájának meghatározása tehát többlépcsős folyamat, mely általában egy komplex modell redukálásán alapul. A modell redukció a túlparaméterezés elkerülése miatt kiemelt fontosságú, továbbá használatával számítási idő nyerhető. Cikkünkben azt kívánjuk megmutatni, hogy redukciós technikák segítségével milyen módon lehetséges a fekete doboz modellek komplexitásának csökkentése. Az egyik lehetséges út az ortogonális technikák használata, melyek két további csoportba oszthatók: az ortogonális legkisebb négyzetek módszere (OLS), illetve a rangsoroló SVD-QR technikák. Az OLS sokkal számításigényesebb, de jó közelítést adó eredményei miatt preferált az identifikációs technikák használata során. A cikk egy, a neurális hálózatok értelmezhetővé tételére alkalmas eljárást mutat be, továbbá ismerteti az így kapott szabálybázis redukálását OLS segítségével. A bemutatásra kerülő eredmények a kidolgozott neurális hálózat részletes analízisére és redukciójára alkalmas technika széleskörű alkalmazhatóságát vetítik előre.
