Согласно таблице 2, отзыв для продолжающегося паттерна стабильно ниже, независимо от применения дискретизации признака. Причина этого в том, что в обучающей выборке много реверсивных паттернов с малым количеством сегментов, что мешает обучению распознавания продолжающихся паттернов. Для решения этой проблемы, созданы две новые НС (НС_В и НС_Г), причём первую обучают образцами продолжающегося, а вторую — реверсивного паттернов. Из доступных 18 паттернов НС_В распознает 10 (продолжающиеся), а НС_Г — 8 (реверсивные).
Тогда, каждый образец должен обрабатываться обеими сетями, и если НС_В определяет, что это продолжающийся паттерн, а НС_Г, что реверсивный, то образец следует считать продолжающимся паттерном. Если же НС_В не может определить тип паттерна, конечное решение Должна принять НС_Г.
В таблице 1 четвёртая и пятая строки определяют архитектуру НС_В и НС_Г. В таблице 2 четвёртая строка даёт результаты тестирования НС_В и НС_Г.
Согласно таблицам 1 и 2 следует зафиксировать, что групповое обучение позволяет значительно повысить отзыв для продолжающихся паттернов, хотя и немного потерять в точности классификации. Таким образом, именно подход совместного применения НС_В и НС_Г представляется наиболее обоснованным.
фондовый биржа нейронный Таблица 1 — Сети и их архитектуры.
|
Сеть. | Входных нейронов. | Скрытых нейронов. | Выходных нейронов. | h1 | h2 | |
НС_А. | | | | 0.27. | 0.8. | |
НС_Б. | | | | 0.08. | 0.03. | |
НС_В. | | | | 0.01. | 0.01. | |
НС_Г. | | | | 0.01. | 0.01. | |
|
Таблица 2 — Результаты тестирования сетей.
|
Сеть. | prc. | cprc. | rprc. | pri. | rc. | crc. | rrc. | |
НС_А. | 0.524. | 0.375. | 0.528. | 0.887. | 0.568. | 0.058. | 0.676. | |
НС_Б. | 0.983. | | | | 0.983. | 0.981. | 0.840. | |
НС_В + НС_Г. | 0.963. | 0.796. | 0.993. | 0.995. | 0.951. | 0.722. | 0.996. | |
|