Рассмотрен вопрос формирования представительской выборки для обучения нейронной сети типа многослойный персептрон. Обозначены основные проблемы, возникающие в процессе разбиения факторного пространства на тестовое, проверочное и обучающее множества. Предложен подход, основанный на применении кластеризации, позволяющий увеличить энтропию обучающего множества. Рассмотрены самоорганизующиеся карты Кохонена как эффективный метод кластеризации. Сделан вывод о том, что рассматриваемый подход способствует повышению энтропии обучающего множества и, как следствие, приводит к улучшению качества обучения многослойного персептрона при небольшой размерности факторного пространства.

This article discusses formation of representative samples for training the neural network the type multilayer perceptron. Outlines the main problems arising in the process of splitting the factor space for test and training set. The proposed approach is based on the use of clustering, which allows to increase the entropy of the training set. Considered Kohonen self-organizing maps as an effective method of clustering. It is concluded that the approach helps to increase the entropy of the training set and, consequently, leads to an improvement in the quality of training multi-layer perceptron with a small dimension of the factor space.

Научно-технические ведомости Санкт-Петербургского государственного политехнического университета. Сер.: Физико-математические науки = St. Petersburg state polytechnical university journal. Physics and mathematics: научное издание / Министерство образования и науки Российской Федерации. — Санкт-Петербург: Изд-во Политехн. ун-та, 2008- Электрон. текстовые дан. (1 файл : 10,3 Мб). — Санкт-Петербург: Изд-во Политехн. ун-та, 2016. — Загл. с титул. экрана. — Электронная версия печатной публикации. — Свободный доступ из сети Интернет (чтение, печать, копирование). — Текстовый документ. — Adobe Acrobat Reader 7.0. — <URL:http://elib.spbstu.ru/dl/2/j16-279.pdf>.