Нейросетевая динамическая классификация

Повсеместное использование компьютерных и коммуникационных технологий предоставляет новые возможности по интеллектуальному анализу данных и принятию решений на их основе. Значительные возможности по автоматизации этих процессов предоставляют методы машинного обучения, в частности, искусственные нейронные сети. Одним из важных частных случаев интеллектуального анализа данных является работа с временными рядами включая построение моделей, прогнозирование и определение разладки — систематического отклонения временного ряда от модели. Примерами таких временных рядов являются траектории наблюдения величин технологических процессов (динамических систем), биржевые котировки и операции высокочастотных торговых биржевых роботов, сетевой трафик и события на компьютерах, параметризованные для обнаружения компьютерных атак, сигналы ЭКГ, ЭЭГ и многие другие процессы.В то же время, для многих динамических систем как естественного, так и искусственного происхождения характерна работа в нескольких режимах, каждый из которых можно описать одной моделью. При смене режимов система переходит из одного допустимого динамического состояния в другое, что можно охарактеризовать как разладку, однако традиционные подходы по её обнаружению предполагают точное определение текущего режима. Это представляет определенную сложность, поскольку задача идентификации текущего режима сама по себе является нетривиальной и часто ресурсоемкой. Использование для обнаружения разладки и идентификации известных подходов с относительно простыми моделями является эффективным только для хорошо изученных систем. Таким образом, можно констатировать, что подходы по обнаружению разладки на основе традиционных моделей для ряда прикладных задач являются неадекватными нестационарному поведению, присущему процессам, фигурирующим в этих задачах. Для сложных нелинейные и недостаточно изученных систем для решения задачи динамической классификации пока не найдено достаточно общих и эффективных методов.Поэтому предлагается разработать подходы, которые позволят обеспечить обнаружение аномалий для многорежимных объектов, характеризующихся динамическим поведением и обычно относимых к нестационарным процессам. Для динамической классификации целесообразной применение методов машинного обучения, в частности, искусственных нейронных сетей. Это обусловлено их возможностями по представлению нелинейных зависимостей и неявному извлечению знаний из данных минуя процесс формализации. При этом необходимо учесть известные проблемы искусственных нейронных сетей, касающиеся непредсказуемости их результатов за пределами обучающей выборки, а также предусмотреть возможность дообучения на основе новых данных, пополняющих обучающую выборку. Подобные подходы могли бы стать фундаментом для решения множества задач обнаружения аномалий и классификации динамических процессов в различных прикладных областях.