Optimization of neural predictive model

W pracy przedstawiono metodę prognozowania wartości symptomu w oparciu o optymalizowany neuronowy model prognostyczny. Heurystyczna optymalizacja modelu odbywała się dwoma metodami: w oparciu o ocenę błędu ex post (błąd prognozy oceniany na podstawie różnic wartości prognozowanych i pomiarów), oraz przewidywanie szerokości przedziału predykcji ex ante (w tym samym kroku czasowym, w którym budowana jest prognoza). Omawiane metody zastosowano dla danych pochodzących z młynów wentylatorowych. Ostatecznie najlepsze rezultaty uzyskano stosując średnią ważoną prognoz generowanych przez różne typy i struktury sieci. Wagi uzależnione były od błędów prognozy ex post uzyskiwanych przez daną sieć. Przy zastosowaniu wspomnianej metody udało się zapewnić średni błąd prognozy na poziomie 4,5%.The paper presents a method for prediction of symptom values based on an optimized neural predictive model. The heuristic model optimization was carried out by means of two methods: based on ex post error evaluation (the error of prediction evaluated based on the difference between the predicted and measured values), and on ex ante estimation of a prediction interval width (at the same time step, at which the prediction is made). The above methods were applied to measurement data obtained from fan mills. Finally, the best results were obtained when a weighted average of predictions generated by different types and topologies of networks was used. The weights were dependent on the ex post prediction errors obtained by the given network. With use of the method it was possible to guarantee the average error of prediction at the level of 4.5%