ОЦІНКА ЕФЕКТИВНОСТІ ВИКОРИСТАННЯ МОДЕЛЕЙ GRU ТА LSTM ДЛЯ ПРОГНОЗУВАННЯ ПОВЕДІНКИ СИСТЕМИ ЛОРЕНЦА ПІД ЧАС ГЕНЕРУВАННЯ ПОСЛІДОВНОСТЕЙ ЧИСЕЛЬНИХ ЗНАЧЕНЬ

Анотація

У статті представлено порівняльний аналіз можливості застосування нейронних мереж, а саме рекурентних моделей Gated Recurrent Units (GRU) та Long Short-Term Memory (LSTM) з точки зору їхньої здатності передбачати поведінку хаотичних систем при генерування числових значень. Основною метою є використання можливостей розпізнавання образів, притаманних нейронним мережам, для здійснення точних прогнозів поведінки хаотичної системи Лоренца при побудові на її основі телекомунікаційних систем зв’язку. У сфері телекомунікаційних систем передбачення вихідних значень хаотичної системи допомагає в оптимізації мережі, запобіганні збоїв, підвищенні пропускної здатності, а також при побудові систем зв’язку із розширенням спектру. GRU та LSTM - дві популярні архітектури рекурентних нейронних мереж для послідовної обробки даних. GRU має простішу структуру і навчається набагато швидше, але LSTM має складнішу структуру, що забезпечує їй здатність запам'ятовувати інформацію на довший період. В даній роботі моделі GRU та LSTM були реалізовані за допомогою мови програмування Python та навчені прогнозувати можливі вихідні значення багатовимірної хаотичної системи Лоренца та оцінка можливості застосування нейронних мереж для покращення відновлення інформаційних потоків на приймальній стороні системи звя’зку із розширенням спектру. Оцінювання цих моделей проводилося за допомогою метрик середньої квадратичної похибки (MSE), середньої абсолютної похибки (MAE) та коефіцієнта детермінації, а також представлено результати тестування на відповідних графіках. Результати цього дослідження демонструють високу ефективність моделей у прогнозуванні поведінки хаотичної системи.