Для нейронных сетей с линейными функциями активации разработан метод кортежирования обучаю-щего множества, позволяющий повысить точность аппроксимации дискретных наблюдений, содержа-щих как нормальную, так и нестационарную (аномальную) шумовые компоненты. Выявлена важная особенность аппроксимации нестационарных данных моделью однослойной линейной нейронной сети. Особенность заключается в том, что точность оценивания искомых параметров аппроксимируемой за-висимости существенно зависит от положения аномальных данных на интервале наблюдения. В качест-ве метода кортежирования обучающего множества в задаче аппроксимации дискретных наблюдений использованы методы построения вариационных рядов локальных отклонений от наблюдений и рядов аналогов производных, т.е. локальных конечных разностей. Результаты численных исследований свиде-тельствуют о более высоких точностных характеристиках линейной нейронной сети, использующей предлагаемый метод, по сравнению с традиционной сетью, а также классическим методом наименьших квадратов.

For neural networks with linear functions of activation the cortege-method of training set allowing to raise (in-crease) accuracy approximation of discrete supervision, containing both normal, and non-stationary (abnormal) noise components is developed. Revealed an important feature of the model approximation of non-stationary data-layer linear neural network. Feature is that the accuracy of estimating the unknown parameters of the approximated based essentially depends on the position of anomalous data on the observation interval. As a method kortezhirovaniya training set in the problem of approximation of discrete observations used methods of construction of variational series of deviations from local observations and unique series of derivatives, ie local finite differences. The results of numerical studies attest to the higher accuracy of the linear characteristics of the neural network using the proposed method, compared to the traditional network, as well as the classical method of least squares.