СРАВНЕНИЕ РАБОТЫ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ ТРЕХ МОДЕЛЕЙ (GRNN, LVQ, RBF) НА ПРИМЕРЕ РЕАЛИЗАЦИИ СПОРТИВНОГО ПРОГНОЗА

АННОТАЦИЯ

В данной статье рассмотрена работа трех различных моделей нейронных сетей на примере реализации спортивного прогноза исхода поединка смешанных единоборств. Приведен фрагмент обучающей выборки, структуры нейронных сетей, таблицы, содержащие результаты прогноза. Даны краткие рекомендации по использованию ИНС в качестве инструмента спортивного прогнозирования.

Ключевые слова: нейронная сеть векторного квантования, обобщенно-регрессионная нейронная сеть, радиально-базисная нейронная сеть, нейрон, слой, алгоритм обучения, спортивное прогнозирование.

В предыдущих статьях описаны процессы прогнозирования различных спортивных событий, как индивидуальных, командных, так и мульти спортивных. Инструментом прогнозирования выступали искусственные нейронные сети [1,2,3].

В данной статье рассмотрен процесс прогноза спортивного поединка смешанных единоборств, и произведен сравнительный анализ работы трех моделей искусственных нейронных сетей, на примере реализации прогноза. Рассматриваемые модели нейронных сетей: нейронная сеть векторного квантования (LVQ), обобщенно-регрессионная нейронная сеть (RBF), нейронная сеть с радиально-базисными функциями (RBF).

В качестве эксперимента, рассматривается рейтинговый бой смешанных единоборств в спортивной организации UFC, между Конором МакГрегором и Дастином Порье [4]. Для нейронных сетей подготовлена обучающая выборка, основанная на статистике бойцов, взятой из открытых источников [5]. Эксперименты с реализацией прогноза произведены в среде MATLAB. Фрагмент обучающей выборки приведен на рисунке 1.

Рисунок 1. Фрагмент обучающей выборки

Структура обобщенно-регрессионной нейронной сети приведена на рисунке 2.

Рисунок 2. Структура GRNN сети

GRNN-сеть обучена с различными целевыми ошибками обучения. Результатом прогноза является число от 0 до 2, где 1 – победа первого бойца (Дастина Порье), 2 – Победа второго бойца (Конора МакГрегора), а числа между ними интерпретируются как некоторый результат прогноза, с той или иной вероятностью приближенный к одному из возможных исходов. Фрагмент результатов прогноза GRNN-сети приведен в таблице 1.

Таблица 1.

Результат прогноза GRNN-сети

Нейронная сеть, в большинстве прогнозов (82%) произвела прогноз победы фаворита поединка (коэффициент букмекеров 1.4). Однако, результат прогноза, показанный в большинстве экспериментов с данной сетью является неверным. При увеличении целевой ошибки наблюдается изменение результатов прогноза и тенденция к увеличению минимальной среднеквадратичной ошибки.

Время обучения нейронной сети составило доли секунды, что не является существенным фактором, для прогнозирования данного события, поскольку прогноз не относится к сверх краткосрочным, а является скорее краткосрочным или среднесрочным [6].

Важным параметром является количество нейронов, в GRNN-сети, количество радиальных элементов будет равным количеству векторов в обучающей выборке (24).

Структура нейронной сети векторного квантования приведена на рисунке 3.

Рисунок 3. Структура LVQ сети

 LVQ сеть обучена на имеющейся обучающей выборке, прогноз произведен для различных структур LVQ сети (под структурой в таблице 2 понимается количество элементов конкурентного слоя), а так же для двух алгоритмов обучения – LVQ1, LVQ2.1 Фрагмент результатов прогноза LVQ-сети приведен в таблице 2.

Таблица 2.

Результат прогноза LVQ-сети

В большинстве прогнозов (74%) нейронная сеть верно определила победителя. При увеличении количества нейронов конкурентного слоя наблюдается увеличение времени обучения. Верный прогноз получен при размерности конкурентного слоя более 40 нейронов, при обоих алгоритмах обучения (LVQ1, LVQ2.1).

Структура нейронной сети с радиально базисными функциями приведена на рисунке 4.

Рисунок 4. Структура RBF сети

RBF-сеть обучена с различными целевыми ошибками обучения. Фрагмент результатов прогноза RBF-сети приведен в таблице 3.

Таблица 3.

Результат прогноза RBF-сети

В прогнозах, значение результатов которых близко к единице, можно предполагать победу первого бойца, что является верным результатом прогноза (в 54%). При увеличении целевой ошибки обучения, минимальная среднеквадратичная ошибка возрастает, результат прогноза является приблизительным и не отражает точного прогноза. Время обучения данной сети, в этом эксперименте, не превышает 0.3 сек.  Максимальное количество элементов радиального слоя в данном эксперименте составило – 10 нейронов.

Наиболее высокий процент точных прогнозов в данном эксперименте показала LVQ-сеть, менее высокий процент точных прогнозов показала RBF-сеть. В ряде предыдущих работ [1,7] LVQ-сеть также продемонстрировала высокий процент точных прогнозов. С учетом временных характеристик прогноза [6] LVQ-сеть можно использовать как инструмент прогноза спортивных событий, где требуется однозначно определить его исход (победа, поражение, ничья т.п.).  RBF-сеть лучшим образом справляется с задачами аппроксимации, если интерпретировать эти задачи как задачи прогнозирования, то данную сеть следует использовать как инструмент получения индивидуальных прогнозов в спорте. GRNN-сеть в данном эксперименте не продемонстрировала верного прогноза, однако прогноз сети данной модели был близок к прогнозам букмекеров, а в ряде работ [2,3] GRNN-сеть демонстрирует способность успешно определять прогнозы как исходов спортивных событий, так и индивидуальных результаты отдельных атлетов.

Список литературы:

1. Крутиков А.К. НЕЙРОННАЯ СЕТЬ ВЕКТОРНОГО КВАНТОВАНИЯ КАК ИНСТРУМЕНТ ПРОГНОЗИРОВАНИЯ ИСХОДОВ СПОРТИВНЫХ СОБЫТИЙ // Экспериментальные и теоретические исследования в современной науке: сб. ст. по матер. XLV междунар. науч.-практ. конф. № 15(40). – Новосибирск: СибАК, 2019.
2. Крутиков А.К., Клюкин В.Л., Подковырин В.Д. ПРОГНОЗИРОВАНИЕ РЕЗУЛЬТАТОВ XXXII ЛЕТНИХ ОЛИМПИЙСКИХ ИГР 2020 С ИСПОЛЬЗОВАНИЕМ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ // Международный журнал прикладных и фундаментальных исследований. – 2020. – № 3. – С. 70-74;
3. Krutikov A.K., Meltsov V.Y., Lapitsky A.A., Rostovtsev V.S. FPGA-implementation of a prediction module based on a general-ized regression neural network - Proceedings of the 2020 IEEE Conference of Russian Young Researchers in Electrical and Elec-tronic Engineering, EIConRus 2020. 2020. pp. 147-150.
4. UFC 257 URL: https://en.wikipedia.org/wiki/UFC_257 (дата обращения 11.03.2021).
5. UFC Stats URL: http://www.ufcstats.com/statistics/events/completed (дата обращения 11.03.2021).
6. Прогнозирование в спорте URL: https://studopedia.ru/4_174852_lektsiya--prognozirovanie-v-sporte.html (дата обращения 11.03.2021).
7. Крутиков А.К. Особенности обучения нейронной сети векторного квантования при разработке специализированного программного модуля - Южно-Сибирский научный вестник. – 2019. – № 2. – с. 150-154.