В нейрокомпьютинге используется также другое толкование понятия синаптических весов, тесно связанное с координатами модельных векторов. В этом смысле синаптические веса играют ту же роль, что и коммуникационные связи, образующие ассоциативную память сети.
Порядок, согласно которому происходит обновление синаптических весов при численной реализации функций обучения, определяется так называемой стратегией управления (control strategy).
Для исследования динамики развития предприятий на продолжительных интервалах времени может быть использован метод скользящих временных окон, перемещаемых вдоль исторического ряда наблюдений (аналогично принципу скользящих средних на фондовом рынке . moving average). Этот метод наиболее эффективен при наличии тренда в последовательности наблюдений.
Скользящее среднее сглаживает случайные колебания показателей предприятия, однако работает с задержкой по времени. Можно использовать любое число скользящих средних с различными временными интервалами усреднения. Кроме этого целесообразно поэкспериментировать с разновидностями этого алгоритма: простой, взвешенной и экспоненциальной скользящей средней. При расчете простого среднего (simple average) все данные берутся с одинаковым весом. Для получения взвешенного среднего (weighted average) больший вес приписывается последним данным в выбранном временном промежутке усреднения.
Экспоненциальная разновидность характерна соответствующей процедурой взвешивания.
Исследование данных финансовой отчетности за несколько последовательных лет возможно посредством простой конкатенации векторов данных в один более длинный вектор. Однако данный подход имеет большой недостаток: АНС, обученная при помощи подобных векторов данных, дает картину, интерпретация которой затруднительна. В частности, у плоскости выходных данных, построенной по данным за несколько лет, отсутствует естественная система координат, причем даже в том случае, если таковая может быть выявлена у плоскости, построенной по данным за один период отчетности. Эту проблему можно разрешить путем использования АНС с многоуровневой иерархией.
АНС первого уровня обучается на данных финансовой отчетности за один год, так что положение каждой компании на плоскости выходных параметров первого уровня может быть определено по данным ее финансовой отчетности только за этот год. Плоскость второго уровня обучается на данных о положении компании в плоскости первого уровня с помощью информации из финансовых отчетов второго года и т.д. Таким образом, например, каждый нейрон плоскости выходных параметров второго уровня соответствует траектории на плоскости первого уровня, отражая одну и ту же динамику изменения финансового состояния компании из года в год. При построении новых плоскостей выходных параметров как бы наследуются свойства предшественников. Плоскости такого вида называют картами траекторий.
Практика показывает, что на плоскости выходных параметров, состоящей из 400 нейронов, среднее смещение положения предприятия для двух последовательных годов составляет около 7 ячеек при максимуме в 20.
Столь бурная динамика предостерегает от использования одного и того же изображения для визуального представления данных за несколько лет.
