Выборка была разделена на тестовую и обучающую в соотношении 6:4. Во время экспериментов были рассчитаны максимальная относ. ошибка MAXPE и среднеквадратическая относ. ошибка RMSPE. Расчет был проведен по  следующим формулам:

На рисунке 1 изображен результат работы сети VQTAM. Ошибка сети на обучающей выборке: MAXPE = 35.14%, RMSPE = 4.78%, на тестовой: MAXPE = 34.32%, RMSPE = 4.3%.

Рис. 1. Результаты эксперимента сети типа VQTAM. Черным цветом на графике обозначены тестовая и обучающая выборки, разделенные пунктирной линией, серым  цветом обозначены результаты работы сети.

Результаты работы сети типа SOMxVQTAM показаны на рисунке 2. В качестве модуля использовались VQTAM размерности 5×5. Ошибка сети на обучающей выборке: MAXPE = 24.24%, RMSPE = 6.99%, на тестовой: MAXPE = 24.38%, RMSPE = 6.77%.

Рис. 2. Результаты  эксперимента сети типа SOMхVQTAM.

Заключение

В предложенной статье были рассмотрены особенности работы нейросетей на основе нейросетевых структур карт Кохонена, которые могут быть достаточно эффективно применяться для идентификации динамических объектов разных уровней сложности. Преимуществом подобных подходов к идентификации, можно отметить относительную несложность процесса обучения рассматриваемых типов сетей, а также возможность получения приемлемой точности прогноза после кратковременного процесса обучения.

 Проведенные  эксперименты обосновывают необходимость исследования возможностей более сложных модульных нейронных сетей для идентификации объектов. Также, при дальнейшем исследовании подобных типов сетей стоит отметить способность модификационных карт Кохонена к повторным обучениям на новых выборках.