Объектом рассмотрения настоящей работы является весьма глубокое проникновение требований
эффективного обучения нейросетей в алгоритмы предпроцессорной обработки. Разработан метод
оценки адекватности нейросетевых моделей в отсутствии каких-либо априорных сведений о законе
распределения шумов в данных. Именно это и является научной новизной данной статьи, так как
данный метод позволяет взаимосвязано управлять качеством предпроцессорной обработки
финансовых данных и качеством их аппроксимации в нейросети для оценки риска банкротства
экономического объекта. Главной целью всех алгоритмов предпроцессорной обработки данных
является повышения однородности данных и улучшение их качества (информативности) в аспекте
обучения нейросети. Итогом является построение основной нейросетевой динамической модели
восстановления многомерной «обобщенной производственной функции» на основе байесовского
подхода