Про один алгоритм навчання нейронної мережі в задачі прогнозування часових рядів
DOI:
https://doi.org/10.30837/bi.2018.1(90).11Ключові слова:
ЧАСОВИЙ РЯД, ШТУЧНА НЕЙРОННА МЕРЕЖА, АЛГОРИТМ НАВЧАННЯ, АКТИВАЦІЙНА ФУНКЦІЯ, ІМІТАЦІЙНЕ МОДЕЛЮВАННЯАнотація
У статті запропоновано метод навчання нейронних мереж при вирішенні задачі прогнозування часового ряду (чР). більшість практичних задач прогнозованя чР характеризуються високим рівнем нелінійності і нестаціонарності, зашумленістю, наявністю нерегулярних трендів, стрибків, аномальних викидів. У цих умовах жорсткі статистичні припущення про властивості чР часто обмежують можливості класичних методів прогнозування. альтернативою статистичним методам можуть служити методи обчислювального інтелекту, до числа яких відносяться штучні нейронні мережі. Результати імітаційного моделювання підтвердили, що запропонований метод навчання нейронної мережі дозволяє значно підвищити точність прогнозування часових рядів.
Посилання
Снитюк В. Е. Прогнозирование. Модели, методы, алгоритмы: учебное пособие. / В.Е. Снитюк / – К.: «Маклаут», 2008. – 364 с.
Mandic D. P. Recurrent Neural Networks for Prediction: learning Algorithms, Architectures and Stability. / D. P. Mandic, J. A. Chambers / John Wiley & Sons, 2001. – 285 p. https://doc.lagout.org/science/0_computerScience/3_Theory/NeuralNetworks/recurrentNeuralNetworksforPrediction.pdf
Хайкин С. Нейронные сети: полный курс / С. Хайкин / Пер. с англ. – М.: Вильямс, 2006. – 1104 с.
Осовский С. Нейронные сети для обработки информации / С. Осовский / Пер. с польского. – М.: финансы и статистика, 2002. – 344 с.
Руденко О.Г. Основы теории искусственных нейронных сетей / О.Г. Руденко, Е.В. Бодянский. – Харьков: ТЕЛЕТЕХ, 2002. – 317 с.
Бодянский Е.В. Искусственные нейронные сети: архитектура, обучение, применение / Е.В. Бодянский, О.Г. Руденко. – Харьков: ТЕЛЕТЕХ, 2004. – 372 с.
Cybenko G. Approximation by superposition of a sigmoidal function / G. Cybenko / Math. of controls, Signals & Systems. – 1989. – 2. – P.303-314.
Hornik K. Multilayer feedforward networks are universal approximators/ K. Hornik, M. Stinchcombe, H. White / Neural Networks. – 1989. – v.2. – P.359-366.
Poggio T. Networks for approximation and learning / T. Poggio, F. Giorosi / Proc. IEEE. – 1990. – v.78. — №9. – P. 1481-1497.
Чернодуб А. М. Навчання рекурентних нейронних мереж методом псевдорегуляризації для багатокрокового прогнозування часових рядів / А. М. Чернодуб / Математичні машини і системи. – 2012. – No 4. – С. 41 – 51.
Parras-Gutierrez E. Coevolution of lags and RBFNs for time series forecasting: L-Co-R algorithm. / E. Parras-Gutierrez, M. Garcia-Arenas, V.M. Rivas, V.J. Jesus / Soft comput / 2012. -16(6).-P. 919–942.
Assaad M. A new boosting algorithm for improved time-series forecasting with recurrent neural networks /M. Assaad, R. Boner, H. Cardot / Information Fusion. –2008. –9. –P. 41–55.
Samsudin R. A comparison of time series forecasting using support vector machine and artificial neural network model. / R. Samsudin, F. Shabri, P. Saad / Journal of Applied Sciences.-2010. — 10(11). — P. 950–958.
Samanta B. Prediction of chaotic time series using computational intelligence./ B. Samanta / expert Syst Appl. –2011. –38(9). –P.11406–11411.
Maria J. long-term time series prediction with the NARX network: an empirical evaluation. / J. Maria, J.P. Menezes, G.A.Barreto / Neurocomputing. – 2008. –71(16-18). –P. 3335-43.
Тихонов А.Н. Методы решения некорректных задач. / А.Н. Тихонов, В.Я. Арсенин / М.: Наука, 1980. - 223 с.
Демиденко Е.З. Линейная и нелинейная регрессии./ Е.З. Демиденко /– М.: финансы и статистика, 1981. - 302 с.
Райбман Н.С. Адаптивные модели в системах управления / Н.С. Райбман, В.М. Чадеев /– М.: Сов. радио, 1966.-159 с.
Goh S.L. A Nonlinear Neural FIR Filter with An Adaptive Activation Function/ S.I. Goh, M. Bozic, D. P. Mandic / Journal of automatic control, university of Belgrade. – 2003. – vol. 13(1). –P. 1–5
