НЕЙРОНЕЧЕТКОЕ МОДЕЛИРОВАНИЕ ПРОГНОЗИРОВАНИЯ ЗНАЧЕНИЙ ВРЕМЕННОГО РЯДА
Авторы:
1.
КНИТУ-КАИ
2.
Казанский национальный исследовательский технический университет им. А.Н. Туполева
3.
Казанский национальный исследовательский технический университет им. А.Н. Туполева
Тип:
Статья
Страницы:
с 194
по 198
Статус:
В работе
Язык материала:
русский
Ключевые слова:
ПРОГНОЗИРОВАНИЕ, ВРЕМЕННОЙ РЯД, НЕЧЕТКАЯ НЕЙРОННАЯ СЕТЬ, АЛГОРИТМ САМООРГАНИЗАЦИИ, КЛАСТЕРЫ
Аннотация (русский):
Проводится обзор методов решения задачи прогнозирования на основе нейросетевых технологий: нейронной сети и нечеткой нейронной сети. Рассматривается адаптивный алгоритм самоорганизации нечеткой сети, который применяется для определения параметров и обучения сети. Основу алгоритма самоорганизации составляет понятие группирования, то есть кластеризации данных. При этом каждый кластер ассоциируется с правилом вывода нечеткой сети. В начальный момент времени центр кластера устанавливается равным значению первого входного вектора. Количество данных, относящихся к одному кластеру, зависит от эвклидова расстояния между вновь поступившим входным вектором и центром кластера. Проводятся экспериментальные исследования с целью определения оптимального значения эвклидова расстояния, обеспечивающего требуемую точность аппроксимации и допустимую вычислительную сложность, а также с целью определения периода прогнозирования. Рассмотренный алгоритм позволяет определить в реальном времени все требуемые параметры нечеткой сети: количество кластеров, центр каждого кластера и их мощности, а также значение приписанной к кластеру накопленной функции. В сети используется гауссовская функция принадлежности. Построение нечеткой модели прогнозирования осуществляется с помощью программного комплекса, реализованного на языке программирования Python. Выборка строится на основе заданной функции. Обучение сети производится на 50% всей составленной выборки данных, а оставшиеся 50% используются для тестирования. Приведена таблица с результатами сравнительного анализа ошибки прогнозирования в зависимости от значения эвклидова расстояния, а также δ . Результаты исследования показали эффективность применения адаптивного алгоритма самоорганизации нечеткой сети для решения задач прогнозирования.
Проводится обзор методов решения задачи прогнозирования на основе нейросетевых технологий: нейронной сети и нечеткой нейронной сети. Рассматривается адаптивный алгоритм самоорганизации нечеткой сети, который применяется для определения параметров и обучения сети. Основу алгоритма самоорганизации составляет понятие группирования, то есть кластеризации данных. При этом каждый кластер ассоциируется с правилом вывода нечеткой сети. В начальный момент времени центр кластера устанавливается равным значению первого входного вектора. Количество данных, относящихся к одному кластеру, зависит от эвклидова расстояния между вновь поступившим входным вектором и центром кластера. Проводятся экспериментальные исследования с целью определения оптимального значения эвклидова расстояния, обеспечивающего требуемую точность аппроксимации и допустимую вычислительную сложность, а также с целью определения периода прогнозирования. Рассмотренный алгоритм позволяет определить в реальном времени все требуемые параметры нечеткой сети: количество кластеров, центр каждого кластера и их мощности, а также значение приписанной к кластеру накопленной функции. В сети используется гауссовская функция принадлежности. Построение нечеткой модели прогнозирования осуществляется с помощью программного комплекса, реализованного на языке программирования Python. Выборка строится на основе заданной функции. Обучение сети производится на 50% всей составленной выборки данных, а оставшиеся 50% используются для тестирования. Приведена таблица с результатами сравнительного анализа ошибки прогнозирования в зависимости от значения эвклидова расстояния, а также δ . Результаты исследования показали эффективность применения адаптивного алгоритма самоорганизации нечеткой сети для решения задач прогнозирования.
Ключевые слова:
ПРОГНОЗИРОВАНИЕ, ВРЕМЕННОЙ РЯД, НЕЧЕТКАЯ НЕЙРОННАЯ СЕТЬ, АЛГОРИТМ САМООРГАНИЗАЦИИ, КЛАСТЕРЫ
ПРОГНОЗИРОВАНИЕ, ВРЕМЕННОЙ РЯД, НЕЧЕТКАЯ НЕЙРОННАЯ СЕТЬ, АЛГОРИТМ САМООРГАНИЗАЦИИ, КЛАСТЕРЫ
