Интеллектуальный анализ временных рядов. Ярушкина Н.Г - 113 стр.

UptoLike

ВУЗ: 

УлГТУ | Ульяновск

Составители: 

Рубрика: 

113
«глубина погружения» n, которая обеспечивает однозначное предсказание сле-
дующих значений уровней временного ряда с помощью некоторого функцио-
нального преобразования, явно не зависящего от k. Согласно теореме о полноте
[Горбань, 1998] любая непрерывная функция на замкнутом ограниченном мно-
жестве может быть равномерно приближена функциями, вычисляемыми ней-
ронными сетями, если функция активации
нейронов дважды непрерывно диф-
ференцируема и нелинейна. Японским ученым Фунахаши была доказана тео-
рема о нейронной сети как функциональном универсальном аппроксиматоре
[Bothe, 1997]. Это означает, что нелинейная функция нейрона может быть про-
извольной: от сигмоидальной до произвольного волнового пакета или вейвлета,
синуса или полинома. От выбора нелинейной функции может зависеть слож-
ность
конкретной сети, но с любой нелинейностью сеть остается универсаль-
ным аппроксиматором и при правильном выборе структуры может сколь угод-
но точно аппроксимировать функционирование любого непрерывного автомата.
Таким образом, задача прогнозирования временных рядов с помощью
ИНС сводится к задаче восстановления оценки нелинейной функции
),...,(
1nkk
yy
по набору примеров, заданных историей ВР и реализуется в виде
последовательности этапов:
сбор данных для обучения;
подготовка и нормализация данных;
выбор топологии нейронной сети;
экспериментальный подбор характеристик нейронной сети;
экспериментальный подбор параметров обучения;
обучение нейронной сети;
проверка адекватности обучения;
корректировка параметров, окончательное обучение;
вербализация сети с целью дальнейшего использования.
Известны разнообразные типы нейронных сетей, отличающиеся способом
реализации отдельных этапов моделирования.

Страницы