Методика извлечения знаний в задачах анализа рядов динамики с использованием нейронных сетей

• Автор: Родионов, Павел Евгеньевич
• Шифр специальности: 05.13.17
• Научная степень: Кандидатская
• Год защиты: 2003
• Место защиты: Москва
• Количество страниц: 169 с. : ил

Содержание

Введение

Глава!. Анализ существующих методов решения задачи прогнозирования .

1.1. Статистические методы

1.1.1 .Экспоненциальное сглаживание

1.1.2. АРПСС (Авторегрессионное Проинтегрированное Скользящее Среднее)

1.1.3. Множественная линейная регрессия

1.1.4. Спектральный анализ

1.2. Технический анализ

1.2.1. Графический технический анализ
1.2.2. Метод японских подсвечников
1.2.3. Трендовые индикаторы
1.2.4. Осцилляторы
1.2.5. Показатели объема
1.3. Нейронные сети
1.3.1. Общие сведения
1.3.2. Анализ применяющихся функций активации
1.3.3. Сущность задачи обучения нейронной сети
1.4. Постановка задачи и сравнительный анализ методов ее решения
1.4.1. Постановка задачи прогнозирования
1.4.2. Сранительный анализ методов получения краткосрочного прогноза
Выводы по главе
Глава 2. Нейросетевое моделирование процессов обработки экспериментальных данных
2.1. Классификация существующих парадигм нейронных сетей

2.1.1. Классификация по структуре
2.1.2. Классификация по особенностям модели нейронной сети..
2.1.3. Классификация по характеру и методам обучения сети
2.2. Выбор архитектуры нейронной сети
2.2.1. Анализ применимости нейросетей к решению различных задач
2.2.2. Нейронная сеть типа “многослойный перцептрон”
2.2.3. Нейронные сети радиального базиса
2.2.4. Сравнение сетей радиального базиса и многослойных перцептронов
2.3. Предварительная подготовка данных
2.3.1. Методы преобразования исходных данных
2.3.2. Нормировка входных переменных
2.3.3. Нормировка выходных переменных
Выводы по главе
Глава 3. Методика моделирования и формирования эмпирического знания.
3.1. Описание разработанной методики
3.1.1. Этапы методики
3.1.2. Разработанный способ нормировки данных
3.1.3. Определение глубины ретроспективной выборки для обучающего примера
3.1.4. Корректировка состава входных факторов
3.1.5. Определение структуры нейронной сети
3.1.6. Определение параметров обучения
3.1.7. Формирование подмножеств обучающих примеров
3.1.8. Критерии оценки эффективности и ограничения методики

3.2. Разработанные функция ошибки и алгоритм обучения
3.2.1. Функция ошибки нейрона
3.2.2. Функция суммарной ошибки и критерий останова
3.2.3. Алгоритм обучения нейросети
3.3. Описание разработанного программного комплекса
3.3.1. Программные средства моделирования нейронной сети
3.3.2. Программные средства формирования файла входных данных
3.3.3. Программные средства расчета автокорреляционных функций
Выводы по главе
Глава 4. Экспериментальные исследования методики
4.1. Прогнозирование котировок облигаций государственного внутреннего валютного займа (ОГВВЗ)
4.1.1. Описание решаемой задачи
4.1.2. Описание ряда проведенных экспериментов и результаты.
4.2. Уточнение прогноза аналитической модели движения искусственного спутника Земли (ИСЗ)
4.2.1. Общие сведения об эксперименте
4.2.2. Описание и постановка решаемой задачи
4.2.3. Описание эксперимента и результаты
4.3. Оценка влияния случайных возмущений на характеристики насоса авиационного двигателя
4.3.1. Общие сведения об эксперименте
4.3.2. Описание и постановка решаемой задачи
4.3.3. Описание эксперимента и результаты
Выводы по главе

(1.30)
Функция БОРТМАХ
(1.31)
Здесь суммирование производится по всем нейронам данного слоя сети. Такой выбор функции обеспечивает сумму выходов слоя, равную единице при любых значениях выходных сигналов нейронов данного слоя. Это позволяет трактовать выходы как достоверности событий, совокупность которых (все выходы слоя) образуют полную группу. Это полезное свойство позволяет применить БОРТМАХ-функцию в задачах классификации, проверки гипотез, разпознавания образов и во всех других, где требуются выходы-достоверности (вероятности).
Как видно из вышеизложенного, функции активации делятся на линейные и нелинейные. Введение нелинейностей в структуру нейросети существенно повышает ее мощь. Это объясняется тем, что любая комбинация линейных функций также дает линейную функцию. Таким образом, в самой структуре сетей с линейными функциями активации заложены существенные ограничения, которые снимаются путем применения нелинейных функций.
По своей сути задача прогнозирования может рассматриваться как частный случай задачи простроения гетероассоциативной памяти (памяти, адресуемой по содержанию). Нейронная сеть в процессе обучения приобретает способность строить ассоциации между входным сигналом X и
1.3.3. Сущность задачи обучения нейронной сети