Особливості застовування нейронних мереж прямого розповсюдження для прогнозування часових рядів

Скорочена інформація про документ
dc.contributor.authorКаштальян, А.С.
dc.contributor.authorKashtalian, A.S.
dc.date.accessioned2017-04-20T13:37:43Z
dc.date.available2017-04-20T13:37:43Z
dc.date.issued2016
dc.description.abstractСтаття присвячена нейромережевому підходу прогнозування часових рядів. Розглянуто структуру нейронної мережі прямого розповсюдження, призначеної для прогнозування часових рядів, що являє собою нелінійну авторегресійну мережу з зовнішніми входами. Розглянуто вплив параметрів даної нейронної мережі та розмірів навчальної вибірки на здатність мережі до навчання. Основна увага приділена глибині занурення в ряд. Показано, що при недостатній глибині занурення нейронна мережа не здатна навчатися, в прогнозованих значеннях спостерігається відставання на горизонт прогнозування; натомість велика глибина занурення призводить до перенавчання мережі. В статті запропоновано підхід до побудови навчальної вибірки з оптимальними значеннями глибини занурення, достатньої для того, щоб навчити нейронну мережу прогнозувати часовий ряд і одночасно уникнути перенавчання.uk_UA
dc.description.abstractAbstract. The article is devoted to neural network technique for time series forecasting. Time series forecasting is an important task in physics, biology, economics, etc. A structure of feedforward neural network for time series prediction is considered, it represents nonlinear autoregressive network with external inputs. An influence of given neural network parameters and training set size on network ability to training is regarded. The main attention is paid to an immersion depth into a series. It is pointed that a neural network cannot be trained with an insufficient immersion depth, it observes predicted values lag behind real values on the prediction horizon. Instead a large immersion depth leads to network overfitting. The approach to creating of the training set with optimal values of immersion depth which is sufficient to train neural network to predict a time series and at the same time to avoid overfitting is suggested.uk_UA
dc.identifier.citationКаштальян, А.С. Особливості застовування нейронних мереж прямого розповсюдження для прогнозування часових рядів [Текст] / А. С. Каштальян // Вісник Хмельницького національного університету. Технічні науки. – 2016. – № 6. – С. 210-215.uk_UA
dc.identifier.urihttps://elar.khmnu.edu.ua/handle/123456789/5411
dc.language.isoukuk_UA
dc.publisherХмельницький національний університетuk_UA
dc.subjectчасовий рядuk_UA
dc.subjectпрогнозуванняuk_UA
dc.subjectнейронні мережі прямого розповсюдженняuk_UA
dc.subjectглибина зануренняuk_UA
dc.subjecttime seriesuk_UA
dc.subjectforecastinguk_UA
dc.subjectfeedforward neural networksuk_UA
dc.subjectimmersion depthuk_UA
dc.subject.udc621.382.2uk_UA
dc.titleОсобливості застовування нейронних мереж прямого розповсюдження для прогнозування часових рядівuk_UA
dc.title.alternativeThe features of feedforward neural network use for time series forecastinguk_UA
dc.typeСтаттяuk_UA
Файли
Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
каштальян.pdf
Розмір:
1.55 MB
Формат:
Adobe Portable Document Format
Опис:
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Назва:
license.txt
Розмір:
4.26 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити
Зібрання
Вісник ХНУ. Технічні науки - 2016 рік