Методы прогнозирования основанные на нейронных сетях (Lexicon) [Диссертация]

---

запомнить в избранное   искать в этом разделе

---

ВНИМАНИЕ !!! Это сокращенная версия файла. Предназначена она только для того, чтобы вы могли предварительно ознакомиться с документом, перед тем как его скачать. Здесь нет картинок, не сохранен формат, шрифт, размеры и положение на странице.
Чтобы скачать полную версию, нажмите ссылки которые находятся чуть-чуть ниже (Info File Mail)

---

Info File Mail

Файл относится к разделу:
ПРОГРАММИРОВАHИЕ, БАЗЫ ДАHHЫХ

---

3. ПРОГНОЗИРОВАНИЕ НА ОСНОВЕ НЕЙРОННЫХ СЕТЕЙ
В данной главе описан способ прогнозирования с помощью НС,
основанный на методе окон. Также приведен обзор применения НС в
финансовой сфере.
3.1. Общий подход к прогнозированию с помощью нейронных
сетей
На НС задача прогнозирования формализуется через задачу распознавания образов. Данных о прогнозируемой переменной за некоторый промежуток времени образуют образ, класс которого определяется значением прогнозируемой переменной в некоторый момент времени
за пределами данного промежутка т.е. значением переменной через
интервал прогнозирования. Метод окон предполагает использование
двух окон Wi и Wo с фиксированными размерами n и m соответственно. Эти окна, способны перемещаться с некоторым шагом по временной последовательности исторических данных, начиная с первого
элемента, и предназначены для доступа к данным временного ряда,
причем первое окно Wi, получив такие данные, передает их на вход
нейронной сети, а второе - Wo - на выход. Получающаяся на каждом
шаге пара
Wi -> Wo (3.1)
используется как элемент обучающей выборки (распознаваемый образ,
или наблюдение.
Например, пусть есть данные о еженедельных продажах режущего
инструмента (k = 16:
100 94 90 96 91 94 95 99 95 98 100 97 99 98 96 98 (3.2)
Весь ряд смотри приложение 1. Зададим n = 4, m = 1, s = 1. С помощью метода окон для нейронной сети будет сгенерирована следующая обучающая выборка:
100 94 90 96 -> 91
94 90 96 91 -> 94
90 96 91 94 -> 95 (3.3)
96 91 94 95 -> 99
91 94 95 99 -> 95
и т.д.
Каждый следующий вектор получается в результате сдвига окон
Wi и Wo вправо на один элемент (s = 1. Предполагается наличие
скрытых зависимостей во временной последовательности как множестве наблюдений. Нейронная сеть, обучаясь на этих наблюдениях и соответственно настраивая свои коэффициенты, пытается извлечь эти
закономерности и сформировать в результате требуемую функцию
прогноза P.
Прогнозирование осуществляется по тому же принципу, что и
формирование обучающей выборки

• подписаться на рассылку. • добавить в избранное. • нашли ошибки ?

Это место