Formalization of the structural synthesis of neural networks for the purposes of forecasting of time series

• Autorzy: Kondratiuk A. , Krisilov V.

Warianty tytułu

PL

Formalizacja syntezy strukturalnej sieci neuronowych w celu sporządzania prognozy rzędów czasowych

• Języki publikacji: EN

Abstrakty

EN

The present paper is a part of work, directed at solving of the problem of formalizing of the synthesis of artificial neural networks, being the one of the main tools of artificial intelligence. Particular attention in the present paper is paid to the formalization of the structural synthesis of neural networks. The paper deals with teachable neural networks. The method of determination of optimum parameters of the neuron activation function bas been developed. The study was concentrated on the purposes of forecasting of time series.

PL

Wymieniona praca należy do serii opracowań skierowanych dla rozwiązania problemów formalizacji syntezy sztucznych sieci neuronowych, które są jednym z podstawowych instrumentów sztucznego intelektu. Wymieniona praca akcentuje uwagę na formalizację syntezy strukturalnych sieci neuronowych. W pracy rozpatrywane są sieci neuronowe, które trenowane są z nauczycielem. Opracowana metoda służy dla wyznaczenia parametrów optymalnych funkcji aktywacji neuronu. Badania przeprowadzono w celu sporządzania prognozy rzędów czasowych.

Słowa kluczowe

EN

structural synthesis of neural networks; structural graphs; forecasting of time series

PL

formalizacja syntezy strukturalnej sieci neutronowych; prognozy rzędów czasowych

• Wydawca: Wydział Elektroniki, Telekomunikacji i Informatyki Politechniki Gdańskiej
• Czasopismo: Zeszyty Naukowe Wydziału ETI Politechniki Gdańskiej. Technologie Informacyjne
• Rocznik: 2007
• Tom: T. 13
• Strony: 499--506
• Opis fizyczny: Bibliogr. 13 poz., rys.

Twórcy

autor

Kondratiuk A.

autor

Krisilov V.

• Institute of Computer Systems Odessa National Polytechnic University

Bibliografia

• [1] Takens F.: Lecture Notes in Mathematics, Springer-Verlag -1981. - Vol. 898. - pp. 366-381.
• [2] Mirkes E. M.: Neurocomputer: a project of the standard, Novosibirsk: the Science. Siberian enterprise of RAS, 1998. - 343p.
• [3] Simon Haykin: Neural networks: A Comprehensive Foundation, 2nd, Prentice Hall, Upper Saddle River, New Jersey, 2006, p.219.
• [4] Колмогоров А.Н.: О представлении непрерывных функций нескольких переменных в виде суперпозиции непрерывных функций одной переменной и сложения, Доклады АН СССР, 1957. - Т. 114. - ВЫП.5. - С. 953-95б.
• [5] Gorban A.N.: Training of Neural Networks, Moscow, USSR-USA JV "ParaGraph", 1990, 160p.
• [6] Stone M.N.: The generalized Weierstrass approximation theorem, Math. Mag. - 1948. - Vol. 21.-P.167-183, pp.237-254.
• [7] Hecht-Nielsen R.: Kolmogorov's Mapping Neural Network Existence Theorem, IEEE First Annual Int. Conf. on Neural Networks. - San Diego, 1987. - Vol. 3. - pp. 11-13.
• [8] Уоссерман Ф.: Нейрокомпьютерная техника: теория и практика, М.: Мир, 1992. С.42.
• [9] В.А. Крисилов, А.В. Кондратюк, К.В. Чумичкин: Метод повышения чувствительности нейронной сети к исходным даниям, Искусств. интеллект. - 200б. -Н2 4. с.290.
• [10] Крисилов В.А, Кондратюк АВ., Чумичкин КВ.: Преобразование входных данных нейросети с целью повышения информативности их значений в задачах прогнозирования временных рядов, Iнтелектуальнi системи прийнятrя рiшень та прикладнi аспекти iнформацiйних технологiй: Матерiали науково-практично) конференцi). Том 5. - Херсон: Видавництво Херсонського морського iнституту, 2005. - 100 с. - С.4б-49.
• [11] http://mschool.kubsu.ru/ms/1.htm
• [12] Robert Callan: The essence of Neural Networks, Prentice Hall Europe, 2001, p.60.
• [13] http://www.forex.com