Главная » Информационные системы » Интеллектуальные ИС » Сеть со встречным распространением. Применение нейронных сетей для анализа временных рядов

Сеть со встречным распространением. Применение нейронных сетей для анализа временных рядов

Сеть со встречным распространением.

Сеть со встречным распространением соединяет в себе свойства самоорганизующейся сети Кохонена и концепцию Oustar - сети Гроссберга. В рамках этой архитектуры элементы слоя сети Кохонена не имеет прямого выхода во внешний мир, а служат вхо­дами для выходного слоя, в котором связям адаптивно придаются веса Гроссберга. Эта схема возникла из работ Хехта - Нильсена. CPN-сеть наце­лена на постепенное построение искомого отображения входов в выходы на основе примеров действия такого отображения. Сеть хорошо решает задачи, где требуется способность адаптивно строить математическое отражение по его точным значениям в отдельных точках.

Сети данного вида успешно применяются в таких финансовых и эконо­мических приложениях, как рассмотрение заявок на предоставление займов, предсказание трендов цен акций, товаров и курсов обмена валют. Говоря обобщенно, можно ожидать успешного применения СРN-сетей в задачах, где требуется извлекать знания из больших объемов данных.

  Применение нейронных сетей для анализа временных рядов

Временной ряд - это упорядоченная последовательность вещественных чисел, представляющих собой результаты наблюдений неко­торой величины.

Цель анализа временных рядов - извлечь из данного ряда полезную ин­формацию. Для этого необходимо построить математическую модель явле­ния. Такая модель должна объяснятьсущество процесса, порождающего данные, в частности - описывать характер данных (случайные, имеющие тренд, периодические, стационарные и т.п.). После этого можно применять различные методы фильтрации данных (сглаживание, удаление выбросов и др.) с конечной целью - предсказать будущие значения.

 МОДЕЛИ, ОСНОВАННЫЕ НА НЕЙРОННЫХ СЕТЯХ С ПРЯМОЙ СВЯЗЬЮ

Как правило, модель строится для того, чтобы предсказывать значения временного ряда для одной целевой перемен­ной, однако, в принципе, модель может предсказать значения и нескольких переменных (например, доходы по акциям на некоторое время вперед), если в сеть добавить дополнительные выходные элементы.

При этом, однако, исследования в области моделирования временных ря­дов при помощи сетей продолжаются и в настоящее время, и никаких стан­дартных методов здесь пока не выработано. В нейронной сети многочислен­ные факторы взаимодействуют весьма сложным образом, и успех здесь при­носит пока только эвристический «(кустарный») подход.

 

\

 


Друзья! Приглашаем вас к обсуждению. Если у вас есть своё мнение, напишите нам в комментарии.

Поделиться

Дисциплины