Алгоритм побудови гібридної МГУА нейронної мережі для прогнозування часових рядів

Автор(и)

  • O. I. Chumachenko Національний технічний університет України «Київський політехнічний інститут ім. Ігоря Сікорського»
  • A. T. Kot Національний технічний університет України «Київський політехнічний інститут ім. Ігоря Сікорського»
  • А. E. Mandrenko Національний технічний університет України «Київський політехнічний інститут ім. Ігоря Сікорського»

DOI:

https://doi.org/10.18372/1990-5548.64.14852

Ключові слова:

Гібридна нейронна мережа, структурно-параметричний синтез, проблема оптимізації

Анотація

Розглянуто проблему структурно-параметричного синтезу гібридних нейронних мереж на основі використання групового методу обробки даних нейронної мережі. Гібридизація досягається за рахунок використання різних нейронів: класичного, нелінійногоАдаліну, R-нейрона, W-нейрона, Вейвлета-нейрона. Проблема структурно-параметричного синтезу гібридної нейронної мережі полягає в оптимальному виборі кількості шарів, кількості нейронів у шарах, порядку чергування шарів з різними нейронами. Як приклад розглядається прогнозування рішення проблеми за допомогою гібридних нейронних мереж на основі даних пандемії COVID-19, зібраних університетом Джона Хопкінса. Для оцінювання якості використовувався критерій MAPE.

Біографії авторів

O. I. Chumachenko, Національний технічний університет України «Київський політехнічний інститут ім. Ігоря Сікорського»

Кафедра технічної кібернетики

Доктор технічних наук. Доцент

orcid.org/0000-0003-3006-7460

A. T. Kot, Національний технічний університет України «Київський політехнічний інститут ім. Ігоря Сікорського»

Кафедра технічної кібернетики

Аспірант

А. E. Mandrenko, Національний технічний університет України «Київський політехнічний інститут ім. Ігоря Сікорського»

Кафедра технічної кібернетики

Бакалавр

Посилання

V. M. Sineglazov, E. I. Chumachenko, and V. S. Gorbatyuk, Intelligent methods of forecast. Kyiv: Osvita Ukraine, 2013, 236 p.

Ye. Bodyanskiy and O. Vynokurova, “Compartmental adaptive wavelon and its learning algorithm,” Control systems and computers 1, pp. 47–53, 2009.

O. I. Chumachenko, S. T. Dychko and A. R. Rizhiy, “Hybrid Neuron Networks Based on Q-, W- and Classical Neurons,” Electronics and Control Systems, pp. 58–62, 2019. https://doi.org/10.18372/1990-5548.62.14385

Ye. Bodyanskiy, I. Pliss, O. Vynokurova, “Hybrid GMDH-neural network of computational intelligence,” Proc. 3rd International Workshop on Inductive Modelling, Poland, Krynica. 2009, рр. 100–107.

Ye. Bodyanskiy, O. Vynokurova, and N. Teslenko, “Cascade GMDH-Wavelet-Neuro-Fuzzy Network,” The 4th International Workshop on Inductive Modelling IWIM 2011, рр. 22–30.

Е. А. Vinokurova, “Generalized multidimensional wavelet-neuro-fuzzy system in computational intelligence problems,” Intelligent decision-making systems and problems of computational intelligence: a collection of scientific papers based on the materials of an international scientific conference. Evpatoriay–Cherson, vol. 2, 2010, pp. 329–333.

##submission.downloads##

Номер

Том 2 № 64 (2020)

Розділ

КОМП’ЮТЕРНІ НАУКИ ТА ІНФОРМАЦІЙНІ ТЕХНОЛОГІЇ

Ліцензія

Authors who publish with this journal agree to the following terms:

Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.

Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.

Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (See The Effect of Open Access).