Наукова електронна бібліотека
періодичних видань НАН України

Навчання рекурентних нейронних мереж методом псевдорегуляризації для багатокрокового прогнозування часових рядів

Репозиторій DSpace/Manakin

Показати простий запис статті

dc.contributor.author Чернодуб, А.М.
dc.date.accessioned 2015-06-23T08:32:05Z
dc.date.available 2015-06-23T08:32:05Z
dc.date.issued 2012
dc.identifier.citation Навчання рекурентних нейронних мереж методом псевдорегуляризації для багатокрокового прогнозування часових рядів / А.М. Чернодуб // Мат. машини і системи. — 2012. — № 4. — С. 41-51. — Бібліогр.: 9 назв. — укр. uk_UA
dc.identifier.issn 1028-9763
dc.identifier.uri http://dspace.nbuv.gov.ua/handle/123456789/83774
dc.description.abstract Розглядається задача багатокрокового прогнозування часових рядів. Представлені існуючі моделі рекурентних та нерекурентних нейронних мереж, що застосовуються для задач прогнозування. Описується спосіб навчання нейромереж методом розширеного фільтра Калмана з обчисленням похідних методом зворотного поширення в часі. Пропонується метод псевдорегуляризації для зменшення ефекту зникнення градієнтів, що приводить до підвищення якості прогнозування в багатокроковому випадку. Наводяться результати чисельних експериментів на прикладі прогнозування кількості сонячних плям за рік і хаотичного процесу Маккея-Гласса. uk_UA
dc.description.abstract Рассматривается задача многошагового прогнозирования временных рядов. Представлены существующие модели рекуррентных и нерекуррентных нейронный сетей, которые применяются для задач прогнозирования. Описывается способ обучения нейросетей методом расширенного фильтра Калмана с вычислением производных методом обратного распространения во времени. Предлагается метод псевдорегуляризации для уменьшения эффекта исчезновения градиентов, что приводит к повышению качества прогнозирования в многошаговом случае. Приводятся результаты численных экспериментов на примере прогнозирования годового количества солнечных пятен и хаотического процесса Маккея-Гласса. uk_UA
dc.description.abstract The problem of time series multi-step prediction is considered. The existing models of recurrent and nonrecurrent neural networks which are used for prediction problems were represented. Efficient training method of neural networks using Extended Kalman Filter and Backpropagation Through Time technique of dynamic derivatives calculation is described. Pseudoregularization method for vanishing gradients effect reducing that leads to prediction accuracy in muli-step case improvement is proposed. The results of numerical experiments on the example of yearly sunspots number and Chaotic Mackey-Glass Time Series predicting are presented. uk_UA
dc.language.iso uk uk_UA
dc.publisher Інститут проблем математичних машин і систем НАН України uk_UA
dc.relation.ispartof Математичні машини і системи
dc.subject Обчислювальні системи uk_UA
dc.title Навчання рекурентних нейронних мереж методом псевдорегуляризації для багатокрокового прогнозування часових рядів uk_UA
dc.title.alternative Обучение рекуррентных нейронных сетей методом псевдорегуляризации для многошагового прогнозирования временных рядов uk_UA
dc.title.alternative Recurrent neural networks training by pseudoregularization method for time series multi-step prediction uk_UA
dc.type Article uk_UA
dc.status published earlier uk_UA
dc.identifier.udc 681.513.7


Файли у цій статті

Ця стаття з'являється у наступних колекціях

Показати простий запис статті

Пошук


Розширений пошук

Перегляд

Мій обліковий запис