Выбор размера описания ситуации при формировании обучающей выборки для нейронных сетей в задачах прогнозирования временных рядов Тарасенко Р.А. Крисилов В.А.
Источник:http://neuroschool.narod.ru
В статье рассмотрена проблема снижения противоречивости обучающей выборки, предложено понятие сложности ее наборов. Экспериментально найден общий вид зависимости критериев качества обучающей выборки от сложности ее наборов. Выявлена необходимость формирования обучающей выборки на базе такого описания временного ряда, что имеет равномерную сложность. Предложены пути формирования такого описания.
Предварительная оценка качества обучающей выборки для нейронных сетей в задачах прогнозирования временных рядов Тарасенко Р.А. Крисилов В.А.
Источник:http://neuroschool.narod.ru
В статье ассмотрена особенность задачи прогнозирования временных рядов. Определены критерии качества обучающей выборки - ее противоречивость и повторяемость. Исследованы возможности их использования для повышения качества обучающей выборки.
Оптимизация предобработки данных для обучаемой нейросети: критерии оптимальности предобработки Царегородцев В.Г.
Источник:http://www.neuropro.ru
В статье рассматриваются способы предобработки количественных признаков обучающей выборки, индивидуальные для признака и интегральные для выборки критерии оптимальности предобработки. Эксперименты подтверждают ускорение обучения backprop-нейросети при смене способа предобработки, возможность оценивания изменения степени оптимальности предобработки и вероятности ускорения обучения.
Прогнозирование динамики цен на фондовом рынке Мицель А.А. Ефремова Е.А.
Источник: Известия Томского политехнического университета. – 2006. – Т. 309. – № 8.- c. 197-201.
В статье на основе аппарата нейронных сетей проводится исследование задачи прогнозирования динамики цен на фондовом рынке, реализована автоматизированная система, позволяющая моделировать параметры сети.
Прогнозирование в сфере бизнеса и финансов Круг П.Г.
Источник:http://iit1.mpei.ac.ru/pub.htm
Круг П.Г. Нейронные сети и нейрокомпьютеры: Учебное пособие по курсу «Микропроцессоры». - М.: Издательство МЭИ, 2002. – 176с., - Глава 1.5.2, - с. 34-41.
В главе рассматриваются принципы прогнозирования в сфере бизнеса и финансов.
Проектирование нейронной сети для прогнозирования финансовых и экономических временных рядов Каастра Л. Бёд М. (перевод с английского)
Источник:http://citeseer.ist.psu.edu/kaastra96designing.html
В статье описывается восемь основных шагов в проектировании нейронной сети для прогнозирования.
Эволюционные вычисления Yuri Burger
Источник:http://www.getinfo.ru/print31_1.html
В статье описываются генетические алгоритмы и их их основные операторы.
Представление исходных данных в задачах нейросетевого прогнозирования Крисилов В.А. Чумичкин К.В. Кондратюк А.В.
Источник:http://neuroschool.narod.ru
В работе рассматриваются вопросы предварительных преобразований данных в задачах прогнозирования временных рядов посредством нейронных сетей. Сформулированы требования к предварительным преобразованиям, необходимые для уменьшения ошибки прогноза. Приведены практические результаты применения предложенных соображений при прогнозировании финансовых временных рядов.
pdf (116k)
Преобразование входных данных нейросети с целью улучшения их различимости Крисилов В.А. Кондратюк А.В.
Источник:http://neuroschool.narod.ru
В работе рассматривается вопрос повышения различимости входных данных нейронной сети, за счет применения преобразования исходных данных.
pdf (165k)
Оптимизация предобработки данных: константа Липшица обучающей выборки и свойства обученных нейронных сетей Царегородцев В.Г.
Источник:http://www.neuropro.ru
В статье исследуется действенность одного критерия оптимальности предобработки данных. Показано, что оптимизация предобработки может приводить к увеличению скорости обучения нейросети на порядок и более и к изменению внутренних свойств нейросетей.
pdf (300k)
