ІМОВІРНІСНІ НЕЙРОННІ МЕРЕЖІ В ЗАДАЧАХ ІДЕНТИФІКАЦІЇ ЧАСОВИХ РЯДІВ

  • Роман Наумович Квєтний Вінницький національний технічний університет
  • Владислав Володимирович Кабачій Вінницький національний технічний університет
  • Ольга Олегівна Чумаченко Вінницький національний технічний університет
Ключові слова: імовірнісні нейронні мережі (PNN), ідентифікація, класифікація образів, аналіз часових рядів

Анотація

У цій статті розглянуто можливість ідентифікації часових рядів на основі ймовірнісних нейронних мереж. Досліджено вплив ширини ядерної функції на адекватне відновлення густини та якість класифікації. Розглянуто модифіковані версії ймовірнісних нейронних мереж та особливості їх застосування. Виділено переваги та недоліки ймовірнісних нейронних мереж.

Біографії авторів

Роман Наумович Квєтний, Вінницький національний технічний університет
д. т. н., професор, завідувач кафедри автоматики та інформаційно- вимірювальної техніки
Владислав Володимирович Кабачій, Вінницький національний технічний університет
к. т. н., доцент кафедри автоматики та інформаційно- вимірювальної техніки
Ольга Олегівна Чумаченко, Вінницький національний технічний університет
студентка інституту магістратури, аспірантури та докторантури

Посилання

1. Мокін Б. І. Математичні методи ідентифікації електромеханічних процесів / Б. І. Мокін, В. Б. Мокін. –
Вінниця:УНІВЕРСУМ-Вінниця, 1999. – 99 с.

2. Тихонов Е. В. Методы и алгоритмы прогнозирования экономических показателей на базе нейронных
сетей и модулярной арифметики / Е. В. Тихонов, В. А. Кузьмищев. – Невинномысск: НИЭУП, 2004. – 166 с.

3. Сигеру О. Нейроуправление и его приложения / О. Сигеру. – М.: ИПРЖР, 2001. – 321 с.
4. Streit R. L. Maximum likelihood training of probabilistic neural networks / R. L. Streit, T. E. Luginbuhl // IEEE
Trans. Neural Networks, V. 5, 1994. – №5. – P. 764 – 783.

5. Zaknich A. Introduction to the modified probabilistic neural network for general signal processing applications /
A. Zaknich // IEEE Transactions on Signal Processing, V. 46, 1998. – №7. – P. 1980 – 1990.

6. Saad E. W. Comparative study of stock trend prediction using time delay, recurrent and probabilistic neural
networks / E. W. Saad, D. V. Prokhorov, D. C. Wunsch, // IEEE Transactions on Neural Networks, V. 9, 1998. – №6.
– P. 1456 – 1470.

7. Tsuji T. A loglinearized Gaussian mixture network and its application to EEG pattern classification // IEEE
Transactions on Systems, Man, and Cybernetics / T. Tsuji, O. Fukuda, H. Ichinobe,V. 29, 1999. – №1. – P. 60 –72.

8. Tian B. Temporal updating scheme for probabilistic neural network with application to satellite cloud
classification / B. Tian, M. R. Azimi-Sadjadi, T. H. Vonder Haar // IEEE Transactions on Neural Networks,V.11, 2000.
– №.4. – P. 903 – 920.

9. Lin W. M. Adaptive multiple fault detection and alarm processing for loop system with probabilistic network /
W. M. Lin, C. H. Lin, Z. C. Sun // IEEE Transactions on Power Delivery, V. 19., 2004. – №1. – P. 64 – 69.

10. Anagnostopoulos I. Classifying Web pages employing a probabilistic neural network / I. Anagnostopoulos, C.
Anagnostopoulos, V. Loumos // IEEE Proceedings – Software, V. 151, 2004. – №3. – P. 139– 150.

11. Gerbec D. Allocation of the load profiles to consumers using probabilistic neural networks / D. Gerbec, S.
Gasperic, I. Smon // IEEE Transactions on Power Systems, V.20, 2005. – №2 – P. 548 – 555.

12. Masters T. Advanced Algorithms For Neural Networks. A C++ Source-book New York / T. Masters – New
York: Wiley, 1995. – 431 p.

13. Specht D. F. Probabilistic neural networks and the polynomial adaline as complementary techniques for
classification / D. F. Specht // IEEE Trans. Neural Networks, Jan, 1990. – P. 111 – 121.

14. Specht D. F. Probabilistic neural networks / D. F. Specht // Neural Networks, V. 3, 1990. – P.109 – 118.

15. Specht D. F. Enhancements to the probabilistic neural networks / D. F. Specht // Proc IEEE Int Joint Conf.
Neural Networks, 1992. – P.761 – 768.

16. Минаев Ю. Н. Методы и алгоритмы решения задач идентификации и прогнозирования в условиях
неопределенности в нейросетевом логическом базисе / Ю. Н. Минаев, О. Ю. Филимонова, Бенамеур Лиес. –
М.: Горячая линия – Телеком, 2003. – 205 с.
Як цитувати
[1]
Р. Квєтний, В. Кабачій, і О. Чумаченко, ІМОВІРНІСНІ НЕЙРОННІ МЕРЕЖІ В ЗАДАЧАХ ІДЕНТИФІКАЦІЇ ЧАСОВИХ РЯДІВ, НПВНТУ, № 3, 1.
Розділ
Інформаційні технології та комп'ютерна техніка

Найчитабильні статті цього ж автора(ів)

Цей плагін вимагає, щонайменше, один звіт статистики / плагін повинен бути включений. Якщо плагіни вашої статистики забезпечують більше однієї метрики, будь ласка, також виберіть основну метрику на сторінці налаштувань адміністратор сайту і / або на сторінках налаштувань менеджера журналу.