НАУКА и ОБРАЗОВАНИЕ

Файл статьи: SE-BMSTU...o246.pdf (1359.63Кб)

УДК 004.415.2

1 Государственный Университет «Дубна», Дубна. Россия 2 МГТУ им. Н.Э. Баумана, Москва, Россия 3 Вычислительный центр им. А.А. Дородницына РАН Федерального исследовательского центра «Информатика и управление» РАН, Москва, Россия

Прогнозирование временных рядов представляет собой обширную область, которая развивается наиболее быстрыми темпами. Способствует всему этому быстрое изменение ситуации во всех областях жизни, это и экономика, и политика, и различные другие сферы, которые непосредственно влияют на жизнь каждого из нас. Методы прогнозирования также эволюционируют в след за изменяющейся конъюнктурой и предъявляемыми новыми и новыми требованиями. Изменяются производственные и экономические процессы, меняется законодательная база, которая регулирует данные процессы, появляются новые процессы производственной и социальной сферы, все это влечет за собой появление физически коротких временных рядов, поскольку данные процессы, индикаторы не являлись предметом статистического учета. Также, трудности для прогнозирования представляют нелинейные процессы, зашумленность временных рядов. Исходя из данной ситуации целесообразно разрабатывать новые методы прогнозирования, а как показывают исследования, лучше всего с этим справляются гибридные методы.
Идея модулярных нейронных сетей основывается на принципе декомпозиции сложных задач на более простые. Эта идея схожа с тем, как построена биологическая нервная система, которая обладает очень важным свойством – при выходе из строя одного из модулей, другие продолжают работать исправно. Благодаря построению гибридный модульных нейросетевых систем, можно получать универсальные и устойчивые системы.
Гибридные и модульные архитектуры нейронных сетей обладают широким рядом преимуществ над традиционными нейронными сетями. Среди них, можно выделить способность данных сетей к расширению без необходимости переобучения всей нейронной сети, что доставляет не мало проблем разработчикам. Достаточно переобучить один модуль и сеть может работать. Гибридные сети гораздо более стабильны к помехам, они гораздо быстрее обучаются, а процесс обучения проще. Это только часть характеристик, детально изложенных в данной работе.
Предложены несколько модификаций модульных нейронных сетей, на основе самоорганизующихся карт Кохонена, такие как Vector-Quantized Temporal Associative Memory (VQTAM), Recurrent SOM (RSOM), Modular SOM. Детально описана архитектура данных нейронных сетей.
Работа выполнена при финансовой поддержке РФФИ по проектам № 16-37-50023 и 14-07-00603.

1. Haykin S. Neural networks: a comprehensive foundation. New York: Macmillan, 1994.
2. Efremova, N., Asakura N., Inui T.. Natural object recognition with the view-invariant neural network. In: 5th International Conference of Cognitive Science, 2012, pp.802-804.
3. Trofimov, A., Povidalo I. And Chernetsov S. Usage of the self-learning neural networks for the blood glucose level of patients with diabetes mellitus type 1 identification. Science and education, 2010, vol. 5. Availible at: http://technomag.edu.ru/doc/142908.html
4. Haykin S. Neural networks: a comprehensive foundation. New York : Macmillan, 1994.
5. Perugini N. And Engeler W. E. Neural network learning time: Effects of network and training set size. In: International Joint conference on neural networks, 2: 1989, pp.395–401.
6. Gomi H. And Kawato M. Recognition of manipulated objects by motor learning with hybrid architecture networks. Neural Networks, 6: 1993, pp.485–497.
7. Azam F. And Vanlandingham H. F. A hybrid neural network method for robust handwritten character recognition. In Artificial Neural Networks for Intelligent Engineer-ing, ANNIE'98, 1998, vol. 8, pp. 503–508.
8. Lee T. Structure level adaptation for artificial neural networks. Kluwer Academic Publishers, 1991.
9. Kosslyn S. Image and Brain. MIT Press, Massachusits, 1994.
10. Stork B. Non-optimality via pre-adaptation in simple neural systems, In: Artificial Life II, Proceedings of the Workshop on Artificial Life.Held February, 1990, Santa Fe, New Mexico, 1991,vol. 3, pp. 409–429.
11. French R. Catastrophic forgetting in connectionist networks. In: Trends in Cognitive Sciences, 3(4): 1999, pp. 128–135.
12. Gustavo L., Souza M, Barreto A. Multiple Local ARX Modeling for System Identification Using the Self-Organizing Map. In: II European Symposium on Time Series Prediction, 2008, pp. 215-224.
13. Koskela T. Neural network methods in analyzing and modelling time varying processes – Espoo, 2003. pp. 1–72.
14. Tokunaga K., Furukawa T. SOM of SOMs. Neural Networks. 2009, vol.22, pp. 463 – 478.
15. Tokunaga K., Furukawa T. Hybrid network SOM. Neural Networks. 2008, №22, pp. 82–90.
16. Vetter T., Hurlbert A., Poggio T. View-based Models of 3D Object Recognition: Invariance to Imaging Transformations. Cerebral Cortex. 1995, vol. 3, pp. 261 – 269.