Гибридные МГУА-сети глубокого обучения — анализ, оптимизация и применения для прогнозирования в финансовой сфере

Jazyk: angličtina
Rok vydání: 2022
Předmět:
Zdroj: System research and information technologies; No. 1 (2022); 73-86
Системные исследования и информационные технологии; № 1 (2022); 73-86
Системні дослідження та інформаційні технології; № 1 (2022); 73-86
ISSN: 1681-6048
2308-8893
Popis: In this paper, the new class of deep learning (DL) neural networks is considered and investigated — so-called hybrid DL networks based on self-organization method Group Method of Data Handling (GDMH). The application of GMDH enables not only to train neural weights, but also to construct the network structure as well. Different elementary neurons with two inputs may be used as nodes of this structure. So the advantage of such a structure is the small number of tuning parameters. In this paper, the optimization of parameters and the structure of hybrid neo-fuzzy networks was performed. The application of hybrid Dl networks for forecasting market indices was considered with various forecasting intervals: one day, one week, and one month. The experimental investigations of hybrid GMDH neo-fuzzy networks were carried out and comparison of its efficiency with FNN ANFIS in the forecasting problem was performed which enabled to estimate their efficiency and advantages.
Рассмотрен и исследован новый класс сетей глубокого обучения — гибридные сети глубокого обучения на основе метода самоорганизации МГУА. Применение МГУА позволяет обучать не только веса связей, но и конструировать структуру сети. В качестве узлов сети могут быть использованы элементарные нейроны с двумя входами. Преимущество такой структуры — малое количество настраиваемых параметров. Выполнена оптимизация параметров и структуры гибридных неофаззи сетей. Рассмотрено применение гибридных сетей глубокого обучения с оптимизированными параметрами для прогнозирования биржевых индексов с различными интервалами упреждения — один день, неделя и месяц. Проведены экспериментальные исследования гибридных МГУА неофаззи сетей и сравнение их с нечеткой нейронной сетью ANFIS, что позволило оценить эффективность и преимущества гибридных сетей по сравнению обычными сетями глубокого обучения.
Розглянуто та досліджено новий клас мереж глибокого навчання — гібридні мережі глибокого навчання на основі методу самоорганізації МГУА. Застосування МГУА дозволяє навчати не тільки ваги зв’язків, але і конструювати структуру мережі. Як вузли мережі можуть бути використані елементарні нейрони з двома входами. Перевага такої структури — мала кількість налаштовуваних параметрів. Виконано оптимізацію параметрів та структури гібридних неофаззі мереж. Розглянуто застосування гібридних мереж глибокого навчання з оптимізованими параметрами для прогнозування біржових індексів з різними інтервалами упередження — один день, тиждень та місяць. Проведено експериментальні дослідження гібридних МГУА неофаззі мереж та порівняння їх з нечіткою нейронною мережею ANFIS, що дозволило оцінити ефективність та переваги гібридних мереж порівняно звичайними мережами глибокого навчання.
Databáze: OpenAIRE
Externí odkaz: