Прогнозуюча нейро-фаззі мережа на основі багатовимірного нео-фаззі-нейрона та її процедура навчання

Abstract

UK: У статті запропоновано прогнозуючу нейро-фаззі мережу, що призначена для вирішення задач екстраполяції багатовимірних нестаціонарних стохастичних та хаотичних часових рядів за умов короткої навчальної вибірки. В основі мережі полягає багатовимірний нео-фаззі-нейрон із спеціально організованим вхідним шаром та сплайн-функціями належності. Введена система забезпечує високу якість апроксимації у сенсі середньоквадратичної похибки та високу швидкість збіжності за рахунок використання процедури навчання другого порядку. Розроблено програмне забезпечення, що реалізує запропоновану архітектуру нейро-фаззі мережі. Проведено ряд експериментів з дослідження властивостей запропонованої мережі. Результати експериментів підтвердили придатність запропонованої архітектури до розв’язання задач Data Mining та більш високу точність у порівнянні з традиційними прогнозуючими нейро-фаззі системами. EN: A forecasting neuro-fuzzy network designated for solving extrapolation tasks of multidimensional nonlinear non-stationary stochastic and chaotic time series under conditions of a short learning sample is proposed in the paper. The network is built with the help of a multidimensional neo-fuzzy neuron with an input layer which is organized in a special manner and a spline membership function. The proposed system provides high approximation quality in terms of a mean square error and high convergence speed on account of using the second-order learning procedure. A software that implements the proposed neuro-fuzzy network has been developed. A number of experiments has been held in order to research the system’s properties. Experimental results prove the fact that the developed architecture could be used in Data Mining tasks and the fact that the proposed neuro-fuzzy network has higher accuracy compared to traditional forecasting neuro-fuzzy systems.