1. SCSIT
  2. All Volumes and Issues
  3. Volume 744, 2012
  4. Прогнозування багатовимірних нестаціонарних часових рядів на основі адаптивної нео-фаззі-моделі

Прогнозування багатовимірних нестаціонарних часових рядів на основі адаптивної нео-фаззі-моделі

SCSIT.
2012;
Volume 744
: pp. 312 - 320
Authors: 

Є. Бодянський, О. Тищенко, Д. Копаліані

Харківський національний університет радіоелектроніки, Проблемна науково-дослідна лабораторія АСУ

Введено структуру адаптивного нео-фаззі-предиктора та багатовимірного нео- фаззі-нейрона, а також метод навчання останнього. Запропонований алгоритм навчання має підвищену швидкість збіжності та забезпечує фільтруючі властивості. Завдяки введеній нейромережевій архітектурі, вузлами якої є нео-фаззі-нейрони, можна розв’язувати задачі короткострокового прогнозування у реальному часі за умов короткої навчальної вибірки.

The architectures of the adaptive neo-fuzzy predictor and a multidimensional neo-fuzzy- neuron are introduced. The proposed learning algorithm increases convergence rate and provides improved filter properties. The short-term prediction tasks may be fulfilled in an online mode with the help of proposed neuro-fuzzy architectures when a data set is short.

adaptive prediction
neo-fuzzy-neuron
learning algorithm
prediction
time series
  1. Haykin S. Neural Networks. A Comprehensive Foundation. – Upper Saddle River, N.J.: Prentice Hall, Inc., 1999. – 842 p.
  2. Mandic D.P., Chambers J.A. Recurrent Neural Networks for Prediction. – Chichester: John Wiley & Sons, 2001. – 285p.
  3. Jang J.-S. R., Sun C.-T., Mizutani E. Neuro-Fuzzy and Soft Computing. A Computational Approach to Learning and Machine Intelligence. – Upper Saddle River, N.J.: Prentice Hall, Inc., 1997. – 614p.
  4. Бодянский Е.В., Романюк О.А., Удовенко О.С. Адаптивный фильтр-предиктор многомерных существенно нестационарных временных рядов // Системи обробки інформації. – 2009. – Вип. 4 (78). – С. 23–28.
  5. Yamakawa T., Uchino E., Miki T., Kusanagi H. A neo fuzzy neuron and its applications to system identification and prediction of the system behavior // Proc. 2-nd Int. Conf. on Fuzzy Logic and Neural Networks «IIZUKA-92». – Iizuka, Japan, 1992. – P. 477–483.
  6. Sugeno M. An introductory survey of fuzzy control // Information Sciences. – 1985. – 36. – P. 59–83.
  7. Jang J.-S. R., Sun C.-T. Functional equivalence between radial basis function networks and fuzzy inference systems // IEEE Trans. on Neural Networks. – 1993. – 4. – P. 156-159.
  8. Park J., Sandberg I.W. Universal approximation using radial-basis-function network // Neural Computation. – 1991. – 3. –P. 246–257.
  9. Wang L.X. Fuzzy systems are universal approximators // Proc. 1st IEEE Conf. on Fuzzy Systems. – San Diego. – 1992. – P. 1163-1169.
  10. Landim R.P., Rodrigues B., Silva S.R., Matos W. A neo- fuzzy-neuron with real-time training applied to flux observer for an induction motor // Proc. Vth Brazilian Symp. on Neural Networks. – Los Alamitos, CA: IEEE Computer Society, 1998. – P. 67–72.
  11. Бодянский Е.В., Тищенко А.К. Адаптивный нео-фаззи-предиктор многомерных нестационарных временных рядов // Системи обробки інформації. – 2012. – Вип. 3(101). – Т.2. – С. 8–12.