штучні нейронні мережі

Neural network models with different input: An application on stock market forecasting

It is no doubt challenging to forecast the stock market accurately in reality due to the ever-changing market.  Ever since Artificial Neural Networks (ANNs) have been recognized as universal approximators, they are extensively used in forecasting albeit not having a systematic approach in identifying optimal input.  The appropriate number of significant lags of a time series corresponds to the optimal input in time series forecasting.  Hence, this study aims to compare the effect of several approaches in determining the input lag for ANNs prior to stock market forecasti

Розроблення моделі мультифакторного портрету суб’єктів підтримки програмних комплексів з застосуванням штучних нейронних мереж

Розглянуто фактори впливу, що формують індивідуалістичне сприйняття об’єктів підтримки відповідними суб’єктами, які взаємодіють з ними, напряму або опосередковано. Досліджено та запропоновано форму представлення факторів впливу на підтримувані програмні комплекси, що включає в себе набір вхідних характеристик досліджуваного об’єкта підтримки, набір факторів впливу у вигляді матричної функції перетворення, та набір вихідних характеристик результуючого сприйняття все того ж досліджуваного об’єкта підтримки, проте в індивідуалістичному сприйнятті кожного окремого суб’єкта взаємодії з ним.

Самоорганізація в моделях обчислень нейронних мереж і декларативних програм

Порівнюються дві моделі обчислень – штучні нейронні мережі та декларативні програми, що побудовані на основі логіки предикатів. Пропонуються такі їх узагальнення, за яких процес обчислень зможе приводити до цілеспрямованих змін власної програми. Сформульовано принципи самоорганізації, за якими вказані зміни будуть не хаотичними, а визначеними в результаті пошуку. Для детального вивчення самоорганізації необхідне зближення та взаємне доповнення розглянутих моделей.

Simultaneous surrogate modeling and dimension reduction using unsupervised learning. Application to parametric wing shape optimization

This paper presents a machine-learning-based approach that enables simultaneous surrogate modeling and dimension reduction and applies it to aerodynamic parametric shape optimization.  Aerodynamic shape optimization is a crucial process in various industries, including aerospace, automotive, and renewable energy.  It involves iteratively improving the properties of a system by evaluating an objective function and driving its minimization or maximization using an optimization algorithm.  However, the evaluation of aerodynamic objective functions requires computationally

Robust shape optimization using artificial neural networks based surrogate modeling for an aircraft wing

Aerodynamic shape optimization is a very active area of research that faces the challenges of highly demanding Computational Fluid Dynamics (CFD) problems, optimization with Partial Differential Equations (PDEs) as constraints, and the appropriate treatment of uncertainties.  This includes the development of robust design methodologies that are computationally efficient while maintaining the desired level of accuracy in the optimization process.  This paper addresses aerodynamic shape optimization problems involving uncertain operating conditions.  After a review of pos

Нейромережі прямого поширення з комплексними вагами

Розглянуто комплексні штучні нейронні мережі, функції активації яких є комп- лексними аналогами раціональної сигмоїди. Наведено алгоритм навчання цих мереж, заснований на методі зворотного поширення похибки.

Neural networks with complex weights and continuously differentiable activation function have been studied in the paper. Learning algorithm based on the backpropagation method for rational sigmoid function has been given in the paper.

Технологія нейрокомп’ютингу реального часу

Проаналізовано особливості апаратної реалізації штучних нейронних мереж, вибрано принципи побудови, визначено шляхи підвищення ефективності використання обладнання, розроблено методи синтезу та базові структури нейрокомп’ютерних систем реального часу.

Features of hardware representation of artificial neural networks were analyzed, principles of construction were chosen, ways of efficiency increase of equipment use were determined, methods of synthesis and base structures of the neural computing, , real-time systems were developed.

A hybrid model for predicting air quality combining Holt–Winters and Deep Learning Approaches: A novel method to identify ozone concentration peaks

Ozone (O3) from the troposphere is one of the substances that has a strong effect on air pollution in the city of Tanger.  Prediction of this pollutant can have positive improvements in air quality.  This paper presents a new approach combining deep-learning algorithms and the Holt–Winters method in order to detect pollutant peaks and obtain a more accurate forecasting model.  Given that LSTM is an extremely powerful algorithm, we hybridized with the Holt–Winters method to enhance the model.  Making use of multiple accuracy metrics, the models' efficiency is investig

Інтелектуальна система аналізу процесів споживання заряду акумуляторними батареями

Потік робіт – це послідовність повторюваних та керованих кроків, спрямованих на вико- нання певного завдання чи роботи. Актуальність задачі оптимізації таких робіт сприяла розроб- ленню методів та засобів дослідження операцій для оптимізації таких процесів для потреб різних предметних областей. Інформаційними технологіями супроводу потоку робіт є рушії потоку робіт, які уможливлюють швидшу автоматизацію, забезпечують відповідність нормам та стандартам, формалізацію бізнес-процесів, удосконалення комунікації тощо.

Нейромережевий метод визначення активного складу вітрової електричної станції

В статті подано результати дослідження можливостей застосування нейронних мереж для розв’язання задачі визначення активного складу вітрової електричної станції (ВЕС) з врахуванням коефіцієнта ефективності кожної вітроелектричної установки (ВЕУ).