Сибирский федеральный университет

Перевод названия: Comparative analysis of nonparametric algorithms on the example of modelling of stochastic processes

Тип публикации: статья из журнала

Год издания: 2017

Ключевые слова: моделирование стохастических процессов, ядерная аппроксимация, нейросеть, сравнение алгоритмов, stochastic processes simulating, Core approximation, neural networks, comparison of algorithms

Аннотация: Рассмотрена проблема моделирования стохастических безынерционных процессов в пространстве входных-выходных переменных. Указаны некоторые различия между непараметрическими алгоритмами моделирования, а именно моделирования при помощи ядерной аппроксимации и персептрона Розенблатта - Парзена. Описаны принципы работы нейросетей и алгоритма обучения нейросетей. Раскрыто строение используемого в исследованиях персептрона. Рассмотрен алгоритм моделирования при помощи ядерной аппроксимации. Продемонстрирован результат оптимизации вектора “коэффициентов размытости ядра”. Оптимизация проводилась при помощи алгоритма Недлера - Мидда. Приведены результаты моделирования при помощи персептрона Розенблатта и ядерной аппроксимации. Показано, что между выбранными алгоритмами построения моделей нет существенного различия в точности. The problem of modelling of stochastic processes without inertia in the space of input-output variables is considered. The general scheme of the studied processes is described. Some differences between nonparametric algorithms of modelling, namely modelling by means of nuclear approximation and by means of Rosenblat - Parsena’s perceptron are considered. The question of identification in “broad” and “narrow” sense is briefly discussed. Distinction between these types of identification is described in detail. The fact that identification in the “broad” sense corresponds more to real problems of modelling rather than identification in “narrow” sense is proved. Principles of neural networks and it’s training algorithms are described. The structure of the perseptron used in research is described. The modelling algorithm based on the core approximation is considered. The vectors of the “smooth core” optimization result is shown. Optimization was performed by the Nedler - Midd algorithm. Further results of modelling by means of Rosenblat perceptron and core approximation were presented. It is shown that between the model designed to use neural network algorithm and the model, that designed to employ core approximation’s algorithm, there is no essential difference in accuracy. It is shown that neural networks give the forecast quicker than the method of local approximation, but at the same time neural networks training is much longer.

Журнал: Вычислительные технологии

Выпуск журнала: Т. 22, № 1

Номера страниц: 37-47

ISSN журнала: 15607534

Место издания: Новосибирск

Издатель: Федеральное государственное бюджетное учреждение науки Институт вычислительных технологий Сибирского отделения Российской академии наук

• Михов Евгений Дмитриевич (Сибирский федеральный университет)
• Михова Евгения Дмитриевна (Сибирский государственный аэрокосмический университет)
• Непомнящий Олег Владимирович (Сибирский федеральный университет)

• Ядро РИНЦ (eLIBRARY.RU)
• Список ВАК