Successive Geometric Transformations Model Research Articles

Ансамбль нейромереж GRNN на підставі зміщених поверхонь відгуку для задач електронної комерції

Розв'язок задач електронної комерції, які здебільшого характеризуються нелінійними поверхнями відгуку, є важливим завданням. Застосування сучасних засобів обчислювального інтелекту не завжди є доречним зважаючи на складність реалізації процедур навчання і налагодження. Неітеративні засоби та нейронні мережі без навчання також не забезпечують задовільної точності результату. З огляду на це у роботі описано новий ансамбль на підставі нейронних мереж узагальненої регресії. Основна ідея розробленого ансамблю полягає в лінеаризації поверхні відгуку, що задається даними наявної вибірки. Для цього отримана за допомогою мережі GRNN поверхня подається на вхід лінійної нейроподібної структури. Така комбінація забезпечує підвищення точності роботи ансамблю під час розв'язання поставленої задачі. Описаний ансамбль застосовано для розв'язання задачі прогнозування ціни на вживані автомобілі. Експериментальним способом підібрано оптимальні параметри його роботи. Шляхом порівняння із відомими методами встановлено найвищу точність його роботи. Результати експериментальних досліджень порівняно з теоретичними оцінками на підставі висновків теореми Кондорсе про журі присяжних. Розроблений ансамбль нейронних мереж узагальненої регресії на підставі зміщення поверхонь відгуку та з додатковим використанням нейроподібних структур Моделі послідовних геометричних перетворень варто застосовувати під час розв'язання різноманітних задач електронної комерції підвищеної точності.

Development of the method of forecasting the atmospheric air pollution parameters based on error correction by neural-like structures of the model of successive geometric transformations

The article describes the importance of improving existing and exploring new algorithms for predicting environmental parameters to improve the quality of environmental monitoring. Because the organization and management of production require the development of new approaches to the problem of control and management of industrial sources of harmful substances based on new information technologies. One of the most problematic places in industrial air quality control and management systems is the development of advanced prospective air pollution forecasting algorithms. These algorithms must take into account t situational changes in data distribution and do not require retraining of atmospheric air pollution parameters. With the advent of neural-like structures, there is a need for their study, including the task of predicting the parameters of air pollution. The object of research is the neural-like structures of the Model of Successive Geometric Transformations. A method for predicting the parameters of atmospheric air pollution based on error correction with the help of a committee of different types of neural-like structures is proposed. In the course of the study, three methods for predicting the parameters of atmospheric air pollution were analyzed: a Generalized Regression Neural Network, a Radial Basis Function, and a neural-like structure of Sequential Geometric Transformations Model. A combination of these methods was performed and the results of the three methods were compared. It is experimentally determined that the prediction of atmospheric air pollution parameters based on the error correction using the committee of neural-like structures of the Sequential Geometric Transformations Model provides a prediction error reduction by 7 % of the General Regression Neural Network and by 2.6 % of the Radial Basis Function with extended General Regression Network. The obtained results increase the reliability and speed of forecasting of atmospheric air parameters to improve the quality of monitoring of emissions of harmful impurities in production and to make environmental management decisions.

Багатокрокове прогнозування тренду показників забруднення атмосферного повітря

Наявність величезної кількості джерел небезпеки, спричинених діяльністю людини, становить реальну загрозу для самої людини і навколишнього середовища. Сучасний рівень організації та моніторингу забруднення навколишнього середовища висуває вимоги до розроблення нових підходів щодо вирішення проблеми контролю якості атмосферного повітря, прогнозування його забруднення та управління джерелами викидів шкідливих речовин на основі нових інформаційних технологій. Тому створення інтегрованих автоматизованих систем контролю та управління якістю атмосферного повітря, розроблення перспективних моделей і алгоритмів прогнозування забруднення повітря є актуальною проблемою. Одночасно розроблювані алгоритми прогнозування повинні бути простими та зрозумілими у використанні, тому у дослідженні описано та проаналізовано такі методи прогнозування параметрів забруднення атмосферного повітря: метод наївного прогнозу та методи прогнозування на основі лінійної нейроподібної структури моделі послідовних геометричних перетворень. Оскільки метод наївного прогнозу є найпростішим серед всіх існуючих методів, було виконано порівняння методу прогнозування на основі лінійної нейроподібної структури моделі послідовних геометричних перетворень (НС МПГП) саме зі згаданим методом, з ціллю визначення який метод результує з кращими показниками. Експериментально доведено, що метод прогнозування тренду шкідливої домішки CO на основі лінійної нейроподібної структури моделі послідовних геометричних перетворень є ефективним методом, оскільки показує точніші результати, ніж метод наївного прогнозу. Тому за допомогою розроблюваного методу виконано короткочасне багатокрокове прогнозування тренду забруднення атмосферного повітря.

Ансамбль мереж GRNN для розв'язання задач регресії з підвищеною точністю

Розроблено метод ансамблювання нейронних мереж узагальненої регресії для підвищення точності розв'язання задачі прогнозування. Описано базові положення функціонування нейронної мережі узагальненої регресії. На основі цього подано алгоритмічну реалізацію розробленого ансамблю. Аналітично доведено можливість підвищення точності прогнозу із використанням розробленого ансамблю. Із використанням бібліотек мови Python, розроблено програмне рішення для реалізації описаного методу. Проведено експериментальне моделювання роботи методу на реальних даних задачі регресії. Встановлено високу ефективність розв'язання поставленої задачі із застосуванням розробленого методу на основі як середньої абсолютної похибки у відсотках, так і з використанням середньоквадратичної похибки. Здійснено порівняння роботи методу із наявними: апроксимацією поліномом Вінера на основі Стохастичного Градієнтного спуску, нейронною мережею узагальненої регресії та модифікованим алгоритмом AdaBoost. Експериментальним шляхом доведено найвищу точність розв'язання поставленої задачі розробленим методом на основі обох показників точності серед усіх розглянутих у роботі методів. Зокрема, він забезпечує більш ніж на 3,4, 4,3 та 8,3 % (MAPE) вищу точність порівняно із наявними методами відповідно. Розроблений метод можна використовувати для отримання розв'язків підвищеної точності під час вирішення прикладних завдань електронної комерції, медицини, матеріалознавства, бізнес-аналітики та інших.

Методи оброблення та заповнення пропущених параметрів у даних екологічного моніторингу

Сьогодні існує багато методів відновлення пропущених параметрів у даних, але для кожної області застосування використовують різні методи заповнення пропусків. У роботі проаналізовано такі методи оброблення пропусків: видалення елементів з пропусками, метод зважування та заповнення пропущених параметрів. Описано механізми утворення пропущених параметрів, за яких ймовірність пропусків для кожного запису набору однакова, за яких ймовірність пропусків визначається на основі іншої наявної інформації без пропусків та за яких дані відсутні залежно від невідомих чинників. Проаналізовано методи заповнення пропущених параметрів у даних екологічного моніторингу, такі як: методи середнього значення, наївного прогнозу та регресійного моделювання. Описано такі методи відновлення пропусків на основі регресійного моделювання: багатошаровий персептрон; Adaptive Boosting; метод опорних векторів; Random Forest та метод лінійної регресії з використанням стохастичного градієнтного спуску. Виконано порівняння найпростіших методів заповнення пропусків та методів відновлення пропусків на основі регресійних моделей. Експериментально доведено, що попередньо розроблений метод заповнення пропусків на основі нейроподібної структури моделі послідовних геометричних перетворень є найефективнішим методом, оскільки показує найточніші результати.

Нейроподібна структура для задач прогнозування в умовах коротких вибірок даних

Задача прогнозування є однією із пріоритетних задач бізнесу. З ростом інструментарію прогнозування, а також із бурхливим розвитком потужностей комп'ютерної техніки цій задачі приділяють дедалі більше уваги. На сьогодні більшість менеджерів провідних компаній мають змогу застосовувати інформаційні системи на основі складного математичного апарату для аналізу даних. Проте проблема розуміння алгоритмів, закладених в основі таких інформаційних систем, а також правильний підбір моделі прогнозування є важливою проблемою, оскільки некоректні прогнози можуть призвести до прийняття неправильного рішення. Проблема поглиблюється у разі опрацювання недостатньої кількості даних, що характерно для розв'язання низки задач. Зокрема, для розв'язання задач прогнозування попиту на новий товар чи нову послугу організації, зокрема в системах електронної комерції, необхідна достатня кількість даних для реалізації процедур навчання. Проте їх невелика кількість, під час застосування наявних методів, призводить до неточних, некоректних прогнозів. Саме тому виникає потребу удосконалення наявних та пошуку нових рішень розв'язання задачі прогнозування в умовах коротких вибірок даних. У роботі запропоновано новий, розроблений авторами, інструмент обчислювального інтелекту для ефективного розв'язання цієї задачі. Описано нейроподібну структуру для підвищення точності розв'язання задач прогнозування в умовах коротких вибірок даних. ЇЇ побудовано з використанням штучної нейронної мережі узагальненої регресії та гібридної нейроподібної структури Моделі Послідовних Геометричних Перетворень з RBF ядром. Подано алгоритмічну реалізацію побудови методу подвоєння входів, що знаходиться в основі роботи системи. Проаналізовано процедури підбору оптимальних параметрів для її роботи. Проведено експериментальне моделювання роботи нейроподібної структури для розв'язання задачі прогнозування. Отримані результати показали високу точність її роботи. Ефективність використання розробленої структури підтверджено порівнянням її роботи з наявними – багатошаровим перцептроном, штучною нейронною мережею узагальненої регресії та машиною опорних векторів. Розроблена нейроподібна структура демонструє точність на основі MAPE відповідно у більше ніж 3, 6 та 10 разів вищу порівняно із відомими методами. Розроблену структуру можна використовувати у багатьох сферах, зокрема електронній комерції, бізнес-аналітиці, тощо.

Development of the Non-Iterative Supervised Learning Predictor Based on the Ito Decomposition and SGTM Neural-Like Structure for Managing Medical Insurance Costs

The paper describes a new non-iterative linear supervised learning predictor. It is based on the use of Ito decomposition and the neural-like structure of the successive geometric transformations model (SGTM). Ito decomposition (Kolmogorov–Gabor polynomial) is used to extend the inputs of the SGTM neural-like structure. This provides high approximation properties for solving various tasks. The search for the coefficients of this polynomial is carried out using the fast, non-iterative training algorithm of the SGTM linear neural-like structure. The developed method provides high speed and increased generalization properties. The simulation of the developed method’s work for solving the medical insurance costs prediction task showed a significant increase in accuracy compared with existing methods (common SGTM neural-like structure, multilayer perceptron, Support Vector Machine, adaptive boosting, linear regression). Given the above, the developed method can be used to process large amounts of data from a variety of industries (medicine, materials science, economics, etc.) to improve the accuracy and speed of their processing.