Time series intelligent processing using heterogeneous neural networks

dc.contributor.authorAvdiyenko, L.
dc.date.accessioned2017-01-25T13:56:38Z
dc.date.available2017-01-25T13:56:38Z
dc.date.issued2007
dc.description.abstractЗапропоновано гетерогенну модель нейронної мережі для розв'язання задач прогнозування часових рядів. Модель що побудована на основі адаптивних радіально-базисних нейтронних мереж, здатна у процесі навчання адаптувати вагові коефіцієнти і архітектуру мережі, забезпечуючи збіжність, високу точність алгоритму і здатність розв'язувати задачі у реальному часі, де можлива зміна природи даних у процесі навчання, забезпечуючи при цьому кращий результат, ніж кожна адаптивна мережа окремо. In this article a heterogeneous model of neural network for time series prediction problem is proposed. Based on adaptive radial basis function networks this model is able to adapt weight coefficients and the network topology during learning and with it to provide a convergence, a good accuracy of algorithm and a possibility to solve real-time problems where data may be changed during learning. It is proved that the efficiency of heterogeneous model is better than the efficiency of both adaptive networks.uk_UA
dc.identifier.citationAvdiyenko L. Time series intelligent processing using heterogeneous neural networks / L. Avdiyenko // Вісник Національного університету "Львівська політехніка". – 2007. – № 604 : Комп’ютерні науки та інформаційні технології. – С. 10–19. – Bibliography: 10 titles.uk_UA
dc.identifier.urihttps://ena.lpnu.ua/handle/ntb/35094
dc.language.isoenuk_UA
dc.publisherВидавництво Національного університету "Львівська політехніка"uk_UA
dc.titleTime series intelligent processing using heterogeneous neural networksuk_UA
dc.typeArticleuk_UA

Files

Original bundle

Now showing 1 - 1 of 1
Thumbnail Image
Name:
3_10-19.pdf
Size:
196.01 KB
Format:
Adobe Portable Document Format

License bundle

Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
1.71 KB
Format:
Item-specific license agreed upon to submission
Description: