Аннотация: Существуют ситуации, когда нужно получить не только точечный прогноз, но еще и доверительный интервал к нему. Примером такой ситуации может выступать задача составления нечеткого инвестиционного портфеля, входными параметрами которой, в том числе, являются нижняя граница доходности, наиболее ожидаемое значение доходности и верхняя граница доходности ценных бумаг. Кроме того, доверительный интервал позволяет оценить точность прогноза. В данной статье предложена модификация нечеткой нейронной сети TSK (Takagi, Sugeno и Kang’а), получившая название FOTSK (Fuzzy Output TSK), позволяющая получать на выходе нечеткое число вида: {нижняя граница; наиболее ожидаемое значение; верхняя граница}. Изменения затронули гибридный алгоритм обучения нечеткой нейронной сети TSK, а именно, его первый этап – расчет линейных параметров. В нечеткой нейронной сети FOTSK линейные параметры находятся из решения задачи линейного программирования, что, вдобавок, лишает нейронную сеть проблемы плохой обусловленности матрицы. Также, авторами предложен алгоритм поиска оптимальной структуры нечеткой нейронной сети TSK (оптимального количества используемых нейронной сетью правил), который позволяет избежать перерегулирования. В экспериментальных исследованиях было рассмотрено применение предложенной модификации FOTSK в задачах прогнозирования и произведено ее сравнение с оригинальной нечеткой нейронной сетью TSK, а также с НМГУА (Нечеткий Метод Индуктивного Моделирования). Исследования проводились в задачах прогнозирования курсов акций компаний IBM, Google, Apple, Coca-Cola? и McDonald’s? на 28.05.2010. Выборки данных были сформированы по курсам акций вышеупомянутых компаний, взятых за период с 27.05.2009 по 27.05.2010.

Ключевые слова: нечеткие нейронные сети, прогнозирование, FOTSK, TSK.

ACM Classification Keywords: I.2.6 Learning – Connectionism and neural nets.

Link:

ИССЛЕДОВАНИЕ МОДИФИКАЦИИ FOTSK НЕЧЕТКОЙ НЕЙРОННОЙ СЕТИ TSK В ЗАДАЧАХ ПРОГНОЗИРОВАНИЯ

Юлия Проскурня, Богдан Гривко

http://foibg.com/ibs_isc/ibs-19/ibs-19-p20.pdf