Ансамбль мереж GRNN для розв'язання задач регресії з підвищеною точністю-Reference-Cited by-同舟云学术

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

Published:2019-10-31 Issue:8 Volume:29 Page:120-124
ISSN:2519-2477
Container-title:Scientific Bulletin of UNFU
language:
Short-container-title:SBUNFU

Author:

Vitynskiy P. B.^ORCID,Tkachenko R. O.^ORCID,Izonin I. V.^ORCID

Abstract

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.

Publisher

Ukrainian National Forestry University

Reference14 articles.

1. Bodianskyi, Ye. V., Deineko, A. O., Zhernova, P. Ye., Zolotukhin, O. V., & Khaustova, Ya. V. (2017). Consecutive nuclear fuzzy clustering of large data sets based on hybrid computational intelligence system. (Ser. Information Systems and Networks). Bulletin of the National University of Lviv Polytechnic, 872, 20–24. [In Ukrainian].

2. Deineko, A. O., Bodianskyi, Ye. V., & Pliss, I. P. (2012). Combined learning of the evolutionary neuro-phase system. Radioelektronika. Informatyka. Upravlinnia, 1, 86–92. [In Ukrainian].

3. Dubrovyn, V. Y., Subbotyn, S. A., Bohuslaev, A. V., & Yatsenko, V. K. (2003). Intelligent means of diagnostics and prediction of reliability of aircraft engines. Zaporizhzhia: OAO "Motor-Sych", 279 p. [In Russian].

4. Ivanets, O. B., Bukrieieva, O. V., & Dvornik, M. V. (2011). Construction of prediction models using artificial neural networks. Elektronika ta systemy upravlinnia, 4(30), 139–142. [In Ukrainian].

5. Izonin, I., Greguš, M., Tkachenko, R., Logoida, M., Mishchuk, O., & Kynash, Yu. (2019b). SGD-based Wiener Polynomial Approximation for Missing Data Recovery in Air Pollution Monitoring Dataset. Lecture Notes in Computer Science, 11506, 781–793.

Cited by 2 articles. 订阅此论文施引文献订阅此论文施引文献，注册后可以免费订阅5篇论文的施引文献，订阅后可以查看论文全部施引文献

1. An approach towards missing data management using improved GRNN-SGTM ensemble method;Engineering Science and Technology, an International Journal;2021-06

2. An Approach towards Increasing Prediction Accuracy for the Recovery of Missing IoT Data based on the GRNN-SGTM Ensemble;Sensors;2020-05-04