Affiliation:
1. Южно-Уральский государственный университет (национальный исследовательский университет)
Abstract
В статье описан метод определения проекции произвольного вектора на гиперплоскость в многомерном пространстве путем взаимодействия суперкомпьютера и искусственной нейронной сети. Суперкомпьютер строит визуальное представление гиперплоскости в окрестности некоторой точки. Визуальный образ обрабатывается нейронной сетью прямого распространения. В качестве ответа нейронная сеть возвращает направление проекции заданного вектора на гиперплоскость. В статье описано построение обучающего множества, проектирование, оптимизация и обучение нейронной сети. Представлены результаты вычислительных экспериментов с различными конфигурациями нейронных сетей.
Reference13 articles.
1. Соколинская И.М., Соколинский Л.Б. О решении задачи линейного программирования в эпоху больших данных // Параллельные вычислительные технологии (ПаВТ'2017). Короткие статьи и описания плакатов. Челябинск: Издательский центр ЮУрГУ, 2017. C. 471–484. URL: http://omega.sp.susu.ru/pavt2017/short/014.pdf.
2. Brogaard J., Hendershott T., Riordan R. High-Frequency Trading and Price Discovery // Review of Financial Studies. 2014. Vol. 27, no. 8. P. 2267–2306. DOI: 10.1093/rfs/hhu032.
3. Deng S., Huang X., Wang J., et al. A Decision Support System for Trading in Apple Futures Market Using Predictions Fusion // IEEE Access. 2021. Vol. 9. P. 1271–1285. DOI: 10.1109/ACCESS.2020.3047138.
4. Seregin G. Lecture notes on regularity theory for the Navier-Stokes equations. Singapore: World Scientific Publishing Company, 2014. 268 p. DOI: 10.1142/9314.
5. Demin D.A. Synthesis of optimal control of technological processes based on a multialternative parametric description of the final state. Eastern-European Journal of Enterprise Technologies. 2017. Vol. 3, 4(87). P. 51–63. DOI: 10.15587/1729-4061.2017.105294.