Аннотации:
In the work, we built a predictive neural network to successfully predict several main classes of radar data, as well as economic indicators. It is a two-layer neural network feedforward network based on the backpropagation error algorithm. The results of forecasting real radio signals. Based on the results of the forecast, it turned out that the neural network ensures the accuracy of the short-term forecast. In this article, we describe the procedures for selecting characteristics for learning a neural network, justifying the choice of the structure of the neural network, training and the results obtained.
Time series forecasting is currently an important topic, as it has a wide range of applications (radar, medicine, socio-economic sphere, energy, risk management, engineering applications, etc.). Analysis of works in the field of long-term forecasting of non-deterministic signals showed that at the moment the least studied is the neural network long-term forecasting. The use of neural networks for long-term forecasting is based on their ability to approximate nonlinear functions, the accumulation
of history and its application in forecasting and learning ability. The work was based on the method of neural network forecasting using a two-layer network with direct distribution. The implemented
neural network can be used to predict real signals of different frequency bands. This study can be very useful in medicine, geodesy, Economics and other areas. Построена прогностическая нейронная сеть для успешного прогнозирования нескольких основных классов радиолокационных данных, а также экономических показателей. Это двухслойная
нейронная сеть прямой связи, основанная на алгоритме ошибки обратного распространения.
Приведены результаты прогнозирования реальных радиосигналов. По результатам прогноза оказалось, что нейронная сеть обеспечивает точность краткосрочного прогноза. В данной статье описываются процедуры выбора характеристик для обучения нейронной сети,
обосновывается выбор структуры нейронной сети, обучение и полученные результаты. Прогнозирование временных рядов в настоящее время является важной темой, так как имеет широкий спектр применения (радиолокация, медицина, социально-экономическая сфера, энергетика, управление рисками, инженерные приложения и другие сферы применения). Анализ работ в области долгосрочного прогнозирования недетерминированных сигналов показал,
что на данный момент наименее изученной является нейросеть долгосрочного прогнозирования.
Использование нейронных сетей для долгосрочного прогнозирования основано на их способности аппроксимировать нелинейные функции, накоплении истории и ее применении
в прогнозировании и обучаемости.
Описание:
A.O. Golovenko, golan94@mail.ru,
A.A. Kopyrkin, iodo108@mail.ru
South Ural State University, Chelyabinsk, Russian Federation. Головенко Антон Олегович, аспирант, лаборант кафедры «Системное программирование», Южно-Уральский государственный университет, г. Челябинск; golan94@mail.ru.
Копыркин Александр Андреевич, аспирант кафедры «Инфокоммуникационные технологии
», Южно-Уральский государственный университет, г. Челябинск; iodo108@mail.ru.