Нейросетевой анализ

[WorldMaster]

Здравствуйте. Поставили мне задачу следующего плана:
Есть набор парных данных An(x,y) ... причем значение y в некотором роде определяет поведение значения x.
Необходимо разработать механизм прогнозирования следующего значения A учитывая предыдущее поведение функции.
Мой выбор пал на нейросетевые методы, однако конкретной информации в инете не нашел. Очень много обобщенных материалов и никакой конкретики.

Вопрос: Моет ктонибудь сталкивался с подобными задачами и имеет какой нибудь материал конкретно по методом прогнозорования?? если есть какие нибудь примеры то это будет очень хорошо. Буду премного благодарен.
Спасибо.

[New man]

Хмм... ИМХО, эти сети могут подвести. Даже такая нейронная сеть, как человеческий мозг, не может проделать такую операцию. Хотя может быть это из-за раздолбайства Homo sapiens studenticus

[WorldMaster]

Сообщение от New man

Хмм... ИМХО, эти сети могут подвести. Даже такая нейронная сеть, как человеческий мозг, не может проделать такую операцию. Хотя может быть это из-за раздолбайства Homo sapiens studenticus

Да мне не нужно 100% угадывание, а нужно вероятность .. судя по тому что я прочитал методы существуют, пример ARTXP или ARIMA да и прочии.. даже алгоритм предсказания погоды вроде подходит однако нигде нету конкретики ... везде все написано типа есть алгоритм очень хорошо и траляля... но конкретно примеров с формулами не найти.

[New man]

поищи на procoder.info
Там было что-то про нейронные сети.
Вроде нейронная сеть состоит из двух частей : первая файл/ы, содержащие связи между нейронами, и сама программа, которая подгружает данные из тех файлов, оперирует ими и самообучается. Порою файлы со связями гораздо ценнее чем сама программа. Сам лишь интересовался данной темой, так что, это теория.

[Kostia]

Самый простой и не точный способ, это толкать в сеть [m .. n] n>=m элементов, т.е. окно, а обучать на [n+1 .. k] k>n. Ну а сеть, это просто многослойные персептрон с обратным распространением ошибки.
Подробнее:
Делите имеющиеся данные на обучающие и тестовые. Затем задаете размер окна и шаг, т.е. задаете кол-во элементов которые будут подаваться на вход. На выходе сравниваете полученный результат с точным, если погрешность велика, то обучаем(только один проход!) и сдвигаем окно на шаг. Вы можете пытаться прогнозировать сразу несколько значений наперед, тогда у сети будет несколько выходов.
Сеть выберите многослойную с 2-3 скрытыми слоями, задайте случайным образом весовые коэффициенты -1..1 и методом обратного распространения ошибки обучайте. В качестве метода оптимизации советую выбрать метод сопряженных градиентов. Функция активации гиперболический тангенс, производная которого выражается сама через себя.

[raxp]

Необходимо разработать механизм прогнозирования следующего значения A учитывая предыдущее поведение функции.

сплайн-аппроксимация?

[WorldMaster]

Сообщение от Kostia

В качестве метода оптимизации советую выбрать метод сопряженных градиентов. Функция активации гиперболический тангенс, производная которого выражается сама через себя.

Это вы щас с кем говорили???
Можно немного более простым языком с простейшими примерами???
Я буквально только начал изучать нейросети ... для меня ваши высказывание просто слова.

[Kostia]

Я буквально только начал изучать нейросети ... для меня ваши высказывание просто слова.

В таком случае рекомендую почитать:
Ясницкий "Введение в искусственный интеллект" глава 3
Хайкин "Нейронные сети. Полный курс. 2е издание" главы с первой по четвертую

сплайн-аппроксимация?

Тогда уж экстраполяция =)

В целом советую отказаться от использования искусственных НС, причин много. Требуют много ресурсов, по сравнению с алгоритмами заточенных под конкретную задачу, да и точность их работы крайне не высока. А если проектировать НС способную быстро обучаться и решать поставленную задачу, то это совсем гиблое дело, т.к. придется изучить огромное кол-во литературы по разным видам НС и т.д.

[raxp]

Тогда уж экстраполяция =)

на самом деле одно подразумевает другое
не путать с интерполяцией.

[Вадим Мошев]

Если не ошибаюсь, аппроксимация - то частный случай интерполяции, только в первом случае зависимость уже известна