Glushchenko_laba2
Лаборатория #2
Решение на проблема с прогнозирането с помощта на невронни мрежи и размити невронни мрежи в пакета Matlab
Целта на работата:да се изгради невронна мрежа и хибридна невронна мрежа в пакета Matlab, която на базата на данните за валутния курс за определен период прогнозира обменния курс за следващия период. Определете влиянието на параметрите на модела и контролера върху резултатите от симулацията.
Невронните мрежи и размитата логика са универсални апроксиматори на сложни (нелинейни) функционални зависимости в много интелектуални проблеми на кибернетиката: прогнозиране, диагностика, разпознаване на образи и др.
Предимството на размитата логика е възможността за използване на експертни знания за структурата на даден обект под формата на лингвистични твърдения: ако , то . Апаратът на размитата логика обаче не съдържа механизми за обучение. Следователно резултатите, получени с негова помощ, силно зависят от вида на функциите на принадлежност, които формализират размитите термини. Освен това експертът трябва да определи всички правила. Такъв алгоритъм е до голяма степен статичен. Необходимостта от промяната ще изисква доста трудоемка експертна процедура.
Основната характеристика на невронните мрежи е способността им да се обучават. За да се обучи невронна мрежа, не е необходима априорна информация за структурата на желаната функционална зависимост. Всичко, от което се нуждаете, е образец за обучение под формата на двойки.
Вместо да се определят всички функции на принадлежност на лингвистични променливи и правила, е необходимо да се създаде обучителна извадка с достатъчен размер. Един от критериите за "достатъчност" е следният: броят на тренировъчните двойки трябва да надвишава броя на конфигурируемите мрежови параметри.
Предимството на този метод е възможността за самостоятелно конфигуриране на мрежовите параметри вработен процес.
Комбинирането на размита логика с невронни мрежи дава фундаментално ново качество. Невро-размитата мрежа, получена в резултат на такава комбинация, има две най-важни човешки (интелектуални) свойства: а)лингвистично, т.е. използване на знания на естествен език; б)обучениев реално време.
В съответствие с анализа, извършен в редица работи, за класа задачи, към които са приложими невро-размитите мрежи, невронните мрежи изискват значително повече итерации по време на обучение. Тъй като всяка итерация отнема определено компютърно време, общото време за обучение на невронната мрежа е по-голямо (Таблица 1).
Таблица 1- Сравнение на невронна и невро-размита идентификация