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

Ключові слова: регресія; генералізаційні властивості; підвищення точності; нейронні мережі узагальненої регресії

Анотація

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.

Біографії авторів

П. В. Вітинський, Національний університет "Львівська політехніка", м. Львів

аспірант, кафедра інформаційних технологій видавничої справи

Р. О. Ткаченко, Національний університет "Львівська політехніка", м. Львів

 д-р техн. наук, професор, завідувач кафедри інформаційних технологій видавничої справи

І. В. Ізонін, Національний університет "Львівська політехніка", м. Львів

канд. техн. наук, асистент кафедра інформаційних технологій видавничої справи

Посилання

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].

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].

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].

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].

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.

Izonin, I., Kryvivska, N., Tkachenko, R., & Zub, K. (2019a). An approach towards missing data recovery within IoT smart system. Procedia Computer Science (in print).

Izonin, I., Kryvivska, N., Vitynskyi, P., Tkachenko, R., & Zub, K. (2019). GRNN Approach Towards Missing Data Recovery between IoT Systems. Advances in Intelligent Systems and Computing, 1035, 445–453.

Kaczor, S., & Kryvinska, N. (2013). It is all about Services – Fundamentals, Drivers, and Business Models. Journal of Service Science Research, 5(2), 125–154. https://doi.org/10.1007/s12927-013-0004-y

Mishchuk, O. S., & Tkachenko, R. O. (2019). Methods of processing and filling of missing parameters in ecological monitoring data. Scientific Bulletin of UNFU, 29(6), 119–122. https://doi.org/10.15421/40290623

Molnár, E., Molnár, R., Kryvinska, N., & Greguš, M. (2014). Web Intelligence in practice. Journal of Service Science Research, 6(1), 149–172. https://doi.org/10.1007/s12927-014-0006-4

Repository. (2019). UCI Machine Learning Repository: Air Quality Data Set. Retrieved from: http://archive.ics.uci.edu/ml/datasets/air+quality. [Accessed: 09.09.2019].

Specht, D. F. (1991). A general regression neural network, IEEE Transactions on Neural Networks, 2(6), 568–576. https://doi.org/10.1109/72.97934

Tereikovskyi, A. I. (2011). Optimization of neural network architecture for diagnostics of computer network status. Upravlinnia rozvytkom skladnykh system, 6, 155–158. [In Ukrainian].

Vito, S. De, Massera, E., Piga, M., Martinotto, L., & Francia, D. (2008). On field calibration of an electronic nose for benzene estimation in an urban pollution monitoring scenario. Sensors and Actuators B: Chemical, 129(2), 750–757. https://doi.org/10.1016/j.snb.2007.09.060

Опубліковано
2019-10-31
Як цитувати
Вітинський, П. В., Ткаченко, Р. О., & Ізонін, І. В. (2019). Ансамбль мереж GRNN для розв’язання задач регресії з підвищеною точністю. Науковий вісник НЛТУ України, 29(8), 120-124. https://doi.org/10.36930/40290822
Розділ
Інформаційні технології