Визначено специфіку математичної моделі класифікатора з випадковими підпросторами. Вперше проведено ймовірнісний аналіз його функціонування. Одержано ймовірнісні характеристики активації нейронів прихованих шарів та оцінку мінімальної помітної відстані. Визначено умови оптимальності вибору параметрів структури класифікатора для максимізації відстані Хеммінга між бінарними образами двох довільних вхідних векторів у представлені передостаннього шару мережі. Розроблено методи адаптації нейромережі щодо вирішення конкретних задач, таких як генерація чутливої структури класифікатора, що забезпечує щільність порогових значень пропорційною до реального розподілу відповідних компонент вхідних даних; локальне усереднення синаптичної матриці, що може наближати одержане класифікаційне рішення до байєсовського. Досліджено лінійну незалежність бінарних образів у просторі ознак і вперше доведено універсальність класифікатора з випадковими підпросторами, зокрема встановлено можливість безпомилкової інтерпретації довільної початкової вибірки. Проведено оцінку функціонування нейронної мережі на класифікаційній базі даних, що враховує різні геометричні та ймовірнісні аспекти, характеристики якості класифікації у порівнянні з показниками інших алгоритмів. Здійснено експериментальні дослідження щодо прогнозування динаміки фондового ринку на реальних історичних даних. Обгрунтовано доцільність використання патерну японських свічок та нормалізованих індикаторів відхилення від ковзних середніх у якості вхідних даних. Розроблено метод оцінки ефективності прогнозування з використанням поняття кількості інформації, що надається нейронною мережею.

  Скачати повний текст