TIME SERIES PREDICTION WITH HYBRID NEURAL NETWORK

В докладе рассказываете об опыте прогнозирования биржевых котировок с применением аппарата нейронных сетей. Предлагается гибридная архитектура нейросети на основе самоорганизующейся карты Кохонена и многослойного персептрона, а также авторская идея иерархической структуры самоорганизующегося слоя и алгоритм справедливого обучения кластеров. Рассматриваются различные виды зависимостей в данных и приводится пример обучения подобной архитектуры на функции типа лунная поверхность . Report contains authors experience in predicting exchange rates time series with neural networks. The hybrid architecture suggested, based on Self-Organizing Maps (SOM) and Multi-Layer Perceptron (MLP) as well as authors method of building hierarchical SOM structure with equitable teaching algorithm. Different types of data dependencies discussed, and the example of adjusted model shown.