Multilayer Network of Neuro-Fuzzy Units in Forecasting Applications

• Autorzy: Yevgeniy Bodyanskiy , Sergiy Popov
• Języki publikacji: EN

Abstrakty

EN

A new neuron architecture named Neuro-Fuzzy Unit (NFU) is proposed, which is a generalization of elementary Rosenblatt's neuron and Neo-Fuzzy Neuron (NFN) by Yamakawa. NFU eliminates drawbacks of NFN, which complicate its application in multilayer networks. A learning algorithm based on gradient back-propagation procedure is introduced. The obtained results are confirmed by networks comparison in the task of short-term forecasting of electric load time series. (original abstract)

Została zaproponowana nowa architektura neuronowa nazwana Neuro-Fuzzy Unit (NFU), który jest uogólnieniem sztucznej sieci neuronowej Rosenblatta i sieci Neo-Fuzzy Neuron (NFN) opracowanej przez Yamakawę. NFU eliminuje wady NFN, które komplikowały jej stosowanie w sieciach wielowarstwowych. Został przedstawiony algorytm uczący się, oparty na wstecznej propagacji błędu. Uzyskane rezultaty są potwierdzone przez porównanie sieci w czasie wykonywania zadania tymczasowego przewidywania krótkoterminowego szeregów czasowych ładunków elektrycznych. (AT)

Słowa kluczowe

EN

Neural networks; Artificial neural networks (ANN); Learning of neural networks; Time-series

PL

Sieci neuronowe; Sztuczne sieci neuronowe (SSN); Uczenie sieci neuronowych; Szeregi czasowe

• Czasopismo: Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu
• Rocznik: 2008
• Numer: nr 25 Knowledge Acquisition and Management
• Strony: 9--14

Twórcy

autor

Yevgeniy Bodyanskiy

• Kharkiv National University of Radio Electronics, Kharkiv, Ukraine

autor

Sergiy Popov

• Kharkiv National University of Radio Electronics, Kharkiv, Ukraine

Bibliografia

• Bodyanskiy Ye., Gorshkov Ye., Kolodyazhniy V. (2005). Neuro-fuzzy Kolmogorov's network with a hybrid learning algorithm. In: Proc. XI Int. Conf. "Knowledge - Dialogue - Solution", 2. FOI Commerce, Sofia, pp. 622-627.
• Bodyanskiy Ye., Kokshenev I., Kolodyazhniy V. (2003). An adaptive learning algorithm for a neo-fuzzy neuron. In: Proc. 3rd Int. Conf. of European Union Society for Fuzzy Logic and Technology (EUSFLAT 2003). EUSFLAT, Zittau, pp. 375-379.
• Engle R. et al. (1992). Construction of the Puget Sound forecasting model. EPRI Project RP919. Quantitative Economic Res. Inst., San Diego, CA.
• Kolodyazhniy V., Bodyanskiy Ye. (2004). Fuzzy Kolmogorov's Network. In: Proc. 8th Int. Conf. Knowledge-Based Intelligent Information and Engineering Systems International (KES 2004). Eds. M. Negoita, R.J. Howlett, L.C. Jain. Springer, Berlin, pp. 764-771.
• Kolodyazhniy V., Bodyanskiy Ye., Otto P. (2005). Universal approximator employing neo-fuzzy neurons. In: Computational Intelligence: Theory and Applications. Ed. B. Reusch. Springer, Berlin, pp. 631-640.
• Kolodyazhniy V. et al. (2006). Neuro-fuzzy Kolmogorov's network with a modified perceptron learning rule for classification problems. In: Computational Intelligence: Theory and Applications. Ed. B. Reusch. Springer, Berlin, pp. 41-49.
• Yamakawa T. et al. (1992). A neo fuzzy neuron and its applications to system identification and prediction of the system behavior. In: Proc. 2nd Int. Conf. Fuzzy Logic and Neural Networks. Iizuka, Japan, pp. 477-483.