Mapy neuronowe w analizie i eksploracji danych ekonomicznych

• Autorzy: Janusz Morajda

Warianty tytułu

Neural Maps for the Analysis and Exploration of Economic Data

• Języki publikacji: PL

Abstrakty

Celem niniejszej pracy jest sformułowanie propozycji nowych modeli neuronowych przeznaczonych do analizy i eksploracji danych ekonomicznych, a jednocześnie uwzględniających postulat łatwiejszej interpretacji i wizualizacji sygnałów modelu. Do głównych celów pracy należy również przeprowadzenie analiz formalnych stanowiących matematyczną podstawę funkcjonowania proponowanych modeli, realizacja badań efektywności tych modeli w wybranych zagadnieniach ekonomicznych i badań związanych z doborem ich parametrów, a także przeprowadzenie analiz porównawczych z innymi narzędziami o podobnej funkcjonalności. Kategorią sieci neuronowych, do której należy zaliczyć rozważane w niniejszym opracowaniu modele, są tzw. mapy neuronowe oparte na strukturze i funkcjonowaniu oryginalnej sieci (mapy) neuronowej Kohonena typu SOM. Oprogramowanie, zastosowane do realizacji proponowanych w niniejszym opracowaniu modeli, zostało opracowane (przez autora) przy wykorzystaniu języka programowania C. (fragment tekstu)

EN

The monograph proposes new neutral models for analysing and exploring economic data and providing opportunities for the explication and visualization of their output signals. The models are specific neutral maps based on the structure and functionality of the original Kohonen neutral network (map) SOM, but they are adapted to solving classification and prediction (value estimation) problems and also to certain other data exploration tasks. Formal analyses, constituting the mathematical foundations for the operation of the models, were conducted, as was both research on the models' effectiveness in selected economic issues and parameter optimization. Comparative analyses referring to other useful tools in the problems considered were also carried out. (...) (sort original abstract)

Słowa kluczowe

PL

Sieci neuronowe; Sztuczna inteligencja; Prognozowanie zjawisk ekonomiczno-społecznych; Modele neuronalne; Rozprawa habilitacyjna

EN

Neural networks; Artificial intelligence; Economic and social phenomenon forecasting; Neuronal models; Habilitation thesis

• Czasopismo: Zeszyty Naukowe / Uniwersytet Ekonomiczny w Krakowie. Seria Specjalna, Monografie
• Rocznik: 2012
• Numer: nr 204
• Strony: 229

Twórcy

autor

Janusz Morajda

• Uniwersytet Ekonomiczny w Krakowie

Bibliografia

• Aczel A.D. [2000], Statystyka w zarządzaniu, PWN, Warszawa.
• Advances in Neural Network Research and Applications [2010], eds. Z. Zeng, J. Wang, Lecture Notes in Electrical Engineering 67, Springer, Berlin, Heidelberg.
• Azoff E.M. [1994], Neural Network Time Series Forecasting of Financial Markets, Wiley, New York.
• Beliczyński B. [2004], Input Preprocessing for Neural Feedforward Architecture, Proc. Intelligent Information Processing and Web Mining, Zakopane, Springer.
• Cottrell M., de Bodt E. [1996], Understanding the Leasing Decision with the Help of a Kohonen Map: An Empirical Study of the Belgian Market, Proc. of the IEEE Int. Conference on Neural Networks, Washington.
• Chu S. [2001], Pricing the C's of Diamond Stones, "Journal of Statistics Education", Vol. 9, No. 2.
• Cybenko G. [1989], Approximation by Superposition of a Sigmoidal Function, Mathematics of Control, Signals and Systems.
• Demski T. [2007], Przykład prognozowania z wykorzystaniem metod data mining, Stati-stica 8 bliżej Ciebie, StatSoft Polska sp. z o.o., Kraków.
• Duch W. i in. [2000], Biocybernetyka i inżynieria biomedyczna, t. 6, Sieci neuronowe, Akademicka Oficyna Wydawnicza EXIT, Warszawa.
• Dudek-Dyduch E., Gomółka Z. [2003], Neural Network Design without Learning [in:] Neural Networks and Soft Computing, eds. L. Rutkowski, J. Kacprzyk, Proc. of the 6th International Conference on Neural Networks and Soft Computing, Zakopane, June 11-15, 2002, Advances in Soft Computing, Physica-Verlag, Heidelberg, New York.
• Dudek-Dyduch E., Horzyk A. [2003], Analityczna synteza sieci neuronowych dla wybranych klas zagadnień [w:] Inżynieria wiedzy i systemy ekspertowe, red. Z. Bubnicki, A. Grzech, t. 1, Oficyna Wydawnicza Politechniki Wrocławskiej, Wrocław.
• Dudek-Dyduch E., Tadeusiewicz R., Horzyk A. [2009], Neural Network Adaptation Process Effectiveness Dependent of Constant Training Data Availability, Neurocomputing 72, 13-15, August 2009.
• Evolutionary Design of Intelligent Systems in Modeling, Simulation and Control [2009], eds. O. Castillo, W. Pedrycz, J. Kacprzyk, Studies in Computational Intelligence 257, Springer, Berlin, Heidelberg.
• Fritzke B. [1992], Growing Cell Structures - A Self-organizing Network in k dimensions [w:] Artificial Neural Networks II, eds. I. Aleksander, J. Taylor, North-Holland, Amsterdam.
• Funahashi K. [1989], On the Approximate Realization of Continuous Mappings by Neural Networks, Neural Networks, Vol. 2. Goldberg D. [1995], Algorytmy genetyczne i ich zastosowania, WNT, Warszawa.
• Grabiński T., Wydymus S., Zeliaś A. [1982], Metody doboru zmiennych w modelach eko- nometrycznych, PWN, Warszawa.
• Grabiński T., Malina A., Zeliaś A. [1990], Metody analizy danych empirycznych na podstawie szeregów przekrojowo-czasowych, Akademia Ekonomiczna w Krakowie, Kraków.
• Gontar Z. [2003], Sieć neuronowa typu RBF a statystyczny model regresji jądrowej (prognozowanie w elektroenergetyce) [w:] Systemy wspomagania organizacji SWO'2003, red. T. Porębska-Miąc, H. Sroka, Wydawnictwo Akademii Ekonomicznej w Katowicach, Katowice.
• Hand D., Mannila H., Smyth P. [2005], Eksploracja danych, WNT, Warszawa.
• Harrison D., Rubinfeld D. [1978], Hedonic Housing Prices and the Demand for Clean Air, "Journal of Environmental Economics and Management", Vol. 5.
• Haykin S. [1994] Neural Networks. A Comprehensive Foundation, Macmillan College Publishing Company, New York.
• Hecht-Nielscn R. [1990], Neurocomputing, MA. Addison-Wesley, Reading.
• Hertz J., Krogh A., Palmer R.G. [1995], Wstąp do teorii obliczeń neuronowych, WNT. Warszawa.
• Hornik K., Stunchcombe M., White H. [1989], Multilayer Feedforward Networks are Universal Approximators, "Neural Networks", Vol. 2.
• Hybrid Self-Organizing Modeling Systems [2009], ed. G.C. Onwubolu, Studies in Computational Intelligence 211, Springer, Berlin, Heidelberg.
• Inteligentne systemy w zarządzaniu. Teoria i praktyka [2000], red. J. Zieliński, PWN, Warszawa.
• Jajuga K. [2003], Metody statystyczne w finansach, StatSoft Polska, Kraków.
• Jędruch W. [1996], Sztuczne sieci neuronowe, PWN, Warszawa.
• Kacprzyk J., Francelin R.A., Gomide F.A.C.[2001], A Biologically Inspired Neural Network for Dynamie Programming, "International Journal of Neural Systems", Vol. 11, Issue 6.
• Kohonen T. [1995], Self-organizing Maps, Springer Verlag, Berlin.
• Kohonen Maps [1999], eds. E. Oja, S. Kaski, Elsevier, Amsterdam.
• Korbicz J. [2009], Sztuczne sieci neuronowe i ich zastosowanie w elektrotechnice i energetyce, "Przegląd Elektrotechniczny", nr 9.
• Korbicz J., Obuchowicz A., Uciński D. [1994], Sztuczne sieci neuronowe. Podstawy i ich zastosowania, Akademicka Oficyna Wydawnicza PLJ, Warszawa.
• Kosiński W., Weigl M. [1999], Sieci neuronowe w problemach aproksymacji, Prace 1PPT PAN, Warszawa.
• Krawczak M. [2003], Multilayer Neural Systems and Generalized Net Models, Akademicka Oficyna Wydawnicza EXIT, Warszawa.
• Krawczak M. [2006|, A Novel Modeling Methodology: Generalized Nets [in:] Artificial Intelligence and Soft Computing - ICAISC 2006, Vol. 4029, Springer-Verlag, Berlin. Heidelberg.
• Kulczycki P. [2005], Estymatory jądrowe w analizie systemowej, WNT, Warszawa.
• Kurkova V. [1992], Kolmogorov's Theorem and Multilayer Neural Networks, "Neural Networks", Vol. 5, No. 3.
• Kwaśnicka H., Markowska-Kaczmar U. [1995], Zastosowanie algorytmów genetycznych w problemach optymalizacyjnych, "Informatyka", nr 3.
• Leng C. [2010], Variable Selection and Coefficient Estimation via Regularized Rank Regression, Statistica Sinica, 20.
• Leshno T. et al. [ 1993], Multilayer Feedforward Networks with a Nonpolynomial Activation Function Can Approximate Any Function, "Neural Networks", Vol. 13.
• Lis B., Szczepaniak P.S., Tomczyk A. [2004], Multi-layer Kohonen Network and Texture Recognition [in:] Soft Computing Tools, Techniques and Applications, eds. P. Grzegorzewski, M. Krawczak, S. Zadrożny, Akademicka Oficyna Wydawnicza EXIT, Warszawa.
• Lula P. [1999], Jednokierunkowe sieci neuronowe w modelowaniu zjawisk ekonomicznych, Wydawnictwo AE w Krakowie, Kraków.
• Lula P. [2000], Probabilistyczne sieci neuronowe i możliwości ich zastosowań, Zeszyty Naukowe Akademii Ekonomicznej w Krakowie, nr 551, Kraków.
• Lula P. [2002], Metody typu Data Mining i możliwości ich zastosowań w ekonomii, Zeszyty naukowe Akademii Ekonomicznej w Krakowie, nr 604, Kraków.
• Lula P., Morajda J. [2002], Klasyfikacja wzorców występujących w finansowych szeregach czasowych przy użyciu sieci neuronowych Kohonena, Zeszyty Naukowe Akademii Ekonomicznej w Krakowie, nr 604, Kraków.
• Lula P. i in. [2000], Wykorzystanie informacji jakościowej w modelach neuronowych i genetycznych, "Badania Operacyjne i Decyzje", nr 2.
• Madala H.R., Ivakhnenko A.G. [1994], Inductive Learning Algorithms for Complex Systems Modeling, CRC Press, Boca Raton.
• Markowska-Kaczmar U. [2006], Ekstrakcja reguł z sieci neuronowych. Podejście ewolucyjne, Oficyna Wydawnicza Politechniki Wrocławskiej, Wrocław.
• Markowska-Kaczmar U., Kwaśnicka H. [2005], Sieci neuronowe w zastosowaniach, Oficyna Wydawnicza Politechniki Wrocławskiej, Wrocław.
• Markowska-Kaczmar U., Rosół K. [2009], Kohonen's Neural Network and Evolutionary Algorithms in Searching for Financial Investment Strategy, Proc. of the International Multiconference on Computer Science and Information Technology, Vol. 4.
• Martin-del-Brio B., Serrano-Cinca C. [1995], Self-Organizing Neural Networks: The Financial State of Spanish Companies [in:] Neural Networks in the Capital Markets, ed. A.P. Refenes, Wiley, Chichester.
• Masters T. [1996], Sieci neuronowe w praktyce. Programowanie w jeżyku C++, WNT, Warszawa.
• Matuszewska A., Witkowska D. [2006], Analiza zmian kursu euro/dolara: model VAR i perceptron wielowarstwowy, Ekonomika i Organizacja Gospodarki Żywnościowej, nr 60, Wydawnictwo SGGW, Warszawa.
• Mazur A., Witkowska D. [2006]. Zastosowanie wybranych mierników taksonomicznych do oceny nieruchomości, Ekonomika i Organizacja Gospodarki Żywnościowej, nr 60, Wydawnictwo SGGW, Warszawa.
• McCulloch W.S., Pitts W. [1943], A Logical Calculus of the Ideas Immanent in Nervous Activity, "Bulletin of Mathematica Biophysics", No 5.
• McNelis P. D. [2005], Neural Networks in Finance: Gaining Predictive Edge in the Market, Elsevier Academic Press, Amsterdam-London.
• Merkl D., Rauber A. [1991 , Alternative Ways for Cluster Visualization in Self-organizing Maps, Proc. of the Workshop on Self-Organizing Maps (WSOM'97), Helsinki.
• Morajda J. L1999], Applications of Neural Networks in the Financial Markets - Selected Aspects, Proc. of the 4th Conference "Neural Networks and Their Applications", Zakopane 18-22.05.1999, Częstochowa.
• Morajda J. [2002], Czynniki efektywnego wykorzystania sieci neuronowych w procesie modelowania rynków finansowych, Zeszyty Naukowe Akademii Ekonomicznej w Krakowie, nr 604, Kraków.
• Morajda J. [2003a], Evolutionarily Developed Neural Networks for Investment Strategies Construction [in:] Neural Networks and Soft Computing, red. L. Rutkowski, J. Kacprzyk, Proc. of the 6th International Conference on Neural Networks and Soft Computing, Zakopane, June 11-15, 2002 Advances in Soft Computing, Physica-Verlag, Heidelberg, New York.
• Morajda J. [2003b], Neural Networks and Their Economic Applications [in:] Artificial Intelligence and Security in Computing Systems, eds. J. Sołdek, L. Drobiazgiewicz, Proceedings of the 9 th International Conference "Advanced Computer Systems", Kluwer Academic Publishers, Boston-Dordrecht-London.
• Morajda J. [2004a], Modyfikacja samoorganizujących się map cech dla potrzeb modelowania szeregów czasowych [w:] Postejpy ekonometrii, red. A.S. Barczak, Wydawnictwo Akademii Ekonomicznej w Katowicach, Katowice.
• Morajda J. [2004b], Special Cluster Analysis and Basic Feature Estimation with a Modification of Self-Organizing Map [in:] Artificial Intelligence and Soft Computing, eds. L. Rutkowski et al., Proc. of the 7th International Conference ICAISC 2004, Zakopane, 7-11.06.2004 Lecture Notes in Artificial Intelligence, Springer-Verlag, Berlin-Heidelberg-New York.
• Morajda J. [2005], Wykorzystanie perceptronowych sieci neuronowych w zagadnieniu wyceny nieruchomości, Zeszyty Naukowe Małopolskiej Wyższej Szkoły Ekonomicznej w Tarnowie, z. 7, Tarnów.
• Morajda J. [2007], Multilayer Perceptrons as Approximations to Probability Density Functions in Time Series Forecasting, Przegląd Statystyczny, t. 54, z. 1.
• Morajda J. [2009], Metoda ewolucyjnej optymalizacji neuronowego systemu decyzyjnego dla zastosowań finansowych, Zeszyty Naukowe Uniwersytetu Ekonomicznego w Krakowie, Kraków.
• Morajda J. [2010], Problematyka przetwarzania informacji jakościowej w modelowaniu neuronowym [w:] Rola informatyki w naukach ekonomicznych i społecznych. Innowacje i implikacje interdyscyplinarne, t. 2, Wyd. Wyższej Szkoły Handlowej w Kielcach, Kielce.
• Morajda J., Domaradzki R. [2005], Application of Cluster Analysis Performed by SOM Neural Network to the Creation of Financial Transaction Strategies, "Journal of Applied Computer Science", Vol. 13, No. 1, Technical University Press, Łódź.
• Moshou D. [2009], Artificial Neural Maps. Concepts, Architectures, Applications, VDM Verlag Dr. Muller, Saarbrucken.
• Miikkulainen R. f 1990], Script Recognition with Hierarchical Feature Maps, Connection Science 2.
• Neural Networks in the Capital Markets [1995], ed. A.P. Refcnes, Wiley, Chichester. Neurocomputing: Founations of Research [1988], eds. J.A. Anderson, Rosenfeld E., MIT Press, Cambridge.
• Neurocybernetyka teoretyczna [2009], red. R. Tadeusiewicz, Wydawnictwo Uniwersytetu Warszawskiego, Warszawa.
• Oja E. [2002], Unsupervised Learning in Neural Computation, Theoretical Computer Science, Vol. 287, Issue 1.
• Osiewalski J. [2001], Ekonometria bayesowska w zastosowaniach, Wydawnictwo Akademii Ekonomicznej w Krakowie, Kraków.
• Osowski S. [1996], Sieci neuronowe w ujęciu algorytmicznym, WNT, Warszawa.
• Osowski S. [2000], Sieci neuronowe do przetwarzania informacji, Oficyna Wydawnicza Politechniki Warszawskiej, Warszawa.
• Pace K, Barry R. [1997], Sparse Spatial Autoregressions, Statistics and Probability Letters, Vol. 33, No. 3.
• Parallel Distributed Processing [1986], eds. D.E. Rumelhart & J.L. McClelland, Vol. 1, M.I.T Press, Cambridge.
• Rafajłowicz E. [2003], Extended RBF Nets - Preliminary Studies [in:] Neural Networks and Soft Computing, eds. L. Rutkowski, J. Kacprzyk, Proc. of the 6th International Conference on Neural Networks and Soft Computing, Zakopane, June 11-15, 2002, Advances in Soft Computing, Physica-Verlag, Heidelberg, New York.
• Ritter H., Schulten K. [1986], Topology Conserving Mappings for Learning Motor Tasks [in:] Neural Networks for Computing, ed. J.S. Denker, AIP Conference Proceedings 151, Snowbird, Utah.
• Ritter H., Schulten K. [1988], Extending Kohonen's Self-Organizing Mapping Algorithm to Learn Ballistic Movements [in:] Neural Computers, eds. R. Eckmiller, C. von der Malsburg, Springer, Heidelberg.
• Rojas R. [1996], Neural Networks. A Systematic Introduction, Springer-Verlag, Berlin.
• Ruck D.W. et al. [1990], The Multilayered Perceptron as an Approximation to a Bayes Optimal Discriminant Function, IEEE Transactions on Neural Networks, December 1990.
• Rumelhart D.E., Hinton G.E., Williams R.J. [1986], Learning Internal Representations by Error Propagation [in:] Parallel Distributed Processing, eds. D.E. Rumelhart & J.L. McClelland, Vol. 1, Chapter 8, MIT Press, Cambridge MA.
• Rutkowska D., Piliński M., Rutkowski L. [1997], Sieci neuronowe, algorytmy genetyczne i systemy rozmyte, PWN, Warszawa.
• Rutkowski L. [2004], Generalized Regression Neural Networks in Time-varying Environment, IEEE Trans. Neural Networks, Vol. 15.
• Rutkowski L. [2005], Metody i techniki sztucznej inteligencji, PWN, Warszawa.
• Rutkowski L. [2008], Computational Intelligence, Methods and Techniques, Springer, Berlin-Heidelberg.
• Sieci neuronowe, przykład zastosowania: prognozowanie zapotrzebowania na ciepło [2010], Materiały elektroniczne firmy Elsamprojekt Polska Sp. z o.o., http://www. elsamprojekt.com.pl/sieci_neuronowe.pdf
• Somervuo P., Kohonen T. [1999], Self-Organizing Maps and Learning Vector Quantization for Feature Sequences, Neural Processing Letters, Vol. 10, No. 2.
• Sprecher D.A. [1996], A Numerical Implementation of Kolmogorov's Superpositions, Neural Networks, Vol. 9, Issue 5.
• Sprecher D.A. [1997], A Numerical Implementation of Kolmogorov's Superpositions II, Neural Networks, Vol. 10, Issue 3.
• Szczepaniak P.S. [2003], Sztuczne sieci neuronowe [w:] Kompendium informatyki medycznej, red. R. Zajdel i in., a-medica Press, Bielsko-Biała.
• Szczepaniak RS. [2004], Obliczenia inteligentne, szybkie przekształcenia i klasyfikatory, Akademicka Oficyna Wydawnicza EXIT, Warszawa.
• Śliwicki D. [2007], Estymacja jądrowa w dynamicznych modelach regresji. Dynamiczne Modele Ekonometryczne, Acta Universitatis Nicolai Copernici, Wydawnictwo Uniwersytetu Mikołaja Kopernika, Toruń.
• Tadeusiewicz R. [1993], Sieci neuronowe, Akademicka Oficyna Wydawnicza RM, Warszawa.
• Tadeusiewicz R. [1995], Sieci neuronowe w prognozowaniu procesów gospodarczych. Materiały konferencji nt. "Sztuczna inteligencja i infrastruktura informatyczna", Siedlce.
• Tadeusiewicz R. [1998], Elementarne wprowadzenie do techniki sieci neuronowych z przykładowymi programami, Akademicka Oficyna Wydawnicza PLJ, Warszawa.
• Tadeusiewicz R. [1999], Wprowadzenie do praktyki stosowania sieci neuronowych, StatSoft, Warszawa.
• Tadeusiewicz R. [2006], Data mining jako szansa na relatywnie tanie dokonywanie odkryć naukowych poprzez przekopywanie pozornie całkowicie wyeksploatowanych danych empirycznych [w:] Statystyka i data mining w badaniach naukowych, StatSoft Polska, Kraków.
• Tadeusiewicz R., Lula P. [2001], Neural Network Analysis of Time Series Data, "Informa-tica - An International Journal of Computing and Informatics", Vol. 25, No. 1.
• Tadeusiewicz R., Ogiela M.R. [2004], Medical Image Understanding Technology, Studies in Fuzziness and Soft Computing, Vol. 156, Springer-Verlag, Berlin-Heidelberg-New York.
• Tzikas D.G. et al. [2006], A Tutorial on Relevance Vector Machines for Regression and Classification with Applications, Eurasip News Letter, 17(2) June.
• Visual Explorations in Finance with Self-Organizing Maps [1998], eds G. Deboeck, T. Kohonen, Springer-Verlag, Berlin, Heidelberg, New York.
• Werbos J. [1974], Beyond Regression: New Tools for Prediction and Analysis in the Behavioral Sciences, Ph. D. thesis, Harvard University.
• Witkowska D. [2002], Sztuczne sieci neuronowe i metody statystyczne, C.H. Beck, Warszawa.
• Witkowska D. [2005], Podstawy ekonometrii i teorii prognozowania. Oficyna Ekonomiczna, Kraków.
• Witkowska D., Stanieć I. [1999], Discriminant Analysis and Neural Networks Application to Credit Granting Procedure, Proc. of the 4th Conference "Neural Networks and Their Applications", Zakopane 18-22.05.1999, Częstochowa.
• Wprowadzenie do sieci neuronowych [2001], StatSoft Polska Sp. z o.o., Kraków.
• Zhiming Z., Yingying J. [2009], Application of SOM Neural Network in Customer Segmentation Model in Coal Enterprises, IFCSTA'09, Vol. 3.
• Żurada J. [1992], Introduction to Artificial Neural Systems, West Publishing Co., St. Paul.
• Żurada J., Barski M., Jędruch W. [1996], Sztuczne sieci neuronowe. Podstawy teorii i zastosowania, PWN, Warszawa.