| Authors |
Title |
Comment, Date of
submission |
Size,
Type |
| Books |
| Madala
H.R., Ivakhnenko A.G. |
'Inductive Learning Algorithms for Complex Systems Modeling'
Contents (52k pdf)
Preface (225k)
Chapter 1 'Introduction' (646k)
Chapter 2 (part1
part2) 'Inductive learning algorithms' (1.7+0.7Mb)
Chapter 3 'Noise Immunity and Convergence' (2.3Mb)
Chapter 4 'Physical Fields and Modelling' (1Mb)
Chapter 5 'Clusterization and Recognition' (1.8Mb)
Chapter 6 'Applications' (2.6Mb)
Chapter 7 'Inductive and Deductive Networks' (1Mb)
Chapter 8 'Basic Algorithms and Programs Listings' (1.7Mb)
Bibliography (249kb)
|
 A professional monograph that surveys new types of learning algorithms for modelling complex scientific systems in science and engineering.
The book features:
- Discussions of algorithms structure, noise immunity and behavior;
- Presents comprehensive coverage of all types of algorithms useful for this subject;
- Applications of various modelling activities (e.g. environmental systems, stock market, economic systems, noise immunity, decision trees, data mining and neural networks);
- Includes recent studies on clusterization and recognition problems;
- Provides listings of algorithms in FORTRAN that can be run directly on PCs.
It is a valuable reference for graduate students and scientists in applied mathematics, statistics, computer science. The book will also benefit engineers and research workers from applied fields such as stock market, weather forecasting, air and water pollution studies, economics, finances, hydrology, agriculture and time series evaluations.
CRC Press, 1994 - 368p.- ISBN 0-8493-4438-7
|
17M
pdf
|
| Ивахненко А.Г., Степашко В.С. |
Помехоустойчивость моделирования
Содержание |
В монографии рассмотрена проблема моделирования реальных объектов и процессов по данным наблюдений в условиях помех. Основное внимание уделено задаче повышения помехоустойчивости одно- и двухуровневых алгоритмов моделирования с применением различных внешних критериев селекции. Для специалистов в области моделирования и прогнозирования сложных систем. - Киев: Наук. думка, 1985. - 216 с. (in russian) |
11M
pdf
|
| Ивахненко А.Г. |
Индуктивный метод самоорганизации моделей сложных систем
Содержание |
Книга для аспирантов, студентов и специалистов различных областей науки и техники, работающих в области математического моделирования. Содержит описания алгоритмов самоорганизации моделей и много примеров.
Киев: Наукова думка, 1981 — 296 с. (in russian) |
17M
pdf
zip
|
| Ивахненко А.Г., Юрачковский Ю.П. |
Моделирование сложных систем по экспериментальным данным
Содержание |
Рассмотрены методы саморганизации прогнозирующих моделей сложных систем. Описан объективный системный анализ для долгосрочного прогнозирования. Изложено структурное моделирование по выборкам наблюдений. Описаны алгоритмы МГУА. - М.: Радио и связь, 1987 — 119 с. (in russian) |
13M
djvu
|
Ивахненко А.Г.,
Мюллер Й.А. |
Самоорганизация прогнозирующих моделей
Selbstorganisation von Vorhersagemodellen
Содержание и предисловие |
В книге рассмотрены основные направления работ в области моделирования сложных систем по МГУА. Представлен обзор разработанных методов для анализа данных. Даны примеры решения реальных задач. - Киев: Технiка, 1985; Berlin: Verlag Technik, 1984, 223 с. (in russian)
|
11M
pdf
|
| Ивахненко А.Г. |
Долгосрочное прогнозирование и управление сложными системами
Содержание
Список примеров |
В книге излагается новый подход к математическому моделированию сложных систем, основанный на принципе эвристической самоорганизации. Показаны особенности алгоритмов МГУА. Даны примеры решения задач долгосрочного прогноза, распознавания образов, идентификации с оптимизацией прогноза при малом числе исходных данных. - Киев: Технiка, 1975, 312 с. (in russian) |
13M
pdf
|
| Єріна А.М. |
Статистичне моделювання та прогнозування
Зміст |
У навчальному посібнику розглядаються принципи статистичного моделювання та прогнозування соціально-економічних явищ, процесів, модифікації моделей динаміки, структури і взаємозв'язків, умови адаптації їх до специфіки об'єктів моделювання. Аналітичні можливості та межі застосування конкретних моделей ілюструються на прикладах в системі Statistica 5. - Київ: КНЕУ, 2001.— 170 с. (in ukrainian) |
6.4M
pdf
|
| Hamparsum Bozdogan (ed.) |
Statistical Data Mining and Knowledge Discovery
Contents |
Contains several articles devoted to data mining tasks solution in different fields.
Chapman&Hall/CRC, 2004 — 595p.- ISBN 1-58488-344-8 |
14M
zip
|
Грешилов А.А.,
Стакун В.А.,
Стакун А.А.
|
Математические методы построения прогнозов
Содержание и введение |
Рассмотрены методы анализа динамических рядов, оценки и проверки моделей, методы оценки ошибки и подправления прогнозов. Рассмотрены интегральные и разностные схемы, методы сглаживания и сезонные ряды. - М: Радио и связь, 1997.— 112 с. (in russian) |
4.4M
pdf
|
Ивахненко А.Г.,
Коппа Ю.В., Степашко В.С., et al. |
Справочник по типовым программам моделирования
Содержание |
Описаны многие алгоритмов МГУА и особенности их применения. Приведен код программ на языках FORTRAN и ALGOL-60. - Киев: Технiка, 1980, 184 с. (source code, in russian) |
7.4M
pdf
|
| Reviews |
| Ivakhnenko A.G., Ivakhnenko G.A. |
The Review of Problems Solvable by Algorithms of the Group Method of Data Handling |
Review in english |
163k
pdf
doc
|
| Ивахненко А.Г., Ивахненко Г.А. |
Обзор задач, решаемых по алгоритмам Метода Группового Учета Аргументов (МГУА) |
Review in russian |
296k
pdf
doc
|
| Ivakhnenko
A.G., Müller J.-A. |
Developments of Self-Organising Modeling in Prediction and Analysis of Stock Market |
Old basic review |
273k
pdf
doc
|
| Івахненко О.Г., Івахненко Г.О. |
Індуктивні методи прогнозування та аналізу складних економічних систем |
Review in ukrainian |
212k
pdf
doc
|
| Ивахненко А.Г., Ивахненко Г.А. |
Индуктивные методы анализа и прогнозирования сложных экономических систем |
Review in russian
|
302k
doc
|
| GMDH algorithms |
| |
|
| Fujimoto K., Nakabayashi S. |
Applying GMDH Algorithm to Extract Rules From Examples |
A new approach to rule extraction method in Data Mining area. The
correction rate of GMDH rules was higher than Tsukimoto's method of rule extraction from Back-propagation neural network and also higher than C4.5, 08.01 |
187k
pdf
|
| Aksyonova T.I., Volkovich V.V., Tetko I.V. |
Robust Polynomial Neural Networks In Quantative-Structure Activity Relationship Studies |
Mathematical description of multilayered iterative
GMDH-type rPNN algorithm that provides robust linear and nonlinear polynomial regression models, rPNN is modified GN algorithm of GMDH (created by Yurachkovsky Yu.P.), 08.01 |
270k
pdf
|
| Shelyekhova V.Yu. |
Harmonic Algorithm GMDH for Large Data Volume |
Harmonic GMDH algorithm
|
495k
pdf
|
| Ivakhnenko A.G., Ivakhnenko G.A., Müller J.-A. |
Self-Organization of Neural Networks with Active Neurons |
Twice-Multilayered NN algorithm |
220k
pdf
|
| Zaychenko Yu.P., Kebkal A.G., Krachkovckii V.F. |
The Fuzzy Group Method of Data Handling and Its Application to the Problems of the Macroeconomic Indexes Forecasting
|
Fuzzy GMDH algorithm |
39k
pdf
russ
|
| Ivakhnenko A.G., Ivakhnenko G.A., Andrienko N.M. |
Inductive Computer Advisor for Current Forecasting of Ukraine Macroeconomy
|
Forecasting after "what-if" scenario
|
151k
pdf
|
| Oh Sung-Kwun, Pedrycz W. |
The design of self-organizing Polynomial Neural Networks |
PNN algorithm, Inf.Sci. 141, (2002)
|
658k
pdf |
| Dong-Won Kim, Gwi-Tae Park |
A Design of EA-based Self-Organizing Polynomial Neural Networks using Evolutionary Algorithm for Nonlinear System Modeling
|
Genetic GMDH: EA-based SOPNN is a sophisticated and versatile architecture which can
construct models for limited data set as well as poorly defined complex problems. Comprehensive comparisons show that the performance of the EA-based
SOPNN is significantly improved in the sense of approximation and prediction abilities, 01.03 |
518k
pdf |
| Ivakhnenko A.G., Kozubovskij S.F., Kostenko Yu.V. |
Objective System Analysis of Macroeconomic Systems |
Objective Systems Analysis (OSA) algorithm
|
182k
pdf
|
| |
Non-Parametric: Clusterization and Analogs Complexing algorithms
|
| Ivakhnenko G.A. |
Model-Free Analogues As Active Neurons For Neural Network Self-Organization |
Analogs Complexing algorithm |
140k
pdf
|
| Ivakhnenko
A.G., Wunsch D. et al. |
Algebraic Approach and Optimal Physical Clusterization in Interpolation Problems of Artificial Intelligence |
Concept of Optimal Physical Clusterization
|
86k
pdf
|
| Kondo T., Pandya A.S. |
GMDH-type Neural Networks with a Feedback Loop and their Application to the Identification of Large-spatial Air Pollution Patterns |
The number of hidden layers and the number of neurons in the hidden layers are determined so as
to minimize the error criterion defined by Akaike's Information Criterion (AIC). The identification results are compared with those identified by other identification methods.
|
316k
pdf
|
| Ivakhnenko G.A., Ivakhnenko A.G. |
Optimal Data Clusterization by Inductive Sorting-Out Method |
Abstract about Objective Computer Clusterization algorithm in text format
|
4k
txt
|
| Applications |
| Sungshin K., Jaeyong K., Chong-Bum L., Min-Young K. |
Fuzzy Decision Support System to the Prediction of Ozone Concentrations |
The dynamic polynomial neural network (DPNN), based upon GMDH is employed for data analysis, identification of nonlinear complex system and prediction of the ozone concentration, 2001 |
570k
pdf
|
Miyagishi K.,
Masami O., Ichihashi H. |
Temperature Prediction From Regional Spectral Model by Neurofuzzy GMDH
|
A GMDH model called neurofuzzy (NF-) GMDH, whose partial descriptions (basic building blocks) are represented by the Radial Basis Functions (RBF) network, is applied to temperature forecast from the numerical
weather prediction data of the Regional spectral model. It is shown that the hierarchical GMDH type network outperforms
the conventional RBF networks, 1999 |
115k
pdf
|
| Howland J.C. III,
Voss M.S. |
Natural Gas Prediction Using The Group Method of Data Handling |
GMDH is employed
to develop a nonlinear polynomial time series model for a
small natural gas collection system |
124k
pdf
|
| March-Leuba J., Wood R. T. et al. |
A New Paradigm For Automatic
Development of Highly Reliable Control
Architectures for Nuclear Power
Plants |
This research focuses on the development of methods for automated generation of control
systems that can be traced directly to the design requirements for the life of the plant. DOE-NERI Project 99-119, 08.2000 |
110k
pdf
|
| Liu H.S., Lee B.Y., Tarng Y.S. |
In-process prediction of corner wear in drilling operations |
The polynomial
GMDH network is composed of a number of functional nodes and well organized to form an optimal network architecture using an algorithm for
synthesis of polynomial networks (ASPNs).
Experimental results have shown that the corner wear over a wide range of drilling conditions can be predicted with a reasonable accuracy
if the cutting speed, feed rate, drill diameter, and thrust force are given, 09.98 |
187k
pdf
|
Kee S. Kim,
Walt A. Nelson |
Assessing the Rental Value
of Residential Properties:
An Abductive Learning
Networks Approachowledge Extraction in Proteomics |
Attempt to estimate rental value of residential properties using
Abductive Learning Networks (ALN), which is based on GMDH, 09.94 |
214k
pdf
|
| Ivakhnenko A.G.,
Savchenko E.A. et al. |
Inductive Method Permitting to Choose Model With Least
Error and Least Bias Allowing The Solve Interpolation Tasks of Artificial
Intelligence |
Physical
laws detection by two criteria. |
204k
pdf: engl russ
|
| Ивахненко
А.Г., Савченко Е.А., Ивахненко Г.А., Надирадзе А.Б., Рогов А.О. |
Обнаружение закономерностей взаимодействия ионов с поверхностью
материалов по Комбинаторному алгоритму МГУА |
Выявление физических закономерностей: Построены
интерполяционные модели взаимодействия ионов с поверхностью, позволяющие
прогнозировать значения коэффициентов распыления в зависимости от физических
свойств облучаемых материалов, 12.02 |
153k,
pdf |
| Ивахненко А.Г., Савченко Е.А., et al. |
Самоорганизация моделей социального развития стран по данным мониторинга |
Данные социального
развития стран мира по мониторингу индекса человеческого развития, использованы
для выбора группы двадцати стран, близких по социальным показателям к Украине
и Венгрии. Комбинаторный алгоритм МГУА с доопределением по смещению позволил
найти зависимость ряда показателей развития стран от различных социальных
и экономических факторов, 11.02 |
176k
pdf |
| Аграновский
А.В., Леднов Д.А., Репалов С.А., Телеснин Б.А. |
Система автоматической классификации фонем русского языка
при ее обучении Методом Группового Учета Аргументов |
Аn investigation of accuracy for the phonemes recognition system in
continuous speech at its training by a GMDH. Secondly, it's an
investigation of the latent dependences between the characteristics of to distinguish one phoneme from another with the help GMDH. |
177k
pdf
|
| Baker B. |
Predicted costs and performance expectations: questioning
assumptions of linearity with GMDH neural networks |
A flexible
non-linear method known as GMDH test the sensitivity of cost of education
to changing performance expectations. In addition, this study tests the
sensitivity of costs to changes in student population characteristics, 04.99 |
226k,
pdf |
| Baker B. |
An Inductive Approach to Production-function Modeling:
A Comparison of Group Method of Data Handling (GMDH) and Other Neural Network
Methods |
Through
the purely deductive approach, researchers are driven to test the statistical
significance of preconceived notions, political or personal in origin, about
how the educational system works. As an alternative approach, inductive,
non-linear pattern recognition algorithms are applied to school productivity
data from the state of Vermont, 03.98 |
88k,
pdf |
| Schetinin
V. |
Polynomial Neural Networks Learnt to Classify EEG Signals |
A neural network
based technique is presented, which is able to successfully extract polynomial
classification rules from labeled electroencephalogram (EEG) signals. |
154k,
pdf |
| Dolenko
S.A., Orlov Yu.V., Persiantsev I.G. |
Practical Implementation And Use Of The Group Method
of Data Handling (GMDH): Prospects And Problems |
Independent
test of GMDH approach
|
70k
pdf
|
| Papers |
| Menezes L.M., Nikolaev N.Y. |
Сonfidence and Prediction Intervals for Polynomial Neural Networks |
Confidence intervals for PNN models were developed using the delta method and the bootstrap. 08.02 |
2.8M
pdf |
| Lemke F. ,
Müller J.-A. |
Self-organizing Data Mining |
Paper describes
the possibility to widely automate the whole knowledge discovery process
by applying self-organisation and other principles, and what is called self-organising
data mining. |
pdf
|
| Lemke F. |
Knowledge Extraction in Proteomics |
Analysis of
mass spectral data in order to find peptides responsible for a certain disease
goes beyond data mining, 08.02 |
40k
pdf
|
| Lemke F.,
Müller J.-A. |
Medical Data Analysis Using Self-Organizing Data Mining
Technologies |
Diagnosis
of heart disease using GMDH, Fuzzy Rule Induction and Analog Complexing
on the Long Beach data set (UCI ML Repository), 06.00 |
52k
pdf
|
| Lemke F. |
Financial Trading System |
Performance
results of 3 different stocks using a five-day predicted trading indicator.
Trading signals generation, 03.99 |
html |
| Lemke
F., Müller J.-A. |
Self-Organizing Data Mining for a Portfolio Trading System |
Forecasting of stock market
indicators
|
1.9M
pdf
|
| Lemke F. |
Does my model really reflect a causal relationship? |
The noise
filtering power of GMDH,- do not believe in a model's closeness-of-fit only,
and introduction of a new model quality criterion: descriptive power, 10.02
|
240k
pdf
html
|
| Ivakhnenko
A.G., Müller J.-A. |
Present State and New Problems of Further GMDH Development |
Short article about some ideas how to increase efficiency of algorithms (in text format)
|
9k
txt
|
| Ivakhnenko
A.G., Ivakhnenko G.A. |
Problems of Further Development of the Group Method of
Data Handling Algorithms. Part I |
|
105k
pdf
|
| Ivakhnenko
A.G., Ivakhnenko G.A. |
Problems of Further Development of the Group Method of
Data Handling Algorithms. Part II |
|
343k
pdf
|
| Ivakhnenko
A.G., Savchenko E.A., Ivakhnenko G.A. |
GMDH Algorithm for Optimal Model Choice by the External
Error Criterion with the Extension of Definition by Model Bias and Its Applications
to the Committees and Neural Networks |
Combinatorial
GMDH algorithm with an extension of definition by the model bias is used
as a neuron in committees and in repeatedly multilayered neural networks
for solving the problems of medical monitoring. |
66k,
pdf |
| Ivakhnenko A.G. |
Sorting Methods in Self-Organization of Models and Clusterizations Iterative (Multirow) Polynomial GMDH Algorithms |
Review, Sov.J.Aut.Inf.Sci. (22), 4, 04.88 |
375k
pdf
|
| Степашко В.С. |
Структурна ідентифікація моделей як задача відновлення
сигналу в умовах неповноти інформації |
Дослідження
залежності оптимального вибору моделі від можливих значень показників неповноти
інформації, а також порівняльний аналіз ефективності різних критеріїв. Для
цього використовується новий аналітичний апарат теорії структурної ідентифікації
– метод критичних дисперсій, cтаття та презентація, 08.02 |
pdf
ppz |
| Ивахненко
А.Г., Тетко И.В., Ковалишин В.В. et al. |
Самоорганизация нейросетей с активными нейронами для обнаружения
зависимости активности химических соединений на основе алгоритма поиска
аналогов в экспериментальных данных |
Twice-multilayered NN with Analog Complexing in neurons for QSAR studies
(in russian)
|
133k
pdf
|
| First articles about GMDH
(historical) |
| Ivakhnenko
A.G. |
Polynomial Theory of Complex Systems |
IEEE Transactions on Systems, Man and Cybernetics, Vol.SMC-1, no.4, October 1971 |
746k
pdf |
| Ivakhnenko
A.G. |
Heuristic Self-Organization in Problems of Engineering
Cybernetics |
An analysts
of engineering cybernetics shows that the current deterministic approach
can only solve comparatively simple problems.A new approach called heuristic
self-organization is needed for solving complex problems, Automatica, 6, 1970 |
605k
pdf |
| From special issues of journals, devoted to the GMDH |
|
Contents
|
Systems Analysis Modelling Simulation (SAMS), 43, no.10, 2003 |
| Sarycheva L. |
Using GMDH In Ecological And Socio-Economical Monitoring Problems |
Geographically distributed and time-phased ecological and socio-economical indices are used for taking reasoned management decision. This work
shows the results of Ukraine's regions cluster analysis in geographic information system, 08.01 |
330k
pdf
|
| Fujimoto K., Nakabayashi S. |
Applying GMDH Algorithm to Extract Rules From Examples |
A new approach to rule extraction method in Data Mining area. The
correction rate of GMDH rules was higher than Tsukimoto's method of rule extraction from Back-propagation neural network and also higher than C4.5, 08.01 |
187k
pdf
|
| Aksyonova T.I., Volkovich V.V., Tetko I.V. |
Robust Polynomial Neural Networks In Quantative-Structure Activity Relationship Studies |
Mathematical description of multilayered iterative
GMDH-type rPNN algorithm that provides robust linear and nonlinear polynomial regression models, rPNN is modified GN algorithm of GMDH (created by Yurachkovsky Yu.P.), 08.01 |
270k
pdf
|
| Sarycheva L. |
Using GMDH For Modeling Economical Indices of Mine Opening |
Mathematical description of the structure identification GMDH algorithm for modelling of dependency of explicit costs index of mining opening, 08.01 |
212k
pdf
|
Contents
and
the authors
|
Control Systems and Computers (УСиМ), no.2, 2003
|
| Ивахненко А.Г. |
О проблеме построения интеллектуального или мыслящего инженерного компьютера |
Обсуждаются причины, приведшие к отрицанию возможности построения интеллектуального компьютера. Такое негативное заключение является временным и будет опровергнуто при учете смещения модели.
|
115k
pdf
|
| Müller J.-A. |
GMDH-Based Knowledge Extraction from Data |
The possibility to automate the data analysis process, named as knowledge extraction by means of GMDH and self-organisation is described. Ddifferent GMDH-based modeling algorithms are implemented to make knowledge extraction systematic, fast and easy-to-use even for large and complex systems.
|
121k
pdf
|
| Васильев В.И., Ланге Т.И. |
Принцип внешнего дополнения в Методе группового учета аргументов и в Методе предельных упрощений
|
Рассматриваются и анализируются два индуктивных метода восстановления функций — МГУА и МПУ. Показаны их преимущества перед другими методами и возможность их совмещения для улучшения экстраполяционных свойств.
|
239k
pdf
|
| Степашко В.С. |
Теоретические аспекты МГУА как метода индуктивного моделирования
|
Исследуются закономерности построения оптимальной помехоустойчивой модели в зависимости от уровня шума и длины выборки, изучается эффективность в этой задаче внешних критериев МГУА.
|
181k
pdf
|
Коваль В. Н.,
Кук Ю. В. |
Структурный метод моделирования сложных систем |
Изучается структурный метод построения моделей сложных систем, основанный на индуктивном подходе. Основное внимание уделяется моделям, аргументы которых подвержены случайным возмущениям с известными корреляционными матрицами.
|
227k
pdf |
Зайченко Ю.П.,
Заец И.О., Камоцкий О.В., Павлюк О. В. |
Исследование разных видов функций принадлежности параметров нечетких прогнозирующих моделей в нечетком методе группового учета аргументов
|
Genetic GMDH: EA-based SOPNN is a sophisticated and versatile architecture which can
construct models for limited data set as well as poorly defined complex problems. Comprehensive comparisons show that the performance of the EA-based
SOPNN is significantly improved in the sense of approximation and prediction abilities, 01.03 |
183k
pdf |
| Kordik P., Naplava P., Snorek M., Genyk-Berezovskyj M. |
Modified GMDH Method and Models Quality Evaluation by Visualization |
In the modified GMDH algorithm inductive models are able to derive values of output variable for all configurations of input variables (simulate the system behavior). A new technique of model responses visualization is described facilitating the evaluation of information included in the data set as well as allowing to evaluate the quality of constructed models.
|
217k
pdf
|
Lemke F.,
Benfenati E. |
Carcinogenicity Prediction of Aromatic Compounds Using Self-organising Data Mining |
Self-organizing data mining is a new approach that supports the workflow process of a Knowledge Discovery more comprehensively and that targets on increasing reliability as well as predictive and descriptive power of generated models of ill-defined systems such as ecotoxicological systems. |
36k, 220k, pdf: part1
part2
|
| Крисилов В.А., Побережник С.М. |
Аппроксимация сложных зависимостей структурно-гибкими полиномиальными и гармоническими рядами |
Предложена модель, позволяющая сочетать степенной и гармонический ряды в единой зависимости, а также синтезировать их структуру. Указан способ смещения структурных параметров ряда, что дает возможность повысить функциональную гибкость рядов и расширить границы класса восстанавливаемых зависимостей.
|
284k
pdf
|
| Кошулько А.А., Кошулько А.И. |
Тестирование полигармонического алгоритма МГУА |
Рассматривается задача структурной идентификации колебательных процессов на основе полигармонического алгоритма МГУА. Приведены результаты тестирования программы с применением тестовых и реальных данных.
|
219k
pdf
|
| Бидюк П.И., Зворыгина Т.Ф. |
Структурный анализ методик построения регрессионных моделей по временным рядам наблюдений |
Задача построения авторегрессионных моделей по временным рядам наблюдений рассматривается как последовательность этапов анализа данных.
|
149k
pdf
|
| Ивахненко Г.А. |
Алгоритм комплексирования аналогов для самоорганизации дважды многорядных нейронных сетей |
Алгоритм комплексирования аналогов используется для прогноза, экстраполяции и распознавания образов плохо определенных объектов.
|
174k
pdf
|
| Савченко Е.А. |
Экспресс-прогноз уровня глюкозы в крови по Комбинаторному алгоритму МГУА |
Рассматривается задача нахождения краткосрочного экспресс-прогноза по выборке данных с пропусками для домашнего мониторинга диабета. Сравнивается три варианта прогноза: по временному ряду данных, по аналоговому ряду и по смешанному аналогово-временному ряду. Учет аналогов повышает точность и смещение прогнозирующей модели почти в два раза.
|
109k
pdf
|
| Иутинская Г.А., Коппа Ю.В. |
Моделирование зависимости численности микроорганизмов от концентрации тяжелых металлов в грунте |
Показана перспективность
моделирования численности микроорганизмов в почве на основе индуктивного
подхода, 01.03
|
113k
pdf
|
| Кондрашова Н.В. |
Влияние способа разбиения выборки в алгоритмах МГУА на точность прогнозирования |
На примере процесса развития инфляции исследовано, в какой мере способ разделения выборки данных в различных алгоритмах МГУА определяет точность предсказания резкого изменения характера процесса. Сделан вывод об эффективности алгоритма адаптивного прогнозирования при квазиоптимальном разбиении данных.
|
150k
pdf
|
| Файнзильберг Л.С. |
Об алгоритмах самоорганизации в задаче синтеза информационных технологий обработки сигналов |
Показано, что в условиях ограниченной априорной информации разумный подход к использованию алгоритмов самоорганизации в задаче синтеза ИТ обработки сигналов, основан на двух этапах: конструировании потенциально полезных признаков и самоорганизации моделей.
|
231k
pdf
|
| Presentations,
posters |
| Ivakhnenko
G.A., Cerda R. |
Inductive Self-Organizing GMDH Algorithms for Complex
Systems Modeling and Forecasting |
presentation |
414k
zip
|
| Lemke F. |
Self-organizing Data Mining |
presentation |
ppz |
| Ivakhnenko
A.G., Kovalishyn V.V., Tetko I.V., Luik A.I. et al. |
Self-Organization of Neural Networks with Active Neurons
for Bioactivity of Chemical Compounds Forecasting by Analogues Complexing
GMDH algorithm |
poster |
83k
pdf
|
| Ivakhnenko
A.G., Wunsch D., Ivakhnenko G.A. |
Inductive Sorting-Out GMDH Algorithms with Polynomial
Complexity for Active Neurons of Neural Network |
poster |
153k
pdf
|
| Demo,
programs |
| Voss M. |
A Mathematica program for the implementation of the version of GMDH algorithm.
| In a few lines of Mathematica's Functional Programming language code MmaGMDH produces both numeric and symbolic solutions for the GMDH. An option is provided that allows the user to turn off the generation of a symbolic solution - allowing for faster solution times when only numeric results are necessary, 09.03 |
670k
src |
| Moscow
team of Ward Systems Group,Inc. |
GMDH module of NeuroShell2 tool for Windows
|
Demonstration module
|
533k
demo
|
| Combined
Control Systems group, Glushkov Institute of Cybernetics |
Some listings of source code of the GMDH multilayered
algorithms in Fortran (1975-1985)
|
Old programs
|
1M
src
|
Pereira C.A.,
Nakano F., Stern J.M. |
Actuarial Analysis via Branching Processes |
In the article is described development of software tool for the analysis of cash ows and demographic changes due to pension
plans in Brazil, 07.2000 |
130k
pdf
|
| GMDH
articles in another languages |
| Müller J.-A. |
Data Mining und Automatische Modellgenerierung |
in german |
112k
pdf
|
| Lemke F., Müller J.-A. |
Analyse Und Vorhersage Mittels Statistischer Lernender
Netze |
in german |
92k
pdf
|
| Івахненко Г.О. |
List of references to some GMDH articles and books |
in english
and russian |
233k
pdf
|
| Сотник С.Л. |
Идентификация колебательного звена Методом Группового
Учета Аргументов и искусственной нейронной сетью с генетическим алгоритмом
обучения |
Студенческая работа: сравнение нейросети и переборного алгоритма МГУА
|
150k
pdf
|
| Степашко В.С.,
Коппа Ю.В., Іутинська Г.О. |
Метод відновлення пропущених даних в екологічних задачах
на основі МГУА |
Метод ґрунтується
на побудові ієрархічного комплексу моделей за невеликим числом паралельних
даних з використанням "опорних" рядів спостережень без пропусків
і застосуванням цих моделей для відновлення пропущених даних. Для прикладу
в роботі побудовано моделі залежності чисельності мікроорганізмів у ґрунті
від основних факторів, 03.02 |
95k,
pdf |
| Степашко
В.С. , Коппа Ю.В. |
Оперативне прогнозування як важливий елемент задачі моніторингу
податкових процесів |
in ukrainian
|
175k
pdf
|
| Степашко В.С.,
Костенко Ю.В. |
Исследование свойств комбинаторно-селекционного (многоэтапного)
алгоритма МГУА |
Сравнение
быстродействия алгоритмов полного перебора моделей и многорядного алгоритма
направленного перебора, 10.01 |
79k
pdf
|
| Коппа Ю.В.
, Степашко В.С. |
Сравнение прогнозирующих свойств моделей регрессионного
типа и МГУА |
На примерах построения моделей изменения объема производства легкой промышленности и процесса инфляции выполнено сравнение прогнозирующих свойств моделей, полученных по МНК и по МГУА. Показано, что МГУА
позволяет строить модели, которые отражают системные закономерности и пригодны
для надежного прогнозирования по коротким выборкам данных, 01.01 |
194k
pdf
|
| Степашко В.С.,
Коппа Ю.В. |
Залежність якості прогнозування податкових надходжень
від довжини статистичної вибірки |
Вивчається
вплив довжини інтервалу “навчання” моделей на точність не лише коротко-,
але й довгострокового прогнозування за статистичними даними. При цьому оцінюється
ефективність застосування діалогової системи АСТРІД, в основі якої лежать
алгоритми МГУА, 03.02 |
117k,
pdf |
![[DIR]](back.gif){kind=small}
Parent
Directory
