Název:
Predikce a optimalizace reálných dat pomocí algoritmů umělé inteligence
Autoři:
Štencl, Michael Typ dokumentu: Disertační práce
Rok:
2010
Jazyk:
cze
Abstrakt: [cze][eng] Práce je orientována na oblast predikce a optimalizace reálných dat pomocí metod umělých neuronových sítí v rámci rozhodovacího procesu. Jedná se o hledání různých vhodných typů, topologií a učících algoritmů umělých neuronových sítí na řešení predikce reálných datových souborů. Optimalizace je v kontextu řešení práce zaměřena na použité topologie neuronových sítí, optimalizace učících algoritmů a vlastního výpočtu neuronovými sítěmi. První část práce je představuje souhrn aktuálních trendů aplikací a vývoje oblasti využití umělých neuronových sítí. V rámci prostudované literatury jsou vytipovány nejčastější modely umělých neuronových sítí pro potřeby predikce reálných dat. Následně je vymezena aplikační oblast realizací umělých neuronových sítí v rámci podpory rozhodovacího procesu. Na základě vymezení jednotlivých částí rozhodovacího procesu jsou vymezeny metody používané pro predikce reálných dat klasickými metodami. Za klasické metody jsou v práci považovány metody statistické predikce modelů časových řad. Následně jsou vymezeny metody umělých neuronových sítí a jejich použití pro predikce reálných dat. V rámci vlastní práce jsou realizovány experimenty zahrnující volbu typu, topologie, učícího algoritmu a také možnosti optimalizace umělých neuronových sítí. Vlastní realizace prezentují predikce vybraných reálných ekonomických indexů, konkrétně souboru statistik rodinných účtů a statistik přepravených komodit. Výsledky dosažené umělými neuronovými sítěmi jsou srovnány s reálnou hodnotou příslušného indexu a také s vybranými modely statistické predikce časových řad.This dissertation thesis deals with the prediction and optimization of real data using artificial neural networks methods in decision-making. Usage of artificial neural networks includes finding of various suitable types, topologies and learning algorithms of artificial neural networks to solve prediction of real-world data sets. Optimization solutions in the context of work focused on neural networks used in topology optimization learning algorithms and neural networks own calculation. The first part is a summary of current trends in applications development and the utilization of artificial neural networks. The review of the literature is the selection of the most common models of artificial neural networks for prediction of real data needs. Subsequently, the implementation of the defined application of artificial neural networks in support of decision-making process is made. On the basis of determining the value of the decision making process are defined methods for prediction of real data using classical methods. As classical methods are considered methods of statistical prediction models for time series. After that, the methods of artificial neural networks and their application on prediction task are described. In the next part, experiments involving the choice of type, topology, learning algorithms and optimization possibilities of artificial neural networks is tested on real-world data sets. The implementation presents the prediction of selected real-world economic values; namely a set of household expenditures and goods transport is used. Results obtained with artificial neural networks are compared with real value of the index and also with selected models of statistical time series prediction results.
Klíčová slova:
algoritmy; datové soubory; neuronová síť; predikce; reálná data; umělá inteligence
host ::
