12BIZNES IQTISODIY KO'RSATKICHLARNI BOSHQARISH VA BASHORATLASHDA NEYRON TARMOQLARINING O'RNI
Bahrom Yangiboyevich Ishmetov
Muhammad al-Xorazmiy nomidagi TATU Urganch filiali Axborot texnologiyalari
kafedrasi assistenti E-mail: [email protected]
Ushbu maqolada neyron tarmoqlar nima ekanligini ular qanday ishlashini va qanday vazifalarni hal qilishini va biznesda iqtisodiy ko'rstakichlarni boshqarish va bashoratlashda qanday o'rin egallashini ko'rsatib beradi. Neyron tarmoqlar - bu odamlarni neyronlari (asab hujayralari) qanday ishlashiga o'xshash tarzda ma'lumotlarni (ma'lumotlarni) uzatish, qayta ishlash va o'rganish uchun yaratilgan ulangan birliklar yoki tugunlarning kompyuter modellari hisoblanadi va biznes rivojida katta ahamiyatga ega ekanligini ko'rsatadi
Kalit so'zlar: neyron tarmoqlar, kompozit, marketing, bashoratlash, iqtisodiy ko'rsatkichlar, bashoratlash usullari
This article explains what neural networks are, how they work and what tasks they solve, and how they play a role in managing and predicting economic indicators in business. Neural networks are computer models of connected units or nodes designed to transmit, process, and learn information (data) in a similar way to how human neurons (nerve cells) work, and have shown great importance in business development
Keywords: neural networks, composite, marketing, forecasting, economic indicators, forecasting methods
Iqtisodiy ko'rsatkichlar, bir korxona yoki tashkilotning faoliyatining natijalari, daromad, xarajat, daromad darajasi, mijozlar soni va boshqalar kabi ko'rsatkichlar orqali o'lchash mumkin. Bu ko'rsatkichlar, korxona faoliyatining samaradorligini, moliyaviy holatini va istiqbollarni aniqlashda muhim ahamiyatga ega. Biznesda, ko'rsatkichlarning to'g'ri va aniqlik bilan qarashliligi, strategik qarorlar qabul qilishda va uzluksiz yaxshi tahlil qilishda juda muhimdir. Hozirgi kunda biznesning iqtisodiy ko'rsatkichlarini bashoratlash va
ANNOTATSIYA
ABSTRACT
KIRISH
boshqarishda neyron tarmoqlaridan keng foydalanilmoqda.
B May, 2024
Multidisciplinary Scientific Journal
Neyron tarmog'i yordamida bashorat qilishda biznesga ta'sir ko'rsatishi mumkin bo'lgan turli omillarga e'tibor qaratiladi. Marketingni boshqarish, moliyaviy menejment, operatsion boshqaruv va xatarlarni boshqarish kabi menejmentning turli sohalarida neyron tarmog'ini qo'llash bo'yicha ko'plab ishlar olib borilmoqda.
Iqtisodiy ko'rsatkichlar
Iqtisodiy ko'rsatkichlar biznesni bashorat qilishda hal qiluvchi rol o'ynaydi , iqtisodiyotning umumiy barqarorligi va yo'nalishi haqida qimmatli tushunchalarni beradi. Ham miqdoriy, ham sifat jihatidan bo'lishi mumkin bo'lgan bu ko'rsatkichlar tahlilchilar va qaror qabul qiluvchilarga iqtisodiyotning hozirgi holatini baholashda va uning kelajakdagi traektoriyasini bashorat qilishda yordam beradi. Iqtisodiy ko'rsatkichlarni kuzatish orqali korxonalar ongli qarorlar qabul qilishlari , strategiyalarini o'zgartirishlari va potentsial imkoniyatlar yoki xavflarni oldindan bilishlari mumkin
Iqtisodiy ko'rsatkichlarning turlari. Iqtisodiy ko'rsatkichlar biznesni bashorat qilishda hal qiluvchi rol o'ynaydi va iqtisodiyotning umumiy salomatligi va yo'nalishi haqida qimmatli ma'lumotlarni beradi. Ushbu ko'rsatkichlar qaror qabul qiluvchilarga tendentsiyalarni aniqlash, xavflarni baholash va xabardor biznes strategiyalarini ishlab chiqishda yordam beradi. Iqtisodiy ko'rsatkichlarning har xil turlari mavjud bo'lib, ular iqtisodiyotning holati to'g'risida turlicha qarashlarni ta'minlaydi. Ushbu bo'limda biz iqtisodiy ko'rsatkichlarning keng tarqalgan turlarini ko'rib chiqamiz.
1. Yetakchi ko'rsatkichlar:
Yetakchi ko'rsatkichlar iqtisodiyotdagi o'zgarishlarni ular sodir bo'lishidan oldin bashorat qilish uchun ishlatiladi. Ular kelajakdagi tendentsiyalar haqida qimmatli ma'lumotlarni taqdim etadi va biznesga iqtisodiy o'zgarishlarni kutishga yordam beradi. Yetakchi ko'rsatkichlarga misol sifatida fond bozorinin g ishlashi , qurilish ruxsatnomalari va iste'molchilarning kayfiyatini o'rganish kiradi. Masalan, qimmatli qog'ozlar bozori indekslarining ko'tarilishi investorlarning ishonchi ortishi va yaqin kelajakda potentsial iqtisodiy o'sishni ko'rsatishi mumkin .
2. Kechikish ko'rsatkichlari:
Nomidan ko'rinib turibdiki, orqada qolgan ko'rsatkichlar, ular sodir bo'lganidan keyin iqtisodiyotdagi o'zgarishlarni aks ettiradi. Ushbu ko'rsatkichlar allaqachon sodir bo'lgan tendentsiyalar yoki o'zgarishlarni tasdiqlaydi va ko'pincha etakchi ko'rsatkichlarning to'g'riligini tasdiqlash uchun ishlatiladi. Qolgan ko'rsatkichlarga ishsizlik darajasi, inflyatsiya darajasi va iste'mol xarajatlari misol bo'ladi. Masalan, ishsizlik darajasining o'sishi allaqachon sodir bo'lgan iqtisodiy faollikning sekinlashishini ko'rsatishi mumkin.
3. Tasodifiy ko'rsatkichlar:
M May, 2024
Multidisciplinary Scientific Journal
Tasodifiy ko'rsatkichlar iqtisodiyotning hozirgi holati haqida real vaqt rejimida ma'lumot beradi . Ular biznes tsikli bilan birgalikda harakat qiladi va korxonalarga hozirgi iqtisodiy sharoitlarni baholashga yordam beradi. Tasodifiy ko'rsatkichlarga misol sifatida sanoat ishlab chiqarishi, chakana savdo va yalpi ichki mahsulot (YaIM) kiradi. Masalan, chakana savdoning o'sishi kuchli va o'sib borayotgan iqtisodiyotni ko'rsatishi mumkin.
4. Kompozit ko'rsatkichlar:
Kompozit ko'rsatkichlar iqtisodiy sharoitlarning to'liq ko'rinishini ta'minlash uchun bir nechta iqtisodiy o'zgaruvchilarni birlashtiradi. Ushbu ko'rsatkichlar bir vaqtning o'zida turli omillarni hisobga olgan holda iqtisodiyotning yaxlit ko'rinishini taqdim etadi. Kompozit ko'rsatkichlarga misollar orasida etakchi iqtisodiy indeks (LEI) va Konferentsiya kengashining tasodifiy iqtisodiy indeksi (CEI) kiradi. Ushbu ko'rsatkichlar iqtisodiyotning to'liqroq tasavvurini ta'minlash uchun bir nechta etakchi, orqada qolgan va tasodifiy ko'rsatkichlarni hisobga oladi.
5. Mintaqaviy ko'rsatkichlar:
Mintaqaviy ko'rsatkichlar mamlakat ichidagi muayyan geografik hududlar yoki hududlarga qaratilgan. Ushbu ko'rsatkichlar korxonalarga ma'lum bir mintaqaning iqtisodiy sharoitlarini tushunishga va mahalliylashtirilgan qarorlar qabul qilishga yordam beradi. Hududiy ko'rsatkichlarga misol sifatida uy-joy narxlari, bandlik darajasi va ma'lum bir mintaqaga xos bo'lgan tadbirkorlik faolligi indekslari kiradi. Misol uchun, ma'lum bir shaharda uy-joy narxining pasayishi ushbu mintaqaning ko'chmas mulk bozoridagi sekinlashuvni ko'rsatishi mumkin .
Ushbu turli turdagi iqtisodiy ko'rsatkichlarni tushunish va tahlil qilish korxonalarga aniqroq prognozlar va asosli qarorlar qabul qilish imkonini beradi. Kelajakdagi tendentsiyalar bo'yicha yetakchi ko'rsatkichlarni, tasdiqlash uchun kechikish ko'rsatkichlarini, hozirgi holat uchun mos keladigan ko'rsatkichlarni, keng qamrovli ko'rinish uchun kompozit ko'rsatkichlarni va mahalliylashtirilgan tushunchalar uchun mintaqaviy ko'rsatkichlarni hisobga olgan holda, korxonalar iqtisodiy o'zgarishlardan oldinda bo'lishi va o'z strategiyalarini shunga mos ravishda moslashtirishi mumkin.
NATIJALAR
So'nggi bir necha yil mobaynida neyron tarmoqlaming metodiga qiziqish iqtisodiyot, tibbiyot, texnologiya, geologiya, fizika kabi sohalarda qo'llanilishi tufayli sezilarli darajada oshdi[1]. Neyron tarmog'i tushunchasi an'anaviy ravishda biologik neyronlar tarmog'ini anglatadi. Tushunchaning zamonaviy qo'llanishi sun'iy neyronlardan tashkil topgan sun'iy neyron tarmoqlarini anglatadi. Shunday qilib, atama ikkita o'ziga
May, 2024
374
xoslikka ega: Biologik neyron tarmoqlari va sun'iy neyron tarmoqlari. Biologik neyron tarmoqlar periferik nerv sistemasi yoki markaziy nerv sistemasida bog'langan haqiqiy biologik neyronlardan tashkil topgan. Nevrologiya sohasida ular laboratoriya tahlilida aniq fiziologik funktsiyani bajaradigan neyronlar guruhi sifatida aniqlanadi. Sun'iy neyronlar o'zaro bog'lovchi sun'iy neyronlardan tarkib topgan[2]. Ushbu tarmoq biologik neyron tarmoqlari haqida tushunchaga ega bo'lish yoki sun'iy aql muammolarini hal qilish uchun ishlatilishi mumkin.
Neyron tarmog'i qatlamlarda joylashgan "neyronlar" deb nomlangan birliklardan tashkil topgan strukturadir. Neyronlar "otish" va boshqa neyronlar qatlamiga ma'lumot yuborishni hal qilish uchun matematik funktsiyalardan foydalanadilar. Arxitektura inson miyasiga o'xshash tarzda yaratilgan, bu erda neyronlar yonadi va turli neyronlar o'rtasida aloqalar o'rnatiladi. Neyron tarmoqlardan tasvirlarni yaratishdan tortib, tasvirdagi elementlarni topishgacha bo'lgan murakkab muammolarni hal qilishda foydalanish mumkin.
Neyron tarmoqda ma'lumotlar tarmoqqa kiritiladi va kerakli natijani olish uchun sun'iy neyronlarning bir nechta qatlamlaridan o'tadi. Har bir neyron turli xil tarkibiy qismlardan iborat bo'lib, ularni quyidagi rasmda ko'rish mumkin:
1-rasm Kirish va chiqishlarni ko'rsatadigan matematik belgilar bilan neyronning tasviri
Har bir neyron to'rtta asosiy xususiyatga ega. Keling, ularning har birini muhokama qilaylik.
Kiritish. O'quv jarayonida modelga kiritilgan xususiyatlar kirish deb ataladi. Masalan, ob'ektni aniqlashda kirish rasmdagi piksel qiymatlari qatori bo'lishi mumkin.
Og'irliklar. Og'irliklar o'quv jarayoniga ko'proq ta'sir ko'rsatadigan "xususiyatlarni" ta'kidlash uchun xizmat qiladi. Tarmoq tomonidan amalga oshirilgan muvaffaqiyatli bashoratda
May, 2024
375
xususiyat qanchalik ko'p paydo bo'lsa, ushbu xususiyatni ifodalovchi neyron(lar)ning og'irligi shunchalik ko'p bo'ladi. Og'irliklar kiritilgan qiymatga va og'irlik matritsasiga skalyar ko'paytirishni qo'llash orqali hisoblanadi. Misol uchun, salbiy so'z bir juft neytral so'zlarga qaraganda salbiy so'zlarni aniqlash vazifasi yuklangan hissiyotlarni tahlil qilish modeli natijalariga ko'proq ta'sir qiladi.
Faollashtirish funktsiyasi.Faollashtirish funktsiyasining asosiy maqsadi tugundagi yig'ilgan vaznli kirishni keyingi yashirin qatlamga o'tkaziladigan yoki yakuniy chiqish sifatida ishlatiladigan chiqish qiymatiga aylantirishdir.
Faollashtirish funktsiyalari neyronning tarmoqqa kirishiga qarab faollashtirilishi kerakmi yoki yo'qligini aniqlaydi[4]. Bu funksiyalar kiritishning bashorat qilish uchun muhimligini aniqlash uchun matematik operatsiyalardan foydalanadi. Agar kirish muhim deb hisoblansa, funktsiya neyronni "faollashtiradi". Aksariyat faollashtirish funktsiyalari chiziqli emas. Bu neyron tarmoqlarga ma'lumotlar to'plami (ya'ni turli piksellar tasvirdagi xususiyatni qanday tashkil etishi) haqida xususiyatlarni "o'rganish" imkonini beradi. Chiziqli bo'lmagan faollashtirish funktsiyalarisiz neyron tarmoqlar faqat chiziqli va affin funktsiyalarni o'rganishi mumkin edi. Nima uchun bu muammo? Bu muammo, chunki chiziqli va affin funktsiyalar real dunyo ma'lumotlarida ko'pincha mavjud bo'lgan murakkab va chiziqli bo'lmagan naqshlarni ushlay olmaydi.
Tarafsizlik. Bias - bu faollashtirish funktsiyasidan o'tishdan oldin kirishlarning vaznli yig'indisiga qo'shiladigan neyron parametrlariga ishora qilish uchun ishlatiladigan atama. Bias odatda skalyar qiymat sifatida ifodalanadi va neyron tarmoqni o'qitish jarayonida og'irliklar bilan birga o'rganiladi.
Bias atamasi faollashtirish funktsiyasini chapga yoki o'ngga siljitish orqali neyronning chiqishini o'zgartirishi mumkin, bu chiqish qiymatlari diapazonini va yonayotgan neyronlar sonini o'zgartirishi mumkin. Bu tarmoqning umumiy xatti-harakatiga sezilarli ta'sir ko'rsatishi mumkin.
Neyron tarmoqning umumiy tuzilishi. Neyron tarmoqlari bir-biridan juda farq qiladi. Har kuni butun dunyo bo'ylab biznes va akademiyadagi odamlar ma'lum bir muammoni oldingi versiyalarga qaraganda yaxshiroq hal qiladigan neyron tarmoqlar uchun yangi konfiguratsiyalar bilan tajriba o'tkazmoqda. Ammo, odatda, neyron tarmoqning tarmoqlar bo'ylab izchil bo'lgan bir nechta xususiyatlari mavjud.
Quyidagi rasmda kirish qatlami, yashirin qatlamlari va chiqish qatlamlari bilan neyron tarmoqning umumiy tuzilishi ko'rsatilgan:
B May, 2024
Multidisciplinary Scientific Journal
input layer hidden layer 1 hidden layer 2 output layer
2-rasm. Neyron tarmoqning umumiy tuzilishi
USULLAR
Ko'plab bashorat muammolari tendentsiyalaming aniq ko'tarilishini ko'rsatmoqda va boshqa tomondan ular juda kuchli mavsumiy o'zgarishlarni ko'rsatadi[5]. Haqiqiy hayot ma'lumotlariga neyron tarmoqni bashorat qilish usullarini qo'llash juda katta hajmdagi ma'lumotlar, yuqori o'lchamliligi va mavsumiy o'zgarishlar mavjudligi tufayli qiyin. Teleko'rsatuv bu kabi bashoratlash modellari katta yordamga ega bo'lgan sohadir.
Neyron tarmoqlar chiziqli bo'lmagan dasturlar uchun foydalidir. Bashorat bashorat qilish yoki kelajakni sezishdan boshqa narsa emas. Ko'plab bashorat muammolari tendentsiyalarning aniq ko'tarilishini ko'rsatmoqda va boshqa tomondan ular juda kuchli mavsumiy o'zgarishlarni ko'rsatadi.
Kirish birliklari soni neyron tarmog'ining bashorat qilishda saqlangan malumotlarni olish davrlar sonini aniqlaydi. Kirish birliklari soni kirish oynasining kattaligiga teng. Tarmoq berilgan kirish-chiqish to'plamlari uchun o'rgatilgandan so'ng, kelgusi davr uchun ishlab chiqarishning mohiyatini bashoratlash yoki bashorat qilish uchun qo'llaniladi. 3-rasmda bashoratlash ma'lumotlari neyron tarmog'iga qanday qabul qilingani ko'rsatilgan.
Ko'plab ta'sir qiluvchi omillar sabab mintaqaviy iqtisodiy rivojlanishning tarixiy ma'lumotlari juda murakkab. Biroq, ma'lumotlar o'rtasidagi murakkab munosabatlar tufayli iqtisodiy rivojlanishni ob'ektiv va har tomonlama aks ettiruvchi ko'rsatkichlarni topish qiyin. Ko'p chiziqli regressiya, kulrang korrelyatsiya modeli va vaqt seriyalari kabi an'anaviy tahlil usullari mintaqaviy iqtisodiy o'zgarishi yuqori bo'lgan ko'rsatkichlarni samarali tahlil qila olmaydi va aniq iqtisodiy bashoratlab bilmaydi. Nochiziqli dinamika texnologiyasining rivojlanishi bilan nochiziqli mintaqaviy
May, 2024
377
iqtisodiyotning rivojlanish tendentsiyalarini har tomonlama o'rganishi mumkin bo'lgan kuchli nochiziqli tahlil imkoniyatlariga ega bo'lgan turli xil bashorat qilish usullari mavjud. Amaliy bashoratda, bashoratni aniqroq qilish uchun sun'iy neyron tarmoqlardan foydalangan holda iqtisodiy bashorat modellari tizimlari o'rnatiladi.
3-rasm. Bashorat qilish uchun neyron tarmog'i
Ko'plab olimlar yangi genetik algoritm va qisqa muddatli yukni bashoratlash orqali dinamik iqtisodiy o'zgarish muammosini hal qilish uchun optimal energiya rejalashtirish usulini taklif qildi. Gibrid usul yuqori bashorat qilish qobiliyatini ko'rsatsada, global yechimlarni izlash tufayli vaqt sarfi sezilarli darajada oshadi. [6] da kunlik iqtisodiy o'zgarish uchun mustahkamlovchi bashoratlash tizimini taklif qildi. Tizimning real vaqt rejimida fikr-mulohazalarini olish uchun mustahkamlovchi bashoratlash tizimi qo'llaniladi, shuning uchun kirish ob'ektlari sifatida real vaqt rejimida katta hajmdagi
May, 2024
378
ma'lumotlar kerak bo'ladi. [7] dagi ishda iqtisodiy rivojlanishni bashorat qilish uchun statistik tahlil usullaridan foydalanadi, uning natijalari vaqt sarfi kamroq ekanligini ko'rsatadi, ammo bashorat qilish xatosini nazorat qilish qiyin. Xuddi shunday, [8] da amalga oshirilgan PVAR modeli iqtisodiy o'sish tendentsiyasini bashorat qilish uchun ishlatiladi.
Yuqoridagi bashoratlash usullaridan farqli o'laroq, neyron tarmoqlar mukammal o'rganish va bashorat qilish qobiliyatlari tufayli ancha samarali bo'lib bormoqda. Masalan, trafikda ishlatiladigan Grafik neyron tarmoqlari [11], signal jarayonida qo'llaniladigan neyron tarmoq [12], diagnostika texnologiyalarida qo'llaniladigan chuqur neyron tarmoqlari [13] va tibbiyot sohasida qo'llaniladigan chuqur neyron tarmoqlari [14] va boshqalar. Umuman olganda, neyron tarmoqlarning turli tuzilmalari odatda turli dastur sohalarida qo'llaniladi, masalan, [15] filtr sifatida konvolyutsion neyron tarmoqlaridan foydalangan va shu bilan siyrak ma'lumotlarni tahlil qilgan. [16] da tasvirlarni tasniflash uchun chuqur neyron tarmoqlarini ishlab chiqdi. Va ko'krak saratoni gistopatologik tasvirlarni tasniflash uchun ishlatiladigan, [17] tomonidan taklif qilingan chuqur neyron tarmoqlari. Xuddi shunday, chuqur neyron tarmoqlari dinamik MR tasvirlash uchun ishlatiladi. [18] dagi ishda iqtisodiyotni bashorat qilish uchun Radial Basis Function (RBF) neyron tarmog'ini va Back Propagation (BP) neyron tarmog'ini taklif qildi. Taqqoslangan natijalar shuni ko'rsatadiki, RBF neyron tarmog'ining bashoratlash qobiliyati BP neyron tarmog'iga qaraganda yaxshiroq.
Elman neyron tarmog'i tipik mahalliy regressiya tarmog'i (global oldinga yo'naltirilgan mahalliy oqim) [19] bo'lib, uni lokal xotira birliklari va lokal qayta aloqa ulanishlari bilan takrorlanuvchi neyron tarmoq sifatida ko'rish mumkin. [20] tomonidan taklif etilgan Elman neyron tarmog'i tarmoq tizimining xavfsizligini bashorat qiladi va tarmoq xavfsizligi uchun erta ogohlantirishlarni beradi. Elman neyron tarmog'ini o'qitish uchun global yechimdan foydalanish tufayli prognozning aniqligi global yechimga tayanadi va o'quv iste'moli ham ortadi. [21] trafikni bashorat qilish uchun genetik algoritm bilan birgalikda Elman neyron tarmog'idan foydalangan. Garchi genetik algoritm Elman neyron tarmog'ining tarmoq parametrlarini optimallashtirgan bo'lsada, bu bashorat qilingan aniqlikni sezilarli darajada oshiradi, genetik algoritmdagi krossover va mutatsiya operatsiyalari bashorat ko'rsatkichlariga osongina ta'sir qiladi. Chjan va boshqalar. [22] havo sifatini bashorat qilish uchun IOIF-Elman neyron tarmog'idan foydalangan, bu kamchiliklarni ham sekin konvergentsiyani, ham lokal minimal darajalarga tushirishni bartaraf etgan. Xuddi shunday, [23-24] da amalga oshirilgan ushbu Elman neyron tarmoqlari prognozning ajoyib
ishlashini ochib beradi. Elman neyron tarmoqlarini
B May, 2024
Multidisciplinary Scientific Journal
optimallashtirish uchun, odatda, ularga boshqa usullar yoki boshqa tarmoq tuzilmalari birlashtiriladi. Masalan, Masud va boshqalar. [25] konvolyutsion neyron tarmoqlari va Elman neyron tarmoqlariga asoslangan gibrid tarmoqni taklif qildi. Biroq, gibrid tarmoqdagi parametrlarni o'qitish juda murakkab. Rajesh [26] Memory Recurrent Elman Neural Network-dan foydalangan, ya'ni Recurrent neyron tarmog'i Elman neyron tarmog'iga kiritilgan. Shubhasiz, bu bashorat qilingan natijalar Elman neyron tarmog'i ma'lumotlarni bashorat qilish uchun mos ekanligini tasdiqlaydi.
Biznesning iqtisodiy ko'rsatkichlarini bashoratlashda mintaqaviy iqtisodiy rivojlanishning bizga ma'lum ma'lumotlariga tayanadi, ammo bizga ma'lum ma'lumotlar o'rtasidagi murakkab munosabatlar tufayli mavjud tahlil usullari yuqori biznesning iqtisodiy ko'rsatkichlarini to'g'ri tahlil qila olmaydi va ilg'or iqtisodiy bashorat natijalariga erisha olmaydi, iqtisodiy rivojlanishni xolis va har tomonlama aks ettiruvchi muhim ko'rsatkichlarni o'rganish qiyin. Biz bu ishda iqtisodiyot bashoratlash uchun va iqtisodiyotga ta'sir qiluvchi muhim ko'rsatkichlarni o'rganish orqali iqtisodiy qarorlar qabul qiluvchi bir qancha neyron tarmoqlari orqali bashoratlash usullarini tahlil qildik. Tahlillar shuni ko'rsatdiki biznes iqtisodiy ko'rsatkichlarini bashoratlashda Elman neyron tarmog'i usuli boshqalariga qaraganda samaraliroq ekanligi aniqlandi. Elman neyron tarmog'ining bashoratlash samarodligini oshirish uchun bir qancha parametrlar qo'shish va armoqning konvergentsiya tezligini oshirish orqali ancha samarador qilish mumkinligi aniqlandi.
REFERENCES
1. M. Aiken, Using a neural network to forecast inflation, Industrial Management &Data Systems 7 (1999) 296-301.
2. D. Alexander and L. R. Thomas, Monetary/Asset models of exchange rate determination: How well have they performed in the 1980's? International Journal of Forecasting 3 (1987) 53-64.
3. J. A. Anderson and E. Rosenfeld, Neurocomputing: Foundations of Research (MIT Press, Cambridge, MA, 1988).
4. S. I. Ao, Analysis of the interaction of Asian Pacific indices and forecasting opening prices by hybrid VAR and neural network procedures, in Proc. Int. Conf. on Computational Intelligence for Modelling, Control and Automation 2003, Vienna, Austria, (February 2003a).
5. S. I. Ao, Incorporating correlated markets' prices into stock modeling with neural network, in Proc. IASTED Int. Conf. on
XULOSA
B May, 2024
Multidisciplinary Scientific Journal
Modelling and Simulation 2003, Palm Springs, USA (February 2003b), pp. 353-358.
6. 6. Lilin Cheng, Haixiang Zang, Anupam Trivedi, Dipti Srinivasan, Zhinong Wei, Guoqiang Sun. Mitigating the Impact of Photovoltaic Power Ramps on Intraday Economic Dispatch Using Reinforcement Forecasting. IEEE Transactions on Sustainable Energy, 2024, 15(1), pp. 3-12.
7. Qi Zhao. Research on prediction of enterprise economic growth based on monetary policy regulation. 2020 International Conference on Robots & Intelligent System (ICRIS), IEEE, Sanya, China. 2020, pp. 1-1
8. Juan Li, ShuFeng Cong. Prediction of financial economic growth trend based on PVAR model. 2021 13th International Conference on Measuring Technology and Mechatronics Automation (ICMTMA), IEEE, Beihai, China, 2021, pp. 1-10.
9. Zhidong Deng, Nuo Tian, Kunpeng Liu, Di Wu. Trend prediction method of economic fixed base index of power industry based on time series. 2021 International Conference on Wireless Communications and Smart Grid (ICWCSG), IEEE, Hangzhou, China, 2021, pp. 1-4.
10. Cuiqin Liu. Prediction Method of the Industrial Economic Operation Index Based on an Improved Genetic Algorithm. 2021 IEEE International Conference on Industrial Application of Artificial Intelligence (IAAI), IEEE, Harbin, China, 2021.
11. H. F. de Mendonca, and A. F. G. Almeida, "Importance of credibility for business confidence: evidence from an emerging economy",Empirical Economics, 2018.
12. H. Sakaji, R. Kuramoto, H. Matsushima, K. Izumi, T. Shimada, and K. Sunakawa, "Financial Text Data Analytics Frameworkfor Business Confidence Indices and Inter-Industry Relations", Proceedings of the First Workshop on Financial Technology and Natural Language Processing, Macao, China, August 12, 2019, pp. 40-46
13. S. Feuerriegela, and J. Gordon, "News-based forecasts of macroeconomic indicators: A semantic path model for interpretable predictions", European Journal of Operational Research, vol. 272, no. 1, pp. 162-175, January, 2019.
14. V. Los, and D. Ocheretin "Construction of business confidence index based on a system of economic indicators", ShS Web of Conferences, vol.65, 2019.
15. S. Arslankaya and V. Oz "Time Series Analysis on Sales Quantity in an Automotive Company and Estimation by Artificial Neural Networks", Sakarya University Journal of Science,no. 22 (5), pp. 1482-1492, 2018.
16. Shi Dong, Yifan Sun, Nicolas Bohm Agostini. Spartan: A Sparsity-Adaptive Framework to Accelerate Deep Neural Network Training on GPUs. IEEE Transactions on Parallel and Distributed Systems, 2021.
17. Yangqin Feng, Lei Zhang, Juan Mo. Deep Manifold Preserving Autoencoder for Classifying Breast Cancer
May, 2024
381
Histopathological ImaGES. IEEE Transactions on Computational Biology and Bioinformatics, 2020
18. Mengru Du. Economic Forecast Model and Development Path Analysis Based on BP and RBF Neural Network. 2023 IEEE 12th International Conference on Communication Systems and Network Technologies (CSNT), 2023.
19. Elman J L. Finding structure in time. Cognitive Science, vol.14, pp.179-211,
20. Yun Kai, Huang Qiang, Ma Yixuan. Construction of Network Security Perception System Using Elman Neural Network. 2021 2nd International Conference on Computer Communication and Network Security (CCNS), 2021.
21. Zhilong Zhang, Xianjun Shi, Yufeng Long, Yufeng Qin, Jiapeng Lv, Li Zhao. Network Traffic Prediction Based on Improved GA-Elman Neural Network. 2021 CAA Symposium on Fault Detection, Supervision, and Safety for Technical Processes, 2021.
22. Yufei Zhang, Jianping Zhao, Honggang Wu, Minghan Gao. A new IOIF Elman neural network for air quality prediction. 2022 2nd International Conference on Consumer Electronics and Computer Engineering (ICCECE), 2022.
23. Xinlei Cai, Jinzhou Zhu, Jiale Liu, Zijie Meng, Yuhang Huo, Yang Yu. Short-Term Power Prediction Method for Photovoltaic Power Generation Based on Elman Neural Network for Aspen Swarm Optimization. 2023 6th International Conference on Energy, Electrical and Power Engineering (CEEPE), 2023.
24. Xie Jialing, Shi Weifeng, Bi Zong, Song Tiewei. Research on Marine Electric Load Forecast Based on PSO-Elman Neural Network. 2021 4th International Conference on Energy, Electrical and Power Engineering (CEEPE), 2021.
25. Masoud Fetanat, Michael Stevens, Pankaj Jain, Christopher Hayward, Erik Meijering, Nigel H. Lovell. Fully Elman Neural Network: A Novel Deep Recurrent Neural Network Optimized by an Improved Harris Hawks Algorithm for Classification of Pulmonary Arterial Wedge Pressure. IEEE Transactions on Biomedical Engineering, 2022.
26. Rajesh Kumar. Memory Recurrent Elman Neural Network-Based Identification of Time-Delaed Nonlinear Dynamical System. IEEE Transactions on Systems, Man, and Cybernetics: Systems, 2023.
1990.
B May, 2024
Multidisciplinary Scientific Journal
