Nieuwsbank

Schrijft, screent en verspreidt persberichten voor journalistiek, search en social media. Hét startpunt om uw nieuws wereldkundig te maken. Ook voor follow-ups, pitches en korte videoproducties.

Promotie: Neuraal netwerk leert statistiek

Datum nieuwsfeit: 02-07-1999
Vindplaats van dit bericht
Bron: Razende Robot Reporter
Zoek soortgelijke berichten
Rijks Universiteit Groningen

Promotie

Neuraal netwerk leert statistiek

Datum en tijd vrijdag 2 juli 1999, 14.15 uur
Promovendus R.S. Venema, tel. (050)363 39 48, fax (050)363 38 00, e-mail (rienk@cs.rug.nl) (werk),

Proefschrift Aspects of an integrated neural prediction system
Promotor prof.dr.ir. L. Spaanenburg

Faculteit wiskunde en natuurwetenschappen
Plaats Aula Academiegebouw, Broerstraat 5, Groningen

Venema (Vollenhove, 1968) studeerde wiskunde in Groningen. Hij verrichtte zijn promotieonderzoek bij de vakgroep Informatica van de RUG.

Neurale netwerken blijken in principe geschikt voor het voorspellen van tijdreeksen. Maar als het ingewikkeld wordt – en in de praktijk zijn tijdreeksen vaak ingewikkeld – schiet een gewoon neuraal netwerk tekort. Het vooraf opdelen van het oorspronkelijke probleem in deelproblemen is dan de oplossing, stelt Rienk Venema in zijn proefschrift. Een tijdreeks is een serie waarden die een bepaald proces in de loop der tijd kan aannemen. Voorbeelden zijn de waterstanden van een rivier of het koersverloop van aandelen. Prangende vraag bij deze tijdreeksen is altijd: wat zal de volgende waarde, bijvoorbeeld die van morgen, zijn? Klassieke technieken gaan meestal uit van een lineair en stationair gedrag van de reeks. De lijn uit het verleden kan worden doorgetrokken; het systeem is zo stabiel dat de belangrijkste statistische eigenschappen van het proces stationair zijn in de loop van de tijd. In de praktijk kloppen die aannames vaak niet: het proces is niet-lineair en niet-stationair en de wiskundige beschrijving ervan dekt maar een deel van het geheel. Neurale netwerken hebben dan het voordeel dat ze kunnen werken zonder dat er eerst een wiskundig model is opgesteld van proces onder de tijdreeks. Ze kijken alleen naar de getallen en proberen daar een patroon in te ontdekken. Een neuraal netwerk wordt getraind met behulp van een hoeveelheid gegevens uit het verleden en enkele treffende voorbeelden. Ze leren via trial-and-error. Sterke punten van de neurale netwerken zijn het vermogen om zich aan te passen en het vermogen om verbanden te zien tussen gecorreleerde signalen. Sterk punt van de statistiek is de gegevensanalyse. Venema probeerde in zijn onderzoek deze voordelen te combineren. Daarvoor moet hij twee wetenschapsgebieden integreren. Hij geeft een aanzet voor het ontwerp van een neurale architectuur waarin statistische methoden kunnen worden ingezet. Omdat blijkt dat normale netwerken niet in staat zijn om voorspellingen te doen in niet-stationaire tijdreeksen, gaat hij daarbij uit van een modulaire neurale architectuur. Die is in staat om een oorspronkelijk, complex probleem eerst op te splitsen in verschillende, minder complexe deelproblemen. Deze deelproblemen, die wel stationair zijn, worden eerst geanalyseerd door verschillende gespecialiseerde netwerken en daarna weer gecombineerd. Het onderzoek van Venema is grotendeels theoretisch van aard, maar het proefschrift bevat ook software voor het toepassen van modulaire neurale netwerken in praktische tijdreeksproblemen. Die is opgenomen in het neurale pakket InterAct dat ontwikkeld wordt bij Technische Informatica van de RUG.

reageer via disqus

Nieuwsbank op Twitter

Gratis persberichten ontvangen?

Registreer nu

Profiteer van het gratis Nieuwsbank persberichtenfilter

advertentie