Жора Д.В. Дослідження класифікатора з випадковими підпросторами та його застосування для прогнозування динаміки фондового ринка. - Рукопис. Дисертація на здобуття наукового ступеня кандидата фізико-математичних наук за спеціальністю 01.05.02 - математичне моделювання та обчислювальні методи. - Інститут кібернетики імені В.М. Глушкова НАН України* Київ, 2006. Дисертація присвячена математичному дослідженню характеристик функціонування класифікатора з випадковими підпросторами. Запропоновані методи його удосконалення, проведено порівняння з іншими класифікаційними алгоритмами. Продемонстрована ефективність застосування цієї моделі нейронної мережі для технічного прогнозування фондового ринка. Класифікатор з випадковими підпросторами є високопродуктивним нейро-мережевим класифікатором. Концептуально архітектура даної нейронної мережі представляється двома компонентами. Перша здійснює нелінійне перетворення дійсного вхідного вектора в бінарний образ великої розмірності. В отриманому просторі ознак лінійна розділимість представників різних класів стає більш вірогідною. Друга частина класифікатора є одношаровим персептроном, для якого використовується ітеративний алгоритм навчання з фіксованим інкрементом. Запропоновані наступні методи удосконалення розглянутої нейронної мережі: оптимізація конфігураційних параметрів структури класифікатора для макси-мізації відстані Хеммінга між бінарними образами двох довільних вхідних векторів; адаптація розподілу порогових значень у відповідності з ймовірнісним розподілом вхідних даних; локальне усереднення коефіцієнтів синаптичної матриці, що є ефективним для задач з великою байєсовською похибкою. Функціонування даної мережі проаналізовано на відомій класифікаційній базі даних. Доведено, що класифікатор з випадковими підпросторами є універсальним. Як і більшість інших нейромережевих парадигм, даний класифікатор дозволяє застосування генетичного алгоритму формування структури мережі, а також алгоритму навчання зі збереженням найкращої синаптичної матриці. Використовувалися наступні вхідні дані для задачі прогнозування фінансових часових рядів: нормалізовані дані цін та об'єму торгів, різні технічні індикатори, патерни японських свічок, індикатори відхилення від ковзних середніх і т.ін. Запропоновано метод оцінки ефективності прогнозування з точки зору теорії інформації. Розроблено алгоритм функціонування програмного агента для торгівлі цінними паперами. Архітектура класифікатора з випадковими підпросторами дозволяє ефективне розпаралелювання відповідних базових алгоритмів для застосування на багатоядерних чи багатопроцесорних комп'ютерних системах. Ключові слова: розпізнавання образів, класифікатор з випадковими підпросторами, грубе кодування, одношаровий персептрон, мінімальна помітна відстань, універсальний класифікатор, ітеративне навчання з фіксованим інкрементом, ядерна нейронна мережа, рання зупинка навчання, генетичний алгоритм, фінансове прогнозування, технічний аналіз, кількість інформації, розпаралелювання, агентно-ориєнтоване програмування.