Прогнозирование моментов конечных нормальных смесей с использованием нейронных сетей прямого распространения

Моделирование и анализ нестационарных потоков данных в реальных системах различного рода может эффективно проводиться с помощью конечных нормальных сдвиг-масштабных смесей. Проведена апробация ранее развитой авторами методологии прогнозирования с помощью нейронных сетей на основе замены значений исходных непрерывных рядов дискретными величинами на примере изменяющихся во времени моментов смешанной вероятностной модели. Продемонстрирована точность более 80% для большинства рассмотренных случаев при краткосрочном прогнозировании с помощью нейронной сети прямого распространения, работа с которой реализована средствами библиотеки глубокого обучения Keras, фреймворка TensorFlow и языка программирования Python.