Details

Today, neural networks are actively used in modeling complex nonlinear dependencies. Amid such a rapid growth of interest in this powerful tool for modeling various objects and processes, research in the natural sciences and engineering, the work on the application of neural networks in economics is vanishingly small. This is explained both by the complexity of the modeling tool itself - neural networks, and by the object of modeling - the evolving economy. At the dawn of the development of neural networks, the method of modeling processes using Kolmogorov-Gabor polynomials (or Wiener series) was considered as an alternative. For various reasons, this method lost the competitive battle, and neural networks prevail. The article presents a method and technique for constructing an elementary image of the Kolmogorov-Gabor polynomial and shows that today it can be used as an alternative to neural networks in modeling of economic processes.

Сегодня при моделировании сложных нелинейных зависимостей активно используют нейронные сети. На фоне такого бурного роста интереса к этому мощному инструменту моделирования различных объектов и процессов исследования естественно-научных и технических наук работы по применению нейронных сетей в экономике исчезающе малы. Это объясняется как сложностью самого инструмента моделирования - нейронные сети, так и объекта моделирования - эволюционирующая экономика. На заре становления нейронных сетей в качестве альтернативы рассматривался метод моделирования процессов с помощью полиномов Колмогорова-Габора (или рядов Винера). По разным причинам этот метод проиграл конкурентную борьбу и нейронные сети превалируют. В статье приводится метод, и методика построения элементарного образа полинома Колмогорова-Габора и показывается, что он сегодня вполне может использоваться как альтернатива нейронным сетям в моделировании экономических процессов.