Специальное математическое обеспечение краткосрочного прогнозирования на основе нейросетевого моделирования и анализа многомерного лага

Специальное математическое обеспечение краткосрочного прогнозирования на основе нейросетевого моделирования и анализа многомерного лага

Автор: Крючкова, Ирина Николаевна

Шифр специальности: 05.13.11

Научная степень: Кандидатская

Год защиты: 2007

Место защиты: Воронеж

Количество страниц: 132 с. ил.

Артикул: 3311691

Автор: Крючкова, Ирина Николаевна

Стоимость: 250 руб.

Специальное математическое обеспечение краткосрочного прогнозирования на основе нейросетевого моделирования и анализа многомерного лага  Специальное математическое обеспечение краткосрочного прогнозирования на основе нейросетевого моделирования и анализа многомерного лага 

Содержание
Содержание
Введение
1. Проблемы и перспективы нейросетсвою моделирования и прогнозирования поведения сложных систем, описываемых многомерными временными рядами
1.1. Обзор методов построения прогностических моделей и их применение к исследованию поведения многомерных стохастических объектов, описываемых временными рядами
1.2 Сложность задачи прогнозирование в условиях неполной информации.
Нейронные сети как инструмент решения нечетких задач.
1.3. Выбор архитектуры искусственной нейронной сети и алгоритма обучения для решения задачи прогнозирования многомерных временных
1.4 Цель и задачи исследования.
2. Оптимизация параметров про позирующей нейронной сети с учетом запаздывания выхода относительно многомерного входа
2.1. Формализация задачи построения нейросети для ненулевою запаздывания.
2.2. Определение величины запаздывания для одной независимой переменной входа.
2.3 Верификация методики определения многомерного лага на основе анализа чувствительности нейросети в задаче прогнозирования
многомерных временных рядов
2 4 Выводы по главе
3. Структурный синтез базы данных для системы прогнозирования
3.1 Формирование информационной базы для прог позирования.
Предваригельная обработка статистических данных и определение состава входов нейросети.
3.2. Алгоритмизация процедур неоднородною нейросетевого анализа
3.3. Алгоритмизация процедур множественно о регрессионного анализа с оптимизацией вектора запаздываний для значимых факторов.
3.4. Выводы по главе
4. Программная реализация системы прогнозирования набора в высшее учебное заведение.
4 I. Структура системы и механизмы взаимодействия ее компонент
4.2. Применение методов нейросетевого анализа для поддержки принятия
решений при управлении сложными системами
4 3. Прогнозирование набора в негосударственный вуз на основе традиционных нсйросетевых процедур.
4.4. Сравнение результатов прогнозирования на основе нейросетей с результатами статистического анализа.
4.5. Результаты оптимизации вектора запаздываний и сравнение с традиционными нулевое запаздывание результатами статистического и нейросетевого прогнозирования
4.6. Выводы по главе
Основные результаты работы
Литература


В работах, опубликованных в соавторстве, лично соискателю принадлежит в состав факторов, значимо влияющих на количественные показатели набора постановка задачи нейросетсвого моделирования набора в неюсударствснный вуз 3, исследование качественного поведения критерия оптимальности временною лага способ реализации модуля сдвига и структура линии задержки в способы кодирования переменных на этапе предобработки исходных данных в алгоритм оптимизации вектора временных лагов способ верификации процедуры поиска оптимальных временных лагов и результаты вычислительных экспериментов , методы и технологии создания компонент системы прогнозирования. Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка лшературы из 4 наименований и приложения. Основная часть работы изложена на 9 страницах, содержит 7 таблиц и рисунков. Основное содержание работы. В первой главе рассматриваются особенности моделирования и про позирования параметров сложных систем, характеризующихся комплексным составом факторов, влияющих на исследуемую величину, приведен обзор методов прогнозирования, определены пути выявления неявных закономерностей протекания процессов, описанных временными рядами. Во второй главе осуществлена постановка задачи оптимизации параметров прогнозирующей нейронной сети, учитывающая наличие многомерного лага, проведена формальная постановка задачи построения вектора оптимальных лагов в одно и многомерной задачах прогнозирования временных рядов методами регрессионного и нейросетевого анализа, предложена обобщенная структура прогнозирующей нейросети с учетом многомерного лага. Приведены результаты верификации предложенных моделей. Получен ряд теоретических результатов, являющихся основой алгоритма определения многомерного лага. В третьей главе осуществлена алгоришизация процедур неоднородного нейросетевого и регрессионного анализа, позволяющих посгроить вектор оптимальных временных лагов значимых независимых переменных. Для определения оптимальною временного лага по каждому временному фактору предложена процедура оценки чувствительности нейросети к удалению входов нейросети, соответствующих значениям независимой переменной в различных временных точках. В четвертой главе рассматриваются результаты программной реализации разработанных алгоритмов для Международною института компьютерных технологий. Приведены описание и функциональная сгруктура системы прогнозирования количественных показателей набора в негосударственный вуз, структура специального программного обеспечения, пользовательского интерфейса, результаты практической апробации разработанных алгоритмов. Обзор методов построения прогностических моделей и их применение к исследованию поведения многомерных стохастических объектов, описываемых временными рядами. Моделирование сложной системы в общем случае может преследовать разнообразные цели, для достижения которых решаются комплексы задач, поэтому ограничим круг исследуемых моделей сложной системы такими, которые позволяют на основе анализа некоторого параметра, описывающего значимую характеристику системы, предсказывать будущее значение данною параметра, характеризующего и состояние системы в целом в степени, достаточной для достижения цели моделирования . Следовательно, необходимо рассмотреть существующие методы прогнозирования временных рядов и определить возможность их применения к прогнозированию некоторой характеристики сложной системы на основе наблюдений и предположений о влиянии на рассматриваемую величину некоторых факторов, доступных для наблюдения. Прогнозирование это род предвидения, получение информации о будущем на основе исторической информации, хранящейся в виде временных рядов , 7 Методом прогнозирования называется способ исследования объекта, направленный на получение прогноза. К задачам, решаемым в ходе прогнозирования, традиционно относят анализ ситуации, определение уровней достоверности информации, определение степени вероятности, выработка текущих, средне и долюерочных прогнозов. В соответствии с рисунком 1. Рисунок 1.

Рекомендуемые диссертации данного раздела

28.06.2016

+ 100 бесплатных диссертаций

Дорогие друзья, в раздел "Бесплатные диссертации" добавлено 100 новых диссертаций. Желаем новых научных ...

15.02.2015

Добавлено 41611 диссертаций РГБ

В каталог сайта http://new-disser.ru добавлено новые диссертации РГБ 2013-2014 года. Желаем новых научных ...


Все новости

Время генерации: 0.256, запросов: 244