Математическое моделирование и комплекс программ анализа временных рядов на основе нечеткой модели

• Автор: Романов, Антон Алексеевич
• Шифр специальности: 05.13.18
• Научная степень: Кандидатская
• Год защиты: 2013
• Место защиты: Ульяновск
• Количество страниц: 150 с. : ил.

Содержание
Введение
Глава 1. Сравнительный обзор методов и средств математического моделирования и анализа временных рядов
1.1. Основные определения временных рядов. Классификация задач моделирования и анализа временных рядов
1.1.1. Определение и свойства временного ряда
1.1.2. Компоненты временного ряда
1.2. Классификация задач моделирования и анализа временных рядов
1.3. Статистические методы и средства анализа ВР. Ограничения
и преимущества
1.4. Нейросетевые методы и средства анализа ВР. Ограничения и
преимущества
1.5. Методы и средства интеллектуального анализа данных
1.6. Методы анализа ВР на основе нечетких систем. Метод Р-пре-
образования
1.6.1. Нечеткий временной ряд
1.6.2. Метод Р-преобразования
1.7. Выводы. Постановка задачи
Глава 2. Математические модели процессов на основе нечеткой модели временных рядов
2.1. Нечеткая модель временного ряда
2.2. Методика для анализа коротких временных рядов
2.2.1. Параметризация моделей

2.2.2. Прогнозирование тренда и ВР на основе решения системы уравнений методом простых итераций
2.2.3. Прогнозирование тренда и ВР на основе нейросетевого подхода
2.3. Генетическая оптимизация метода Р-преобразований
2.3.1. Основная схема генетической оптимизации
2.3.2. Функция оптимальности (фитнесс-функция)
2.4. Взаимодействие метода Р-преобразований и метода нечетких
тенденций в рамках интегрального метода анализа
2.4.1. Интеграция метода Р-преобразований и метода нечетких тенденций
2.5. Выводы
Глава 3. Комплекс программ анализа на основе нечеткой модели временных рядов
3.1. Архитектура программного сервиса анализа ВР
3.1.1. Управляющая система
3.1.2. УеЬ-сервис
3.2. Алгоритмы анализа на основе нечеткой модели временных рядов
3.3. Информационная база данных
3.4. Особенности реализации
3.5. Выводы
Глава 4. Анализ адекватности моделей, описание внедрения
4.1. Постановка задачи анализа экономических временных рядов .
4.2. План экспериментов для временных рядов экономического характера
4.3. Исследование влияния параметров на качество прогноза

4.3.1. Влияние количества точек, покрываемых базисной функцией, на качество прогноза тренда
4.3.2. Исследование эффективности применения нескольких типов нейронных сетей
4.3.3. Исследование эффективности прогнозирования нескольких точек тренда
4.4. Выбор библиотек для моделирования нейронных сетей
4.5. Исследование зависимости эффективности методов от длины

4.6. Сравнительный анализ эффективности
4.6.1. Влияние архитектуры нейронной сети на качество прогноза тренда и временного ряда
4.7. Использование методов для анализа ВР экономических показателей
4.8. Использование методов для анализа ВР трафика вычислительной сети ФНПЦ ОАО НПО «МАРС»
4.8.1. Данные для временных рядов
4.9. Корреляция параметров генетического алгоритма и значения фитнесс-функции
4.10. Выводы
Заключение
Литература
Список публикаций
Приложение А. Акт внедрения
Приложение Б. Свидетельство о регистрации программы

• Методы интеллектуального анализа данных можно использовать и в таких случаях, в которых использование классических статистических методов не подходит. Например, когда имеется большой объем многомерных данных или когда не представляется возможным полагать, что данные имеют некоторое стандартное вероятностное распределение.
В интеллектуальном анализе данных изучаются и используются следующие методы получения знаний:
• статистические методы (прогноз временных рядов, кластерный анализ
и др.);
• продукционные правила ЕСЛИ. . . ТО;
• деревья решений;
• генетические алгоритмы;
• нейронные сети.
Продукционные правила образуют базу знаний экспертной системы с продукционной архитектурой системы. При проектировании экспертной системы разработка продукционных правил является результатом обсуждения между инженером и группой экспертов.
В интеллектуальном анализе данных изучаются методы автоматической разработки продукционных правил. Такие методы в основном разработаны для создания правил называются ассоциативными правилами. Целью правил ассоциации является выявление отношений между данными в больших базах данных, позволяют найти элементы, которые предполагают наличие других элементов этой же серии. Проблемы автоматического создания ассоциативных правил были интенсивно изучались в последнее десятилетие. Были разработан эффективные алгоритмы.