Нейросетевое моделирование динамики нелинейных объектов в условиях краткосрочного прогнозирования на основе аппарата нечёткой логики

• Автор: Гусев, Константин Юрьевич
• Шифр специальности: 05.13.18
• Научная степень: Кандидатская
• Год защиты: 2013
• Место защиты: Воронеж
• Количество страниц: 147 с. : ил.

Содержание
Введение

Глава 1 Анализ методов моделирования динамики нелинейных объектов

1.1 Проблематика краткосрочного прогнозирования динамики нелинейных объектов

1.2 Классификация методов моделирования и анализа нелинейных объектов

1.3 Априорный анализ экспертных данных

1.4 Цель работы и задача исследования

Глава 2 Нейросетевое моделирование нелинейной динамики на основе реализации математических и эконометрических методов

2.1 Математическая модель нечёткой системы анализа

2.2 Математическая модель нейрона

2.3 Нейросетевая модель нечёткой системы прогнозирования

2.4 Алгоритм априорного анализа данных
Выводы
Глава 3 Алгоритмизация процесса нейросетевого моделирования в условиях нелинейной динамики
3.1 Алгоритм нейросетевого моделирования и анализа на основе аппарата нечёткой логики
3.2 Алгоритм обратного распространения ошибки
З.ЗАлгоритмизация процедуры повышение качества нейросетевой модели
на основе формирования пробных шагов
Выводы
Глава 4 Структура программного комплекса и результаты практической реализации моделей и алгоритмов анализа динамики нелинейных объектов

4.1 Структура программного комплекса
4.2 Пользовательский интерфейс
4.3 Результаты практической апробации программного комплекса в условиях принятия решений органами регионального административного
управления
Заключение
Библиографический список
Приложение 1 Справка о внедрении результатов диссертационной
работы
Приложение 2 Акт о внедрении результатов диссертации в учебный
процесс
Приложение 3 Акт регистрации программного комплекса в государственном информационном фонде

Введение
Актуальность темы. В настоящее время большую актуальность приобретают вопросы, связанные с разработкой и совершенствованием математических методов описания сложных объектов, проявляющих свойства нелинейности. Нелинейная динамика проявляется в той или иной степени в экстремальных условиях функционирования большинства объектов управления.
Признаки нелинейности являются реальной особенностью технических, производственных, экономических объектов, в рамках которых переходные процессы оказывают существенное влияние на качественные и количественные характеристики их функционирования.
Для моделирования и анализа нелинейной динамики до настоящего времени широко использовались статистические методы, методы теории хаоса и фрактальной геометрии, которые в определённых условиях позволяют с высокими показателями качества получить среднесрочные и долгосрочные прогнозы их состояний. Дальнейшее развитие средств моделирования нелинейных объектов связано с активным использованием в это области аппарата нейронных сетей. Теоретическим вопросам нейросетевого моделирования посвящены работы Мак-Каллока У.С., Питтса В., Минского М., Пейперта С., Рутковской Д.Н., Круглова В.В. В данных работах рассмотрены теоретические результаты нейросетевого моделирования, в том числе нелинейных, объектов для формирования в основном долгосрочных прогнозов. Однако существующие возможности аппарата нейросетевого моделирования ограничены в условиях формирования оперативных краткосрочных прогнозов (в режиме реального времени), что обуславливает актуальность задачи дальнейшего его совершенствования с целью обеспечения высокой эффективности принятия решений.

дополняющие продукты, заработком потребителей, численностью потребителей, и т. д. Непременно, перечислить все изъясняющие переменные фактически нереально. К примеру, не приняли к сведению такие причины, как традиции, национальные либо верующие индивидуальности, географическое состояние региона, состояние погоды и почти все остальные, воздействие которых приведет к неким отклонениям настоящих наблюдений от модельных. Эти отличия выражаются через е. Проблема ещё и в том, что никогда заблаговременно не понятно, какие причины при создавшихся критериях вправду являются определяющими, а какими разрешено пренебречь. Время от времени сообразно определенному причине невозможно составлять статистические данные и, следственно, учитывать эту причину. Не считая такого, ряд причин имеет принципиально случайный характер (к примеру, погода), что прибавляет неоднозначности в модель(к примеру, модель, прогнозирующая размер урожая).
- неправильный отбор многофункциональной формы модели (в следствии слабой изученности процесса или в следствии его переменчивости). К примеру, настоящая зависимость может не проявляться линейной, а быть наиболее трудной (к примеру, нелинейной). Неважно какая, но самая изощренная формула является только приближением к оригиналу, и имеющееся несоответствие вносит вклад в остаточный член.
- агрегирование переменных (укладывание, сложение). В почти всех моделях некие причины (переменные) сами представляют сложную комбинацию остальных, наиболее обычных переменных, что может оказаться предпосылкой отличия настоящих значений от модельных. К примеру, функция суммарного употребления - это попытка всеобщего выражения совокупных решений отдельных индивидов о расходах. Однако, отдельные соотношения, возможно, имеют различные характеристики, неважно какая попытка найти соответствие между совокупными расходами и заработком является только аппроксимацией. Наблюдаемое несоответствие при этом приписывается наличием случайного члена.