Разработка математического и программного обеспечения автоматизированного прогнозирования временных рядов на основе нейрокомпьютерных технологий

• Автор: Артемкин, Денис Евгеньевич
• Шифр специальности: 05.13.01, 05.13.11
• Научная степень: Кандидатская
• Год защиты: 2003
• Место защиты: Рязань
• Количество страниц: 140 с. : ил.

СОДЕРЖАНИЕ
ВВЕДЕНИЕ

1. МЕТОДЫ ПРОГНОЗИРОВАНИЯ ВРЕМЕННЫХ РЯДОВ

1.1. Статистический анализ временных рядов.

1.2. Классификация методов прогнозирования временных рядов.

1.3. Статистические методы прогнозированиявременных рядов.

1.3.1. Адаптивные модели.

Ф 1.3.2. Регрессионный анализ.

1.3.3. Кривые роста

1.3.4. Частотный анализ

1.4. Нестатистические методы прогнозирования временных рядов.

1.4.1. Графические методы прогнозирования временных рядов
1.4.2. Аналитические нестатистические методы прогнозирования временных рядов
1.5. Сравнительный анализ методов прогнозирования временных рядов
2. ПРОГНОЗИРОВАНИЕ ВРЕМЕННЫХ РЯДОВ НА ОСНОВЕ НЕЙРОКОМПЫОТЕРНЫХ ТЕХНОЛОГИЙ.
2.1. Общие положения теории нейронных сетей
2.2. Особенности использования искусственных нейронных сетей для прогнозирования временных рядов
2.2.1. Модель
2.2.2. Функционал ошибки прогнозирующих нейронных сетей
2.3. Нейросетевое прогнозирование временного ряда в режиме скользящего окна.
2.4. Повышение эффективности прогнозирующей нейросетевой модели с помощью адаптивного распределения плотности вероятности выбора обучающего факта.
2.5. Нейросетевое прогнозирование временных рядов на основе многофакторной модели.
2.5.1. Общие положения
2.5.2. Особенности выбора вектора входов нейронной сети для построения оптимальной прогнозирующей модели
3. МЕТОДЫ ПОВЫШЕНИЯ ЭФФЕКТИВНОСТИ НЕЙРОСЕТЕВОГО ПРОГНОЗИРОВАНИЯ ВРЕМЕННЫХ РЯДОВ.
3.1. Общие замечания
3.2. Применение генетических алгоритмов для оптимизации прогнозирующих нейронных сетей
3.2.1. Базовые понятия генетического алгоритма
3.2.2. Функционирование генетического алгоритма.
3.3. Использование комитетов нейронных сетей
3.4. Использование параллельных и кластерных архитектур.
3.5. Использование комбинаций различных нейросетевых парадигм
4. АВТОМАТИЗИРОВАННАЯ СИСТЕМА ПРОГНОЗИРОВАНИЯ НА ОСНОВЕ НЕЙРОКОМПЬЮТЕРНЫХ ТЕХНОЛОГИЙ.
4.1. Общая характеристика и структурная схема системы.
4.1.1. Общая характеристика системы.
4.1.2. Структурная схема системы
4.1.3. Подсистемы программного обеспечения комплекса
4.2. Программное обеспечение серверной части системы
4.2.1. Структурная схема сервера
4.2.2. Сетевой интерфейс системы
4.2.3. Обеспечение безопасности работы системы в сети.
4.3. Возможности построения клиентского программного обеспечения .
4.3.1. Клиентское программное обеспечение авторизованного доступаЮО
4.3.2. ХЗЬшлюз.
5. ПРОГРАММНЫЕ СРЕДСТВА АВТОМАТИЗИРОВАННОГО ПРОГНОЗИРОВАНИЯ ВРЕМЕННЫХ РЯДОВ НА ОСНОВЕ
НЕЙРОКОМЫОТЕРНЫХ ТЕХНОЛОГИЙ
5.1. Библиотека классов
5.1.1. Общая характеристика
5.1.2. Иерархия классов
5.2. Пакет прикладных программ ЫеигоГогсса8Ь.
5.2.1. Общая характеристика
5.2.2. Функционирование пакета прикладных программ.
ЗАКЛЮЧЕНИЕ.
СПИСОК ЛИТЕРАТУРЫ


Преимуществами предложенной архитектуры являются коллективный доступ пользователей на основе гехнологиии «клиент/сервер» и оперативное обновление статистики исходных данных из информационных ресурсов сети 1шегпе1. Способы повышения эффективности прогнозирующих свойств и скорости обучения искусственной нейронной сети на основе экспоненциального и адаптивного распределения вероятности выбора обучающего факта. Генетический алгоритм комплексной оптимизации прогнозирующих нейронных сетей. Метод уменьшения размерности входов прогнозирующей нейросети на основе сопряжения различных нейросетсвых архитектур. Архитектура автоматизированной информационной системы прогнозирования. Внедрение результатов. Результаты работы использованы в ООО «Кар-центо» для решения задач прогнозирования финансово-экономических показателей и принятия на их основе обоснованных производственных решений по ценам на рынке цветных металлов и в Рязанском областном клиническом онкологическом диспансере для прогнозирования отдаленных результатов лечения больных раком молочной железы на основе использования ряда биологических и химических параметров клеток. Апробация работы. РГРТА, 1-5 февраля г. Рязань. Проблемы передачи и обработки информации в сетях и системах телекоммуникаций», - ноября г. Рязань. Проблемы передачи и обработки информации в сетях и системах телекоммуникаций», - ноября г. Рязань. Публикации. По теме диссертации опубликовано печатных работ, из них 3 в соавторстве. В их числе 4 статьи в межвузовских сборниках, 2 депонированные статьи, 2 доклада на международных конференциях, 2 учебных пособия, свидетельство об официальной регистрации программы в РОСПАТЕНТ. Структура и объем диссертации. Диссертационная работа состоит из введения, пяти глав и заключения. Содержит 0 страниц, 9 таблиц, рисунков. Список литературы состоит из наименований. Временным рядом (ВР) называют последовательность наблюдений, обычно упорядоченную по времени [1]. Почти в каждой области встречаются явления, которые интересно и важно изучать в их развитии и изменении во времени. В повседневной жизни могут представлять интерес, например, метеорологические условия, цены на тот или иной товар, те или иные характеристики состояния здоровья индивидуума и т. Временные ряды можно рассматривать как ряды динамики, у которых в качестве признака упорядочения берется время. ВР, содержащий N наблюдаемых значений У(1), У(2), . У(К), может быть записан в компактной форме У(1), 1=1,2, . М, где I - порядковый номер наблюдения. Значения временного ряда называют иногда уровнями ВР. Различают мгновенные и интервальные временные ряды. Мгновенным называется такой ВР, у которого каждое значение У (О соответствует наблюдению в конкретный момент времени. Значения интервального ВР представляют собой обобщенные показатели за некоторый промежуток (интервал временного ряда). Существенного различия в анализе мгновенных и интервальных временных рядов нет. Основной целью статистического анализа временных рядов является изучение соотношения между закономерностью и случайностью в формировании значений уровней ряда, оценка количественной меры их влияния. Здесь наблюдаемый временной ряд рассматривается как сумма некоторой полностью детерминированной последовательности {Г(1)}, называемой систематической составляющей, и случайной последовательности {и,}, подчиняющейся некоторому вероятностному закону. Часто для этих двух составляющих используются термины «сигнал» и «шум». Е(0 - остаточная компонента. Тренд представляет собой устойчивое изменение показателя в течение длительного времени. Он выражается аналитической функцией, которая используется для формирования прогнозных оценок. Сезонная компонента характеризует устойчивые колебания значений ряда внутри наблюдаемого периода времени. Она может проявляться в некоторых показателях, представленных квартальными или месячными данными. Остаточная компонента представляет собой расхождение между фактическими и расчетными значениями. У ( =/(/? С(0$(г)? С(1) - циклическая компонента.