Разработка интеллектуальной информационной системы прогнозирования нестационарных временных рядов на основе нейросетевого логического базиса

• Автор: Караяниди, Яннис Геннадьевич
• Шифр специальности: 05.13.01
• Научная степень: Кандидатская
• Год защиты: 2006
• Место защиты: Краснодар
• Количество страниц: 277 с. : ил.

СОДЕРЖАНИЕ
ВВЕДЕНИЕ

1 АНАЛИЗ СУЩЕСТВУЮЩИХ МЕТОДОВ

РЕШЕНИЯ ЗАДАЧИ ПРОГНОЗИРОВАНИЯ.

1.1 Статистические методы и технический анализ

1.2 Нейронные сети

1.3 Постановка задачи прогнозирования и

сравнительный анализ методов ее решения.

1.4 Предварительная подготовка данных.

1.5 Выводы
2 ТЕОРЕТИЧЕСКИЕ ОСНОВЫ СОЗДАНИЯ ФОРМАЛИЗОВАННОЙ МЕТОДИКИ НАСТРОЙКИ И ОБУЧЕНИЯ НЕЙРОННЫХ СЕТЕЙ В ЗАДАЧАХ ПРОГНОЗИРОВАНИЯ НЕСТАЦИОНАРНЫХ ВРЕМЕННЫХ РЯДОВ
2.1 Описание разработанной методики построения нейросетевой прогнозной модели.
2.1.1 Этапы создания формализованной методики
2.1.2 Разработка метода нормировки данных
2.1.3 Определение глубины ретроспективной
выборки для обучающего примера.
2.1.4 Корректировка состава входных факторов.
2.1.5 Определение структуры нейронной сети.
2.1.6 Определение параметров обучения
2.1.7 Формирование подмножества
обучающих примеров.
2.1.8 Критерии оценки эффективности и
ограничения разработанной методики.
2.2 Новая функция ошибки и модифицированный
алгоритм обучения.
2.2.1 Функция ошибки нейрона
2.2.2 Функция суммарной ошибки и критерий
останова
2.2.3 Модифицированный алгоритм обучения
2.3 Анализ современных программных продуктов для создания нейросетевой модели
2.4 Выводы.
3 РАЗРАБОТКА ИНТЕЛЕКТУАЛЬНОЙ ИНФОРМАЦИОННОЙ СИСТЕМЫ НА ОСНОВЕ НЕЙРОСЕТЕВОЙ ПРОГНОЗНОЙ МОДЕЛИ игоРгойпог
3.1 Информационные системы и их применение в задачах прогнозирования.
3.2 Структура информационной системы реализующей нейросетевую прогнозную модель КеигоРгоог1
3.3 Функционирование информационной системы прогнозирования в рядах динамики.
3.4 Выводы
4 ЭКПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ МЕТОДИКИ ПОСТРОЕНИЯ НЕЙРОСЕТЕВОЙ ПРОГНОЗНОЙ МОДЕЛИ игоРппог1.
4.1 Описание решаемой задачи прогнозирования
4.2 Описание ряда проведенных экспериментов
и их результаты.
4.3 Графическая иллюстрация динамики временных рядов факторов, значимо влияющих на прогнозируемую величину.
4.4 Выводы
ЗАКЛЮЧЕНИЕ
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ


X, = //+и-0, -в2 -е,. Общая модель включает как параметры авторегрессии, так и параметры скользящего среднего. На этапе идентификации определяется, какой тип модели будет подбираться к данным, то есть сколько параметров авторегрессии (р) и скользящего среднего (д) должно присутствовать в модели процесса. Следующий шаг - оценивание, состоит в оценивании параметров модели (для чего используются процедуры минимизации функции потерь). Полученные оценки параметров используются на последнем этапе (прогноз), для того, чтобы вычислить новые значения ряда и построить доверительный интервал для прогноза. Множественная линейная регрессия. Общее назначение множественной регрессии состоит в анализе связи между несколькими независимыми переменными (называемые также регрессорами или предикторами) и зависимой переменной. Общая вычислительная задача, которую требуется решать при анализе методом множественной регрессии, состоит в подгонке прямой линии к некоторому набору точек [8]. Множественная линейная регрессия рассмотрена в [6, 0, 8,9]. То есть , переменная У может быть выражена через константу (а) и угловой коэффициент (Ь), умноженный на переменную X [0]. Константу иногда называют также свободным членом, а угловой коэффициент -регрессионным или Ь -коэффициент. В многомерном случае, когда имеется более одной независимой переменной, линия регрессии не может быть отображена в двумерном пространстве, однако она также может быть легко оценена. Регрессионные коэффициенты (или Ъ -коэффициенты) представляют независимые вклады каждой независимой переменной в предсказании зависимой переменной. Линия регрессии строится так, чтобы минимизировать квадраты отклонений этой линии от наблюдаемых точек и получить уравнение прямой, наилучшим образом характеризующей зависимость У от X. Эту общую процедуру иногда называют оцениванием по методу наименьших квадратов. Как это видно уже из названия множественной линейной регрессии, предполагается, что связь между переменными является линейной. Если нелинейность связи очевидна, то можно рассмотреть или преобразование переменных или явно допустить включение нелинейных членов [8, 9, , 9]. Графический технический анализ. Графический технический анализ применяется с целью определения вероятности продолжения или смены существующего тренда. Модели перелома тенденции - образующиеся на графиках модели, которые при выполнении некоторых условий могут предвосхищать смену существующего на рынке тренда. К ним относятся такие модели, как «двойная вершина», «двойное основание», «тройная вершина», «тройное основание». Тройная вершина Рис. Модели продолжения тенденции - образующиеся на графиках модели, которые при выполнении некоторых условий позволяют утверждать, что существует высокая вероятность сохранения в дальнейшем существующей тенденции. В этой группе выделяют такие модели, как «треугольники», «алмазы», «флаги», «вымпелы» и т. Рис. Несмотря на кажущуюся простоту методов графического технического анализа, он является одним из основных приемов технического аналитика, и по эффективности применения показывает хорошие результаты. Крупный недостаток данного подхода заключается в том, что он очень субъективен. Нейрон - простейший вычислительный элемент, представляющий основу для построения нейронных сетей. Он состоит из умножителей (синапсов), сумматора и нелинейного преобразователя. Синапсы осуществляют связь между нейронами, умножают входной сигнал на число, физический смысл которого - вес линии связи, соединяющий два нейрона. Сумматор выполняет сложение сигналов, поступающих по синаптическим связям от других нейронов. Нелинейный преобразователь реализует нелинейную функцию одного аргумента - выхода сумматора. Данная нелинейная функция называется функцией активации или передаточной функцией нейрона. Нейрон в целом реализует скалярную функцию векторного аргумента. При этом выход нелинейного преобразователя и является выходом нейрона. Рис. S - результат суммирования; х, - компонента входного вектора (/=1,2,. N); со, - вес синапса (weight), /=1,2,.