Исследование и разработка автоматизированных систем прогнозирования на основе методов теории нейронных сетей

• Автор: Яковлева, Галина Леонтьевна
• Шифр специальности: 05.13.06
• Научная степень: Кандидатская
• Год защиты: 2000
• Место защиты: Москва
• Количество страниц: 219 с. : ил.

Введение. Глава 1. Анализ и классификация существующих автоматизированных систем прогнозирования. Методика построения автоматизированных систем прогнозирования, решающих задачу регрессионного анализа. Анализ и классификация существующих автоматизированных систем прогнозирования. Обобщенная методика построения автоматизированных систем прогнозирования, решающих задачи регрессионного анализа. Глава 2. Описание нелинейных функций, полученных в рамках теории детерминированного хаоса. Разложение двухслойной нейронной сети на потоки. Методы и алгоритмы обучения многослойных, искусственных нейронных сетей. Линейный регрессионный анализ. Стр. Краткое описание метода градиентного спуска. Краткое описание метода Ньютона. Обобщенные алгоритмы методов безусловной минимизации, использующих производные функции, усовершенствованные с помощью метода обучения Коши . Определение значимости параметров и входных сигналов на основании функции оценки. Выводы по главе 2. Глава 1. АНАЛИЗ И КЛАССИФИКАЦИЯ СУЩЕСТВУЮЩИХ АВТОМАТИЗИРОВАННЫХ СИСТЕМ ПРОГНОЗИРОВАНИЯ.


Поэтому задача была сужена, и в данной работе рассматриваются только АСП, решающие задачи регрессионного анализа с использованием элементов теории нейронных сетей. Во введении приведена постановка задачи регрессионного анализа, там же описаны свойства объекта прогноза. Диссертационная работа посвящена вопросам создания АС, задачей которых является прогнозирование значения некоторой числовой характеристики объекта в момент времени 1 М, где текущий момент времени и Л1 0. При этом известно, что значение прогнозируемой величины в момент времени 1 А определяется значениями некоторых числовых характеристик аргументов прогноза в момент времени I. Т.о. АСП, находится зависимость между значениями аргументов прогноза и значением прогнозируемой величины, отстоящими друг от друга во времени на величину Д1, т. Поэтому АСП, решающие задачи регрессионного анализа имеют преимущества перед АС, анализирующими только закономерности, действующие внутри временного ряда прогнозируемой величины. Это преимущество особенно велико при работе с объектами, являющимися частью системы и активно взаимодействующими с другими объектами системы. Примером таких объектов являются финансовые рынки, являющиеся частью политикоэкономической системы страны. Далее приводится классификация наиболее популярных автоматизированных систем, используемых при прогнозировании поведения различных объектов. В работе рассматриваются только функциональные возможности этих систем. По предоставляемым результатам работы системы. Определяет уровень анализа, проводимый АСП.