Информационная модель прогнозирования случайных процессов с позиции активного восприятия

• Автор: Красильников, Александр Владимирович
• Шифр специальности: 05.13.17
• Научная степень: Кандидатская
• Год защиты: 2003
• Место защиты: Нижний Новгород
• Количество страниц: 129 с. : ил

Содержание
ВВЕДЕНИЕ.

Глава 1. Обзор методов прогнозирования.

1.1 .Общие вопросы

1.1.1. Случайный процесс

1.1.2. Постановка задачи прогнозирования

1.2.рогнознрованнс с позиции регрессионного анализа.

1.2.1. Базовые модели регрессионною анализа.

1.2.2. Стационарные стохастические модели.

1.2.3. Нестационарные модели

1.2.4. Построение прогноза с минимальной среднеквадратичной ошибкой.

1.3. Нейросетсвое моделирование.
1.3.1. Состав и структура нейросетей
1.3.2. Принципы прогнозирования временных рядов с использованием нейросетей
1.3.3. Этап погружения
1.3.4. Выбор функционала ошибки.
1.3.5. Формирование пространства признаков
1.3.6. Обучение нейроиндикаторов
1.4. Выводы.
Глава 2. Информационная модель прогнозирования случайных процессов с позиции активного восприятия.
2.1. Представление случайного процесса с позиции активного восприятия
2.1.1. Статическое и динамическое изображение.
2.1.2. Статическое изображение сечения процесса.
2.1.3. Случайный процесс как динамическое изображение.
2.2. Формирование структурного описания изображения
2.2.1.преобразовани е
2.2.2. Пирамида исходных описаний.
2.2.3. ипирамида.
2.2.4. Алгоритм формирования описания эталонного изображения
2.3. Оптимальный структурный предиктор.
2.4. Модель прогнозирования на основе структу рного предиктора.
2.5. Выводы
Г лава 3. Алгоритмическое обеспечение прогнозирования
3.1. Выделение значимых параметров процесса
3.2. Определение размерности статического изображения сечения процесса
3.3. Определение степени структурной близости изображений
3.3.1. Постановка задачи
3.3.2. Индекс подобия структуры.
3.4. Методы сравнения целевого изображения с эталонным набором
3.4.1. Постановка задачи
3 Метод последовательного перебора
3.4.3. Метод перебора со сдвигом
3.4.4. Метод перебора с изменением масштаба.
3.4.5. Комбинированный подход.
3.5. Синтез прогнозирующего структурного описания
3.5.1. Постановка задачи
3.5.2. Метод простого среднего
3.5.3. Метод усреднения голосующей выборки
3.6. Синтез изображения прогнозного сечения процесса на основе структурного описания.
3.6.1. Постановка задачи
3.6.2. Восстановление изображения.
3.7.Оценка доверия к прогнозу.
3.7.1 .Постановка задачи
3.7.2. Индекс подобия структуры вариантов.
3.7.3. Индекс подобия структуры прогноза
3.7.4. Кривая подобия обучающей выборки.
3.8. Выводы.
Глава 4. Практическое применение разработанной модели.
4.1. Прогнозирование на международном валютном рынке
4.1.1. Характеристика объекта исследования
4.1.2. Поиск по библиотеке эталонов. Построение структурного предиктора.
4.1.3. Оценка адекватности модели.
4.1.4. Сбор данных
4.2. Сравнительный анализ с существующими моделями
4.2.1. Одномерный процесс.
4.2.2. Многомерный процесс
4.3. Технические характеристики разработанной системы
прогнозирования
4.3.1. Вычислительная сложность алгоритма.
4.3.2. Аспекты программной реализации модели
4.4. Выводы
Заключение.
Литература


Столь широкая область применения, а также ограниченность в некоторых случаях существующих методов, определяет актуальность разработки новых эффективных моделей прогнозирования случайных процессов. Традиционно, при построении прог ноза временного рада используется аппарат стохастического моделирования, основой которого являются разнообразные модели репрессии. В общем случае, предполагается, что поведение случайного процесса подчиняется некоторым статистическим закономерностям, учитываемым в рамках модели. В свою очередь, параметры модели опреде;1Яются по доступной ретроспективе реализации случайного процесса. Подобный подход был предложен и разработан в работах СЛ. Марпла. Дж. Бокса. Г.Дженкинса, В. В. Савченко, Ю. П. Лукашина, Е. М. Четыркнна и др. Широкое применение в прогнозировании находят и методы распознавания образов. Вероятно, такая задача решается человеком прежде всего на основе анализа зрительной информации - образов. Идея использования особенностей человеческого восприятия при прогнозировании получила наибольшее развитие в теории нейросетевого моделирования, теоретические основы которою изложены в трудах таких известных учёных как Ф. Розенблатг, Ф. Уосссрмен. Д.Хопфилд. Методы обработки изображений и распознавания образов постоянно развиваются, примером чего может служить теория активного восприятия (ТЛВ), разработанная на кафедре «Вычислительная техника», НГТУ[. Подобно другим методам распознавания образов, первоначально ТЛВ применялась исключительно при анализе графических изображений. В то же время, очевидно, что механизмы ТАВ могут быть использованы и при анализе случайных процессов. Представляя временной ряд в виде образа или набора образов, можно использовать методы обработки изображении для выделения структурных особенностей случайного процесса. Это открывает путь для анализа случайных последовательностей на новом уровне, с использованием нового инструментария. В данной работе исследуется вопрос применения методов ТАВ мри прогнозировании случайных процессов. Основной целью данной работы является разработка системы прогнозирования случайных процессов на основе методов теории активного восприятия. Представление сечения случайного процесса в виде статическою изображения. Формирование динамического изображения ретроспективы процесса. Формирование структурного описания динамического изображения случайного процесса. Разработка метода оценки степени структурной близости сечений процесса. Разработка алгоритмов поиска структурно близких сечений случайного процесса в доступной ретроспективе. Синтез структурного описания изображения прогнозного сечения случайного процесса. Восстановление изображения сечения на основе структурного описания. Формализация критерия оценки степени доверия к прогнозу. В диссертации используются методы теории вероятностей и математической статистики, теории случайных процессов, теории активного восприятия, распознавания образов, анализа и синтеза изображений, системного анализа, а также методы математического моделирования с применением разработанной программы для ЭВМ. Разработана информационная модель построения прогноза на основе оптимального структурного предикюра случайною процесса, заданного динамическим изображением. Результаты диссертации были внедрены при разработке программного продукта НИР «Автоматическая система прогнозирования случайных процессов на базе ТАВ». РФФИ (проекты №2» №(9), а также в учебном процессе Нижегородского государственного технического университета. Проведена проверка работы про1раммного комплекса при анализе финансовых показателей в режиме, приближённом к реальному времени. Всероссийская научно-техническая конференция ИСТ-. Техническая кибернетика (Н. УШ-й Нижегородской сессии молодых ученых. Технические науки. Дзержинск, Нижегородская область, ). По материалам диссертации опубликовано 6 научных работ [-], в том числе 4 статьи. Основной текст диссертации состоит из введения, четырёх глав, заключения, бнблиоірафичсского списка и приложения, и содержит 0 страниц машинописного текста, рисунок и 3 таблицы. Список литературы включает в себя наименования.