Применение алгоритмов искусственных нейронных сетей для краткосрочного метеопрогноза

• Автор: Грибин, Алексей Сергеевич
• Шифр специальности: 25.00.30
• Научная степень: Кандидатская
• Год защиты: 2005
• Место защиты: Санкт-Петербург
• Количество страниц: 154 с. : ил.

Содержание
Введение. Модели временных последовательностей, регрессионный анализ. Нейронные сети состояние проблемы. Основные понятия и определения. Модели нейронных сетей. Задачи, решаемые на основе нейронных сетей. Сравнительные характеристики современных нейропакетов
ф 3. Прогноз по временным рядам метеовеличин с применением стандартных алгоритмов нейронных сетей . Разработка альтернативной методики для краткосрочного мстеопрогноза. Методика близких синоптических ситуаций БСС формализация. Особенности процесса обучения и качество работы получаемых нейронных сетей. Применение методики БСС для получения краткосрочного метеопрогноза 6
природы принимаемого решения. В некоторых случаях время, требуемое на реализацию решения, не определено. Существуют методы работы в условиях подобной неопределенности ,, но они повышают вариацию ошибки прогнозирования. Поскольку с увеличением горизонта прогнозирования точность прогноза, обычно, снижается, часто мы можем улучшить процесс принятия решения, уменьшив время, необходимое на реализацию решения и, следовательно, уменьшив горизонт и ошибку прогнозирования.


Такая задача возникает, например, при предсказании проявления опасных метеоявлений 4,5,7, когда нам необходимо предсказывать момент, когда процесс перейдет в катастрофическое состояние. Точность прогноза, требуемая для конкретной проблемы, оказывает огромное влияние на прогнозирующую систему. Важнейшей характеристикой системы прогнозирования является ее способность добиваться оптимальности при работе с неопределенностью. До сих пор обсуждался набор проблем связанных с процессом принятия решения. Существует ряд других факторов, которые также необходимо принимать во внимание при рассмотрении проблемы прогнозирования. Один из них связан с характером процесса генерирующего прогнозируемые переменные. Пусть процесс стабилен, изменения во времени происходят медленно и существуют постоянно действующие внешние факторы. Прогнозирующая система для такого процесса может достаточно сильно отличаться от системы, которая должна производить прогнозирование неустойчивого процесса с частыми радикальными изменениями. В первом случае необходимо активное использование исторических данных для предсказания будущего, в то время как во втором лучше сосредоточиться на субъективной оценке и прогнозировании для определения изменений в процессе . Другой фактор это доступность данных. Исторические данные необходимы для построения прогнозирующих процедур будущие наблюдения служат для проверки прогноза. Кроме этого необходимо исследовать представительность этих данных. Классическим примером является прогнозирование погоды, когда активно собираются и хранятся данные различных наблюдений на метеорологических станциях. Необходимо отмстить вычислительные ограничения прогнозирующих систем.