Прогнозування часових послідовностей з елементами невизначеності на основі нейромережевого спектрального аналізу

Abstract

Дисертаційна робота присвячена розробленню методів і засобів ефективного прогнозування процесів з елементами невизначеності з застосуванням нейромережевого спектрального аналізу часових послідовностей, що їх описують, для встановлення і видалення чисто випадкових складових останніх. Розроблено метод прогнозування динаміки процесів з елементами невизначеності, який використовує нейромережевий спектральний аналіз часових послідовностей для виділення ортогональних компонентів. Розроблено архітектуру штучної нейромережі моделі геометричних перетворень, у якій завдяки розширенню вхідного інформаційного базису забезпечується підвищення точності однокрокового і багатокрокового прогнозування суми тренду і основних коливань, що містять, зокрема, непрогнозовані складові процесу. Розроблено метод попереднього опрацювання даних за допомогою нейромережі автоасоціативного типу моделі геометричних перетворень шляхом об’єднання вхідної вибірки даних для навчання і застосування, що підвищило точність передбачень для раніше невідомих даних. Вдосконалено топологію лінійної нейромережі геометричних перетворень шляхом введення в неї додаткових штучних нейромереж узагальненої регресії. Розвинуто метод прогнозування на основі розділення поверхні відгуку на лінійну і нелінійну складові за рахунок відтворення нелінійної складової квадратичним поліномом Колмогорова-Габора. Розроблено програмний комплекс для аналізу та прогнозування часових послідовностей з елементами невизначеності. Диссертационная работа посвящена разработке методов и средств эффективного прогнозирования процессов с элементами неопределенности с применением нейросетевого спектрального анализа временных последовательностей, которые их описывают, для установки и удаления чисто случайных составляющих последних. Разработан метод прогнозирования динамики процессов с элементами неопределенности, который использует нейросетевой спектральный анализ временных последовательностей для выделения ортогональных компонентов. Пробное прогнозирования составляющих процесса позволяет на основе вычисления коэффициента Тейла выявлять и изымать непрогнозируемые составляющие, что повышает точность и увеличивает горизонт прогнозирования. Разработана архитектура искусственной нейросети модели геометрических преобразований, в которой за счет расширения входного информационного базиса обеспечивается повышение точности одношагового и многошагового прогнозирования суммы тренда и основных колебаний, содержащие, в частности, непрогнозируемые составляющие процесса. Разработан метод предобработки данных с помощью нейросети автоассоциативного типа модели геометрических преобразований путем объединения входной выборки данных для обучения и применения, что повысило точность предсказаний для ранее неизвестных данных. Усовершенствована топология линейной нейросети геометрических преобразований путем введения в нее дополнительных искусственных нейросетей обобщенной регрессии, что обеспечило повышение точности решения задач с существенными нелинейностями поверхности отклика. Развит метод прогнозирования на основе разделения поверхности отклика на линейную и нелинейную составляющие за счет воспроизведения нелинейной составляющей квадратичным полиномом Колмогорова-Габора, что обеспечило улучшение обобщающих свойств нейросетевого комплекса в целом. Разработан программный комплекс для анализа и прогнозирования временных последовательностей с элементами неопределенности. The thesis is devoted to development of methods and means of effective forecasting of processes with elements of uncertainty using neural network spectral analysis of time series that describe them, to allocate and remove purely random components of the time series. Method of forecasting of the processes dynamics with elements of uncertainty has been developed, that uses a neural network spectral analysis of time series for the allocation of orthogonal components. Architecture of the geometric transformations artificial neural network model has been developed, in which by expanding the input information base increase of accuracy is provided for one-step and multi-step forecasting of sum of trend and basic fluctuations, that contains unpredictable parts of the process. The method of pre-processing of data using autoassociative geometric transformation neural network model has been developed, by combining the input data for learning and use, thereby increasing the accuracy of forecasting for previously unknown data. Software system for the analysis and forecasting of time series with elements of uncertainty has been developed.