Дослідження годин рядів засобими нейронних мереж
Вступ
Мета дослідження. Огляд та аналіз методів для прогнозування годинного ряду помощью штучних нейронних мереж. Адекватність прогнозування годинного ряду покладів від процедури та логіки побудова прогнозованої моделі, что зумовлює необходимость визначення послідовності процедур та основних етапів прогнозування. Завдання прогнозування НЕ є трівіальною та поклади від особливая дінамічної системи, и на цею годину нейромережі є Найкращий методом для ее вирішенню.
1.Основні Поняття годинного ряду
Побудуваті економетричну модель можна вікорістовуючі дві тіпі вихідних даних: дані, что характеризують сукупність різніх про єктів у конкретний момент годині; дані, что характеризують одне про єкт за ряд послідовніх моментів годині.
МОДЕЛІ, побудовані за Даними Першого типу, назівають просторова моделями.
МОДЕЛІ, побудовані за Даними іншого типу, назівають модель годинника рядів.
годин ряд - це сукупність значень будь-которого сертифіката № за декілька послідовніх моментів або періодів годині.
Кожний рівень годинного ряду формується під вплива Великої кількості факторів, Які умовно можна поділіті на три групи:
. Фактори, Які формують тенденцію ряду;
2. Фактори, Які формують ціклічні коливання ряду;
3. Віпадкові фактори.
Модель, у Якій годин ряд подається як сума трендової, ціклічної и віпадкової компоненти, назівають адитивності моделлю годинного ряду.
Модель, у Якій годин ряд подається як добуток Вказаною компонентів, назівають мультіплікатівною моделлю годині.
Головна задача дослідження годинного ряду - Виявлення и Надання кількісного вираженість Кожній Із зазначенням компонентів для того, щоб вікорістаті одержании інформацію для прогнозування майбутніх значень ряду або для побудова моделей взаємозв язку двох чі более годин рядів.
2. Штучні нейронні мережі
годин ряд нейронних мереж
Штучні нейронні мережі - математичні моделі, а такоже їх Програмні або Апаратні реализации, побудовані за принципом организации ї Функціонування біологічних нейронних мереж - мереж Нервово кліток живого організму. Це Поняття вінікло при вівченні процесів, что протікають у мозк, и при спробі змоделюваті ЦІ процеси. Першів такою СПРОБА були нейронні мережі Маккалоком ї Піттса. Згідно, после розробки алгоритмів навчання, одержувані моделі стали використовуват в практичних цілях: у Завдання прогнозування, для розпізнавання образів, у Завдання керування й ін.
Штучні нейронні мережі являються собою систему з єднаних и взаємодіючіх между собою простих процесорів (штучних нейронів). Такі процесори звічайна й достатньо Прості, особливо в порівнянні Із Процесори, вікорістовуванімі в персональних комп ютерів. Кожний процесор подібної мережі має дело только Із сигналами, Які ВІН періодічно одержує, и сигналами, Які ВІН періодічно посілає іншім Процесори. Проти, з єднавші їх в й достатньо велику ятір з керованого взаємодією, Такі локально Прості процесори разом здатні Виконувати й достатньо складні Завдання. З подивимось машинного навчання, нейронних мереж представляет собою окремий випадок методів розпізнавання образів, методів кластерізації ї т.п. З математичної точки зору, навчання нейронних мереж - це багатопараметричних Завдання нелінійної оптімізації. З подивимось кібернетики, нейронних мереж вікорістовується в Завдання адаптивного керування І як алгоритми для робототехнікі. З подивимось розвитку обчіслювальної техніки й програмування, нейронних мереж - способ розв язку проблеми ефективного паралелізму. А з подивимось штучного інтелекту, ІНС є Основним напрямком у структурному підході по вивченню возможности побудова (моделювання) природнього інтелекту помощью комп'ютерних алгоритмів.
Нейронні мережі НЕ програмуються у звичних змісті цього слова, смороду навчають. Можлівість навчання - Одне з Головня перевага нейронних мереж перед традіційнімі алгоритмами. Технічно навчання Полягає в знаходженні Коефіцієнтів зв'язків между нейронами. У процессе навчання нейронних мереж здатно віявляті складні залежності между вхіднімі Даними ї віхіднімі, а такоже Виконувати узагальнення. Це означатиме, что, у випадка успішного навчання, мережа зможите повернути вірний результат на підставі даних, Які були відсутні в навчальній вібірці, а такоже Неповне і/або «зашумлення», частково перекручений даних.
