результати спостережень у рівномірні відліки часу. Для моментів часу t = 1, 2, ..., n дані спостережень набувають вигляду часового ряду х (t1), х (t2), ..., х (tn). Інформація про значення часового ряду до моменту n дозволяє давати оцінки параметрів x (tn +1), x (n +2), ..., x (n + m). p align="justify"> Для прогнозування елементів часових рядів в лінійній моделі часу широко використовують так званий метод "часових вікон".
Нехай часовий ряд x (t) задано відліками процесу x (t1), x (t2), ..., x (Tі) в дискретні моменти часу t. Задамо ширину (кількість дискретних відліків) вхідного часового вікна m, ширину вихідного вікна р. Вхідний і вихідний вікна накладаються на дані ряду, починаючи з першого елемента (рис. 1). <В
Рисунок 1 - Формування множин даних для однопараметричної задачі прогнозування за методом "часових вікон"
Вхідна вікно формує дані для входів нейронної мережі, а вихідний, відповідно, для виходів. Подібна пара вхідного і вихідного векторів приймається за одну реалізацію часового ряду. При зсуві часових вікон з тимчасового ряду з кроком s, отримуємо другу і наступні реалізації. p align="justify"> Значення ширини вікон і кроку зміщення повинні узгоджуватися з особливостями часового ряду, який забезпечується шляхом проведення експериментів. Нехай вхідне вікно має ширину m, вихідне вікно р = 1, крок зміщення s = 1. Тоді сформоване безліч значень для нашої задачі буде мати вигляд, наведений нижче:
Таблиця 1.
Безліч даних для прогнозування методом часових вікон
Входи Виходи
.2 Короткий опис моделі подання знань
У цій роботі для представлення знань використовується семантична мережа. Семантична мережа - найбільш зручна і понятійна експертам модель подання знань. Під семантичною мережею, як правило, мають на увазі граф, вузли якого відповідають поняттям або об'єктів. У даній роботі використовується приватний вид семантичної мережі - а саме мережа нейронна. p align="justify"> Нейронні мережі - виключно потужний метод моделювання, який дозволяє відтворювати надзвичайно складні залежності. Зокрема, нейронні мережі - нелінійні за своєю природою. Протягом багатьох років лінійне моделювання було основним методом моделювання в більшості областей, оскільки для нього добре розроблені процедури оптимізації. У завданнях, де лінійна апроксимація незадовільна (а таких досить багато), лінійні моделі працюють погано. Крім того, нейронні мережі справляються з "прокляттям розмірності", яке не дозволяє моделювати лінійні залежності у випадку великої кількості змінних.
Дуже велика кількість міжнейронних сполук призводить до того, що мережа стає нечутливою до помилок, що виникають в окремих контактах. Функції пошкоджених с...
