(42-6) 19 * << * >> * Русский * English * Содержание * Все выпуски

Метод прогнозирования изменений параметров временных рядов в цифровых информационно-управляющих системах
Кропотов Ю.А., Проскуряков А.Ю., Белов А.А.

Муромский институт (филиал) федерального государственного бюджетного образовательного учреждения высшего образования «Владимирский государственный университет имени Александра Григорьевича и Николая Григорьевича Столетовых», Муром, Россия

 PDF, 952 kB

DOI: 10.18287/2412-6179-2018-42-6-1093-1100

Страницы: 1093-1100.

Аннотация:
Прогнозирование изменений параметров временных рядов является актуальной задачей при мониторинге исследуемых процессов в цифровых информационных системах управления при исследовании проблем увеличения горизонта предсказания и минимизации погрешности прогноза. В работе исследуются алгоритмы прогноза, основанные на моделях, воспроизводящих динамику временного ряда в форме искусственных нейронных сетей. Получены уравнения функционирования и обучения искусственной нейронной сети в матричной форме, получен алгоритм обратной подстановки, с помощью которого можно увеличить глубину прогноза. В работе представлено решение задачи прогноза, состоящее в нахождении оценок предсказания посредством минимизации функции потерь – квадрата нормы отклонения оценок от наблюдаемых значений временного ряда и в определении коэффициентов модели алгоритмом обучения искусственных нейронных сетей итерационным методом обратного распространения ошибок. Применение разработанных алгоритмов позволило построить структурную схему реализации нейросетевого прогнозирования, с помощью которого можно получить достаточно точное представление об изменениях параметров временных рядов в системах мониторинга исследуемых процессов по критериям длительности и минимизированной погрешности получения прогноза.

Ключевые слова:
прогнозирование, информационные системы управления, функциональный ряд, нейронная сеть, временной ряд, трехслойный персептрон.

Цитирование:
Кропотов, Ю.А. Метод прогнозирования изменений параметров временных рядов в цифровых информационно-управляющих системах / Ю.А. Кропотов, А.Ю. Проскуряков, А.А. Белов // Компьютерная оптика – 2018. – Т. 42, № 6. – С. 1093–1100. – DOI: 10.18287/2412-6179-2018-42-6-1093-1100.

Литература:
  1. Кравцов, Ю.А. Случайность, детерминированность, предсказуемость / Ю.Н. Кравцов // Успехи физических наук. - 1989. - Т. 158, № 1. - С. 93-122. - DOI: 10.3367/UFNr.0158.198905c.0093.
  2. Ермолаев, В.А. О методах прогнозирования временных рядов и непрерывных процессов / В.А. Ермолаев // Радиотехнические и телекоммуникационные системы. - 2016. - Вып. 2. - С. 52-63.
  3. Бокс, Дж. Анализ временных рядов. Прогноз и управление / Дж. Бокс, Г. Дженкинс. - М.: Мир, 1974. – 408 c.
  4. Маевский, В.В. Робастность регрессионного прогнозирования при наличии функциональных искажений модели / В.В. Маевский, Ю.С. Харин // Автоматика и телемеханика. - 2012. - Вып. 11. - С. 118-137.
  5. Huang, N.E. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis / N.E. Huang, Z. Shen, S.R. Long, M.C. Wu, H.H. Shin, O. Zheng, N.C. Yen, C.C. Tung, H.H. Liu // Royal Society of London Proceedings Series A. - 1998. - Vol. 454, Issue 1971. - P. 903-998. - DOI: 10.1098/rspa.1998.0193.
  6. Дремин, И.М. Вейвлеты и их использование / И.М. Дремин, О.В. Иванов, В.А. Нечитайло // Успехи физических наук. - 2001. - Т. 17, № 5. - C. 465-501. - DOI: 10.3367/UFNr.0171.200105a.0465.
  7. Проскуряков, А.Ю. Алгоритмы автоматизированных систем экологического мониторинга промышленных производств: монография. / А.Ю. Проскуряков, А.А. Белов, Ю.А. Кропотов. - Москва-Берлин: Директ-Медиа, 2015. - 121 с. - ISBN: 978-5-4475-5245-9.
  8. Пат. 2600099 Российская Федерация G 06 Q 10/04, G 06 N 3/02. Способ нейросетевого прогнозирования изменения значений функции c её предварительной вейвлет-обработкой и устройство его осуществления / Белов А.А., Ермолаев В.А., Кропотов Ю.А., Проскуряков А.Ю.; 2015110284/08, заявл. 23.03.2015, опубл. 20.10.2016, Бюл. № 29.
  9. Allende, H. Artificial neural networks in time series forecasting: a comparative analysis / H. Allende, C. Moraga, R. Salas // Kybernetika. - 2002. - Vol. 38, No 6. - P. 685-707.
  10. Zhang, G. Forecasting with artificial neural networks: The state of the art / G. Zhang, B.E. Patuwo, M.Y. Hu // International Journal of Forecasting. - 1998. - Vol. 14, Issue 1. - P. 35-62. - DOI: 10.1016/S0169-2070(97)00044-7.

© 2009, IPSI RAS
Россия, 443001, Самара, ул. Молодогвардейская, 151; электронная почта: journal@computeroptics.ru ; тел: +7 (846) 242-41-24 (ответственный секретарь), +7 (846) 332-56-22 (технический редактор), факс: +7 (846) 332-56-20