Нейросетевое моделирование динамики нелинейных объектов в условиях краткосрочного прогнозирования на основе аппарата нечёткой логики тема диссертации и автореферата по ВАК РФ 05.13.18, кандидат наук Гусев, Константин Юрьевич
- Специальность ВАК РФ05.13.18
- Количество страниц 146
Оглавление диссертации кандидат наук Гусев, Константин Юрьевич
Содержание
Введение
Глава 1 Анализ методов моделирования динамики нелинейных
объектов
1.1 Проблематика краткосрочного прогнозирования динамики нелинейных объектов
1.2 Классификация методов моделирования и анализа нелинейных объектов
1.3 Априорный анализ экспертных данных
1.4 Цель работы и задача исследования
Глава 2 Нейросетевое моделирование нелинейной динамики на основе
реализации математических и эконометрических методов
2.1 Математическая модель нечёткой системы анализа
2.2 Математическая модель нейрона
2.3 Нейросетевая модель нечёткой системы прогнозирования
2.4 Алгоритм априорного анализа данных
Выводы
Глава 3 Алгоритмизация процесса нейросетевого моделирования в
условиях нелинейной динамики
3.1 Алгоритм нейросетевого моделирования и анализа на основе аппарата нечёткой логики
3.2 Алгоритм обратного распространения ошибки
3.3Алгоритмизация процедуры повышение качества нейросетевой модели
на основе формирования пробных шагов
Выводы
Глава 4 Структура программного комплекса и результаты практической реализации моделей и алгоритмов анализа динамики
нелинейных объектов
4.1 Структура программного комплекса
4.2 Пользовательский интерфейс
4.3 Результаты практической апробации программного комплекса в условиях принятия решений органами регионального административного
управления
Заключение
Библиографический список
Приложение 1 Справка о внедрении результатов диссертационной
работы
Приложение 2 Акт о внедрении результатов диссертации в учебный
процесс
Приложение 3 Акт регистрации программного комплекса в государственном информационном фонде
Рекомендованный список диссертаций по специальности «Математическое моделирование, численные методы и комплексы программ», 05.13.18 шифр ВАК
Алгоритмы и комплекс программ непараметрической идентификации сложных нелинейных динамических объектов методом ближайших узлов2003 год, кандидат технических наук Осокин, Михаил Владимирович
Математическое моделирование и алгоритмизация процессов долгосрочного прогнозирования динамики нелинейных систем2018 год, кандидат наук Шабанова, Виктория Геннадьевна
Разработка интеллектуальной информационной системы прогнозирования нестационарных временных рядов на основе нейросетевого логического базиса2006 год, кандидат технических наук Караяниди, Яннис Геннадьевич
Разработка алгоритмов комплексного анализа деятельности угольных предприятий с применением метода нейронных сетей2004 год, кандидат технических наук Алферов, Максим Владимирович
Суперпозиционное линейно-нелинейное нейроструктурное моделирование2011 год, доктор технических наук Сараев, Павел Викторович
Введение диссертации (часть автореферата) на тему «Нейросетевое моделирование динамики нелинейных объектов в условиях краткосрочного прогнозирования на основе аппарата нечёткой логики»
Введение
Актуальность темы. В настоящее время большую актуальность приобретают вопросы, связанные с разработкой и совершенствованием математических методов описания сложных объектов, проявляющих свойства нелинейности. Нелинейная динамика проявляется в той или иной степени в экстремальных условиях функционирования большинства объектов управления.
Признаки нелинейности являются реальной особенностью технических, производственных, экономических объектов, в рамках которых переходные процессы оказывают существенное влияние на качественные и количественные характеристики их функционирования.
Для моделирования и анализа нелинейной динамики до настоящего времени широко использовались статистические методы, методы теории хаоса и фрактальной геометрии, которые в определённых условиях позволяют с высокими показателями качества получить среднесрочные и долгосрочные прогнозы их состояний. Дальнейшее развитие средств моделирования нелинейных объектов связано с активным использованием в это области аппарата нейронных сетей. Теоретическим вопросам нейросетевого моделирования посвящены работы Мак-Каллока У.С., Питтса В., Минского М., Пейперта С., Рутковской Д.Н., Круглова В.В. В данных работах рассмотрены теоретические результаты нейросетевого моделирования, в том числе нелинейных, объектов для формирования в основном долгосрочных прогнозов. Однако существующие возможности аппарата нейросетевого моделирования ограничены в условиях формирования оперативных краткосрочных прогнозов (в режиме реального времени), что обуславливает актуальность задачи дальнейшего его совершенствования с целью обеспечения высокой эффективности принятия решений.
В настоящее время для эффективного планирования и рационального распределения материальных ресурсов необходимы надёжные средства оперативного сбора данных, обработки и прогнозирования динамики соответствующих нелинейных объектов. Качественное решение задачи краткосрочного прогнозирования динамики нелинейных объектов создает дополнительные возможности по минимизации рисков в процессе принятии решений.
Таким образом, актуальность диссертационной работы продиктована необходимостью дальнейшего развития аппарата нейросетевого моделирования, применительно к специфическим особенностям нелинейных объектов, для обеспечения высокого уровня качества краткосрочного прогнозирования их состояний.
Тематика диссертационной работы соответствует одному из научных направлений ГОУ ВПО «Воронежский государственный технический университет» «Вычислительные комплексы и проблемно-ориентированные системы управления».
Цель работы. Целью диссертационной работы является разработка моделей, алгоритмов и программных средств анализа динамики нелинейных объектов, обеспечивающих высокое качество краткосрочного нейросетевого прогнозирования их состояний, на основе реализации аппарата нечёткой логики.
Задачи исследования. Для достижения поставленной цели в работе определены следующие задачи исследования:
- системный анализ проблематики моделирования и анализа динамики нелинейных объектов и определение основных задач, решение которых существенно влияет на показатели качества нейросетевых моделей;
- разработка модели динамики нелинейных объектов на основе численных методов анализа априорных данных и аппарата нечёткой логики, обеспечивающих высокое качество краткосрочного прогноза их состояний;
разработка алгоритма функционирования гибридной системы моделирования динамики нелинейных объектов, включающего математические средства формирования индивидуальной структуры нейросетевой модели;
- разработка прикладного программного и информационного обеспечения алгоритмов моделирования и анализа динамики нелинейных объектов;
- практическая апробация разработанных моделей и алгоритмов применительно к задаче краткосрочного прогнозирования динамики социально-экономических объектов в реальных условиях.
Соответствие диссертации паспорту специальности. Работа соответствует следующим пунктам паспорта специальности 05.13.18 «Математическое моделирование, численные методы и комплексы программ»:
П.З Развитие качественных и приближенных аналитических методов исследования математических моделей для использования на предварительном этапе математического моделирования.
П.4. Разработка, обоснование и тестирование эффективных численных методов с применением ЭВМ.
П.5 Реализация эффективных численных методов и алгоритмов в виде комплексов проблемно-ориентированных программ для проведения вычислительного эксперимента.
Методы исследования. В основу диссертационного исследования положены методы теории математического моделирования, математического программирования, математической статистики, теории нейронных сетей, теории графов, основ нечёткой логики, основ эконометрики.
Научная новизна. В работе получены следующие результаты, характеризующиеся научной новизной:
- модель нечёткой нейронной сети, реализующей прогнозирование динамики нелинейных объектов, отличающаяся включением новых процедур повышения качества прогноза, основанных на введении пробных шагов настройки для обеспечения адаптационных свойств;
- процедура обучения нечёткой нейронной сети, отличающаяся поиском оптимальных начальных условий, основанная на априорном анализе статистических данных;
алгоритм анализа и выбора структурных элементов системы моделирования динамики нелинейных объектов, отличающийся введением средств численного анализа априорных данных, обеспечивающих повышение качества краткосрочного прогнозирования на стадии проектирования нейросетевой модели;
- динамическая структура программного комплекса моделирования и анализа динамики нелинейных объектов, отличающаяся реализацией гибкой системы взаимодействия с программными модулями и сервисными средствами, позволяющей осуществлять формирование индивидуальной структуры нейросетевой модели.
Практическая значимость работы. Предложенные в работе модели и алгоритмы анализа и краткосрочного прогнозирования динамики нелинейных объектов, а также средства их информационной поддержки реализованы в составе специального программного комплекса краткосрочного прогнозирования динамики нелинейных объектов.
В результате практической апробации программный комплекс продемонстрировал высокие показатели качества как в режиме прогнозирования статистических данных off-line, так и при прогнозировании в режиме реального времени on-line.
Практическая значимость работы может быть реализована при составлении прогноза основных показателей, необходимых для принятия и корректировки решений в крупных организациях региона и на всех уровнях муниципальной власти.
Реализация и внедрение результатов работы. Результаты работы в виде программного комплекса опробованы в отделе стратегии инвестиционного развития ГЧП департамента экономического развития Воронежской области и получили высокую оценку качества функционирования как на этапе сравнения с эталонными данными, так и по оценкам экспертов отдела.
Апробация работы. Основные положения диссертационной работы докладывались на следующих конференциях, семинарах и совещаниях: Всероссийской конференции «Новые технологии в научных исследованиях, проектировании, управлении, производстве НТ-2010» (Воронеж, 2010 - 2012); IX Международной конференции «Распознавание-2010» (Курск, 2010, 2012); 14th International Student Olympiad on Automatic Control (BOAC'2011) (Saint Petersburg,
2011); V Международной конференции «Современные проблемы прикладной математики, теории управления и математического моделирования (ПМТУММ-
2012)» (Воронеж, 2012); а также на научных семинарах кафедры автоматики и информатики в технических системах ГОУ ВПО «Воронежский государственный технический университет» (Воронеж, 2009 - 2012).
Публикации. Основные результаты исследования опубликованы в 13 научных работах, в том числе 5 - в изданиях, рекомендованных ВАК РФ. В работах, опубликованных в соавторстве и приведённых в конце диссертации, лично соискателем предложены: математическая модель и программная реализация метода пробных шагов, применение которого повышает качество функционирования нейросетевой модели в целом [30, 32], формализованное описание нечёткой модели прогнозирования, основанной на принципах технического анализа [32], априорный анализ входных данных и корректировка начальных условий (до обучения) нейросетевой модели анализа и прогнозирования динамики нелинейных объектов [31, 35].
Структура и объём работы. Диссертация состоит из введения, четырёх глав, списка литературы из 153 наименований, основная часть изложена на 128 страницах, содержит 39 рисунков.
Во введении показана актуальность работы, сформулированы цели и задачи исследований, представлены основные научные результаты, определены их научная новизна и практическая значимость, приведено краткое содержание по главам.
В первой главе проведён анализ проблематики нейросетевого моделирования и анализа динамики нелинейных объектов и проводится анализ существующих методов моделирования. Обоснованы цель и задачи нейросетевого моделирования и анализа динамики нелинейных объектов.
Вторая глава посвящена разработке модели анализа и прогнозирования динамики нелинейных объектов, отличающейся наличием сервисных средств, основанных на аппарате нечёткой логики.
В третьей главе проведено формализованное описание и алгоритмизация процессов функционирования и взаимодействия нечёткой нейросетевой модели анализа и прогнозирования динамики нелинейных объектов.
В четвёртой главе представлена программная реализация разработанных моделей и алгоритмов и её применение для оперативного прогнозирования динамики нелинейных объектов.
В заключении приведены основные выводы и результаты диссертационной работы.
Глава 1 Анализ методов моделирования динамики нелинейных объектов
В главе рассмотрены методы моделирования, необходимые для анализа нелинейных объектов. Рассмотрена общая проблематика моделирования нелинейных объектов.
Приводится классификация методов моделирования сложных объектов и возможность их применения при анализе нелинейных объектов. Большинство этих методов применяются как независимые системы анализа и моделирование, а часть как сервисные средства, повышающие показатели качества функционирования модели.
Особое внимание уделяется возможности применения математических и эконометрических методов для решения задачи моделирования и анализа динамики нелинейных объектов.
Рассмотрены методы априорного анализа и повышения качества экспертных данных, проанализированы как методы корректировки данных, так и методы изменения структуры системы в зависимости от рассчитываемых в процессе предобработки коэффициентов и показателей.
1.1 Проблематика краткосрочного прогнозирования динамики нелинейных объектов
Необходимость совершенствования методов прогнозирования обусловлена рядом причин. Основные методы, которые использовались ранее, при планировании и прогнозировании, можно разделить на три основные группы: балансовые, исследования операций, эконометрические методы [99, 143]. Их общей чертой можно назвать линейность (или сводимость к ней, посредством процедуры линеаризации соответствующих систем), которая является как недостатком, так и достоинством вышеописанных методов. Предположение о линейной зависимости есть сильное упрощением действительности [45]. Линейный характер взаимодействий принимается априори как постулат, подтвержденный достаточно обширным практическим материалом.
К основным постулатам линейных видений, которые следуют из детерминистских представлений о мире и математическом способе его описания с помощью систем линейных дифференциальных уравнений, относятся следующие [41]:
- возможность описания процессов с большей вероятностью с помощью линейных уравнений или их комбинаций. Нелинейные члены представляют собой лишь небольшие отклонения, не вносящие существенных качественных изменений в общую задачу;
- однозначность стационарного решения в системе линейных уравнений. Это означает, что практически при любых параметрах системы существует единственное стационарное решение (или не существует вовсе, что маловероятно), которое достигается независимо от начальных условий. В этом выражается представление о единственно верной цели, к которой следует стремиться;
- устойчивость решения по отношению к виду уравнений и начальным условиям. Малые отклонения мало влияют на результат. Это соответствует
представлениям об объективной закономерности, на которую фактически не могут повлиять личности и обстоятельства;
- возможность однозначной идентификации параметров в системе в случае полностью наблюдаемого вектора состояний (по совокупности фактических данных). Это означает, что последствиям можно определить причину [53];
- к линейно-детерминистскому подходу следует отнести и представление о возможности выделения определяющего, лимитирующего фактора в любом процессе, о существовании ключевого управляющего фактора, обнаружив который, можно инициировать необходимый процесс.
Во всех сложных системах присутствуют свойства, которые могут быть описаны с помощью нелинейных моделей, и для них естественны: ограниченность решений, колебательные режимы, квазистохастическое пространственное и временное поведение. С учетом свойств, имеющихся у сложных систем, необходимо перейти к нелинейному принципу, который более адекватно подходит к моделированию современных технических, информационных и социально-экономических систем [47].
Но множество объектов, особенно в естественных науках, неуправляемы и
допускают лишь безусловное прогнозирование с целью приспособить действия к
настоящему состоянию объекта. С другой стороны, особенно в общественных
науках, обратная связь достигает высокой степени интенсивности и приводит к
эффекту "саморазрушения" прогноза путём действий с учётом последнего. Так,
предсказания финансовых кризисов часто приводят к панике и действительному
обострению ситуации. Вместе с тем своевременное вмешательство при
предвидении надвигающейся опасности способно предотвратить её и, разрушив
прогноз, спасти положение. Отсюда методологическая ориентация
прогнозирования управляемых (большей частью социальных) явлений не на
безусловное предсказание, а на оценку вероятного (при условии сохранения
наблюдаемых тенденций) и желательного (при условии заранее заданных норм)
состояния объекта. Ожидаемый результат исследования — использование
прогностической информации, полученной на основе сопоставления данных
13
поискового и нормативного прогнозирования, для повышения обоснованности целей и решений, в том числе планов, программ, проектов [125].
При получении прогноза использует три основных взаимодополняющих источника информации о будущем [72,112]:
- оценка перспектив развития исследуемого явления на основании опыта, чаще всего на основе аналогии с уже изученными сходными явлениями и процессами;
- условное продолжение в будущее тенденций, закономерности развития которых в прошлом и настоящем достаточно хорошо известны (экстраполяция);
- создание модели будущего состояния исследуемого явления, процесса в соответствии с ожидаемым или желательным изменением ряда условий, перспективы развития которых достаточно хорошо известны.
Этим источникам соответствуют следующие способы прогнозирования [97]:
- опрос населения, экспертов (анкетирование, интервьюирование) с целью объективизации, упорядочения индивидуальных оценок прогнозного характера;
- экстраполирование и интерполирование, то есть построение динамических рядов показателей прогнозируемого явления на протяжении периодов основания прогноза в прошлом и упреждения прогноза в будущем
- моделирование - построение поисковых и нормативных моделей с учетом вероятного или желательного изменения прогнозируемого явления на период упреждения прогноза по имеющимся прямым или косвенным данным о масштабах и направлении изменений.
Каждый из приведенных способов не применяется изолированно и реализуется только в сочетании с двумя другими. В прогнозировании применяются также методы аналогии, индукции и дедукции, различные статистические, экономические, социологические и другие методы [102]. Конкретные методики, по которым ведется прогнозирование, образуются путем сочетания ряда методов. Иногда несколько методик составляют прогнозирующую систему.
Типовая методика построения прогноза состоит из следующих основных этапов исследования [4, 62, 68, 18]:
- предпрогнозная ориентация (определение объекта, предмета, проблемы, целей, задач, времени упреждения, рабочих гипотез, методов, структуры и организации исследования);
- построение исходной (базовой) модели прогнозируемого объекта методами системного анализа;
- сбор данных прогнозного фона (совокупности внешних по отношению к объекту условий, существенных для решения задачи прогноза);
- построение динамических рядов показателей методами экстраполяции
- построение серии гипотетических (предварительных) поисковых моделей методами поискового анализа;
- построение серии гипотетических (предварительных) поисковых моделей методами нормативного анализа;
- оценка достоверности, обоснованности, точности прогноза (обычно опросом экспертов);
- выработка рекомендаций для решений в сфере управления;
- экспертиза прогноза;
- вновь предпрогнозная ориентация.
Большинство современных методов прогнозирования состояния рынка, как нелинейной системы имеют долгосрочный характер [10, 17, 14]. Долгосрочное прогнозирование - оценка будущего развития экономики (или какой-либо ее подсистемы), научно-технического прогресса, социальных изменений в обществе в долгосрочном периоде. В экономико-математических прогнозах эти стороны развития рассматриваются в единстве. Они, например, относятся к энергетике, градостроительству, лесному хозяйству, к состоянию природной среды [62].
Как правило, подобные прогнозы существенно менее детализированы, чем
кратко- и среднесрочные, в них шире применяются вероятностные оценки, а часто
и качественные суждения. Строятся научно-технические, социально-
экономические и демографические прогнозы, каждый из которых объединяет и
15
связывает результаты многих частных прогнозов: развития тех или иных отраслей техники, производства товаров народного потребления, совершенствования экономического механизма и другие.
Рассмотрим проблему краткосрочного прогнозирования нелинейных объектов, как наиболее актуальную в условиях современного рынка. При долгосрочном прогнозировании имеется возможность корректировать прогноз с течением времени, поскольку в систему прогнозирования постоянно поступает информация о текущем состоянии объекта и имеется запас времени для повышения объективности и качества прогноза. При краткосрочном прогнозировании возможность корректировки данных прогноза практически отсутствует по следующим причинам [29,19]:
- временной интервал прогноза совпадает с временным интервалом поступления информации о динамике нелинейного объекта, то есть системе прогнозирования недоступны промежуточные информационные значения, позволяющие осуществить корректировку прогноза.
- время реакции системы прогнозирования соизмеримо с требуемым временным интервалом прогноза. Нелинейные объекты очень сложны с точки зрения математического описания, поэтому для их анализа используются средства прогнозирования с соответствующими приложениями и модификациями, что неизбежно увеличивает непосредственно время формирования прогноза. Поэтому увеличение точности краткосрочного прогнозирования приводит к неизбежному расширению используемых машинных ресурсов.
Предлагается для минимизации влияния первой причины осуществить введение пробных шагов прогнозирования на временном интервале, что, во-первых, позволяет использовать методы долгосрочного прогнозирования в рамках данной задачи, а, во-вторых, появляется возможность уменьшения погрешности прогноза динамики нелинейного объекта. Влияние второй указанной выше причины предлагается компенсировать путём выбора соответствующих систем прогнозирования с требуемым быстродействием.
Таким образом, к системам краткосрочного прогнозирования необходимо предъявлять следующие основные требования:
- возможность введения пробных шагов на временном интервале прогноза для уменьшения погрешности прогноза;
- время работы системы прогнозирования должно быть много меньше временного интервала прогноза.
1.2 Классификация методов моделирования и анализа нелинейных объектов
Под методами прогнозирования следует понимать совокупность приемов и способов мышления, позволяющих на основе анализа ретроспективных данных, экзогенных (внешних) и эндогенных (внутренних) связей объекта прогнозирования, а также их измерений в рамках рассматриваемого явления или процесса вывести суждения определенной достоверности относительно его (объекта) будущего развития [61, 63].
По оценкам ученных, в настоящее время насчитывается свыше 200 методов прогнозирования, однако число базовых значительно меньше (15-20). Многие из этих методов относятся скорее к отдельным приемам и процедурам, учитывающим особенности объекта прогнозирования [105, 106]. Другие представляют собой набор отдельных приемов, отличающихся от базовых или друг от друга количеством частных приемов и последовательностью их применения.
Множество методов прогнозирования делятся на две большие группы методов - фактографические и экспертные. Иногда добавляется третью группа -смешанные или комбинированные методы, которые по определению представляют собой смесь первых двух. К фактографическим методам относят такие методы, которые основаны на обработке объективных данных о прогнозируемом объекте. То есть, эти методы опираются на факты, информация о которых получена, измерена и обработана, потому эти методы и называют «фактографическими».
К экспертным методам относят методы, основанные на интуиции и опыте специалистов (экспертов). Информационной основой этих методов является не какие-либо наблюдения или фактические данные, а именно мнение экспертов. Легко понять, что это мнение не является заранее определённым фактом, и для того, чтобы его оценить, надо вначале добиться того, чтобы эксперт его высказал. Это и предопределяет принципиальное отличие экспертных методов от фактографических.
Применение фактографических методов наиболее эффективно, чем применение экспертных. Поэтому экспертные методы применяют лишь в том случае, когда фактографические методы использовать невозможно. В основном это касается прогнозов качественного состояния системы, того или иного явления, или же ситуации, информации о которой отсутствует.
Эффективность применения каждого метода прогнозирования зависит от того, насколько прогнозируемый объект похож на тот, на котором он был обучен. Иногда в прогнозировании динамики нелинейных систем решаются задачи не экстраполяции - перенесения в будущее той закономерности, которая выявлена и оценена в прошлом, - а интерполяции, когда необходимо оценить значения показателя внутри множества имеющихся наблюдений [2, 3, 106].
Введём классификацию методов прогнозирования нелинейных объектов (рисю 1.1).
На схеме изображены не только основные алгоритмы прогнозирования, но и вспомогательные. Взаимосвязь между ними указывает на то, что эти алгоритмы используются в сочетании друг с другом. В подобных алгоритмах, как правило, имеет место синергетический эффект, при котором недостатки одного метода компенсируются достоинствами других, и итоговая система показывает результат, недоступный ни одному из компонентов по отдельности.
Методы прогнозирования динамики нелинейных объектов
Методы нейросетевого моделирования Методы теории хаоса и фрактальной геометрии Методы прикладной статистики Методы эконометрики
Генетические аглгоритмы Аппарат нечёткой логики Априорный анализ методы повышения качества данных
Вспомагательные методы прогнозирования и сервисные средства
Рисунок 1.1 Классификация методов прогнозирования нелинейных систем а) Статистические методы прогнозирования
Статистические способы прогнозирования - разновидность математических
способов прогнозирования, дозволяющих основывать динамические
закономерности на перспективу. Статистические способы прогнозирования
обхватывают разработку, исследование и использование современных
математико-статистических способов прогнозирования на базе независимых
данных (в том числе непараметрических способов меньших квадратов с
оцениванием точности прогноза, адаптивных способов, способов авторегрессии и
других); формирование теории и практики вероятностно-статистического
моделирования экспертных способов прогнозирования, в том числе способов
разбора субъективных экспертных оценок на базе статистики данных; разработку,
Похожие диссертационные работы по специальности «Математическое моделирование, численные методы и комплексы программ», 05.13.18 шифр ВАК
Управление процессами перетоков мощности в системах регионального энергоснабжения на основе аппарата нечёткого регулирования и нейронных сетей2017 год, кандидат наук Руцков, Алексей Леонидович
Исследование и разработка автоматизированных систем прогнозирования на основе методов теории нейронных сетей2000 год, кандидат технических наук Яковлева, Галина Леонтьевна
Метод и алгоритмы нейро-нечёткого управления многосвязными тепловыми объектами агрегата полимерных покрытий металла2013 год, кандидат наук Варфоломеев, Игорь Андреевич
Интеллектуализация управления стохастическими объектами на основе нечеткой ситуационной сети принятия решений2013 год, кандидат наук Кочегаров, Дмитрий Владимирович
Алгоритмы и инструментальные средства нейросетевых технологий моделирования урожайности на основе автокорреляционных функций временных рядов2013 год, кандидат наук Шубнов, Михаил Геннадьевич
Список литературы диссертационного исследования кандидат наук Гусев, Константин Юрьевич, 2013 год
Библиографический список
1 Айвазян С.А. Прикладная статистика. Основы эконометрики. М.:ЮНИТИДАНА, 2001, 432 с.
2 Айвазян С.А., Бежаева З.И., Староверов О.В. Классификация многомерных наблюдений. -М.: Статистика, 1974. 240 с
3 Андерсон Т. Статистический анализ временных рядов. М.: Мир, 1976. -755 с
4 Андронов АА, Леонтович Е.А., Гордон И.И., Майер А.Г., Качественная теория динамических систем второго порядка. М.: Наука, 1966. - 568 с.
5 Архаменко A.C. Политический анализ и прогнозирования. М.: Гардарики, 2006. - 333 с.
6 Астафьева H. М. Вейвлет-анализ: основы теории и примеры применении. Успехи физических наук. - 1996. - Т. 166. - № 11. - С. 11451170.
7 Барсегян A.A. Методы и модели анализа данных: OLAP И Data Mining / A.A. Барсегян,М.С. Куприянов, В.В. Степаненко, И.И. Холод. -СПб.:ВНУ, 2004.-331 с.
8 Батыршин И. 3., Основные операции нечеткой логики и их обобщение. - Казань: Отечество: 2001-100 с.
9 Беркинблит М. Б., Нейронные сети: учебное пособие. - М.: МИРОС и ВЗМШ РАО, 1993 - 96 с.
10 Берндт, Эрис Роюерт. Практика эконометрики классика и современность. Пер. с англ.-М. ЮНИТИ-ДАНА, 2005.863 с
11 Бирюков Е.В., Корнев М.С. Практическая реализация нечеткой нейронной сети при краткосрочном прогнозировании электрической нагрузки [Электронный ресурс] // Портал магистров ДонНТУ : сайт. -
URL:http://www.masters^omtu.edu.ua/2006/kita/chuykov/libraiy/libraiy/article_ 5.htm
12 Борисов A.H. Обработка нечёткой информации в системах принятия решений. — М.: Радио и связь, 1989. - 104 с.
13 Борисов В.В.Нечеткие модели и сети. - М. : Горячая линия -Телеком, 2007. - 284 с.
14 Боровиков В.П., Ивченко Г.И. Прогнозирование в системе STATISTICA в среде Windows. Основы теории и интенсивная практика на компьютере. М.: Финансы и статистика, 2000. - 384 с.
15 Борселино Л. Задачник по дэйтрейдингу — М.: "ИК "Аналитика", 2002- 168 с.
16 Борселино JI. Учебник по дэйтрейдингу — М.: "ИК "Аналитика", 2002-272 с.
17 Бретт Макл. Как читать финансовую информацию / Майкл Бретт - М.: Проспект, 2004 - 464 с.
18 Бронников А. В. Нелинейные комбинированные алгоритмы фильтрации зашумленных сигналов и изображения. Автометрия-1990. - № 1.-С. 21-28.
19 Бэстенс Ж.-Э. Нейронные сети и финансовые рынки / Ж.-Э. Бэстенс, В.-М. Ван Дер Берг, Д. Вуд. - М.:ТВП, 1977. - 236 с.
20 Валентинов В.А. Эконометрика : Практикум: Учеб. пособие. - М. : Дашков и К', 2007. - 436 с.
21 Венцель Е.С. Теория вероятностей. М.: Наука, 1969. - 576 с
22 Вороновский В.К., МакотилоК.В., Петрашов С.Н. Сергеев С.А. Генетические алгоритмы, искусственные нейронные сети и проблема виртуальной реальности. X.: ОСНОВА, 1997. - 112 с.
23 Галушкин А.И.Нейрокомпьютеры : Учеб. пособие. Кн.З. - М. : ИПР ж-ла "Радиотехника", 2000. - 528с.
24 Галушкин А.И. Теория нейронных сетей. М.: Радиотехника, 2000.
-428 с
25 Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере; Новосибирск: Наука, 1996,276с.
26 Горбань А.Н. Обучение нейронных сетей. М.: СП ПараГраф. 1990
27 Горбань А.Н., Россиев Д.А., Коченов Д.А. Применение самообучающихся нейросетевых программ. Красноярск: СПИ, 1994. - 169 с
28 Гочаков А. В. Квазиоптимальный алгоритм фильтрации коэффициентов вейвлет-разложения при сжатии сигнала /А. В. Гочаков // Труды НГАСУ. - 2009. - № 2(45). -С. 77-83.
29 Гусев К.Ю., Бурковский B.JI. Анализ проблематики краткосрочного прогнозирования интегральных экономических показателей Вестник Воронежского государственного технического университета ISSN 1729-6501, Том 6, №2, 2010 г., С. 32-36
30 Гусев К.Ю., Бурковский В.Л. Нейросетевая модель прогнозирования динамики экономических процессов, Вестник Воронежского государственного технического университета ISSN 1729-6501, Том 6, №4, 2010 г., С. 80-83
31 Гусев К.Ю., Бурковский В.Л. Априорный анализ статистических моделей динамики экономических показателей, Вестник Воронежского государственного технического университета ISSN 1729-6501, Том 7, №8, 2011 г., С. 13-14
32 Гусев К.Ю., Бурковский В.Л. Нейросетевая модель прогнозирования интегральных экономических показателей Системы
управления и информационные технологии ISSN 1729-5068, №2.1(48), 2012. -С. 132-135
33 Гусев К.Ю., Бурковский B.J1. Средства повышения точности функционирования модели прогнозирования динамики экономических показателей, Труды Всероссийской конференции «Новые технологии в научных исследованиях, проектировании, управлении, производстве НТ-2010», Воронеж, 27-28 апреля 2010 г., С.22-23
34 Гусев К.Ю., Бурковский B.J1. Модели распознавания динамики экономических показателей на основе аппарате нейронных сетей Сборник материалов IX Международной конференции «Распознавание-2010», Курск, 18-20 мая 2010 г., С. 200-201
35 Гусев К.Ю., Бурковский B.JI. Алгоритмизация априорного анализа интегральных экономических показателей Труды Всероссийской конференции «Новые технологии в научных исследованиях, проектировании, управлении, производстве», Воронеж, 26-27 апреля 2011 г., С.238
36 Гусев К.Ю., Бурковский B.JI. Модифицированная нейросетевая модель анализа и прогнозирования динамики интегральных экономических показателей Труды Всероссийской конференции «Новые технологии в научных исследованиях, проектировании, управлении, производстве», Воронеж, 26-27 апреля 2011 г., С.250
37 Гусев К.Ю., Бурковский B.JI. Аппроксимация интегральных экономических показателей на основе нечётко-нейросетевого моделирования Материалы V Международной конференции «Современные проблемы прикладной математики, теории управления и математического моделирования (ПМТУММ-2012)», Воронеж, 11-16 сентября 21012г., С 99102
38 Гусев К.Ю. Модифицированная нейросетевая модель анализа и
прогнозирования динамики интегральных экономических показателей Труды
132
Всероссийской конференции «Новые технологии в научных исследованиях, проектировании, управлении, производстве», Воронеж, 26-27 апреля 2011 г., С.250.
39 Даджион Д. Цифровая обработка многомерных сигналов /Д. Даджион, Р. Мерсеро. - М. : Мир, 1988. - 463 с.
40 Денис Дж. (мл), Шнабель Р. Численные методы безусловной оптимизации и решения нелинейных уравнений. М.: Мир, 1988. - 440 с
41 Добров A.M. Прогнозирование науки и техники / A.M. Добров. -М.:ТВП, 1969.-452 с.
42 Добеши И. Десять лекций по вейвлетам / Добеши И. - Ижевск: НИЦ «Регулярная и хаотическая динамика», 2001. - 464 с.
43 Доугерти К. Введение в эконометрику: Учебник. 3-е изд/ Пер. с англ. - М.: ИНФРА-М, 2009. - XIV, 465 с.
44 Дуда Р., Харт П. Распознавание образов и анализ сцен. М.: Мир, 1976. -512 с
45 Дунин-Барковский B.JI. Информационные процессы в нейронных структурах. М.: Наука, 1978. - 317 с.
46 Дьяконов В. П. Вейвлеты. От теории к практике /В. П. Дьяконов. - М. : СОЛОМОН-Р. - 2002. - 448 с.
47 Дюк В.A. Data Mining - интеллектуальный анализ данных // Информационные технологии: сайт. - URL: http://www.inftech.webservis.ru/it/database/datamining/ar2.html
48 Ежов A.A. Нейрокомпьтинг и его применение в экономике и бизнесе. М.:МИФИ, 1988. - 204 с.
49 Емельянов C.B., Коровин С.К, Нелинейная динамика и управление . Вып.1.М. : Физматлит, 2001. - 448 с
50 Жваколюк Ю. Внутридневная торговля на рынке Форекс.
51 Заде Л. Понятие лингвистической переменной и его применение к принятию приближенных решений. - М.: Мир, 1976.
52 Занг В. Б. Синергетическая экономика. Время и перемены в нелинейной экономической теории: Пер. с англ. - М.; Мир 1999. - 335 с. ил.
53 Змиртович А.И. Интеллектуальные информационные системы. -Мн.: НТООО «ТетраСистемс», 1997. - 368 с.
54 Итоги науки и техники: физические и математические модели нейронных сетей. М.: ВИНИТИ, 1990. - Т. 1. - 247 с
55 Круглов В.В. Нечёткая логика и искусственные нейронные сети / В.В Круглов, М.И. Дли, Р.Ю. Голоунов. — М.: Издательство физико-математической литературы, 2001. - 224 с.
56 Калан Р. Основные концепции нейронных сетей.: Пер. с англ. -М.: Издательский дом «Вильяме» - 2001. - е.: ил.
57 Кан М.Н.; Технический анализ; ПИТЕР; 2003; 282 с.
58 Кейт А.; Технический анализ для начинающих/ Пер. с англ. - М.: - Альпина Паблишер, 2001. - 184 с.
59 Кендал л М. Временные ряды. -М.: Финансы и статистика, 1981.
199 с.
60 Кендалл М., Стьюарт А. Статистические выводы и связи. М.: Наука, 1973.-900 с
61 Кнут. Искусство программирования для ЭВМ. Т.З. Изд-во "Мир", М.1978.
62 Ковальски Р. Логика в решении проблем. - М.: Наука, 1990. - 280
с.
63 Комарцова Л.Г. Нейрокомпьютеры : учеб. пособие. - М. : МГТУ, 2004. - 400 с
64 Комашинский В.И., Смирнов Д.А., Нейронные сети и их применение в системах управления и связи. М.: Горячая линия-Телеком, 2003.-94 с.
65 Кохэн Д. Психология фондового рынка: страх, алчность и паника. М. Интернет трейдинг.- 364 с.
66 Круглов В.В. Искусственные нейронные сети. Теория и практика / В.В. Круглов, В.В. Борисов. - М.: Горячая линия-Телеком, 2002. - 382 с.
67 Леоленков A.B. Нечеткое моделирование в среде MATLAB и fuzzy TECH. - СПб., 2003.
68 Лескин A.A., Мальцев П.А., Спиридонов A.M. Сети Петри в моделировании и управлении. - Л.: Наука, 1989. - 136 с.
69 Лиховидов В.Н. Практический курс распознавания образов. -Владивосток, Изд-во ДВГУ, 1993.
70 Лиховидов В. Н., Фундаментальный анализ мировых валютных рынков: методы прогнозирования и принятия решений. — г. Владивосток — 1999 г.—234 е.; ил.
71 Логический подход к искусственному интеллекту: от классической логики к логическому программированию. -М.: Мир, 1990. -432 с.
72 Лукашин Ю.П. Адаптивные методы краткосрочного прогнозирования временных рядов: Учеб. пособие. М.:Финансы и статистика, 2003. - 416 с.
73 Магнус Я.Р., Катышев П.К., Пересецкий A.A. Эконометрика. Начальный курс: Учеб. - 6 изд., перераб. и доп. - М.: Дело, 2004. - 576с.
74 Мак-Каллок У.С., Питтс В. Логическое исчисление идей,
относящихся к нервной активности // В сб.: «Автоматы» под ред. К.Э.
Шеннона и Дж. Маккарти. - М.: Изд-во иностр. лит., 1956. - с.363-384.
135
75 Мандель Н.Д. Кластерный анализ. - М.: Финансы и статистика, 1988.-176 с.
76 Мелихов А.Н. Бернштейн Л.С., Коровин С.Я. Ситуационные советующие системы с нечёткой логикой. - М.: Наука, 1990. - 372 с.
77 Минский М., Пейперт С. Персептроны. М.: МИР, 1971. с. 261.
78 Миркес Е.М; Нейрокомпьютер: проект стандарта, Новосибирск: Наука, 1999, 337с.
79 Наговицин А.Г., Иванов В.В. Валютный курс. Факторы. Динамика. Прогнозирование. - М.: Инфра-М, 1995. - 176 с
80 Назаров A.B., Лоскутов А.И. Нейросетевые алгоритмы прогнозирования и оптимизации систем/ А.В.Назаров, А.И. Лоскутов - СПб.: Наука и Техника, 2003. - 384 с.
81 Нечёткие множества в моделях управления и искусственного интеллекта / Под редакцией Поспелова Д.А. - М.: Наука, 1986. - 312 с.
82 Нечёткие множества и теория возможности / Под редакцией P.P. Ягера. - М.: Радио и связь, 1986. - 408 с.
83 Новиков Л. В. Основы вейвлет-анализа сигналов / Л. В. Новиков. - СПб. : Изд-во ООО «Модус+», 1999. - 262 с.
84 Пайтген Х.-О. Красота фракталов / Х.-О. Пайтген, П.Х. Рихтер. -М.: Диаграмма, 1993. - 368 с.
85 Пискулов Д.Ю. Теория и практика валютного дилинга. (Foreign Exchange and Money Market Operations). Прикладное пособие.— М.:ИНФРА-M, 1995.- 208 с.
86 Прикладные нечёткие системы / Под редакцией Т.Тэрано. - М.: Мир, 1993.-368 с.
87 Рабинер Л. Теория и применение цифровой обработки сигналов / Л. Рабинер, Б. Гоулд. - М.: Мир, 1978. - 847 с.
88 Ризниченко Г.Ю. Нелинейное естественнонаучное мышление и экологическое сознание //. Синергетическая парадигма; М.: Прогресс-Традиция, 2000, 256с.
89 Россиев Д.А., Головенкин С.Е., Назаров Б.В. Определение информативности медицинских параметров с помощью нейронной сети. Диагностика, информатика и методология - 94 : Тезисы научной конференции, Санкт-Петербург, 28-30 июня 1994 г., с. 348.
90 Розенблатт Ф. Принципы нейродинамики. Персептроны и теория механизмов мозга. М.: Мир, 1965. - 480 с.
91 Рутковская Д.Н. Нейронные сети, генетические алгоритмы и нечёткие системы / Руткоская Д., Пилиньский М., Рутковский Л. - М.: Горячая линия, 2006. - 452 с.
92 Савченко В.В., Акатьев Д.Ю., Баринов A.B., Шкулев A.A. Программное обеспечение биржевой игры на основе краткосрочного прогнозирования. Н.Новгород: Нижегородский государственный лингвистический университет им. H.A. Добролюбова, 1999. - 87 с.
93 Смоленцев Н. К. Основы теории вейвлетов. Вейвлеты в Matlab / Н. К. Смоленцев. - М.: Изд-во ДМК, 2005. - 304 с.
94 Стивен Б.А. Технический анализ от А до Я / Б.А. Стивен. - М.: Диаграмма, 1999. - 242 с.
95 Терехов С.А., Технологические аспекты обучения нейросетевых
I
машин.
96 Тинтпнер Г. Введение в эконометрию. - М.: Статистика, 1965.
97 Тихонов Э.Е. Методы прогнозирования в условиях рынка: учебное пособие. Невинномысск, 2006. - 221 с.
98 Томас Р. Демарк Технический анализ - новая наука.
99 Тутпубалин В.Н. Статистическая обработка рядов наблюдений. — М.: Знание, 1973.
100 Фама Е.Ф. Теория финансов / Е.Ф. Фама, М.Г. Миллер. - Нью-Йорк: Holt, Rinehart and Winston, 1972. - 434 с.
101 Фишер Роберт, Фишер Йене Новые методы торговли по Фибоначчи. Инструменты и стратегии биржевого успеха. М.: ИК «Аналитика», 2002. - 348 с.
102 Френкель А. Математические методы анализа динамики и прогнозирования производительности труда. - М.: Экономика, 1972.
103 Хуанг Т. С. Быстрые алгоритмы в цифровой обработке изображений / Т. С. Хуанг. - М.: Радио и связь, 1984. — 340 с.
104 Царегородцев В.Г. Предобработка обучающей выборки, выборочная константа Липшица и свойства обученных нейронных сетей // Материалы X Всеросс. семинара"Нейроинформатика и ее приложения", Красноярск, 2002, 185с.
105 Чегпыркин Е.М. Статистические методы прогнозирования. — 2-е изд. — М.: Статистика, 1977.
106 Четыркин Е.М. Статистические методы прогнозирования. М.: Статистика, 1977. - 200 с.
107 Чубукова И.A. Data Mining. - М.: Изд-во «Интернет-университет информационных технологий - ИНТУИТ.ру», 2006. - 384 с.
108 Ширяев А.Н. Основы стохастической финансовой математики. Том I. Факты. Модели. Москва: ФАЗИС, 1998, 512 с.
109 Эконометрика: Учебник/Под ред. И.И. Елисеевой.- М.: Финансы и статистика, 2002.
110 Эрлих A.A. Технический анализ товарных и финансовых рынков: Прикладное пособие. - 2-е изд. - М.: ИНФРА-М, 1996. - 176 с.
111 Энциклопедия социологии / под ред. Грицанова А.А. - Изд. «Книжный дом», 2003 - 345 с.
112 Э. Петере. Фрактальный анализ финансовых рынков: применение теории хаоса в инвестициях и экономике. М.: Интернет-трейдинг, 2004, 304 с.
113 Эшби У. Росс. Конструкция мозга, происхождение адаптивного поведения. — М.: Мир, 1964.
114 Яглом A.M. Корреляционная теория процессов со случайными стационарными приращениями. Матем. сб.-Т. 37 (79), № 1. - М.: Изд-во АН СССР, 1955.
115 Ярушкина Н.Г. Основы теории нечетких и гибридных систем: учеб. пособие. - М.: Финансы и статистика, 2004. - 320 с.
116 Abramovitch F. Wavelet thresholding via a Bayesian approach/ F. Abramovitch, T. Sapatinas, B. W. Silverman // Journal of the Roy Statist. Soc. Ser. B. - 1998. - № 60. - P. 725-749.
117 Abramovitch F. Adaptive thresholding of wavelet coefficients F. Abramovitch, Y. Benjamini // Computational Statistics and Data Analyses. 1996. -V. 222, № 2. - P. 351-361.
118 Alfred V. Aho, John E. Hopcroft, and Jeffrey D. Ullman. Data Structures and Algorithms. Massachusetts: Addison-Wesley, 1983.
119 Ben Vogelvang Econometrics. Theory and Applications with Eviews. 2005.-363 p.
120 Benjamini Y. Controlling the false discovery rate: a practical and powerful approach to multiple testing / Y. Benjamini,Y. Hochberg // Journal of the Roy Statist. Soc. Ser. B. - 1995. -№ 57. - P. 289-300.
121 Bruce A. G. Waveshrink with firm shrinkage / A. G. Bruce,H.-Y. Gao // Statistica Sinica. - 1997. - V. 4, № 6. - P. 855-874.
122 Chang S. G. Adaptive wavelet thresholding for image denoisedand compression / S. G. Chang, B. Yu, M. Vetterli // IEEE Transactions on Image Processing. - 2000. - V. 9, № 8. - P. 1532-1546.
123 Chauvin Y. Dynamic behavior of constrained back-propagation networks / Advances in Neural Information Processing Systems 2 (1989). MorganKaufmann, 1990.. pp.642-649
124 Dickey, D.A. and S.G. Pantula, "Determining the Order of Differencing in Autoregressive Processes," Journal of Business and Economic Statistics, 5 (1987), 455-461
125 Dickey, D. A and W. A. Fuller, "Distributions of the estimators for autoregressive time series with a union root ", Journal of American Statistical Association, 75 (1979), 427-431
126 Donald E. Knuth. The Art of Computer Programming, volume 3. Massachusetts: Addison-Wesley, 1973.
127 Donoho D. L. Ideal spatial adaptation via wavelet shrinkage / D. L. Donoho, I. M. Johnstone // Biometrika. - 1994. - V. 81, № 3. - P. 425-455.
128 Donoho D. L. Adapting to unknown smoothness via wavelet shrinkage / D. L. Donoho, I. M. Johnstone // Journal of the American Statistical Association. - 1995.-V. 90,№432.-P. 1200-1224.
129 Donoho D. L. De-noised by soft-thresholding / D. L. Donoho // IEEE Trans. Information Theoiy. 1995. - V. 41, № 3. - P. 613- 627.
130 Drucker H., LeCun Y. Improving generalization performance using double backpropagation / IEEE Trans, on Neural Networks, 1992, Vol.3, №6. . pp.991-997.
131 Engle, R. F. and C. W. J. Granger, "Co-integration and error correction representation, estimation and testing" Econometrica, 55 (1987),455-461
1 I
132 Greene W.H. Econometric Analysis, fifth edition. New York University, 2003. - 1052 p.
133 Hara K., Nakayama K. Selection of minimum training data for generalization and on-line training by multilayer neural networks / Proc. IEEE ICNN'1996, Washington, DC, USA, 1996, Vol.1.. pp.436-441.
134 Hara K., Nakayama K., Kharaf A.A.M. A training data selection in online-training for multilayer neural networks / Proc. IEEE IJCNN'1998, Anchorage, Alaska, USA, 1998.. pp.2247-2252.
135 Hamalainen J.J., Jarvimaki I. Input projection method for safe use of neural networks based on process data / Proc. IJCNN'1998, Anchorage, Alaska, USA, 1998, p. 239.
136 Haykin S., Neural Networks: A Comprehensive Foundation, MacMillan College Publishing Co., New York, 1994.
137 Hertz J., Krogh A., Introduction to the Theory of Neural Computation, Addison-Wesley, Reading, Mass., 1991.
138 Hopfield J.J., "Neural Networks and Physical Systems with Emergent Collective Computational Abilities", in Proc. National Academy of Sciencies, USA 79, 1982, pp. 2554-2558.
139 Ishikawa M., Yoshida K., Amari S. Designing regularizers by minimizing generalization error /Proc. IEEE IJCNN'1998, Anchorage, Alaska, USA, 1998.. pp.2328-2333.
140 LeCun Y., Bottou L., Orr G.B., Muller K.-R. Efficient BackProp / Neural Networks: Tricks of the trade (G.Orr and K.Muller, eds.), Springer Lecture Notes in Comp. Sci. 1524, 1998.. pp.5-50.
141 LeCun Y., Kanter I., Solla S.A. Second order properties of error surfaces: learning time and generalization / Advances in Neural Information Processing Systems 3; Morgan-Kaufmann, 1991, p. 924.
142 McCulloch W.S. and Pitts W., "A logical Calculus of Ideas Immanent in Nervous Activity", Bull. Mathematical Biophysics, Vol. 5, 1943, pp. 115-133.
143 Michie D., Spiegelhalter D.J., Taylor C.C. Machine learning, neural and statistical classification. Elis Horwood, London, 1994.
144 Minsky M. and Papert S., "Perceptrons: An Introduction to Computational Geometry", MIT Press, Cambridge, Mass., 1969.
145 Peter K. Pearson. Fast hashing of variable-length text strings. Communications of the ACM, 33(6):677-680, June 1990.
146 Rosenblatt R., "Principles of Neurodynamics", Spartan Books, New York, 1962.
147 Thomas H. Cormen, Charles E. Leiserson, and Ronald L. Rivest. Introduction to Algorithms. New York: McGraw-Hill, 1992.
148 Voskoboinikov Yu.E. Vector local filters with an adaptive aperture size / Yu. E. Voskoboinikov, V. G. Belyavtsev // Optoelectronics, Instrumentation and Data Processing. 2001. - № 6. - P. 34^12.
149 Voskoboinikov Yu. E. Quasi-optimal estimation algorithm of wavelet-decomposition coefficients at a signals filtration / Yu. E. Voskoboinikov, A. V. Gochakov // Optoelectronics, Instrumentation and Data Processing. - 2010. - V. 46, № l.-P. 34-45.
150 Weyrich N. Wavelet shrinkage and generalized cross validation for image denoising / N. Weyrich, G. T. Warhola // IEEE Trans.Image Processing. -1998.-V. 7, № l.-P. 82-90.
151 Werbos, "Beyond Regression: New Tools for Prediction and Analysis in the Behavioral Sciences", Phd Thesis, Dept. of Applied Mathematic
152 William Pugh. Skip lists: A probabilistic alternative to balanced trees. Communications of the ACM, 33(6):668-676, June 1990.
153 Zhang X.-P. Adaptive denoising based on SURE risk /X.-P. Zhang, M. D. Desai // IEEE Signal Process. Lett. -1998. - V. 5, № 10. - P. 265-267.
УТВЕРЖДАЮ
Руководи гель депарiамента экономического развития
Воронежской облети Кукреёв A.M.
«15»
Справка
"¿"г 1
о внедрении результатов диссертационной работы К.Ю. Гусева «Нейросетевое моделирование динамики нелинейных объектов в условиях краткосрочного прогнозирования на основе нечёткой логики»
Результаты диссертационной работы Гусева Константина Юрьевича «Нейросетевое моделирование динамики нелинейных объектов в условиях краткосрочного прогнозирования на основе нечёткой логики» прошли практическую апробацию в условиях формирования прогноза экономического развития Воронежского региона Отделом инвестиций Администрации Воронежской области.
Реализация разработанного в рамках диссертации «Профаммиою комплекса краткосрочного нейросетевою прогнозирования динамики нелинейных объектов на основе аппарата нечёткой логики» исполыована при составлении прогноза основных показателей экономического развития области на 2013-2014 гг и по оценкам экспертов отдела имеет высокие показатели качества, что свидетельствует о работоспособности и возможности широкого внедрения в органах административного управления регионов для обеспечения адекватных решений. Кроме того, программный комплекс имеет простой и развитый интерфейс, что упрощает ею использование обслуживающим персоналом, не имеющим специальной подготовки в сфере информационных технологий.
11ачальник отдела стратегии
инвестиционного развития и /¿1^ Командоров Г1.В.
ГЧГ1 департамента экономического развития Воронежской области
;ту»
Сафонов
20 М.
vr.ii.
АКТ •
о внедрении резулыагов диссертации, научно-исследовательской, научно-методической, онышо-
конструкторской раоогы в учебный процесс Воронежского государственною техническою у ни верст с га
Наименование диссертации, научно-исследовательской, ¡тучно-методической. оггышо-копетрукгорской раоогы, изобретения
Диссертация «Нсйросетевое моделирование динамики нелинейных объектов в условиях краткосрочною прогнозирования на основе аппарата нечёткой логики».
№ госрегистрации (при наличии), гшенга и г.п
Автор (авторы)
(ис1юлш11сль(и))_гусев К.10., Бурковский В.Л.
(Ф.И.О)
Научный руководитель (консультант) Бурковский В.Л.
" (Ф И.о.)
Выполненной в Воронежском государственном техническом университете, (совместно или в иной организации, на предприятии)
(наименование учреждения, организации, предприятия) структурным подразделением на кафедре электропривода, авточшики и управления в технических сисгемах
(кафедра, факультет, лаборатория, центр, творческий коллектив и г.п.)
в рамках основного научного направления (гранта РФФИ, проекта ФЦП, по заказу предприятия, организации, инициативная ра$рабо1ка и др.)
в период с «1» октября 2010 I. по «10») декабря 2012 г., внедрены в учебный процесс ВГТУ на основании решения кафедры
члектропривода, автоматики и управления в технических системах
(наименование кафедры ВГТУ) о г «4 » июня 2013 г., протокол № 10
1. Вид результатов внедренных в учебный процесс:
Нсйросегевая модель анализа и нрог кодирования динамики нелинейных объектов с использованием
(типовой пример расчета, теорема, совокупность знаний и представлений, модель, макет, система, технология, методика, зарегистрированные программы или алгоритмы, базы данных и т.п.)
2. Область применения: лабораторный практику м и лекционный курс «Системный анализ». «Исследование операций», «Моделирование с наем управления» специальное! и «Управление и информатика в технических системах».
( наименование основной (дополншелыюй) образовательной протраммы обучения высшею (средне! ш профессионального образования, код направления подготовки (специальности), дисциплина, к\ рс. группа, вид учебных занятий)
3. Форма внедрения: описание нейроссчевой модели в материалах лекционного курса, учебник, учебное пособие, курс лекций, раздел или тема в курсе лекции, макет лабораюриой работы, испытательный стенд, методические указания и т.п., с указанием выходных данных для публикации)
4. Технический уровень (юсударст венное или общеегвенное признание):
(riaieiiibi России, дипломы, медали и др их Ла и дата получения)
5. Основные публикации по теме диссершши. научно-исследовательской, научно-методической. опытно-конструкторской paóoibi, изобретения: 13 нубтиканий, m них 5 изданиях из списка ВАК РФ.
(авторы, выходные данные)
6. Эффект от внедрения
а) повышение качества образования: новые технологии в обласш нейросетевого моделирования процессов анализа и нреннозирования динамики нелинейных объектов (информация о новых знаниях, умениях, навыках, приобретаемых стулетами или аспиратами, развитие ич компетенций,технологиях, методиках иеполмуемых в обучении и т п.)
б; социальный _ .............
(улучшения условий труда, оздоровление окружающей среды и т п )
в) экономический_
Руководитель основного научною направления. ФЦП (при наличии) ll¿W_Подвальный СЛ.
I тгшискР&И О)
« ,£_» t ¿ 20//г. Hay ч н ый- руководит ел ь(консультант)
" Буркове кий В.Л. (подпись, Ф И о.) « ^ 6 20_#г.
Автор (ufíiopbi) (исноднитель(и))
<А У_Гусев К.Ю.
(лоЛжно<у/ь, \ч степень, подпись, Ф.И О )
«JlJJlá__20£г.
Начальник отдела лицензирования. arrecTaimír)i аккредитации
- Халявина A.B..
«■ é» té 2(Vjr.
Декан факультета
_<//У Буркове кий A.B.
(подпись. Ф И О) « » / / 20//г.
Заведу юцш^кафедрой
_^ у_Нурковский BJI.
(подпись, Ф.И.О.) «_.¡¿> ___20/rjr.
Министерство образования и науки 1'Ф Федеральное государственное бюджетное
обра-товат с л ь ное у ч ре жде i ше высшего профессионального образования «Воронежский юсу дарственный течническии
394026. Воронеж, Московский проспект, 14 ОЦ ПИТ reí (471)271-85-49 факс (473) 27^92-12
Настоящим удостоверяется, что «Программный комплекс краткосрочного нейросе1евою прогнозирования динамики нелинейных обьектов на основе аппарата нечёткой логики», разрабошшый в Ф1 GOV BIIO «Воронежский государственный гехиический чниверсикч» (авюры -Гусев' К.Ю., Бурковский В.Л., научный р>ководшель - профессор-Бурковский В Л.),'зарегистрировано в государственном информационном фонде неопубликованных документов ФЛ АНУ «Центр информационных [ехнодогий и систем органов исполнительной влас ж» (Х<> 50201350589 oi
18.06.2013).
Директор ОЦ1ШТ ФГБОУ ВПО «ВП У»
/yÜf. Г. Юрасов
Htl с
(g) ■146
Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.