Дипломы, курсовые, рефераты, контрольные...
Срочная помощь в учёбе

Специальное математическое обеспечение краткосрочного прогнозирования на основе нейросетевого моделирования и анализа многомерного лага

Диссертация: Специальное математическое обеспечение краткосрочного прогнозирования на основе нейросетевого моделирования и анализа многомерного лага
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Практическая значимость работы. Предложенный в работе комплекс алгоритмов нейросетевого прогнозирования многомерных временных рядов на основе анализа многомерного лага обеспечивает получение уточненных прогнозов контролируемого параметра сложной системы, повышение эффективности планирования развития процессов в системе, уменьшение корректив, вносимых в расчетные показатели. Учет отсроченного… Читать ещё >

Содержание

  • 1. Проблемы и перспективы нейросетевою моделирования и прогнозирования поведения сложных систем, описываемых мнотмерными временными рядами
    • 1. 1. Обзор методов построения прогностических моделей и их применение к исследованию поведения многомерных стохастических объектов, описываемых временными рядами
    • 1. 2. Сложность задачи прогнозирование в условиях неполной информации
  • Нейронные сети как инструмент решения нечетких задач
    • 1. 3. Выбор архитектуры искусственной нейронной сети и алгоритма обучения для решения задачи прогнозирования многомерных временных рядов
    • 1. 4. Цель и задачи исследования
  • 2. Оптимизация параметров про1 позирующей нейронной сети с учетом запаздывания выхода относительно многомерного входа
    • 2. 1. Формализация задачи построения пейросети для ненулевого запаздывания
    • 2. 2. Определение величины запаздывания для одной независимой переменной (входа)
    • 2. 3. Верификация методики определения многомерного лага па основе анализа чувствительности нейросети в задаче про1 нозирования многомерных временных рядов
  • 2.
  • Выводы по главе 2
  • 3. Структурный синтез базы данных для системы прогнозирования
    • 3. 1. Формирование информационной базы для прогнозирования. Предварительная обработка статистических данных и определение состава входов нейросети
    • 3. 2. Алгоритмизация процедур неоднородною нейросетевого анализа
    • 3. 3. Алгоритмизация процедур множественною рефессионного анализа с оптимизацией вектора запаздываний для значимых факторов
    • 3. 4. Выводы по главе 3
  • 4. Программная реализация системы прогнозирования набора в высшее учебное заведение
  • 1. Структура системы и механизмы взаимодействия ее компонент
    • 4. 2. Применение методов нейросетевого анализа для поддержки принятия решений при управлении сложными сииемами
  • 3. Прогнозирование набора в негосударственный вуз на основе традиционных нейросетевых процедур
    • 4. 4. Сравнение результатов прогнозирования на основе нейроеетей с результатами статистического анализа
    • 4. 5. Результаты оптимизации вектора запаздываний и сравнение с традиционными (нулевое запаздывание) результатами статистического и нейросетевого прогнозирования
    • 4. 6. Выводы по главе 4
  • Основные результаты работы

Специальное математическое обеспечение краткосрочного прогнозирования на основе нейросетевого моделирования и анализа многомерного лага (реферат, курсовая, диплом, контрольная)

Актуальность темы

.

При решении задач, связанных с большими системами, особое внимание уделяется построению адекватных моделей, учитывающих такие особенности, как стохастичность, нестационарность, отсутствие полного математического описания объекта исследования. Ввиду невозможности построения математической модели, описывающей все аспекты функционирования таких систем, основной задачей становится исследование определенных параметров, которые характеризуют поведение сложной динамической системы и выявление влияющих на эти параметры факторов, целенаправленное изменение которых позволяет обеспечить требуемое направление развития процессов системы. Основой решения данной задачи является разработка моделей поведения сложной системы с учетом влияния различных факторов, позволяющих предсказывать значения контролируемого параметра и планировать развитие процесса на основе выявленных закономерностей.

В настоящее время вопросам прогнозирования показателей, описываемых временными рядами, уделяется значительное внимание. Теоретическим аспектам прогнозирования временных рядов посвящены работы А. В. Прасолова [83], в которых подробно исследованы математическая модель и проблемы исследования многомерных временных рядов с применением методов статистического анализа. Немалый интерес исследователей вызывает возможность применения пейросетевых методов анализа и прогнозирования параметров сложных систем, описанных многомерными временными рядами, в частости, В. Г. Царегородцева [103], Г1.Е. Родионова [85], С. О. Восьмирко [17]. Известно большое число публикаций, посвященных различным методам прогнозирования для широкого класса задач: прогнозирование на финансовых рынках (Бучаев Я. Г. [13], Галушкин А. И. [18], Ежов А. А. [26]) — прогнозирование событий в многомерных временных рядах, описывающих кос-мофизические данные (Ю.С.Шугай, С. А. Доленко [105]), прогнозирование грузооборота на железной дороге (И. А. Лаптев [58]) и др. Для исследования поведения систем, описанных временными рядами, традиционно используются статистические методы, включая методы многофакторного анализа, с учетом требований к объему, однородности, полноте статистических выборок и известных законов распределения исследуемых признаков. Величина запаздывания может быть оценена по величине кросскорреляции, однако такой расчет проводится для пар временных рядов и обобщение указанного. метода для произвольного количества факторов, значимо влияющих на исследуемую величину, отсутствует. Именно указанные ограничения традиционных методов прогнозирования привели к использованию для построения прогнозов методов нейросетевого анализа, не накладывающих строгих ограничений на исходные данные и не требующих полного формального описания функционирования системы.

В этой связи актуальность темы исследования продиктована необходимостью дальнейшего развития математических и инструментальных средств, применяемых для нейросетевого анализа параметров сложных систем, описывающихся временными рядами с учетом запаздывания влияния значимых факторов с целью получения наиболее точного прогноза, используемою в контуре принятия решений системы управления.

Диссертационная работа выполнена в рамках основного научного направления Воронежского государа венного техническою университета -«Вычислительные системы и программно-аппаратные электротехнические комплексы».

Цель работы.

Целью диссертационной работы является разработка математического и специального программного обеспечения принятия решений в сложных системах с многомерным входом и запаздывающим выходом на основе реализации методов нейросетевого моделирования и прогнозирования.

Для достижения указанной цели исследования необходимо решить следующие задачи:

1 Провести анализ и сформулировать проблемы нейросетевого прогнозирования поведения сложных систем, изменение параметров которых описывается временными рядами, с учетом запаздывания.

2. Осуществить формальную постановку задачи построения вектора оптимальных временных лагов в пейросетевом логическом базисе с учетом ограниченного количества наблюдений.

3. Провести алгоритмизацию построения вектора оптимальных временных лагов и верификацию разработанных алгоритмов.

4. Реализовать специальное программное обеспечение системы про-I нозирования многомерных временных рядов с учетом временных лагов (для решения задачи прогнозирования набора в высшие учебные заведения).

Методы исследования. При выполнении работы использованы методы математического моделирования, информационных технологий, статистического аиализа, теории искусственных нейронных сетей.

Научная новизна работы. В результате проведенного исследования были получены результаты, характеризующиеся научной новизной:

• формализованное описание задачи построения прогнозирующей ней-росети в контуре принятия решений, отличающееся учетом вектора временных лагов и позволяющее установить однозначное соответствие наборов входных и выходных параметров;

• алгоритм оптимизации параметров нсйросети, обеспечивающий построение вектора оптимальных временных лагов, отличающийся ранжированием входов, описывающих историю влияющего фактора, в порядке уменьшения чувствительности нейросети;

• алгоритм функционирования линии задержки на входе нейросети, отличающийся учетом найденных временных лагов для каждой независимой переменной и позволяющий сформировать корректные множества для обучения, тестирования нейросети и получения уточненною прог ноза;

• состав и структура специального программного обеспечения системы прогнозирования в контуре принятия решений, позволяющего повысить точность планирования показателей набора студентов и эффективность планирования деятельности негосударственного вуза, отличающаяся учетом запаздывания влияния значимых факторов.

Практическая значимость работы. Предложенный в работе комплекс алгоритмов нейросетевого прогнозирования многомерных временных рядов на основе анализа многомерного лага обеспечивает получение уточненных прогнозов контролируемого параметра сложной системы, повышение эффективности планирования развития процессов в системе, уменьшение корректив, вносимых в расчетные показатели. Учет отсроченного влияния факторов позволяет планировать управляющие воздействия на систему таким образом, чюбы получить требуемое значение контролируемого параметра в заданной временной точке. Использование современных информационных технологий в контуре принятия решений системы управления сложным объектом позволяет планировать позитивные изменения факторов, регулируемых в рамках системы, обеспечивая компенсацию негативного влияния внешних факторов Реализации и внедрение результатов работы. Основные результаты диссертации реализованы в Международном институте компьютерных технологий при создании системы прогнозирования набора студентов, обеспечивающей получение краткосрочного прогноза количества студентов и определения состава значимо влияющих на набор факторов.

Эффектом от внедрения результатов диссертации стало уменьшение корректив, вносимых ежегодно по результатам работы приемной комиссии МИКТ, в утвержденную нагрузку преподавателей и штатное расписание, более четкое планирование профориентационной деятельности и ценовой полигики вуза, выявление наиболее существенных факторов, влияющие на количественные характеристики набора в негосударственный вуз, и определение мероприятий, снижающих влияние негативных факторов.

Апробация работы. Основные положения диссертации докладывались и обсуждались на Международной научно-практической конференции «Составляющие научно-технического прогресса» (Тамбов, 2005), Всероссийской научно-технической конференции «Информационные технологии» (Воронеж, 2005), Всероссийской конференции «Новые технологии и научных исследованиях, проектировании, управлении, производстве» (Воронеж, 2005), XI Международной открытой научной конференции «Современные проблемы информатизации в информационных системах и телекоммуникациях» (Воронеж, 2006), III межвузовской научно-практической конференции «Тенденции развития современных информационных технологий, моделей экономических, правовых и управленческих систем» (Рязань, 2006), IV всероссийской научно-технической конференции «Вузовская наука — региону» (Вологда, 2006).

Публикации. Основные результаты диссертации опубликованы в 12 научных работах, в том числе I — в издании, рекомендованном ВАК РФ. В работах, опубликованных в соавторстве, лично соискателю принадлежит в: [51] - состав факторов, значимо влияющих на количественные показатели набора- [52] - постановка задачи нейросетевого моделирования набора в негосударственный вуз- [3, 50] - исследование качественного поведения критерия оптимальности временною лага- [53] - способ реализации модуля сдвига и структура линии задержкив [55] - способы кодирования переменных на этапе предобработки исходных данныхв [42] - алгоритм оптимизации вектора временных лагов- [41] - способ верификации процедуры поиска оптимальных временных лагов и результаты вычислительных экспериментов- [47, 54] - методы и технологии создания компонент системы прогнозирования.

Структура п объем работы. Диссертация состоит из введения, четырех глав, заключения, списка литературы из 124 наименований и приложения. Основная часть работы изложена на 119 страницах, содержит 7 таблиц и 40 рисунков.

Основные результаты работы.

В ходе проведении диссертационных исследований автором были получены следующие результаты.

1. Осуществлена формальная постановка и анализ задачи построения прогнозирующей нейронной сети с учетом временных латв. Обоснована необходимость нахождения многомерного временного лага как решения отдельной оптимизационной задачи.

2. Сформулирована задача поиска оптимального временного лага, минимизирующего ошибку предсказания нейросети. Предложен и обоснован метод для построения алгоритма поиска оптимального временного лага на основе анализа чувствительности нейросети к удалению входа, описывающего значение независимой переменной во временной точке, соответствующей оптимальной величине временного лага.

3. Осуществлена алгоритмизация построения оптимального многомерною лаг, а и верификация предложенного алгоритма.

4. Предложен алгоритм функционирования линии задержки, позволяющий учесть найденные значения временных лагов для каждой независимой переменной и сформировать корректные множества для обучения, тестирования нейросети и получения уточненного прогноза.

5. Структурированы компоненты специального программного обеспечения системы многомерных временных рядов с учетом временных лагов. Разработаны программные средства системы прогнозирования набора студентов в высшее учебное заведение.

6. Исследованы особенности прогнозирования количественных показателей набора студентов и определен состав факторов, оказывающих значимое влияние на рассматриваемый показатель и временной лаг по каждому из факторов.

7. Основные теоретические и практические результаты диссертации реализованы в Международном институте компьютерных технологий при создании системы прогнозирования набора студентов. Эффектом от внедрения результатов диссертации стало уменьшение корректив, вносимых ежегодно по результатам работы приемной комиссии МИК’Г, в утвержденную нагрузку преподавателей и штатное расписание, более четкое планирование профориентационной деятельности и цеповой политики вуза, выявление наиболее существенных факторов, влияющие на количественные характеристики набора в негосударственный вуз, и определение мероприятий, снижающих влияние негативных факторов.

Показать весь текст

Список литературы

  1. Абовский 1. П., Максимова О. М. 11ейросетсвая модель прогнозирования. — 1Шр:///1и!коу. vvallst. nl/neu2002/abovski.litni.
  2. П. П., Максимова О. М. Эффективный нейросетевой метод пошагового про! позирования и ею применение к многомерным задачам // НЕЙРОКОМПЬЮТЕРЫ, № 8−9, 2003. С. 112 — 126.
  3. В. М., Крючкова И. П., Кравец О. Я. Нейросстевое прогнозирование налоговых поступлений на смещенных временных рядах // Информационные технологии моделирования и управления, № 9(34), 2006.- С. 1122−1130.
  4. Айвазян С, А., Мхитарян В. С. Прикладная статистика и основы эконометрики. М.: ЮНИТИ, 1998. — 1022 с.
  5. В. А. Общие вопросы методологии и научного прогнозирования. -X, 1992.-230 с.
  6. А. Б. Нейронные сети: распознавание, управление, принятие решений. М.: Финансы и статистика, 2004. — 176 с.
  7. А., Владимирский Б. Устойчивое развитие университетов: подходы к принятию управленческих решений// Вестник высшей школы, № 6, 2003. С. З — 8.
  8. А. Г., Маидель А. С., Борзенко Н. И. и др. Экспертно-статистические системы прогнозирования коротких временных рядов и имитационно-оценочное моделирование // Проблемы управления, № 3, 2003 г. С. 30−38.
  9. Бес гене Д., ван ден Берг В., Вуд Д. Нейронные сети и финансовые рынки. Принятие решений в торговых операциях. М.: ТВП, 1997.
  10. Ю.Бобылев С. Н., Гнрусов Э. В., Перелет Р. А. Экономика устойчивого развития. М.: Ступени, 2004. — 303 с.
  11. Я. Г. Системное моделирование конъюнктуры фондового рынка // Весгиик ФА, № 1(29), 2004. С. 53−63.
  12. О., Яцепко В. Современное состояние негосударственных вузов России // Вопросы статистики, № 1, 1999. С. 45−50.
  13. М. Откуда берутся ИТ-специалисты. // Intelligent Enterprise, № 1 (111), 2005.-С. 28−32.
  14. Г. И., Любченко В. В., Полякова М. В. Моделирование временных рядов с использованием вей влет-сетей. // Искусственный интеллект, вып. 3, 2000.-С. 207−214.
  15. А. И. Теория нейронных сетей. М.: ИПЖР. -2000. -416 с.
  16. С. Е. Алгоритм оценки вторых производных целевой функции в ходе обучения нейронных сетей методом типа backpropagation // Нейрокомпьютеры, № 4,2002. С. 57- 63.
  17. В. JI. Высшее образование в России. Аналитический доклад (http://wvvvv.glazychev.ni/projects/obrdocl/2004obrdocl.htm)
  18. В. А. Нейронные сети: обучение, организация и применение. -М.: ИПРЖР, 2001.-256 с.
  19. А. Нейроипформатика и ее приложения (http://www.osp.ru/os/1998/04/05.htm)
  20. Г. В. Теория вероятностей и математическая статистика в примерах и задачах с применением Excel. Ростов н/Д: Феникс, 2006. — 475 с.
  21. А. Социальное неблагополучие: зависимость объективных и субъективных оценок, НС! I (http://www.nns.ru/analit/pol/table.html).
  22. Денежные доходы и расходы населения Воронежской области за 2002 -2005 гг.: аналитическая записка // Территор. орган Федерал, службы гос. стат. по Воронеж, обл. Воронеж, 2004. — 26 с.
  23. А. А., Шумский С. А. Нейрокомпьютинг и его применения в экономике и бизнесе (http://neuroschooI.narod.ru/books/ezshncmp.htmI).
  24. И. И., Юзбашев М. М. Общая теория статистики: Учебник / Под ред. чл.-корр. РАН И. И. Елисеевой. М.: Финансы и статистика, 1998. -368 с.
  25. ЗО.Жабко А. П., Зубов Н. В., Прасолов А. В. Методы исследования систем с последействием. Л., 1984, 238 с.
  26. Ф. С. Применение нейронных сетей в задачах математического моделирования тороидальной плазмы // Доклады Российской Академии наук, Т. 393, № 2, 2003. —С. 173−175.
  27. Ю.С., Дюльдина Э. В., Исмагилова Э. М. Нейросетевая модель прогнозирования выполнения стратегии качества обучения. // Известия Челябинского научного центра, вып. 1 (22), 2004. -С. 31−36.
  28. Р. Основные концепции нейронных сетей.: Пер. с англ. М.: Издательский дом «Вильяме», 2003. — 288 с.
  29. В. М., Махотило К. В. Нейросетевая модель прогнозирования потребления газа в жилищно-бытовом секторе // Вестн. Национального тенхн. ун-та «ХПИ», т. 1, № 12. Харьков: НТУ «ХП1», 2002. — С.299−301.
  30. В. А., Калинина В. Н. Теория вероятностей и математическая статистика: Учебник / Под ред. В. А. Колемасва. М.: ИНФРА-М, 1999. -302 с.
  31. О. Г. Формирование финансовых ресурсов системы профессионального образования (1Шр://онтют1−1.1105(1'пй.рагк|'пё.гп/геас1сг.а5р?потег=497).
  32. Концепция модернизации российского образования на период до 2010 года // Учительская газета, № 31,2002.
  33. Г., Корн Т. Справочник по математике (для научных работников и инженеров). М.: Наука, 1974. — 532 с.
  34. , В. Б., Политова С. В. Нейронные системы для моделирования причинности // Радиотехника и электропика, т.49, № 12,2004. С. 1452−1462.
  35. О. Я. Гибридные алгоритмы оптимизации моделей множественной регрессии на основе кросскорреляции // Информационные технологии моделирования и управления, № 4(22), 2005. С. 548−554.
  36. О. Я., Крючкова И. II. Исследование чувствительности нейросете-вой модели к наличию временного лага в задаче прогнозирования временных рядов // Территория науки, № 1, 2006. С.75−83.
  37. О. Я., Крючкова И. Н. Оптимизация параметров прогнозирующей нейронной сети //Системы управления и информационные технологии, № 2.1(24), 2006.-С. 154- 159.
  38. Н.Ш., Путко Б. А. Эконометрика: Учебник для вузов/ Под ред. проф. Н. Ш. Кремера. М.: ЮНИТП-ДАНА, 2003. — 311 с.
  39. В. А., Чумичкип К. В., Кондратюк А. В. Представление исходных данных в задачах нейросетевою про1 нозирова-ния (1шр:/Аг\гу.1|'Ьгагулпер1т1″.п.^а1а/5С"епИ*Пс-5е55юп5/2003/ыепго1/184.pdf.)
  40. В. В., Борисов В. В. Искусственные нейронные сети. Теория и практика. М.: Горячая линия Телеком, 2002. — 382 с.:ил.
  41. , Б. В., Магомедов Б. М., Микаэлян А. Л. Доменная модель нейронной сети // Доклады Российской Академии наук, 401, № 4, 2003. С. 462−466.
  42. И. Н., Дюнина Т. Г. Программа «Определение вектора ошимальных лагов для моделирования смещенных временных рядов». -ФАГ. ВНТИЦ. Per. N50200601119 от 03.07.2006.
  43. И. И., Кравец О. Я. Исследование особенностей иейросечевого моделирования социально-экономических процессов на смещенных временных рядах // Информационные технологии моделирования и управления, № 4(22), 2005. С. 494 — 501.
  44. И. Н., Старикова Т. И. Программа «Линия задержки для моделирования смешенных временных рядов». ФАП ВНТИЦ Per. N50200601117 от 03.07.2006.
  45. А. В., Санькова Т. А. Прогнозирование изменения контингента студентов как необходимый фактор планирования ресурсного обеспечения вуза // Университетское управление, № 4(23), 2002. С. 65−69.
  46. , М. С., Нестерук Л. Г. Вопросы технической реализации ней-росетевых информационных систем // Известия вузов. Приборостроение, т. 46, № 7,2003.-С. 63−69.
  47. И. А. Применение нейронных сетей с Gamma-памятыо для прогнозирования значений временных рядов // BKCC-CONNECT!, № 4, 2004.(http.7/www.connect.rn/jounial.asp?jid=329).
  48. М. А. Высшее учебное заведение на рынке образовательных услуг: актуальные проблемы управления. М.: Маркет ДС, 2003. — 358 с.
  49. Математические методы в экономике: Учебник / Под общ. ред. д.э.н., проф. Л. В. Сидоровича- МГУ им. М. В. Ломоносова. М.: Издательство «Дело и Сервис», 2004.
  50. В. И. Критерии и методы декомпозиции динамики макроэкономических показателей: Препринт WP2/2005/02. М.: ГУ ВШЭ, 2005. -60 с.
  51. Л. В., Лоскутов Л. И. Нейросетевые алгоритмы прогнозирования и оптимизации систем. М: Наука и Техника, 2003.
  52. Л. Е., Чухланцев А. А., Назарова 3. Т. Применение многослойных нейронных сетей для оценки влажности почвы по СВЧ радиометрическим измерениям // Информационные технологии, № 4, 2004. С. 23−28.
  53. Нейроинформатика / А. Н. Горбань, В. Л. Дунин-Барковский, А. II. Кир-дин и др. Новосибирск: Наука. Сибирское отделение РАН, 1998. — 296 с.
  54. Пейронные сети. STATISTICA Neural Networks: Пер. с англ. М.: Горячая линия — Телеком, 2002. — 382 с.:ил.
  55. Образование и культура в Воронежской области: стат.сб. // Воронеж, обл. комитет гос. стат. Воронеж, 1998. — 36 с.
  56. Образование и культура в Воронежской области: стат.сб. // Воронеж, обл. комитет гос. стат. Воронеж, 1999. — 39 с.
  57. Образование и культура в Воронежской области: стат.сб. // Воронеж, обл. комитет гос. стат. Воронеж, 2001. — 39 с.
  58. Образование и культура в Воронежской области: стат.сб. // Воронеж, обл. комитет гос. стат Воронеж, 2003. — 40 с.
  59. Образование и культура в Воронежской области: стат.сб. // Территор. ор-I ан Федерал, службы I ос. стат. по Воронеж, обл. Воронеж, 2004. — 68 с.
  60. Образование и культура в Воронежской области: сгат.сб. //Территор. орган Федерал, службы гос. стат. по Воронеж, обл. Воронеж, 2005. — 68 с.
  61. Образовательная политика России на современном этапе. Доклад Государственному Совету Российской Федерации // Высшее образование сегодня. 2001, № 2.С. VI.78.0совский С. Нейронные сети для обработки информации. М.: Финансы и статистика, 2004. — 344 с.
  62. II. Критерии устойчивого развития: муниципальные аспекты (http://www.n-t.org/tp/ns/kur.html).
  63. А. Н., Яисон И. Б., Анищенко В. С. Применение статистических методов при решении задачи глобальной реконструкции // Письма в ЖТФ, г. 23, № 8, 1997.-С.7−13.
  64. Д. Прогнозирование с помощью искусственных нейронных сетей (http://paukoff.fromru.com/neuro/wneuro/index.html).
  65. А. В. Математические модели динамики в экономике. СПб.: Изд-во СПбГУЭФ, 2000. — 247 с.
  66. Е. Г., Соловьенко К. Н. Высшая школа: стратегия выживания или стратегия развития? // Университетское управление, № 2(21), 2002. -С. 59−62.
  67. П. Е. Извлечение знаний из эмпирических данных, представленных временными рядами. (http://iu5.bmstu.ru/-philippoviclia/rrS/IST4b/ITS4/Rodionov.htm).
  68. П. Е. Методика извлечения знаний в задачах анализа рядов динамики с использованием нейронных сетей.: Дис.. канд. техн. наук: 05.13.17: М., 2003.
  69. Российский статистический ежегодник. 2004: Стат.сб./Росстат. М., 2004. — 725 с.
  70. Россия в цифрах, 2002: Крат.стат. сб./ Госкомстат России. М., 2002.
  71. Л. Новый вызов? // Высшее образование в России, № 1, 2002. С. 113.
  72. . Я., Яковлев С. А. Моделирование систем: Учеб. для вузов. -М.: Высш. шк., 2001.-343 с.
  73. Статистика: Учеб. иособие / Под ред. проф. М. Р. Ефимовой. М.1 ИНФРА-М, 2000.-336 с.
  74. Г. Прикладное экономическое прогнозирование. М.: Прогресс, 1970.-509 с.
  75. С. А. Типовые задачи для информационного моделирования с использованием нейронных сетей. Снежинск, 2000 (1шр://а11Те.паго11.п1/1сс1иге5/1а5к5/1"т1ех.1Пт1).
  76. Н. Л., Бадаева О. Н. Совершенствование процессов разработки и принятия управленческих решений в высших учебных заведениях- схема исследования // Университетское управление, № 5−6(33), 2004. С. 143−161.
  77. Ф. Нейрокомпьютерная техника: теория и практика. М.: Мир, 1992.
  78. Л. А., Кузьмин А. В. Интеллектуальные технологии управления. Искусственные нейронные сети и нечеткая лошка. М.: Горячая линия -Телеком, 2004. — 143 с.:ил.
  79. И. Ф, Золин П. М. Статистические проблемы качества ресурсного потенциала вузов России // Университетское управление, № 4(32) 2004. С. 7−18.
  80. С. Нейронные сети: полный курс. М.: ООО «И.Д. Вильяме», 2006.-1104 с.
  81. Г. Б. Обработка экспериментальных данных на ЭВМ. Часть! Обработка одномерных данных. СПб.: СПбГУТ, 2002.
  82. В.Г. Оптимизация предобработки данных: константа Липшица обучающей выборки и свойства обученных нейронных сетей // Нейрокомпьютеры: разработка, применение, № 7,2003. С.3−8.
  83. В.Г. Определение оптимального размера нейросети обратного распространения через сопоставление средних весов синапсов // Материалы XIV Международной конференции по нейрокибернетике, Рос-тов-на-Допу, 2005. С.60−64.
  84. Ю. С., Доленко С. А., Персианцев И. Г., Орлов 10. В. Нейросе-гевой алгоритм прогнозирования событий в многомерных временнЕпх рядах и его применение для анализа космофизических данных. (1тр:/^ичу.пе11горго.ес1.г11/Рарег8/81шуа1г118.рс10
  85. Эконометрика: Учебник для вузов / Под ред. проф. Н. Ш. Кремера. -ЮПИТИ-ДАНА, 2003.
  86. Akhmetov Daourcn F., Dote Yasuhiko, Ovaska Seppo J. Fuzzy neural network with general parameter adaptation for modeling of monlinear time-series // IEEE Trans. Neural Networks, vol. 12, no 1, 2001. pp. 148−151.
  87. Cao Fei-Long, Xu Zong-Ben. Neural network approximation for multivariate periodic functions: estimates on approximation order // J. Comput., 24, no 9, 2001.-pp. 903−908.
  88. Clielani A. B., Rao C. V. C., Phadke K. M., Hasan M. Z. Prediction of sulphur dioxide concentration using artificial neural networks // Environ. Model. Softw. (, vol. 17, no. 2,2002.-pp. 161−168.
  89. Costa M. Pasero E. Artificial neural systems for verglass forecasting // IEEE, vol. 1,2001.-pp. 258−262.
  90. Fukunaga Y., Inouc H., Narihisa H. Efficient hybrid neural network for chaotic time series prediction //Trans. Inst. Electron. Inf. Commun., vol. J85D-II, no. 4,2002. pp. 689−694.
  91. Jong Hoon Kim, Yong Hyup Kim. A predictor-corrector method for structural nonlinear analysis // Comput. Methods Appl. Mech., vol. 191, no. 8−10, 2001.-pp. 959−974.
  92. Kon M., Plaskota L. Complexity of neural network approximation with limited information: a worst case approach //J. Complexity, vol. 17, no. 2, 2001. -pp. 345−365.
  93. Leustean L. Liquid flow time series prediction using feedforward neural networks and Rprop learning algorithm // Stud. Inf. Control (Romania), vol. 10, no 4,2001.-pp. 287−299.
  94. Perez P., Reyes J. Prediction of particulate air pollution using neural techniques//Neural Comput. Appl., vol. 10, no. 2,2001. pp.165−171.
  95. Shukla K.K. Neuro-genetic prediction of software development effort // Inf. And Software Technol., 42, № 10,2000. pp. 701−713.
  96. Staniewski P. Prediction in time scries: Treshold models and neural nets. -Proc. 12lh Int. Conf. Syst. Sci., Wroclaw, 12−15 Sept., 1995, vol. 1, 1995. pp. 311−318.
  97. Tadeusicvvicz R., Lula P. Neural networks analysis of time series data I I Informatica, 25, no. 1,2001. pp. 3−10.
  98. Takens F. Detecting strange attractors in turbulence, I I Vol. 898 of Lecture Notesin Mathematics, 1981. pp. 366−381.
  99. Vassiliadis Stamatis, Zhang Ming, Delgado-Frias Jose G. Elementary function generators for neural-network emulators. IEEE Trans. Neural Networks. 2000. 11, № 6, pp. 1438−1449.
  100. Zhang G.P. An investigation of neural networks for linear time-series forecasting. Comput. Res., vol. 28, no. 12,2001. — pp. 1183−1202.
  101. Zliu Hanxi, Aoyama Tomoo. An iterative expression of the function: in case of the neural network. Mem. Fac. Eng. Miyazaki Univ., № 29, 2000. — pp. 145−156.
Заполнить форму текущей работой

Заказал и сдал!