Романюк О.С. Нейромережеве прогнозування нестаціонарних послідовностей. – Кваліфікаційна наукова праця на правах рукопису. Дисертація на здобуття ступеня доктора філософії за спеціальністю 122 «Комп’ютерні науки» (12 – Інформаційні технології). – Харківський національний університет радіоелектроніки, Міністерство освіти і науки України, Харків, 2021. Дисертаційну роботу присвячено актуальному завданню створення математичних моделей, методів, алгоритмів та програм, орієнтованих на розв’язання задач прогнозування нестаціонарних послідовностей, які є складовими сучасних комп’ютерних технологій. У дисертаційній роботі на основі отриманих теоретичних і експериментальних досліджень вирішена задача побудови нейромережевих методів прогнозування нестаціонарних послідовностей, які на відміну від існуючих, прискорюють процес прогнозування та збільшують його точність в умовах апріорної і поточної невизначеності і наявності завад. Метою дисертаційної роботи є розробка нейромережевих методів і моделей прогнозування нестаціонарних послідовностей з підвищеною точністю за наявності апріорної і поточної невизначеності. Об'єкт дослідження – процеси прогнозування нестаціонарних часових рядів. Предмет дослідження – методи та моделі прогнозування нестаціонарних часових рядів на основі штучних нейронних мереж. Методи дослідження. В роботі використані методи теорії обчислювального інтелекту, а саме, методи теорії штучних нейронних мереж, що дозволило синтезувати нейромережеві моделі та отримати процедури їх навчання; методи теорії оптимізації, за допомогою яких були синтезовані швидкодіючі процедури навчання; методи робастного оцінювання, на основі яких були синтезовані робастні процедури навчання нейромережевих моделей; методи імітаційного моделювання, що дозволили підтвердити ефективність отриманих результатів та розробити рекомендації щодо їх практичного використання. Експериментальні дослідження проводилися в лабораторних умовах і на реальних об'єктах. Наукова новизна дисертаційної роботи полягає в такому: 1. Вперше запропоновано використання для навчання штучної нейронної мережи АДАЛІНИ в задачі оцінювання параметрів, які описуються марківською моделлю першого порядку, регуляризованих алгоритмів Качмажа та Нагумо-Ноди. Визначено умови збіжності та отримано неасимптотичні оцінки точності цих алгоритмів, що дозволяє встановити потенційно можливий виграш від їх використання. 2. Вперше запропоновано використання в задачах прогнозування комбінованого функціоналу, який складається з критерію четвертого ступеня і модульного, та градієнтну процедуру його мінімізації. Досліджено умови збіжності процедури в середньому і середньоквадратичному. Отримано аналітичні оцінки неасимптотичних та асимптотичних значень помилки оцінювання параметрів моделі та точності її ідентифікації, що забезпечило робастність оцінок шуканих параметрів мережі. 3. Отримав подальший розвиток нейромережевий метод прогнозування який, на відміну від існуючих використовує рекурентну форму l-крокової проекційної процедури навчання, що дозволило підвищити швидкість навчання штучної нейронної мережі. 4. Удосконалено метод вибору оптимальних значень параметрів процедур навчання, що дозволяє забезпечити максимальну швидкість збіжності процедур і їхню стійкість та попередньо оцінити досліднику можливості та ефективність процедур, які використовуються, під час вирішення практичних завдань. 5. Отримав подальший розвиток метод факторизації l-крокових процедур навчання штучних нейронних мереж, що дозволило поліпшити їх обчислювальні властивості та підвищити стійкість. У дисертаційній роботі проведено аналіз стану проблеми прогнозування. На основі системного підходу проаналізовано існуючі підходи до застосування нейронних мереж для вирішення задачі прогнозування і описані основні типи, які при цьому використовуються, сформульовано мету та задачі дослідження. Пропонується вирішення комплексу взаємопов’язаних завдань, яке полягає у розробці методів та моделей прогнозування на основі штучних нейронних мереж. Розглянуто питання застосування нейронних мереж для вирішення завдань прогнозування нестаціонарних часових рядів і описані основні типи штучних нейронних мереж. Розглянуто багатошаровий персептрон в якості нейромережевої моделі для прогнозування. Описано процедуру вибору його структури та запропоновано процедуру навчання. Вивчено умови її збіжності та отримано вираз для оптимального значення параметра збіжності, що дозволяє зменшити час навчання мережі. Запропоновано та досліджено використання для навчання штучної нейронної мережи АДАЛІНИ в заданні оцінювання параметрів, які описуються марківською моделлю першого порядку, регуляризованих алгоритмів Качмажа та Нагумо-Ноди. З метою отримання робастних оцінок шуканих параметрів штучних нейронних мереж використано комбінований функціонал, що складається з критерію четвертого ступеня та модульного критерію. Досліджено градієнтну процедуру мінімізації функціоналу.

Постачальник даних: УкрІНТЕІ (Український Інститут науково-технічної експертизи та Інформації)

  Завантажити автореферат