📄Работа №202731
Тема: Исследование нейросетевого экстраполятора радиотехнического сигнала
Характеристики работы
Тип работы
Дипломные работы, ВКР
Предмет
Информатика и вычислительная техника
Объем:
79 листов
Год:
2017
Просмотров:
70
4790
руб.
🛒 Купить работу
Не подходит эта работа?
Закажите новую по вашим требованиям
Узнать цену на написание
Закажите новую по вашим требованиям
Представленный материал является образцом учебного исследования, примером структуры и содержания учебного исследования по заявленной теме. Размещён исключительно в информационных и ознакомительных целях.
Workspay.ru оказывает информационные услуги по сбору, обработке и структурированию материалов в соответствии с требованиями заказчика.
Размещение материала не означает публикацию произведения впервые и не предполагает передачу исключительных авторских прав третьим лицам.
Материал не предназначен для дословной сдачи в образовательные организации и требует самостоятельной переработки с соблюдением законодательства Российской Федерации об авторском праве и принципов академической добросовестности.
Авторские права на исходные материалы принадлежат их законным правообладателям. В случае возникновения вопросов, связанных с размещённым материалом, просим направить обращение через форму обратной связи.
Настоящий учебно-методический информационный материал размещён в ознакомительных и исследовательских целях и представляет собой пример учебного исследования. Не является готовым научным трудом и требует самостоятельной переработки.
📋 Содержание
РЕФЕРАТ 2
ОБОЗНАЧЕНИЯ И СОКРАЩЕНИЯ б
ВВЕДЕНИЕ..... 7
1 Генетический алгоритм 9
1.1 Основа теории о генетическом алгоритме 9
1.2 Результаты практического исследования 17
2 Искусственная нейронная сеть 28
2.1 Основа теории нейронной сети 28
2.1.1 Модель нейрона 32
2.1.2 Типы функций активаций 34
2.13 Архитектура сетей 35
2.1.4 Алгоритмы обучения 38
2.2 Результаты практического исследования 43
3 Нейросетевой экстраполятор с использование генетического алгоритма при
обучении 48
4 Организационно-экономический раздел ..52
4.1 Составление и расчет параметров сетевого графика 53
4.1.1 Перечень, параметры и вероятностные характеристики работ.. 55
4.1.2 Расчет параметров событий сетевого графика ..58
4.13 Расчёт параметров работ сетевого графика 59
4.1.4 Расчёт параметров сетевого графика в целом 60
4.2 Расчёт стоимостных параметров сетевого графика 61
4.2.1 Расчёт материальных затрат 61
4.2.2 Расчёт стоимости контрагентских услуг 61
4.23 Расчет стоимости покупных изделий 62
4.2.4 Расчет стоимости заработной платы 62
4.2.5 Расчет стоимости накладных расходов 62
4.2.6 Расчет стоимости полной сметы затрат 63
4.3 Анализ технике-экономической эффективности 63
5 Безопасность жизнедеятельности 65
5.1 Требования к помещениям для работы с ПЭВМ 65
5.2 Требования к микроклимату, содержанию аэрононов и вредных
химических веществ в воздухе 66
5.3 Требования к уровням шума и вибрации 68
5.4 Требования к освещению на рабочих местах 69
5.5 Требования к уровням электромагнитных полей 71
5.6 Общие требования к организации рабочих мест пользователей... 71
5.7 Анализ собственного рабочего места 73
ЗАКЛЮЧЕНИЕ 75
БИБЛИОГРАФИЧЕСКИЙ СПИСОК 76
ПРИЛОЖЕНИЯ
ПРИЛОЖЕНИЕ А. Листинг программы 77
ОБОЗНАЧЕНИЯ И СОКРАЩЕНИЯ б
ВВЕДЕНИЕ..... 7
1 Генетический алгоритм 9
1.1 Основа теории о генетическом алгоритме 9
1.2 Результаты практического исследования 17
2 Искусственная нейронная сеть 28
2.1 Основа теории нейронной сети 28
2.1.1 Модель нейрона 32
2.1.2 Типы функций активаций 34
2.13 Архитектура сетей 35
2.1.4 Алгоритмы обучения 38
2.2 Результаты практического исследования 43
3 Нейросетевой экстраполятор с использование генетического алгоритма при
обучении 48
4 Организационно-экономический раздел ..52
4.1 Составление и расчет параметров сетевого графика 53
4.1.1 Перечень, параметры и вероятностные характеристики работ.. 55
4.1.2 Расчет параметров событий сетевого графика ..58
4.13 Расчёт параметров работ сетевого графика 59
4.1.4 Расчёт параметров сетевого графика в целом 60
4.2 Расчёт стоимостных параметров сетевого графика 61
4.2.1 Расчёт материальных затрат 61
4.2.2 Расчёт стоимости контрагентских услуг 61
4.23 Расчет стоимости покупных изделий 62
4.2.4 Расчет стоимости заработной платы 62
4.2.5 Расчет стоимости накладных расходов 62
4.2.6 Расчет стоимости полной сметы затрат 63
4.3 Анализ технике-экономической эффективности 63
5 Безопасность жизнедеятельности 65
5.1 Требования к помещениям для работы с ПЭВМ 65
5.2 Требования к микроклимату, содержанию аэрононов и вредных
химических веществ в воздухе 66
5.3 Требования к уровням шума и вибрации 68
5.4 Требования к освещению на рабочих местах 69
5.5 Требования к уровням электромагнитных полей 71
5.6 Общие требования к организации рабочих мест пользователей... 71
5.7 Анализ собственного рабочего места 73
ЗАКЛЮЧЕНИЕ 75
БИБЛИОГРАФИЧЕСКИЙ СПИСОК 76
ПРИЛОЖЕНИЯ
ПРИЛОЖЕНИЕ А. Листинг программы 77
📖 Аннотация
В данной работе проведено исследование нейросетевого экстраполятора для прогнозирования радиотехнических сигналов. Актуальность исследования обусловлена повсеместной потребностью в точных методах прогнозирования для повышения эффективности технических систем, где традиционные экстраполяционные методы часто демонстрируют ограниченную точность, особенно на долгосрочных интервалах. Основным результатом является разработка и тестирование модели искусственной нейронной сети (ИНС) в среде MATLAB, обученной с применением генетического алгоритма для оптимизации её параметров. Практическое тестирование на синтезированных сигналах показало, что предложенный подход обеспечивает приемлемую точность для краткосрочного прогнозирования, о чём свидетельствует полученное значение среднеквадратической ошибки, равное 8.24, однако для долгосрочных прогнозов наблюдается накопление погрешности, характерное для экстраполяционных методов. Научная значимость работы заключается в комплексном анализе гибридного подхода, сочетающего нейронные сети и эволюционные алгоритмы, а практическая — в возможности применения разработанного экстраполятора в системах обработки сигналов и управления. Теоретической основой исследования послужили фундаментальные труды по нейронным сетям С. Хайкина и С. Осовского, работы по генетическим алгоритмам Д. Рутковской и В.А. Мищенко, а также методические материалы по оптимизации в MATLAB А.Л. Гольдштейна.
📖 Введение
Процесс прогнозирования актуален в современном мире, поскольку в процессе своей деятельности при решении задач различной степени сложности каждая организация или предприятие рано или поздно сталкивается с потребностью общематематического обоснования принимаемых решений. Такие решения в большинстве своем направлены на повышение эффективности производственной деятельности.
Сфера применения методов прогнозирования охватывает области технических, военных, биологических и социально-экономических дисциплин. Прогнозирование, являющееся процессом определения эвентуального предположения о предстоящем состоянии объекта прогнозирования на основе динамики его изменения, позволяет избежать неверных, ранних или поздних решений. В большинстве случаев, прогнозы носят ориентировочный характер.
На сегодняшний момент в технических системах применяются в основном экстраполяционные методы прогнозирования, предоставляющие возможность делать ориентировочные выводы относительно разных процессов, явлений, реакций, операций. Как бы то ни было, применение нейросетевых моделей прогнозирования, позволяющих работать со смешанной информацией и применить в качестве первичной фактографическую и экспертную информацию, позволяет повысить достоверность и точность краткосрочных и долгосрочных прогнозов.
На настоящий момент существуют целой ряд прогнозных моделей и программных комплексов отечественных и зарубежных разработчиков, которые позволяют выполнять прогнозирование электропотребления с требуемой для пользователей точностью, но в ряде случаев, в частности, при диспетчерском управлении в энергосистемах результаты по точности краткосрочного и оперативного прогнозирования не всегда удовлетворяют возрастающим требованиям.
Сфера применения методов прогнозирования охватывает области технических, военных, биологических и социально-экономических дисциплин. Прогнозирование, являющееся процессом определения эвентуального предположения о предстоящем состоянии объекта прогнозирования на основе динамики его изменения, позволяет избежать неверных, ранних или поздних решений. В большинстве случаев, прогнозы носят ориентировочный характер.
На сегодняшний момент в технических системах применяются в основном экстраполяционные методы прогнозирования, предоставляющие возможность делать ориентировочные выводы относительно разных процессов, явлений, реакций, операций. Как бы то ни было, применение нейросетевых моделей прогнозирования, позволяющих работать со смешанной информацией и применить в качестве первичной фактографическую и экспертную информацию, позволяет повысить достоверность и точность краткосрочных и долгосрочных прогнозов.
На настоящий момент существуют целой ряд прогнозных моделей и программных комплексов отечественных и зарубежных разработчиков, которые позволяют выполнять прогнозирование электропотребления с требуемой для пользователей точностью, но в ряде случаев, в частности, при диспетчерском управлении в энергосистемах результаты по точности краткосрочного и оперативного прогнозирования не всегда удовлетворяют возрастающим требованиям.
✅ Заключение
В ходе данной дипломной работе была смоделирована искусственная нейронная сеть в среде для программирования MatLab и исследован, метод оптимизации, генетический алгоритм в целях обучения нейронной сети. Были сформированы обучающий сигнал и сигнал для тестирования системы.
Тестирование нейронной сети показало, что применяемый в прогнозировании метод экстраполяции не дает точных результатов на долгосрочный прогноз, потому что данный метод исходит из прошлого и настоящего, и тем самым погрешность накапливается. Этот метод дает положительные результаты на краткосрочную перспективу прогнозирования тех или иных объектов. Среднеквадратическая ошибка равна 8,24
Тестирование нейронной сети показало, что применяемый в прогнозировании метод экстраполяции не дает точных результатов на долгосрочный прогноз, потому что данный метод исходит из прошлого и настоящего, и тем самым погрешность накапливается. Этот метод дает положительные результаты на краткосрочную перспективу прогнозирования тех или иных объектов. Среднеквадратическая ошибка равна 8,24
ИЛИ
Поиск аналога
📕 Список литературы
🖼 Скриншоты
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.