📄Работа №53303
Тема: Анализ временных рядов с использованием искусственных нейронных сетей
Тип работы
Бакалаврская работа
Предмет
физика
Объем:
67 листов
Год:
2017
Просмотров:
311
4335
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
Введение
Глава 1 Использование искусственных нейронных сетей в задачах прогнозирования временных рядов 5
1.1 Анализ временных рядов 5
1.1.2 Метод погружения. Теорема Такенса 7
1.2 Искусственные нейронные сети 8
1.2.1 Метод нейробиологии 8
1.2.2 Биологический нейрон 8
1.2.3 Нейронные сети 11
1.2.4 Биологическая изменчивость и обучение нейронных сетей 14
1.2.5 Преимущества искусственных нейронных сетей 16
1.2.6 Модель нейрона 19
1.2.7 Многослойный персептрон 22
1.2.8 Метод обратного распространения 25
Глава 2 Исследование влияния различных параметров на качество нейросетевого прогноза 28
2.1 Описание временных рядов 28
2.1.1 Аттрактор Лоренца 28
2.1.1.2 Применимость и соответствие реальности 29
2.1.2 Солнечные пятна 31
2.2 Исследование временных рядов 34
2.2.1 Временной ряд с числом солнечных пятен 34
2.2.1.1 Изменение архитектуры искусственной нейронной сети
2.2.1.2 Изменение горизонта прогнозирования 38
2.2.1.3 Изменение глубины вложения в лаговое пространство 44
2.2.2 Временной ряд значений переменной х аттрактора Лоренца 48
2.2.2.1 Изменение архитектуры искусственной нейронной сети 48
2.22.2 Изменение горизонта прогнозирования 52
2.2.2.3 Изменение глубины вложения в лаговое пространство 56
Заключение 60
Список используемой литературы 61
Приложение 62
Глава 1 Использование искусственных нейронных сетей в задачах прогнозирования временных рядов 5
1.1 Анализ временных рядов 5
1.1.2 Метод погружения. Теорема Такенса 7
1.2 Искусственные нейронные сети 8
1.2.1 Метод нейробиологии 8
1.2.2 Биологический нейрон 8
1.2.3 Нейронные сети 11
1.2.4 Биологическая изменчивость и обучение нейронных сетей 14
1.2.5 Преимущества искусственных нейронных сетей 16
1.2.6 Модель нейрона 19
1.2.7 Многослойный персептрон 22
1.2.8 Метод обратного распространения 25
Глава 2 Исследование влияния различных параметров на качество нейросетевого прогноза 28
2.1 Описание временных рядов 28
2.1.1 Аттрактор Лоренца 28
2.1.1.2 Применимость и соответствие реальности 29
2.1.2 Солнечные пятна 31
2.2 Исследование временных рядов 34
2.2.1 Временной ряд с числом солнечных пятен 34
2.2.1.1 Изменение архитектуры искусственной нейронной сети
2.2.1.2 Изменение горизонта прогнозирования 38
2.2.1.3 Изменение глубины вложения в лаговое пространство 44
2.2.2 Временной ряд значений переменной х аттрактора Лоренца 48
2.2.2.1 Изменение архитектуры искусственной нейронной сети 48
2.22.2 Изменение горизонта прогнозирования 52
2.2.2.3 Изменение глубины вложения в лаговое пространство 56
Заключение 60
Список используемой литературы 61
Приложение 62
📖 Введение
В настоящее время для изучения свойств сложных систем, широко используется анализ временных рядов, произведенных системой. Задача анализа временных рядов, является актуальной и возникает во многих областях науки и техники. Одним из актуальных подходов к анализу данных и временных рядов в частности является подход основанный на использовании искусственных нейронных сетей. Целью работы является исследование влияния различных параметров на качество нейросетевого прогноза. Для достижения поставленной цели в данной работе будут решаться задачи:
1. исследование зависимости ошибки прогнозирования от архитектуры искусственной нейронной сети;
2. исследование зависимости ошибки прогнозирования от горизонта прогнозирования;
3. исследование зависимости ошибки прогнозирования от глубины погружения в лаговое пространство.
Исследование прогнозирования будет осуществляться на примере временного ряда ежесуточного числа солнечных пятен и временного ряда одной из координат аттрактора Лоренца.
Выбор искусственных нейронных сетей обусловлен тем, что представляют собой технологию, уходящую корнями во множество дисциплин: нейрофизиологию, математику, статистику, физику, компьютерные науки и технику. Они находят свое применение в таких разнородных областях, как моделирование, анализ временных рядов, распознавание образов, обработка сигналов и управление благодаря одному важному свойству — способности обучаться на основе данных при участии учителя или без его вмешательства.
1. исследование зависимости ошибки прогнозирования от архитектуры искусственной нейронной сети;
2. исследование зависимости ошибки прогнозирования от горизонта прогнозирования;
3. исследование зависимости ошибки прогнозирования от глубины погружения в лаговое пространство.
Исследование прогнозирования будет осуществляться на примере временного ряда ежесуточного числа солнечных пятен и временного ряда одной из координат аттрактора Лоренца.
Выбор искусственных нейронных сетей обусловлен тем, что представляют собой технологию, уходящую корнями во множество дисциплин: нейрофизиологию, математику, статистику, физику, компьютерные науки и технику. Они находят свое применение в таких разнородных областях, как моделирование, анализ временных рядов, распознавание образов, обработка сигналов и управление благодаря одному важному свойству — способности обучаться на основе данных при участии учителя или без его вмешательства.
✅ Заключение
В ходе работы были проанализированы временной ряд ежесуточного числа солнечных пятен и временной ряд значений одной из координат аттрактора Лоренца.
Происследовав зависимости ошибки прогнозирования от архитектуры искусственной нейронной сети временного ряда ежесуточного числа солнечной активности, выявили, что после увеличения количества нейронов равном 30 ошибка прогнозирования начинает приближаться к асимтотическому значению равному 18,32. Для временного ряда значений переменной х аттрактора Лоренца, после увеличения количества нейронов равном 30 ошибка прогнозирования начинает приближаться к асимтотическому значению равному
3,5. Дальнейшее усложнение искусственной нейронной сети не приводит к уменьшению ошибки.
Проанализировав зависимости ошибки прогнозирования от изменения горизонта прогнозирования временного ряда ежесуточного числа солнечной активности, выявили, что ошибка прогнозирования перестает расти после горизонта прогнозирования в 12 шагов и асимтотическое значение ошибки равно 55, а для временного ряда значений переменной х аттрактора лоренца ошибка прогнозирования перестает расти после горизонта прогнозирования в 24 шага и ошибка равна 7,4. Что скорее всего говорит о невозможности прогнозирования с горизонтом превышающем данное значение.
Также была установлена оптимальная глубина вложения в лаговое пространство: для временного ряда ежесуточного числа солнечной активности глубина равная 20 и ошибка равна 47,3, а для временного ряда значений переменной х аттрактора лоренца глубина вложения равна 4 и ошибка равна 3,5. Дальнейшее увеличение глубины вложения не приводит к уменьшению ошибки.
Происследовав зависимости ошибки прогнозирования от архитектуры искусственной нейронной сети временного ряда ежесуточного числа солнечной активности, выявили, что после увеличения количества нейронов равном 30 ошибка прогнозирования начинает приближаться к асимтотическому значению равному 18,32. Для временного ряда значений переменной х аттрактора Лоренца, после увеличения количества нейронов равном 30 ошибка прогнозирования начинает приближаться к асимтотическому значению равному
3,5. Дальнейшее усложнение искусственной нейронной сети не приводит к уменьшению ошибки.
Проанализировав зависимости ошибки прогнозирования от изменения горизонта прогнозирования временного ряда ежесуточного числа солнечной активности, выявили, что ошибка прогнозирования перестает расти после горизонта прогнозирования в 12 шагов и асимтотическое значение ошибки равно 55, а для временного ряда значений переменной х аттрактора лоренца ошибка прогнозирования перестает расти после горизонта прогнозирования в 24 шага и ошибка равна 7,4. Что скорее всего говорит о невозможности прогнозирования с горизонтом превышающем данное значение.
Также была установлена оптимальная глубина вложения в лаговое пространство: для временного ряда ежесуточного числа солнечной активности глубина равная 20 и ошибка равна 47,3, а для временного ряда значений переменной х аттрактора лоренца глубина вложения равна 4 и ошибка равна 3,5. Дальнейшее увеличение глубины вложения не приводит к уменьшению ошибки.
ИЛИ
Поиск аналога
📕 Список литературы
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.