авторефераты диссертаций БЕСПЛАТНАЯ БИБЛИОТЕКА РОССИИ

КОНФЕРЕНЦИИ, КНИГИ, ПОСОБИЯ, НАУЧНЫЕ ИЗДАНИЯ

<< ГЛАВНАЯ
АГРОИНЖЕНЕРИЯ
АСТРОНОМИЯ
БЕЗОПАСНОСТЬ
БИОЛОГИЯ
ЗЕМЛЯ
ИНФОРМАТИКА
ИСКУССТВОВЕДЕНИЕ
ИСТОРИЯ
КУЛЬТУРОЛОГИЯ
МАШИНОСТРОЕНИЕ
МЕДИЦИНА
МЕТАЛЛУРГИЯ
МЕХАНИКА
ПЕДАГОГИКА
ПОЛИТИКА
ПРИБОРОСТРОЕНИЕ
ПРОДОВОЛЬСТВИЕ
ПСИХОЛОГИЯ
РАДИОТЕХНИКА
СЕЛЬСКОЕ ХОЗЯЙСТВО
СОЦИОЛОГИЯ
СТРОИТЕЛЬСТВО
ТЕХНИЧЕСКИЕ НАУКИ
ТРАНСПОРТ
ФАРМАЦЕВТИКА
ФИЗИКА
ФИЗИОЛОГИЯ
ФИЛОЛОГИЯ
ФИЛОСОФИЯ
ХИМИЯ
ЭКОНОМИКА
ЭЛЕКТРОТЕХНИКА
ЭНЕРГЕТИКА
ЮРИСПРУДЕНЦИЯ
ЯЗЫКОЗНАНИЕ
РАЗНОЕ
КОНТАКТЫ


Pages:     | 1 |   ...   | 5 | 6 ||

«МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ Государственное образовательное учреждение высшего профессионального образования УЛЬЯНОВСКИЙ ГОСУДАРСТВЕННЫЙ ТЕХНИЧЕСКИЙ ...»

-- [ Страница 7 ] --

Временной ряд № Временной ряд №6 (рис. 6.18) содержит данные о среднегодовой темпе ратуре в г. Мюнхене с 1925 по 1985 гг. [Корнеев и др., 2000]. Результаты про гноза по авторским нечетким моделям в сравнении с другими нечеткими моде лями представлены в табл. 6.12.

Рис. 6.18. Временной ряд «Погода в Мюнхене»

Таблица 6. Сравнение нечетких моделей для прогноза ВР № 9. Модель МАРЕ TTend MSE 0,67 0 0, 10. F2S(10,1,1) 11. D(10,3,1) 2,7 0 0, 12. S (10,3,1) 5,6 50 0, Контрольные вопросы 1. Какие модели включает в себя программная система FuzzyTend?

2. Какие показатели качества использованы в программе FuzzyTend?

3. В чем особенности и отличия от аналогов программной системы FuzzyTend?

4. Как могут в программе быть использованы интеллектуальные модели?

5. Что представляется собой библиотека моделей временных рядов?

6. Для его предназначен пакет программ FuzzyTend.

Выводы Программная система нечеткого моделирования и анализа нечетких тен денций FuzzyTend, рассмотренная в настоящей главе, является эксперименталь ной реализацией структурно-лингвистического подхода к нечеткому моделиро ванию временных рядов. Она может быть использована для исследования при менимости предложенных нечетких моделей, а также и для моделирования временных рядов и извлечение знаний о параметрах элементарных тенденций.

Исследование разработанных моделей и методов в программной системе нечеткого моделирования временных рядов в терминах нечетких элементарных тенденций показало, что чем выше порядок модели, тем выше качество модели.

На основе проведенного анализа можно сделать вывод не только о полезности представленных нечетких моделей ВР, но и о результативности использования алгоритма отбора правил, который во многих случаях повышает точность мо делирования (и прогноза) в числовом выражении и в терминах нечетких эле ментарных тенденций (по критерию TTend).

Отличием данной программной системы моделирования ВР по сравне нию с аналогами является то, что в ней реализованы автоматический подбор интеллектуальных моделей, извлечение дополнительных знаний из ВР о зави симостях между нечеткими элементарными тенденциями и естественно языковая интерпретация результатов. Проведенный сравнительный анализ по казал, что предлагаемый метод нечеткого моделирования ВР может конкуриро вать с известными методами нечеткого моделирования, а также в краткосроч ном прогнозе может генерировать более точные числовые оценки будущих тенденций по сравнению со статистическими моделями для некоторых неста ционарных временных рядов. Кроме моделирования и прогнозирования ВР в терминах нечетких тенденций и числовых оценок, в программной системе реа лизован алгоритм извлечения ассоциативных правил, для каждого из которых вычислено соответствующее значение коэффициента поддержки. Данные зна ния, выраженные в лингвистической форме «ЕСЛИ-ТО», могут быть исполь зованы для поддержки принятия решений в экспертной системе или лицом, принимающим решения.

Библиографический список 1. [Huarng, 2006] Huarng, K. The application of neural networks to forecast fuzzy time series / K. Huarng // Physica. – 2006. – A 336. – Р. 481-491.

2. [Perfilieva, 2006] Perfilieva, I. Fuzzy transforms: Theory and applications / I. Perfilieva // Fuzzy Sets and Systems. – 2006. – №157.

3. [Song, 1993] Song, Q. Forecasting enrollments with fuzzy time series – Part I / Q. Song, B. Chissom // Fuzzy Sets and Systems. – №54 (1993). – Р. 1-9.

4. [ah, 2004] ah, M. Forecasting Enrollment Model Based on First-Order Fuzzy Time Series / M. ah, K. Y. Degtiarev // Proc. Int. Conf. Computational Intelligence (ICCI) (2004). – Р. 375-378.

5. [Афанасьева и др., 2009] Афанасьева, Т. В. Программная реализация ин тегрального метода нечеткого моделирования и анализа нечетких тен денций временных рядов / Т. В. Афанасьева, А. Г. Чекмарев, Д. Е. Са вельев // Сборник трудов всероссийской конференции «Проведение науч ных исследований в области обработки, хранения, передачи и защиты информации». Т.2. – Ульяновск : УлГТУ, 2009. – С. 542-549.

6. [Корнеев, 2000] Корнеев, В. В. Базы данных. Интеллектуальная обработка информации / В. В. Корнеев. – М. : «Нолидж», 2000. – С. 191-192.

7. [Кремер, 2007] Кремер, Н. Ш. Теория вероятностей и математическая статистика: учебник для студентов вузов, обучающихся по экономиче ским специальностям / Н. Ш. Кремер. – 3-е изд., перераб. и доп. – М. :

ЮНИТИ-ДАНА, 2007. – С. 494-495.

ЗАКЛЮЧЕНИЕ Учебное пособие посвящено проблеме моделирования временных рядов.

Данная проблема порождена, с одной стороны, ростом информации, хранимой в БД, которая может быть организована в виде ВР, а с другой стороны, не- го товностью специалистов различного профиля выполнять анализ таких объемов данных. Новые требования пользователей к системам моделирования ВР, из влеченных из БД, определили и новые задачи, среди которых обнаружение тен денций, их качественная оценка и прогноз выступают как отдельная задача анализа ВР.

На основе обобщения методологических положений различных подходов к моделированию ВР, удовлетворяющих новым требованиям пользователей, определены перспективы развития систем моделирования и анализа ВР в на правлении Time Series Data Mining в виде интеграции интеллектуальных моде лей и анализа нового объекта ВР – нечеткой тенденции.

Рассмотренный структурно-лингвистический подход представляет собой интеграцию нечетких шкал, нечетких моделей и нейронных сетей, ориентиро ван на анализ новых нечетких объектов временного ряда – нечетких тенденций.

По результатам исследования моделей нечетких тенденций в авторской про граммной системе FuzzyTend можно сделать вывод об их полезности и продук тивности в качестве метода извлечения из ВР новых знаний о качественной оценке текущего и будущего состояний, о типичных и аномальных тенденциях, об имевших место качественных изменениях и их прогнозе.

Дальнейшее развитие структурно-лингвистического подхода к моделиро ванию ВР связано с разработкой нового интегрального метода нечеткого моде лирования временных рядов и анализа тенденций и исследованием его возмож ностей и ограничений применительно к различным классам временных рядов.

ГЛОССАРИЙ Временной ряд – это последовательность дискретных упорядоченных в неслучайные рав ноотстоящие моменты времени измерений (показателей, наблюдений) y(t1), y(t2), …, y(tN), характеризующих уровни состояний изучаемого процесса, протекающего в условиях неоп ределенности.

Диагностика – это процесс поиска неисправностей, проблем, дефектов, аномалий или их отсутствия.

Интерпретация – это процесс обработки данных для описания состояния и динамики про цесса с целью определения их смыслового значения.

Искусственные нейронные сети – это вычислительные модели, построенные по принципу организации и функционирования биологических нейронных сетей.

Классификация – распознавание общей нечеткой тенденции НВР как вывод нечеткой ак сиомы грамматики языка LANG.

Кластеризация – построение лексики языка LANG: образование локальных нечетких тен денций.

Лингвистическая оценка – средство качественного оценивания и сравнения характери стик элементов систем, используемые проектировщиками, менеджерами, лицами, прини мающими решения (ЛПР), экспертами.

Лингвистическая переменная – это переменная, значениями которой являются слова или высказывания естественного или искусственного языка.

Локальная нечеткая тенденция – тенденция, которая определяется между двумя выбран ными значениями нечеткого временного ряда ~i и ~j, при i j может быть сопоставлена с х х моментом времени t i.

Локальные нечеткие тенденции (ЛНТ) – результат соединения элементарных НТ.

Мощность ACL-шкалы – количество нечетких множеств (функций принадлежностей), за дающих количество ее градации m.

Начальная элементарная тенденция s vs, as, ~, s – элементарная тенденция, кото ~~ t s ~, x НВР.

рая образована на первой паре соседних значений х i 1 i i vi, ai, ~, i ~~ t Неоднородные нечеткие тенденции – нечеткие тенденции и i s vs, as, ~, s, такие, что vi vs.

~~ t ~~ s Непротивоположные элементарные тенденции – неоднородные элементарные тенденции i vi, ai, ~, i и s vs, as, ~, s, такие, что ( v i =С и v s С) или ( v i С и v s ~~ t ~~ t ~ ~ ~ ~ i s =С).

Нечеткая логика – это набор стандартной (Булевой) логики, которая была расширена до обработки понятий частичной истинности для оперирования нечеткими высказываниями и рассуждениями, так как человеческие рассуждения носят приблизительный и нечеткий ха рактер.

~ может быть сформирована непосредственно экспертом или получена хi Нечеткая метка на основе некоторого преобразования исходного временного ряда.

Нечеткая нейронная сеть – четкая нейросеть, которая построена на основе многослойной архитектуры с использованием специальных «И»-, «ИЛИ»-нейронов.

Нечеткая тенденция НВР – нечеткая метка, выражающая характер изменения (системати ческое движение) последовательности нечетких уровней НВР в заданном интервале времени.

Нечеткие модели или нечеткие системы – класс моделей, предназначенных для манипули рования со значениями, представленными нечеткими множествами на основе операций не четкой логики.

Нечеткие распознающие автоматы – один из способов описания нечетких языков.

Нечеткий временной ряд – упорядоченная в равноотстоящие моменты времени последова тельность наблюдений над некоторым процессом, состояния которого изменяются во време ни, если значение состояния процесса в момент t i может быть выражено с помощью нечет ~.

хi кой метки Нечеткий конечный автомат – упорядоченная шестерка [Аверкин, 1986] A U, X, Y, s0,,.

Нечетким языком L в конечном алфавите Vt является нечеткое подмножество множества всех конечных цепочек V*t ={x}, полученных с помощью конкатенации элементов Vt :

L : Vt* [0,1].

Нечеткое множество – функциональная модель лингвистической неопределенности.

Нечеткой грамматикой называют шестерку [Аверкин, 1986] G V N,VT, P, S, L,.

~ – это четкое множество w B таких точек x w, для кото хi Носитель нечеткой метки i ~ рых ~i ( w) 0, где B Х – базовое множество нечетких меток X.

x Общая (основная) тенденция НВР – нечеткая тенденция, модель которой определяется между начальным и конечным уровнем НВР.

Объединение непротивоположных элементарных тенденций – v, a, ~, и ~~ t i i i i i s vs, as, ~, s, ~~ t ~ ~ является тенденция j i s, такая, что v i С и vs = С s j v j, a j, ~j, j, для которой v j vs, a j Union(ai, as ), j i s, длительность тен ~~ t ~~~ ~~ денции ~j Union(~, ~ ).

t ti ts Объединение однородных нечетких тенденций i vi, ai, ~, i и s vs, as, ~, s, ~~ t ~~ t i s ~, a, ~,, для которой v v, ~t ~~ является тенденция j i s, такая, что j v j j j j j s ~ Union(a, a ),, длительность тенденции ~ Union(~, ~ ).

~~ t tt a j i s j i s j i s i vi, ai, ~, i ~~ t Однородные нечеткие тенденции – нечеткие тенденции и i s vs, as, ~, s, для которых верно vi vs.

~~ t ~~ s Определение нечетких переменных – разбиение данных на множество интервалов (носите лей нечетких множеств), определение лингвистических значений нечетких множеств и их функций принадлежности.

Оценка изменения нечетких уровней (нечеткая тенденция) – сравнительная нечеткая оценка.

Оценка нечеткого уровня ВР – абсолютная нечеткая оценка.

Подобные нечеткие тенденции – однородные нечеткие тенденции i vi, ai, ~, i ~~ t i ~,, такие, что a a, ~ ~.

~~ ~~ и v, a, t t t s s s s s i s i s Поиск аномалий – выявление лексических, синтаксических и семантических ошибок и нетипичных нечетких объектов и правил на основе грамматики языка LANG.

Поиск ассоциативных правил – определение синтаксиса языка LANG на основе из влечения синтаксических правил следования нечетких тенденций.

Прогноз – это приближенная оценка будущих изменений, хода событий, поведения на основе модели динамики в прошлом и настоящем.

Прогнозирование – получение многоуровневого прогноза: в терминах общей, ло кальной, элементарной тенденций, в терминах нечетких и числовых уровней ВР.

Производные тенденции – это такие нечеткие тенденции, которые представлены паттернами неоднородных локальных тенденций N и для грамматики языка LANG представляются нетерминальными символами.

Противоположные элементарным тенденции – неоднородные элементарные тен денции i vi, ai, ~, i и s vs, as, ~, s, такие, что v i С и ~~ t ~~ t ~ ~ v s С.

i s Резюмирование – генерация гранулярного описания поведения НВР, определение семантики гранул и трансляция гранулярного описания НВР в виде предложения на естественном языке.

Сегментация – представление НВР в виде последовательности терминальных симво лов (нечетких тенденций) грамматики языка LANG.

Система нечеткого логического вывода – модель описания поведения систем на ес тественном (или близком к естественному) языке в виде приближенных рассуждений в теории нечетких множеств и нечеткой логики, основанная на композиционном пра виле вывода.

Теория нечетких множеств – это раздел прикладной математики, посвященный ме тодам анализа неопределенных данных, в которых описание неопределенностей ре альных явлений и процессов проводится с помощью понятия о множествах, не имею щих четких границ.

Универсальное множество (или универсум) – множеством значений, произвольной природы, которым задается область определения.

Фаззификация входных данных – определение степени принадлежности входных данных входным нечетким переменным.

Финальная элементарная тенденция s vs, as, ~, s – элементарная тенденция, ~~ t s которая образована на последней паре соседних значений ~, x НВР.

х i 1 i Функция принадлежности – параметрическая функция особого класса, которая мо делирует нечеткое множество.

Частотный анализ – формирование компонент гранулярного описания НВР в виде часто встречающихся нечетких тенденций и их паттернов.

Эквивалентные нечеткие тенденции – однородные нечеткие тенденции v, a, ~, и v, a, ~,, такие, что a a, ~ ~,.

~~ t ~~ t ~~ t t i i i i i s s s s s i s i s i s Экспертная оценка – оценка, полученная в результате экспертного оценивания. Ка чественный аспект оцениваемого элемента системы и самой системы выражаются в лингвистической форме.

Экспертное оценивание – интеллектуальная деятельность, содержанием которой яв ляется процесс оценивания параметров, моделей, объектов, состояний, процессов, яв лений в условиях «нестохастической» неопределенности.

Элементарная тенденция (ЭТ) – это такая нечеткая тенденция НВР k, выра жающая характер изменения на участке НВР между двумя соседними нечеткими мет ~,~.

х i хi ками НВР Учебное издание ЯРУШКИНА Надежда Глебовна АФАНАСЬЕВА Татьяна Васильевна ПЕРФИЛЬЕВА Ирина Григорьевна ИНТЕЛЛЕКТУАЛЬНЫЙ АНАЛИЗ ВРЕМЕННЫХ РЯДОВ Учебное пособие Редактор М. В. Штаева ЛР № 020640 от 22.10.97.

Подписано в печать 09.08.2010. Формат 60 84/16.

Усл. печ. л. 18,60. Тираж 100 экз. Заказ 814.

Ульяновский государственный технический университет 432027, г. Ульяновск, ул. Северный Венец, д. 32.

Типография УлГТУ. 432027, г. Ульяновск, ул. Северный Венец, д. 32.



Pages:     | 1 |   ...   | 5 | 6 ||
 





 
© 2013 www.libed.ru - «Бесплатная библиотека научно-практических конференций»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.