Заглавная страница Избранные статьи Случайная статья Познавательные статьи Новые добавления Обратная связь КАТЕГОРИИ: АрхеологияБиология Генетика География Информатика История Логика Маркетинг Математика Менеджмент Механика Педагогика Религия Социология Технологии Физика Философия Финансы Химия Экология ТОП 10 на сайте Приготовление дезинфицирующих растворов различной концентрацииТехника нижней прямой подачи мяча. Франко-прусская война (причины и последствия) Организация работы процедурного кабинета Смысловое и механическое запоминание, их место и роль в усвоении знаний Коммуникативные барьеры и пути их преодоления Обработка изделий медицинского назначения многократного применения Образцы текста публицистического стиля Четыре типа изменения баланса Задачи с ответами для Всероссийской олимпиады по праву Мы поможем в написании ваших работ! ЗНАЕТЕ ЛИ ВЫ?
Влияние общества на человека
Приготовление дезинфицирующих растворов различной концентрации Практические работы по географии для 6 класса Организация работы процедурного кабинета Изменения в неживой природе осенью Уборка процедурного кабинета Сольфеджио. Все правила по сольфеджио Балочные системы. Определение реакций опор и моментов защемления |
Однокрокове прогнозування (передбачення)
Задача однокрокового прогнозування зводиться до задачі відображення, коли один вхідний вектор відображається у вихідний (рис. 11). Рис. 11. Послідовність використання нейромереж для задач передбачення У випадку однопараметричної задачі передбачення навчальна множина до моменту n, за умови m =3, p =1, s =1, матиме вигляд наведений в таблиці 3. Таблиця 3
В режимі навчання встановлюються коефіцієнти ваг зв'язків, після чого стає можливим перехід до режиму функціонування. Для передбачення на входи нейромережі надходять значення останньої реалізації навчальної множини x (tn -2), x (tn -1), x (tn). На виході формується прогнозована величина x *(tn +1). Для багатопараметричної задачі передбачення на входи навченої нейромережі подаються вектори x (tn -2), y (tn -2), z (tn -2), x (tn -1), y (tn -1), z (tn -1), x (tn), y (tn), z (tn). На виходи нейромережі надходять передбачені величини x *(tn +1), y *(tn +1), z *(tn +1), які відкладаються у вихідний вектор передбачених даних. Показаний режим є однокроковим, який працює в режимі відображення (реальний вхід®прогнозований вихід). Передбачення застосовують також для моделювання дискретних послідовностей, що не пов'язані з часом. Враховуючи специфіку часових рядів, такий тип прогнозу не завжди є доцільним, але для певних випадків короткотермінових прогнозів ним можливо скористатись. Багатокрокове прогнозування Багатокрокове прогнозування застосовують лише для явищ, ознаки яких представлені у вигляді часових рядів. Для однопараметричної задачі прогнозування навчальна множина матиме вигляд наведений в табл. 3. Під час навчання мережа налаштовує коефіцієнти ваг зв'язків і поліномів передатних функцій, які в подальшому і визначають режим функціонування. Багатокрокове прогнозування часового ряду здійснюється наступним чином (рис. 12). На входи нейромережі подається вектор відомих значень x (tn -2), x (tn -1), x (tn). На виході формується прогнозована величина x *(tn + 1 ), яка визначає вектор прогнозованих виходів і одночасно долучається до значень навчальної множини, тобто, приймається як достовірна. Далі на входи подається вектор x (tn -1), x (tn), x *(tn +1), а на виході отримується x *(tn +2) і наступні прогнозовані значення.
Рис. 12. Послідовність використання НМ для задач багатокрокового прогнозування Для багатопараметричної задачі прогнозування на входи навченої нейромережі подаються вектори x (tn -2), y (tn -2), z (tn -2), x (tn -1), y (tn -1), z (tn -1), x (tn), y (tn), z (tn). На виході продукуються величини x *(tn +1), y *(tn +1), z *(tn +1), які формують вектор вихідних значень і послідовно долучаються до значень навчальної множини. При зсуві вікна на крок прогнозу вихідні дані, що були спродуковані мережею, сприймаються як реальні і приймають участь у прогнозуванні наступного значення виходу, тобто на входи подаємо вектор x (tn -1), y (tn -1), z (tn -1), x (tn), y (tn), z (tn), x *(tn +1), y *(tn +1), z *(tn +1), а на виході отримуємо x *(tn +2), y *(tn +2), z *(tn +2) і наступні прогнозовані значення. Багатокрокове прогнозування дозволяє робити коротко- та середньотермінові прогнози, оскільки суттєвий вплив на точність має накопичення похибки на кожному кроці прогнозування. При застосуванні довготермінового багатокрокового прогнозування спостерігається характерне для багатьох прогнозуючих систем поступове затухання процесу, фазові зсуви і інші спотворення картини прогнозу. Такий тип прогнозування підходить для часових рядів, які підпадають під означення стаціонарного процесу з невеликою випадковою складовою.
|
|||||||||||||||||||||||
Последнее изменение этой страницы: 2017-02-05; просмотров: 236; Нарушение авторского права страницы; Мы поможем в написании вашей работы! infopedia.su Все материалы представленные на сайте исключительно с целью ознакомления читателями и не преследуют коммерческих целей или нарушение авторских прав. Обратная связь - 3.147.66.178 (0.005 с.) |