СОДЕРЖАНИЕ
ВВЕДЕНИЕ.
ГЛАВА 1. ПОСТАНОВКА ЗАДАЧИ. ОСНОВНЫЕ ПОДХОДЫ К ПОСТРОЕНИЮ МОДЕЛЕЙ ВРЕМЕННЫХ РЯДОВ
1.1. Постановка задачи
1.1.1. Структура природного сигнала.
1.1.2. Влияние внешних факторов на данные регистрации.
1.2. Обзор традиционных методов анализа данных, представленных в виде временных рядов
1.3. Способ построения модели временного ряда с использованием нейронных сетей.
1.3.1. Известные архитектуры сетей
1.3.2. Решение задач построения прогноза на основе нейронных сетей.
1.3.3. Особенности решения задач на основе нейронных сетей
1.4. Современные методы аппроксимации сигналов, основанные на разложении сигнала по базису
1.5. Прикладные задачи, рассмотренные в диссертационной работе. ..
1.5.1. Задачи анализа геофизических сигналов
1.5.2. Обзор существующих методов геофизических исследований
1.6. Новый подход к проблеме построения моделей временных рядов
со сложной структурой.
ГЛАВА 2. ИДЕНТИФИКАЦИЯ КОМПОНЕНТ ММВР.
2.1. Вейвлетобраз случайной функции У
2.2. Конструкции, используемые для идентификации компонент . ММВР..58
2.3. Методы выделения и классификации изолированных особенностей в структуре случайного сигнала
2.4. Методы выделения устойчивых характеристик в структуре сигнала
2.5. Метод построения наилучшей аппроксимирующей схемы случайного сигнала.
2.5.1. Критерии выбора базисных функций
2.5.2. Семейства ортогональных и полуортогональных вейвлетов с наименьшим носителем.
2.5.2.1. Ортогональные вейвлеты Добеши с компактным носителем.
2.5.2.2. Койфлеты.
2.5.2.3. Сплайнвейвлеты
2.5.3 Удаление шума на основе аппроксимирующих вей влетсхем.
2.5.4. Уточнение аппроксимирующей схемы сигнала на основе выбора наилучшего базиса.
2.5.5. Метод идентификации структурных компонентов сложного сигнала
2.6. Методика идентификации компонентов модели.
2.7. Оценка адекватности модели
2.7.1. Минимаксный подход как способ оценки модели сложного сигнала
2.7.2. Метод оптимизации модели путем улучшения порога
2.7.3. Метод оптимизации модели путем определения наилучшего базиса.
2.7.4. Диагностика модели
ГЛАВА 3. ОЦЕНКА ПАРАМЕТРОВ МНОГОКОМПОНЕНТНОЙ .МОДЕЛИ НА ОСНОВЕ СОВМЕЩЕНИЯ ВЕЙВЛЕТ
ПРЕОБРАЗОВАНИЯ И МОДЕЛИ АРПСС
ОКвН1И,.Мв.1мЛ.1Л КЛЖЧЛ1.ТЯ1 .. ,. в.. г. ,ЧЛХА. Л ЧУУ. 3, 1 У ялл ГЗЛ1.
3.1. Способ оценки параметров многокомпонентной модели
3.2. Процессы АРПСС
3.3. Решение задачи прогнозирования значений временного ряда на основе модели АРПСС.
3.4. Идентификация модели АРПСС.
3.5. Многокомпонентная модель временного ряда, получаемая на основе совмещения конструкции вейвлетпреобразования и методов АРПСС.
3.5.1. Общий вид модели.
3.5.2. Этапы идентификации модели .
3.5.3. Свойства модели
3.6. Методы и алгоритмы обнаружения н классификации аномалий
в сигнале на основе модели ВПАР.
Выводы . .
ГЛАВА 4. ОЦЕНКА ПАРАМЕТРОВ МНОГОКОМПОНЕНТНОЙ МОДЕЛИ НА ОСНОВЕ НЕЙРОННЫХ СЕТЕЙ
4.1. Постановка задачи экстраполяции функции на основе нейронных сетей.
4.2. Методы формирования обучающего и контрольного множеств для нейронной сети..
4.2.1. Понижение размерности пространства признаков на основе удаления шумовой компоненты г
4.2.2. Выделение характерных признаков, устранение несущественных и редковстречающихся признаков .
4.3. Общий вид модели временного ряда. Оценка модели .
4.4. Прогнозирование значений временного ряда на основе
нейронной сети. Выделение аномалий
Выводы . .
ГЛАВА 5. ОЦЕНКА ПЛОТНО.СТИЕАСВЕДЕЛЕН ИЯСЛ УЧ АЙНОЙВЕЛИЧИНЫ НА ОСНОВЕ ВЕЙВЛЕТПРЕОБРАЗОВАНИЯ.
5.1. Способ оценки плотности распределения случайной величины
на основе вейвлетпреобразования
5.2. Оценка плотности распределения сейсмических событий
Камчатского региона но глубине
ГЛАВА 6. ПОСТРОЕНИЕ МОДЕЛЕЙ ПРИРОДНЫХ СИГНАЛОВ СО
СЛОЖНОЙ СТРУКТУРОЙ
6.1. Описание программного обеспечения
6.2. Реализация метода статистического моделирования
6.2.1. Статистическая модель системы
6.2.2. Формирование входных модельных сигналов
6.2.3. Методика идентификации изолированных особенностей в сигнале.0
6.2.4. Оценка характеристик.
6.2.5. Проведение экспериментов с модельными сигналами на основе модели ВПАР
6.3. Автоматизация вычисления Киндекса на основе вейвлетпакетов.4 Ь
6.3.1. Постановка задачи
6.3.2. Описание методики
6.3.3. Автоматический алгоритм определения Киндекса
6.3.4. Результаты экспериментов.
6.4. Построение многокомпонентной модели подпочвенного радона
6.4.1. Описание статистических данных.
6.4.2. Значение геохимических методов для краткосрочного прогноза землетрясений
6.4.3. Влияние внешних факторов на данные регистрации .,
6.4.4. Методикало.строеыияЛЮделисигналарадона.ОАКп......ЗОЗ
6.4.5. Методика обнаружения и классификации аномалий в данных ОЛЯп
6.4.6. Результаты обработки данных радона
6.4.6.1Выделение и анализ детализирующих компонент модели
6.4.6.2. Процесс идентификации АРмодели для сглаженной компоненты сигнала
6.4.6.3. Эксперименты по обнаружению среднесрочных аномалий в сглаженной компоненте модели
6.4.6.4. Применение к данным подпочвенного радона традиционных методов
6.5. Построение многокомпонентной модели сигнала критической частоты 2
6.5.1. Описание статистических данных
6.5.2. Значение геофизических методов для решения задачи
прогноза землетрясений.
6.5.3. Влияние внешних факторов на данные регистрации 2
6.5.4. Этапы построения модели сигнала критической частоты Р2.
6.5.5. Результаты обработки данных радона
6.5.5.1. Идентификация структурных компонент сигнала ,Г2. Выделение детализирующих составляющих модели
6.5.5.2. Анализ сигналов Г0Р2 и данных Киндекса на основе непрерывного вейвлетпреобразования.
6.5.5.3. Оценка параметров сглаженной компоненты модели сигнала критической частоты на основе конструкции ВПАР
6.5.5.4. Анализ сглаженной компоненты модели ВПАР.
6.5.5.5. Аппроксимация сигнала критической частоты Г0Р2 на о.с I щв ен ей р.ошюй.с ет.,.. ......гггг.5
6.5.5.6. Построение модели сигнала критической частоты на основе конструкции ВПНС
6.5.5.6.1. Оптимизация процедуры обучения сети на основе подавления шумовой компоненты
6.5.5.6.2. Оптимизация модели ВПНС на основе выделения несущественных и редко встречающихся признаков.
ЗАКЛЮЧЕНИЕ
СПИСОК ЛИТЕРАТУРЫ
- Київ+380960830922