350 руб
Журнал «Нейрокомпьютеры: разработка, применение» №4 за 2018 г.
Статья в номере:
Постановка и решение задачи прогнозирования многомерных временных рядов на основе нечетких когнитивных моделей
Тип статьи: научная статья
УДК: 004.81
Ключевые слова: нечеткая когнитивная модель нейро-нечеткая модель прогнозирование многомерных временных рядов.
Авторы:

В.С. Луферов – аспирант, Национальный исследовательский университет «Московский энергетический институт»

E-mail: lyferov@yandex.ru  

Аннотация:

Рассмотрены постановка и решение задачи прогнозирования многомерных временных рядов на основе нечетких когнитивных моделей (НКМ), позволяющих учитывать как непосредственное, так и опосредованное влияние показателей друг на друга. Предложена новая разновидность НКМ, обеспечивающая в условиях неопределенности параметрическую настройку моделей агрегирования влияний показателей и весов влияния этих моделей, настройку нечетких отношений влияния между концептами НКМ и структурную настройку модели вследствие изменения и возможности установления различной «глубины ретроспективы» для каждого входного и выходного нечетких показателей НКМ – одномерных временных рядов.

Страницы: 24-28
Список источников
  1. Авдеева З.К., Макаренко Д.И., Максимов В.И. Когнитивные технологии поддержки принятия решений при стратегическом управлении ситуациями // Информационные технологии. 2006. С. 74–79.
  2. Бэнн Д.В., Фармер Е.Д. Сравнительные модели прогнозирования электрической нагрузки: Пер. с англ. М.: Энергоатомиздат. 1987. 200 c.
  3. Четыркин Е.М. Статистические методы прогнозирования. М.: Статистика. 1977. 200 с.
  4. Борисов В.В., Круглов В.В., Федулов А.С. Нечеткие модели и сети. Изд. 2-е, стереотип. М.: Горячая линия – Телеком. 2012. 284 с.
  5. Stach W., Kurgan L., Pedrycz W., Reformat M. Genetic learning of fuzzy cognitive maps // Fuzzy Sets and Systems. 2005. V. 153. № 3. P. 371–401.
  6. Juszczuk P., Proelich W. Learning fuzzy cognitive maps using a differential evolution algorithm // Pol. J. Environ. Stud. 2009. V. 12. № 3B. P. 108–112.
  7. Song H., Miao C., Shen Z., Roel W., Maja D., Francky C. Design of fuzzy cognitive maps using neural networks for predicting chaotic time series // Neural Networks. 2010. V. 23. № 10. P. 1264–1275.
  8. Papageorgiou E. Learning algorithms of Fuzzy Cognitive Maps – A review study // IEEE Trans. Sys. Man. Cybern., part C. 2012. V. 42. № 2. P. 150–163.
  9. Averkin A.N., Yarushev S.A. Hybrid approach for time series forecasting based on ANFIS and Fuzzy Cognitive Maps // In Proc. of 20th IEEE International Conference on Soft Computing and Measurements (SCM). 2017. IEEE. 2017. P. 379–381.
  10. Jang J.-S.R. ANFIS: Adaptive Network-based Fuzzy Inference System // IEEE Trans. On Systems, Man and Cybernetics. 1993. V. 23. № 3. P. 665–685.
  11. Борисов В.В., Федулов А.С., Зернов М.М. Основы гибридизации нечетких моделей. Сер. «Основы нечеткой математики». Книга 9: Учебное пособие для вузов. М.: Горячая линия–Телеком. 2017. 100 с
Дата поступления: 11 апреля 2018 г.