ОЦІНКА ТОЧНОСТІ ПРОГНОЗУВАННЯ ЗМІНИ СТАНІВ КОЛИВНИХ ПРОЦЕСІВ ІЗ НЕКРАТНИМИ ЧАСТОТАМИ
Ключові слова:
синтез математичних моделей, гАнотація
Розглянуто новий метод побудови математичних моделей складних коливних процесів з некратними частотами, який ґрунтується на ідеях генетичних алгоритмів. В порівнянні з методом групового урахування аргументів даний метод дає можливість синтезувати математичні моделі будь-якої складності без попереднього вибору числа рядів селекції. Крім того, використання генетичних алгоритмів значно зменшить число обчислень у порівнянні з індуктивним методом самоорганізації моделей, який передбачає значний обсяг перебору моделей із заданої множини. Новий метод може бути застосований для прогнозування як фізичних явищ, так і складних технологічних процесів. Як приклад застосування методу здійснено прогнозування рівня р. Дністер та оцінена вірогідність такого прогнозування за D2(S)-критерієм та шляхом побудови довірчих інтервалів.
Посилання
2 Ермаков С. М. Математическая теория оптимального эксперимента: учебное пособие / С. М. Ермаков, А. А. Жиглявский. – М.: Наука, 1987. – 320 с.
3 Ивахненко А. Г. Индуктивный метод самоорганизации моделей сложных систем / А. Г. Ивахненко. – К.: Наукова думка, 1981. – 286 с.
4 Ивахненко А. Г. Справочник по типовым программам моделирования / А. Г. Ивахненко, Ю. В. Коппа, В. С. Степашко и др. – К.: Техніка, 1980. – 180 с.
5 Ивахненко А. Г. Помехоустойчивость моделирования: монография / А. Г. Ивахненко, В. С. Степанко. – Киев: Наук. думка, 1985. – 216 с.
6 Гершилов А. А. Математические методы построения прогнозов / А. А. Гершилов, В. А. Стакун, А. А. Стакун. – М.: Радио и связь, 1997. – 112 с.
7 Бокс Дж. Анализ временных рядов. Прогноз и управление / Дж. Бокс, Г. Дженкинс; пер. с англ. А. Л. Левшина под ред. В. Ф. Писаренко. – М.: Мир, 1974. – 402 с.
8 Hyndman R. J. Forecasting: principles and practice / R. J. Hyndman, G. Athanasopoulos. – OTexts, 2013. – Режим доступу: https://www.otexts.org/book/fpp.
9 Вержбицкий В. М. Основы численных методов: учебник для вузов / В. М. Вержбицкий. – М.: Высшая школа, 2002. – 840 с.
10 Рутковская Д. Нейронные сети, генетические алгоритмы и нечеткие системы / Д. Рутковская, М. Пилиньский, Л. Рутковский; пер. с польск. И. Д. Рудинского. – М.: Горячая линия- Телеком, 2004. – 452 с.
11 Горбійчук М. І. Метод побудови математичних моделей складних процесів на засадах генетичних алгоритмів / М. І. Горбійчук, М. А. Шуфранович // Штучний інтелект. – 2010. – № 4. – С. 50 – 57.
12 Горбійчук М. І. Індуктивний метод побудови математичних моделей газоперекачувальних агрегатів природного газу / М. І. Горбійчук, М. І. Когутяк, Я. І. Заячук // Нафтова і газова промисловість. – 2008. – № 5. – С. 32 – 35.
13 Горбійчук М. І. Метод синтезу емпіричних моделей на засадах генетичних алгоритмів / М. І. Горбійчук, М. І. Когутяк, О. Б. Василенко, І. В.Щупак // Розвідка та розробка нафтових і газових родовищ. – 2009. – № 4(33). – С. 72- 79.
14 Ивахненко А. Г. Самоорганизация прогнозирующих моделей / А. Г. Ивахненко, Й. А. Мюллер. – К.: Техніка, 1984. – 223 с.
15 Химмельблау Д. Анализ процессов статистическими методами / Д. Химмельблау; перс англ. В. Д. Скаржинского; под ред. В. Г. Горского. – М.: Мир, 1975. – 957 с.
16 Горбійчук М. І. Метод синтезу математичних моделей рівня води у р. Дністер залежно від погодних умов / М. І. Горбійчук, О. В. Пендерецький // Науковий вісник Івано-Франківського національного технічного уні-
верситету нафти і газу. – 2010. – № 1 (23). – С. 105 – 112.
.png)
1.png){kind=logo}
