Выбор базовой функции при автоматизированной идентификации временных рядов на основе ассоциативно-мажоритарного подхода
DOI:
https://doi.org/10.22213/2413-1172-2018-4-194-199Ключевые слова:
базовые зависимости, идентификация, временные ряды, прогнозирование, динамические процессы, ассоциативно-мажоритарный подход, распознавание образовАннотация
Предложена модель выбора базовых функций при автоматизированной идентификации временных рядов, алгоритм и программное средство идентификации временных рядов на основе ассоциативно-мажоритарного подхода, позволяющие идентифицировать вид базовых зависимостей динамических процессов. Задача идентификации вида базовых функций решается с использованием классической теории распознавания образов. Идентификация производится путем сравнения исходного образа с эталонами, хранящимися в едином пространстве образов. Пространство образов представляет собой область памяти устройства (ассоциативной памяти), на котором производится идентификация. Особенностью предложенной модели является оперативность сравнения исходных образов с образами эталонов за счет использования единого признакового пространства и возможности сравнения всех образов за один такт. Для повышения оперативности идентификации в алгоритме выбора базовых функций также использован ассоциативно-мажоритарный подход к хранению и поиску идентификационных данных в электронной памяти. Предложенный алгоритм и программное средство выбора базовых функций являются универсальными, так как позволяют идентифицировать вид базовой зависимости в любом динамическом процессе независимо от специфики исследуемой предметной области. Автоматизированная идентификация вида базовых функций сокращает время построения прогнозных моделей и позволяет оперативно прогнозировать дальнейшие варианты протекания процесса.Библиографические ссылки
Афанасьев В. Н., Юзбашев М. М. Анализ временных рядов и прогнозирование : учебник. М. : Финансы и статистика; ИНФРА-М, 2010. 228 с. : ил.
Афанасьев В. Н., Лебедева Т. В.Моделирование и прогнозирование временных рядов: учеб.-метод. пособие для вузов. М.: Финансы и статистика, 2009. 292 с. : ил.
Подвальный Е. С. Модели индивидуального прогнозирования и классификации состояний в системах компьютерного мониторинга. Воронеж: Изд-во ВГТУ, 1998. 127 с.
Громова Н. М., Громова Н. И. Основы экономического прогнозирования. Старая Русса: Академия естествознания, 2006. 81 с.
Пат. 2430415 Российская Федерация, МПК G 06 K 9/00. Устройство для распознавания образов / Р. И. Хасанов, М. З. Масягутов, Т. З. Аралбаев; заявитель и патентообладатель Оренбургский государственный университет. № 2010116601/08; заявл. 26.04.2010, опубл. 27.09.2011, Бюл. № 27. 21 с. : ил.
Chevaleyre Y., Endriss U., Maudet N. Simple negotiation schemes for agents with simple preferences: sufficiency, necessity and maximality. Autonomous Agents and Multi. Agent Systems, 2010, no. 20, pp. 234-259.
Abdo H., Kaouk M., Flaus J.-M., Masse F. A safety/security risk analysis approach of Industrial Control Systems: A cyber bowtie - combining new version of attack tree with bowtie analysis. Computers & Security, 2018, vol. 72, pp. 175-195. DOI: 10.1016/ j.cose.2017.09.004.
Аралбаев Т. З., Абрамова Т. В. Исследование эффективности методов мониторинга сетевого трафика на основе последовательного и ассоциативно-последовательного принципов поиска актуальной информации // СТИН. 2017. № 11. С. 2-5.
Aralbaev T. Z., Abramova T. V. Network Traffic Monitoring on the Basis of Sequential and Associative-Sequential Search Principles. Russian Engineering Research, 2018, vol. 38, no. 5, pp. 381-383.
Аралбаев Т. З., Хакимова Э. Р., Гайфулина Д. А. Идентификация тренда временного ряда: прикладная программа / Мин-во образования и науки РФ ; Оренбургский гос. ун-т. Электрон. текстовые данные (1 файл: 3 Мб). Оренбург : ОГУ, 2016.
