Нейромережеві методи опрацювання даних експериментальних досліджень

Abstract

Метою кваліфікаційної роботи є підвищення точності прогнозу часових рядів при обмеженій кількості результатів експериментальних досліджень. Методи досліджень: узагальнення інформації з літературних джерел; нейромережеві методи (архітектури MLP та LSTM) для прогнозування часових рядів; метод регресійного аналізу (лінійний, степеневий, експоненціальний, поліноміальний) для апроксимації експериментальних даних; методика штучного збільшення навчальної вибірки; статистичні методи оцінки якості моделей. Результати дослідження: запропоновано методику підвищення точності прогнозу часових рядів при обмеженій кількості результатів експериментальних досліджень, яка полягає у формуванні розширеної навчальної вибірки шляхом попередньої апроксимації даних методом регресійного аналізу. Встановлено, що використання стандартних функцій активації на малих вибірках призводить до втрати узагальнюючих властивостей мережі. Доведено, що найкращу ефективність для апроксимації та подальшого навчання LSTM-мережі забезпечують квадратична та кубічна моделі, що дозволило отримати стійкий прогноз.

The purpose of the qualification work is to increase the accuracy of time series forecasting with a limited number of experimental research results. Research methods: generalization of information from literary sources; neural network methods (MLP and LSTM architectures) for time series forecasting; regression analysis method (linear, power, exponential, polynomial) for approximating experimental data; method of artificially increasing the training sample; statistical methods for assessing the quality of models. Research results: a method for increasing the accuracy of time series forecasting with a limited number of experimental research results is proposed, which consists in forming an expanded training sample by preliminary data approximation using the regression analysis method. It is established that the use of standard activation functions on small samples leads to the loss of generalizing properties of the network. It is proved that the best efficiency for approximation and further training of the LSTM network is provided by the quadratic and cubic models, which allowed obtaining a stable forecast.