Введение
ГЛАВА 1. Анализ существующих методов агагроксимации и прогнозирования процессов с преобладающей детерминированной составляющей 16
1.1. Определение предметной области 16
1.1.1. Необходимость прогнозирования 16
1.1.2. Существующие направления развития информационных технологий . 17
1.1.3. Выбор метода прогнозирования 21
1.1.4. Возможные направления развития методов прогнозирования 24
1.2. Перечень актуальных задач 26
1.2.1. Достигнутые результаты , 26
1.2.2. Разработка внутренней структуры и механизма функционирования прогнозирующей системы 27
1.2.3. Подготовка данных для прогнозирования 29
1.2.4. Обеспечение качества прогнозирования 29
1.3. Построение всех возможных регрессий 30
1.3.1. Предварительные замечания 30
1.3.2. Порядок построения , 31
1.3.3. Метод построения 32
1.3.4. Построение только наилучших регрессий 37
1.3.5. Пошаговая регрессия , 42
1.3.6. Другие методы 46
1.4. Выбор критерия 47
1.4.1. Коэффициент детерминации R 47
1.4.2. Скорректированный коэффициент детерминации 49
1.4.3 .Ср-статистика Мэлоуса 51
1.4.4. MSEP-критерий 55
1.4.5. Другие меры 56
1.5. Основные результаты 57
ГЛАВА 2. Разработка алгоритмов автопостроения алгоритмических описаний процессов на основе метода эвристической самоорганизации 59
2.1. Общая схема построения алгоритмов, реализующих метод группового учета аргументов 59
2.1.1. Описание алгоритма 59
2.1.2. Критерии МГУА 62
2.2. Разработка модифицированного метода группового учета аргументов на основе процедуры оптимизации частных полиномов (МГУАоп) 68
2.2.1. Проблемы восстановления функций классическим МГУА и пути их преодоления 68
2.2.2 Алгоритм автопостроения модели без использования селекции в последовательных рядах приближения 70
2.3. Разработка метода группового учета аргументов на основе дифферальных частных приближений (МГУАдп) 72
2.3.1. Аппроксимация процессов решениями линейных дифференциальных уравнений 73
2.3.2. Результаты аппроксимации процессов решениями линейных дифференциальных уравнений 75
2.4. Разработка метода группового учета аргументов на основе
самоорганизующихся искусственных нейронных сетей (МГУАнс) 78
2.4.1. Математическая постановка задачи 79
2.4.2. Постановка и возможные пути решения задачи обучения нейронных сетей 81
2.4.3. Нейронная сеть с обучением по методу обратного распространения ошибки 83
2.2.1. Автоматическое построения «наилучшей» искусственной нейронной сети 86
2.2.2. Метод группового учета аргументов на основе аппарата нейронных сетей 90
2.5. Основные результаты 93
ГЛАВА 3. Разработка процедур автоматического выбора струкутуры модели, оценки ее параметров и определения оптимального объёма выборки 94
3.1. Предварительные замечания 94
3.2. Автоматизация построения модели для прогнозирования процессов с детерминированной составляющей методом экстраполяции тенденций .95
3.2.1. Классический способ выбора структуры и вычисления параметров прогнозирующей модели в методе экстраполяции тенденций 95
3.2.2. Принципы организации программной системы автоматического синтеза структуры и оценки параметров прогнозирующих функций 98
3.2.3. Выбор адекватной стандартной функции по результатам анализа характеристического отношения 101
3.2.4. Способ автоматического выбора структуры модели, оценки её прогнозирующей силы и определения наилучшей длины обучающей последовательности с помощью тестовой последовательности 105
3.3. Методика построения прогнозирующей регрессионной модели 109
3.3.1. Основные положения методики построения модели 109
3.3.2. Устойчивость модели и способы её оценки 112
3.3.3. Векторный показатель качества прогнозирующей модели 119
3.3.4. Проверка гипотез относительно параметров модели 121
3.3.5. Использование векторного критерия качества модели в процессе поиска лучшей модели 123
3.4. Основные результаты 125
ГЛАВА 4. Модели для прогнозирования показателей производственного травматизма в российской федерации и результаты прогноза 126
4.1. Подготовка данных для окончательного прогноза показателей травматизма до 2005 года 126
4.1.1. Сценарные условия 126
4.1.2. Исходные данные для решения задачи прогноза 127
4.2. Прогноз показателей производственного травматизма на основе выявления и экстраполяции тенденций 130
4.3. Характеристики финальных прогнозирующих моделей показателей травматизма с помощью факторного регрессионного анализа 133
4.4. Характеристики моделей для прогнозирования показателей травматизма с помощью нейросетевых технологий 138
4.6. Сравнительные результаты прогноза показателей травматизма ...141
4.7. Окончательный прогноз показателей производственного травматизма до 2006 года 146
4.8. Графическое представление результатов моделирования и прогноза 149
4.9. Основные результаты 154
Заключение 155
Библиографический список 159
