Введение
1. Проблемы и перспективы нейросетевой о моделирования и прогнозирования поведения сложных систем, описываемых многомерными временными рядами 10
1.1. Обзор методов построения прогностических моделей и их применение к исследованию поведения многомерных стохастических объектов, описываемых временными рядами 10
1.2 Сложность задачи прогнозирование в условиях неполной информации. Нейронные сети как инструмент решения нечетких задач 18
1.3. Выбор архитектуры искусственной нейронной сети и алгоритма обучения для решения задачи прогнозирования многомерных временных рядов 25
1.4 Цель и задачи исследования 38
2. Оптимизация параметров прогнозирующей нейронной сети с учетом запаздывания выхода относительно многомерного входа 39
2.1. Формализация задачи построения нейросети для ненулевого запаздывания 39
2.2. Определение величины запаздывания для одной независимой переменной (входа) 47
2.3 Верификация методики определения многомерного лага на основе анализа чувствительности нейросети в задаче прогнозирования многомерных временных рядов 54
2 4 Выводы по главе 2 63
3. Структурный синтез базы данных для системы прогнозирования 64
3.1 Формирование информационной базы для прогнозирования. Предварительная обработка статистических данных и определение состава входов нейросети 64
3.2. Алгоритмизация процедур неоднородною нейросетевого анализа 75
3.3. Алгоритмизация процедур множественною регрессионного анализа с оптимизацией вектора запаздываний доя значимых факторов 82
3.4. Выводы по главе 3 89
4. Программная реализация системы прогнозирования набора в высшее учебное заведение 90
4 1. Структура системы и механизмы взаимодействия ее компонент 90
4.2. Применение методов нейросетевого анализа для поддержки принятия решений при управлении сложными системами 95
4 3. Прогнозирование набора в негосударственный вуз на основе традиционных нейросетевых процедур 101
4.4. Сравнение результатов прогнозирования на основе нейросетей с результатами статистического анализа 107
4.5. Результаты оптимизации вектора запаздываний и сравнение с традиционными (нулевое запаздывание) результатами статистического и нейросетевого прогнозирования 110
4.6. Выводы по главе 4 116
Основные результаты работы 118
Литература 120
Приложение 132
