Telekommunikaciya texnologiyalari va kasbiy talim” fakulteti

5. Vaqt qatorlarining statistik tahlili
Vaqt qatorlarini statistik tahlil qilish usullarining batafsil tavsifi ushbu kitob doirasidan tashqarida. Biz an'anaviy yondashuvlarni qisqacha ko'rib chiqamiz, shu bilan birga taqdimotimiz mavzusi bilan bevosita bog'liq bo'lgan holatlarni ta'kidlaymiz. Yulning kashshoflik ishidan beri chiziqli ARIMA modellari statistik vaqt qatorlarini tahlil qilishda markaziy o'rinni egalladi. Vaqt o'tishi bilan ushbu soha bir qator metodlar to'plami - Boks-Jenkins nazariyasi bilan to'liq nazariyaga aylandi.
ARIMA modelida avtoregressiv atamaning mavjudligi o'zgaruvchining joriy qiymatlari uning o'tgan qiymatlariga bog'liqligini bildiradi. Bunday modellar bir o'lchovli deb nomlanadi. Ammo, ko'pincha, o'rganilayotgan maqsad o'zgaruvchining qiymatlari bir necha xil vaqt qatorlari bilan bog'liq.

Shakl: 1.2. ARIMA (p, q) modelini eng oddiy neyron tarmog'ida amalga oshirish
Masalan, maqsad o'zgaruvchisi valyuta kursi bo'lsa va boshqa o'zgaruvchilar foiz stavkalari bo'lsa (har ikkala valyutada).
Tegishli usullar ko'p o'lchovli deb nomlanadi. Lineer modellarning matematik tuzilishi juda sodda va ular asosida hisob-kitoblarni raqamli usullarning standart paketlari yordamida maxsus qiyinchiliklarsiz amalga oshirish mumkin. Vaqt qatorlarini tahlil qilishning navbatdagi bosqichi odatda real jarayonlar va tizimlarda mavjud bo'lgan chiziqli bo'lmaganlikni hisobga olishga qodir modellarni ishlab chiqish edi. Bunday modellardan birinchisi Tong tomonidan taklif qilingan va uni chegara avoregressiv modeli (TAR) deb atashgan. Belgilangan (oldindan belgilangan) chegara qiymatlariga erishilganda u bir chiziqli AR modelidan ikkinchisiga o'tadi. Shunday qilib, tizimda bir nechta ish rejimlari ajralib turadi. Keyin STAR yoki "silliq" TAR modellari taklif etiladi. Bunday model vaqtning uzluksiz funktsiyalari bo'lgan koeffitsientlar bilan olingan bir nechta modellarning chiziqli birikmasidir.BOSHQA BOSHQARMASI NERON TARMOQLARIGA asoslangan modellar:
Shunisi e'tiborga loyiqki, avvalgi xatboshida tasvirlangan barcha modellar neyron tarmoqlari yordamida amalga oshirilishi mumkin. Shaklning har qanday bog'liqligi tanlov "\u003e 13.8-rasm . Avvaliga harakatlar bosqich-bosqich P dastlabki ma'lumotlarni qayta ishlash- aniq vazifa xususiyatlariga juda bog'liq. Jarayonni tavsiflovchi ko'rsatkichlar soni va turini, shu jumladan kechikishlar tuzilishini to'g'ri tanlash kerak. Shundan so'ng siz tarmoq topologiyasini tanlashingiz kerak. Agar ilgari tarmoqlardan foydalanilsa, yashirin elementlar sonini aniqlash kerak. Bundan tashqari, modelning parametrlarini topish uchun siz xato mezonini va optimallashtirish (o'qitish) algoritmini tanlashingiz kerak. Keyin diagnostika vositalaridan foydalangan holda siz modelning turli xil xususiyatlarini tekshirishingiz kerak. Va nihoyat, siz tarmoqning chiqishini sharhlashingiz va uni boshqa qarorlarni qo'llab-quvvatlash tizimining kiritilishiga etkazishingiz kerak. Keyinchalik, biz tarmoqni oldindan qayta ishlash, optimallashtirish va tahlil qilish (disk raskadrovka) bosqichlarida hal qilinishi kerak bo'lgan masalalarni ko'rib chiqamiz.
Ma'lumotlarni yig'ish:
Analitik qabul qilishi kerak bo'lgan eng muhim qaror bu modellashtirilayotgan jarayonni tavsiflash uchun o'zgaruvchilar to'plamini tanlashdir. Turli xil o'zgaruvchilar o'rtasidagi mumkin bo'lgan munosabatlarni tasavvur qilish uchun muammoning mohiyatini yaxshi tushunishingiz kerak. Shu munosabat bilan ushbu mavzudagi tajribali mutaxassis bilan suhbatlashish juda foydali bo'ladi. Siz tanlagan o'zgaruvchilarga kelsak, ular o'zlari ahamiyatli bo'ladimi yoki ular shunchaki boshqa o'zgaruvchilarni aks ettiradimi yoki yo'qligini tushunishingiz kerak. Ahamiyatni sinash o'zaro bog'liqlik tahlilini o'z ichiga oladi. Uning yordami bilan, masalan, ikki qator orasidagi kechikish (kechikish) turidagi vaqt munosabatlarini ochib berish mumkin. Hodisani chiziqli model bilan tavsiflash darajasi, eng kichik kvadratlar (OLS) usuli yordamida regressiya yordamida sinovdan o'tkaziladi.
Optimallashtirishdan so'ng olingan qoldiq subtitr "\u003e

1.3-rasm. 1-birinchi tepalik; 2 soniya tepalik; 3 chiziqli bo'yin HeadShoulders - bosh - elkalar.
XULOSA
Yuqorida aytilganlarning natijasi o'laroq, shuni ta'kidlash joizki, ularning ishlash printsipi asosida amalga oshirilgan neyron tarmoqlari va algoritmlari ichki ishlar organlari uchun barmoq izi kartasini tanib olish tizimlarida ishlatilishi mumkin. Ko'pincha, o'ziga xos identifikatsiya ma'lumotlari bo'lgan, o'ziga xos murakkab tasvirni chizilgan kabi tan olishga qaratilgan dasturiy ta'minot va apparat kompleksining dasturiy komponenti bo'lib, unga yuklangan vazifalarni to'liq hal qilmaydi. Neyron tarmog'iga asoslangan algoritmlarga asoslangan dastur ancha samarali bo'ladi.
Xulosa qilish uchun quyidagilarni umumlashtirishimiz mumkin:
● neyron tarmoqlar rasmlarni va matnlarni tanib olishda ham dasturni topishi mumkin;
● ushbu nazariya yangi istiqbolli modellar sinfini, ya'ni aqlli modellashtirishga asoslangan modellarni yaratish to'g'risida gaplashishga imkon beradi;
● neyron tarmoqlari o'rganishga qodir, bu jarayonning ishlashini optimallashtirish imkoniyatini ko'rsatadi. Ushbu imkoniyat algoritmni amaliy amalga oshirish uchun nihoyatda muhim imkoniyatdir;
● Neyron tarmog'ini o'rganish yordamida naqshlarni aniqlash algoritmini baholash miqdoriy qiymatga ega bo'lishi mumkin, mos ravishda parametrlarni talab qilinadigan og'irlik koeffitsientlarini hisoblash orqali kerakli qiymatga moslashtirish mexanizmlari mavjud.
Bugungi kunda neyron tarmoqlarini keyingi tadqiqotlar ilm-fan va texnikaning, shuningdek, inson faoliyatining ko'plab sohalarida muvaffaqiyatli qo'llaniladigan istiqbolli tadqiqot yo'nalishi bo'lib tuyuladi. Zamonaviy tanib olish tizimlarini rivojlantirishda asosiy e'tibor hozirgi vaqtda geodeziya, tibbiyot, prototiplash va inson faoliyatining boshqa sohalarida 3D tasvirlarni semantik segmentatsiya sohasiga o'tmoqda - bu juda murakkab algoritmlar va bu quyidagilarga bog'liq:
● mos yozuvlar tasvirlari bazalarining etarli miqdorining etishmasligi;
● tizimni dastlabki o'qitish uchun etarli miqdordagi bepul mutaxassislarning etishmasligi;
● tasvirlar pikselda saqlanmaydi, bu ham kompyuterdan, ham ishlab chiquvchilardan qo'shimcha manbalarni talab qiladi.
Shuni ham ta'kidlash kerakki, bugungi kunda neyron tarmoqlarini qurish uchun juda ko'p miqdordagi me'morchilik mavjud bo'lib, bu neyron tarmoqni noldan qurish vazifasini ancha soddalashtiradi va uni ma'lum bir vazifaga mos keladigan tarmoq tuzilishini tanlashga kamaytiradi.
Hozirgi vaqtda bozorda tizim uchun neyron tarmoqlarni o'rganish texnologiyalaridan foydalangan holda tasvirni tanib olish bilan shug'ullanadigan ko'plab innovatsion kompaniyalar mavjud. Ma'lumki, ular 10000 ta ma'lumotlar bazasidan foydalangan holda 95% mintaqada tasvirni aniqlash aniqligiga erishdilar. Shunga qaramay, barcha yutuqlar statik tasvirlar bilan bog'liq bo'lib, unda video ketma-ketliklar mavjud bu lahza hamma narsa ancha murakkab.