Система відновлення динаміки часового ряду методом штучних нейромререж

Скорочена інформація про документ
dc.contributor.advisorНедашківська, Надія Іванівна
dc.contributor.authorАндросов, Дмитро Васильович
dc.date.accessioned2020-11-16T09:26:50Z
dc.date.available2020-11-16T09:26:50Z
dc.date.issued2020-06
dc.description.abstractenThis thesis contains 83 pages, 4 sections, 7 tables, 16 figures, 2 aappendices, 15 sources. This study covers the time series’ dynamics reconstruction process. The main aim of this paper is to review the foundations of time series analysis using deep learning techniques and approaches, and to develop a neural network based time series model. Research method, used in this study, is conducting an experiment that leads to developing a time-dependent process predictive model. The result of this work is a time series forecasting pipeline based on neural networks approach. Novelty of this study is in presenting a new family of artificial neural networks and their applications in solving cases that involves dynamics reconstruction of continuous-time-dependent processes and their combination with modern feature extraction architectures, such as encoder-decoder models. Results of this research are related to developing hybrid models for analysis and forecasting different processes.uk
dc.description.abstractukДана дипломна робота містить 83 ст., 4 ч., 7 табл., 16 рис., 2 дод., 15 джерел. Об’єкт дослідження – процес відновлення динаміки часового ряду. Мета роботи – розглянути теоретичні основи моделювання та прогнозування часових рядів, засвоїти принципи моделювання часових рядів методами штучних нейронних мереж, розробити модель часового ряду на основі штучних нейронних мереж. Методи дослідження – аналіз процесу створення моделі часового ряду, експеримент, результатом якого є програмна реалізація моделі часового ряду, аналіз отриманих результатів. Результатом роботи є модель часового ряду, а саме система відновлення динаміки часового ряду методами штучних нейронних мереж. Новизною роботи є створення способу відновлення динаміки часового ряду на основі інтеграції апарату диференціальних рівнянь до шарів штучних нейронних мереж, а також використання підходу моделей кодувальник- декодувальник для виявлення прихованих закономірностей у даних, що досліджуються. Результати даної роботи можна застосовувати для створення гібридних моделей прогнозування різноманітних процесів. Також, розроблена реалізація моделі є невимогливою до характеристик досліджуваного процесу, таких як нестаціонарність, сезонність, тощо.uk
dc.format.page202 с.uk
dc.identifier.citationАндросов, Д. В. Система відновлення динаміки часового ряду методом штучних нейромререж : дипломна робота ... бакалавра : 122 Комп'ютерні науки та інформаційні технології / Андросов Дмитро Васильович. - Киів, 2020. - 202 с.uk
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/37395
dc.language.isoukuk
dc.publisherКПІ ім. Ігоря Сікорськогоuk
dc.publisher.placeКиївuk
dc.subjectаналіз часових рядівuk
dc.subjectштучні нейронні мережіuk
dc.subjectрекурентні нейронні мережіuk
dc.subjectзвичайні диференціальні рівнянняuk
dc.subjectархітектура кодувальник-декодувальникuk
dc.subjecttime series nalysisuk
dc.subjectartificial neural networksuk
dc.subjectneural ordinary differential equationsuk
dc.subjectrecurrent neural networksuk
dc.subjectvariational autoencodersuk
dc.titleСистема відновлення динаміки часового ряду методом штучних нейромрережuk
dc.typeBachelor Thesisuk

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Androsov_bakalavr.pdf
Розмір:
4.32 MB
Формат:
Adobe Portable Document Format
Опис:
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
8.98 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Бакалаврські роботи (ММСА)
Бакалаврські роботи