1. SCSIT
  2. All Volumes and Issues
  3. Volume 751, 2013
  4. Синтез системы прогнозирования моделей в задачах экологического мониторинга

Синтез системы прогнозирования моделей в задачах экологического мониторинга

SCSIT.
2013;
Volume 751
: pp. 403 - 409
Authors: 

E. Мантула

Харьковский национальный университет радиоэлектроники, кафедра информатики

Дослiдження спрямовано на синтез прогнозуючих моделей для нестаціонарного часового ряду. На вiдмiну вiд загальноприйнятих підходів до розв’язання різноманітних задач екологічного моніторингу, що використовують різні структури моделей і методів оцінки параметрів, запропоновано метод адаптивної процедури прогнозу в поєднанні з низькою обчислювальною складністю, шо дає змогу синтезувати кращі оцінки щодо заданого критерію.

  1. Иваненко А.Г. Долгосрочное прогнозирование и управление сложными системами. – К.: Техника, 1975. – 312 с.
  2. Nalimov, V.V.Analysis of the fundamentals of ecological prediction.Man and Nature. – 1983. – № 8. – 31–47.
  3. Zanetti P. 1990 Air Pollution Modelling. – N.Y. Van Nostrand Reinhold, 1990-302p.
  4. Abou-Loukh S., Sinha A.K. Self-tuning predictors with application to river flowprediction.// nt. J. Syst. Sci. 1986. – №4, P. 655-668.
  5. Perez P.; Trier A.; Reyes J. Prediction of PM2.5 concentrations several hours in advance using neural networks in Santiago, Chile // Atmospheric Environment. – 2000. – 34. – p.1189-1196.
  6. Corani Y. Air quality prediction in Milan: feed ward neural networks, pruned neural network and lazy learning// Ecological Modeling. – 2005. – 185. – P.513–529.
  7. Lira T.S.; Barrozo M.A.S.; Assis A.J. Air quaity prediction in Uberlandia, Brazil, using linear models and Neural Networks // 17th European Symposium on Computer Aided Process Engineering Escape17. – Elsevier B.V., 2007 – P.1–6.
  8. Бокс Дж., Дженкинс Г. Анализ временных рядов. Прогноз и управление. Вып.1. – М.: Мир, 1974. – 406 с.
  9. Кашьян Р.Л., Рао А.Р. Построение динамических стохастических моделей по экспериментальным данным. – М.: Наука, 1983. – 383 с.
  10. Nelles O. Nonlinear Systems Identification – Berlin: Springer, 2001. – 785 p. 
  11. Гроп Д. Методы идентификации систем – М.: Мир, 1979. – 302 с.
  12. Перельман И.И. Оперативная идентификация объектов управления. – М.: Энергоиздат, 1982. – 272 с.
  13. Райбман Н.С., Чадеев В.М. Построение моделей процессов производства – М.: Энергия, 1975. – 376 с.
  14. Льюнг Л. Идентификация систем. Теория для пользователя. – М.: Наука, 1991. – 432 с.
  15. Dickinson J.P. Some commands on the combination of forecast // Oper.Res.Quart. – 1975. – 26. – №2. – P.205–210.
  16. Бодянский Е.В., Плисс И.П., Соловьева Т.В. Адаптивное обобщенное прогнозирование многомерных случайных последовательностей // Доклады АН УССР. – 1989. – Сер. А. – № 9. – С. 73–75.
  17. Hansen L.K., Salamon P. Neural networks Ensembles // IEEE Transactions on Pattern Analysis and Machine Intelligence. – 1990. – 12. – P.993– 1000.
  18. Kowalczuk L. Competitive identification for self -tuning control // Automatica. – 1992–28. - 2. - P.193–201.
  19. Sharkey A.J.C. On combining artificial neural nets//Connect.Sci. – 1996. – 8. – P.299-313.
  20. Naftaly U., Intrator N., Horn D. Optimal Ensemble Averaging of Neural Networks// Network: Comput. Neural Syst. – 1997. – 8. – 283–296.
  21. Бодянский Е.В., Воробьёв С.А. Рекуррентная нейронная сеть для обнаружения изменений свойств нелинейных стохастических последовательностей // Автоматика и телемеханика. – 2000. – № 7. – С.55–67.