Academic literature on the topic 'Класифікація часових рядів'

Create a spot-on reference in APA, MLA, Chicago, Harvard, and other styles

Select a source type:

Consult the lists of relevant articles, books, theses, conference reports, and other scholarly sources on the topic 'Класифікація часових рядів.'

Next to every source in the list of references, there is an 'Add to bibliography' button. Press on it, and we will generate automatically the bibliographic reference to the chosen work in the citation style you need: APA, MLA, Harvard, Chicago, Vancouver, etc.

You can also download the full text of the academic publication as pdf and read online its abstract whenever available in the metadata.

Journal articles on the topic "Класифікація часових рядів"

1

Kirichenko, Lyudmyla, Vitalii Bulakh, Petro Zinchenko, and Maxim Tawalbeh. "ІНФОРМАЦІЙНА ТЕХНОЛОГІЯ КЛАСИФІКАЦІЇ ФРАКТАЛЬНИХ ЧАСОВИХ РЯДІВ." System technologies 3, no. 128 (March 16, 2020): 115–26. http://dx.doi.org/10.34185/1562-9945-3-128-2020-11.

Full text
Abstract:
В роботі запропоновано інформаційну технологію класифікації часових рядів, що мають фрактальні властивості, на основі методів машинного навчання. Вибір методу класифікації та відповідного набору ознак ґрунтується на мультифрактальних і самоподібних властивостях часових рядів. Як приклад, на основі запропонованої інформаційної технології проведена бінарна класифікація реалізацій нормальних та атакованих трафіків.
APA, Harvard, Vancouver, ISO, and other styles
2

Кіріченко, Людмила, Євгенія Степаненко, and Дмитро Яндуков. "КЛАСИФІКАЦІЯ ЧАСОВИХ РЯДІВ ІЗ ВИКОРИСТАННЯМ РЕКУРЕНТНИХ ДІАГРАМ." System technologies 5, no. 136 (August 8, 2021): 81–87. http://dx.doi.org/10.34185/1562-9945-5-136-2021-08.

Full text
Abstract:
У статті описано новий підхід до класифікації часових рядів на основі їх візуалізації. Часовий ряд подається у вигляді чорно-білого зображення своєї рекурентної діаграми. В якості класифікатора зображень використовується згорткова нейронна мережа. Даними для класифікації є реалізації електрокардіограм, які містять записи здорових людей та пацієнтів з діагнозом ішемія. Результати досліджень вказують на добру точність класифікації порівняно з іншими методами та потенційні можливості цього підходу.
APA, Harvard, Vancouver, ISO, and other styles
3

Андрусенко, Ю. О. "Аналіз основних моделей прогнозування часових рядів." Збірник наукових праць Харківського національного університету Повітряних Сил, no. 3(65), (October 1, 2020): 91–96. http://dx.doi.org/10.30748/zhups.2020.65.14.

Full text
Abstract:
Метою статті є огляд і класифікація основних моделей прогнозування часових рядів. Розглянуті статистичні моделі експоненційного згладжування, ковзного середнього, регресійні та авторегресійні моделі, їх особливості та сфери використання. Зі структурних методів проведено аналіз моделей на базі нейромереж, ланцюгів Маркова, опорних векторів та дерев рішень. Найкращі результати демонструють комбіновані моделі прогнозування, які розглянуто у сучасних публікаціях в інформаційних системах різноманітного призначення. Подальші дослідження будуть об’єднувати статистичні та структурні моделі для отримання кращого прогнозу.
APA, Harvard, Vancouver, ISO, and other styles
4

Жигайло, О. М., and М. М. Топор. "АВТОМАТИЗОВАНА ПОБУДОВА МОДЕЛЕЙ ПРОГНОЗУВАННЯ ЗБУТУ ХЛІБОБУЛОЧНИХ ВИРОБІВ." Automation of technological and business processes 11, no. 2 (June 26, 2019): 24–30. http://dx.doi.org/10.15673/atbp.v11i2.1372.

Full text
Abstract:
Дослідження процесів збуту та планування виробництва є важливою складовою діяльності будь-якого комерційного підприємства. Це пояснюється тим, що професійне вирішення основних задач збуту обумовлює максимальний рівень задоволення потреби клієнтів, створення додаткових маркетингових переваг, збільшення обсягів реалізації, забезпечення зростання прибутку не тільки в коротко, але і в довгостроковому періоді. Для підвищення ефективності управління процесами збуту та планування виробництва сучасні підприємствавикористовують різноманітні програмні продукти, які автоматизують тільки частину їх бізнес-процесів. В тих продуктах, які займаються аналізом, прогнозуванням збуту та плануванням виробництва, існують проблеми з рівнем точності результатів прогнозу. Тому розробка програмних модулів, що спрощують вирішення задачі прогнозування та підвищують точність отриманих результатів є досить актуальною. Для вирішення задачі прогнозування була обрана модель проінтегрованої авторегресії та ковзного середнього (ARIMA). Перед побудовою моделей прогнозування проводиться автоматична класифікація (кластеризація) досліджуваних часових рядів для виявлення чітких груп зі схожими властивостями, яка надає можливість вибору початкової структури моделей прогнозування для кожної із груп. Після цього йде валідація або корегування значень порядку складових моделей (AR, MA), завдяки результатам обробки коррелограмм автокореляційної та приватної автокореляційної функій. На останньому етапі за допомогою методу найменших квадратів розраховуються параметри сформованих моделей прогнозування.
APA, Harvard, Vancouver, ISO, and other styles
5

Соловйов, Володимир Миколайович. "Універсальний інструментарій моделювання складних систем." New computer technology 15 (April 25, 2017): 10–14. http://dx.doi.org/10.55056/nocote.v15i0.617.

Full text
Abstract:
Метою дослідження є визначення критеріїв універсального інструментарію моделювання складних систем. Задачами дослідження є визначення мір складності для систем різної природи і походження. Об’єктом дослідження є моделювання складних систем. Предмет дослідження: синергетична парадигма складності як інструмент ідентифікації та прогнозування природних і штучних систем. У результаті дослідження проаналізовано сучасні підходи до моделювання складних систем різної природи. Показано, що синергетична парадигма складності надає необхідний набір універсальних інструментів для адекватної ідентифікації і прогнозування основних паттернів як природних, так і штучних систем. Сюди, в першу чергу, відносяться теорія фракталів, нелінійна динаміка, еконофізика, теорія складних мереж. Виділено два класи задач: (1) задачі порівняльної класифікації та (2) моніторингу і попередження критичних і кризових явищ. Перший клас задач зводиться до виділення так званих мір складності системи, за якими можна провести класифікацію систем за складністю. При цьому більш складні системи є більш робастними, стійкими до збурень. Досліджуючи динаміку виділених мір складності та порівнюючи її з динамікою вихідної складної системи, можна будувати індикатори і передвісники критичних та кризових явищ. Висновки. Ефективність запропонованого інструментарію продемонстровано на прикладах статистичних реалізацій складних систем різної природи, представлених у виді часових рядів: фізичних, технічних, фінансових, біомедичних, когнітивних тощо. Результати досліджень рекомендується використовувати для створення систем підтримки прийняття рішень, зокрема для моніторингу та прогнозування небажаних кризових явищ у складних системах.
APA, Harvard, Vancouver, ISO, and other styles
6

Лабжинський, В. "Ідентифікація типу аварії на об'єктах критичної інфраструктури за допомогою прихованих моделей Маркова." COMPUTER-INTEGRATED TECHNOLOGIES: EDUCATION, SCIENCE, PRODUCTION, no. 44 (October 28, 2021): 25–29. http://dx.doi.org/10.36910/6775-2524-0560-2021-44-04.

Full text
Abstract:
Розглянуто сучасні методи розпізнавання аномальних патернів у зразках кодових послідовностей для ідентифікації типу аварії на об'єктах критичної інфраструктури за допомогою прихованих марковських моделей. Представлена комплексна методика, що базується на аналізі функції густини ймовірності аномальних паттернів, що застосовується у прихованій марковській та напівмарковській моделі. Вказано, що зазначений підхід дозволяє визначити функцію часової залежності рядів даних, відповідно класифікація проводиться на основі наборів аномальних даних, що не відповідають класам навчальної вибірки. На основі математичної моделі показано, що представлена методика надає можливість оптимізувати ефективність розпізнавання аномальних паттернів при ідентифікації аварійного стану на об'єкті інфраструктури.
APA, Harvard, Vancouver, ISO, and other styles
7

Глушко, Т. Р., Ю. В. Вовк, В. Ю. Вовк, and П. С. Крюков. "РЕЗУЛЬТАТИ КЛІНІКО-ІНСТРУМЕНТАЛЬНОГО ДОСЛІДЖЕННЯ ПОКАЗНИКІВ ЦИФРОВОЇ ОКЛЮЗІЇ ПІД ЧАС РЕЄСТРАЦІЇ МІЖЩЕЛЕПОВОГО ІНТЕРКУСПІДАЦІЙНОГО ПОЛОЖЕННЯ В ПАЦІЄНТІВ З ДВОСТОРОННІМИ ДЕФЕКТАМИ Й ІНТАКТНИМИ ЗУБНИМИ РЯДАМИ." Scientific and practical journal "Stomatological Bulletin" 115, no. 2 (September 22, 2021): 38–45. http://dx.doi.org/10.35220/2078-8916-2021-40-2.8.

Full text
Abstract:
Мета дослідження. Проведення порівняльного клі- ніко-інструментального аналізу результатів реє- страції оклюзійних співвідношень інтеркуспідаційної контактної позиції в групах пацієнтів з інтактними зубними рядами й двосторонніми дефектами зубних рядів під час застосування різних реєстраційних мате- ріалів. Методи дослідження. Проведене обстеження 10 пацієнтів обох статей у віці від 24 до 51 років. Усі обстежені пацієнти були розподілені на лікувальну та контрольну групи. Перша лікувальна група дослі- дження включала 5 пацієнтів з двосторонніми дефек- тами зубних рядів зубощелепної системи класу A2 за класифікацією Ейхнера. Контрольну групу складали 5 пацієнтів з інтактними зубними рядами. Висновки. Інтервал оклюзійного змикання зубів між положен- нями інтеркуспідаційної контактної позиції та мак- симальної інтеркуспідації або показник Δ, який можна визначити за допомогою цифрової технології Tekscan III, маніфестує просторово-часові показники перероз- поділу міжщелепових співвідношень. Особливу ціка- вість викликають значення цих показників у пацієнтів із частковою втратою зубів. У результаті проведених досліджень було виявлено, що під час застосування реєстраційного матеріалу Футар Д клініко-інстру- ментальний аналіз цифрових показників переходу від інтеркуспідаційної контактної позиції до максималь- ної інтеркуспідації дозволив встановити ідентичну тривалість часу оклюзійного змикання зубів, змен- шення довжини траєкторії змикання в 1,05 раза, достовірну зміну пропорційної участі сторін зубних рядів (p>0,05) пацієнтів основної групи проти контр- ольної. Під час використання реєстраційного мате- ріалу Консіфлекс клініко-інструментальний аналіз цифрових показників переходу від інтеркуспідаційної контактної позиції до максимальної інтеркуспіда- ції дозволив виявити подовження тривалості часу оклюзійного змикання зубів у 1,03 раза, збільшення довжини траєкторії змикання в 1,20 раза (p>0,05). Під час застосування реєстраційного матеріалу Металізований віск клініко-інструментальний аналіз цифрових показників переходу від інтеркуспідаційної контактної позиції до максимальної інтеркуспідації дозволив встановити подовження тривалості часу оклюзійного змикання зубів у 1,30 раза та зростання довжини траєкторії змикання в 1,50 раза (p>0,05).
APA, Harvard, Vancouver, ISO, and other styles
8

Соловйов, Володимир Миколайович, and Вікторія Володимирівна Соловйова. "Теорія складних систем як основа міждисциплінарних досліджень." Theory and methods of learning fundamental disciplines in high school 1 (April 2, 2014): 152–60. http://dx.doi.org/10.55056/fund.v1i1.424.

Full text
Abstract:
Наукові дослідження стають ефективними тоді, коли природу подій чи явищ можна розглядати з єдиних позицій, виробити універсальний підхід до них, сформувати загальні закономірності. Більшість сучасних фундаментальних наукових проблем і високих технологій тісно пов’язані з явищами, які лежать на границях різних рівнів організації. Природничі та деякі з гуманітарних наук (економіка, соціологія, психологія) розробили концепції і методи для кожного із ієрархічних рівнів, але не володіють універсальними підходами для опису того, що відбувається між цими рівнями ієрархії. Неспівпадання ієрархічних рівнів різних наук – одна із головних перешкод для розвитку дійсної міждисциплінарності (синтезу різних наук) і побудови цілісної картини світу. Виникає проблема формування нового світогляду і нової мови.Теорія складних систем – це одна із вдалих спроб побудови такого синтезу на основі універсальних підходів і нової методології [1]. В російськомовній літературі частіше зустрічається термін “синергетика”, який, на наш погляд, означує більш вузьку теорію самоорганізації в системах різної природи [2].Мета роботи – привернути увагу до нових можливостей, що виникають при розв’язанні деяких задач, виходячи з уявлень нової науки.На жаль, теорія складності не має до сих пір чіткого математичного визначення і може бути охарактеризована рисами тих систем і типів динаміки, котрі являються предметом її вивчення. Серед них головними є:– Нестабільність: складні системи прагнуть мати багато можливих мод поведінки, між якими вони блукають в результаті малих змін параметрів, що управляють динамікою.– Неприводимість: складні системи виступають як єдине ціле і не можуть бути вивчені шляхом розбиття їх на частини, що розглядаються ізольовано. Тобто поведінка системи зумовлюється взаємодією складових, але редукція системи до її складових спотворює більшість аспектів, які притаманні системній індивідуальності.– Адаптивність: складні системи часто включають множину агентів, котрі приймають рішення і діють, виходячи із часткової інформації про систему в цілому і її оточення. Більш того, ці агенти можуть змінювати правила своєї поведінки на основі такої часткової інформації. Іншими словами, складні системи мають здібності черпати скриті закономірності із неповної інформації, навчатися на цих закономірностях і змінювати свою поведінку на основі нової поступаючої інформації.– Емерджентність (від існуючого до виникаючого): складні системи продукують неочікувану поведінку; фактично вони продукують патерни і властивості, котрі неможливо передбачити на основі знань властивостей їх складових, якщо розглядати їх ізольовано.Ці та деякі менш важливі характерні риси дозволяють відділити просте від складного, притаманного найбільш фундаментальним процесам, які мають місце як в природничих, так і в гуманітарних науках і створюють тим самим істинний базис міждисциплінарності. За останні 30–40 років в теорії складності було розроблено нові наукові методи, які дозволяють універсально описати складну динаміку, будь то в явищах турбулентності, або в поведінці електорату напередодні виборів.Оскільки більшість складних явищ і процесів в таких галузях як екологія, соціологія, економіка, політологія та ін. не існують в реальному світі, то лише поява сучасних ЕОМ і створення комп’ютерних моделей цих явищ дозволило вперше в історії науки проводити експерименти в цих галузях так, як це завжди робилось в природничих науках. Але комп’ютерне моделювання спричинило розвиток і нових теоретичних підходів: фрактальної геометрії і р-адичної математики, теорії хаосу і самоорганізованої критичності, нейроінформатики і квантових алгоритмів тощо. Теорія складності дозволяє переносити в нові галузі дослідження ідеї і підходи, які стали успішними в інших наукових дисциплінах, і більш рельєфно виявляти ті проблеми, з якими інші науки не стикалися. Узагальнюючому погляду з позицій теорії складності властиві більша евристична цінність при аналізі таких нетрадиційних явищ, як глобалізація, “економіка, що заснована на знаннях” (knowledge-based economy), національні і світові фінансові кризи, економічні катастрофи і ряд інших.Однією з інтригуючих проблем теорії є дослідження властивостей комплексних мережеподібних високотехнологічних і інтелектуально важливих систем [3]. Окрім суто наукових і технологічних причин підвищеної уваги до них є і суто прагматична. Справа в тому, що такі системи мають системоутворюючу компоненту, тобто їх структура і динаміка активно впливають на ті процеси, які ними контролюються. В [4] наводиться приклад, коли відмова двох силових ліній системи електромережі в штаті Орегон (США) 10 серпня 1996 року через каскад стимульованих відмов призвели до виходу із ладу електромережі в 11 американських штатах і 2 канадських провінціях і залишили без струму 7 млн. споживачів протягом 16 годин. Вірус Love Bug worm, яких атакував Інтернет 4 травня 2000 року і до сих пір блукає по мережі, приніс збитків на мільярди доларів.До таких систем відносяться Інтернет, як складна мережа роутерів і комп’ютерів, об’єднаних фізичними та радіозв’язками, WWW, як віртуальна мережа Web-сторінок, об’єднаних гіперпосиланнями (рис. 1). Розповсюдження епідемій, чуток та ідей в соціальних мережах, вірусів – в комп’ютерних, живі клітини, мережі супермаркетів, актори Голівуду – ось далеко не повний перелік мережеподібних структур. Більш того, останнє десятиліття розвитку економіки знань привело до зміни парадигми структурного, функціонального і стратегічного позиціонування сучасних підприємств. Вертикально інтегровані корпорації повсюдно витісняються розподіленими мережними структурами (так званими бізнес-мережами) [5]. Багато хто з них замість прямого виробництва сьогодні займаються системною інтеграцією. Тому дослідження структури та динаміки мережеподібних систем дозволить оптимізувати бізнес-процеси та створити умови для їх ефективного розвитку і захисту.Для побудови і дослідження моделей складних мережеподібних систем введені нові поняття і означення. Коротко опишемо тільки головні з них. Хай вузол i має ki кінців (зв’язків) і може приєднати (бути зв’язаним) з іншими вузлами ki. Відношення між числом Ei зв’язків, які реально існують, та їх повним числом ki(ki–1)/2 для найближчих сусідів називається коефіцієнтом кластеризації для вузла i:. Рис. 1. Структури мереж World-Wide Web (WWW) і Інтернету. На верхній панелі WWW представлена у вигляді направлених гіперпосилань (URL). На нижній зображено Інтернет, як систему фізично з’єднаних вузлів (роутерів та комп’ютерів). Загальний коефіцієнт кластеризації знаходиться шляхом осереднення його локальних значень для всієї мережі. Дослідження показують, що він суттєво відрізняється від одержаних для випадкових графів Ердаша-Рені [4]. Ймовірність П того, що новий вузол буде приєднано до вузла i, залежить від ki вузла i. Величина називається переважним приєднанням (preferential attachment). Оскільки не всі вузли мають однакову кількість зв’язків, останні характеризуються функцією розподілу P(k), яка дає ймовірність того, що випадково вибраний вузол має k зв’язків. Для складних мереж функція P(k) відрізняється від розподілу Пуассона, який мав би місце для випадкових графів. Для переважної більшості складних мереж спостерігається степенева залежність , де γ=1–3 і зумовлено природою мережі. Такі мережі виявляють властивості направленого графа (рис. 2). Рис. 2. Розподіл Web-сторінок в Інтернеті [4]. Pout – ймовірність того, що документ має k вихідних гіперпосилань, а Pin – відповідно вхідних, і γout=2,45, γin=2,1. Крім цього, складні системи виявляють процеси самоорганізації, змінюються з часом, виявляють неабияку стійкість відносно помилок та зовнішніх втручань.В складних системах мають місце колективні емерджентні процеси, наприклад синхронізації, які схожі на подібні в квантовій оптиці. На мові системи зв’язаних осциляторів це означає, що при деякій критичній силі взаємодії осциляторів невелика їх купка (кластер) мають однакові фази і амплітуди.В економіці, фінансовій діяльності, підприємництві здійснювати вибір, приймати рішення доводиться в умовах невизначеності, конфлікту та зумовленого ними ризику. З огляду на це управління ризиками є однією з найважливіших технологій сьогодення [2, 6].До недавніх часів вважалось, що в основі розрахунків, які так чи інакше мають відношення до оцінки ризиків лежить нормальний розподіл. Йому підпорядкована сума незалежних, однаково розподілених випадкових величин. З огляду на це ймовірність помітних відхилень від середнього значення мала. Статистика ж багатьох складних систем – аварій і катастроф, розломів земної кори, фондових ринків, трафіка Інтернету тощо – зумовлена довгим ланцюгом причинно-наслідкових зв’язків. Вона описується, як показано вище, степеневим розподілом, “хвіст” якого спадає значно повільніше від нормального (так званий “розподіл з тяжкими хвостами”). У випадку степеневої статистики великими відхиленнями знехтувати вже не можна. З рисунку 3 видно, наскільки добре описуються степеневою статистикою торнадо (1), повені (2), шквали (3) і землетруси (4) за кількістю жертв в них в США в ХХ столітті [2]. Рис. 3. Системи, які демонструють самоорганізовану критичність (а саме такі ми і розглядаємо), самі по собі прагнуть до критичного стану, в якому можливі зміни будь-якого масштабу.З точки зору передбачення цікавим є той факт, що різні катастрофічні явища можуть розвиватися за однаковими законами. Незадовго до катастрофи вони демонструють швидкий катастрофічний ріст, на який накладені коливання з прискоренням. Асимптотикою таких процесів перед катастрофою є так званий режим з загостренням, коли одна або декілька величин, що характеризують систему, за скінчений час зростають до нескінченності. Згладжена крива добре описується формулою,тобто для таких різних катастрофічних явищ ми маємо один і той же розв’язок рівнянь, котрих, на жаль, поки що не знаємо. Теорія складності дозволяє переглянути деякі з основних положень ризикології та вказати алгоритми прогнозування катастрофічних явищ [7].Ключові концепції традиційних моделей та аналітичних методів аналізу і управління капіталом все частіше натикаються на проблеми, які не мають ефективних розв’язків в рамках загальноприйнятих парадигм. Причина криється в тому, що класичні підходи розроблені для опису відносно стабільних систем, які знаходяться в положенні відносно стійкої рівноваги. За своєю суттю ці методи і підходи непридатні для опису і моделювання швидких змін, не передбачуваних стрибків і складних взаємодій окремих складових сучасного світового ринкового процесу. Стало ясно, що зміни у фінансовому світі протікають настільки інтенсивно, а їх якісні прояви бувають настільки неочікуваними, що для аналізу і прогнозування фінансових ринків вкрай необхідним став синтез нових аналітичних підходів [8].Теорія складних систем вводить нові для фінансових аналітиків поняття, такі як фазовий простір, атрактор, експонента Ляпунова, горизонт передбачення, фрактальний розмір тощо. Крім того, все частіше для передбачення складних динамічних рядів використовуються алгоритми нейрокомп’ютинга [9]. Нейронні мережі – це системи штучного інтелекту, які здатні до самонавчання в процесі розв’язку задач. Навчання зводиться до обробки мережею множини прикладів, які подаються на вхід. Для максимізації виходів нейронна мережа модифікує інтенсивність зв’язків між нейронами, з яких вона побудована, і таким чином самонавчається. Сучасні багатошарові нейронні мережі формують своє внутрішнє зображення задачі в так званих внутрішніх шарах. При цьому останні відіграють роль “детекторів вивчених властивостей”, оскільки активність патернів в них є кодування того, що мережа “думає” про властивості, які містяться на вході. Використання нейромереж і генетичних алгоритмів стає конкурентноздібним підходом при розв’язанні задач передбачення, класифікації, моделювання фінансових часових рядів, задач оптимізації в галузі фінансового аналізу та управляння ризиком. Детермінований хаос пропонує пояснення нерегулярної поведінки і аномалій в системах, котрі не є стохастичними за природою. Ця теорія має широкий вибір потужних методів, включаючи відтворення атрактора в лаговому фазовому просторі, обчислення показників Ляпунова, узагальнених розмірностей і ентропій, статистичні тести на нелінійність.Головна ідея застосування методів хаотичної динаміки до аналізу часових рядів полягає в тому, що основна структура хаотичної системи (атрактор динамічної системи) може бути відтворена через вимірювання тільки однієї змінної системи, фіксованої як динамічний ряд. В цьому випадку процедура реконструкції фазового простору і відтворення хаотичного атрактора системи при динамічному аналізі часового ряду зводиться до побудови так званого лагового простору. Реальний атрактор динамічної системи і атрактор, відтворений в лаговому просторі по часовому ряду при деяких умовах мають еквівалентні характеристики [8].На завершення звернемо увагу на дидактичні можливості теорії складності. Розвиток сучасного суспільства і поява нових проблем вказує на те, що треба мати не тільки (і навіть не стільки) експертів по деяким аспектам окремих стадій складних процесів (професіоналів в старому розумінні цього терміну), знадобляться спеціалісти “по розв’язуванню проблем”. А це означає, що істинна міждисциплінарність, яка заснована на теорії складності, набуває особливого значення. З огляду на сказане треба вчити не “предметам”, а “стилям мислення”. Тобто, міждисциплінарність можна розглядати як основу освіти 21-го століття.
APA, Harvard, Vancouver, ISO, and other styles

Dissertations / Theses on the topic "Класифікація часових рядів"

1

Рижанов, В. С. "Класифікація часових рядів на основі візуалізації графів видимості." Thesis, ХНУРЕ, 2021. https://openarchive.nure.ua/handle/document/16438.

Full text
Abstract:
The classification process can solve many problems in different areas. This article describes methods for obtaining an image based on a time series. The main idea is to classify the time series in its other form
APA, Harvard, Vancouver, ISO, and other styles
2

Кіріченко, Л. О., Ю. О. Кобицька, and Т. А. Радівілова. "Класифікація фрактальних часових рядів методами машинного навчання." Thesis, Друкарня Мадрид, 2018. http://openarchive.nure.ua/handle/document/9415.

Full text
Abstract:
У статті проведено порівняльний аналіз класифікації фрактальних часових рядів за допомогою мета- алгоритму на основі дерев рішень Random forest. Для побудови модельних фрактальних часових рядів були обрані біноміальні стохастичні каскадні процеси. Результати свідчать про велику перевагу методів машинного навчання перед традиційними методами оцінювання фрактальних характеристик при класифікації часових рядів за фрактальними властивостями.
APA, Harvard, Vancouver, ISO, and other styles
3

Степаненко, Ю. С. "Застосування рекурентних діаграм для класифікації часових рядів." Thesis, ХНУРЕ, 2020. http://openarchive.nure.ua/handle/document/12133.

Full text
Abstract:
Повторюваність - основна властивість динамічних систем, яку можна використовувати для характеристики поведінки системи у фазовому просторі. Потужним інструментом їх візуалізації та аналізу є рекурентна діаграма. Методи, що ґрунтуються на них, виявилися дуже успішними, особливо в аналізі коротких, зашумлених та нестаціонарних даних, як вони характерні. У цій статті описаний метод класифікації часових рядів на основі побудови графіків рецидивів. Часовий ряд перетворюється на графіки повторення - чорно-біле зображення. Далі, звивиста нейронна мережа використовується для класифікації зображення. Результати показали, що розглянутий метод має досить високу точність класифікації.
APA, Harvard, Vancouver, ISO, and other styles
4

Степаненко, Ю. С. "Визначення аномалій у часових рядах на основі візуалізації рекурентних діаграм." Thesis, ХНУРЕ, 2021. https://openarchive.nure.ua/handle/document/16440.

Full text
Abstract:
Recurrence is a fundamental property of dynamical systems, which can be exploited to characterize the system’s behavior in phase space. A powerful tool for their visualization and analysis is the recurrence plot. Methods basing on recurrence plots have been proven to be very successful especially in analysing short, noisy and nonstationary data, as they are typical. This article describes a method for finding anomalies in a time series based on dividing a time series into parts. Time series parts are converted to recurrence plots - a black and white image. Further, the convolutional neural network is used to classify the image. The results showed that the considered method has a high enough classification accuracy.
APA, Harvard, Vancouver, ISO, and other styles
5

Аулін, В. В., А. В. Гриньків, V. Aulin, and A. Hrinkiv. "Прогнозування технічного стану систем і агрегатів засобів транспорту на основі класифікації діагностичних часових рядів з пам’яттю." Thesis, ЦНТУ, 2017. http://dspace.kntu.kr.ua/jspui/handle/123456789/7315.

Full text
APA, Harvard, Vancouver, ISO, and other styles
We offer discounts on all premium plans for authors whose works are included in thematic literature selections. Contact us to get a unique promo code!

To the bibliography