В статье рассмотрены особенности прогнозирования многомерных нестационарных временных рядов с использованием нейромоделирования. Для построения прогнозных моделей используются самые современные концепции математического моделирования: методы фрактального и интеллектуального анализа эволюции систем, инструментарий нечеткой логики и искусственных нейронных сетей. В качестве примера рассмотрен процесс подачи топлива с примесями водорода в быстроходных дизелях на кораблях. Рассмотрен выбор топологии искусственной нейронной сети. Принимая во внимание обозначенную задачу исследования и особенности работы СЭУ, представляется целесообразным использовать инструменты нейромоделирования, которые позволяют реализовать новые подходы к прогнозированию динамики многомерных нестационарных временных рядов, происходящих в двигателе. Рассмотрен принцип формирования многомерной базы знаний для нейронной модели с использованием комбинации ключевых концептов теории нечеткой математики и понятия фрактальной размерности, сформированного в рамках множества Мандельброта. Рассмотрены способы обучения нейросети.
The article discusses the features of forecasting multidimensional non-stationary time series using neuromodeling. To build predictive models, the most modern concepts of mathematical modeling are used: methods of fractal and intellectual analysis of the evolution of systems, tools of fuzzy logic and artificial neural networks. As an example, the process of supplying fuel with hydrogen impurities in high-speed diesel engines on ships is considered. The choice of the topology of an artificial neural network is considered. Taking into account the designated research task and the features of the SEP operation, it seems appropriate to use neuro-modeling tools that allow implementing new approaches to predicting the dynamics of multidimensional non-stationary time series occurring in the engine. The principle of formation of a multidimensional knowledge base for a neural model using a combination of key concepts of the theory of fuzzy mathematics and the concept of fractal dimension, formed within the framework of the Mandelbrot set, is considered. Methods of training a neural network are considered.
Dynamic Water-Level Neural-Network Forecast Model on Non-Stationary Time Series
