Search academic texts

Information × Registration Number 2123U011488, Article popup.category Опубліковано, Стаття Title NEURAL ORDINARY DIFFERENTIAL EQUATIONS FOR TIME SERIES RECONSTRUCTION popup.author Андросов Д. В.Androsov D. V. popup.publication 24-12-2023 popup.source_user Журнал "Радіоелектроніка, інформатика, управління" (Національний університет "Запорізька політехніка") popup.source https://ric.zp.edu.ua/article/view/294369 popup.publisher National University "Zaporizhzhia Polytechnic" Description Актуальність. Розглянуто задачу реконструкції нестаціонарних часових рядів на основі моделей кодувальникдекодувальник за допомогою нейронних звичайних диференціальних рівнянь. Об’єктом дослідження є задача відновлення та прогнозування нестаціонарних часовиї рядів та процесів в неперевному часі. Мета роботи – синтез моделі на основі архітектури кодувальник-декодувальник та з використанням моделей типу нейронних звичайних диференційних рівнянь для реконструкції часових рядів по зашумленими, нерівномірно розподіленими у час, вхідними сигналами. Метод. Запропоновано метод, що реалізує архітектуру кодувальника-декодувальника та аппарат штучних нейронних мереж з розв’язанням диференціальних рівнянь у латентному просторі. Було встановлено, що даний підхід демонструє високу ефективність та якість прогнозів при вирішенні задачі реконструкції часових рядів по зашумленим вхідним сигналам з випадковими інтервалами між сигналами. Запропонована модель варіаційного автокодувальника на з використанням апарату нейронних мереж була протестована на синтетичних нестаціонарних даних з додаваням білим шумом і семплінгом з випадковими інтервалами між кожним сигналом. Результати. Розроблені показники реалізовані програмно і досліджені при вирішенні задачі реконструкції нестацонарного ряду з сезонністю. Висновки. Проведені експерименти підтвердили, що запропонована модель ефективно вирішує задану задачу і рекомендується застосовувати її для вирішення реальних завдань, що вимагають реконструкції динаміки нестаціонарних процесів. Перспективи включають в себе подальші дослідження різних архітектур нейронних мереж, окрім рекурентних нейронних мереж та архітектур автокодувальників. Зокрема пропонується використовувати інші підходи генеративного нейромережевого моделювання, як генеративно-змагальні мережі у контексті відновлення структури часового ряду popup.nrat_date 2026-02-27 Close