Table | Card | RUSMARC | |
Allowed Actions: –
Action 'Read' will be available if you login or access site from another network
Action 'Download' will be available if you login or access site from another network
Group: Anonymous Network: Internet |
Annotation
Тема выпускной квалификационной работы: «Разработка системы прогнозирования технологических параметров на базе нейронных сетей » . Цель данной работы - исследование методов прогнозирования технологических параметров с использованием нейронных сетей , а также разработка системы, использующей исследованные методы. В ходе работы были рассмотрены следующие методы прогнозирования: реккурентная нейронная сеть LSTM, реккурентная нейронная сеть GRU, нейронная сеть N-Beats, нейронная сеть N-Hits.В ходе работы были проведены эксперименты по обучению нейронных сетей на реальных данных. Были выбраны различные архитектуры нейронных сетей и проведено сравнение их эффективности в задаче прогнозирования. Результаты показали, что некоторые архитектуры нейронных сетей имеют лучшую точность прогнозирования, чем другие. Работа была выполнена на основе реальных технологических данных. Был проведен анализ этих данных, а также обучены несколько моделей нейронных сетей на основе этих данных с использованием языка Python c использованием библиотек Keras и PyTorch Forecasting. Помимо этого, была разработана интерактивная система на основе полученных моделей нейронных сетей с использованием фреймворка PyQT5.
The topic of the final qualifying work is: «Development of a technical parameters prediction system based on neural network». The purpose of this work is to study methods for predicting technological parameters using neural networks, as well as to develop a system using the methods studied. In the course of the work, the following forecasting methods were considered: recurrent neural network LSTM, recurrent neural network GRU, N-Beats neural network, N-Hits neural network. In the course of the work, experiments were conducted on training neural networks on real data. Various neural network architectures were selected and their effectiveness in the forecasting task was compared. The results showed that some neural network architectures have better prediction accuracy than others. The work was carried out on the basis of real technological data. The analysis of this data was carried out, and several neural network models based on this data were trained using the Python language using the Keras and PyTorch Forecasting libraries. In addition, an interactive system was developed based on the obtained neural network models using the PyQt5 framework.
Document access rights
Network | User group | Action | ||||
---|---|---|---|---|---|---|
ILC SPbPU Local Network | All | |||||
Internet | Authorized users SPbPU | |||||
Internet | Anonymous |
Table of Contents
- Введение
- 1. Общая постановка задачи
- 1.1 Временные ряды
- 1.1.1 Общая информация о временных рядах
- 1.2 Первичная предобработка и анализ данных
- 1.3 Разделение данных и описание способов прогнозирования
- 2. Методы прогнозирования технологического параметра
- 2.1 Реккурентные нейронные сети
- 2.1.1 Общие сведения о искуственных нейронных сетях
- 2.1.2 Реккурентные нейронные сети
- 2.1.3 LSTM
- 2.1.4 GRU
- 2.2 N-Beats и N-HiTS
- 2.2.1 Нейронная сеть N-Beats
- 2.2.2 Базовый блок
- 2.2.3 Стэк базовых блоков
- 2.2.4 Техника Transfer Learning
- 2.2.5 Нейронная сеть N-HiTS
- 2.1 Реккурентные нейронные сети
- 3. Результаты и сравнение моделей
- 3.1 Выбор метрик качества моделей
- 3.2 LSTM и GRU
- 3.3 N-Beats и N-HiTS
- 3.4 Сравнение полученных моделей
- 4. Результаты и сравнение моделей
- Заключение
- Список литературы
- Приложение А
- Модель нейронной сети LSTM и GRU
- Приложение Б
- Модель нейронных сетей N-Beats и N-HiTS
- Приложение В
- Код приложения системы
Usage statistics
Access count: 57
Last 30 days: 0 Detailed usage statistics |