ПРОБЛЕМА ВЫБОРА НЕЙРОСЕТЕВОЙ МОДЕЛИ ДЛЯ ПРОГНОЗИРОВАНИЯ ПОТОКОВ ДАННЫХ РАСПРЕДЕЛЕННЫХ ИНФОРМАЦИОННЫХ СИСТЕМ

Объектом исследования в работе являются распределенные информационные системы, на вход которых поступает поток заявок, требующих для своего обслуживания выполнения определенных ресурсов. Предметом исследования является прогнозирование потоков данных в таких системах. Цель работы заключается в анализе проблемы выбора нейросетевой модели для прогнозирования потоков данных распределенных информационных систем. Проанализирована специфика исследуемой задачи, а также подходы к решению на основе теории систем массового обслуживания. Сделан вывод о недостаточной адекватности таких систем в условиях динамического изменения состояния. В связи с этим возникла необходимость разработки собственного специализированного математического и алгоритмического аппарата. В результате предложен подход к сокращению объема выборки на основе совмещения нейросетевой модели с численным методом, учитывающим известные закономерности функции и освобождающим нейросеть от прогнозирования этих закономерностей. Специфика математического аппарата потребовала использования соответствующего алгоритмического обеспечения для ее решения. Таким образом, проведен анализ проблемы выбора нейросетевой модели для прогнозирования потоков данных распределенных информационных систем.

1. Гнеденко Б.В., Коваленко И.Н. Введение в теорию массового обслуживания. - М.: Наука, 1987. – 336 с.

2. Бронштейн О.И., Духовный И.М. Модели приоритетного обслуживания в информационно-вычислительных системах. - М.: Наука, 1976. - 220 с.

3. Глушков В.М., Гусев В.В., Марьянович Т.П., Сахнюк М.А. Программные средства моделирования непрерывно-дискретных систем. - Киев: Наукова думка, 1975.

4. Ivakhnenko A.G., Krotov G.I., Cheberkus V.I. Harmonic and exponentialharmonic GMDH algorithms for long-term prediction of oscillating processes. Part I. Sov. J. of Automation and Information Sciences, v.14, no.l, 1981, P.3-17.

5. Muller J.-A. Analysis and prediction of ecological systems. SAMS, vol.21, 1996.

6. Галушкин А.И., Томашевич Д.С., Томашевич Н.С., Муромский М.Ю., Шачнев Е.А. Нейронные алгоритмы экстраполяции функций и их применение в задачах прогнозирования работы Call-центров. Часть 1. // Нейрокомпьютеры. - № 2, 2000. - 12 с.

7. Заенцев И.В. Прогнозирование загрузки локальной вычислительной сети пейджингового центра на основе нейронных сетей// Студенческие научные сообщения (вып. 2). Тез. докл. - Воронеж: ВГУ, 1998. - С. 27.

8. Николис Г., Пригожий И. Самоорганизация в неравновесных системах. - М.: Мир, 1979. - 309 с.

9. Николис Г. Динамика иерархических систем. - М.: Мир, 1989. - 486 с

10. Суровцев И.С., Клюкин В.И., Пивоварова Р.П. Нейронные сети. Введение в современную информационную технологию. - Воронеж: ВГУ, 1994. - 224 с

11. Розенблатт Ф. Принципы нейродинамики (Перцептроны и теория механизмов мозга) - М.: Энергия, 1965. - 480с.

12. Минский М., Пайперт С. Персептроны. - М.: Мир, 1971. - 261 с.

13. Уоссермен Ф. Нейрокомпьютерная техника: теория и практика. - М.: Мир, 1992. - 180с.

14. Горбань А. Н. Обучение нейронных сетей. - М.: СП Параграф, 1990. -159с.

15. Muller В., Reinhardt J. Neural Networks. An introduction. - Berlin: Springer-Verlag, 1991. - 266p.

16. Мкртчян С. О. Нейроны и нейронные сети. (Введение в теорию формальных нейронов) - М.: Энергия, 1971. - 232 с.

17. Волькенштейн М.В. Биофизика: Учеб. руководство. - М.: Наука, Гл. ред. физ.-мат. лит., 1988. - 592 с.

18. Куффлер С., Николе Дж. От нейрона к мозгу. - М.: Мир, 1979. - 440с.

19. Соколов Е.Н., Вайткявичюс Г. Г. Нейроинтеллект: от нейрона к нейрокомпьютеру. - М.: Наука, 1989. - 238 с.

20. Соколов Е.Н., Шмелев Л. А. Нейробионика. (Организация нейроподобных элементов и систем).- М.: Наука, 1983. - 280 с.

21. Ripley B.D. Pattern Recognition and Neural Networks. - Cambridge: Cambridge University Press, 1996. - 403 p.

22. Masters T. Signal and Image Processing with Neural Networks: A C++ Sourcebook. - New York: Wiley, 1994. - 286 p.

23. Волобуев Н.А., Неганов В.А., Нефедов Е.И., Романчук П.И. Квантовомеханические эффекты при работе ионных каналов// Вестник новых медицинских технологий. - 1997, №1-2. - 16 с.

24. Lawrence S., Tsoi A.C., BackA.D. Function Approximation with Neural Networks and Local Methods: Bias, Variance and Smoothness// Australian Conference on Neural Networks, ACNN - 1996. - P. 16-21.

25. Hornik K. Some New Results on Neural Network Approximation// Neural Networks. - 1993, No.6. - P. 1069-1072.

26. Yang Т., Chua L. Implementing Back-Propagation-Through-Time Learning Algorithm Using Cellular Neural Networks. // International Journal on Bifurcation and Chaos. - 1999, Vol. 9, No.6. - P. 1041-1074.

27. Bondarenko E.V. Self-organization Processes in Chaotic Neural Net works Under External Periodic Force // International Journal of Bifurcation and Chaos. - 1997, Vol. 7, No. 8. - P. 1887-1895.

28. Заенцев И.В. Критерии эффективности обработки информации в нейронных сетях. // Межвуз. НПК "Актуальные проблемы совершенствования научно-технического обеспечения деятельности ОВД": Воронеж. Воронежский институт МВД России, 1999. - С. 109- 111.

29. Draghici S. Sethi I.К. On the Possibilities of the Limited Precision Weights Neural Networks in Classification Problems. // Australian Conference on Neural Networks, ACNN - 1996. - P. 132-139.