авторефераты диссертаций БЕСПЛАТНАЯ  БИБЛИОТЕКА

АВТОРЕФЕРАТЫ КАНДИДАТСКИХ, ДОКТОРСКИХ ДИССЕРТАЦИЙ

<< ГЛАВНАЯ
АГРОИНЖЕНЕРИЯ
АСТРОНОМИЯ
БЕЗОПАСНОСТЬ
БИОЛОГИЯ
ЗЕМЛЯ
ИНФОРМАТИКА
ИСКУССТВОВЕДЕНИЕ
ИСТОРИЯ
КУЛЬТУРОЛОГИЯ
МАШИНОСТРОЕНИЕ
МЕДИЦИНА
МЕТАЛЛУРГИЯ
МЕХАНИКА
ПЕДАГОГИКА
ПОЛИТИКА
ПРИБОРОСТРОЕНИЕ
ПРОДОВОЛЬСТВИЕ
ПСИХОЛОГИЯ
РАДИОТЕХНИКА
СЕЛЬСКОЕ ХОЗЯЙСТВО
СОЦИОЛОГИЯ
СТРОИТЕЛЬСТВО
ТЕХНИЧЕСКИЕ НАУКИ
ТРАНСПОРТ
ФАРМАЦЕВТИКА
ФИЗИКА
ФИЗИОЛОГИЯ
ФИЛОЛОГИЯ
ФИЛОСОФИЯ
ХИМИЯ
ЭКОНОМИКА
ЭЛЕКТРОТЕХНИКА
ЭНЕРГЕТИКА
ЮРИСПРУДЕНЦИЯ
ЯЗЫКОЗНАНИЕ
РАЗНОЕ
КОНТАКТЫ

Фрактальные методы анализа и прогнозирования для самоорганизованных технических, биологических и экономических систем

На правах рукописи

Антипов Олег Игоревич ФРАКТАЛЬНЫЕ МЕТОДЫ АНАЛИЗА И ПРОГНОЗИРОВАНИЯ ДЛЯ САМООРГАНИЗОВАННЫХ ТЕХНИЧЕСКИХ, БИОЛОГИЧЕСКИХ И ЭКОНОМИЧЕСКИХ СИСТЕМ 01.04.03 – Радиофизика

Автореферат диссертации на соискание ученой степени доктора физико-математических наук

Научный консультант – доктор физико-математических наук, профессор В.А. Неганов Самара 2011

Работа выполнена на кафедре основ конструирования и технологий радиотехнических систем Поволжского государственного университета телекоммуникаций и информатики

Научный консультант:

доктор физико-математических наук, профессор В.А. Неганов

Официальные оппоненты:

Член-корреспондент РАН, доктор физико-математических наук, профессор С.А. Никитов;

доктор физико-математических наук, профессор А.М. Бобрешов;

доктор физико-математических наук, профессор А.Ф. Крутов

Ведущая организация:

НИИ радиоэлектронной техники МГТУ им. Н.Э. Баумана

Защита состоится «_23_» декабря 2011 г. в _10_ часов на заседании диссертационного совета Д219.003.01 в Поволжском государственном уни верситете телекоммуникаций и информатики по адресу:

443010, г. Самара, ул. Льва Толстого, 23.

С диссертацией можно ознакомиться в библиотеке ПГУТИ.

Автореферат разослан «» _ 2011 г.

Учёный секретарь диссертационного совета, доктор физико-математических наук О.В. Осипов

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы исследования Построение прогнозирующих моделей для предсказывания дальнейшего поведения наблюдаемой величины является крайне актуальной задачей. При этом наблюдаемая величина будет являться результатом работы какой-либо самоорганизованной системы. Но для построения адекватной модели, предска зывающей дальнейшее изменение какой-либо величины, необходимо знать принципы работы системы. Однако, в природе мы часто сталкиваемся с само организованными системами, принцип работы которых очень сложен и на момент исследования в принципе не известен. Примеров таких самоорганизо ванных систем можно привести целое множество, однако следует ограничить ся теми, которые рассмотрены в данной диссертационной работе. В частности, рынки энергоносителей и драгоценных металлов являются самоорганизован ными системами (принцип формирования мирового рынка предполагает его самоорганизацию). Однако, даже математически описав все законы функцио нирования данных рынков, придется столкнуться со множеством неизвестных величин, без учета которых модель будет не полная и достоверного прогноза не даст. Следующими примерами хаотических систем являются рассмотрен ные в данной работе такие биологические системы, как желудочно-кишечный тракт человека и человеческий мозг. Эти системы также, безусловно, являются самоорганизованными, поскольку сам человеческий организм самоорганизует ся из хромосомного набора еще в утробе матери и в этом процессе участие предыдущего поколения, кроме энергетического обеспечения, крайне мини мально. Все эти системы чрезвычайно сложны, и полные модели этих систем построить практически невозможно. Однако, на практике чаще всего прихо дится сталкиваться с еще более сложной задачей. И самой сложной и интерес ной из них является, по мнению автора диссертации, построение прогностиче ской модели самоорганизованной системы на основании одного лишь наблю дения за изменением поведения во времени одной лишь выходной величины системы. Это так называемая задача построения модели «черного ящика», внутри которого заключена неравновесная нелинейная самоорганизованная система. Причем основной информацией об этой системе является только вре менной ряд, представляющий собой зависимость выходной величины системы от времени. Для рассмотренных систем такие величины следующие: для рынка фьючерсов – цены на основные энергоносители, для рынка мировых товаров – цены на основные драгоценные металлы, для валютных рынков – соотношение евро к доллару (ежедневные значения для продолжительных торгов и ежеми нутные значения для внутридневного трейдинга), для желудочно-кишечного тракта человека – электроэнтерографический (ЭГЭГ) сигнал, для человеческо го мозга – электроэнцефалограмма (ЭЭГ).

Кроме вышеперечисленных, в работе уделено внимание таким техниче ским системам, как различные разновидности импульсных стабилизаторов напряжения. Это во многом уникальные системы. Во-первых, они являются реально существующими системами, которые обладают натурной моделью, и при учете достаточного количества параметров их математические модели могут с высокой степенью точности описать (или предсказать) их работу. При чем ни один из параметров не является математической абстракцией и абсо лютно реален. Во-вторых, эти системы, несмотря на то, что описываются отно сительно небольшим числом уравнений, демонстрируют весьма сложные не линейные эффекты. Это похоже на то, как простое популяционное логистиче ское уравнение дает сложнейшую нелинейную динамику при изменении одно го лишь его коэффициента (бифуркационного параметра), что, в свою очередь, позволяет построить бифуркационную диаграмму, отражающую большинство бифуркационных явлений, отождествляемых с катастрофами.

Построение предсказывающих моделей и методов для рассмотренных выше систем является крайне актуальной задачей. Необходимо разработать или преобразовать алгоритм, позволяющий анализировать сигнал или времен ной ряд, поступающий от неравновесной нелинейной системы, и построить по результатам этого анализа прогностическую модель, дающую прогноз даль нейшего поведения этой системы. Соответственно, данный алгоритм также необходимо адаптировать к каждой конкретной области с учетом ее особенно стей.



Один из основных этапов данного алгоритма, требующий наиболее при стального внимания – метод выявления временного лага. Эта задача особенно актуальна при анализе временных выборок, представленных достаточно боль шим количеством отсчетов, к коим, например, относится рассматриваемый в работе электрогастроэнтерографический сигнал. Как будет показано в работе, существующие на данный момент методы определения временного лага не дают вразумительных результатов даже для аналитических моделей дискрет но-нелинейных систем. Поэтому одной из главных целей данной диссертаци онной работы будет являться разработка фрактального метода выявления вре менного лага.

Вплоть до появления работ с участием автора данной диссертационной работы не поднималась задача об установлении начального отсчета исходного временного ряда для выборки с известным временным лагом. Данный номер первого отсчета при восстановлении псевдофазового пространства можно рас сматривать как аналогию с фазовым сдвигом для гармонических сигналов. Это наиболее актуально для рассматриваемых в работе дискретно-нелинейных систем, у которых моменты переключения внутреннего тактового генератора наиболее полно отражают динамику их работы. Таким образом, актуальной является задача разработки метода выявления так называемого фазового сдви га применительно к дискретно-нелинейным системам.

Построение прогностических моделей для экономических систем было и будет являться крайне актуальной задачей. На данный момент существует множество методов для примерного предсказания поведения каких-либо эко номических рядов. Современная тенденция такова, что наиболее хорошо при менительно к некоторым сегментам рынка работают модели, учитывающие максимально возможное число параметров. В частности, модели, построенные на нейронных сетях, должны, согласно современным требованиям, учитывать даже природные факторы, такие как погода и время года (не говоря уже о се зонных распродажах) [Л1]. Возможно, такой переизбыток информации и поле зен для рынка продаж бытовых товаров и товаров повседневного спроса. Од нако, данные модели разрабатываются целыми закрытыми институтами и яв ляются крайне дорогостоящими продуктами, ориентированными на ограни ченное число заказчиков. Соответственно, для нашей страны получение таких моделей также не является возможным из-за коммерческой тайны.

В данной диссертационной работе предложен совершенно иной подход.

Он предлагает произвести анализ сложности динамики какого-либо экономи ческого процесса на основании одного лишь временного ряда. Цель такого анализа – выявление момента качественного изменения поведения исследуе мой экономической системы (т.е. кризиса в терминологии теории катастроф).

С помощью фрактальных методов анализа и предложенных автором их моди фикации, возможно определить моменты качественного изменения в поведе нии системы и, соответственно, предсказать их дальнейшее поведение в отно сительно долгосрочной перспективе. В рамках данного подхода самой акту альной задачей, решаемой разрабатываемыми методами, является выявление момента наступления крупных экономических кризисов (таких, например, как в 2008г.), то есть их предсказания в краткосрочной перспективе для конкрет ных рынков энергоносителей и драгоценных металлов.

Однако, для некоторых практических задач, и рассмотренных в данной диссертационной работе систем, построение прогностической модели не явля ется главной целью. В частности, для биологических систем наиболее актуаль но дифференцировать ЭГЭГ сигналы, поступающие от нормально и не нор мально функционирующих систем между собой, а для ЭЭГ сигналов класси фицировать их отдельные участки для выявления функционального состояния мозга в диагностических целях.

Поскольку в работе рассматриваются самоорганизованные системы, раз рабатываемые методы их анализа должны быть фрактальными, что наиболее хорошо согласуется с их природой.

Таким образом, решение вышеперечисленных проблем является крайне актуальной задачей.

Цели и задачи исследования Основные цели и задачи можно свести к следующим пунктам:

– построение математических моделей импульсных стабилизаторов напря жения для имитации их работы в неравновесном состоянии с учетом раз личных активных потерь;

– проведение разностороннего анализа пространственно-временного хаоса в дискретно-нелинейных системах с помощью фрактальных мер детермини рованного хаоса и исследование их фрактальных и мультифрактальных свойств);

– разработка метода выявления временного лага для неравновесных нели нейных систем и его апробирование на примере дискретно-нелинейных систем;

– разработка метода предсказания качественной смены поведения системы применительно к рынкам драгоценных металлов и энергоносителей;

– применение разработанных методов фрактального анализа к выявлению нарушений в работе ЖКТ путем анализа биопотенциальных сигналов;

– разработка фрактального метода анализа биопотенциалов головного мозга с целью выявления фазы сна и построения гипнограммы.

Объект исследования. Первоначальными объектами исследования яви лись дискретно-нелинейные системы, которые были представлены импульс ными стабилизаторам напряжения различных типов и структур, а также с раз личным видами обратных связей. Следующими объектами исследования яви лись системы мирового ценообразования на основные энергоносители. В част ности, исследовались рынки фьючерсов на нефть-сырец и отопительную нефть. Также исследовались рынки ценных металлов, таких как платина, золо то и палладий. Кроме того, исследовались такие экономические системы, как мировые валютные рынки. В частности, рассматривались ежедневные и еже минутные курсы соотношения единой европейской валюты (Euro) к американ скому доллару (USD). Также в рамках диссертационной работы исследовались биологические системы. Были рассмотрены последовательности биоэлектри ческих потенциалов в виде эквидистантных временных рядов, поступающих от желудочно-кишечного тракта человека. Также были рассмотрены биоэлектри ческие потенциалы человеческого мозга в различных стадиях его функциони рования. Таким образом, было проведено исследование нелинейной динамики, пространственно-временного хаоса и явления самоорганизации в неравновес ных физических, биологических и экономических системах.

Предмет исследования. Предметом исследования в дискретно нелиней ных системах явились их выходные сигналы, представленные в виде эквиди стантных временных рядов. Поскольку в качестве дискретно-нелинейных сис тем выступали импульсные стабилизаторы напряжения, то рассматривалось их выходное напряжение. Основное внимание уделено исследованию данных систем в неравновесном состоянии, когда их фазовое пространство демонстри ровало проявление пространственно-временного хаоса, на фоне которого явст венно прослеживалось явление самоорганизации, выраженное во фрактальных и мультифрактальных свойствах сигналов, поступающих от исследуемых сис тем.

Для данных систем решалась задача выявления временного лага и фазо вого сдвига для корректного вычисления фрактальных характеристик. Затем данные характеристики использовались для построения нейронных сетей, предсказывающих дальнейшее поведение данных систем. Показано на кон кретном примере, каким образом можно использовать данные прогнозирую щие системы для вычисления спектра ляпуновских характеристических пока зателей и определения горизонта прогнозирования с помощью энтропии Кол могорова.

Для экономических систем были исследованы временные ряды фьючерс ных цен на такие энергоносители, как нефть-сырец и отопительная нефть, и решалась задача разработки фрактального метода предсказания приближаю щейся смены тенденции. Та же самая задача решалась и применительно к це новым рядам стоимости таких драгоценных металлов, как платина, золото и палладий. Также было проведено исследование ежедневных и ежеминутных соотношений Euro/USD с целью выявления корреляции между их фракталь ными свойствами.

Одним из предметов исследования биологических систем явился низко частотный сигнал, поступающий от ЖКТ человеческого организма. Задачей исследования ставилось выявление различий во фрактальных свойствах сигна лов здоровых людей и пациентов с жалобами на работу ЖКТ. Для решения данной задачи был применен метод, разработанный на основе фрактального анализа дискретно-нелинейных систем. Другим предметом исследования био логических систем была электроэнцефалограмма человеческого головного мозга, находящегося в различных стадиях бодрствования и сна. Задачей иссле дования данного предмета была разработка фрактального метода выявления стадии сна на основании одного лишь биоэлектрического сигнала, снятого с кожного покрова головы. На основании полученных результатов строится гипнограмма, позволяющая специалисту диагностировать различные рас стройства здоровья, связанные со сном.

Методологическая и теоретическая основа исследования Методы исследования. Бенуа Мандельброт – математик, впервые пред ложивший термин «фрактал» применительно к самоподобным структурам, является одним из основателей фрактальной методологии. Используемый в работе метод нормированного размаха Хёрста (R/S анализ) впервые широко был применен к фрактальным одномерным рядам различного происхождения именно Мандельбротом. Фрактальность многих биологических и экономиче ских систем создается за счет явления самоорганизации. Наиболее основатель но теорию самоорганизации впервые рассмотрел Герман Хакен, развив целую отрасль науки, названную им впоследствии «синергетика». В рамках синерге тики, Хакен выявил и исследовал используемый в данной диссертационной работе принцип подчинения, позволяющий сложнейшие хаотические процес сы описать относительно небольшим числом независимых переменных. Из влечение максимальной информации о фрактальных свойствах систем на ос новании только лишь одномерного ряда на их выходе стало возможным благо даря теореме Такенса и его методу восстановления аттрактора в псевдофазо вом пространстве. Впоследствии к этому аттрактору становятся применимы такие методы, как метод Грассбергера-Прокаччиа для вычисления коре ляционной размерности, метод ложных ближайших соседей, метод аппрокси мационной энтропии и различные методы определения спектра фрактальных размерностей Реньи с помощью различных методов покрытия фазового про странства. Определение странности аттрактора производится с использовани ем определения устойчивостей по Ляпунову и Пуассону. Определение спектра ляпуновских характеристических показателей (ЛХП) производилось по моди фицированному алгоритму Бенеттина с использованием стандартного метода ортогонализации Грама-Шмидта. Для рассматриваемых временных рядов это стало возможным благодаря предложенному В.А. Головко методу вычисления спектра ЛХП с использованием нейросетевого моделирования [Л2]. Построе ние нейронных сетей производилос ь на теоретических базах теоремы Колмо горова-Арнольда и работы Хехт-Нильсена. Предлагаемые в работе прогнози рующие нейронные сети полностью отвечают требованиям объединенной тео ремы Колмогорова-Арнольда-Хехт-Нильсена, вытекающим из ее следствий.





Для обучения нейронных сетей применялись такие методы, как стандартный метод обратного распространения ошибки и градиентный метод Левенберга Марквардта. Определение горизонта прогнозирования производилось с помо щью вычисления энтропии Колмогорова через положительные члены спектра ЛХП.

Применение результатов фрактального анализа к экономическим систе мам производилось на основании предложенной Петерсом теории фрактально го рынка. Практические аспекты конкретных реализаций некоторых вышепе речисленных методов можно найти в работах Анищенко.

Информационная база исследования. В качестве основной методологи ческой и информационной базы исследования использовались методы и дан ные из научных книг и статей, а также иностранных научных статей по иссле дуемой тематике на языке оригинала. Также, в работе использовались данные, взятые из докладов на различных международных конференциях. Основой диссертационной работы являются данные, взятые автором из материалов собственных расчетов и исследований, основные результаты которых опубли кованы в виде монографий и статей, а также доложены на различных всерос сийских и международных конференциях. Исследуемые в рамках диссертаци онной работы финансовые временные ряды брались из открытых бесплатных источников сети Интернет. Рассматриваемые в работе биоэлектрические сиг налы мозга и желудочно-кишечного тракта были получены в результате их клинического съема с пациентов-добровольцев, проводившегося на базе ка федры неврологии при СОКБ им. Калинина и в городской больнице №8 г. Са мары соответственно.

Научная новизна работы состоит в разработке теоретических положе ний, совокупность которых можно квалифицировать как новое крупное науч ное достижение в теории анализа самоорганизованных неравновесных техни ческих, экономических и биологических систем, а именно:

– впервые введено понятие «фазового сдвига» применительно к эквидистант ным временным рядам различного происхождения и предложен фрактальный метод его выявления;

– предложена модификация метода БЛС применительно к финансовым вре менным рядам, которая впервые применена в качестве индикатора, предска зывающего качественное изменение в поведении исследуемой экономиче ской системы;

– впервые применен разработанный алгоритм фрактального анализа к электро гастроэнтерографическому сигналу с целью выявлению нарушений в работе ЖКТ;

– впервые применен фрактальный метод нормированного размаха к выявлению стадий сна при полисомнографии;

– впервые проведен мультифрактальный анализ дискретно-нелинейных систем;

– впервые проведено обобщение для неравновесных технических, экономиче ских и биологических систем с точки зрения теории самоорганизации (си нергетики) для определения сложности происходящих в них динамических процессов.

Обоснованность и достоверность результатов работы подтверждается:

– использованием обоснованных физических моделей и строгих математиче ских методов решения поставленных задач;

– сравнением отдельных полученных результатов с расчетными данными, при веденными в научной литературе;

– сравнением некоторых результатов математического моделирования с ре зультатами исследования построенного макета.

Практическая значимость работы Разработанные в диссертационной работе фрактальные методы выявле ния временного лага и фазового сдвига могут найти широкое применение в прикладных и теоретических областях науки, связанных с анализом хаотиче ских временных рядов. Это области исследования нелинейной динамики, при кладной физики, синергетики фрактального анализа. Разработанные методы для экономических систем могут быть применены в экономических областях, связанных со стратегическим планированием торгово-экономической полити ки. Разработанные методы анализа электрогастроэнтерограмм совместно с прикладным оборудованием могут быть применены не только в стационарах, где находятся послеоперационные пациенты, но и во всех широкопрофильных поликлиниках. Разработанный метод анализа электроэнцефалограмм может быть использован в любых медицинских учреждениях, связанных с невроло гией. На базе методологии могут быть разработаны малогабаритные или мо бильные приборы регистрации ЭЭГ с автоматизированным построением гип нограмм для широкого спектра задач.

Основные положения, выносимые на защиту:

1. Фрактальный и мультифрактальный анализ дискретно-нелинейных систем.

2. Фрактальный метод выявления временного лага и фазового сдвига хаотиче ских временных рядов.

3. Алгоритм построения прогнозирующих нейронных сетей по результатам фрактального анализа временных рядов.

4. Фрактальный метод прогнозирования экономических кризисов по финансо вым временным рядам.

5. Алгоритм фрактального анализа электрогастроэнтерографического сигнала.

6. Фрактальный метод определения фазы сна по электроэнцефалографическо му сигналу.

Апробация результатов исследования Результаты диссертационной работы апробировались на IX Российской научной конференции профессорско-преподавательского состава, научных сотрудников и аспирантов (г. Самара, 2002 г.), X Российской научной конфе ренции профессорско-преподавательского состава, научных сотрудников и аспирантов (г. Самара, 2003 г.), IX Международной НТК «Радиолокация, нави гация и связь» (г. Воронеж, 2003 г.), II Международной НТК «Физика и техни ческие приложения волновых процессов» (г. Самара, 2003 г.), XI Российской научной конференции профессорско-преподавательского состава, научных сотрудников и аспирантов (г. Самара, 2004 г.), III Международной НТК «Фи зика и технические приложения волновых процессов» (г. Волгоград, 2004 г.), IV Международной НТК «Физика и технические приложения волновых про цессов» (г. Нижний Новгород, 2005 г.), XII Российской научной конференции профессорско-преподавательского состава, научных сотрудников и аспирантов (г. Самара, 2005 г.), V Международной НТК «Физика и технические приложе ния волновых процессов» (г. Самара, 2006 г.), VI международной НТК «Физи ка и технические приложения волновых процессов» (г. Казань, 2007 г.), VII Международной НТК «Физика и технические приложения волновых процес сов» (г. Самара, 2008 г.), XVI Российской научной конференции профессорско преподавательского состава, научных сотрудников и аспирантов (г. Самара, 2009 г.), X Международной научно-технической конференции «Проблемы техники и технологии телекоммуникации» (г. Самара, 2009 г.), XVII Россий ской научной конференции профессорско-преподавательского состава, науч ных сотрудников и аспирантов (г. Самара, 2010 г.), IX Международной НТК «Физика и технические приложения волновых процессов» (г. Челябинск, 2010 г.), XVIII Российской научной конференции профессорско преподавательского состава, научных сотрудников и аспирантов (г. Самара, 2011 г.).

Структура и объем диссертации Диссертационная работа состоит из введения, шести глав, заключения, списка использованных источников из 183 наименований и содержит страниц текста, в том числе 182 рисунка.

Публикации По материалам диссертации опубликована 61 работа, в том числе 20 ста тей в журналах, включенных в перечень ВАК, и монографии «Детерминиро ванный хаос и фракталы в дискретно-нелинейных системах» и «Анализ и про гнозирование поведения временных рядов: бифуркации, катастрофы, синерге тика, фракталы и нейронные сети». Автор имеет 9 единоличных публикаций, в том числе статью в журнале, включенном в перечень ВАК.

СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы диссертации, определены цели и задачи исследования, показана новизна и практическая ценность рабо ты, перечислены основные положения, выносимые на защиту.

В первой главе подробно рассмотрены математические модели дискрет но-нелинейных систем, в роли которых выступают импульсные стабилизаторы напряжения различных типов и структур с различными видами обратных свя зей, работающие в неравновесном состоянии. Функциональные схемы некото рых из них показаны на рис. 1.

а) б) в) г) Рис. 1 – Функциональные схемы с учетом активных потерь реактивных элементов для: ИСН-1 (а), ИСН-2 (б), ИСН-3 (в) и 2-ИСН-1 (г) Здесь представлены основные типы импульсных стабилизаторов напря жения (ИСН): понижающий (ИСН-1), повышающий (ИСН-2), инвертирующий (ИСН-3) и сдвоенный понижающий (2-ИСН-1). Показаны различные проявле ния хаотических явлений в этих системах и доказывается их фрактальная при рода, что позволяет утверждать о том, что хаотические проявления являются самоорганизованными. Это дает теоретическое право применять к дальнейше му анализу дискретно-нелинейных систем синергетические принципы подхо да. В главе постепенно вводятся такие базовые понятия фрактального анализа детерминированного хаоса как бифуркация, показатель Ляпунова (ПЛ), би фуркационная диаграмма (БД), кризис, перемежаемость, фрактальная размер ность, спектр фрактальных размерностей Реньи, «ползучий» хаос и т.д. Непо средственно перед использованием даны их краткие теоретические основы из работ отечественных и зарубежных авторов.

Полученные БД для данных рассмотренных систем позволяют однознач но утверждать, что в основном переход к хаосу в них происходит через цикл бифуркаций удвоения. В качестве примера на рис. 2 представлена характерная БД для импульсного стабилизатора напряжения повышающего типа (ИСН-2), находящегося в неравновесном состоянии.

Здесь параметром бифуркации выступает величина тока опорного источника I ref. Для наглядности дан ная БД совмещена со значением старшего показателя Ляпунова l, рассчитанного по алгоритму Беннети на [Л2]. Из рис. 2 видно, что наряду с обычными бифуркациями удвоения периода ( I ref = I 2, I 4, I 5 ) существуют узкие окна нечетных периодов в ин тервале I 5 I ref I 6. При I ref I 5 на ступает хаотический режим, что соот ветствует положительным значениям l. В интервале I 5 I ref I 6 располо жено так называемое «окно» периода три, т.е. «окно» нечетного периода.

Теоретическое обоснование, объяс няющее подобное поведение системы, Рис. 2 – Бифуркационная диаграмма и зависимость l от I ref для ИСН- изложено в [Л3,Л4].

При I ref I 6 находятся три, как бы уменьшенные, копии бифуркационной структуры левой части бифуркационной диаграммы. Таким образом, БД ИСН 2 сама является фрактальной структурой, что согласуется с предположением о связи между фракталами и хаосом [Л5]. Ранее фрактальность БД визуально показана в [Л6] на примере логистического отображения, теперь, в данной работе она доказана для дискретно-нелинейных систем.

Также в главе получены математические модели для исследуемых систем с учетом различных активных потерь реактивных и силовых элементов. Пока зано, что учет активных потерь позволяет более точно рассчитать границы устойчивости дискретно-нелинейных систем на предмет возникновения в них бифуркационных явлений. Также показано, что при учете потерь некоторые явления в этих системах хотя и имеют внешне линейную форму, аппроксими руются экспоненциальными функциями, что автоматически переводит их на другой уровень анализа. Построенные с учетом потерь БД показывают качест венное изменение в характере работы исследованных систем при варьирова нии различных параметров бифуркации. Это подтверждает наличие в дискрет но-нелинейных системах кризисов и справедливость применения к ним теории катастроф [Л7]. Для данных систем также получены различные виды аттракто ров, подтверждены их фрактальные свойства и вычислены спектры размерно стей Реньи. Эти результаты достоверно подтверждают наличие явлений само организации в этих системах, что позволяет рассматривать их с точки зрения синергетики [Л8,Л9].

Разработан, построен и исследован макет ИСН-2, работающий в хаотиче ском режиме. На основании экспериментальных данных построена бифурка ционная диаграмма, подтверждающая качественные изменения, происходящие при изменении параметра бифуркации. Показано наличие всех характерных режимов, присутствующих в математической модели, что подтверждает пра вильность ее построения.

Во второй главе на примере ИСН-3 показано, что дискретно-нелинейные системы, рассматриваемые в работе, обладают не только фрактальными, но и мультифрактальными свойствами. Это также подтверждает справедливость применения к ним синергетического подхода, т.е. говорит об их самоорганизо ванной природе.

Впервые показано, что аттракторы дискретно-нелинейных систем обла дают свойствами геометрического самоподобия. В частности, на рис. 3 и рис. приведены обнаруженные автором скейлинговые эффекты для аттракторов на сечениях Пуанкаре для выходного напряжения и тока дросселя ИСН-3. В дока зательство этому утверждению проведен численный анализ скейлинговых свойств этих аттракторов. Масштабные коэффициенты соотношений расстоя ний между траекториями определены по соотношениям [Л10]:

X - X n +1 Y -Y Таблица d nX = n, d n = n n +1, Y n 1 2 X n +1 - X n + 2 Yn +1 - Yn + d nX 2.72397 2.72299 2. X - X0 Y -Y FnX = n, FnY = n 0, FnX 2.72345 2.72255 2. X n +1 - X 0 Yn +1 - Y dn где X и Y – координаты точек аттракто- Y 2.55546 2.55543 2. ра, лежащих на соответствующих прямых Y Fn 2.55544 2.55542 2. в показанных сечениях рис. 3 и рис. 4.

Значения масштабных коэффициентов для n = 1, 2, 3 сведены в таблицу 1, из которой видна масштабная инвариантность. Это является одним из основных доказательств принадлежности данных аттракторов к классу странных.

Рис. 3 – Геометрическое самоподобие Рис. 4 – Масштабная инвариантность сечения Пуанкаре для выходного на- сечения Пуанкаре для тока дросселя пряжения ИСН-3 ИСН- Следующим способом подтверждения фрактальности какой-либо струк туры, будь то множество чисел или хаотический аттрактор диссипативной системы, является исследование поведения зависимости показателя массы от его порядка q. Показатель массы определяется соотношением через статисти ческую сумму [Л11,Л12]:

M (e ) ln Z (q, e ) ;

Z (q, e ) = piq (e ), t ( q ) = - lim (1) ln e e ® i = где pi = lim ( N i / N ) - вероятность попадания точки, принадлежащей аттрак N ® тору в i -ю ячейку, Ni -число точек в этой ячейке, N -число точек аттрактора.

Полученный вид зависимости показателя массы от порядка для аттракторов ИСН-3 оказался типичным для мультифрактала [Л11].

Для вычисления мультифрактального скейлинг-спектра через преобразо вание Лежандра [Л12] автором была получена зависимость показателя Лип шица-Гёльдера от порядка q :

M (e ) M (e ) q a (q ) = - lim piq ln pi pi ln e. (2) x ® i =1 i = С учётом (1) и (2), выразив показатель массы через обобщенную стати стическую сумму, можно получить сингулярный скейлинг-спектр через преоб разование Лежандра:

M (e ) M (e ) ln piq (e ) piq (e ) ln pi (e ) f (a (q ) ) = lim - q lim i = i =. (3) ln ( e ) e ® M ( e ) e ® pi (e ) ln e q i =1 На основании выражений (2) и (3) автором была создана математическая мо дель для построения сингулярного скейлинг-спектра как зависимости от пока зателя Липшица-Гёльдера. Правильность ее работы проверялась на известном аттракторе Эно. Внешний вид полученного спектра показан на рис. 5 (подоб ный вид имеет неоднородный треугольник Серпинского [Л12]). Правильность геометрической формы спектра подтверждена на основании её основных свойств, которые описаны в [Л12,Л13]. При помощи этой модели были по строены спектры для аттракторов ИСН-3 при различных значениях сопротив ления датчика тока. Некоторые из них представлены на рис. 6.

Рис. 5 – Мультифрактальный сингу- Рис. 6 – Мультифрактальный сингу лярный скейлинг-спектр аттрактора лярный скейлинг-спектр аттракторов Эно и геометрическая интерпретация ИСН-3 при различных значениях со его основных свойств противления датчика тока В диссертационной работе для дискретно-нелинейных систем впервые получена такая специфическая зависимость, как «чертова лестница». Это так же попутно позволило получить функции распределения для выходных сигна лов дискретно-нелинейных систем. В работе показано, что их внешний вид отличается от нормально распределенных, как показано на рис. 7 на примере одного из странных аттракторов ИСН-3. На рис. 8 показано совмещение гра фика «чертовой лестницы» с соответствующим распределением вероятности.

Внешний вид данной «чертовой лестницы» имеет такие же характерные осо бенности, как интегральная вероятность выигрыша при игре с использованием «поглощающего» алгоритма [Л14], т.е. она является самоафинной, а моды функции распределения распределены по скейлинговому закону Фейгенбаума с коэффициентом d » 1.85. Это полностью доказывает как фрактальную, так и мультифрактальную природу рассмотренных в работе сигналов дискретно нелинейных систем и позволяет утверждать о неприменимости к данным сиг налам методов статистического анализа.

Рис. 7– Распределение плотности веро- Рис. 8 – Распределение плотности веро ятностей вдоль оси ординат (б) для про- ятностей аттрактора ИСН-3 (а) и соот нормированного аттрактора ИСН-3 (а) ветствующая ей «чёртова лестница» (б) В третьей главе диссертационной работы представлены разработанные автором методы выявления временного лага t и введено понятие «фазового сдвига» применительно к дискретно-нелинейным системам. До сих пор выбор t производился методами статистики и полученному значению величины не придавали значения [Л15-Л19,Л13]. В книге [Л15] сказано, что выбор таких параметров, как размерность пространства вложения m и временной задержки t, влияет на диагностику хаотичности, установления уровня шума, на оценку энтропии, время предсказуемости и на верхний предел допустимой длины окна реконструкции. Как будет показано в этой и следующих главах, правиль ность выявления данных величин имеет существенное значение.

Кроме того, на момент начала исследований во всех работах, посвящен ных данной теме, не поднимался вопрос о времени начала регистрации выход ного сигнала системы. Ведь если проводить аналогию между временным лагом t и периодом работы дискретно-нелинейной системы T, то существует ана логия между фазовым сдвигом и началом регистрации сигнала, идущего от системы. Поэтому далее в главе автор предлагает свой метод для выявления так называемого «фазового сдвига». А также, конкретно для дискретно нелинейных систем, решается вопрос о возможности выявления времени сра батывания внутреннего тактового генератора в хаотическом режиме работы с помощью фрактальных мер.

Для получения алгоритма метода решалась так называемая задача «про зрачного ящика», когда параметры анализируемой системы известны, что по зволяет мгновенно оценить достоверность метода. В качестве анализируемых дискретно-нелинейных систем были выбраны ИСН различных типов, рабо тающих в хаотическом режиме (рис. 1). Математические модели данных сис тем и их работа в хаотическом режиме наиболее подробно описаны автором в [1]. Достоинством данных систем является то, что параметры дискретизации заложены в их структуру, то есть являются естественными.

На данный момент для выбора временной задержки t при анализе вре менного ряда существуют следующие основные методы [Л15,Л17]: метод ав токорреляционной функции, метод взаимной информации, метод среднего отклонения и метод, основанный на вычислении спектра мощности. После анализа результатов применения всех этих методов к выявлению временного лага на примере дискретно-нелинейных систем была доказана неприменимость этих методов к данному классу неравновесных систем.

В результате дальнейших исследований предложен метод, основанный на вычислении корреляционного интеграла Ce(e, N ) по методу Грассбергера Прокаччиа. Особенность вычислений предлагаемого метода заключается в том, что сами вычисления зависимостей Ce(e, N ) от e нужно производить не для всех значений mC вплоть до насыщения значения корреляционной раз мерности, а только для двумерного случая, т.е. mC = 2. Это существенно со кращает время расчетов и позволяет автоматизировать процедуру, исключив визуальный метод выделения линейного участка. Согласно методу, необходи мо получить значения корреляционного интеграла Ce как функции Ce(t ), где t -непрерывный ряд целочисленных значений, лежащих в искомом диапазоне.

Для этого сначала получаем временные выборки из исходного ряда, каждая из которых будет получена с соответствующим временным лагом t. Для полно ты исследования для каждого t были получены временные ряды с различны ми фазовыми сдвигами j, чтобы исключить фактор его влияния. Результаты приведены на рис. 9 в виде зависимостей минимальных, максимальных и средних значений Ce(e, N ) (множество значений Ce(e, N ) получено за счет вычислений для различных j ). Из рисунка видно, что искомому значению t / t 0 = 1 соответствуют абсолютные минимумы зависимостей Ce(t / t 0 ). Од нако, те же самые результаты автором были получены с помощью другого метода, разработанного в рамках данного исследования. Данный метод осно ван на методе БЛС, но является его модификацией. В ходе а) б) в) г) Рис. 9 – Графики зависимостей минимального, максимального и среднего значений Ce при различных значениях t / t 0 для ИСН-1 (а), ИСН-2 (б), ИСН-3 (в) и 2-ИСН-1 (г) исследования было выявлено, что для размерности пространства вложения mC = 2 отношение числа ближайших ложных соседей к длине выборки P / N при переходе в пространство mC = 3 существенно зависит от величи ны взятого лага t. Как и в предыдущем методе, вычислялась зависимость P / N для различных t. Результаты данного расчета приведены на рис. 10.

Как видно из рисунка, результаты такие же, как и при применении метода Грассбергера-Прокаччиа (см. рис. 9). Скорость расчета данного метода ком пенсирует его сложность.

После вычисления временного лага t встает вопрос о выявлении фазово го сдвига. Как показано в диссертационной работе, для дискретно-нелинейных систем это имеет особое значение. В итоге, хороший результат показало обыч ное вычисление показателя Хёрста для различных значений фазового сдвига j. Значения показателя H как функции от j в полярной системе координат показаны на рис. 11 для всех исследуемых систем. На данных графиках на правления “фазового сдвига” j, соответствующие максимальному значению показателя Хёрста, отмечены стрелками. Как видно из рисунка, направления стрелок совпадают со значениями исходных фазовых сдвигов j0 = 0° с точно стью до p / 8.

а) б) в) г) Рис. 10 – Графики значений отношений ложных ближайших соседей к длине ряда P / N для пространства вложения mC = 2 в виде зависимостей от t / t 0 для ИСН-1 (а), ИСН-2 (б), ИСН-3 (в) и 2-ИСН-1 (г) а) б) в) г) Рис. 11 – Зависимости значений показателя Хёрста H от “фазового сдвига” j, по строенные в полярной системе координат при t = t 0 для следующих систем:

а) ИСН-1;

б) ИСН-2;

в) ИСН-3;

г) 2-ИСН- Для сдвоенного стабилизатора 2-ИСН-1 направление j соответствует 180°. Это связано с тем, что 2-ИСН-1 состоит из двух стабилизаторов, рабо тающих в противофазе и соединенных по схеме ведущий-ведомый. Причем ведущий стабилизатор работает с “фазовым сдвигом” j0 = 180°. Это хороший результат, поскольку, как показал проведенный в диссертационной работе анализ, внешний вид аттракторов не дает особых намеков на выбор j.

Далее в диссертационной работе с помощью фрактальных мер детерми нированного хаоса было проведено исследование, показывающее, что непра вильный выбор временного лага и фазового сдвига дают неправильные резуль таты фрактального анализа для исследуемого класса систем.

Таким образом, в главе предложены фрактальные методы выявления вре менного лага фазового сдвига применительно к дискретно-нелинейным систе мам. Однако, как показано далее в диссертационной работе, обобщения дан ных методов позволили применять их для различных самоорганизованных биологических и экономических систем.

В четвертой главе диссертационной работы представлен предложенный автором алгоритм построения ПНС на основе предварительного фрактального анализа, основанный на проведенных автором исследованиях.

Неравновесные технические, а тем более экономические и биологические системы являются самоорганизованными структурами [Л8]. Для большинства биологических и экономических систем невозможно построить макета или натурной модели для анализа их работы и предсказания их поведения. Однако, можно построить математическую модель, описывающую поведение этих систем. В данной главе предлагается решение крайне интересной, на взгляд автора, задачи – построения математической модели нелинейной неравновес ной системы на основании одного лишь временного ряда, порожденного дан ной системой, т.е. создание реконструкции динамической системы (ДС).

На практике чаще всего нет возможности измерить зависимость от вре мени всех координат состояния системы. Типична ситуация, когда доступной для измерения является только одна из характеризующих процесс величин, одна из координат состояния a (t ). Зависимость величины, описывающей со стояние системы, от некоторой независимой переменной, которая чаще всего является временем или пространственной координатой, называется (наблю даемой) реализацией системы. Ситуация, при которой единственный способ получения представления об устройстве интересующей нас системы состоит в изучении ее реализаций, а любая другая информация является недоступной, привела к возникновению понятия «черного ящика». Этим термином стали называть любые системы, единственной информацией о которых является сигнал, подаваемый на вход, и сигнал, измеряемый на выходе, причем сущест вование первого сигнала не является обязательным. Зависящая от времени реализация (наблюдаемая), дискретизированная с некоторым шагом Dt, назы вается одномерным временным рядом a (iDt ) = a i, i = 1, 2,..., N. Реконструк ция ДС собственно и состоит в восстановлении модельной системы по экспе риментальному временному ряду a i.

Идея того, что любая самоорганизованная система должна обладать раз мерностью, под которой автор будет понимать количество независимых фак торов, влияющих на ее поведение, легла в основу предлагаемого автором пол ного алгоритма, описанного в этой главе. Для выявления количества степеней свободы в данной работе привлечен фрактальный анализ временного ряда, порожденного исследуемой системой. Зная размерность исследуемой системы, легко определить размерность математической модели, описывающей ее пове дение. Это особенно актуально, если строить математическую модель на осно ве прогнозирующих нейронных сетей (ПНС), как предлагается в данной рабо те. Полный алгоритм анализа временного ряда был описан в [18].

По результатам фрактального анализа строится предсказывающая нейронная сеть (ПНС). Из всего раз нообразия конфигураций НС теореме Такенса о реконструкции удовлетво ряет структура ПНС с временной задержкой, показанная на рис. 12. В такой системе автоматически реали- Рис. 12 – Структура предсказывающей НС с временной задержкой зуется метод Такенса для восстанов ления псевдофазового пространства. В качестве нейронной сети с прямой свя зью был выбран многослойный персептрон с одним скрытым слоем. Согласно объединенной теореме Колмогорова-Арнольда-Хехт-Нильсена [Л20] именно эта структура является наиболее математически обоснованной.

Важным, по мнению автора диссертации, является тот факт, что в данном случае в качестве предпроцессирования (с соответственным последующим постпроцессированием) автор использовал следующую нормировку:

x(t ) - xmin x (t ) = + 0.25.

2( xmax - xmin ) Это сужает диапазон значений как входной, так и, соответственно, выходной переменных до интервала [0.25;

0.75]. Поскольку выходная переменная нахо дится в том же диапазоне, что и входная, будет использоваться только линей ный участок функции активации выходного нейрона. Это сделано с двумя целями. Во-первых, это увеличивает длину прогноза за счет приближенной к линейной функции активации. А во-вторых, данная нормировка позволяет видеть, когда сигнал прогноза выйдет за рамки нормировки, что достоверно свидетельствует об ошибочном прогнозе.

Наличие связи между фрактальной размерностью аттрактора исследуе мой системы и степенью ее свободы с параметрами ПНС также предполага лась в работах Головко В.А. [Л2], где он использовал для анализа известные системы Лоренца, Эно и Ресслера. Однако, используемые в этих работах стан дартные методы выявления временного лага показали свою нежизнеспособ ность применительно к дискретно-нелинейным системам, как это было пока зано в предыдущей главе. Также, в данных работах не было проведено полно мерного исследования зависимости конкретных характеристик ПНС от резуль татов фрактального анализа с точки зрения их оптимальности. В диссертаци онной работе автор установил конкретные зависимости оптимальной конфигу рации параметров ПНС от фрактальных характеристик сигнала сис темы и проиллюстрировал на примере конкретной дискретно-нелинейной сис темы – ИСН-3. Далее в работе показано, что стандартные формулы для НС [Л20] являются неприменимыми. Были построены различные ПНС на базе многослойного персептрона с различным количеством элементов входного слоя и с различным количеством нейронов скрытого слоя, и произведен их анализ. Согласно работам Головко В.А. [Л2], такие параметры, как количество элементов входного слоя n и количество нейронов скрытого слоя m, напря мую связаны с фрактальными характеристиками прогнозируемого сигнала. В результате в работе была установлена четкая взаимосвязь между фрактальны ми характеристиками сигнала и конфигурацией наиболее оптимальной ПНС, предсказывающей его дальнейшее поведение. Наилучшие результаты по сово купному анализу нескольких тестовых рядов дала сеть, построенная на базе многослойного персептрона (МП) с конфигурацией МП 14:14:1. Характерные предсказания данной ПНС представлены на рис. 13.

а) б) Рис. 13 – Примеры прогнозирования ПНС МП 14:14:1 для тестового ряда, исполь зуемого при кросс-проверке (а) и независимого тестового ряда (б), который не ис пользовался в процессе обучения (сплошная линия – оригинальная последователь ность исходного ряда, а пунктирная – ее прогноз) а) б) Рис. 14 – Аттракторы оригинальной последовательности (а) и от ПНС (б) На взгляд автора, более объективной оценкой достоверности полученной прогнозирующей системы является способность данной системы к восстанов лению аттрактора в фазовом пространстве. Большинство полученных в данной работе ПНС показали неудовлетворительный результат, однако, сеть МП 14:14:1 позволяет получить аттрактор, наиболее близкий к оригинальному, что видно из рис. 14. Остальные системы, давшие более-менее удовлетвори тельный результат, имели либо урезанные аттракторы, либо «расплывчатые».

В конце четвертой главы, как логическое завершение проведенного ис следования и предложенного алгоритма показано, как, преобразовав получен ные ПНС, получить математическую модель, способную рассчитать для одно мерного ряда спектр ляпуновских характеристических показателей (ЛХП).

Идея получения спектра ЛХП по одномерной реализации принадлежит Голов ко В.А. [Л20], который с помощью ПНС реализовал алгорим Беннетина с орто гонализацией и ортонормировкой по методу Грама-Шмидта и с успехом при менил к известным хаотическим системам. В данной диссертационной работе автором реализована программа, которая, имитируя работу ПНС, на основании полученного спектра ЛХП через энтропию Колмогорова позволяет рассчиты вать горизонт прогнозирования.

В начале пятой главы с помощью фрактального анализа по авторской методике решалась задача выявления степени корреляции между различными фрактальными значениями ежедневных и ежеминутных колебаний отношения европейской валюты евро к американскому доллару (€/$).

Как показали расчеты, ежедневные и ежеминутные значения €/$ имеют не только схожий внешний вид, но и примерно одинаковые значения показателя Херста в районе H » 0.96. В результате анализа спектра мощности можно сделать предположение, что анализ ежеминутной в отличие от ежедневной динамики не даст никаких долгосрочных прогнозов.

На рис. 15 и рис. 16 представлены характерные результаты применения метода Грассбергера-Прокаччиа, из которых видно, что ежедневные значения €/$ представляют зашумленный ряд от конечномерной самоорганизованной системы, в отличие от ежеминутных значений €/$, которые являются просто шумом.

а) б) Рис. 15 – Зависимости корреляционного интеграла от e при разных m в двойном логарифмическом масштабе (а) и зависимость корреляционной размерности от раз мерности пространства вложения (б) для ряда ежедневных значений за период с 29.03.2004г. по 30.12.2008г.

а) б) Рис. 16 – Зависимости корреляционного интеграла от e при разных m (а) и зависи мость DC (m) (б) для ряда ежеминутных значений за 18.05.2008г.

Главным результатом пятой главы явилось применение предложенного автором алгоритма, основанного на модифицированном методе ближайших ложных соседей для предсказания изменения динамики цен на различные виды нефти и драгоценные металлы. Метод ближайших ложных соседей, после его авторской модификации, позволил прогнозировать на основе анализа преды дущих цен последующие устойчивые тренды, как положительные, так и отри цательные.

Суть модификации заключалась в следующем. Как и в авторском методе выявления временного лага, рассчитывалось количество ложных соседей P при переходе из двумерного в трехмерное псевдофазовое пространство. Одна ко, в данном случае длина ряда соответствовала длине плавающего окна w. В результате авторских исследований, представленных в главе, установлена оп тимальная длина окна w = 90, а величина порога Rt = 2e. В методе флагом изменения предлагается принимать начало выхода значения зависимости P / w от n за границы коридора P / w - 2s и P / w + 2s, где P / w – среднее значение за весь наблюдаемый период, а s - стандартное отклонение, опреде ляемое через квадратный корень из дисперсии.

Первоначально с помощью данного метода анализировался рынок различ ных видов нефти. Значения цен на различные виды нефти оказались сильно коррелированны, поэтому результат применения метода оказался схожим. На рис. 17 показаны результаты вычислений отношения P / w для фьючерсной цены на нефть-сырец BC (от названия тиккера Brent Crude). Здесь жирной линией показано среднее значение величины P / w для каждого дня ряда за весь наблюдаемый период, определяемое по формуле = n -1 i =1 ( P / w)i, где n – номер отсчета с начала исследования за n P/w n вычетом размера окна w. Из рис. 17 видна закономерность: начала выхода P / w за границу диапазона P / w - 2s предшествовали отрицательному тренду, а за границу диапазона P / w + 2s предшествовали положительному тренду.

Рис. 17 – Сопоставление экстремумов вычисленной зависимости количест ва ложных ближайших соседей P, отнесенной к длине окна w, с соответствующи ми значениями фьючерсной цены нефти-сырца BC Далее по предложенной выше методике было проведено исследование рынка драгоценных металлов, таких как золото, платина и палладий. Результа ты фрактального анализа для платины представлены на рис. 18. В результате применимость метода подтвердилась для рынка драгоценных металлов.

Таким образом, в главе проведен фрактальный анализ валютного рынка, выявивший степень корреляции между ежедневными и внутридневными от счетами. Важным результатом главы явилось применение фрактального автор ского метода к таким самоорганизованным экономическим системам, как фьючерсный рынок энергоресурсов и рынок драгоценных металлов. Одним из основных результатов применения метода явилось получение флагов, предска зывающих длительные положительные и отрицательные тренды, в том числе и кризис 2008г., для всех исследованных экономических рядов.

Рис. 18 – Сопоставление экстремумов отклонений вычисленной зависимости P / w с соответствующими значениями цены на платину Pt в долларах.

В шестой главе представлены результаты применения авторских разра боток в области самоорганизованных биологических систем. В частности, ис следовались такие сигналы биологических систем, как электрогастроэнтеро графический сигнал (ЭГЭГ) желудочно-кишечного тракта (ЖКТ) человека и электроэнцефалограмма человеческого мозга. В главе показана эффективность использования авторских методов с целью диагностирования различных от клонений в функционировании человеческого организма.

В главе был проведен фрактальный анализ ЭГЭГ сигнала с использовани ем авторского метода нахождения временного лага. В частности, на рис. показаны результаты корреляционной оценки, из которых следует, что ЭГЭГ сигнал не является каким-либо шумом, а сам ЖКТ является конечномерной самоорганизованной системой.

а) б) Рис. 19 – Зависимости корреляционного интеграла Ce от размера элементарных ячеек e для различных значений пространств вложения m (а) и зависимость фрак тальной размерности DC от размерности пространства вложения mC для ЭГЭГ сиг нала, взятого с временным лагом t = Авторский алгоритм фрактально го анализа лег в основу разработанно го совместно с соавторами [Л21,16] программно-аппаратного комплекса для съема и фрактального анализа ЭГЭГ сигнала. Клинические испыта ния комплекса проводились в город ской больнице №8 г. Самары в период с 1 августа по 1 ноября 2010 года ме тодом периферической гастроэлек троэнтерографии. Было снято 27 гаст роэлектроэнтерограмм у лиц без жа лоб на болезни ЖКТ и 26 у больных Рис. 20 – Результаты эксперимента по фрак пациентов в возрасте от 18 до 40 лет, тальному анализу ЭГЭГ здоровых людей результаты фрактального анализа (обозначены крестиками) и пациентов с жалобами на состояние ЖКТ (кружки).

которых показаны на рис. 20.

Из рисунка видна четкая дифференциация между здоровыми людьми и пациентами с жалобами на ЖКТ, что позволяет использовать комплекс в диаг ностических целях. На данный момент, экспериментальный образец радиотех нического комплекса для регистрации и анализа ЭГЭГ сигналов внедрен в ФГУ 354 ОВКГ МО РФ г. Самара.

Далее в шестой главе решалась задача автоматизации процесса распо знания стадий сна путем анализа ЭЭГ сигнала, снятого в рамках полисомно граммы. На данный момент для решения задачи используется либо ручной труд квалифицированных специалистов, либо используются спектральные методы, поставляемые вместе с дорогостоящим оборудованием для снятия полисомнограмм. Спектральные методы обладают рядом недостатков, в том числе низким процентом правильно распознанных стадий и крайне плохим выявлением глубоких стадий сна. Поскольку человеческий мозг является са моорганизованной системой [Л22], то решение данной задачи требует синерге тических подходов. За рубежом подобная задача решалась с помощью расчета корреляционного интеграла и корреляционной энтропии. Автор предложил свои модификации этих методов и к тому же предложил свой метод, основан ный на расчете показателя Херста.

Гипнограммы, полученные с помощью всех трех используемых в данной работе методов, представлены на рис. 21 в виде пунктирных линий. Гипно грамма, полученная специалистами, показана на этом же рисунке в виде сплошной линии. На данном рисунке по оси абсцисс отложены номера эпох со времени начала регистрации ЭЭГ. По оси ординат отложены следующие фазы [Л23]: ВД – время движения (нераспознаваемая фаза, связанная с нали чием двигательных артефактов, длительность которых составляет минимум 25% времени эпохи), РБ – расслабленное бодрствование, БДГ – фаза с быст рым движением глаз (фаза парадоксального сна), I,II,II,IV – 1,2,3 и 4 фазы сна соответственно.

а) б) в) Рис. 21 – Сравнение гипнограммы, полученной специалистами (сплошная линия), с гипнограммами, полученными с помощью следующих фрактальных методов (пунк тирные линии): а – методом нормированного размаха Хёрста;

б – методом Грассбер гера-Прокаччиа;

в – методом аппроксимационной энтропии Если сравнивать количественные характеристики совпадения гипно грамм, полученных с помощью различных фрактальных методов, с гипно граммой, составленной специалистами вручную по количеству эпох, имеющих полное совпадение фаз сна, то получены следующие результаты: авторский метод, основанный на показателе Херста – 52,2%;

метод, основанный на кор реляционном интеграле – 47,8%;

метод основанный на аппроксимационной энтропии – 48,5%. По скорости вычисления авторский метод на два порядка превосходил метод корреляционного интеграла и на два порядка метод ап проксимационной энтропии.

ЗАКЛЮЧЕНИЕ По результатам работы можно сделать следующие выводы.

1. Построены математические модели дискретно-нелинейных систем с учетом активных потерь и доказана правильность их работы, как путем срав нения с работами зарубежных авторов, так и экспериментальным путем.

2. Подтверждены фрактальные и мультифрактальные свойства дискретно нелинейных систем, что подтверждает их неравновесное состояние и воз никшее на это фоне явления самоорганизации.

3. Предложен новый алгоритм выявления временного лага на основании исследования неравновесного состояния дискретно-нелинейных систем, со держащий авторские модификации известных фрактальных методов.

4. Предложен новый алгоритм выявления «фазового сдвига» для дискрет но-нелинейных систем, основанный на известном фрактальном методе.

5. Разработан алгоритм построения прогностических моделей на базе ней ронных сетей для неравновесных динамических систем, предсказывающих их поведение, содержащий авторские методы выявления временного лага и фа зового сдвига.

6. Предложен новый метод, основанный на модификации известного фрак тального метода, позволяющий анализировать финансовые временные ряды и предсказывать тенденции в экономических системах.

7. Предложен алгоритм анализа (включающий авторские модификации фрактальных методов) биоэлектрических сигналов ЖКТ, позволяющий диф ференцировать здоровых людей от людей с неправильно функционирующи ми ЖКТ.

8. Предложен алгоритм анализа ЭЭГ сигналов при полисомнографии, по зволяющий дифференцировать различные стадии функционирования челове ческого мозга в диагностических целях. Данный алгоритм основан на фрак тальных методах с использованием синергетического подхода.

СПИСОК ОСНОВНЫХ ОПУБЛИКОВАННЫХ РАБОТ По тематике диссертационной работы опубликована 61 работа, в том числе:

1. Антипов О.И., Неганов В.А., Потапов А.А. Детерминированный хаос и фракталы в дискретно-нелинейных системах. – М.: Радиотехника, 2009. – 235 с.

2. Антипов О.И., Неганов В.А. Анализ и прогнозирование поведения вре менных рядов: бифуркации, катастрофы, синергетика, фракталы и ней ронные сети. – М.: Радиотехника, 2011. – 350 с.

3. Антипов О.И., Неганов В.А. Оценка пульсаций импульсных источников электропитания методом усреднения // Физика волновых процессов и ра диотехнические системы. – 2003. – Т. 6. – № 3. – С. 69-74.

4. Антипов О.И., Неганов В.А. Детерминированный хаос в импульсном стабилизаторе напряжения повышающего типа // Физика волновых про цессов и радиотехнические системы. – 2004. – Т. 7. – № 3. – С. 53-61.

5. Антипов О.И., Неганов В.А. Детерминированный хаос в импульсном ста билизаторе напряжения повышающего типа в режиме управления по току с дополнительной обратной связью по напряжению // Электромагнитные волны и электронные системы. – Москва, 2005. – Т. 10. – № 9 – С. 25-32.

6. Антипов О.И., Неганов В.А., Панфёрова Т.А. Нелинейная динамика и хао тические явления в нематическом жидком кристалле // Физика волновых процессов и радиотехнические системы. – 2006. – Т. 9. – № 4 – С. 76-87.

7. Антипов О.И., Неганов В.А. Исследование динамических характеристик и детерминированного хаоса импульсных стабилизаторов напряжения // Физика волновых процессов и радиотехнические системы. – 2006. – Т. 9.

– № 4 – С. 88-105.

8. Антипов О.И., Неганов В.А. Влияние учета активных потерь на детерми нированный хаос в импульсном стабилизаторе напряжения инвертирую щего типа // Физика волновых процессов и радиотехнические системы. – 2007. – Т. 10. – № 4 – С. 48-55.

9. Антипов О.И., Неганов В.А. Исследование динамического хаоса в им пульсном стабилизаторе напряжения инвертирующего типа с учетом влияния активных потерь с помощью мер фрактального исчисления // Нелинейный мир. – Москва, – 2008. – Т. 6. – № 7 – С. 364-377.

10. Антипов О.И., Неганов В.А. Сравнение детерминированного хаоса в импульсных стабилизаторах напряжения различных типов // Физика вол новых процессов и радиотехнические системы. Пленарные доклады. – 2008. – Т. 11. – № 3 – С. 120-130.

11. Антипов О.И., Неганов В.А. Применение метода нормированного разма ха Хёрста к анализу стохастических временных рядов в импульсных ста билизаторах напряжения // Физика волновых процессов и радиотехниче ские системы. – 2009. – Т. 12. – № 3 – С. 78-85.

12. Антипов О.И. Анализ хаотической работы составного стабилизатора, состоящего из двух понижающих конверторов, связанных по схеме ве дущий-ведомый, при помощи фрактальных мер детерминированного хаоса // Известия ВУЗов. Прикладная нелинейная динамика. – 2010. – Т.

18 – №1 – С. 101-111.

13. Антипов О.И., Неганов В.А. Фрактальный анализ дискретно-нелинейных систем на примере импульсного стабилизатора, работающего в хаотиче ском режиме, и построение на его основе прогнозирующих нейронных сетей // Физика волновых процессов и радиотехнические системы. – 2010.

– Т. 13. – № 2 – С. 7-23.

14. Антипов О.И., Добрянин А.В., Неганова Е.В., Неганов В.А. Фрактальный анализ динамики цен на нефть // Экономические науки – 2010, Май, №5(66), – С. 260-271.

15. Антипов О.И., Неганов В.А. Фрактальный анализ нелинейных систем и построение на его основе прогнозирующих нейронных сетей // Физика волновых процессов и радиотехнические системы. – 2010. – Т. 13. – № – С. 54-63.

16. Антипов, О.И., Нагорная М.Ю. Фрактальный анализ электрогастро энтерографического сигнала // Биомедицинская радиоэлектроника. – 2010. – №10. – С. 40-44.

17. Антипов О.И., Неганова Е.В. Анализ корреляции между фрактальными мерами ежедневных и ежеминутных значений отношения EURO/USD // Физика волновых процессов и радиотехнические процессы, – 2010. – Т.

13 – № 4 – С. 96-101.

18. Антипов О.И., Неганов В.А. Прогнозирование и фрактальный анализ хаотических процессов дискретно – нелинейных процессов с помощью нейронных сетей // ДАН, 2011. – Том 436. - № 1. – С. 1-4.

19. Antipov O.I., Neganov V.A. Neural Network Prediction and Fractal Analysis of the Chaotic Processes in Discrete Nonlinear Systems // ISSN 1028- Doklady Physics, 2011, Vol. 56, №1, PP. 7-9.

20. Антипов О.И. Показатель Херста биоэлектрических сигналов / О.И.

Антипов, М.Ю. Нагорная // Инфокоммуникационные технологии. – 2011. – №1 (9). – С. 75-77.

21. Неганов В.А., Антипов О.И., Неганова Е.В. Фрактальный анализ вре менных рядов, описывающих качественные преобразования систем, включая катастрофы // Физика волновых процессов и радиотехнические процессы, – 2011. – Т. 14 – № 1 – С. 105-110.

22. Антипов О.И., Ивахник В.В., Неганова Е.В., Неганов В.А. Фрактальный анализ динамики цен на драгоценные металлы // Физика волновых про цессов и радиотехнические процессы, – 2011. – Т. 14 – № 2 – С. 110-116.

Список литературы Л1. Ежов А.А., Шумский С.А. Нейрокомпьютинг и его приложения в экономи ке и бизнесе. М. : МИФИ, 1998. 222 с.

Л2. Головко В.А. Нейросетевые методы обработки хаотических процессов // VII Всероссийская научно-техническая конференция «Нейроинформатика 2005»: Лекции по нейроинформатике. М. : МИФИ, 2005. С. 43–91.

Л3. Табор М. Хаос и интегрируемость в нелинейной динамике/ Пер.с англ., Науч.ред. В.А.Журавлев.–М.:Эдиториал УРСС, 2001. – 320 с.

Л4. Шустер Г. Детерминированный хаос: Введение/ Пер. с англ. – М.: Мир, 1990. – 312 с.

Л5. Кроновер Р.М. Фракталы и хаос в динамических системах. Основы тео рии. М.: Постмаркет. – 2000. – 352 с.

Л6. Ряшко Л.Б. Модели динамики популяции: от порядка к хаосу // Соросов ский образовательный журнал, 2001, Т. 7, №10. – С.122-127.

Л7. Арнольд В.И. Теория катастроф. 3-е изд., доп. М. : Наука. Гл. ред. физ.

мат. лит., 1990. 128 с.

Л8. Хакен Г. Синергетика: Иерархия неустойчивостей в самоорганизующих ся системах: Пер. с англ. М. : Мир, 1985. 423 с.

Л9. Лоскутов А.Ю., Михайлов А.С. Введение в синергетику: Учеб. руково дство. – М.: Наука, 1990. – 272 с.

Л10. Мун Ф. Хаотические колебания: Вводный курс для научных сотрудни ков и аспирантов / Пер. с англ. – М.: Мир, 1990. – 312 с.

Л11. Федер Е. Фракталы: Пер. с англ. – М.: Мир, 1991. – 254 с.

Л12. Божокин С.В., Паршин Д.А. Фракталы и мультифракталы. – Ижевск:

НИЦ «Регулярная и хаотическая динамика», 2001. – 128 с.

Л13. Кузнецов С. П. Динамический хаос (курс лекций). – М.: Издательство Физико-математической литературы, 2001.– 296 с.

Л14. Шредер М. Фракталы, хаос, степенные законы. Миниатюры из беско нечного рая. – Ижевск: НИЦ «Регулярная и хаотическая динамика», 2001. – 528 с.

Л15. Малинецкий Г.Г., Потапов А.Б., Подлазов А.В. Нелинейная динамика:

Подходы, результаты, надежды. Изд. 2-е. М. : КомКнига, 2009. 280 с.

Л16. Ширяев В.И. Финансовые рынки: Нейронные сети, хаос и нелинейная динамика: Учебное пособие. Изд. 2-е, испр. и доп. М. : Книжный дом «ЛИБРОКОМ», 2009. 232 с.

Л17. Мусалимов В.М., Резников С.С., Чан Нгок Чау. Специальные разделы высшей математики. СПб : Санкт-Петербургский Государственный Универ ситет Информационных технологий Механики и Оптики (СПбГУ ИТМО), 2006. 80 с.

Л18. Постнов Д.Э., Павлов А.Н., Астахов С.В. Методы нелинейной динами ки: Учеб. пособие для студ. физ. фак. Саратов 2008. 120 с.

Л19. Безручко Б.П., Смирнов Д.А. Математическое моделирование и хаоти ческие временные ряды. Саратов : Гос УНЦ «Колледж», 2005. 320 с.

Л20. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. 2-е изд., стереотип. М. : Горячая линия-Телеком, 2002. 382 с.

Л21. Куляс М.О., Нагорная М.Ю. Аппаратно-программный комплекс для записи и обработки электрогастроэнтерографических сигналов // Физика и технические приложения волновых процессов – 2010. – №1. С. 93-99.

Л22. Хакен Г. Принципы работы головного мозга: Синергетичнский подход к активности мозга, поведению и когнитивности деятельности. М. : ПЕР СЭ, 2001. 351 с.

Л23. Белов А.М. Анализ процесса сна при полисомнографии. М. : ТГТПС, 2000. 81 с.



 

Похожие работы:





 
2013 www.netess.ru - «Бесплатная библиотека авторефератов кандидатских и докторских диссертаций»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.