| Title: | Интеграция дифференциальных уравнений и нейронных сетей для прогнозирования временных рядов и систем с обратной связью |
| Other Titles: | Integration of differential equations and neural networks for time series forecasting and feedback systems |
| Authors: | Маметсалиев, Р. Р. |
| Keywords: | материалы конференций;нейронные сети;дифференциальные уравнения;интеграция моделей;прогнозирование;временные ряды |
| Issue Date: | 2024 |
| Publisher: | БГУИР |
| Citation: | Маметсалиев, Р. Р. Интеграция дифференциальных уравнений и нейронных сетей для прогнозирования временных рядов и систем с обратной связью = Integration of differential equations and neural networks for time series forecasting and feedback systems / Р. Р. Маметсалиев // Компьютерное проектирование в электронике = Electronic Design Automation : cборник трудов Международной научно-практической конференции, Минск, 28 ноября 2024 г. / Белорусский государственный университет информатики и радиоэлектроники ; редкол.: В. Р. Стемпицкий [и др.]. – Минск, 2024. – С. 180–184. |
| Abstract: | В последние годы нейронные сети и методы машинного обучения становятся всё более востребованными для прогнозирования сложных динамических систем и временных рядов. Одной из ключевых проблем при анализе таких систем является необходимость моделирования обратной связи и учёта физической природы процесса, что может быть достигнуто с использованием дифференциальных уравнений. В данном докладе представлена концепция интеграции дифференциальных уравнений с нейронными сетями для улучшения прогнозирования временных
рядов и динамических систем с обратной связью. Мы рассматриваем гибридные подходы, где нейронные сети помогают обучать сложные модели, а дифференциальные уравнения задают физически-обоснованную структуру модели. Описаны примеры приложений, а также проведён сравнительный анализ предложенной методологии с традиционными методами. |
| Alternative abstract: | In recent years, neural networks and machine learning methods have become increasingly popular for forecasting complex dynamic systems and time series. One of the key problems in the analysis of such systems is the need to model feedback and take into account the physical nature of the process, which can be achieved using differential equations. This report presents the concept of integrating differential equations with neural networks to improve forecasting of time series and dynamic systems with feedback. We consider hybrid approaches, where neural networks help to train complex models, and differential equations define a physically based structure of the model. Examples of applications are described, and a comparative analysis of the proposed methodology with traditional methods is carried out. |
| URI: | https://libeldoc.bsuir.by/handle/123456789/58807 |
| Appears in Collections: | Компьютерное проектирование в электронике (2024)
|
