Автоматика и телемеханика
RUS  ENG    ЖУРНАЛЫ   ПЕРСОНАЛИИ   ОРГАНИЗАЦИИ   КОНФЕРЕНЦИИ   СЕМИНАРЫ   ВИДЕОТЕКА   ПАКЕТ AMSBIB  
Общая информация
Последний выпуск
Архив
Импакт-фактор
Правила для авторов
Загрузить рукопись

Поиск публикаций
Поиск ссылок

RSS
Последний выпуск
Текущие выпуски
Архивные выпуски
Что такое RSS



Автомат. и телемех.:
Год:
Том:
Выпуск:
Страница:
Найти






Персональный вход:
Логин:
Пароль:
Запомнить пароль
Войти
Забыли пароль?
Регистрация


Автомат. и телемех., 2011, выпуск 7, страницы 58–68 (Mi at2244)  

Эта публикация цитируется в 9 научных статьях (всего в 9 статьях)

Системный анализ и исследование операций

О нейросетевом подходе к прогнозированию нестационарных временных рядов на основе преобразования Гильберта–Хуанга

В. Г. Курбацкий, Д. Н. Сидоров, В. А. Спиряев, Н. В. Томин

Институт систем энергетики им. Л. А. Мелентьева СО РАН, Иркутск

Аннотация: Предложен двухэтапный адаптивный подход к прогнозированию временных рядов. Первый этап состоит в декомпозиции исходного ряда на базисные функции и применении к ним преобразования Гильберта. На втором этапе полученные функции и их мгновенные амплитуды используются в качестве входных переменных нейросетевого прогнозирования. Эффективность разработанного подхода продемонстрирована на реальных данных в электроэнергетической задаче прогнозирования резкоизменчивых реализаций перетоков активной мощности.

Полный текст: PDF файл (975 kB)
Список литературы: PDF файл   HTML файл

Англоязычная версия:
Automation and Remote Control, 2011, 72:7, 1405–1414

Реферативные базы данных:

Тип публикации: Статья
Статья представлена к публикации членом редколлегии: В. И. Гурман

Поступила в редакцию: 16.12.2010

Образец цитирования: В. Г. Курбацкий, Д. Н. Сидоров, В. А. Спиряев, Н. В. Томин, “О нейросетевом подходе к прогнозированию нестационарных временных рядов на основе преобразования Гильберта–Хуанга”, Автомат. и телемех., 2011, № 7, 58–68; Autom. Remote Control, 72:7 (2011), 1405–1414

Цитирование в формате AMSBIB
\RBibitem{KurSidSpi11}
\by В.~Г.~Курбацкий, Д.~Н.~Сидоров, В.~А.~Спиряев, Н.~В.~Томин
\paper О нейросетевом подходе к~прогнозированию нестационарных временных рядов на основе преобразования Гильберта--Хуанга
\jour Автомат. и телемех.
\yr 2011
\issue 7
\pages 58--68
\mathnet{http://mi.mathnet.ru/at2244}
\mathscinet{http://www.ams.org/mathscinet-getitem?mr=2867000}
\transl
\jour Autom. Remote Control
\yr 2011
\vol 72
\issue 7
\pages 1405--1414
\crossref{https://doi.org/10.1134/S0005117911070083}
\isi{http://gateway.isiknowledge.com/gateway/Gateway.cgi?GWVersion=2&SrcApp=PARTNER_APP&SrcAuth=LinksAMR&DestLinkType=FullRecord&DestApp=ALL_WOS&KeyUT=000297403900008}
\scopus{https://www.scopus.com/record/display.url?origin=inward&eid=2-s2.0-80052564385}


Образцы ссылок на эту страницу:
  • http://mi.mathnet.ru/at2244
  • http://mi.mathnet.ru/rus/at/y2011/i7/p58

    ОТПРАВИТЬ: VKontakte.ru FaceBook Twitter Mail.ru Livejournal Memori.ru


    Citing articles on Google Scholar: Russian citations, English citations
    Related articles on Google Scholar: Russian articles, English articles

    Эта публикация цитируется в следующих статьяx:
    1. Kurbatsky V.G., Tornin N.V., “Smart System of Monitoring and Forecasting for Electric Power Systems”, 2012 IEEE International Conference on Power System Technology (Powercon), IEEE, 2012  isi
    2. Voropai N.I., Efimov D.N., Kolosok I.N., Kurbatsky V.G., Glazunova A.M., Korkina E.S., Osak A.B., Tomin N.V., Panasetsky D.A., “Smart Technologies in Emergency Control of Russia's Unified Energy System”, IEEE Trans. Smart Grid, 4:3 (2013), 1732–1740  crossref  isi  elib  scopus
    3. V. G. Kurbatsky, V. A. Spiryaev, N. V. Tomin, P. Leahy, D. N. Sidorov, A. V. Zhukov, “Power System Parameters Forecasting Using Hilbert–Huang Transform and Machine Learning”, Известия Иркутского государственного университета. Серия Математика, 9 (2014), 75–90  mathnet
    4. Masselot P., Chebana F., Belanger D., St-Hilaire A., Abdous B., Gosselin P., Ouarda Taha B. M. J., “Emd-Regression For Modelling Multi-Scale Relationships, and Application to Weather-Related Cardiovascular Mortality”, Sci. Total Environ., 612 (2017), 1018–1029  crossref  isi  scopus
    5. Eseye A.T., Zhang J., Zheng D., “Short-Term Photovoltaic Solar Power Forecasting Using a Hybrid Wavelet-Pso-Svm Model Based on Scada and Meteorological Information”, Renew. Energy, 118 (2018), 357–367  crossref  isi  scopus
    6. Karamov D.N., Naumov I.V., Perzhabinsky S.M., “Mathematical Modelling of Failures of Electrical Grid (10 Kv) of Autonomous Energy Systems With Renewable Distributed Generation”, Bull. Tomsk Polytech. Univ.-Geo Assets Eng., 329:7 (2018), 116–130  isi
    7. Xu J., Wang Zh., Tan Ch., Lu D., Wu B., Su Zh., Tang Ya., “Cutting Pattern Identification For Coal Mining Shearer Through Sound Signals Based on a Convolutional Neural Network”, Symmetry-Basel, 10:12 (2018), 736  crossref  isi  scopus
    8. Voropai N., Efimov D., Kolosok I., Kurbatsky V., Glazunova A., Korkina E., Tomin N., Panasetsky D., “Intelligent Control and Protection in the Russian Electric Power System”, Application of Smart Grid Technologies: Case Studies in Saving Electricity in Different Parts of the World, eds. Lamont L., Sayigh A., Academic Press Ltd-Elsevier Science Ltd, 2018, 61–140  crossref  isi
    9. Qu Z., Mao W., Zhang K., Zhang W., Li Zh., “Multi-Step Wind Speed Forecasting Based on a Hybrid Decomposition Technique and An Improved Back-Propagation Neural Network”, Renew. Energy, 133 (2019), 919–929  crossref  isi  scopus
  • Автоматика и телемеханика
    Просмотров:
    Эта страница:466
    Полный текст:131
    Литература:36
    Первая стр.:30
     
    Обратная связь:
     Пользовательское соглашение  Регистрация посетителей портала  Логотипы © Математический институт им. В. А. Стеклова РАН, 2021