CC BY
33
Представлены результаты исследования генератора Джиффи при разном количестве базовых генераторов на основе регистров сдвига с линейным обратной связью и разной степени их полиномов, которое проведено с использованием статистических тестов NIST. Важное значение среди генераторов псевдослучайных последовательностей занимает генератор Джиффи, однако его качественные характеристики являются малоисследованными. Полученные результаты позволяют оптимизировать параметры генератора при заданных параметрах исходной импульсной последовательности.
Приведены принципы оптимизации параметров структурных элементов генератора Джиффи. Качество такой оптимизации подтверждена пакетом статистических тестов NIST STS.
Ключевые слова: генератор псевдослучайных чисел, статистические характеристики, генератор Джиффи.
Otenko V.I., Harasymchuk O.I., Zhuravel I.M., Kostiv Yu.M., Pas-tukh A. Yu. The Optimization of Parameters Related to Geffe Generator Structural Elements
The results of the study of Geffe generator at different base number of generators based on linear feedback shift register and varying degrees of polynomials, conducted using statistical tests NIST, are presented. Geffe generator plays an important role within pseudorandom sequence generators, although its quality characteristics are scarcely explored. The obtained results allow optimizing generator parameters for a given output pulse sequence parameters. Some principles for parameter optimization of structural elements of Geffe generator are provided. The quality of such optimization package was confirmed by statistical NIST STS tests.
Key words: pseudorandom generator, statistic characteristics, Geffe generator.
УДК 629.1 Доц. В.А. ТазетЫнов, канд. техн. наук - Черкаський ДТУ
НЕЙРОМЕРЕЖЕВЕ ПРОГНОЗУВАННЯ РИНКУ НЕРУХОМОСТ1 У КРИЗОВИХ УМОВАХ
Здшснено прогнозування ринку нерухомост у кризових умовах за допомогою нейромереж^ Для нейромережевого прогнозування ринку нерухомост у кризових умовах створено зведену таблицю з даними про об'екти нерухомосй. Наведено схематич-ний процес навчання нейромереж^ На пiдставi даних про об'екти нерухомост проведено навчання нейромереж^ Застосовано методи математично! статистики, засноваш на сукупност певних правил для точних цифрових даних узагальненого характеру. За-гальний прогноз за нейромережевого прогнозування ринку нерухомост у кризових умовах знайдено шляхом множення значення детермшацп на кожне шдивщуальне зна-чення, отримане на основi результату нейромережевого моделювання.
Ключовi слова: нейромережа, навчання, ринок нерухомостi, прогнозування, нейрон, комiрка.
Постановка проблеми. В умовах сьогодення ринок нерухомостi пере-бувае не у кращому сташ. Це е впливом економiчноí кризи, що склалася у межах держави, нестшким попитом, що е наслвдком цього, та нестабiльною про-позицiею. На сьогоднi питания прогнозування ринку нерухомосп для багатьох е актуальним питанням, що потребуе дослвджень та iнновацiй. Аналiтична робота у сферi нерухомостi складна та багатогранна, що вимагае дослiджения ме-тодологiй у пiдходах та правилах штерпретацп даних i алгоритму вироблення рекомендацiй.
На сьогоднi, в умовах зростання соцiальноí iнфраструктури, дшово1 активности потреб забезпеченостi житлом, недостатнкть аналiтичних оцiнок у
Науковий вкпик НЛТУ Украши. - 2015. - Вип. 25.2
рамках ринку нерухомосп е прямим чинником впливу на територiальний роз-виток, що, водночас, приводить до бiльшостi криз мкцевих громад.
Упродовж останнiх кшькох рокiв, на основi програми розвитку державного регулювання ринку нерухомосп дiе методика формування iнформацiйноï бази. В ïï основу закладено отримання iнформацiï про ринок нерухомосп, жит-ловий фонд, ринок будiвельних матерiалiв та iн. Проте ця методика е доволi складною та потребуе вдосконалення. Тому проблема прогнозування ринку не-рухомостi е актуальною в умовах сьогодення.
CTyniHb дослiдження в науковш лiтературi. Фундаментальну основу в розвитку теорц нейрокомп'ютинга i його застосування у фiнансовiй сферi скла-ли вченi краш Заходу i США. Це насамперед: Д.-Е. Бестенс, Ван ден Берг [1], D.E. Rummelhart, G.E. Hinton, R.G. Williams [2], R.B. Berrens, M. McKee [3], J.B. Ramsey [4], D.F. Specht [5] та ш. До вичизняних вчених варто вщнести: А. Ежова [6], Б. Одинцова, А. Романова, С. Шумського, В.А. Бившего, А.1. Богомолова, В.1. Костюнша [7] та ш., котрi розробляють i впроваджують нейроме-режевi технологи у галузi економiки.
З методолопчно' точки зору, моделювання динамiки макроекономiчних показниюв у площинi статистичного моделювання i прогнозування вивчено вгг-чизняними авторами, зокрема Г.М. Стернiком [8], Ж. А. Морозовою [9]. Меха-шзм побудови класифiкацiй методiв прогнозування та методик прийняття рь шення про вибiр оптимального методу прогнозування дослвджено у роботах таких науковщв, як H. Wittkemper, M. Steiner [10] та ш.
Мета роботи. Здiйснити прогнозування ринку нерухомостi у кризових умовах за допомогою нейромереж^ Навести схематичний процес навчання нейромереж! На пiдставi даних про об'екти нерухомосп провести навчання нейромережi. Застосувати методи математично' статистики, заснованi на сукуп-ностi певних правил для точних цифрових даних узагальненого характеру.
Виклад основного матерiалy. На сьогодш, у рамках сформовано' ситу-аци на Сходi Украши, i насладив, що спричинили крах укра'нсько' економжи, прогнозування ринку нерухомостi е досить актуальною проблемою. На основi проведеного дослiдження методологiчноï бази прогнозування ринку нерухо-мостi [8, 9] на перше мкце виходить багатофакторне прогнозування - нейронне моделювання. Цей метод моделювання заснований на багатофакторшй моделi нейронних мереж. В основу цього методу покладено структурний апарат, що мае у своему складi шкть окремих параметрiв, якi певною мiрою взаемопов'яза-нi. Перший - це таблиця, вона мiстить певний склад iндикаторiв стану ринку по вах його сегментах, який визначаеться на основi даних про об'екти нерухомосп (площа, термiн введения в експлуатацда, якiсть, мiсце розташування).
Комiрка дискретно1 моделi - це данi по одному конкретному сегменту у локальному ринку нерухомост! Ще одним, не менш важливим параметром, е просторова вiсь, що визначае для кожно1 конкретно1 комiрки ïï iндивiдуальне мкце розташування або ж його адресу.
Параметр комiрки описуе безпосередньо набiр даних про щну як макси-мальну, так i мiнiмальну, про загальну кшьюсть об,ектiв, що потрапили у зону вибiрки, про коливання цiни даного сегмента, про статистичш параметри попи-ту та пропозицп. Так само е таке поняття як набiр комiрок, це насамперед виз-начений шар iз загально! картини, тобто якийсь набiр комiрок, схожих за вибiр-ковими даними. В основi описано' моделi знаходиться штучнi нейронш мережi, це свого роду програмно-апаратш реаизаци математичних моделей, в основi побудови яких лежить принцип мереж нервових клiтин живого органiзму.
Нейронна мережа - це безлiч нейрошв, зв'язки мiж якими задаються ва-говими коефiцiентами. Водночас, нейрон - це структурно-функщональна оди-ниця, яка реаизуе операцiю нелiнiйного перетворення суми вхщних сигналiв на ваговi коефщенти [1]. Важливим моментом е можливють штучних нейронних мереж пiддаватися навчанню. Основою навчання е налаштування п вагових зв,язкiв для ефективного виконання конкретного завдання, а також топологи.
Навчання нейромережi в рамках прогнозування ринку нерухомостi у кризових умовах грунтуеться на послiдовнiй генераци за певною процедурою вхiдних векторiв з одночасним тдстроюванням ваг, щоб внаслщок роботи нейромережа для певно! множини входiв надавала бажану безлiч виходiв. Головною метою навчання мережi е максимальна мiнiмiзацiя помилки у процесi формування виходiв iз заданих входiв у нейронну мережу. Загальний алгоритм навчання нейронних мереж для устшного прогнозування ринку нерухомостi складаеться з низки перiодiв, що взаемодготь поетапно у процесi навчання (рис. 1).
Рис. 1. Навчання нейронних мереж для устшного прогнозування ринку нерухомости Поетапна структура (розробка автора на основi джерел [1, 5])
На першому етат вщбуваеться навчання першо! безлiчi мереж. На другому вщбуваеться тестова вибiрка i власне прогноз на третiй етап, який полягае в утворенш регресшно! моделi ув'язки прогнозiв вiдiбраних мереж з фактични-ми даними. Четвертий етап формуе фактичнi данi для порiвняння з третiм. У ра-зi виявлення певних розбiжностей вщбуваеться донавчання мереж, з першого ж по третш етапи вiдбуваеться початкове або базове навчання. Так само четвер-тим етапом формуеться прогноз на п'ятий етап. I так дай, процес тривае до моменту повного навчання мереж!
Для нейромережевого прогнозування ринку нерухомосп у кризових умовах необхщно створити зведену таблицю з даними про об'екти нерухомост (рис. 2).
С
Науковий вкник НЛТУ Украми. - 2015. - Вип. 25.2
Micro Загаль на юльюс Квартира
Розиор
1 к 2 к Зк 4 к до 50
Панель Цегла Монолгг Панель Цегла vloHcmi Панель Цегла ViOHOni' Панель Цегла ^онолг Панель Цегла viOHOJIl Панель
Кшв 16678 991 1396 1098 876 991 131 1396 798 276 991 1396 254 1396 1122 1396 774
Деснянсышй 3456 23 345 46 56 23 45 345 567 78 23 345 23 345 456 345 46
Оболонь 1Т-11 234 56 4 456 234 4 56 78 9 234 56 78 56 6 56 68
Подол 1594 45 47 456 4 45 7 47 48 90 45 47 48 47 456 47 68
Шулявка 3113 455 234 56 34 455 48 234 8 78 455 234 8 234 56 234 56
Дорогожич1 1260 45 12 456 46 45 7 12 7 6 45 12 7 12 68 12 456
Борщаговка 4613 55 657 35 234 55 8 657 78 3 55 657 78 657 35 657 35
Дарниця 901 134 45 45 46 134 12 45 12 12 134 45 12 45 45 45 45
ЗалорЬкжя 17613 1510 1738 303 1396 538 753 991 1396 1396 798 1396 1274 580 1181 991 274
Косшчний 3807 351 579 23 345 346 46 23 345 345 567 345 23 345 12 23 43
Леншський 1933 678 89 45 56 4 54 234 56 56 78 56 34 56 421 234 78
Комунарський 1947 35 456 67 47 5 4 45 47 47 48 47 47 47 456 45 48
Осшенювський 3138 67 34 8 234 57 534 455 234 234 8 234 456 8 56 455 8
Бабурка 1833 34 532 67 12 45 67 45 12 12 7 12 12 12 '.56 45 7
Ючкас 4132 343 45 6 657 5 45 55 657 657 78 657 657 67 35 55 78
Южний 823 2 3 87 45 76 3 134 45 45 12 45 45 45 45 134 12
Рис. 2. Дат про об'екти HepyxoMocmi
Схематичний процес навчання нейромережi зображено на рис. 3.
Рис. 3. Схематичний процес навчання нейромережi
(розробка автора на основг джерел [1, 6])
На пiдставi даних про об'екти нерухомосп вщбуваеться навчання нейро-мереж^ при завданш параметрiв навчання на вхщ мережi подаються всi значен-ня параметрiв комiрок, що входять у перший шар. А на виходi отримаемо такий цтьовий параметр, значення якого буде вiдомо тшьки надалi. Таким чином, маемо модель навчання, в якш число входiв буде дорiвнювати кiлькостi комь рок, яш увiйшли в один шар, помноженому на кiлькiсть параметрiв, а число ви-ходiв дорiвнюе кшькосп комiрок в одному шарi. Отже, тд час оброблення даних про об'екти нерухомосп отримаемо чотири нейронш мережi, навчання яких пройде на однаковому наборi початкових даних з рис. 2, проте споаб введення даних буде значно вiдрiзнятися згiдно з параметрами. Пiд час проведення навчання на виходах мереж деякi данi будуть зб^атися, це результат збiгу вторин-них параметрiв.
Важливо зазначити, що цей метод прогнозування ринку нерухомосп у кризових умовах передбачае прогнозування, за якого нейронна мережа е про-м1жним етапом анал1зу. У представлешй модел1 даш на виход1 нейронних мереж - це сукупшсть прогноз1в по кожнш ком1рщ.
Тобто для точних цифрових даних узагальненого характеру е потреба застосування метод1в математично!' статистики, заснованих на сукупносп пев-них правил, а саме регресшного анал1зу
/(X*) = Е(у |X-X*), (1)
де: Еу - математичне очжування випадково!' величини у, а Е(у | X *) - умовне математичне очжування випадково!' величини у, обчислене за умови, що значения пояснюючих змшних Х зафшсоваш на р1вш Х*.
Загальний результат нейромережевого прогнозування ринку нерухомос-т1 у кризових умовах представлено у табл. 1.
Табл. 1. Нейромережеве прогнозування ринку нерухомостг
у кризових умовах
1 мережа (за площею)
2 мережа (за матер1алами)
3 мережа (за мюцем розташування)
4 мережа (за конструкщею)
34,32
31,30
45,76
31,44
43,56
41,16
39,26
48,16
31,65
34,65
31,45
34,15
42,4
46,41
32,41
42,41
42,8 39,87 40,43 35,77 38,64 38,77
33,8 40,17 42,43 39,17 32,14 34,77
40,81 39,87 40,43 35,77 38,64 38,77
38,8 34,16 29,16 31,45 32,41 40,81
Виходячи з отриманих даних, 1з застосуванням метод1в математично1 статистики, отримаемо результат прогнозування у числовому екв1валент1 (табл. 2). Загальний прогноз з нейромережевого прогнозування ринку нерухо-моста у кризових умовах здайснюемо шляхом множення значення детермшацп на кожне шдивщуальне значення, отримане на основ1 результату нейромережевого моделювання з табл. 1. Отримаемо результат (табл. 3).
Висновки. На сьогодш представлена модель для нейромережевого прогнозування ринку нерухомосп у кризових умовах е основою низки напрям1в дослвдження ринку нерухомосп. На шдстав1 ще! модел1 можливий анал1з кон'юнктури попиту та пропозицп, оборопв 1 емносп ринку нерухомосп, лш-ввдносп об'екпв 1 т. ш.
Табл. 2. Результат прогнозування ¡з застосуванням методгв математичноХ
статистики
1 мережа (за площею) 2 мережа (за матер1алами) 3 мережа (за мкщем розташування) 4 мережа (за конструкщею)
Кореляц1я 0,876 0,877 0,881 0,891
Похибка 0,123 0,112 0,221 0,151
Детермшацк 0,342 0,541 0,142 0,211
Вплив зм1н 0,032 0,052 0,022 0,026
Науковий вкпик II.ЛТ У Украши. - 2015. - Вип. 25.2
Табл. 3. Загальний прогноз з нейромережевого прогнозування ринку HepyxoMocmi
V к ризових умовах
1 мережа (за площею) 2 мережа (за матерiалами) 3 мережа (за мюцем розташування) 4 мережа (за конструкщею)
11,73744 16,9333 6,49792 6,63384
14,89752 22,26756 5,57492 10,16176
10,8243 18,74565 4,4659 7,20565
14,5008 25,10781 4,60222 8,94851
14,6376 18,2858 5,79502 8,1868
13,63554 21,73197 5,66154 7,20776
13,82706 22,95463 5,74106 6,15276
12,23334 21,19097 5,07934 6,63595
13,21488 17,38774 5,48688 6,83851
13,25934 18,81057 5,50534 8,61091
Лггература
1. Бэстенс Д.-Э. Нейронные сети и финансовые рынки: принятие решений у торговых операциях / Д.-Э. Бэстенс, ван ден В.-М. Берг, Д. Вуд. - М. : Изд-во ТВП, 1997. - 324 с.
2. Rummelhart D.E. Learning representation by back - propagation error / D.E. Rummelhart, G.E. Hinton, R.G. Williams // Nature. - 1986. - Vol. 323, № 6088. - Pp. 533-536.
3. Berrens R.B. What price nondisclosure? The effects of nondisclosure of real estate sales prices / R.B. Berrens, M. McKee // Social Science Quarterly. - June 2004. - Vol. 85. - No. 2. - Pp. 509-520.
4. Ramsey J.B. Tests for specification errors in classical linear least-squares regression analysis / J.B. Ramsey // Journal of the Royal Statistical Society. Series B (Methodological). - 1969. - Vol. 31. -No. 2. - Pp. 350-371.
5. Specht D.F. A general regression neural network / D.F. Specht // IEEE Transactions on Neural Networks. - Vol. 2. - Issue 6. - Pp. 568-576.
6. Ежов А.А. Нейрокомпьютинг и его применения в экономике и бизнесе / А.А. Ежов, С.А. Шумский. - М. : Изд-во МИФИ, 1998. - 224 с.
7. Бывшев В.А. Оптимальное комбинирование прогнозов различных моделей массовой оценки стоимостных показателей объектов недвижимости / В.А. Бывшев, А.И. Богомолов, В.И. Костюнин // Актуальные проблемы математического моделирования у финансово-экономической области : сб. науч. стат. / под ред. д-р техн. наук, проф. В.А. Бывшева. - М. : Изд-во "Фина-кадемия". - 2008. - Вып. 7. - С. 23-37.
8. Стерник Г.М. Методические рекомендации по анализу рынка недвижимости / Г.М. Стерник. - М. : Изд-во РГР, 1999. - 62 с.
9. Морозова Ж.А. Оценка недвижимости / Ж.А. Морозова. - М. : Изд-во "Финансы и статистика", 2007. - 496 с.
10. Wittkemper H. Portfolio optimization with a neural network implementation of the coherent market hypothesis / H. Wittkemper, M. Steiner // European Journal of Operational Research. - 1997. -Vol. 100. - Pp. 27-40.
Тазетдинов В.А. Нейросетевое прогнозирование рынка недвижимости в кризисных условиях
Осуществлено прогнозирование рынка недвижимости в кризисных условиях с помощью нейросети. Для нейросетевого прогнозирования рынка недвижимости в кризисных условиях создана сводная таблица с данными об объектах недвижимости. Приведен схематический процесс обучения нейросети. На основании данных об объектах недвижимости проведено обучение нейросети. Применены методы математической статистики, основанные на совокупности определенных правил для точных цифровых данных обобщенного характера. Общий прогноз по нейросетевому прогнозированию рынка недвижимости в кризисных условиях найдено путем умножения значения, детерминации на каждое индивидуальное значение полученное на основе результата нейросетевого моделирования.
Ключевые слова: нейросеть, обучение, рынок недвижимости, погнозирование, нейрон, ячейка.
Tazetdinov VA. Neural Network Forecast of Real Estate Market in Crisis Conditions
Forecasting for real estate market in the crisis conditions using neural networks is carried. A pivot table with data on real property is compiled in order to produce the neural network forecasting of the real estate market in the crisis conditions. The schematic process of neural network learning is provided. Training neural network is conducted on the basis of real estate data. Statistical methods based on a set of specific rules for accurate digital data for general information only are applied. The overall outlook for the neural network forecasting of real estate market in crisis conditions is obtained by multiplying the value of determination for each individual value obtained based on the result of neural network modelling.
Key words: neural network, training, real estate market, forecasting, neuron cell.
УДК 519.765 Асист. 1.Ю. Хомицька; проф. В.М. Теслюк, д-р техн. наук -
НУ "Львiвська полтехшка"
СТАТИСТИЧНИЙ АНАЛ1З АНГЛШСЬКИХ ПОЕТИЧНИХ ТЕКСТ1В
Проан^зовано статистичш структури текстш поезп Дж. Г. Байрона i Т. Мура. Доведено, що тексти мютять сшльш елементи, зумовлеш приналежнiстю до одного ю-торичного перiоду i лiтературного напряму. Зроблено спробу визначити статистичним методом дiю фактора манери авторського викладу в зiставлених текстах на фонолопч-ному рiвнi. Стушнь дп зазначеного фактора встановлено за юльюстю груп приголосних фонем, за якими визначено iстотнi вiдмiнностi мiж зiставленими текстами. На основi отриманих результатiв побудовано модель, яка репрезентуе дiю авторського фактора в межах шдстилю поезп художнього стилю англшсько! мови.
Ключовi слова: середня частота груп приголосних фонем, нормальний розподш, критерiй Ст'юдента, статистична структура.
Вступ. Застосування методш математично! статистики в гумаштарних галузях науки, зокрема в лшгюстищ, не втрачае свое!' актуальности Позаяк бага-то лiнгвiстичних проблем залишаються невирiшеними, структурна та матема-тична лiнгвiстики пропонують новi шдходи до вивчення лiнгвiстичних об'ектш i явищ та успiшно дають вiдповiдь на запитання, якi неможливо виртити на рiв-нi фiлологiчноí компетенцл та iнтуíцií. На основi отриманих числових даних бу-дують л^вктичш моделi, яш наочно розкривають суть дослщжуваних явищ.
Це дослiдження фунтуеться на наукових здобутках у напрямi викорис-тання математично! статистики для визначення ступеня дií фактору авторсько! манери викладу та моделювання статистичних структур поетичних текстiв. Так, Г. Альтман, КБ. Бектаев, Г.Я. Мартиненко, Р.Г. Пютровський, С В. Чебанов провели низку дослщжень, в яких здшснено пiдрахунок i вимiрювання стилк-тичних явищ з метою упорядкування текспв i !х частин [1, 2, 4]. У наших попе-редшх статтях дослiджено статистичнi параметри текстш з драматурги Б. Шоу [11, 12]. Розробку лшгвктичних моделей представлено у наукових розвщ-ках II. Ревзша та В.1. Перебийнiс. Так, II. Ревзш на основi класифкацп звуюв певно! мови в певний кторичний перiод розробив парадигматичну звукову модель [7, 8]. Матерiалом дослiдження е тексти поем Дж. Г. Байрона "Корсар",
