پیش بینی سری زمانی آشوبی با استفاده از ترکیب نتایج پیش بینی کننده خطی و شبکه عصبی غیرخطی Elman
Publish place: The First National Conference on Computer Engineering and Information Technology of Payame Noor University
Publish Year: 1393
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 1,111
This Paper With 6 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
FNCEITPNU01_075
تاریخ نمایه سازی: 17 اسفند 1393
Abstract:
در این مقاله پیش بینی سری زمانی آشوبی و تحلیل باقیمانده با استفاده از شبکه های عصبی خطی و غیرخطی همراه با تئوری تعبیه انجام گرفته است. از تئوری تعبیه جهت بازسازی سری های زمانی به نقاط فضای حالت مناسب استفاده شده است. نقاط فضای حالت به یک شبکه عصبی خطی داده شده و سپس باقیمانده ی حاصل از سری زمانی پیش بینی شده، به صورت یک سری زمانی جدید در نظر گرفته شده و در فضای حالت مناسب بازسازی شده اند. در ادامه نقاط فضای حالت بدست آمده به یک شبکه عصبی بازگشتی Elman آموزش داده شده با الگوریتم بهینه سازی ازدحام ذرات خورانده شده تا مورد تحلیل قرار گیرند. در نهایت مقادیر پیش بینی شده از سری زمانی اصلی و سری زمانی باقیمانده با هم جمع شده و با مقادیر واقعی سری زمانی مقایسه شده اند. برای ارزیابی روش پیشنهاد شده، روش برای معادلات مکی گلاس و لورنز که سری های زمانی آشوبی تولید می کنند و همچنین برای سری زمانی زمان واقعی لکه های خورشیدی اجرا شده است. نتایج به دست آمده نشان می دهد که روش پیشنهادی در مقایسه با روش های پیش بینی موجود می تواند به طور موثرتری سری های زمانی آشوبی را پیش بینی کند.
Keywords:
Authors
مرضیه نحاسی
دانشجوی کارشناسی ارشد مهندسی فناوری اطلاعات، دانشگاه تحصیلات تکمیلی صنعتی کرمان
مجید محمدی
عضو هیئت علمی ، دانشگاه باهنر کرمان
مهدی کماندار
مدیرگروه رشته کامپیوتر، تحصیلات تکمیلی صنعتی کرمان
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :