سری های زمانی و شبکه های پیچیده

thesis

وزارت علوم، تحقیقات و فناوری - دانشگاه زنجان - دانشکده علوم انسانی
author سمیه کریمی
adviser امیر حسین درونه
Number of pages: First 15 pages
publication year 1390

abstract

نظریه شبکه ها روشی دیگر برای بررسی سامانه های پیچده است. در این روش اجزاء سامانه به صورت گره و برهم کنش هر دو جزء را با پیوندی میان گره های مریوط به آن ها نشان می دهیم. برای هر شبکه می توان کمیت های بزرگ مقیاس یا توپولوژیک تعریف کرد که اطلاعاتی راجع به حالت کلی شبکه در اختیار ما می گذارند. مطالعه این کمیت ها به ما کمک می کند تا شناخت از سامانه مورد بررسی خود پیدا کنیم. بررسی چنین سامانه هایی به روش های گوناگونی انجام می شود. گاهی کمیتی مشاهده پذیر از این سامانه را می توان در زمان های متوالی اندازه گیری کرد. بدین ترتیب سری زمانی به دست می آید که در خود اطلاعاتی راجع به سامانه را نهفته است. روش های مختلفی برای آشکار سازی اطلاعات درون سری زمانی وجود دارد که یکی از مهم ترین آن ها تحلیل روند زدای افت و خیز هاست. یافتن ارتباط بین روش های مختلف برای بررسی سری زمانی مسئله مهمی است. در این مطالعه می خواهیم با روشی جدید سری زمانی را به شبکه ای پیچده بنگاریم و بین کمیت های ماکروسکوپیک آن ها ارتباطی بیابیم.

First 15 pages

Signup for downloading 15 first pages

Already have an account?login

similar resources

کاربردهای شبکه های عصبی در پیش بینی سری های زمانی

استفاده از روش های غیر کلاسیک در شناسایی مدل و پیش بینی رفتار سیستم های پیچیده، مدتهاست در محافل علمی و حتی حرفه ای متداول و معمول شده است. در بسیاری از سیستم های پیچیده و خصوصا غیر خطی که مدل سازی و به دنبال آن پیش بینی و کنترل آنها از طریق روش های کلاسیک و تحلیلی امری بسیار دشوار و حتی بعضا غیر ممکن می نماید، از روش های غیر کلاسیک که از ویژگی هایی همچون هوشمندی، مبتنی بر معرفت و خبرگی برخوردا...

full text

مقایسه ی مدل های شبکه های عصبی مصنوعی و سری های زمانی برای پیش بینی قیمت گوشت مرغ در ایران

با توجه به اهمیت پیش بینی قیمت گوشت مرغ، در تحقیق حاضر قیمت این محصول با استفاده از روش ARIMA و شبکه های عصبی مصنوعی برای افق های زمانی یک ماهه، شش ماهه و دوازده ماهه پیش بینی گردید و این فرضیه که شبکه ی عصبی در پیش بینی قیمت گوشت مرغ از کارایی بیشتری نسبت به مدل های سری زمانی برخوردار است، مورد بررسی قرار گرفت. داده های مربوط به این متغیّر برای دوره ی زمانی1371:1 تا 1385:11 بوده و از شر...

full text

پیش بینی تورم ایران با استفاده از مدل های ساختاری ، سری های زمانی و شبکه های عصبی

امروزه ، پیش بینی متغیر های کلان اقتصادی از اهمیت ویژه ای برای سیاستگذاران و سایر واحد های اقتصادی برخوردار است. در نتیجه ، دردهه های اخیر ، مدل های پیش بینی گوناگونی توسعه یافته و به رقابت با یکدیگر پرداخته اند. اخیراً به موازات مدل های متداول قبلی مانند مدل های ساختاری و سری زمانی ، مدل های دیگری تحت عنوان شبکه های عصبی مصنوعی در زمینه پیش بینی متغیر های مالی و پولی بکار گرفته شده اند. این م...

full text

مقایسه روش‌های خودگردان و شبکه عصبی خودگردان در سری-های زمانی غیرخطی

شبکه‌های عصبی مصنوعی‏، از جمله مد‎ل‎های ریاضی جدیدی هستند که با دقت بالا به مد‏‎ل‎بندی ساختار سر‏ی‌های زمانی غیرخطی می‌پردازند. مزیت این مدل‌ها در مقایسه با مدل‌های سری زمانی این است که نیاز به فرضیات محدود کننده نمی‌باشد. دقت برآوردگرهای حاصل از شبکه عصبی به عنوان یک مدل ناپارامتری از مسائل مهم می‌باشد. برای این منظور با استفاده از روش‌های خودگردان، می‌توان دقت برآوردگرها را در ساختارهای پیچید...

full text

کاربردهای شبکه های عصبی در پیش بینی سری های زمانی

full text

مطالعه روش های آنالیز شبکه جهت تفسیر فنوتیپ های پیچیده در شبکه های بیولوژیک

آنالیز شبکه ژنی بخش مهمی از مطالعات بیولوژی سیستم ها است. در مقایسه با مطالعات سنتی ژنوتیپ / فنوتیپ که با تمرکز بر ایجاد روابط بین ژنهای منفرد و ویژگی مورد نظر است ، آنالیز شبکه ما را قادر می سازد تا به مشاهده تمام ژن ها با هم پرداخته که به نوبه خود عملکرد بیولوژیکی درست را نشان می دهد. آنالیز شبکه همچنین کمک به استنتاج اطلاعاتی سودمند از شبکه می کند و در کشف فرآیندهای بیولوژیکی از یک شبکه نی...

full text

My Resources

Save resource for easier access later

Save to my library Already added to my library

{@ msg_add @}

document type: thesis

وزارت علوم، تحقیقات و فناوری - دانشگاه زنجان - دانشکده علوم انسانی

Keywords

شبکه های پیچیده تحلیل سری های زمانی

Hosted on Doprax cloud platform doprax.com