تعیین ویژگی های موثر در پیش بینی سری های زمانی با استفاده از تبدیل موجک و شبکه های هوشمند

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...

کاربرد مدل شبکه عصبی- موجک برای پیش بینی ویژگی های غیرایستا و غیرخطی سری زمانی تراز آب زیرزمینی

سفره ‏های آب زیرزمینی غالباً به عنوان سیستم ‏هایی با ویژگی ‏های غیرایستا و غیرخطی شناخته می ‏شوند. مدل‏ سازی این سیستم ‏ها و پیش ‏بینی حالت ‏های آینده آن ‏ها نیازمند تشخیص این ویژگی‏ های بنیادی است. اخیراً، آنالیز موجک به دلیل توانایی آن در رمزگشایی ویژگی‏ های اشاره‏ شده، به طور گسترده ‏ای در زمینه پیش ‏بینی سری‏ های زمانی هیدرولوژیکی مورد استفاده قرار گرفته ‏است. در این مقاله توانایی مدل ترکیبی ...

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...

بررسی ترکیب تبدیل های موجک و شبکه عصبی در پیش بینی جریان های سطحی تنگه هرمز

جریان‌های سطحی اقیانوسی، نقش مهمی در انتقال گرما و تغییرات آب و هوایی دارد. ازاین‌رو، پیش‌بینی جریان‌های دریایی از اهمیت بسزایی در اقیانوس‌شناسی برخوردار است. در این پژوهش با به‌کارگیری شبکه‌‌عصبی و تکنیک تبدیل موجک به پیش‌بینی جریان‌های سطحی تنگه‌هرمز پرداخته شده است. بدین منظور داده‌های ثبت‌شده این حوزه از نوامبر سال 1992 تا دسامبر سال 2014 با گام زمانی 5 روزه از سایت ناسا تهیه و با به‌کا...

پیش بینی قیمت جوجه یکروزه گوشتی در ایران با استفاده از شبکه عصبی مصنوعی و مدل های سری زمانی

ممیزی سری های زمانی با استفاده از برآورد تابع درستنمایی ضرایب موجک های گسسته

در این مقاله نسبت درستنمایی توابع چگالی دو جامعه نرمال با استفاده از تبدیل موجکی گسسته تقریب زده شده و یک معیار ناپارامتری برای ممیزی مدل های سری های زمانی ایستا در حوزه موجک ها پیشنهاد شده است. سپس با استفاده از روش های شبیه سازی کارایی معیار به دست آمده در ممیزی مدل های مختلف ARMA نشان داده شده است. عدم نیاز به مدل بندی پارامتری، سرعت محاسبات برای سری های زمانی بزرگ و نرخ خطای ممیزی پایین از ...