استفاده از روش های هوش مصنوعی در پیش بینی سری های زمانی آشوب گونه

پایان نامه
چکیده

در این پایان نامه پیش بینی سری زمانی آشوبی و تحلیل خطا با استفاده از شبکه های عصبی خطی و غیرخطی همراه با بگارگیری تئوری جاسازی پیشنهاد شده است. سری های زمانی به طور کلی شامل مولفه های خطی و غیرخطی می باشند. در این مطالعه یک روش ترکیبی شامل پیش بینی کننده خطی و غیرخطی، برای مدل کردن هر دو مولفه ارائه شده است. ابتدا با استفاده از نظریه جاسازی، سری زمانی در فضای حالت مناسب نمایش داده شده، سپس نقاط فضای حالت به یک شبکه عصبی خطی داده شده اند. خطای سری زمانی پیش بینی شده، محاسبه و به عنوان یک سری زمانی آشوبی جدید، در فضای حالت مناسب جاسازی شده است. در ادامه نقاط فضای حالت بدست آمده به مدل غیرخطی مورد نظر که یک شبکه عصبی بازگشتی المان آموزش داده شده با الگوریتم بهینه سازی جمعیت ذرات می باشد، خورانده شده تا مورد تحلیل قرار گیرند. در نهایت مقادیر پیش بینی شده از سری زمانی اصلی و سری زمانی خطا یعنی خروجی دو پیش بینی کننده خطی و غیرخطی، با هم جمع شده و با مقادیر واقعی سری زمانی مقایسه شده اند. سری های زمانی آشوبی مکی گلاس، لورنز و لکه های خورشیدی برای ارزیابی کارایی روش پیشنهادی استفاده شده اند.

منابع مشابه

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...

متن کامل

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...

متن کامل

ارائه روشی برای پیش بینی پایدار سری های زمانی با کاربرد در مسائل مالی با استفاده از روش Robust

به منظور مدل‌سازی و تخمین مناسب و قابل اعتماد پارامترها در مدل‌های داده­های خودهمبسته، از رویکردهای پایداراستفاده می­شود. وجود داده‌‌های پرت و آلودگی‌ها، تاثیری مخرب در تخمین پارامترهای این مدلها دارد. از آنجایی که در اغلب مسائل مالی، داده‌های گذشته بر داده­های اخیر اثرگذار هستند، این داده‌ها معمولاً در قالب سری زمانی مدل­سازی می‌شوند. در این تحقیق، مدل­های خود رگرسیون به عنوان یکی از مدل­های مط...

متن کامل

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...

متن کامل

منابع من

با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید

ذخیره در منابع من قبلا به منابع من ذحیره شده

{@ msg_add @}


نوع سند: پایان نامه

وزارت علوم، تحقیقات و فناوری - دانشگاه تحصیلات تکمیلی صنعتی کرمان - دانشکده برق و کامپیوتر

میزبانی شده توسط پلتفرم ابری doprax.com

copyright © 2015-2023