وبلاگ

بکارگیری پیش‌بینی کننده خطی برای پیش‌بینی نقاط فضای حالت سری زمانی اصلی
(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت nefo.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

محاسبه خطا و در نظر گرقتن آن به عنوان یک سری‌زمانی جدید و جاسازی آن در فضای حالت
بکارگیری پیش‌بینی کننده غیرخطی برای پیش‌بینی سری‌زمانی خطا‌ها
بدست آوردن مقدار نهایی با محاسبه حاصل جمع خروجی دو پیش‌بینی کننده
مقایسه مقدار نهایی با مقادیر واقعی و محاسبه خطا
هریک از مراحل بالا در ادامه شرح داده می‌شوند. شکل ۵-۱ دیاگرام روش پیشنهادی را نشان می‌دهد.
بکارگیری پیش‌بینی‌کننده‌غیرخطی
برای پیش‌بینی نقاط فضای حالت سری زمانی خطاها
انتخاب‌سری‌زمانی
تشخیص حضور آشوب
آیا‌سری‌زمانی ‌آشوبی است؟
محاسبه پارامترهای ‌فضای‌حالت یعنی بُعدتعبیه و زمان‌تاخیر
جاسازی ‌سری‌زمانی در فضای‌حالت
بدست‌آوردن مقادیر پیش‌بینی و محاسبه‌خطا
محاسبه پارامترهای فضای‌حالت و جاسازی سری‌زمانی
حاصل جمع مقادیر خروجی دو پیش‌بینی‌کننده
مقایسه با مقادیر واقعی و محاسبه خطا
پایان
استفاده از پیش‌بینی‌کننده‌خطی
برای پیش‌بینی نقاط فضای حالت سری زمانی اصلی
شکل۵-۱. دیاگرام شرح روش پیش‌بینی ‌پیشنهادی
۵-۲-۱: انتخاب سری زمانی و تشخیص آشوب
مبتنی بر مجموعه داده سری‌زمانی مشاهده شده به صورت که N طول مجموعه داده است، حضور آشوب می‌تواند توسط هریک از روش‌های تبدیل فوریه، توان لیاپانوف، توان هرست و بُعد فراکتال که در بخش ۲-۳، به آن‌ها اشاره شد، بررسی ‌شود. در واقع همانطور که گفته شد این روش‌ها براساس ویژگی‌های نظریه آشوب به دنبال تشخیص آشوب هستند. مثلا توان لیاپانوف با توجه به ویژگی اثرپروانه‌ای، واگرایی مسیرهای همسایگی را تعیین کرده و وجود آشوب را به اثبات می‌رساند.
۵-۲-۲: جاسازی سری زمانی در فضای حالت
پس از تشخیص حضور آشوب، پارامترهای فضای حالت یعنی بُعد جاسازی و زمان تاخیر با بهره گرفتن از روش‌های مطرح شده در فصول گذشته و با بهره گیری از مقادیر انتخاب شده برتر برای این دو پارامتر با توجه به پژوهش های صورت گرفته تاکنون، تعیین می‌شوند. با بهره گرفتن از مقادیر این پارامترها، که به طور کلی D برای بُعد جاسازی و T برای زمان تاخیر در نظر گرفته شده است، تعداد [N-(D-1)T] از نقاط فضای‌حالت به صورت معادله (۵-۱) تولید می‌شوند ]۱۷[:

(۵-۱)

Y(1)= [ x(1), x(1+T), …, x(1+(D-1)]

Y(2)= [ x(2), x(2+T), …, x(2+(D-1)]

….

Y(j)= [ x(N-(D-1)T), x(N-(D-1)T+T), …, x(N)]

۵-۲-۳: بکارگیری پیش‌بینی کننده خطی برای پیش‌بینی سری زمانی اصلی
یک شبکه عصبی خطی تک لایه که تابع انتقال خطی دارد، ایجاد کرده و با D واحد ورودی و D واحد خروجی با استفاد از نقاط فضای حالت تولید شده‌ی, y(j) با j=1~[N-(D-1)T-1] به عنوان ورودی و y(k), k=2~[N-(D-1)T] به عنوان خروجی آموزش داده می‌شود.
ورودی و خروجی شبکه به وسیله معادلات (۵-۲) و (۵-۳) مشخص شده‌اند.