پاورپوینت کاربرد شبکه های عصبی در پردازش سریهای زمانی

توضیحات محصول

دانلود پاورپوینت کاربرد شبکه های عصبی در پردازش سریهای زمانی با فرمت ppt ودر39 اسلاید قابل ویرایش 

قسمتی از متن پاورپوینت کاربرد شبکه های عصبی در پردازش سریهای زمانی

میانگین متحرک

•در آمار میانگین متحرک یکی از تکنیکهای مورد استفاده جهت تحلیل سریهای زمانی می باشد. این تکنیک جهت کم رنگ کردن نوسانات کوتاه مدت سری زمانی و نمایان کردن رفتار بلند مدت تر سری زمانی استفاده می شود.

•از لحاظ ریاضی میانگین متحرک مثالی از یک کانولوشن می باشد و از دیدگاه پردازش سیگنال به عنوان یک فیلتر قابل به کار گیری است. (در ادامه این موضوع را با جزئیات بیشتر بررسی می کنیم)

•اثر فیلتر پایین گذر میانگین متحرک بر شاخص هفتگی بازار سهام داو جونز در یک دوره 10 ساله

الف)شاخص هفتگی

ب) میانگین متحرک 51 روزه اعمال شده به الف

ج) میانگین متحرک 201 روزه

 پاورپوینت کاربرد شبکه های عصبی در پردازش سریهای زمانی

مدلهایی برای سریهای زمانی

•جهت پردازش سریهای زمانی لازم است که مدلی از این سریها داشته باشیم تا بتوانیم عملیاتی چون پیش بینی آینده سری و یا دسته بندی آن را بر اساس آن مدل انجام دهیم. در اینجا به معرفی سه مدل رایج برای این منظور می پردازیم: –مدل Auto-regressive (AR) –مدل Moving Average (MA) –مدل ARMA که ترکیب دو مدل بالاست.

Auto-regressive Model

•مدل خطی دارای دو محدودیت مهم است : اولا مستلزم فرض وجود رابطه حطی بین عناصر پیشین سری می باشند و ثانیا فرض می کنند سری Stationary می باشد.

•در مقابل با استفاده از مدل غیر خطی می توان تخمین دقیقتری از ویزگیهای سری زمانی مورد نظر به دست آورد. البته در صورت استفاده از مدل غیر خطی نیاز به نمونه های بیشتری در مرحله آموزش می باشد .

Moving Average

•سوالی که مطرح می شود آن است که چگونه مقدار سری در یک نقطه که یک مقدار غیر تصادفی است را می توان با مجموع تعدادی متغیر تصادفی مدل کرد. در پاسخ می توان گفت همانطور که در معرفی Moving Average توضیح دادیم این عملگر به صورت یک فیلتر عمل می کند و با توجه به اینکه عموما نویز فرآیندی است که شامل طیف گسترده ای از فرکانسها می گردد ، بنابراین فیلتر میانگین متحرک می تواند از این طیف ، فرکانسهای مطلوب را گزینش کند تا یک سری زمانی غیر تصادفی حاصل شود.

Multi Layer Perceptron

•از یک شبکه Perceptron چند لایه می توان جهت پیش بینی سری زمانی استفاده کرد. معماری شبکه به شکل زیر است.

•تابع نرونها می تواند انواع توابع Sigmoid باشد. •عملکرد این شبکه بر مبنای مدل Auto-Regressive می باشد. •در زمینه آموزش شبکه های چند لایه در جلسات آینده به طور کامل بحث خواهد شد.