نوع فایل power point
قابل ویرایش 39 اسلاید
قسمتی از اسلایدها
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)
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 .
فهرست مطالب و اسلایدها
میانگین متحرک
پاسخ فرکانسی
مدل Auto-regressive (AR)
مدل Moving Average (MA)
Auto-regressive Model
Moving Average
ARMA Model
Multi Layer Perceptron
Jordan Network
Elman Network
Multi Recurrent Network
Radial Basis Function
Thin Plate Spline
شبکه های عصبی RBF
Least Square Function
آموزش وزنهای لایه خروجی
