پایان نامه استفاده از روش‌های هوش مصنوعی در پیش‌بینی سری‌های زمانی آشوب‌گونه
نوع فایل: word (قابل ویرایش)
تعداد صفحات : 101 صفحه
چکیده:
پیش‌بینی سری‌های زمانی یکی از شاخه های علم آمار و احتمال است که در سایر رشته‌ها مانند اقتصاد، مهندسی ارتباطات، هواشناسی، مدیریت و بازاریابی کاربرد فراوانی دارد. دامنه کاربرد پیش‌بینی سری‌های زمانی روزبه‌روز گسترده‌تر شده و نیاز دانش‌پژوهان در این زمینه افزون‌تر می‌گردد. سری‌های زمانی آشوبی، زیرمجموعه‌ای از فرآیندهای غیرخطی با نتایج بسیار پیچیده و نامنظم، تعریف می‌شوند. در طول چند دهه گذشته، پیش‌بینی سری‌های‌زمانی آشوبی یک موضوع چالش برانگیز و جالب بوده است. اگرچه سری‌های زمانی آشوبی ویژگی‌های سیستم‌های دینامیکی را به صورت تصادفی نشان می‌دهند، در فضای‌حالت مناسب، رفتارهای قطعی را ارائه می‌دهند.
در این پایان نامه پیش‌بینی سری زمانی آشوبی و تحلیل خطا با استفاده از شبکه‌های عصبی خطی و غیرخطی همراه با بگارگیری تئوری جاسازی پیشنهاد شده است. سری‌های زمانی به طور کلی شامل مؤلفه‌های خطی و غیرخطی می‌باشند. در این مطالعه در جهت بهبود دقت پیش‌بینی، یک روش ترکیبی شامل پیش‌بینی کننده خطی و غیرخطی، برای مدل کردن هر دو مؤلفه ارائه شده است. ابتدا با استفاده از نظریه جاسازی، سری‌زمانی در فضای حالت مناسب نمایش داده شده، سپس نقاط فضای‌حالت به یک شبکه عصبی خطی داده شده اند. خطای سری زمانی پیش‌بینی شده، محاسبه و به عنوان یک سری‌زمانی آشوبی جدید، در فضای‌حالت مناسب جاسازی شده است. در ادامه نقاط فضای‌حالت بدست آمده به مدل غیرخطی مورد نظر که یک شبکه عصبی بازگشتی المان آموزش داده شده با الگوریتم بهینه‌سازی جمعیت ذرات می‌باشد، خورانده شده تا مورد تحلیل قرار گیرند. در نهایت مقادیر پیش‌بینی شده از سری زمانی اصلی و سری زمانی خطا یعنی خروجی دو پیش‌بینی کننده خطی و غیرخطی، با هم جمع شده و با مقادیر واقعی سری زمانی مقایسه شده‌اند. سری‌های زمانی آشوبی مکی‌گلاس، لورنز و لکه‌های خورشیدی برای ارزیابی کارایی روش پیشنهادی استفاده شده اند. نتایج به دست آمده نشان دهنده‌ی پیش‌بینی دقیق‌تر روش پیشنهادی در مقایسه با روش‌های پیش‌بینی موجود، می‌باشد.
کلمات کلیدی: سری زمانی آشوبی، پیش‌بینی، نظریه جاسازیس، تحلیل خطا، شبکه‌های عصبی مصنوعی.
فهرست مطالب
فصل اول: مقدمه 1
1-1:مقدمه 2
1-2: هدف تحقیق 4
1-3: ساختار پایان‌نامه ۵
فصل دوم: سری‌های زمانی آشوبی 6
2-1: معرفی سری‌های زمانی 7
2-2: سری‌های زمانی آشوبی 10
2-3: تجزیه و تحلیل سری‌های زمانی آشوبی 13
2-4: معادلات آشوبی 15
فصل سوم: مروری بر روش‌های تحلیل سری‌های زمانی آشوبی 17
3-1: تعیین پارامترهای فضای حالت برای جاسازی سری‌زمانی آشوبی 18
۳-۱-۱: مروری بر روش‌های تعیین پارامترهای فضای حالت 18
۳-۱-۲: روش‌های تعیین بهینه پارامترهای فضای حالت 20
3-2: پیش‌بینی سری‌های زمانی آشوبی با روش‌های هوش محاسباتی و ترکیب آنها ۲۱
۳-۲-۱: پیش‌بینی با روش‌های مبتنی بر شبکه‌های عصبی مصنوعی 22
۳-۲-۲: پیش‌بینی با ترکیب شبکه‌های عصبی و سایر الگوریتم‌های هوش محاسباتی ۲۵
فصل چهارم: شبکه‌های عصبی مصنوعی و الگوریتم بهینه‌سازی جمعیت ذرات 28
4-1: شبکه‌های عصبی مصنوعی 29
۴-۱-۱: کاربرد شبکه‌های عصبی مصنوعی 30
۴-۱-۲: ساختار شبکه‌های عصبی مصنوعی 31
۴-۱-۳: یادگیری شبکه‌های عصبی مصنوعی 32
۴-۱-۴: انواع شبکه‌های عصبی مصنوعی 33
۴-۱-۵: شبکه عصبی بازگشتی المان 35
۴-۱-۶: شبکه عصبی خطی 35
4-2: الگوریتم‌های تکاملی و محاسبات زیستی 37
۴-۲-۱: مقدمه‌ای بر الگوریتم‌های فرامکاشفه‌ای 37
۴-۲-۲: هوش‌جمعی 39
۴-۲-۳: الگوریتم بهینه‌سازی جمعیت ذرات 41
فصل پنجم: روش پیشنهادی 43
5-1: بیان مسئله 44
5-2: مدل پیش‌بینی و تحلیل خطا 44
۵-۲-۱: انتخاب سری زمانی و تشخیص آشوب۴۶
۵-۲-۲: جاسازی سری‌زمانی در فضای‌حالت 46
۵-۲-۳: بکارگیری پیش‌بینی کننده خطی برای پیش‌بینی سری زمانی اصلی۴۶
۵-۲-۴: محاسبه خطا و جاسازی آن در فضای حالت 47
۵-۲-۵: بکارگیری پیش‌بینی کننده غیرخطی برای پیش‌بینی سری زمانی خطاها ۴۷
۵-۲-۶: مجموع نتایج پیش‌بینی کننده خطی و غیرخطی 49
5-3: نحوه ارزیابی 50
5-4: نتیجه‌گیری 50
فصل ششم: نتایج شبیه‌سازی و ارزیابی روش پیشنهادی 51
6-1: سری‌زمانی آشوبی مکی‌گلاس 52
6-2: سری‌زمانی آشوبی لورنز 56
6-3: سری‌زمانی آشوبی لکه‌های خورشیدی ۶۰
6-4: نتیجه‌گیری ۶۴
فصل هفتم: نتیجه گیری و پیشنهادات 65
7-1: نتیجه گیری ۶۶
7-2: پیشنهادات ۶۹
مراجع 70
پیوست ۱: واژه نامه 76
پیوست ۲: شرح اختصارها 84
پیوست ۳: فهرست نام‌ها ۸۵
