مقایسه روشهای خودگردان و شبکه عصبی خودگردان در سری-های زمانی غیرخطی
2014
شبکههای عصبی مصنوعی، از جمله مدلهای ریاضی جدیدی هستند که با دقت بالا به مدلبندی ساختار سریهای زمانی غیرخطی میپردازند. مزیت این مدلها در مقایسه با مدلهای سری زمانی این است که نیاز به فرضیات محدودکننده نیست. دقت برآوردگرهای حاصل از شبکه عصبی بهعنوان یک مدل ناپارامتری از مسائل مهم هست. برای این منظور با استفاده از روشهای خودگردان، میتوان دقت برآوردگرها را در ساختارهای پیچیده و غیرخطی سریهای زمانی محاسبه کرد. این روشها که در سالهای اخیر معرفی شدهاند، در محاسبه اریبی و واریانس برآوردگرها، در مقایسه با سایر روشها از دقت بالاتری برخوردار هستند. در این مقاله ابتدا به معرفی الگوریتمهای شبکه عصبی خودگردان، خودگردان اتورگرسیو، خودگردان بلوک متحرک و خودگردان ماندهها در سریهای زمانی پرداخته میشود. سپس این چهار الگوریتم در یک مطالعه شبیهسازی برای مدلهای اتورگرسیو، اتورگرسیو نمایی، اتورگرسیو آستانهای خودمحرک و اتورگرسیو تغییر وضعیت هموار برای اندازه دقت برآورد واریانس استانداردشده سه برآوردگر میانگین، اتوکوواریانس مرتبه صفر(واریانس) و اتوکوواریانس مرتبه یک، مورد مقایسه قرار میگیرند. درنهایت با استفاده از دادههای قیمت نفت سنگین ایران به ارائه یک مثال کاربردی پرداخته میشود.
- Correction
- Source
- Cite
- Save
- Machine Reading By IdeaReader
0
References
0
Citations
NaN
KQI