فرمت فایل: پاورپوینت - ppt  

کتاب سبز - قابل ویرایش ) 

تعداد اسلاید : 39
کار برد 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) میانگین متحرک وزندار میانگین متحرک وزندار را می توان به صورت یک فیلتر گسسته در زمان به شکل زیر نمایش داد: بنا بر این پاسخ ضربه برابر خواهد بود با : پاسخ فرکانسی پاسخ فرکانسی برابر خواهد بود با : در ادامه نمودار به لگاریتم دامنه این فیلتر را به ازای برخی مقادیر b مشاهده 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 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 در این مدل فرض می شود مقدار کنونی سری را می توان به صورت تابعی (خطی یا غیر خطی ) از پنجره ای از مقادیر گذشته سری به دست آورد: یا Auto-regressive Model Moving Average Moving Average ARMA Model شبکه های عصبی جهت پردازش سریهای زمانی Multi Layer Perceptron Jordan Network Elman Network Elman Network Multi Recurrent Network Radial Basis Function انواع توابع Radial Basis درونیابی شبکه های عصبی RBF آموزش Least Square Function آموزش مراکز توابع Basis آموزش وزنهای لایه خروجی RBFN RBFN

قسمتی از متن بالا پروژه میباشد که به صورت نمونه ، بعد از پرداخت آنلاین در جزوه باز آنی فایل را دانلود نمایید .

  

 « پرداخت آنلاین و دانلود در قسمت پایین »