یک روش جدید مبتنی بر شبکه های عصبی تاخیر زمانی به منظور تخمین بعد محاط سری های زمانی آشوبی

سال انتشار: 1387
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 3,339

فایل این مقاله در 10 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ISCEE11_160

تاریخ نمایه سازی: 15 اسفند 1386

چکیده مقاله:

در مواجهه با سیستم هایی که مدلسازی تحلیلی، به علت نامشخص بودن عوامل موثر و در دسترس نبودن معادلات دقیق ریاضی حاکم بر آنها، بسیار دشوار می نمایاند، استفاده از سری های زمانی(منظور مشاهدات ما از فرایند بر حسب زمان) یک راه حل موثر در تحلیل این سیستم ها است. در واقع تاکید روی این هدف است که چگونه می توان از مشاهداتی به فرم سری زمانی اسکالر از فرایند که تنها اطلاعات ما در مورد بعضی از سیستم ها میباشد، به ساختار فضای حالت با بعد محدود رسید. بازسازی فضای حالت بر مبنای نظریه محاط بنا شده که کاربرد انمستلزم تعیین مقدارهای مناسبی برای دو پارامتر زمان تاخیر Time Delay (t) و بعد محاط Embedding Dimension (m) می باشد. در این مقاله روشی برای تخمین پارامتر بعد محاط جهت بازسازی فضای حالت سری های زمانی برگرفته از سیستم های دینامیکی آشوبی به کمک شبکه های عصبی تاخیر زمانی معرفی میشود. این روش یک ایده نو در انتخاب بعد محاط بوده و متفاوت از روش مرسوم شمارش همسایه های کاذب (FNN) می باشد. در انتها کیفیت عملکرد روش مطرح شده با روش FNN مقایسه شده و نتایج این مقایسه نشان از کارایی خوب این روش دارد.

کلیدواژه ها:

بعد محاط ، شمارش نزدیکترین همسایه های کاذب ، سری های زمانی آشوبی ، شبکه های عصبی تاخیر زمانی متمرکز شده

نویسندگان

مریم پری زنگنه

دانشگاه آزاد نجف آباد

محمد عطایی

دانشگاه اصفهان دانشکده فنی

پیمان معلم

دانشگاه اصفهان دانشکده فنی

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • F.Takens, "Detecting strange attractors in turbulence ?.in: lecture notes _ ...
  • D. S.Broomhead and G.P.King, 4Extracting qualitative dynamics from experimental data ...
  • P.Grassberger and I.Procaccia _ *Measuring the strangeness of strange attractors ...
  • N.Kennel and R.Brown, *Determining embedding dimension for phase space reconstruction ...
  • Y.Manabe and B .Chakraborty _ ...
  • approach for estimation of optimal embedding parameters of nonlinear time ...
  • H.Abarbanel and R.Brown, 4Analysis of observed chaotic data in physical ...
  • H.Kantz and T.Scheriber, Nonlinear Time Series Analysis, Cambridge University Press ...
  • Independent"؛ [8] A.M.Fraser and H.L.Swinney, coordinates for strange attractors from ...
  • H.Abarbanel, Analysis of observed chaotic data, Springer, pp.39-67 , 1996. ...
  • A.Waibel and T.Hanzawa, ...
  • rec ognitionusing time-delay neural network?, IEEE Trans on ASS, Vol. ...
  • Y.J.Cao and Q.H.Wu, ،A note on stability of analog neural ...
  • H.Lu, ،، On stability of nonlinear continuous- time neural networks ...
  • J.Peng and H.Qiao, ،، A new approach to stability of ...
  • M.T.Hagan and M.Menhaj, *Training feed- forward networks with the Marguardt ...
  • نمایش کامل مراجع