مقایسه روش های خودگردان و شبکه عصبی خودگردان در سری-های زمانی غیرخطی
نویسنده:
چکیده:
شبکه های عصبی مصنوعی، از جمله مدل های ریاضی جدیدی هستند که با دقت بالا به مدل بندی ساختار سر ی های زمانی غیرخطی می پردازند. مزیت این مدل ها در مقایسه با مدل های سری زمانی این است که نیاز به فرضیات محدود کننده نمی باشد. دقت برآوردگرهای حاصل از شبکه عصبی به عنوان یک مدل ناپارامتری از مسائل مهم می باشد. برای این منظور با استفاده از روش های خودگردان، می توان دقت برآوردگرها را در ساختارهای پیچیده و غیرخطی سری های زمانی محاسبه کرد. این روش ها که در سال های اخیر معرفی شده اند، در محاسبه اریبی و واریانس برآوردگرها، در مقایسه با سایر روش ها از دقت بالاتری برخوردار هستند. در این مقاله ابتدا به معرفی الگوریتم های شبکه عصبی خودگردان، خودگردان اتورگرسیو، خودگردان بلوک متحرک و خودگردان مانده ها در سری های زمانی پرداخته می شود. سپس این چهار الگوریتم در یک مطالعه شبیه سازی برای مدل های اتورگرسیو، اتورگرسیو نمایی، اتورگرسیو آستانه ای خودمحرک و اتورگرسیو تغییر وضعیت هموار برای اندازه دقت برآورد واریانس استاندارد شده سه برآوردگر میانگین، اتوکوواریانس مرتبه صفر(واریانس) و اتوکوواریانس مرتبه یک، مورد مقایسه قرار می گیرند. در نهایت با استفاده از داده های قیمت نفت سنگین ایران به ارائه یک مثال کاربردی پرداخته می شود.
کلیدواژگان:
زبان:
فارسی
صفحات:
85 تا 106
لینک کوتاه:
magiran.com/p1390336
دانلود و مطالعه متن این مقاله با یکی از روشهای زیر امکان پذیر است:
اشتراک شخصی
با عضویت و پرداخت آنلاین حق اشتراک یکساله به مبلغ 1,390,000ريال میتوانید 70 عنوان مطلب دانلود کنید!
اشتراک سازمانی
به کتابخانه دانشگاه یا محل کار خود پیشنهاد کنید تا اشتراک سازمانی این پایگاه را برای دسترسی نامحدود همه کاربران به متن مطالب تهیه نمایند!
توجه!
- حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران میشود.
- پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانههای چاپی و دیجیتال را به کاربر نمیدهد.
In order to view content subscription is required
Personal subscription
Subscribe magiran.com for 70 € euros via PayPal and download 70 articles during a year.
Organization subscription
Please contact us to subscribe your university or library for unlimited access!