دکتر حمیدرضا مومنی
-
استفاده از آنومالی مغناطیسی زمین جهت تعیین ناوبری در هوانوردی و همچنین اکتشاف مواد معدنی و نفتی، تولید نقشه های زمین شناسی و توپوگرافی به منظور شناسایی هرچه دقیقتر ساختارهای زیرسطحی، توسعه بسیار یافته است. یکی از روش های تعیین مقدار آنومالی نواحی، استفاده از ژئوفیزیک هوابرد می باشد. در این روش به کمک پهپاد وسعت های بالا در زمان کوتاه تری نسبت به دیگر روش های ژئوفیزیکی داده برداری می شوند. مطابق مطالعات ژئوفیزیک، اندازه بردار مغناطیس زمین در هر نقطه به غیر از مولفه اصلی که ناشی از هسته زمین بوده و شامل مشخصات فرکانسی پایین می شود، دارای مولفه آنومالی ناشی از عوارض سطحی و ساختارهای زیر سطحی نواحی می باشد . علاوه بر این دو ، یک مولفه گذرا و متغیر با زمان، ناشی از عوامل خارجی نیز دارد. لذا برای یک حسگر متحرک، تعیین مقدار آنومالی مغناطیسی برای یک ناحیه بصورت بر خط، منوط به جداسازی این مولفه های زمانی و مکانی میدان مغناطیسی در هر لحظه می باشد.در این پژوهش جهت تخمین آنومالی میدان مغناطیسی توسط حسگر مغناطیسی بروی پهپاد روشی ارائه شده است که در آن، ابتدا جهت کاهش نویز و افزایش کیفیت داده ها از روش تلفیق داده و تبدیل هیلبرت استفاده شده است و سپس با کمک سوابق داده های مغناطیسی بدست آمده از رصدخانه محلی، تغییرات زمانی میدان گذرا برای دوره های زمانی مختلف براساس جمع ، مولفه غیر تصادفی برای دوره های زمانی سالانه، ماهانه و روزانه و یک مولفه تصادفی برای دوره روزانه یصورت فرآیند گوس مارکوف مدل سازی می شود. سپس با داشتن مقادیر اندازه گیری میدان در هر مکان و کسر مولفه های تغییرات زمانی میدان گذرا و مقدار میدان اصلی مطابق مدل IGRF، مقدار آنومالی مسیر حرکت حسگر تخمین زده می شود. درنهایت نشان داده می شود که با کمک این روش می توان آنومالی مسیر یک حسگر متحرک را در شرایط مختلف با دقت بهتر از 8 نانو تسلا بدست آورد.
کلید واژگان: ژئو مغناطیس, تخمین, فرایند تصادفی, فرایند گوس مارکوف, آنومالی مغناطیسی -
در این مقاله، یک معیار جامع سنجش کیفیت به منظور بررسی عملکرد مدل های شناسایی شده از سیستم های هیبرید غیرخطی با روش های مبتنی بر رگرسیون بردار پشتیبان، توسعه داده شده است. معیار سنجش کیفیت پیشنهادی در بردارنده تمامی فاکتورهایی است که کیفیت مدل شناسایی شده را تحت تاثیر قرار می دهد. این فاکتورها عبارتند از: خطای شناسایی، کیفیت سیگنال سوییچ و پیچیدگی مدل. با استفاده از معیار کیفیت توسعه داده شده ، می توان پاسخ های حاصل از شناسایی سیستم هیبرید را مقایسه کرده و بهترین مدل بدست آمده که دارای پیچیدگی معقول بوده، خطای شناسایی مناسب داشته و کیفیت سیگنال سوییچ آن مطلوب است را انتخاب نمود. این معیار کیفیت با لحاظ کردن اصل تیغ اوکام، از انتخاب مدل های بسیار پیچیده جلوگیری می کند. همچنین امکان مقایسه تاثیر توابع کرنل متفاوت بر مدل شناسایی شده را با در نظر گرفتن فاکتورهای ذکر شده، فراهم می کند.
کلید واژگان: شناسایی سیستم, سیستم هیبرید غیرخطی, کیفیت شناسایی, اصل اوکامIn this study, a comprehensive quality measure criterion is developed to evaluate the performance of the identified models for nonlinear hybrid systems using support vector regression-based techniques. The proposed quality measure criterion includes all the factors that affect the quality of the identified models, namely identification error, quality of the switching signal, and model complexity. Using the proposed criterion, the resulting models of hybrid systems identification can be efficiently compared and the best model with acceptable complexity, tolerable identification error, and desirable switching signal quality will be selected. This quality measure criterion prevents selecting the complex models relying on the Occam’s Razor theorem. Besides, it provides the possibility of comparing the effects of different kernel functions on the identified models considering the aforementioned factors.
Keywords: System identification, Nonlinear hybrid system, Identification quality, Occam’s Razor -
Today, stock market plays a key role in the economy of any country and is considered as one of the growth indicators of any economy. Gaining the skills of gathering and analyzing data simultaneously, as well as using this knowledge in economic investigations, make time and precision factors to be the drawcard of any investor in competition with others. Therefore, having a predictive approach with the lowest degree of error will lead to smarter management of resources. Due to the complex and stochastic nature of the stock market, conventional forecasting approaches in this field have usually faced serious challenges, most notably losing the robustness when the data type changed over time. Moreover, by focusing on point forecasting, some useful statistical information about the objective random variable has been ignored inadvertently, undermining the prediction efficiency. The focus of this study is on density forecasting models which, unlike point forecasting, contain a description of uncertainty. Also, to take advantage of the diversity and robustness features of the combination, instead of an individual prediction, a combination of the density forecasting given by the different structures of ARMA, ANN, and RBF models is presented. In order to analyze the capabilities of these approaches in Tehran Stock Exchange (TSE), two basic methods of this category have been used to predict the price of MAPNA stock -one of the fifty active companies in this market- in the period 2012 to 2019.Keywords: Forecast Combination, Density Forecasting, Neural Networks, Simple Average, Stock Market
- این فهرست شامل مطالبی از ایشان است که در سایت مگیران نمایه شده و توسط نویسنده تایید شده‌است.
- مگیران تنها مقالات مجلات ایرانی عضو خود را نمایه می‌کند. بدیهی است مقالات منتشر شده نگارنده/پژوهشگر در مجلات خارجی، همایش‌ها و مجلاتی که با مگیران همکاری ندارند در این فهرست نیامده‌است.
- اسامی نویسندگان همکار در صورت عضویت در مگیران و تایید مقالات نمایش داده می شود.
©2000-2025 magiran.com All Rights Reserved.