پایاننامه ارشد مهندسی فن‌آوری اطلاعات هوش مصنوعی سریهای زمانی آشوبگونه

۱۱۵ هزار تومان ۷۵ هزار تومان
افزودن به سبد خرید

جهت خرید و دانلود پاياننامه ارشد مهندسی فن‌آوری اطلاعات هوش مصنوعی سریهای زمانی آشوبگونه روی خرید محصول کلیک و یا با ایمیل زیر در ارتباط باشید

sellthesis@gmail.com


پايان نامه کارشناسي ارشد مهندسی فن‌آوری اطلاعات استفاده از روش‌های هوش مصنوعی در پیش‌بینی سری‌های زمانی آشوب‌گونه


خرید محصول پاياننامه ارشد مهندسی فن‌آوری اطلاعات هوش مصنوعی سریهای زمانی آشوبگونه


چکیده:

پیش‌بینی سری‌های زمانی یکی از شاخه های علم آمار و احتمال است که در سایر رشته‌ها مانند اقتصاد، مهندسی ارتباطات، هواشناسی، مدیریت و بازاریابی کاربرد فراوانی دارد. دامنه کاربرد پیش‌بینی سری‌های زمانی روزبه‌روز گسترده‌تر شده و نیاز دانش‌پژوهان در این زمینه افزون‌تر می‌گردد. سری‌های‌ زمانی آشوبی، زیرمجموعه‌ای از فرآیندهای غیرخطی با نتایج بسیار پیچیده و نامنظم، تعریف می‌شوند. در طول چند دهه گذشته، پیش‌بینی سری‌های‌زمانی آشوبی یک موضوع چالش برانگیز و جالب بوده است. اگرچه سری‌های زمانی آشوبی ویژگی‌های سیستم‌های دینامیکی را به صورت تصادفی نشان می‌دهند، در فضای‌حالت مناسب، رفتارهای قطعی را ارائه می‌دهند.
در این پایان نامه پیش‌بینی سری زمانی آشوبی و تحلیل خطا با استفاده از شبکه‌های عصبی خطی و غیرخطی همراه با بگارگیری تئوری جاسازی پیشنهاد شده است. سری‌های زمانی به طور کلی شامل مؤلفه‌های خطی و غیرخطی می‌باشند. در این مطالعه در جهت بهبود دقت پیش‌بینی، یک روش ترکیبی شامل پیش‌بینی کننده خطی و غیرخطی، برای مدل کردن هر دو مؤلفه ارائه شده است. ابتدا با استفاده از نظریه جاسازی، سری‌زمانی در فضای حالت مناسب نمایش داده شده، سپس نقاط فضای‌حالت به یک شبکه عصبی خطی داده شده اند. خطای سری زمانی پیش‌بینی شده، محاسبه و به عنوان یک سری‌زمانی آشوبی جدید، در فضای‌حالت مناسب جاسازی شده ‌است. در ادامه نقاط فضای‌حالت بدست آمده به مدل غیرخطی مورد نظر که یک شبکه عصبی بازگشتی المان آموزش داده شده با الگوریتم بهینه‌سازی جمعیت ذرات می‌باشد، خورانده شده تا مورد تحلیل قرار گیرند. در نهایت مقادیر پیش‌بینی شده از سری زمانی اصلی و سری زمانی خطا یعنی خروجی دو پیش‌بینی کننده خطی و غیرخطی، با هم جمع شده و با مقادیر واقعی سری زمانی مقایسه شده‌اند. سری‌های زمانی آشوبی مکی‌گلاس، لورنز و لکه‌های خورشیدی برای ارزیابی کارایی روش پیشنهادی استفاده شده اند. نتایج به دست آمده نشان دهنده‌ی پیش‌بینی دقیق‌تر روش پیشنهادی در مقایسه با روش‌های پیش‌بینی موجود، می‌باشد.

کلمات کلیدی: سری‌ زمانی آشوبی، پیش‌بینی، نظریه جاسازیس، تحلیل خطا، شبکه‌های عصبی مصنوعی.


فهرست مطالب
عنوان صفحه

فصل اول: مقدمه 1
1-1:مقدمه 2
1-2: هدف تحقیق . 4
1-3: ساختار پایان‌نامه . 5

فصل دوم: سری‌های زمانی آشوبی 6
2-1: معرفی سری‌های زمانی 7
2-2: سری‌های زمانی آشوبی 10
2-3: تجزیه و تحلیل سری‌های زمانی آشوبی . 13
2-4: معادلات آشوبی 15

فصل سوم: مروری بر روش‌های تحلیل سری‌های زمانی آشوبی 17
3-1: تعیین پارامترهای فضای حالت برای جاسازی سری‌زمانی آشوبی 18
3-1-1: مروری بر روش‌های تعیین پارامترهای فضای حالت 18
3-1-2: روش‌های تعیین بهینه پارامترهای فضای حالت 20
3-2: پیش‌بینی سری‌های زمانی آشوبی با روش‌های هوش محاسباتی و ترکیب آن‌ها 21
3-2-1: پیش‌بینی با روش‌های مبتنی بر شبکه‌های عصبی مصنوعی . 22
3-2-2: پیش‌بینی با ترکیب شبکه‌های عصبی و سایر الگوریتم‌های هوش محاسباتی 25

فصل چهارم: شبکه‌های عصبی مصنوعی و الگوریتم بهینه‌سازی جمعیت ذرات 28
4-1: شبکه‌های عصبی مصنوعی 29
4-1-1: کاربرد شبکه‌های عصبی مصنوعی . 30
4-1-2: ساختار شبکه‌های عصبی مصنوعی 31
4-1-3: یادگیری شبکه‌های عصبی مصنوعی 32
4-1-4: انواع شبکه‌های عصبی مصنوعی 33
4-1-5: شبکه‌ عصبی بازگشتی المان 35
4-1-6: شبکه‌ عصبی خطی 35
4-2: الگوریتم‌های تکاملی و محاسبات زیستی 37
4-2-1: مقدمه‌ای بر الگوریتم‌های فرامکاشفه‌ای 37
4-2-2: هوش‌جمعی 39
4-2-3: الگوریتم بهینه‌سازی جمعیت ذرات 41

فصل پنجم: روش پیشنهادی 43
5-1: بیان مسئله 44
5-2: مدل پیش‌بینی و تحلیل خطا 44
5-2-1: انتخاب سری زمانی و تشخیص آشوب 46
5-2-2: جاسازی سری‌زمانی در فضای‌حالت . 46
5-2-3: بکارگیری پیش‌بینی کننده خطی برای پیش‌بینی سری زمانی اصلی 46
5-2-4: محاسبه خطا و جاسازی آن در فضای حالت 47
5-2-5: بکارگیری پیش‌بینی کننده غیرخطی برای پیش‌بینی سری زمانی خطاها 47
5-2-6: مجموع نتایج پیش‎‌بینی کننده خطی و غیرخطی 49
5-3: نحوه ارزیابی . 50
5-4: نتیجه‌گیری . 50

فصل ششم: نتایج شبیه‌سازی و ارزیابی روش پیشنهادی 51
6-1: سری‌زمانی آشوبی مکی‌گلاس 52
6-2: سری‌زمانی آشوبی لورنز 56
6-3: سری‌زمانی آشوبی لکه‌های خورشیدی 60
6-4: نتیجه‌گیری 64

فصل هفتم: نتیجه گیری و پیشنهادات . 65
7-1: نتیجه گیری 66
7-2: پیشنهادات 69

مراجع 70
پیوست 1: واژه نامه 76
پیوست 2: شرح اختصارها 84
پیوست 3: فهرست نام‌ها 85


1-1: مقدمه

در طول چند دهه گذشته پیش‌بینی سری‌های زمانی آشوبی یک موضوع چالش برانگیز و مهم بوده است. آشــوب* در لغت به معناي هرج‌و‌مرج و بي¬نظمي است. ریشه لغوي آشوب به کلمه رومي «كائــوس*» برمي¬گردد. محيط عمل پديده آشـوب، سيستم‌هاي ديناميكي است. سری‌های زمانی آشوب‌گونه می‌توانند به عنوان زیرمجموعه‌ای از فرآیندهای غیرخطی که نتایج بسیار پیچیده و نامنظم ایجاد می‌کنند، در نظر گرفته شوند. تئوری آشوب به عنوان یک بخش اساسی تئوری غیرخطی، یک ابزار مناسب برای نشان دادن ویژگی‌های سیستم‌های دینامیکی و پیش‌بینی روند سیستم‌های پیچیده فراهم کرده است. در واقع نظریه آشوب به سیستم‌هایی اشاره دارد که حاوی روابط غیرخطی، پیچیده و رفتار آشفته هستند. رفتار آشفته دو ویژگی مهم دارد به طوری که اینگونه رفتار از یک دید غیرقابل پیش‌بینی ولی از دید دیگر دارای الگوی نهفته در درون خود است. طبق این نظریه، رویدادها در جهان چنان پیچیده و پویا هستند که به نظر بی‌نظم می‌رسند اما در حقیقت نظام آشوب‌گونه دارای نظم زیربنایی است که شناسایی این نظم زیربنایی و نهفته اگرچه غیرممکن نیست ولی مشکل است زیرا عوامل و پارامترهای متعددی در تعامل پویا و غیرقابل پیش‌بینی رفتار پدیده‌ها را شکل داده و الگوی رفتاری آینده آن‌را به وجود مـی‌آورند. خلاصه اینکه آشوب‌گونه بودن رفتارها و حرکات پدیده‌های مختلف فیزیکی، انسانی، اجتماعی و سازمانی همه خبر از نظم غائی می‌دهند، لذا می‌توان گفت که آشوب‌گونه بودن به معنای تصادفی بودن نیست بلکه بیانگر نظمی در درون بی‌نظمی‌هـا و قاعده‌ای در درون بی‌قاعدگی‌های ظاهری است.
تحلیل سری‌های زمانی آشوب‌گونه* سه فاز اصلی دارد: 1) بررسی ویژگی‌های سیستم 2) تشخیص پارامترهای فضای‌حالت* برای جاسازی* سری‌زمانی 3) پیش‌بینی سری‌زمانی. فاز یک بررسی می‌کند که آیا یک سری‌زمانی آشوب‌گونه است؟ همچنین این فاز ممکن است شامل تشخیص این باشد که آیا سیستم قطعی است یا تصادفی؟ آیا خطی پویاست یا غیرخطی؟ جاسازی سری‌زمانی آشوب‌گونه در فضای‌حالت کمک زیادی به شناسایی سیستم می‌کند. روش‌های زیادی برای جاسازی فضای‌حالت وجود دارد. در غیاب یک معادله حاکم برای سیستم، نقاط فضای‌فاز یا همان فضای‌حالت، از سری‌زمانی اصلی با استفاده از یک روش جاسازی* تولید می‌شوند. تاکنز* در سال 1981 میلادی در یک مقاله مفصل و جامع، پایه‌های ریاضی برای کارکردن روی سری‌های زمانی آشوبی را بنیان نهاده است. در انتها مسئله پیش‌بینی سری‌زمانی است که شامل مطالعه رفتار گذشته و حال سیستم برای پیش‌بینی آینده است.
پیش‌بینی سری‌های زمانی آشوبی در زمینه‌های مختلف از جمله سیستم‌های بازاریابی، مدیریت زنجیره تأمین، پردازش سیگنال، جریان ترافیک، پیش‌بینی هوا، پیش‌بینی لکه‌های خورشیدی و بسیاری از زمینه‌های دیگر مشاهده شده است. به علت اهمیت همه این زمینه‌ها دقت روش‌های پیش‌بینی نیز مورد توجه و حائز اهمیت خواهد بود.
امروزه روش‌های هوش محاسباتی* و محاسبات نرم* به طور گسترده برای شناسایی و پیش‌بینی سری‌های زمانی آشوب استفاده می‌شوند. در ادامه تعدادی از روش‌های پیش‌بینی سری‌های زمانی آشوب را که در پژوهش‌های مختلف توسعه داده شده‌اند، معرفی می‌کنیم. برای مدل‌سازی و پیش‌بینی سری‌های زمانی غیرخطی چندین روش وجود دارد همانند روش حدآستانه، مدل نمایی، مدل خطی محلی، رگرسیون، نزدیکترین همسایه و شبکه‌های عصبی مصنوعی* که به طور فزاینده‌ای برای پیش‌بینی استفاده ‌شده است. کایرونِسینگ و لایانگ* تحقیقی روی کارایی شبکه‌های عصبی مصنوعی به عنوان یک مدل عمومی و مدل‌های محلی همچون روش میانگین محلی و چند جمله‌ای محلی، در پیش‌بینی سری‌های زمانی آشوب‌گونه انجام داده‌اند. هان و ونگ* یک روش چند متغیره غیرخطی برای مدل‌سازی و پیش‌بینی سری‌های زمانی آشوب‌گونه پیشنهاد کرده اند. ژانگ و چاندرا* ]24[ کاربرد دو روش تجزیه مسئله با شبکه‌های عصبی بازگشتی را برای مسئله پیش‌بینی سری‌های زمانی مکی‌گلاس، لورنز و لکه‌های خورشیدی ارائه داده‌اند. ونگ و هانگ* یک رویه بهینه سازی برای مدل شبکه عصبی پس انتشار* مبتنی بر الگوریتم وراثتی، به منظور پیش‌بینی سری‌های زمانی آشوبی پیشنهاد کرده‌اند. زین* و همکارانش ]26[ یک مدل شبکه عصبی مصنوعی با الگوریتم ترکیبی، پیشنهاد داده‌اند. سمنتا* در مقاله خود ]27[ دو روش هوش محاسباتی، مدل عصب تک ضربی (SMN)* و سیستم استنتاج فازیֵعصبی انطباق‌پذیر (ANFIS)* برای پیش‌بینی سری‌زمانی آشوبی پیشنهاد و با یکدیگر مقایسه می‌کند. کوا*  شبکه- موجک* را برای پیش‌بینی سری‌های زمانی آشوبی معرفی می‌کند. در مطالعه صورت گرفته توسط بدونسکای*  یک معماری پنج لایه سیستم ترکیبی موجک*- عصبی- فازی انطباقی که نرون- موجک* را استفاده می‌کند، پیشنهاد شده است.

مرور

هیچ دیدگاهی برای این محصول نوشته نشده است.