لینک دانلود و خرید پایین توضیحات

دسته بندی : پاورپوینت

نوع فایل : .ppt ( قابل ويرايش و آماده پرينت )

تعداد اسلاید : 39 اسلاید

قسمتی از متن .ppt :

کاربرد 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)

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.


فهرست مطالب و اسلایدها

میانگین متحرک

پاسخ فرکانسی

مدل Auto-regressive (AR)

مدل Moving Average (MA)

Auto-regressive Model

Moving Average

ARMA Model

Multi Layer Perceptron

Jordan Network

Elman Network

Multi Recurrent Network

Radial Basis Function

Thin Plate Spline

شبکه های عصبی RBF

Least Square Function

آموزش وزنهای لایه خروجی