...
  • 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Pomiary Automatyka Kontrola >Wady i zalety metody prognozowania zachowania złożonych procesów opartej na metodzie GMDH z funkcjami wrażliwości
【24h】

Wady i zalety metody prognozowania zachowania złożonych procesów opartej na metodzie GMDH z funkcjami wrażliwości

机译：基于带有灵敏度函数的GMDH方法的复杂过程行为预测方法的优缺点

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

W artykule przedstawiono zalety i ograniczenia metody predykcji procesów złożonych reprezentowanych przez szeregi czasowe, opartej na metodzie GMDH i korzystającej z właściwości funkcji wrażliwości. Użycie funkcji wrażliwości ma zapewnić zwiększenie precyzji predykcji w stosunku do metody podstawowej, dzięki informacjom o kierunku i szybkości zmian wartości zmiennych szeregu, zawartych w funkcjach wrażliwości. Na wejściu potrzebna jest niewielka ilości danych (siedem). Metoda wykazuje zwiększenie skuteczności w stosunku do GMDH nawet przy wykorzystaniu wielomianów Kołmogorowa-Gabora jedynie drugiego stopnia.%In this paper, there are presented the advantages and limitations of the prediction method of complex processes (presented in the form of the time series) which is based on the Russian researcher A. G. Ivakhnenko-GMDH method and uses the properties of the first and second-order sensitivity functions. Sensitivity function is used to ensure an increase of the precision of the prediction in relation to the basic method, thanks to the information about direction and changes in the values of the time series variables and the speed of these changes included in them. We need only small amount of input data (seven) opposed to the other regression methods using large amounts of information in order to study the statistical relationship between time series variables. On the basis of several alternative (partial) models we receive several outputs for every time-series variable, from which we choose the best (terms previously fixed criteria). Figures 1, 4, 6 and 7 show the results of the prediction of the best partial models for one or two steps forward. Others show values of the sensitivity functions indicating an influence on the studied variables. Results of the prediction without using the sensitivity function differ significantly from the expected values, therefore, are not shown in the drawings. The method shows an increase in efficacy in comparison with GMDH even for second degree Kolomogorov-Gabor polynomials.
机译：本文介绍了基于GMDH方法并利用敏感度函数的特性，以时间序列表示的复杂过程的预测方法的优点和局限性。灵敏度函数的使用是为了确保相对于基本方法的预测精度有所提高，这要归功于灵敏度函数中所包含的系列变量值变化的方向和速度信息。输入端需要少量数据（七个）。即使仅使用第二级的Kołmogorow-Gabor多项式，该方法也显示出相对于GMDH的效率提高。％本文提出了复杂过程（以时间序列的形式表示）的预测方法的优点和局限性，即基于俄罗斯研究人员AG Ivakhnenko-GMDH方法，并使用了一阶和二阶灵敏度函数的性质。灵敏度函数用于确保相对于基本方法的预测精度的提高，这要归功于有关方向和时间序列变量值的变化以及其中包含的这些变化的速度的信息。与研究使用大量信息的其他回归方法相反，我们只需要少量输入数据（七个）即可研究时间序列变量之间的统计关系。在几个替代（部分）模型的基础上，我们为每个时间序列变量接收多个输出，从中我们选择最佳的输出（以前固定条件的术语）。图1、4、6和7显示了前进一到两步的最佳局部模型的预测结果。其他显示灵敏度函数的值，指示对研究变量的影响。不使用灵敏度函数的预测结果与预期值明显不同，因此未在图中显示。与GMDH相比，该方法甚至在二阶Kolomogorov-Gabor多项式中也显示出功效的提高。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号