آپلود عکس

آپلود عکس

< دانلود مبانی نظری پیش بینی و مدل های پیش بینی :: (60%)

(60%)

60درصــــد در خدمت شماییم

60درصــــد در خدمت شماییم

کلمات کلیدی

.

اختلال اضطراب اجتماعی (فوبی اجتماعی)

معلولان و ترکیب بدنی و آمادگی جسمانی و حرکتی

دانلود مبانی نظری و پیشینه تحقیق احساس شادکامی و خوشبختی در زندگی

ادبیات نظری تحقیق حیطه های رشد و شکوفایی مسلمانان

دانلود طرح لایه باز برچسب گلاب طراحی شده با نرم افزار فتوشاپ

اجاره ‌نامه A3 مطابق با استاندارد سازمان ثبت اسناد و املاک .

پروتکل درمان کودکان مبتلا به کمال‌گرایی (گیر ذهنی به کامل بودن)

دانلود دسته بندی مقالات و پایان نامه های در زمینه کلاسترینگ

فریدون فریور

دانلود 12 جزوه آموزش هیپنوتیزم و مانیه تیزم

جزوه تضمینی آزمون زبان انگلیسی دانشگاه آزاد با تخفیف 50 درصد

تصویر سازی کدینگ فوق العاده راحت و آسان 100 درصد تضمینی

جزوه مبانی ژئومورفولوژی

دانلود پاورپوینت کتاب آناتومی انسانی تالیف دکتر علی اصغر رواسی

هم بندی اصلی و اضافی در سیستم ارتینگ

دانلود مقاله خاتم کاری همراه پاورپوینت

پاورپوینت تحول دیجیتال در صنعت سلامت و آینده امیدبخش برای زندگی سالم

پاورپوینت بازاریابی محتوا چیست

گرایش نقاشی بررسی موضع هنرمندان ایرانی به هنر ویدیویی

پروژه تاثیر تمرین و رژیم غذایی بر میزان لپتین خون

پکیج نمونه سوالات بدو استخدام دستگاههای اجرایی و دولتی

پروژه طراحی ارتباط بی سیم بین کامپیوتر آنبورد ute و بی سیم اپراتور

دانلود اخلاق حرفه ای در حسابرسی

پاورپوینت انواع دیوار ها

دانلود تحقیق نیاز آموزشی انسان با فرمت ورد

پاورپوینت شرکتهای کارگزاری و سپرده گذاری مرکزی

دانلود پروژه رشته کامپیوتر به زبان SQL و VB (سیستم داروخانه)

دانلود سوالات تئوری جامع ماشین های الکتریکی

پاورپوینت مدیریت مالی 1(

بایگانی
پیوندها

دانلود مبانی نظری پیش بینی و مدل های پیش بینی

سه شنبه, ۲۸ مرداد ۱۳۹۹، ۰۷:۳۸ ب.ظ
مبانی نظری پیش بینی و مدل های پیش بینی

مبانی نظری پیش بینی و مدل های پیش بینی

دانلود مبانی نظری پیش بینی و مدل های پیش بینی

مبانی نظری پیش بینی و مدل های پیش بینی
دسته بندی علوم انسانی
فرمت فایل doc
حجم فایل 189 کیلو بایت
تعداد صفحات فایل 44

توضیحات :

مبانی نظری پیش بینی و مدل های پیش بینی در قالب Word قابل ویرایش.در 44 صفحه .

 

فهرست مطالب :

پیش ¬بینی و مدل¬های پیش ¬بینی

تعریف پیش ¬بینی

مدل ¬های پیش ¬بینی

سری ¬های زمانی

مدل باکس ـ جنکینز

بحث¬¬های کلی مدل

الف- مدل اتورگرسیوAR(p)

ب) مدل میانگین متحرکMA(Q)

ج) مدل ARMA(p,q)

د) مدل آریما(p,d,q)

ه) شرایط پایاپذیری سری¬های زمانی پیش¬بینی از طریق مدل باکس ـ جنکینز

شبکه ¬های عصبی مصنوعی

ساختار کلی شبکه¬ های عصبی

عملکرد شبکه ¬های عصبی

مزایای استفاده از شبکه عصبی مصنوعی

قابلیت یادگیری

قابلیت تعمیم

پردازش موازی (قابلیت بالا بودن سرعت)

مقاوم بودن (قابلیت تحمل آسیب، تحمل¬پذیری خطا¬ها، قابلیت ترمیم)

انواع توابع تبدیل

انواع شبکه ¬های عصبی

الف) شبکه ¬های عصبی پیش خور

ب) شبکه¬های عصبی پس خور

شبکه عصبی پروسپترون چند لایه

معیارهای ارزیابی خطا

پیشینه پژوهش

1.1.1 مطالعات داخلی

1.1.2 مطالعات خارجی

2 منابع و ماخذ

 

بخشی از متن :

پیش ­بینی و مدل­های پیش ­بینی

تعریف پیش ­بینی

در یک تعریف کلی، فرایند پیشگویی شرایط و حوادث آینده را پیش­بینی نامیده و چکونگی انجام این عمل را پیش­بینی کردن نامیده می­شود (بوکوتا، 2002).

هر سازمانی جهت تصمیم­گیری آگاهانه باید قادر به پیش­بینی کردن باشد. از آنجایی که پیش­بینی وقایع آینده در فرآیند تصمیم­گیری در سازمان نقش عمده ای را ایفا می کند، پیش­بینی کردن برای بسیاری از سازمانها و نهادها حائز اهمیت بالقوه­ای است. بنابراین بیشتر تصمیمات مدیریت در تمام سطوح سازمان به طور مستقیم و یا غیر مستقیم به حالتی از پیش­بینی آینده بستگی دارد.

در مدیریت استراتژیک، پیش­بینی شرایط عمومی اقتصاد، نوسانات قیمت و هزینه­ی تغییرات تکنولوژی، رشد بازار و امثال آن در ترسیم آینده بلند­مدت شرکت موثر است. به همین دلیل است که کنترل هر فرایند، منوط به پیش­بینی رفتار دوره فرآیند در آینده است. برای مثال ممکن است که در یک دوره فرآیند دستگاهی بیش از حد معین کار کند و تعداد اقلام معیوب تولید شده افزایش یابد. بنابراین برای شناسایی به موقع این نقص باید از روش های مناسب پیش­بینی استفاده نموده و نسبت به تصحیح و یا حذف آن با توجه به شرایط موجود اقدام نمود (ریفنس، 1997).

مدل ­های پیش ­بینی

ابزارهای عینی و ریاضی که برای پردازش و تجزیه و تحلیل داده­ها مورد استفاده قرار می­گیرند مدل­های پیش­بینی نامیده می­شوند. به عبارت دیگر، الگویی از یک واقعیت که ساده و کوچک شده و روابط بین متغیرهای آن واقعیت یا سیستم را نشان می­د­هد، مدل خوانده می­شود. بنابراین، هنگامی که متغیرهای مورد نظر به صورتی منظم، ساده و قابل فهم در جهت اهداف پیش­بینی در کنار یکدیگر قرار گرفتند و الگویی از روابط را بوجود آوردند، یک مدل پیش­بینی شکل می­گیرد.

سری ­های زمانی[1]

به روند مقادیر یک متغیر در طول زمان که به صورت دوره­های زمانی با فواصل معین و یکسان تنظیم شده­اند سری زمانی گفته می­شود. در تحلیل سری زمانی وضعیت تغییرات یک متغیر در گذشته مورد بررسی قرارگرفته و به آینده تعمیم داده می­شود. به طور کلی مدل­هایی که در تحلیل سری­های زمانی مورد استفاده قرار می­گیرند به دو دسته مدل­های خطی و غیر­خطی تقسیم می­شوند.

مدل­های خطی مانند مدل­های باکس ـ جنکینز[2] و یکنواخت سازی نمایی برای سری­های زمانی خطی مناسب هستند، ولی در مدل­سازی سری­های زمانی مالی و غیر­خطی با مشکل مواجه می­شوند.

مدل­های غیر­خطی از قبیل مدل­های غیر­کاهنده آستانه­ای، یک تابع غیر­خطی خاص و از پیش تعیین شده را پیش­بینی می­کنند. به عبارتی تابع خطی مورد استفاده در این روش­ها مشخص است. نوع دیگر مدل­های غیر خطی شبکه­های عصبی مصنوعی هستند که می توانند هر تابعی را تخمین بزنند و فرایندهای با رفتار ناشناخته را مدل نمایند.

سری­های زمانی بدنبال مقادیر یک صفت متغیر در طول زمان هستند. مشاهدات عموما باید در تاریخ­های معین یعنی در فواصل زمانی تقریبا ثابت به عمل آیند. مقادیر یک صفت متغیر ممکن است مربوط به یک لحظه زمانی و یا مربوط به یک فاصله یا دوره زمانی باشد. که در حالت اول سری زمانی را لحظه­ای و در حالت دوم سری زمانی را دوره­ای و یا فاصله­ای می­نامند. قیمت سهام شرکت­ها در آخرین روز ماه و ماه­های متوالی و همچنین تعداد بهره برداری­های کشاورزی در سال­های متوالی از نوع سری­های زمانی لحظه­ای است و حجم بازرگانی خارجی در سال­های متوالی و تعداد نامه­های پست شده در ماه­های متوالی و یا سال­های متوالی از نوع سری­های زمانی دوره­ای یا فاصله­ای می باشند.

مطالعه سری­های زمانی در اکثر رشته­ها مانند جامعه شناسی، بازرگانی، زیست­شناسی، زمین­شناسی و به خصوص زمینه مسائل اقتصادی پیشرفت فراوان داشته و از نظر آمارشناسان اقتصادی نه تنها تشریح وضع فعلی درباره مسائل اقتصادی، ضروری است، بلکه پیش­بینی وضع برای آینده نزدیک و دور نیز ضروری است. بدیهی است هیچ پیش­بینی بدون اطلاع از گذشته نمی­تواند به عمل آید و تهیه سری­های زمانی به منظور تامین اطلاع و آشنایی نسبت به گذشته است.

مدل باکس ـ جنکینز[3]

مدل باکس ـ جنکینز یا آریما[4] عبارتست از برازاندن یک الگوی میانگین متحرک[5] تلفیق شده با خود­رگرسیو[6] به مجموعه داده­ها و بدست آوردن الگوی ریاضی شرطی در یک سری زمانی است. یک مدل آریما سه جزء دارد (خالوزاده، 1999).

  1. خود رگرسیو
  2. میانگین یکپارچه[7]
  3. میانگین متحرک

بحث­­های کلی مدل

انواع مدل­های باکس ـ جنکینز به صورت زیر بیان می شوند:

الف- مدل اتورگرسیوAR(p)

این روش مشاهدات
را به صورت تابعی از مشاهدات قبلی بیان می­کند. در این مدل

 

 

 

 

 

(2-1)

 


ها مستقلند و در آن
پارامترهایی هستند که بستگی
به هر یک از p مقدار قبل در سری را معلوم می­کنند.

 

ب) مدل میانگین متحرکMA(Q)

این روش مشاهدات
را به صورت تابعی از اختلالات تصادفی در دوره­ی فعلی t و در دوره­های قبلی بیان می­کند. در این مدل

 

(2-2)

 

(2-3)

 


ها مستقل هستند و
اختلالات تصادفی را در دوره­های (t, t-1,…., t-q) بیان می­کند و
میانگین متحرک اختلال جاری
و اختلال­های قبلی است که اختلال­های قبلی دارای وزن­های
هستند. عدد q را مرتبه­ی مدل میانگین متحرک می­گویند و جمع وزن های
لزوماً برابر 1 نیست.

 

ج) مدل ARMA(p,q)

رابطه کلی با توجه به موارد بحث شده به صورت زیر است که برای سری­های ایستا به کار می­رود.


 

د) مدل آریما(p,d,q)

این مدل مدل عمومی باکس ـ جنکینز است و تمام گروه­­های ذکر شده را در بر می­گیرد. در این مدل p مرتبه اتوگرسیو مدل و q مرتبه میانگین متحرک مدل و d مرتبه تفاضلی مدل (جهت ایستا کردن مدل) است. یعنی آن چه که این مدل را کامل­تر از مدل قبل می­نماید تبدیل مناسب جهت پایا بودن مدل است.


 


 


 

که در آن
،
،
، p,
، q، d،
،
به ترتیب مقادیر آنی متغیر، نویز سفید در زمان t، چند جمله­ای اتورگرسیو، مرتبه میانگین متحرک، درجه تفاضل­گیری و پارامتر­های مدل اتورگرسیو و میانگین متحرک می­باشند.

 

ه) شرایط پایاپذیری[8] سری­های زمانی پیش­بینی از طریق مدل باکس ـ جنکینز

باید دقت کنیم که مدل زمانی در توصف پیش­بینی سری زمانی به کار می­رود که پایا باشد. منظور از سری زمانی پایا (ایستا) این است که مشخصه­های آماری آن (مثل میانگین و واریانس) در طی زمان ثابت باشند. اگر مقادیر
یک سری زمانی با اختلاف ثابتی حول میانگین نوسان داشته باشد در این صورت سری زمانی مورد نظر ایستا است که با مشاهده نمودار داده­ها می­توان نتیجه گرفت که ایا سری مورد نظر ایستا است یا خیر. اگر نمودار داده­های
بیانگر پایا نبودن مقادیر باشد، در این صورت می­توان با گرفتن تفاضلات اولیه، مقادیر را به یک سری زمانی پایا تبدیل کنیم.

 

تفاضلات اولیه مقادیر
عبارتند از

 

(2-8)

 

با توجه به اینکهt=2,…..nباشد.

اگر تفاضلات اولیه خود نیز پایا نباشند در این صورت از روش­های دیگر مثل گرفتن تفاضلات ثانویه استفاده می­شود.

 


[1] -Time series

[2] -Box-Jenkins

[3] - Box & Jenkins

[4] - Autoregressive- IntegratedMoving Average

[5] - Moving Average

[6] - Autoregressive

[7] -Integrated Average

[8] -Stationary

 

 

 

 

دانلود مبانی نظری پیش بینی و مدل های پیش بینی

نظرات  (۰)

هیچ نظری هنوز ثبت نشده است

ارسال نظر

ارسال نظر آزاد است، اما اگر قبلا در بیان ثبت نام کرده اید می توانید ابتدا وارد شوید.
شما میتوانید از این تگهای html استفاده کنید:
<b> یا <strong>، <em> یا <i>، <u>، <strike> یا <s>، <sup>، <sub>، <blockquote>، <code>، <pre>، <hr>، <br>، <p>، <a href="" title="">، <span style="">، <div align="">
تجدید کد امنیتی
فروشگاه اینترنتیتبادل لینک - تبادل لینک رایگان - بلک لینک رایگان و با کیفیت - تبادل لینک دو طرفه - تبادل سه طرفه لینک