عنوان پایان‌نامه
انتخاب متغیرهای ورودی در شناسایی سیستمها و کاربرد آن در پیش بینی سریهای زمانی
- رشته تحصیلی
- مهندسی برق-کنترل
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه دانشکده برق و کامپیوتر شماره ثبت: 1393;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 37525
- تاریخ دفاع
- ۳۰ بهمن ۱۳۸۶
- دانشجو
- محمد مهدی رضائی یوسفی
- چکیده
- بحث انتخاب ورودی برای شناسایی سیستمها و پیش‌بینی سریهای زمانی از مباحث به روز و بسیار مهم در مدل‌سازی می‌باشد، که نسبت به دیگر مسایل کمتر مورد توجه قرار گرفته است؛ در حالی که یکی از مهم‌ترین آنها است. اهمیت مساله در این است که ما بیشترین تلاش خود را روی یافتن بهترین ساختار برای استخراج بهترین و بهینه‌ترین تصمیم متمرکز می‌‌کنیم، در حالی که انتخاب چارچوبی درست می‌تواند عملکرد و قابلیت تعمیم مدل را تا حد زیادی بهبود بخشد و بدین ترتیب از بروز مساله بیش‌برازش جلوگیری کنیم. لذا انتخاب مناسب ورودی‌ها، به عنوان یکی از اجزای آن چارچوب، می‌تواند صحت مدل‌سازی و دقت پیش‌بینی را افزایش دهد. این پایان‌نامه، مساله انتخاب متغیرهای ورودی برای شناسایی سیستمها، خصوصا به منظور پیش‌بینی سریهای زمانی را مورد بحث و بررسی قرار داده است. همچنین سعی شده روش‌هایی که برای انتخاب متغیرهای ورودی، البته با عناوین دیگر، استفاده شده مورد مطالعه قرار گیرند. سپس با در نظر گرفتن مزایا و معایب هر کدام و نیز تصحیح آنها، روشی کارآمد برای انتخاب متغیرهای ورودی ارایه شود. برای مقایسه عملکرد روش‌های مطرح شده، از سخت‌ترین داده‌های مطرح در زمینه مدل‌سازی و پبش‌بینی استفاده شده است. سیستم‌های در نظر گرفته شده شامل یک سیستم ایستا با ورودی‌های مشخص، یک سری زمانی دست‌ساز و سری زمانی تعداد سالیانه لکه‌های خورشیدی هستند. بر همین اساس، معیار اطلاعات متقابل به عنوان معیاری که توانایی آشکارسازی همه نوع رابطه، خطی و غیرخطی، را بین متغیرهای تصادفی دارد مورد مطالعه قرار گرفته و یک روش تخمین عددی برای آن تشریح شده است و برتری آن بر تحلیل همبستگی با چندین مثال نشان داده شده است. برای مدل‌سازی و پیش‌بینی نیز از مدل‌های خطی ایستا و دینامیکی و مدل‌های فازی‌عصبی‌خطی‌محلی با یادگیری درختی استفاده بهره برده‌ایم در همین راستا نیز سعی شده تا با بررسی ورودی‌های انتخاب شده، به مفاهیم فیزیکی در مورد ساختار سیستم و سریهای زمانی مورد بحث دست یابیم.
- Abstract
- Abstract Input selection problem is the most important problem in modeling and system identification tasks because as we focus all our effort on finding the best structure for making the optimal decision, the choice of the right frame soon becomes the critical factor in improving the overall efficiency and generalization capability of the built model. Therefore, the right choice of inputs, one of the components of this frame, in time series prediction tasks will improve the accuracy of the model and increase precision of the prediction. In this thesis, the problem of input variable selection for systems identification, especially for time series prediction is discussed. Moreover, traditional methods in others fields such as statistics and data mining are studied. In addition, with regard to advantages and disadvantages of each method and modifying some of them, a technique for selecting input variables is proposed. To make a comparison between these methods, data set which is mostly studied in modeling and prediction literature is used. A static process with specific inputs, a hand-made time series, and the time series of sunspot numbers are considered. Mutual information criterion which measures any kind of relation between two or more random variables is studied and a numerical method for its estimation is described. The superiority of mutual information over correlation analysis, another criterion, is shown with some examples. Linear static and dynamic models and locally linear neurofuzzy models with LoLiMoT learning algorithm are used. As a result, some physical and mathematical concepts of the structure of the systems and time series are extracted.
