1 |
時間數列分析在偵測型態結構差異上之探討 / Application Of Time Series Analysis In Pattern Recgnition And alysis蘇曉楓, Su, Shiau Feng Unknown Date (has links)
依時間順序出現之一連串觀測值,通常會呈現某一型態,而根據所產生的
型態可以作為判斷事件發生的基礎。例如,震波形成原因的判斷﹔追查環
境污染源﹔以及在醫學方面,辨識一個正常人心電圖的型態與患有心臟病
的病人其心電圖的型態…等。對於這些問題,傳統之辨識方法常因前提假
設的限制而失去其準確性。在本文中,我們應用神經網路中的逆向傳播演
算法則來訓練網路,並利用此受過訓練的網路來辨別線性時間數列ARIMA
及非線性時間數列 BL(1,0,1,1)。結果發現,網路對於模擬資料中雙線性
係數介於0.2至$0.8$之間的資料有高達$80\%$以上的辨識能力。而在實例
研究中,我們訓練網路來判斷震波形成的原因,其正確率亦高達80\%以上
。同時,我們也將神經網路應用在環境保護方面,訓練網路來判斷二地區
空氣品質的型態。 / A series of observations indexed in time often produces a
pattern that may form a basis for discriminatingetween
different classes of events. For instance, in theeology, what
are the causes of seismic waves? a earthquakesr the nuclear
explosions ?in the eathenics, we can use theethod to inquire
the source which pollutes the air in somelace, and in the
medicine, to distinguish the difference oflectrocardiograms
between a health person and an a patient..ect. In this paper,
we utilize the back-propagation to trainnetwork and use of the
trained networks to judge the linearRIMA(1,0,0) model between
the nonlinear BIL(1,0,1,1) model,e can find that the trained
network has a good recognitionhose accurate rate is above 80\%
for the coefficient of the bilinear model being equal to 0.5 or
0.8. In a living example, we have trained a network to
decidehich is the cause of seismic wave, and the trained
networkhose accurate rate is larger than 80\%. At the same time,
e also applied neural network in environmental protection.
|
2 |
時間數列模式建立分析應用之研究朱建萍, ZHU, JIAN-PING Unknown Date (has links)
本文主要在探討如何建立適當的時間數列模式,以應用於預測及控制上。第一章,緒
論。第二章,討論各種型態的時間數列隨機模式,並研究自我相關函數與偏自我相關
函數的性質。第三章,主要在研究單變量時間數列模式建立的方法與步驟及其在預測
上的應用分析,並以建立「台電公司家庭用電量」時間數列模式為例配合說明。第四
章,研究具有動態反應的轉換函數模式及其模式建立的方法與在預測上的應用分析。
第五章,討論含有虛擬變數的動態調停模式,並配合實例說明如何應用動態調停模式
以解決經濟與環境問題。第六章,結論,說明時間數列模式在建立方法上有那些限制
,以及在應用分析上有那些優缺點;並就「台電家庭用電量」建立時間數列模式俾供
台電在業務企劃上參考或應用。
|
Page generated in 0.0124 seconds