Prognozowanie i stymulacje - lab. 21.12.2003
WYKŁAD 4
Dr hab. profesor WSEI
Bartłomiej Beliczyński
MODELE ARMA I NARMA
Arma - model liniowy (Auto Regressive Moving .....)
Narma - model nieliniowy (...................................)
WYGŁADZANIE WYKŁADNICZE
yt = aut-1 + (1 - a) yt -1 → równanie rekurencyjne
model autoregresji
MODEL OGÓLNY
yt = a1yt-1 + a2yt-2+ . . . + anyt-n + b1ut-1 + b2ut-2+ . . . + bnut-n
(+e1)
oznacza błąd pomiędzy
lewą a prawa stroną
u y
Wejście Wyjście
Zapis macierzowy
Przyjmujemy oznaczenia
φ= fi → wartość zmiennej
θ= teta → parametry
yt-1 a1
yt-2 a2
. . . . . .
yt-n an
φt-1 = ut-1 θ = b1
ut-2 b2
. . . . . .
ut-n bn
1
yt *= wyt-1 + wyt-2+ wyt-3
model nierekursywny
y y*
Model ARMA
yt = b1ut-1 + b2ut-2 + b3ut-3 ARMA (0,3)
Model ten jest zawsze stabilny.
MA (3) - model
AR (3) → model autoregresywny o 3 współczynnikach.
yt = a1yt-1 + a2yt-2 + a3yt-3 ARMA (3,0)
Ten model może być niestabilny - stabilność zależy od współczynników.
WYGŁADZANIE WYKŁADNICZE
yt = a1yt-1 + b1ut-1 ARMA (1,1)
1-a a
Model ten jest stabilny jeżeli a należy do przedziału .....................
yt = a1yt-1 ARMA (1,0)
Model ten może być niestabilny, natomiast jeżeli a ∈ [ -1,1] - to model ten jest stabilny.
Jeżeli jest 0 na pierwszym miejscu to model jest stabilny.
Stabilność zależy od a
a1 w modelu yt = a1yt-1 musi być równe [-1, 1], żeby był ten model stabilny.
yt = φTt-1 ∙ θ → model liniowy względem parametru.
Model ARMA liniowy.
T - transponowany
yt → yt* → na wyjściu
ut → yt → na wejściu
2
yt = φTt-1 ∙ θ (+et )
Przykład
Dane { yt }Ni=1 → zbiór y dla i zmieniających się do N.
Model
yt*= a1y*t-1 + b1ut-1 + b2ut-2 ARMA (1,2)
Szukane
Musimy znaleźć współczynniki:
a1, b1,b2
Model NARMA
yt = ƒ (yt-1 ∙ ut-2 . . . yt-n ∙ ut-1 ∙ ut-2 . . . ut-n )
ƒ -nieznana funkcja
przybliżenie ƒ nazywa się aproksymacją
SIECI NEWURONOWE
umieć aproksymować ƒ
Aproksymacje funkcji za pomocą sieci neuronowej.
Model neuronu
1957 r. w USA pan o nazwisku Rozenbach zbudował zespół komórek → komórki te zostały nazwane neuronami. Pierwsze były modele elektroniczne (inspiracją były organizmy żywe).
Prof. Gajda - Sieci neuronowe.
Model neuronu
x1 +1 wektor różnych wartości
V1 V0
x2
∙ u y x y
∙ V2
∙
xd Vd
model neuronu
wagi
3
V- wagi
u = v0 + x1 ∙ v1 + x2 ∙ v2 + . . . xd ∙ vd
d - oznacza ostatnią zmienną (wymiar przestrzeni zmiennej)
g - funkcja
y = g (u)
d
y = g (v0 + Σ vi x ) = g (aT x)
i=1
v0 1
v1 x1
a = . . . x = . . .
vd xd
y
g
0 u
funkcja sinoidalna
tangens inkorporacyjny
g - dowolna funkcja nie wielomianowa
Uniwersalny aproksymator ( struktura uniwersalna)
g(a1Tx)
wt
x g(a2Tx) f
liniowy neuron
warstwa . warstwa
wyjściowa . wn wejściowa
.
g(anTx)
warstwa 4
ukryta
Funkcja jest zadana za pomocą przykładów realizacji ?
{xi yi}N i=1
xi ∈Rd x należy do wektora .......................
Zadanie
Znalezienie wszystkich parametrów tej sieci neuronowej
a1, a2 . . . an
w1, w2 . . . wn
Ile parametrów zawiera neuron ?
Pojedynczy neuron zawiera d + 1 parametrów.
Uniwersalny aproksyman n - neuronów w warstwie ukrytej to znaczy wag (d + 1)n
Razem n + (d +1) ∙ n
Jest to funkcja 5 zmiennych
d = 5
n = 10
Razem 10 + (5 +1) ∙ 10 = 70
x= x1 g (a1T∙x1) g (a2T∙x1) . . . g (anT∙x1) w1 f1 y1
x= x2 g (a1T∙x2) g (a2T∙x2) . . . g (anT∙x2) w2 f2 y2
⋅ ⋅ ⋅ ⋅
⋅ ⋅ ⋅ = .
⋅ ⋅ ⋅ ⋅
x = xN g (a1T∙xN) g (a2T∙xN) . . . g (anT∙xN) wn fN yN
min│F-y│2
względem parametru
a1, a2 . . . an
w1, w1 . . .wn
Oprogramowanie
Prognozowanie - ang. forecasting
Software Programs for Forecasting
25.01.2003 Egzamin z prognozowania i symulacji sala a 6
Egzamin bez notatek
Nauczyć się wzorów - materiały wykładowe + problematyka
5
PYTANIA NA EGZAMIN
Na czym polega aproksymacja funkcji za pomocą sieci neuronowej ?
Funkcja jest określona za pomocą par liczb. Funkcja → argument.
Korzystanie z uniwersalnego aproksymatora. Wybieramy liczbę neuronów warstwy ukrytej. Znajdujemy parametry.
Jeżeli jest za mała dokładność należy zwiększyć liczę neuronów warstwy ukrytej.
Nie należy dodawać zbyt wielu neuronów warstwy ukrytej.
Proszę podać równanie modelu ARMA (1,3) i równanie modelu jego stabilności ?
yt = a1yt-1 + b1yut-1 + b2yut-2 + b3yut-3
Czy może ono być niestabilne → tak może.
Stabilne jest wtedy kiedy spełnia warunek stabilności a ∈ [ -1, +1] .
Jeżeli jest więcej współczynników niż jeden mogą być kłopoty ze stabilnością.
Model ARIMA - oznacza infregreyd.
6
g
Σ