ZEITREIHENPROGNOSE MIT NEURONALEN NETZWERKEN. BEISPIELE MIT MATLAB (German Edition)

MATLAB verfügt über das Tool Neural Network Toolbox, das Algorithmen, Funktionen und Apps zum Erstellen, Trainieren, Visualisieren und Simulieren neuronaler Netze bereitstellt. Sie können Klassifizierung, Regression, Clustering, Dimensionsreduktion, Zeitreihenprognosen sowie dynamische Systemmodellierung und -steuerung durchführen. Dynamische neuronale Netze eignen sich gut für die Vorhersage von Zeitreihen. Sie können die Neural Net Time Series-App verwenden, um verschiedene Arten von Zeitreihenproblemen zu lösen. Im Allgemeinen ist es am besten, mit der GUI zu beginnen und dann die GUI zu verwenden, um automatisch Befehlszeilenskripts zu generieren. Bevor Sie eine der beiden Methoden anwenden, besteht der erste Schritt darin, das Problem durch Auswahl eines Datensatzes zu definieren. Jede GUI hat Zugriff auf viele Beispieldatensätze, die Sie zum Experimentieren mit der Toolbox verwenden können. Wenn Sie ein bestimmtes Problem lösen möchten, können Sie Ihre eigenen Daten in den Arbeitsbereich laden. Mit MATLAB ist es möglich, drei verschiedene Arten von Zeitreihenproblemen zu lösen. Bei der ersten Art von Zeitreihenproblem möchten Sie zukünftige Werte einer Zeitreihe y(t) aus vergangenen Werten dieser Zeitreihe und vergangenen Werten einer zweiten Zeitreihe x(t) vorhersagen. Diese Form der Vorhersage wird als nichtlineares autoregressives Netzwerk mit exogenem (externem) Input oder NARX bezeichnet. Bei der zweiten Art von Zeitreihenproblemen handelt es sich nur um eine Reihe. Die zukünftigen Werte einer Zeitreihe y(t) werden nur aus vergangenen Werten dieser Reihe vorhergesagt. Diese Form der Vorhersage wird als nichtlineare autoregressive Vorhersage oder NAR bezeichnet. Das dritte Zeitreihenproblem ähnelt dem ersten Typ, da es sich um zwei Reihen handelt, eine Eingabereihe (Prädiktoren) x(t) und eine Ausgabereihe (Antworten) y(t). Hier möchten Sie Werte von y(t) aus vorherigen Werten von x(t) vorhersagen, jedoch ohne Kenntnis der vorherigen Werte von y(t). Read more