بازسازی فضای حالت سری های زمانی آشوبی با استفاده از یک روش هوشمند

استفاده از سری های زمانی (منظور مشاهدات ما از فرآیند برحسب زمان) یک راه حل موثر در تحلیل این سیستم ها می باشد. در واقع تاکید روی این هدف است که چگونه می توان از مشاهداتی به فرم سری زمانی اسکالر از فرآیند، که تنها اطلاعات ما در مورد بعضی از سیستم ها می باشد، به ساختار فضای حالت با بعد محدود رسید. بازسازی فضای حالت بر مبنای نظریه محاط بنا شده که کاربرد آن مستلزم تعیین مقدارهای مناسبی برای دو پارامتر زمان تاخیر (τ)۱ و بعد محاط (m)۲ می باشد. در این مقاله روشی برای تخمین پارامتر بعد محاط جهت بازسازی فضای حالت سری های زمانی برگرفته از سیستم های دینامیکی آشوبی به کمک شبکه های عصبی تاخیر زمانی (TDNN) معرفی می شود. این روش یک ایده نو در انتخاب بعد محاط بوده و متفاوت از روش مرسوم شمارش همسایه های کاذب (FNN) می باشد. در انتها کیفیت عملکرد روش مطرح شده با روش FNN مقایسه شده است و نتایج این مقایسه نشان از کارآیی خوب این روش دارد.

کلیدواژه ها:

بعد محاط ، نزدیکترین همسایه های کاذب ، سری های زمانی آشوبی ، شبکه های عصبی تاخیر زمانی متمرکز شده