هدف مدلسازی سری های زمانی آشوبگونه با فیلتر کالمن توسعه یافته پرسپترون چند لایه ی مکرر(EKF-RMPL) 

در این گزارش، یکی از کاربردهای روش فیلتر کالمن توسعه یافته پرسپترون چند لایه ی مکرر(EKF-RMPL) در مدلسازی از سری های زمانی آشوبگونه مطرح می شود.

نسل فرآیندهای آشوبگونه توسط مجموعه ای از معادلات دیفرانسیل غیرخطی بدست می آید. از مشخصه ی فرآیند آشوبگونه این است که به شرایط اولیه بسیار حساس می باشد، به این معنی است که اگر نقطه ی شروع حرکت توسط یک افزایش بسیار کوچک دچار اختلال گردد، انحراف شکل موج نهایی در مقایسه با موج اصلی، بصورت  نمایی با زمان افزایش می یابد. در نتیجه، برخلاف فرآیندهای قطعی، فرآیند آشوبگونه تنها در بازه های کوتاه قابل پیش بینی می باشد. بطور خاص، ما ۵ مجموعه داده ی طبقه بندی شده به شرح زیر داریم:

• سیستم های logestic map، Ikeda map، جاذب لورنز که دینامیک آنها از معادلاتی شناخته شده،پیروی می کند. بنابراین سری زمانی آنها توسط معادلات شناخته شده قابل تولید است.
• ارتعاشات شدت لیزر و کلاتر دریا (بعنوان مثال، بک اسکتر از سطح اقیانوس)که معادلات بنیادی حرکتی آن ها ناشناخته هستند. در این موارد اطلاعات از داده های واقعی بدست می آید.
• مرجع:

kalman filtering and neural networks simon haykin

• Gaurav S. Patel and Simon Haykin
• ۱ Introduction
• ۲ Chaotic (Dynamic) Invariants
• ۳ Dynamic Reconstruction
• ۴ Modeling Numerically Generated Chaotic Time Series
• ۴٫۱ Logistic Map
• ۴٫۲ Ikeda Map
• ۴٫۳ Lorenz Attractor
• ۵ Nonlinear Dynamic Modeling of Real-World
• Time Series
• ۵٫۱ Laser Intensity Pulsations
• ۵٫۲ Sea Clutter Data
• ۶ Discussion

عنوان شبیه سازی

شبیه سازی فصل چهارم از کتاب Simon Haykin

 مشخصات شبیه ساز:

دکتری مهندسی پزشکی

دانشگاه علم و صنعت ایران

محتویات

• شبیه سازی کلیه الگوریتم های فصل ۴ کتاب
• سورس کد Matlab
• توضیحات فارسی و ترسیم کلیه شکل ها فصل
• گزارش کامل فصل

دانلود