پیش بینی سطح آب در مخزن با استفاده از سیستم استنتاج فازی – عصبی تطبیقی

اختصاصی از فی ژوو پیش بینی سطح آب در مخزن با استفاده از سیستم استنتاج فازی – عصبی تطبیقی دانلود با لینک مستقیم و پر سرعت .

فرمت فایل: word(قابل ویرایش)تعداد صفحات79

پیش بینی سطح آب در مخزن با استفاده از سیستم استنتاج فازی – عصبی تطبیقی
(ANFIS)
مقدمه:
سدها و مخازن مهمترین و موثرترین سیستم ذخیره آب می باشند که توزیع نابرابر مکانی و زمانی آب را تغییر می دهند. آنها نه تنها در تامین آب شرب، تولید انرژی برقابی و آبیاری زمین های پایین دست کاربرد داشته، بلکه در به حداقل رسانی خسارات ناشی از سیلاب و خشکسالی نیز نقش موثری را ایفا می کنند. بدون شک به منظور استفاده کامل از آب موجود، مدیریت بهینه مخازن بسیار با اهمیت می باشد. مدیریت مخزن مجموعه ای از تصمیم ها را در بر می گیرد که جمع آوری و رهاسازی آب در طول زمان را مشخص می کنند. با توجه به کارکردهای مختلف مخازن، پیش بینی دقیق دبی ورودی و سطح آب می تواند در بهینه سازی مدیریت منابع آب، بسیار موثر باشد. با توجه به وجود روابط غیرخطی، عدم قطعیت زیاد و ویژگی های متغیر زمانی در سیستم های آبی، هیچ یک از مدل های آماری و مفهومی پیشنهاد شده به منظور پیش بینی دقیق سطح آب نتوانسته به عنوان یک مدل برتر و توانا شناخته شوند[1]. امروزه سیستم های هوشمند به منظور پیش بینی یک چنین پدیده های پیچیده و غیرخطی، بسیار مورد استفاده قرار می گیرند. روش بدیع سیستم استنتاج فازی – عصبی تطبیقی (ANFIS) یکی از این روشهاست که یک شبکه پس خور چند لایه می باشد و از الگوریتمهای یادگیری شبکه عصبی و منطق فازی به منظور طراحی نگاشت غیرخطی بین فضای ورودی و خروجی استفاده می کند. ANFIS با توجه به توانایی در ترکیب قدرت زبانی یک سیستم فازی با قدرت عددی یک شبکه عصبی، نشان داده است که در مدل سازی فرایندهای همچون مدیریت مخازن [2،3]، سری های زمانی هیدرولوژیکی [4] و برآورد رسوب [5] بسیار قدرتمند می باشند.
هدف اصلی این تحقیق بررسی توانایی سیستم استنتاج فازی – عصبی تطبیقی جهت پیش بینی سطح آب در مواقع سیلابی و به صورت ساعتی می باشد. به این منظور از اطلاعات اشل پنج ایستگاه بالادست سد دز، جهت پیش بینی سطح آب در مخزن این سد استفاده شد. همچنین به منظور بررسی توانایی شبکه های فازی – عصبی در تقابل با تصمیمات بشری، دو الگوی متفاوت یکی با در نظر گرفتن خروجی مخزن به عنوان متغیر ورودی و دیگری بدون این متغیر به کار گرفته شد.
مواد و روشها
سیستم استنتاجی فازی – عصبی تطبیقی (ANFIS)
از زمانی که پروفسور عسگرزاده تئوری منطق فازی را به منظور توصیف سیستم های پیچیده پیشنهاد داد، این منطق بسیار مشهور شده است و به طور موفقیت آمیزی در مسائل مختلف، به ویژه کنترل کننده هایی مثل راکتور شیمیایی، قطارهای خودکار و راکتورهای هسته ای به کار گرفته شده است. اخیرا منطق فازی برای مدل کردن مدیریت مخازن و حل ویژگیهای مبهم آنها پیشنهاد شده است. با وجود این، مشکل اصلی منطق فازی این است که روند سینماتیکی برای طراحی یک کنترل کننده فازی وجود ندارد. به عبارت دیگر، یک شبکه عصبی این توانایی را دارد که از محیط آموزش ببیند (جفت های ورودی – خروجی)، ساختارش را خود مرتب کند و با شیوه ای، تعامل خود را تطبیق دهد. بدین منظور پروفسور جنگ در سال 1993 مدل ANFIS را ارائه کرد که قابلیت ترکیب توانایی دو روش مذکور را داشت[6].
ساختار و الگوریتم: [1]
ANFIS قابلیت خوبی در آموزش، ساخت و طبقه بندی دارد و همچنین دارای این مزیت است که اجازه استخراج قوانین فازی را از اطلاعات عددی یا دانش متخصص می دهد و به طور تطبیقی یک قاعده – بنیاد می سازد. علاوه بر این، می تواند تبدیل پیچیده هوش بشری به سیستم های فازی را تنظیم کند. مشکل اصلی مدل پیش بینی ANFIS، احتیاج نسبتا زیاد به زمان برای آموزش ساختار و تعیین پارامترها می باشد.
به منظور ساده سازی، فرض می شود که سیستم استنتاجی مورد نظر دو ورودی x و y و یک خروجی z دارد. برای یک مدل فازی تاکاگی – سوگنو درجه اول، می توان یک مجموعه قانون نمونه را با دو قانون اگر – آنگاه فازی به صورت زیر بیان کرد:
قانون اول: اگر x برابر A1 و y برابر B1 باشد آنگاه
قانون دوم: اگر x برابر A2 و y برابر B2 باشد آنگاه
که Pi، qi و ri (i=1,2) پارامترهای خطی در بخش تالی مدل فازی تاکاگی – سوگنو درجه اول هستند. ساختار ANFIS شامل پنج لایه می شود (شکل 1) که معرفی خلاصه ای از مدل در پی می آید:
لایه اول، گره های ورودی : هر گره از این لایه، مقادیر عضویتی که به هر یک از مجموعه های فازی مناسب تعلق دارند، با استفاده از تابع عضویت تولید می کنند.
که x و y ورودی های غیرفازی به گره I و Ai و Bi (کوچک، بزرگ و ...)، برچسب های زبانی هستند که به ترتیب با توابع عضویت مناسب Aiμ و Biμ مشخص می شوند. در اینجا معمولا از فازی سازهای گوسی و زنگی شکل استفاده می شود. باید پارامترهای این توابع عضویت که به عنوان پارامترهای مقدماتی در این لایه شناخته می شوند، مشخص شوند.

دانلود فایل ورد Word مقاله استنتاج شبکه های تنظیمات ژنی از روی داده های سری زمانی Microarray به وسیله شبکه های بیزین دینامیک

اختصاصی از فی ژوو دانلود فایل ورد Word مقاله استنتاج شبکه های تنظیمات ژنی از روی داده های سری زمانی Microarray به وسیله شبکه های بیزین دینامیک دانلود با لینک مستقیم و پر سرعت .

گرایش : هوش مصنوعی

عنوان : استنتاج شبکه های تنظیمات ژنی از روی داده های سری زمانی Microarray به وسیله شبکه های بیزین دینامیک

تعداد صفحات : 92

چکیده

شبکه های تنظیم کننده ژنتیکی مجموعه ای از ارتباطات ژن-ژن هستند که رابطه علت و معلولی را در فعالیت های ژنی ایجاد می کنند. دانش ما در مورد این شبکه ها نقش بسیار موثری در شناخت فرآیندهای زیستی ایفا می کند و می تواند باعث کشف روش های جدید برای درمان بیماری های پیچیده و تولید داروهای اثر گذار گردد.

روش های زیادی برای تشخیص شبکه های تنظیم کننده ژنتیکی پیشنهاد شده است. در این میان، شبکه های بیزین دینامیک مزایای ویژه ای دارا می باشند که باعث شده تا توجه زیادی را به خود جلب کنند.

با وجود تحقیقات انجام شده در این زمینه، مهندسی معکوس شبکه های تنظیم کننده ژن به وسیله شبکه های بیزین دینامیک به هیچ عنوان امری بدیهی نیست. غالباً تعداد نمونه های موجود برای آموزش مدل از تعداد مجهولات مسئله بسیار کمتر است. همچنین میزان پیچیدگی زیاد این مدل ها و دقت آنها از مهم ترین نواقص آن ها می باشند.

یکی از عمده ترین روش هایی که برای بالا بردن دقت شبکه های استنتاج شده به کار گرفته می شود استفاده از دانش اولیه در مورد شبکه های تنظیم کننده ژنی است. یکی از منابع عمده این دانش اولیه اطلاعات ما در مورد ساختار کلی شبکه های تنظیم کننده ژنی است. تحقیقات انجام شده نشان می دهند که تعداد یال های موجود در این شبکه ها کم است. همچنین شواهد بسیاری بدست آمده اند که نشان می دهند توزیع درجه خروجی در شبکه های تنظیم ژنی از قانون توانی پیروی می کنند. در واقع این شبکه ها در درجه خروجی scale-free هستند.

علیرغم این شواهد، روش های یادگیری شبکه های بیزین دینامیک این گونه شبکه ها را شبکه هایی با ساختار تصادفی در نظر می گیرند و یا تنها پیچیدگی شبکه را کنترل می کنند.

در این تحقیق روشی برای یاد گیری شبکه های بیزین دینامیک ارائه می شود که به طور مشخص بر این فرض شکل گرفته که شبکه واقعی ساختاری scale-free در توزیع درجه خروجی دارد. روش ارائه شده پیچیدگی زمانی چند جمله ای دارد و می تواند برای استنتاج شبکه هایی با تعداد گره های زیاد مورد استفاده قرار گیرد.

آزمایش هایی که برای مقایسه توانایی الگوریتم ارائه شده با متدهای قبلی یادگیری شبکه انجام شده اند نشان می دهند که الگوریتم ارائه شده، زمانی که برای استنتاج شبکه هایی استفاده می شود که scale-free هستند، قادر است کیفیت شبکه استنتاج شده را به خصوص زمانی که داده های آموزشی ناکافی هستند به صورت قابل توجهی افزایش دهد.

فهرست مطالب:

فصل اول: مقدمه                                                                    

• ضرورت انجام کار
  
• نگاه کلی به فصول رساله
  

فصل دوم: پیشینه تحقیق                                                          

2-1- مقدمه                                                                                         

2-2- مقدمات زیستی                                                                              

2-2-1- ژن                                                                                  

2-2-2- بیان ژن                                                                           

2-2-3- شبکه های تنظیم کننده ژنی                                                  

2-3- روش های یاد گیری شبکه های تنظیم کننده ژنی                                    

2-3-1- روش های مبتنی بر خوشه بندی                                              

2-3-2- روش های مبتنی بر رگرسیون                                                 

2-3-3- روش های مبتنی بر اطلاعات متقابل                                          

2-3-4- روش های تابعی                                                                 

2-3-5- روش های مبتنی بر تئوری سیستم                                           

2-3-6- روش های بیزین                                                                 

 فصل سوم: روش پیشنهادی

3-1- مقدمه

3-2- شبکه های بیزین دینامیک

3-3- یادگیری شبکه های بیزین دینامیک

3-3-1- روش های امتیازدهی بیزین

3-3-1-1- امتیازدهی به روش K2

3-3-1-2- امتیازدهی به روش BDe

3-3-2- روش های امتیازدهی بر اساس تئوری اطلاعات                              

3-3-2-1- امتیازدهی به روش log-likelihood (LL)                     
3-3-2-2- امتیازدهی به روش BIC                                            

3-3-2-3- امتیازدهی به روش AIC                                            
3-3-2-4- امتیازدهی به روش MIT                                           
3-3-3– پیچیدگی زمانی یادگیری شبکه های بیزین دینامیک                        

3-4- شبکه های تصادفی و شبکه های Scale-free                                        

3-5- روش پیشنهادی                                                                            

فصل چهارم: نتایج تجربی                                                        

4-1- مقدمه                                                                                       

4-2- روش های تولید شبکه های Scale-free                                              
4-3- روش های سنجش دقت برای شبکه های استنتاج شده                               

4-4- آزمایش اول: استفاده از روش جستجوی کامل                                          

4-5- آزمایش دوم: نگاهی دقیق تر به عملکرد روش ارائه شده                              

4-6- آزمایش سوم: استفاده از جستجوی حریصانه                                            

4-7- آزمایش چهارم: بازیابی قسمتی از شبکه تنظیمات ژنی در Yeast                   

4-8- آزمایش پنجم: : عملکرد روش ارائه شده در بازیابی شبکه های تصادفی             

فصل پنجم: جمع بندی                                                           

5-1- نتیجه گیری                                                                                

5-2- پیشنهاد برای کارهای آتی                                                                 

منابع تحقیق                                                                                       

چکیده به زبان انگلیسی 

پروژه دارای فهرست جداول و اشکال می باشد

تحقیق در مورد پیش بینی سطح آب در مخزن با استفاده از سیستم استنتاج فازی – عصبی تطبیقی

اختصاصی از فی ژوو تحقیق در مورد پیش بینی سطح آب در مخزن با استفاده از سیستم استنتاج فازی – عصبی تطبیقی دانلود با لینک مستقیم و پر سرعت .

لینک پرداخت و دانلود *پایین مطلب*

فرمت فایل:Word (قابل ویرایش و آماده پرینت)

تعداد صفحه:79

 فهرست مطالب

پیش بینی سطح آب در مخزن با استفاده از سیستم استنتاج فازی – عصبی تطبیقی

مقدمه:

مواد و روشها

سیستم استنتاجی فازی – عصبی تطبیقی (ANFIS)

ساختار و الگوریتم: [1]

لایه اول، گره های ورودی

لایه دوم، گره های قاعده

لایه سوم، گره های متوسط[1]:

لایه چهارم، گره های نتیجه[2]:

لایه پنجم، گره های خروجی[3]:

منطقه و حوزه مورد مطالعه

بحث و نتایج:

نتیجه گیری

شناسایی عیوب موتور براساس روش های هوشمند

 

 

 

 

 

 

 

 

 

 

 

 

مقدمه:

سدها و مخازن مهمترین و موثرترین سیستم ذخیره آب می باشند که توزیع نابرابر مکانی و زمانی آب را تغییر می دهند. آنها نه تنها در تامین آب شرب، تولید انرژی برقابی و آبیاری زمین های پایین دست کاربرد داشته، بلکه در به حداقل رسانی خسارات ناشی از سیلاب و خشکسالی نیز نقش موثری را ایفا می کنند. بدون شک به منظور استفاده کامل از آب موجود، مدیریت بهینه مخازن بسیار با اهمیت می باشد. مدیریت مخزن مجموعه ای از تصمیم ها را در بر می گیرد که جمع آوری و رهاسازی آب در طول زمان را مشخص می کنند. با توجه به کارکردهای مختلف مخازن، پیش بینی دقیق دبی ورودی و سطح آب می تواند در بهینه سازی مدیریت منابع آب، بسیار موثر باشد. با توجه به وجود روابط غیرخطی، عدم قطعیت زیاد و ویژگی های متغیر زمانی در سیستم های آبی، هیچ یک از مدل های آماری و مفهومی پیشنهاد شده به منظور پیش بینی دقیق سطح آب نتوانسته به عنوان یک مدل برتر و توانا شناخته شوند[1]. امروزه سیستم های هوشمند به منظور پیش بینی یک چنین پدیده های پیچیده و غیرخطی، بسیار مورد استفاده قرار می گیرند. روش بدیع سیستم استنتاج فازی – عصبی تطبیقی[1] (ANFIS) یکی از این روشهاست که یک شبکه پس خور چند لایه می باشد و از الگوریتمهای یادگیری شبکه عصبی و منطق فازی به منظور طراحی نگاشت غیرخطی بین فضای ورودی و خروجی استفاده می کند. ANFIS با توجه به توانایی در ترکیب قدرت زبانی یک سیستم فازی با قدرت عددی یک شبکه عصبی، نشان داده است که در مدل سازی فرایندهای همچون مدیریت مخازن [2،3]، سری های زمانی هیدرولوژیکی [4] و برآورد رسوب [5] بسیار قدرتمند می باشند.

هدف اصلی این تحقیق بررسی توانایی سیستم استنتاج فازی – عصبی تطبیقی جهت پیش بینی سطح آب در مواقع سیلابی و به صورت ساعتی می باشد. به این منظور از اطلاعات اشل پنج ایستگاه بالادست سد دز، جهت پیش بینی سطح آب در مخزن این سد استفاده شد. همچنین به منظور بررسی توانایی شبکه های فازی – عصبی در تقابل با تصمیمات بشری، دو الگوی متفاوت یکی با در نظر گرفتن خروجی مخزن به عنوان متغیر ورودی و دیگری بدون این متغیر به کار گرفته شد.

مواد و روشها

سیستم استنتاجی فازی – عصبی تطبیقی (ANFIS)

از زمانی که پروفسور عسگرزاده تئوری منطق فازی را به منظور توصیف سیستم های پیچیده پیشنهاد داد، این منطق بسیار مشهور شده است و به طور موفقیت آمیزی در مسائل مختلف، به ویژه کنترل کننده هایی مثل راکتور شیمیایی، قطارهای خودکار و راکتورهای هسته ای به کار گرفته شده است. اخیرا منطق فازی برای مدل کردن مدیریت مخازن و حل ویژگیهای مبهم آنها پیشنهاد شده است. با وجود این، مشکل اصلی منطق فازی این است که روند سینماتیکی برای طراحی یک کنترل کننده فازی وجود ندارد. به عبارت دیگر، یک شبکه عصبی این توانایی را دارد که از محیط آموزش ببیند (جفت های ورودی – خروجی)، ساختارش را خود مرتب کند و با شیوه ای، تعامل خود را تطبیق دهد. بدین منظور پروفسور جنگ در سال 1993 مدل ANFIS را ارائه کرد که قابلیت ترکیب توانایی دو روش مذکور را داشت[6].

1- Adaptive Neuro-Fuzzy Inference System

دانلود مقاله رشته اقتصاد تخمین مدل و استنتاج آماری بررسی ایستایی (ساکن بودن) سری های زمانی

اختصاصی از فی ژوو دانلود مقاله رشته اقتصاد تخمین مدل و استنتاج آماری بررسی ایستایی (ساکن بودن) سری های زمانی دانلود با لینک مستقیم و پر سرعت .

 دانلود مقاله رشته اقتصاد تخمین مدل و استنتاج آماری  بررسی ایستایی (ساکن بودن) سری های زمانی با فرمت ورد و قابل ویرایش تعدادصفحات  22

قبل از تخمین مدل، به بررسی ایستایی می پردازیم. می توان چنین تلقی نمود که هر سری زمانی توسط یک فرآیند تصادفی تولید شده است. داده های مربوط به این سری زمانی در واقع یک مصداق از فرآیند تصادفی زیر ساختی است. وجه تمایز بین (فرآیند تصادفی) و یک (مصداق) از آن، همانند تمایز بین جامعه و نمونه در داده های مقطعی است. درست همانطوری که اطلاعات مربوط به نمونه را برای استنباطی در مورد جامعه آماری مورد استفاده قرار می دهیم، در تحلیل سریهای زمانی از مصداق برای استنباطی در مورد فرآیند تصادفی زیر ساختی استفاده می کنیم. نوعی از فرآیندهای تصادفی که مورد توجه بسیار زیاد تحلیل گران سریهای زمانی قرار گرفته است فرآیندهای تصادفی ایستا می باشد.
برای تاکید بیشتر تعریف ایستایی، فرض کنید Yt یک سری زمانی تصادفی با ویژگیهای زیر است:
(1)     : میانگین
(2)      واریانس :
(3)     کوواریانس :
(4)   ضریب همبستگی :
که در آن میانگین  ، واریانس   کوواریانس   (کوواریانس بین دو مقدار Y که K دوره با یکدیگر فاصله دارند، یعنی کوواریانس بین Yt و Yt-k) و ضریب همبستگی   مقادیر ثابتی هستند که به زمان t بستگی ندارند.
اکنون تصور کنید مقاطع زمانی را عوض کنیم به این ترتیب که Y از Yt به Yt-k تغییر یابد. حال اگر میانگین، واریانس، کوواریانس و ضریب همبستگی Y تغییری نکرد، می توان گفت که متغیر سری زمانی ایستا است. بنابراین بطور خلاصه می توان چنین گفت که یک سری زمانی وقتی ساکن است که میانگین، واریانس، کوواریانس و در نتیجه ضریب همبستگی آن در طول زمان ثابت باقی بماند و مهم نباشد که در چه مقطعی از زمان این شاخص ها را محاسبه می کنیم. این شرایط تضمین می کند که رفتار یک سری زمانی، در هر مقطع متفاوتی از زمان، همانند می باشد .
آزمون ساکن بودن از طریق نمودار همبستگی و ریشه واحد
یک آزمون ساده برای ساکن بودن براساس تابع خود همبستگی (ACF) می باشد. (ACF) در وقفه k با   نشان داده می شود و بصورت زیر تعریف می گردد.
 
از آنجاییکه کوواریانس و واریانس، هر دو با واحدهای یکسانی اندازه گیری می‌شوند،   یک عدد بدون واحد یا خالص است.   به مانند دیگر ضرایب همبستگی، بین (1-) و (1+) قرار دارد. اگر   را در مقابل K (وقفه ها) رسم نماییم، نمودار بدست آمده، نمودار همبستگی جامعه نامیده می شود. از آنجایی که عملاً تنها یک تحقق واقعی (یعنی یک نمونه) از یک فرآیند تصادفی را داریم، بنابراین تنها می‌توانیم تابع خود همبستگی نمونه،   را بدست آوریم. برای محاسبه این تابع می‌بایست ابتدا کوواریانس نمونه در وقفه K و سپس واریانس نمونه را محاسبه نماییم.
 
که همانند نسبت کوواریانس نمونه به واریانس نمونه است. نمودار   در مقابل K نمودار همبستگی نمونه نامیده می شود. در عمل وقتی   مربوط به جامعه را ندایم و تنها   را براساس مصداق خاصی از فرآیند تصادفی در اختیار داریم باید به آزمون فرضیه متوسل شویم تا بفهمیم که   صفر است یا خیر. بارتلت (1949)  نشان داده است که اگر یک سری زمانی کاملاً تصادفی یعنی نوفه سفید باشد، ضرایب خود همبستگی نمونه تقریباً دارای توزیع نرمال با میانگین صفر و واریانس   می باشد که در آن n حجم نمونه است. براین اساس می توان یک فاصله اطمینان، در سطح 95 درصد ساخت. بدین ترتیب اگر   تخمینی در این فاصله قرار گیرد، فرضیه( =0) را نمی توان رد کرد. اما اگر   تخمینی خارج از این فاصله اعتماد قرار گیرد می توان صفر بودن   را رد کرد.
آزمون دیگری نیز بصورت گسترده برای بررسی ایستایی سریهای زمانی بکار می‌رود که به آزمون ریشه واحد معروف است. برای فهم این آزمون مدل زیر را در نظر بگیرید :
Yt = Yt-1+Ut
Ut جمله خطای تصادفی است که فرض می شود بوسیله یک فرآیند تصادفی مستقل (White Noise) بوجود آمده است. (یعنی دارای میانگین صفر، واریانس ثابت   و غیر همبسته می باشد).
خواننده می تواند تشخیص دهد که معادله فوق، یک معادلخ خود رگرسیون مرتبه اول یا AR(1) می باشد. در این معادله مقدار Y در زمان t بر روی مقدار آن در زمان (t-1) رگرس شده است. حال اگر ضریب Yt-1 برابر یک شود مواجه با مساله ریشه واحد می شویم. یعنی این امر بیانگر وضعیت غیر ایستایی سری زمانی Yt می باشد. بنابراین اگر رگرسیون زیر را اجرا کنیم:
 
و تشخیص دهیم که   است، گفته می شود متغیر Yt دارای یک ریشه واحد است. در اقتصاد سنجی سریهای زمانی، سری زمانی که دارای یک ریشه واحد باشد، نمونه‌ای از یک سری زمانی غیر ایستا است.
معادله فوق غالباً به شکل دیگری نیز نشان داده می شود:
 
که در آن  ،   اپراتور تفاضل مرتبه اول می باشد. توجه کنید که   است. اما اکنون فرضیه صفر ما عبارت است از   که اگر   برابر با صفر باشد می توانیم معادله فوق را بصورت زیر بنویسیم:
 
این معادله بیانگر آن است که تفاضل اول سری زمانی Yt ساکن می باشد. زیرا بنا به فرض Ut یک جمله اختلال سفید (اختلال خالص) می باشد.
اگر از یک سری زمانی یک مرتبه تفاضل گرفته شود (تفاضل مرتبه اول) و این سری تفاضل گرفته شده ساکن باشد، آنگاه سری زمانی اصلی (انباشته از مرتبه اول ) می باشد و به صورت I(1) نشان داده می شود.
به طور کلی اگر از یک سری زمانی d مرتبه تفاضل گرفته شود، انباشته از مرتبه d یا I(d) می باشد. پس هرگاه یک سری زمانی انباشته از مرتبه یک یا بالاتر باشد سری زمانی غیر ایستا خواهد بود. بطور متعارف اگر d=0 باشد، در نتیجه فرآیند I(0) نشان دهنده یک فرآیند ساکن می باشد. به همین علت نیز یک فرآیند ساکن بصورت I(0) مورد استفاده قرار می گیرد.
برای وجود ریشه واحد تحت فرضیه   از آمار   یا (tau)  استفاده می‌کنیم، مقادیر بحرانی این آماره به روش شبیه سازی مونت کارلو توسط دیکی و فولر بصورت جداول آماری محاسبه شده است. (متاسفانه آماره t ارائه شده حتی در نمونه‌های بزرگ از توزیع t استیودنت پیروی نمی کند و در نتیجه نمی توان از کمیت بحرانی t برای انجام آزمون استفاده کرد.)
در ادبیات اقتصادسنجی آزمون   یا (tau)، به آزمون دیکی- فولر (DF) مشهور می‌باشد. باید توجه داشت که اگر فرضیه صفر   رد شود، سری زمانی ساکن بوده و می توان از تابع آزمون t استیودنت استفاده نمود.
اگر قدر مطلق آماره محاسباتی (tau)، بزرگتر از قدر مطلق مقادیر بحرانی (DF) یا مک کینان باشد، آنگاه فرضیه مبتنی بر ساکن بودن سری زمانی را رد نمی کنیم از طرف دیگر اگر مقدار قدر مطلق محاسباتی کمتر از مقدار بحرانی باشد، سری زمانی غیر ایستا خواهد بود.

دانلود مقاله ISI استنتاج بیزی در مورد خود (و دیگران): بررسی

اختصاصی از فی ژوو دانلود مقاله ISI استنتاج بیزی در مورد خود (و دیگران): بررسی دانلود با لینک مستقیم و پر سرعت .

موضوع فارسی : استنتاج بیزی در مورد خود (و دیگران): بررسی

موضوع انگلیسی : Bayesian inferences about the self (and others): A review

تعداد صفحه : 10

فرمت فایل :pdf

سال انتشار : 2014

زبان مقاله : انگلیسی

چکیده

مشاهده مغز به عنوان یک عضو از استنتاج بیزی تقریبی می تواند کمک به ما در درک
چگونه آن را نشان دهنده خود است. ما نشان می دهد که بازنمودها استنباط خود یک
تابع هنجاری: برای پیش بینی و بهینه سازی نتایج به احتمال زیاد از تعاملات اجتماعی.
مشخصات فنی، ما این پیش بینی و بهینه سازی به عنوان حداکثر رساندن شانس مطلوب بازیگران
نتایج از طریق استنتاج فعال است. در اینجا از نرم افزار نتایج می تواند مفهوم
به عنوان باورهای قبلی در مورد ایالات نهایی. اقدامات بر اساس بازنمایی می توانید فردی
بنابراین به عنوان به حداقل رساندن تعجب درک شود - تحت این باور است که قبل از یکی از
در نهایت در ایالات با ابزار بالا. نمایندگی بین فردی در نتیجه خدمت به ارائه
تعامل بیشتر قابل پیش بینی، در حالی که ظرفیت عاطفی استنتاج فردی
ارائه ارزیابی خود ادراک. تحریف خود نمایندگی به کمک عمده
اختلالات روانی مانند افسردگی، اختلال شخصیت و پارانویا. رویکرد
ما بررسی در نتیجه ممکن است عملیاتی مطالعه بازنمایی بین فردی در
ایالات پاتولوژیک است.

کلمات کلیدی: خود نمایندگی
دیگر نمایندگی
حداقل رساندن مصرف انرژی رایگان
استنتاج فعال
اختلال شخصیت
پارانویا