Составители:
Рубрика:
(для построения графиков можно использовать результаты построения мо-
делей из файла отчета — см. рис.П.2.2). Выберите наилучшую модель.
3) Если не удается получить достаточно эффективную модель (т.е. модель, де-
монстрирующую качественно схожее с объектом поведение и/или дающую
хороший количественный прогноз), то по тому же ряду реконструируйте
двухмерное отображение (
D
= 2), также используя аппроксимацию стан-
дартным полиномом различных порядков
K
(от 0 до 10). Найдите
K
, при ко-
тором достигается наилучшее соответствие модели и объекта, используя для
этого графики зависимостей
и и визуальное сравнение фа-
зовых портретов.
)(K
test
ε
)(
K
pred
τ
4) Если модели вновь не удовлетворительны, увеличьте
D
и повторите дейст-
вия п.3. Определите оптимальные значения
D
и
K
, позволяющие получить
эффективную модель.
5) Восстанавливайте отображение с найденными оптимальными значениями
D
и
K
, используя различную длину тренировочного ряда
(для примера из
п.1, можно начинать с 8 значений и далее: 10, 15, 25, 50, 100, 250, 500, 750
значений). Постройте графики зависимости
, и
. По этим графикам определите оптимальную длину трениро-
вочного ряда
— такую, что при дальнейшем увеличении резуль-
таты, достигнутые с помощью модели, не улучшаются.
train
N
)
train
(
test
N
ε
)(
trainpred
N
τ
train
N
)(
traincoeff
N
ε
opt
N
6) Запишите временной ряд (тот же, что в п.1), добавив шум с некоторым стан-
дартным отклонением
(например, для отношения сигнал/шум в 100 дБ,
80 дБ, 60 дБ, 40 дБ). Проделайте для этих зашумленных рядов задание 5.
Сравните максимальную достигаемую дальность прогноза с оценкой (14).
Постройте график зависимости )
и соответствующий график для
наибольшей достигаемой дальности прогноза
(а также график
, если есть, с чем сравнивать значения коэффициентов восста-
новленного отображения).
noise
σ
(
noiseopt
N
σ
)(
noisepred
στ
)(
noisecoeff
σε
17
Страницы
- « первая
- ‹ предыдущая
- …
- 16
- 17
- 18
- 19
- 20
- …
- следующая ›
- последняя »
