Optimierte lokale Modelle in der nichtlinearen Zeitreihenanalyse
Optimierte lokale Modelle in der nichtlinearen Zeitreihenanalyse
Optimierte lokale Modelle in der nichtlinearen Zeitreihenanalyse
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
Kapitel 2<br />
Lokale <strong>Modelle</strong><br />
2.1 Das Modellierungsproblem<br />
Gegeben sei e<strong>in</strong>e Menge von Punktpaaren<br />
Ω = {(x 1 , y 1 ), (x 2 , y 2 ), . . . , (x N , y N )} (2.1)<br />
wobei x i ∈ K d die E<strong>in</strong>gabevektoren und y i ∈ K die zugehörigen beobachteten skalaren<br />
Ausgangsgrößen e<strong>in</strong>es unbekannten Systems s<strong>in</strong>d. Das nichtl<strong>in</strong>eare Modellierungsproblem<br />
besteht dar<strong>in</strong>, für e<strong>in</strong>en neuen E<strong>in</strong>gabevektor q /∈ Ω (Query) e<strong>in</strong>en<br />
Schätzer ŷ für die Ausgabe des Systems zu f<strong>in</strong>den.<br />
Falls die Ausgangsgrößen ke<strong>in</strong>e Skalare s<strong>in</strong>d son<strong>der</strong>n <strong>in</strong> e<strong>in</strong>em höherdimensionalen<br />
Raum liegen, kann durch Betrachtung <strong>der</strong> e<strong>in</strong>zelnen Komponenten dieser Fall auf die<br />
obige Formulierung zurückgeführt werden. In dieser Arbeit wird nur <strong>der</strong> Fall K = R<br />
betrachtet, aber natürlich gibt es zahlreiche Modellierungsprobleme, <strong>in</strong> denen dies<br />
nicht <strong>der</strong> Fall ist. E<strong>in</strong> populäres Beispiel ist die Modellierung von DNA-Sequenzen<br />
[28]. Die obige Formulierung des Modellierungsproblems f<strong>in</strong>det <strong>in</strong>sb. <strong>in</strong> <strong>der</strong> statistischen<br />
Lerntheorie Verwendung. Da <strong>der</strong>en anfängliche Anwendungen im Bereich<br />
<strong>der</strong> Klassifikation und Mustererkennung lagen, wird hier Ω auch als Menge von<br />
Beobachtungen bezeichnet und die E<strong>in</strong>gabevektoren als Muster [16].<br />
Ebenso kann das Modellierungsproblem unter dem für den Physiker sicherlich vertrauteren<br />
statistischen Gesichtspunkt <strong>der</strong> Regression formuliert werden. Man betrachtet<br />
hierbei die Paare (x i , y i ) als Realisierung von Zufallsvariablen X bzw. Y ,<br />
wobei Y über e<strong>in</strong>e unbekannte bed<strong>in</strong>gte Wahrsche<strong>in</strong>lichkeitsverteilung P (Y | X) von<br />
<strong>der</strong> Zufallsvariablen X abhängt [41]. Hierbei ist es natürlich auch möglich, dass die<br />
y i e<strong>in</strong>deutig von den x i abhängen (<strong>der</strong> sog. degenerierte Fall). Die Regression (o<strong>der</strong><br />
synonym: bed<strong>in</strong>gte Erwartung) E[Y | X] ist diejenige Zufallsvariable, <strong>der</strong>en Werte<br />
21