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.
Inhaltsverzeichnis Seite 3<br />
3 Lokal polynomiale Modellierung 36<br />
3.1 Lokal konstantes und lokal l<strong>in</strong>eares Modell . . . . . . . . . . . . . . . 38<br />
3.2 Vergleich von lokal konstantem und lokal l<strong>in</strong>earem Modell . . . . . . . 39<br />
3.3 Parameter bei <strong>der</strong> <strong>lokale</strong>n Modellbildung . . . . . . . . . . . . . . . . 41<br />
3.3.1 Zahl nächster Nachbarn . . . . . . . . . . . . . . . . . . . . . 41<br />
3.3.2 Wichtung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43<br />
3.3.3 Metrik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45<br />
3.4 Regularisierung polynomialer <strong>Modelle</strong> . . . . . . . . . . . . . . . . . . 47<br />
3.4.1 Pr<strong>in</strong>cipal Component Regression . . . . . . . . . . . . . . . . 47<br />
3.4.2 Ridge Regression . . . . . . . . . . . . . . . . . . . . . . . . . 50<br />
3.4.3 Wahl <strong>der</strong> Regularisierung . . . . . . . . . . . . . . . . . . . . . 51<br />
3.5 Lokale Variation von Parametern . . . . . . . . . . . . . . . . . . . . 52<br />
3.6 Approximation durch Gitterpunkte . . . . . . . . . . . . . . . . . . . 56<br />
3.6.1 Beispiel Hénon-Abbildung . . . . . . . . . . . . . . . . . . . . 57<br />
3.7 Lokale radiale Basisfunktionen . . . . . . . . . . . . . . . . . . . . . . 61<br />
3.8 Optimierung <strong>der</strong> Modellparameter . . . . . . . . . . . . . . . . . . . . 62<br />
3.9 Zeitliche Variation <strong>der</strong> Parameter . . . . . . . . . . . . . . . . . . . . 65<br />
3.10 Suche nach nächsten Nachbarn . . . . . . . . . . . . . . . . . . . . . 67<br />
3.11 Vergleich <strong>lokale</strong>r <strong>Modelle</strong> mit globalen <strong>Modelle</strong>n . . . . . . . . . . . . 72<br />
4 Support-Vektor-Regression 76<br />
4.1 L<strong>in</strong>eare Support-Vektor-Regression . . . . . . . . . . . . . . . . . . . 77<br />
4.1.1 Berechnung von b . . . . . . . . . . . . . . . . . . . . . . . . . 81<br />
4.1.2 Nichtl<strong>in</strong>eare Support-Vektor-Regression . . . . . . . . . . . . . 82<br />
5 Anwendungen <strong>der</strong> <strong>Modelle</strong> 87<br />
5.1 Modellierung künstlich generierter Systeme . . . . . . . . . . . . . . . 87<br />
5.1.1 Ergebnisse <strong>der</strong> Modellierung . . . . . . . . . . . . . . . . . . . 87<br />
5.1.2 H<strong>in</strong>dmarsh-Rose-System . . . . . . . . . . . . . . . . . . . . . 90