迪利普·阿哈巴拉。;Jitendra C.帕里赫。 基于遗传编程的实时系统时间序列数据建模方法。 (英语) Zbl 1152.82332号 国际期刊修订版。物理学。C类 19,第1号,63-91(2008). 小结:使用遗传编程(GP)框架构建了计算机生成的时间序列(逻辑图)和三个实时时间序列(Aditya Tokamak等离子体中的离子饱和电流、NASDAQ综合指数和Nifty指数)的分析模型。在每种情况下,拟合部分数据集得到的最优映射也很好地描述了其余数据。迭代地使用地图进行预测对于计算机生成的时间序列非常有用,但对于实际系统的数据则不行。对于这种情况,提出并说明了一个扩展的GP模型。还将这些结果与使用人工神经网络(ANN)获得的结果进行了比较。 MSC公司: 82D10号 等离子体统计力学 82立方32 神经网络在含时统计力学问题中的应用 62M10个 统计学中的时间序列、自相关、回归等(GARCH) 90 C59 数学规划中的近似方法和启发式 PDF格式BibTeX公司 XML格式引用 \textit{D.P.Ahalpara}和\textit{J.C.Parikh},国际期刊Mod。物理学。C 19,编号1,63--91(2008;Zbl 1152.82332) 全文: 内政部 参考文献: [1] Weigend A.S.,圣菲研究所复杂性科学研究,Proc。,in:《时间序列预测:预测未来和理解过去》(1993) [2] Kantz H.,非线性时间序列分析(1997)·Zbl 0873.62085号 [3] DOI:10.1103/PhysRevLett.97.090603·doi:10.1103/PhysRevLett.97.090603 [4] 内政部:10.1103/PhysRevLett.78.863·doi:10.1103/PhysRevLett.78.863 [5] DOI:10.1103/PhysRevE.55.2557·doi:10.1103/PhysRevE.55.2557 [6] Strogatz S.H.,非线性动力学与混沌(1994) [7] 内政部:10.1063/1.1541607·doi:10.1063/11541607 [8] 内政部:10.1137/1.9781611970104·Zbl 0776.42018号 ·doi:10.1137/1.9781611970104 [9] W.H.Press,《C中的数字配方:科学计算的艺术》,第2版。(剑桥大学出版社,1993)p。200 [10] Holland J.H.,《自然和人工系统的适应》(1975年) [11] Goldberg D.E.,《搜索、优化和机器学习中的遗传算法》(1989)·Zbl 0721.68056号 [12] 内政部:10.1109/9780470544600·doi:10.10109/9780470544600 [13] Mitchell M.,《遗传算法导论》(1996)·Zbl 0906.68113号 [14] DOI:10.1103/PhysRevE.72.046120·doi:10.1103/PhysRevE.72.046120 [15] 内政部:10.1142/S0129183107010474·Zbl 1207.62163号 ·doi:10.1142/S0129183107010474 [16] DOI:10.1103/RevModPhys.65.1331·doi:10.1103/RevModPhys.65.1331 [17] 内政部:10.1142/S0129183197001193·doi:10.1142/S0129183197001193 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配,可能包含数据转换错误。在某些情况下,zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献,而不要求完整或完全匹配。