×
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。