Модель Тригга-Лича
Материал из MachineLearning.
(→Введение) |
|||
| Строка 12: | Строка 12: | ||
где <tex>K_t</tex> - [[скользящий контрольный сигнал]]. | где <tex>K_t</tex> - [[скользящий контрольный сигнал]]. | ||
| + | На рис.1 показано испытание полиномиальной модели нулевого порядка с переменным параметром <tex>\alpha</tex> при прогнозировании искусственного ряда. | ||
| + | Крестики на рисунке отражают значения членов временного ряда, в котором наблюдается изменение ступенчатого типа. Ряд искусственно генерирован по модели | ||
| + | |||
| + | ::<tex>x_t=a'_1+\eps_t</tex>, при <tex>t<t_1</tex>; | ||
| + | ::<tex>x_t=a''_1+\eps_t</tex>, при <tex>t>t_1</tex>; | ||
| + | ::<tex>a'_1=const</tex>; | ||
| + | ::<tex>a'_1=const</tex>; | ||
| + | ::<tex>a'_1\une a''_1</tex>; | ||
{{Задание|Коликова Катя|Vokov|31 декабря 2009}} | {{Задание|Коликова Катя|Vokov|31 декабря 2009}} | ||
Версия 10:40, 25 декабря 2009
Введение
Модель Тригга-Лича применяется в адаптивных методах прогнозирования временных рядов.
Модель Тригга-Лича относится к моделям с адаптивными параметрами адаптациями, то есть, является моделью с повышенной способностью к самообучению.
А. Триггом и А. Личем было предложено модифицировать предсказывающие системы, использующие экспоненциальное сглаживание, посредствои изменения скорости реакции в зависимости от величины контнольного сигнала. В простейшей модели это эквивалентно регулированию параметра сглаживания . Наиболее очевидный способ заставить систему автоматически реагировать на расхождение прогнозов и фактических данных - это увеличение
с тем, чтобы придать больший вес свежим данным и, таким образом, обеспечить более быстрое приспособление модели к новой ситуации. Как только система приспособилась, необходимо опять уменьшить величину
для фильтрации шума.
Простой способ достижения такой адаптивной скорости состоит в выборе
,
где - скользящий контрольный сигнал.
На рис.1 показано испытание полиномиальной модели нулевого порядка с переменным параметром при прогнозировании искусственного ряда.
Крестики на рисунке отражают значения членов временного ряда, в котором наблюдается изменение ступенчатого типа. Ряд искусственно генерирован по модели
, при
;
, при
;
;
;
| Данная статья является непроверенным учебным заданием.
До указанного срока статья не должна редактироваться другими участниками проекта MachineLearning.ru. По его окончании любой участник вправе исправить данную статью по своему усмотрению и удалить данное предупреждение, выводимое с помощью шаблона {{Задание}}. См. также методические указания по использованию Ресурса MachineLearning.ru в учебном процессе. |
