Falki w kontekście zastosowań ekonomicznych

• Autorzy: Monika Hadaś
• Języki publikacji: PL

Abstrakty

Teoria falek jest młodą, liczącą niespełna 20 lat dziedziną nauki. Dyscyplina ta zrodziła się pod wpływem idei płynącej z matematyki teoretycznej, ale szybko znalazła liczne zastosowania, między innymi w teorii aproksymacji, kompresji danych oraz badaniu różnorodnych zjawisk ekonomicznych. Uogólniając, można powiedzieć, że falki mają zastosowanie w sytuacjach, w których ma się do czynienia z realizacjami pewnych funkcji lub procesów stochastycznych. W niniejszej pracy, wykorzystujemy własności falek do przeprowadzenia predykcji szeregu czasowego. Prezentowana predykcja jest oparta na sieci falkowo-neuronowej, która jest odmianą sieci neuronowej, a w której tradycyjne funkcje aktywacji neuronów zastąpiono funkcjami falkowymi. Ponieważ niemal wszystkie ekonomiczne szeregi czasowe są obarczone błędami, stosujemy dwie metody predykcji. Pierwszą metodą przeprowadzamy predykcję bezpośrednio na oryginalnym ekonomicznym szeregu czasowym bez robienia redukcji zakłóceń, a drugą metodą wykonujemy predykcję po wcześniejszym usunięciu zakłóceń, np. średnią ruchomą. (fragment tekstu)

Słowa kluczowe

PL

Transformacja falkowa; Modele nieliniowe; Sieci neuronowe; Szeregi czasowe

EN

Wavelet transform; Nonlinear models; Neural networks; Time-series

• Czasopismo: Prace Naukowe / Akademia Ekonomiczna w Katowicach
• Rocznik: 2005
• Tom: Zarządzanie, finanse, ekonomia : warsztaty doktorskie '05
• Strony: 107--119

Twórcy

autor

Monika Hadaś

• Akademia Ekonomiczna im. Karola Adamieckiego w Katowicach, doktorant

Bibliografia

• Aussem A., Murtagh F. (1998): A neuro-wavelet strategy for Web traffic forecasting. "Journal of Official Statistics", No 1, s. 65-87.
• Białasiewicz J. (2000): Falki i aproksymacje. Wydawnictwo Naukowo-Techniczne, Warszawa.
• Cao L., Hong, Y., Fang H., He G. (1995): Predicting Chaotic Time Series with Wavelet Networks. "Physica D85", s. 225-238.
• Farmer J.D., Sidorowich J.J.: Predicting chaotic time series. "Phys. Rev. Lett.", Vol. 59, s. 845-848.
• Gao R., Tsoukalas L.H. (2001): Neural-wavelet methodology for load forecasting. "Journal of Intelligent & Robotic Systems", Vol. 31, No 1-3, s. 149-157.
• Leland W., Taqqu M., Willinger W., Wilson D. (1994): On the Self-Similar Nature of Ethernet Traffic. "IEEE/ACM Transactions on Networking", No 2(1), s. 1-15.
• Mallat S.G. (1989): Multiresolution approximation and wavelets orthonormal bases of L2 (R). "Trans. Amer. Math Soc.", No 1.
• Nievergelt Y. (2001): Wavelets Made Easy. Birkhäuser, Boston.
• Hggio T., Girosi E (1990): Networks for approximation and learning. "Proc. IEEE", Vol. 78, No 9.
• Wojtaszczyk P. (2000): Teoria falek. PWN, Warszawa.
• Yousefi'zadeh H. (2003): Neural Network Estimation of Packet Arrival Rate in Self-Similar Queuing Systems. Invited Paper. [in:] Proceedings of the Second Workshop on Fractals, Power Laws, and Other Next Generation Data Mining Tools. ACM SIGKDD Conference.
• Zhang Q., Benveniste A. (1992): Wavelet networks. "IEEE Transaction on Neural Networks", Vol. 3, s. 889-898.
• Zhang Q. (1997): Using wavelet network in nonparametric estimation. "IEEE Trans. Neural Networks", Vol 8 s. 227-236.
• Zhang Q: Wavenet, Public domain Matlab toolbox. Anonymous FTP. ftp.irisa.fr.