[Ανάλυση Χρονοσειρών] Υπολογιστική Εργασία 2015-2016

[Thmmy.gr portal]

  Thmmy.gr portal
   Forum
   Downloads
   Ενεργ. Λογαριασμού
   Επικοινωνία
  
  Χρήσιμα links
   Σελίδα τμήματος
   Βιβλιοθήκη Τμήματος
   Elearning
   Φοιτητικά fora
   Πρόγραμμα Λέσχης
   Πρακτική Άσκηση
   Ηλεκτρονική Εξυπηρέτηση Φοιτητών
   Διανομή Συγγραμμάτων
   Ψηφιακό Καταθετήριο Διπλωματικών
   Πληροφορίες Καθηγητών
   Instagram @thmmy.gr
   mTHMMY
  
  Φοιτητικές Ομάδες
   ACM
   Aristurtle
   ART
   ASAT
   BEAM
   BEST Thessaloniki
   EESTEC LC Thessaloniki
   EΜΒ Auth
   IAESTE Thessaloniki
   IEEE φοιτητικό παράρτημα ΑΠΘ
   SpaceDot
   VROOM
   Panther
  

THMMY.gr Web

Helios_MultiScribbles2SMF Default ThemeSMFone_Blue

[Ανεβάζετε τα θέματα των εξετάσεων στον τομέα Downloads]

Είσαι πρωτοετής;... Καλώς ήρθες! Μπορείς να βρεις πληροφορίες εδώ. Βοήθεια για τους καινούργιους μέσω χάρτη.

Κατεβάστε εδώ το Android Application για εύκολη πρόσβαση στο forum.

Ανεβάζετε τα θέματα των εξετάσεων στον τομέα Downloads με προσοχή στα ονόματα των αρχείων!

[Exomag]

Το topic αυτό αφορά την υπολογιστική εργασία του μαθήματος με ανακοινώσεις/απορίες/κλπ σχετικά με αυτήν. Stay on topic!

Η εργασία δίνεται εδώ.

Οι φοιτητές θα πρέπει να δηλώσουν συμμετοχή στην εργασία, είτε ατομικά ή ως ομάδα δύο ατόμων, στέλνοντας e-mail στο διδάσκοντα και ο διδάσκοντας θα τους αντιστοιχήσει έναν αριθμό από 1 ως 10 για τη χρονοσειρά που θα χρησιμοποιήσουν.

Η υπολογιστική εργασία θα πρέπει να παραδοθεί ως τις 31/1/2016 με αποστολή e-mail στη διεύθυνση dkugiu@auth.gr και ο κάθε φοιτητής ή ομάδα φοιτητών ενδέχεται να εξετασθεί προφορικά στην εργασία που θα παραδώσει.

[iliachry]

Για το δεύτερο στάδιο στο ερώτημα 5 ξέρει κανείς πόσα γειτονικά σημεία πρέπει να βάλουμε?

[Exomag]

Για το δεύτερο στάδιο στο ερώτημα 5 ξέρει κανείς πόσα γειτονικά σημεία πρέπει να βάλουμε?

Από παραδείγματα στο εργαστήριο και προσωπική εμπειρία, κάπου στα 10 είναι καλά.

[iliachry]

Για το δεύτερο στάδιο στο ερώτημα 5 ξέρει κανείς πόσα γειτονικά σημεία πρέπει να βάλουμε?

Από παραδείγματα στο εργαστήριο και προσωπική εμπειρία, κάπου στα 10 είναι καλά.

ευχαριστώ!

[PanteGrv]

Μήπως θυμάσαι τι αλλαγή κάναμε στην correlation dimension για να τρέξει? Κάτι με τα fopen και τα fid θυμάμαι.. Μου βγάζει αυτό το error:

The system cannot find the path specified.
Error using fopen
Invalid filename.

Error in correlationdimension (line 74)
    tmpM = fopen(fidc,'%f ', [2 100])';

Error in projectpart2 (line 112)
[rcM,cM,rdM,dM,nuM] = correlationdimension(xV,3,10,'2000 measurements',12,-1000000,1000000);

[Exomag]

Μήπως θυμάσαι τι αλλαγή κάναμε στην correlation dimension για να τρέξει? Κάτι με τα fopen και τα fid θυμάμαι.. Μου βγάζει αυτό το error:

Όπου έχει "figno" θα πρέπει να κάνεις replace με "figno.Number".

[PanteGrv]

Τhanx! Εδώ τελικά άλλο είναι το πρόβλημα..

[iliachry]

Για το ερώτημα 1.4 δεν χρησιμοποιούμε την localpredictnrmse με nnei=1 και q=0? Ακόμη να υποθέσω ότι η υστέρηση σε αυτό το ερώτημα την παίρνω 1?

Για το 2.5 πρέπει να κάνω τα ίδια πράγματα και για την localfitnrmse και για την localpredictnrmse?

[Exomag]

Για το ερώτημα 1.4 δεν χρησιμοποιούμε την localpredictnrmse με nnei=1 και q=0? Ακόμη να υποθέσω ότι η υστέρηση σε αυτό το ερώτημα την παίρνω 1?

Ναι, και στα τρία.

Για το 2.5 πρέπει να κάνω τα ίδια πράγματα και για την localfitnrmse και για την localpredictnrmse?

Τι εννοείς; Προφανώς ότι ορίσματα/settings δώσεις στη μία τα ίδια θα πρέπει να δώσεις και στην άλλη, έτσι ώστε τα αποτελέσματα τους να είναι συγκρίσιμα.

[iliachry]

Για το 2.5 πρέπει να κάνω τα ίδια πράγματα και για την localfitnrmse και για την localpredictnrmse?

Τι εννοείς; Προφανώς ότι ορίσματα/settings δώσεις στη μία τα ίδια θα πρέπει να δώσεις και στην άλλη, έτσι ώστε τα αποτελέσματα τους να είναι συγκρίσιμα.

μάλλον δεν κατάλαβα τι ζητάει αυτό το ερώτημα..
Ουσιαστικά με την localfit προσαρμόζουμε την χρονοσειρά  των 2000 παρατηρήσεων, στο μοντέλο που θέλουμε και βρίσκουμε το nrmse για Τ=1. Με την localpredict προσαρμόζουμε την χρονοσειρά των 1900 παρατηρήσεων στο ίδιο μοντέλο και κάνουμε την πρόβλεψη για τις 100 παρατηρήσεις που έμειναν πάλι για T=1.
Έχει νόημα να συγκρίνουμε αυτά τα 2 αποτελέσματα?

[Exomag]

Ουσιαστικά με την localfit προσαρμόζουμε την χρονοσειρά  των 2000 παρατηρήσεων, στο μοντέλο που θέλουμε και βρίσκουμε το nrmse για Τ=1. Με την localpredict προσαρμόζουμε την χρονοσειρά των 1900 παρατηρήσεων στο ίδιο μοντέλο και κάνουμε την πρόβλεψη για τις 100 παρατηρήσεις που έμειναν πάλι για T=1.
Έχει νόημα να συγκρίνουμε αυτά τα 2 αποτελέσματα?

Όχι τόσο, αυτά τα δύο δεν είναι άμεσα συγκρίσιμα.

Αυτό που ζητάει το συγκεκριμένο ερώτημα, αν δεν κάνω λάθος, είναι την πρώτη περίπτωση που περιγράφεις. Δηλαδή fit σε όλο το μήκος της χρονοσειράς, όχι fit σε ένα κομμάτι και predict στο υπόλοιπο.

[iliachry]

Ουσιαστικά με την localfit προσαρμόζουμε την χρονοσειρά  των 2000 παρατηρήσεων, στο μοντέλο που θέλουμε και βρίσκουμε το nrmse για Τ=1. Με την localpredict προσαρμόζουμε την χρονοσειρά των 1900 παρατηρήσεων στο ίδιο μοντέλο και κάνουμε την πρόβλεψη για τις 100 παρατηρήσεις που έμειναν πάλι για T=1.
Έχει νόημα να συγκρίνουμε αυτά τα 2 αποτελέσματα?

Όχι τόσο, αυτά τα δύο δεν είναι άμεσα συγκρίσιμα.

Αυτό που ζητάει το συγκεκριμένο ερώτημα, αν δεν κάνω λάθος, είναι την πρώτη περίπτωση που περιγράφεις. Δηλαδή fit σε όλο το μήκος της χρονοσειράς, όχι fit σε ένα κομμάτι και predict στο υπόλοιπο.

άρα δεν χρειάζεται να τρέξουμε την localpredict?

[Exomag]

Ουσιαστικά με την localfit προσαρμόζουμε την χρονοσειρά  των 2000 παρατηρήσεων, στο μοντέλο που θέλουμε και βρίσκουμε το nrmse για Τ=1. Με την localpredict προσαρμόζουμε την χρονοσειρά των 1900 παρατηρήσεων στο ίδιο μοντέλο και κάνουμε την πρόβλεψη για τις 100 παρατηρήσεις που έμειναν πάλι για T=1.
Έχει νόημα να συγκρίνουμε αυτά τα 2 αποτελέσματα?

Όχι τόσο, αυτά τα δύο δεν είναι άμεσα συγκρίσιμα.

Αυτό που ζητάει το συγκεκριμένο ερώτημα, αν δεν κάνω λάθος, είναι την πρώτη περίπτωση που περιγράφεις. Δηλαδή fit σε όλο το μήκος της χρονοσειράς, όχι fit σε ένα κομμάτι και predict στο υπόλοιπο.

άρα δεν χρειάζεται να τρέξουμε την localpredict?

Νομίζω πως δεν είναι απαραίτητο, και μόνο με την localfit (για διάφορα ορίσματα) την κάνεις τη δουλειά σου. Εγώ στην εργασία μου δε χρησιμοποίησα καθόλου την localpredict για το συγεκρκιμένο ερώτημα πχ.

[iliachry]

Ουσιαστικά με την localfit προσαρμόζουμε την χρονοσειρά  των 2000 παρατηρήσεων, στο μοντέλο που θέλουμε και βρίσκουμε το nrmse για Τ=1. Με την localpredict προσαρμόζουμε την χρονοσειρά των 1900 παρατηρήσεων στο ίδιο μοντέλο και κάνουμε την πρόβλεψη για τις 100 παρατηρήσεις που έμειναν πάλι για T=1.
Έχει νόημα να συγκρίνουμε αυτά τα 2 αποτελέσματα?

Όχι τόσο, αυτά τα δύο δεν είναι άμεσα συγκρίσιμα.

Αυτό που ζητάει το συγκεκριμένο ερώτημα, αν δεν κάνω λάθος, είναι την πρώτη περίπτωση που περιγράφεις. Δηλαδή fit σε όλο το μήκος της χρονοσειράς, όχι fit σε ένα κομμάτι και predict στο υπόλοιπο.

άρα δεν χρειάζεται να τρέξουμε την localpredict?

Νομίζω πως δεν είναι απαραίτητο, και μόνο με την localfit (για διάφορα ορίσματα) την κάνεις τη δουλειά σου. Εγώ στην εργασία μου δε χρησιμοποίησα καθόλου την localpredict για το συγεκρκιμένο ερώτημα πχ.

εε ναι...εφόσον θέλει προσαρμογή δεν έχει νόημα να λέει να χρησιμοποιήσουμε την localpredict!
Τελοσπάντων, σε ευχαριστώ πολύ!

[Charles]

Στο τελευταίο ερώτημα μέρος Β με ποια λογική βγαίνουν τα τρία τελευταία ορίσματα (για την correlationdimension);;;