در این مطالعه به بررسی و تخمین پارامترها با استفاده از مدل State Space در فرم ARIMAپرداخته می شود. سپس با استفاده از پارامترهای تخمین زده شده و روش شبیه سازی مونت کارلو به عنوان ابزاری برای افزایش دقت پیش بینی فرآیندهای تصادفی، به پیش بینی برای کوتاه مدت، میان مدت و بلندمدت برای شاخص تپیکس پرداختیم که شامل 739 داده روزانه مربوط به 1 بهمن سال 1389 تا 30 بهمن سال 1392 به عنوان درون داده و نیز داده های 1 اسفند 1392 تا 30 اردیبهشت 1393 به عنوان برون داده بود. نتایج حاکی از این بود که داده های بازار سهام تهران از کارآیی کافی به منظور پیش بینی نسبی آنها برخوردار بودند و نشان دادیم که ترکیب مدل State Space در فرم ARIMA و روش شبیه سازی مونت کارلو می تواند به عنوان یک الگوریتم پیش بینی کننده برای شاخص تپیکس و سایر شاخص های مشابه از نظر ماهیتی، پیشنهاد شود.

این مقاله به بررسی مدل سری زمانی خود بازگشت آمیخته با وزن های ثابت در قالب فضای حالت و تعمیم آن به مدل های خودبازگشت-میانگین متحرک آمیخته می پردازد. توابع چگالی پیش بینی، پالایش و هموارسازی با استفاده از یک روش مونت کارلوی دنباله ای تقریب زده شده اند. همچنین الگوریتم EM برای برآورد پارامترهای مدل در فضای حالت ارائه شده است. نتایج نشان می دهد در قالب فضای حالت، ابعاد بردار پارامترهای مدل کاهش می یابد. علاوه بر این رفتار الگوریتم های پالایش و هموارسازی با استفاده از شبیه سازی مونت کارلو در مدل های ایستا مورد بررسی قرار گرفته است. نتایج این مطالعه نشان می دهد الگوریتم پالایش در مدت زمان کوتاهی به یک حالت پایا نزدیک می شود. همچنین پس از گذشت زمان کوتاهی میانگین توزیع های پالایش و هموارسازی به مقادیر واقعی بردار حالت نزدیک می شوند.

The body freedom flutter phenomenon is one of the aeroelastic instabilities that occurs due to the coupling of the aeroelastic bending mode of the wing with the short-period mode in the flight dynamics of the aircraft. By using the aeroservoelastic Model and applying closed loop control, this phenomenon can be suppressed in the operating conditions of the aircraft and the velocity of this event can be increased. The simplest Model aircraft capable of displaying this instability includes the flexible wing and the planar flight dynamics Model. For this purpose, the wing structure is Modeled using the Euler-Bernoulli beam and, the theory of minimum variable State is used to Model unstable aerodynamics to make the conditions suitable for Modeling the system in State Space. In the control section, the elevator is used as the control surface and LQR theory with Kalman filter is used to body freedom flutter suppression. Finally, the effect of adding a closed loop control to increase the body freedom flutter velocity and the limitations of this work are studied.

لطفا برای مشاهده چکیده به متن کامل (PDF) مراجعه فرمایید.

Distributed Denial of Service (DDoS) attacks are among the primary concerns in internet security today. Machine learning can be exploited to detect such attacks. In this paper, a multi-layer perceptron Model is proposed and implemented using deep machine learning to distinguish between malicious and normal traffic based on their behavioral patterns. The proposed Model is trained and tested using the CICDDoS2019 dataset. To remove irrelevant and redundant data from the dataset and increase learning accuracy, feature selection is used to select and extract the most effective features that allow us to detect these attacks. Moreover, we use the grid search algorithm to acquire optimum values of the Model’s hyperparameters among the parameters’ Space. In addition, the sensitivity of accuracy of the Model to variations of an input parameter is analyzed. Finally, the effectiveness of the presented Model is validated in comparison with some State-of-the-art works.

 هدف اصلی در مقاله حاضر مقایسه دقت پیش بینی چهار مدلARIMA ،GARCH ، ARIMA-GARCH و State Space در تخمین و پیش بینی شاخص قیمت بورس اوراق بهادار تهران (تپیکس) است. برای این منظور، داده های روزانه 1 بهمن سال 1389 تا 30 بهمن سال 1392 به عنوان درون داده و 1 اسفند 1392 تا 30 اردیبهشت 1393 به عنوان برون داده، استفاده شده اند. از طرفی دیگر، برای بررسی بیشتر و افزایش دقت پیش بینی مدل های مذکور برای شاخص تپیکس در بلند مدت، شبیه سازی با روش مونت کارلو برای دو دوره زمانی میان مدت و کوتاه مدت با استفاده از برون داده و نیز برای یک مقایسه کلی با درون داده، صورت پذیرفته؛. سپس دقت پیش بینی ها با معیار RMSE ارزیابی شده است. نتایج به دست آمده نشان می دهند که مدل GARCH در سه دوره زمانی (بلندمدت، میان مدت و کوتاه مدت)، و با استفاده از مقایسه با برون داده، از دقت پیش بینی بیشتری نسبت به سایر مدل ها برخوردار می باشد و در هنگام مقایسه با درون داده، مدل ARIMA مدل مناسب تری است.

حباب های قیمتی و نوسانات قیمت محصولات کشاورزی از چالش های مهمی است که می تواند رفاه مصرف کنندگان و تولیدکنندگان را به طور قابل توجهی تحت تاثیر قرار دهد. بنابراین، در این مطالعه، حباب های قیمت در سه محصول پروتئینی اصلی، یعنی گوشت گوسفند، گوشت گاو و مرغ، با استفاده از مدل فضا-حالت بر اساس فیلتر کالمن با استفاده از داده های ماهانه از سال 1380 تا 1399 مورد بررسی قرار گرفت. در این راستا، به ترتیب قیمت جو، قیمت کنسانتره، جوجه یکروزه و ذرت را به عنوان نهاده های مهم مورد استفاده برای تولید گوشت گوسفند، گاو و مرغ در نظر گرفته شد. همچنین از نرخ واقعی ارز و قیمت واقعی نفت در مدل استفاده شده است. نتایج نشان دهنده تفاوت ساختارهای در حباب های قیمتی مثبت و منفی، دوره و تعداد وقوع و فروپاشی حباب در موراد مورد مطالعه بود. همچنین بر خلاف قیمت مرغ، به این نتیجه رسیدیم که حباب قیمت گوشت گوسفند و گوساله نسبت به سطح قیمت قابل توجه نیست. در بازار گوشت مرغ علت اصلی حباب های قیمتی را می توان به دلیل اختلال در روند بازاریابی این محصولات، عدم شفافیت اطلاعات و دخالت های متناقض دولت در بازار دانست. برای مقابله با این مشکل، پیاده سازی اطلاعات بازار بصورت تجمیع شده از طریق فناوری اطلاعات و ارتباطات می تواند ابزاری کارآمد در جهت حل چالش مذکور در نظر گرفته شود. علاوه بر این، مداخله دولت باید به جای کنترل قیمت ها، اصلاح ساختار بازار باشد. متن کامل این مقاله به زبان انگلیسی می باشد. لطفا برای مشاهده متن کامل مقاله به بخش انگلیسی مراجعه فرمایید.لطفا برای مشاهده متن کامل این مقاله اینجا را کلیک کنید.