WIPO logo
Mobil | Englisch | Español | Français | 日本語 | 한국어 | Português | Русский | 中文 | العربية |
PATENTSCOPE

Suche in nationalen und internationalen Patentsammlungen
World Intellectual Property Organization
Suche
 
Durchsuchen
 
Übersetzen
 
Optionen
 
Aktuelles
 
Einloggen
 
Hilfe
 
Maschinelle Übersetzungsfunktion
1. (WO1998019252) VERFAHREN ZUR KLASSIFIKATION DER STATISTISCHEN ABHÄNGIGKEIT EINER MESSBAREN ZEITREIHE
Aktuellste beim Internationalen Büro vorliegende bibliographische Daten   

TranslationÜbersetzung: Original-->Deutsch
Veröff.-Nr.:    WO/1998/019252    Internationale Veröffentlichungsnummer:    PCT/DE1997/002068
Veröffentlichungsdatum: 07.05.1998 Internationales Anmeldedatum: 15.09.1997
Antrag nach Kapitel 2 eingegangen:    28.01.1998    
IPC:
G06F 17/18 (2006.01)
Anmelder: SIEMENS AKTIENGESELLSCHAFT [DE/DE]; Wittelsbacherplatz 2, D-80333 München (DE) (For All Designated States Except US).
DECO, Gustavo [IT/DE]; (DE) (For US Only).
SCHITTENKOPF, Christian [AT/DE]; (DE) (For US Only)
Erfinder: DECO, Gustavo; (DE).
SCHITTENKOPF, Christian; (DE)
Prioritätsdaten:
196 43 918.3 30.10.1996 DE
Titel (DE) VERFAHREN ZUR KLASSIFIKATION DER STATISTISCHEN ABHÄNGIGKEIT EINER MESSBAREN ZEITREIHE
(EN) METHOD OF CLASSIFYING STATISTICAL DEPENDENCY OF A MEASURABLE SERIES OF STATISTICAL VALUES
(FR) PROCEDE DE CLASSIFICATION DE LA DEPENDANCE STATISTIQUE D'UNE SERIE CHRONOLOGIQUE MESURABLE
Zusammenfassung: front page image
(DE)Verfahren zur Klassifikation einer ersten Zeitreihe, die eine vorgebbare Anzahl von Abtastwerten aufweist, insbesondere eines elektrischen Signals, durch einen Rechner. Eine Zeitreihe, die durch ein Meßsignal eines dynamischen Systems, z.B. einen Kursverlauf auf dem Aktienmarkt, gegeben ist, wird entsprechend ihrer Wahrscheinlichkeitsdichte modelliert, um eine Vorhersage zukünftiger Werte machen zu können. Zur Beschreibung der bedingten Wahrscheinlichkeitsdichten eignet sich ein nichtlinearer Markov-Prozeß der Ordnung m. Ein neuronales Netz wird entsprechend den Wahrscheinlichkeiten des Markov-Prozesses nach dem Maximum-Likelihood-Prinzip, das eine Lernvorschrift zur Maximierung des Produkts von Wahrscheinlichkeiten ist, trainiert. Für eine vorgebbare Anzahl Werte m aus der Vergangenheit des vorherzusagenden Signals wird durch das neuronale Netz ein Wert in der Zukunft vorausgesagt. Durch Iteration können mehrere Schritte in der Zukunft vorausgesagt werden. Als Parameter zur Verbesserung der Wahrscheinlichkeit der Vorhersage dient die Ordnung m des nichtlinearen Markov-Prozesses, die der Anzahl der Werte aus der Vergangenheit, die bei der Modellierung der bedingten Wahrscheinlichkeitsdichten wichtig sind, entspricht.
(EN)The invention relates to a method of classifying a first series of statistical values having a given number of sample values, especially those of an electrical signal, by computer. A set of statistical values transmitted by a measuring signal of a dynamic system i.e. current share prices on the stock market, is modelled according to its probability density in order to provide a prediction of future values. A non-linear Markov process of the order m is suited to describe conditional probability densities. A neuronal network is trained in compliance with the probabilities of the Markov process according to the maximum likelihood principle, which is a learning rule in order to maximize the product of probabilities. For a predetermined number of values m arising from the past of the signal which is to be predicted, the neuronal network predicts a value in the future. Several steps in the future can be predicted by iteration. The order m of the non-linear Markov process acts as a parameter for improving the likelihood of the prediction. The order m corresponds to the number of past values which are important during modelling of conditional probability densities.
(FR)L'invention concerne un procédé de classification d'une première série chronologique présentant un nombre prédéterminé de valeurs d'échantillonnage, notamment d'un signal électrique, au moyen d'un ordinateur. Une série chronologique donnée par un signal de mesure d'un système dynamique, par ex. l'évolution d'une courbe à la bourse, est modélisée en fonction de sa densité de probabilité afin de permettre d'effectuer une prévision des valeurs futures. Un processus de Markov non linéaire d'ordre m est approprié pour décrire les densités de probabilité conditionnelles. Un réseau neuronal subit un apprentissage en fonction des probabilités du processus de Markov selon le principe du maximum de vraisemblance qui constitue une règle d'apprentissage pour maximiser le produit des vraisemblances. Pour un nombre prédéterminé de valeurs m provenant du passé du signal à prédire, une valeur est prédite dans l'avenir par l'intermédiaire du réseau neuronal. Par itération, plusieurs étapes peuvent être prédites dans l'avenir. L'ordre m du processus de Markov non linéaire sert de paramètre pour améliorer la probabilité de la prédiction. L'ordre m correspond au nombre des valeurs du passé qui sont importantes lors de la modélisation des densités de probabilité conditionnelles.
Designierte Staaten: JP, US.
European Patent Office (AT, BE, CH, DE, DK, ES, FI, FR, GB, GR, IE, IT, LU, MC, NL, PT, SE).
Veröffentlichungssprache: German (DE)
Anmeldesprache: German (DE)