در مدلسازی سری زمانی ، مدل برونی خودپنداره غیر خطی یا مدل nonlinear autoregressive exogenous یا NARX به عنوان یکی از مدلهای پر کاربرد می باشد. در این مدل مقدار فعلی به مقادیر قبلی ورودی و خروجی وابسته است.
رابطه یک شبکه NARX به صورت زیر است :
y(t)=f(y(t−1),y(t−2),…,y(t−ny),u(t−1),u(t−2),…,u(t−nu))+Ɛ
y(t) خروجی نهایی ، u(t) ورودی مدل می باشد. y(t-1) خروجی یکی قبلتر و y(t-2) خروجی دو واحد قبلتر می باشد. u(t-1) ورودی یکی قبلتر و u(t-2) ورودی دو واحد قبلتر می باشد.
یک ترم خطا هم وجود دارد که نشان دهنده این واقعیت است که مقدار خروجی نهایی یک سری زمانی دقیقا مقدار جاری آن نمی باشد. به عبارت دیگر هر قدر هم که ما یک مدل دقیق طراحی کنیم باز هم طبیعت یک سری زمانی مقداری تصادفی بودن را در دل خود دارد.
برنامه نویسی متلب شبکه های NARX کمی مشکل و پیچیده می باشد چون با برنامه نویسی شبکه های عصبی دیگر متفاوت می باشد. رعایت نکردن تعدادی نکته ممکن است باعث تولید خطا در برنامه شود و پیدا کردن این خطا گاهی مشکل می باشد.
ما در این فیلم آموزشی مراحل برنامه نویسی متلب یک شبکه NARX را به صورت گام به گام با چندین مثال به شما یاد می دهیم.