Effect of noise filtering on predictions : on the routes of chaos
Résumé
The detection of chaotic behaviors in commodities, stock markets and weather data is usually complicated by large noise perturbation inherent to the underlying system. It is well known, that predictions, from pure deterministic chaotic systems can be accurate mainly in the short term. Thus, it will be important to be able to reconstruct in a robust way the attractor in which evolves the data, if this attractor exists. In chaotic theory, the deconvolution methods have been largely studied and there exist different approaches which are competitive and complementary. In this work, we apply two methods : the singular value method and the wavelet approach. This last one has not been investigated a lot of filtering chaotic systems. Using very large Monte Carlo simulations, we show the ability of this last deconvolution method. Then, we use the de-noised data set to do forecast, and we discuss deeply the possibility to do long term forecasts with chaotic systems.
La détection des systèmes chaotiques dans des données climatiques en particulier est difficile dès que celles-ci sont polluées par des erreurs de mesure par exemple. Il est bien connu que les prédictions de court terme au sein des systèmes chaotiques déterministes sont de très bonnes qualité. Pour cela l'attracteur qui caractérise des données réelles doit être correctement reconstruit. En présence de données polluées, la première étape consiste à dé-polluer les données. Nous discutons ce problème dans ce papier en vue ensuite de proposer de faire des prévisions de long terme au sein de l'attracteur.
Origine : Fichiers produits par l'(les) auteur(s)
Loading...