亚历山大·J·A·泰。;方,郑;Rivver A.Gonzalez。;保罗,罗兹德巴。J。;亨利·D·I·阿巴巴内尔。 使用延时嵌入和精确退火的时间序列的机器学习。 (英语) Zbl 1452.68159号 神经计算。 2004年至2024年第10期31号(2019年). 摘要:任务机器学习预测时间序列的分段需要使用时间序列的输入/输出对估计ML模型的参数。为了完成这项任务,我们借用了统计数据同化中使用的两种技术:准备输入数据的延时嵌入和作为训练方法的精确退火。精确退火方法确定动作的全局最小值((-\log[P]))。通过这种方式,我们能够确定生成时间序列良好泛化(预测)所需的训练对数量。我们从标量时间序列(s(t_n))出发\(tn=t0+nDelta t),并利用非线性时间序列分析方法,证明了如何生成一个(D_E>1)维时滞嵌入空间,其中时间序列与观测的(s(tn))时间序列一样没有假邻居。在该(D_E)维空间中,我们探索了前馈多层感知器作为网络模型的使用,这些网络模型操作(D-E)维输入,并产生(D/E)维输出。 MSC公司: 68T05型 人工智能中的学习和自适应系统 62M10个 统计学中的时间序列、自相关、回归等(GARCH) 软件:github;瓦拉尼尔;合卡尔曼滤波 PDF格式BibTeX公司 XML格式引用 \textit{A.J.A.Ty}等人,《神经计算》。2004年10月31日——2024年(2019年;Zbl 1452.68159) 全文: 内政部 arXiv公司 参考文献: [1] Abarbanel,H.D.I.(1996)。对观测到的混沌数据的分析。纽约:Springer-Verlag·Zbl 0890.93006号 [2] Abarbanel,H.D.I.(2013)。预测未来:完成观察到的复杂系统的模型。纽约:斯普林格·Zbl 1281.62212号 [3] Abarbanel,H.D.I.和Durstewitz,D.(2018年)。探索“最深入的学习”:配方和应用。未发表的手稿。 [4] Abarbanel,H.D.I.、Rozdeba,P.J.和Shirman,S.(2018年)。机器学习作为统计数据同化。神经计算,2025-2055·Zbl 1472.68127号 [5] Aeyels,D.(1981a)。可微系统的一般可观测性。SIAM J.控制优化。,19595-603中·Zbl 0474.93016号 [6] Aeyels,D.(1981b)。关于实现可观测性所需的样本数量。系统控制信函。,1, 92-94. , ·兹伯利0469.93024 [7] Allgower,E.L.和Georg,K.(1990年)。数值延拓方法:简介。纽约:Springer-Verlag·Zbl 0717.65030号 [8] Asch,M.、Bocquet,M.和Nodet,M..(2017年)。数据同化:方法、算法和应用。费城:SIAM·Zbl 1361.93001号 [9] Beleites,C.、Neugebauer,U.、Bocklitz,T.、Krafft,C.和Popp,J.(2013)。分类模型的样本量规划。分析。蜂鸣器。阿克塔,760,25-33, [10] Evensen,G.(2009)。数据同化:集合卡尔曼滤波器。纽约:斯普林格·Zbl 1395.93534号 [11] Fano,R.M.(1961)。信息传播:传播的统计理论。马萨诸塞州剑桥:麻省理工学院出版社·Zbl 1474.94054号 [12] Figueroa,R.L.、Zeng-Treeitler,Q.、Kandula,S.和Ngo,L.H.(2012)。预测分类性能所需的样本大小。BMC医疗通知。Decis公司。制作,12,8, [13] Frank,R.J.、Davey,N.和Hunt,S.P.(2001年)。时间序列预测和神经网络。智能与机器人系统杂志,31,91-103·Zbl 0990.68113号 [14] Fraser,A.M.和Swinney,H.L.(1986年)。来自相互信息的奇怪吸引子的独立坐标。物理评论A,351134-1140·Zbl 1184.37027号 [15] Gelfand,I.M.和Fomin,S.V.(1963年)。变分法。纽约:多佛·Zbl 0127.05402号 [16] Goodfellow,I.、Bengio,Y.和Courville,A.(2016)。深度学习。马萨诸塞州剑桥:麻省理工学院出版社·Zbl 1373.68009号 [17] Kadakia,N.、Rey,D.、Ye,J.和Abarbanel,H.D.I.(2017年)。统计数据同化中的辛方法。英国皇家气象学会季刊,143756-771, [18] Kajitani,Y.、Hipel,K.W.和McLeod,A.I.(2005年)。用前馈神经网络预测非线性时间序列:加拿大猞猁数据的案例研究。预测杂志,24,105-117, [19] Kantz,H.和Schreiber,T.(2003)。非线性时间序列分析,第二版,剑桥:剑桥大学出版社·Zbl 0873.62085号 [20] 柯克·D·E(1970)。最优控制理论:导论。纽约:多佛。 [21] 拉普拉斯,P.S.(1774)。事件原因概率回忆录。摘自《数学与物理学》(第6卷,第621-656页)。 [22] Laplace,P.S.(1986年)。事件原因概率回忆录。统计科学,1(3),364-378。(S.M.Stigler翻译), [23] Marsden,J.E.和West,M.(2001年)。离散力学和变分积分器。《数字学报》,第10期,第357-514页·Zbl 1123.37327号 [24] Murty,K.G.和Kabadi,S.N.(1987年)。二次规划和非线性规划中的一些NP-完全问题。数学编程,39,117-129·Zbl 0637.90078号 [25] Rozdeba,P.J.(2018)。部分观测ODE和神经网络系统中使用变分退火进行状态和参数估计的Python包。https://github.com/paulrozedba/varalanze [26] Takens,F.(1981)。检测湍流中的奇怪吸引子。数学课堂笔记。,898, 366-381. , ·Zbl 0513.58032号 [27] Ye,J.、Kadakia,N.、Rozdeba,P.J.、Abarbanel,H.D.I.和Quinn,J.C.(2014)。统计资料同化中改进的变分方法。地球物理中的非线性过程,22(2),205-213, [28] Ye,J.,Rey,D.,Kadakia,N.,Eldridge,M.,Morone,U.,Rozdeba,P.,…Quinn,J.C.(2015)。统计非线性状态和参数估计的系统变分方法。物理审查E 052901, 此参考列表基于出版商或数字数学图书馆提供的信息。它的项目与zbMATH标识符启发式匹配,并且可能包含数据转换错误。在某些情况下,zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献,而不要求完整或完全匹配。