×
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。