弗洛林·利昂;Zaharia、Mihai Horia 用于时间序列预测的堆叠异构神经网络。 （英语） Zbl 1189.62154号 数学。问题。工程师。 2010年，文章ID 373648，20 p.（2010）. 摘要：提出了一种用于时间序列预测的混合模型。它是一个叠层神经网络，包含一个具有双极性S形激活函数的正常多层感知器，另一个在输出层具有指数激活函数。实例研究表明，所提出的叠层混合神经网络模型在各种基准时间序列上表现良好。还研究了两个堆栈组件的权重组合，以获得最佳性能。 引用于1文件 MSC公司： 62M20型 随机过程推断和预测 62M45型 神经网络及从随机过程推断的相关方法 62M10个 统计学中的时间序列、自相关、回归等（GARCH） PDF格式BibTeX公司 XML格式引用 \textit{F.Leon}和\textit{M.H.Zaharia}，数学。问题。Eng.2010，文章ID 373648，20页（2010；兹bl 1189.62154） 全文： DOI程序 欧洲DML 参考文献： [1] 汤宏，非线性时间序列分析中的阈值模型，《统计学讲义》第21卷，施普林格，纽约州纽约市，美国，1983年·Zbl 0559.10027号 [2] D.Pfeffermann和J.Allon，“多元指数平滑：方法和实践”，《国际预测杂志》，第5卷，第1期，第83-98页，1989年·doi:10.1016/0169-2070（89）90066-6 [3] J.L.Harvill和B.K.Ray，“关于函数系数自回归模型的多步骤预测的说明”，《国际预测杂志》，第21卷，第4期，第717-727页，2005年·doi:10.1016/j.ij预测.2005.04.012 [4] M.Ghiassi和S.Nangoy，“预测非线性过程的动态人工神经网络模型”，《计算机与工业工程》，第57卷，第1期，第287-297页，2009年·doi:10.1016/j.cie.2008.11.027 [5] P.J.Brockwell和R.A.Davis，《时间序列：理论和方法》，《统计学中的斯普林格系列》，斯普林格出版社，纽约州纽约市，美国，第二版，1991年·Zbl 0709.62080号 ·数字对象标识代码：10.1007/978-1-4419-0320-4 [6] N.Ravishanker和B.K.Ray，“向量ARFIMA过程的贝叶斯预测”，《国际预测杂志》，第18卷，第2期，第207-214页，2002年·doi:10.1016/S0169-2070（01）00153-4 [7] F.M.Tseng、H.C.Yu和G.H.Tzeng，“将神经网络模型与季节性时间序列ARIMA模型相结合”，《技术预测与社会变化》，第69卷，第1期，第71-87页，2002年·doi:10.1016/S0040-1625（00）00113-X [8] M.V.D.Voort、M.Dougherty和S.Watson，“将Kohonen地图与ARIMA时间序列模型结合起来预测交通流”，《交通研究》C部分，第4卷，第5期，第307-3181996页·doi:10.1016/S0968-090X（97）82903-8 [9] D.K.Wedding II和K.J.Cios，“通过组合RBF网络、确定性因素和Box-Jenkins模型进行时间序列预测”，《神经计算》，第10卷，第2期，第149-168页，1996年·Zbl 0850.68058号 ·doi:10.1016/0925-2312（95）00021-6 [10] C.-M.Lee和C.-N.Ko，“使用RBF神经网络和非线性时变演化PSO算法进行时间序列预测”，《神经计算》，第73卷，第1-3期，第449-460页，2009年·doi:10.1016/j.neucom.2009.07.005 [11] G.Toma，“用于生成脉冲序列的特定微分方程”，《工程中的数学问题》，2010年第卷，文章编号324818，11页，2010年·Zbl 1191.37052号 ·数字对象标识代码：10.1155/2010/324818 [12] E.G.Bakhoum和C.Toma，“行波方程的数学变换和量子相互作用的相位方面”，《工程中的数学问题》，2010年，第695208卷，第15页，2010年·Zbl 1191.35220号 ·数字对象标识代码：10.1155/2010/695208 [13] M.Khasei和M.Bijari，“时间序列预测的人工神经网络（p，d，q）模型”，《应用专家系统》，第37卷，第1期，第479-489页，2010年·doi:10.1016/j.eswa.2009.05.044 [14] K.Hornik、M.Stinchcombe和H.White，“多层前馈网络是通用逼近器”，《神经网络》，第2卷，第5期，第359-366页，1989年·Zbl 1383.92015年 ·doi:10.1016/0893-6080（89）90020-8 [15] A.E.Bryson和Y.C.Ho，应用最优控制，Blaisdell，纽约州纽约市，美国，1969年。 [16] D.E.Rumelhart、G.E.Hinton和R.J.Williams，“通过错误传播学习内部表征”，《并行分布式处理：认知微观结构的探索》，D.E.Rumbelhart和J.L.McClelland，Eds.，第1卷，第318-362页，麻省理工学院出版社，美国马萨诸塞州剑桥市，1986年。 [17] F.M.Silva和L.B.Almeida，“反向传播算法的加速技术”，《神经网络》，L.B.Almeida和C.J.Wellekens，编辑，第110-119页，施普林格，德国柏林，1990年。 [18] M.Ghiassi和H.Saidane，“人工神经网络的动态架构”，《神经计算》，第63卷，第397-413页，2005年·doi:10.1016/j.neucom.2004.03.014 [19] L.Stone和D.He，“多营养生态系统中的混沌振荡和循环”，《理论生物学杂志》，第248卷，第2期，第382-390页，2007年·doi:10.1016/j.jtbi.2007.05.023 [20] G.Janacek，《实用时间序列》，牛津大学出版社，英国牛津，2001年·Zbl 0956.62072号 [21] SAS研究所，“SAS（统计分析系统）”http://www.sas.com/。 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，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。