{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{“日期-部件”：[[2024,6,19]]，“日期-时间”：“2024-06-19T04:33:58Z”，“时间戳”：1718771638681}，“引用-计数”：23，“发布者”：“MDPI AG”，“问题”：“11”，“许可证”：[{“开始”：{'日期-部件“：[[2017,11,18]]，”日期-时间“：”2017-11-18T00:00:00Z“，“时间戳”：1510963200000}，“content-version”：“vor”，“delay-in-days”：0，“URL”：“https:\/\/creativecommons.org\/licenses\/by\/4.0\/”}]，“内容域”：{“域”：[]，“crossmark-restriction”：false}，“short-container-title”：[“对称”]，“抽象”：“无干扰机器学习方案在时间序列预测中的重要性至关重要，因为疏忽可能会产生负面的累积效应，尤其是在预测当前可用数据之前的许多步骤时。正在进行的时间序列预测中的噪声消除研究已经成功地将数据序列分解为分量趋势，以识别噪声诱导信息。经验模式分解方法将时间序列信号分离为一组从高频到低频的固有模式函数，这些固有模式函数可以进行求和以重建原始数据。正如我们之前的发现所观察到的那样，通常认为随机噪声只包含在高频分量中，但事实证明并非如此。实验结果表明，噪声可能存在于低频分量中，这激发了新提出的算法。此外，为了防止序列中周期性趋势和模式的侵蚀，我们以分层方式分别学习局部和全局趋势，从而成功检测和消除短期/长期噪声。该算法在金融市场数据和物理科学数据的四个数据集上进行了测试。将仿真结果分别与非线性自回归神经网络和长短期记忆递归神经网络等传统和最新的时间序列机器学习方法进行了比较。当用于降噪的元学习算法与这些人工神经网络结合使用时，可以获得统计上显著的性能提升。对于无法分解为有意义趋势的时间序列数据，应用移动平均法创建元信息来指导学习过程仍然优于传统方法。因此，这种新方法适用于低信噪比时间序列的预测，由于算法的并行性，有可能在多集群系统中充分扩展<\/jats:p>“，”DOI“：”10.3390\/sym9110283“，”type“：”journal-article“，”created“：{”date-parts“：[[2017,11,20]]，”date-time“：”2017-11-20T16:35:45Z“，”timestamp“：1511195745000}，”page“：“”10.3390“，“卷”：“9”，“作者”：[{“给定”：“大卫”，“家族”：“阿夫拉比”，“序列”：“第一”，“隶属关系”：[[{名称：“中国苏州交通大学计算机科学与软件工程系Xi\u2019an Jiaotong-Liverpool University，Suzhou 215123”}，{“名称”：“英国利物浦大学计算机科学系L69 3BX”}]}family“：”Guan“，”sequence“：”additional“，”affiliation“：[{”name“：”中国苏州交通大学计算机科学与软件工程系2019an Xi\u2019an 215123“}]}，{”given“：”Ka-Lok“，”family西安交通大学计算机科学与软件工程系，中国苏州215123“}]}，{“given”：“Prudence W.H.”，“family”：“Wong”，“sequence”：“additional”，“affiliation”：[{“name”：“Department of Computer Science，University of Liverpool，Liverpower L69 3BX，UK”}]}，{additional“，”affiliation“：[{“name”：“西安交通大学计算机科学与软件工程系，苏州215123，中国”}，{“name”：“英国利物浦L69 3BX利物浦大学计算机科学系”}]]，“member”：“1968”，“published-on-line”：{“date-parts”：[[2017,11,18]]}，“reference”：“[{”key“：”ref_1“，”doi-asserted-by“：”crossref“，”first page“：”1231“，”doi“：”10.1109\/72.536317“，”article-title“：”序列处理的输入输出HMM“，”volume“：“7”，”author“：”Bengio“，”year“：”1996“，”journal-title”：“IEEE Trans。神经网络。“}，{”key“：”ref_2“，”first-page“：”85“，”article-title“：”Support Vector Machines for Classification and Regression“，”volume“：“14”，”author“：”Gunn“，”year“：”1998“，”journal-title”：“ISIS Tech.Rep.”}，”{“key”：“ref_3”，“unstructured”：“”\u0160t\u011bpni\u010dka，M.，Pavliska，V.，Nov\u00e1k，V.、Perfilieva，I.、Vav\u0159\u00ed\u010d\u00e1，L.和Tomanov\u00e，I.（2009年1月20日\u201324）。基于模糊规则和模糊变换的时间序列分析与预测。2009年国际模糊系统协会联合世界大会和2009年欧洲模糊逻辑与技术学会会议记录，葡萄牙里斯本。“}，{”key“：”ref_4“，”unstructured“：”Bemdt，D.J.和Clifford，J.（8月，1月31日）。使用动态时间扭曲查找时间序列中的模式。第三届知识发现和数据挖掘国际会议论文集，美国华盛顿州西雅图。“}”，{“key”：“ref_5”，“doi-asserted-by”：“crossref”，“unstructure”：“”Park，J.J.H.、Jin，H.、Jeong，Y.-S.和Khan，M.K.（2016）。时间序列预测中基于经验模式分解的去噪元学习。先进的多媒体和无处不在的工程：FutureTech&MUE，Springer Singapore。“，”DOI“：”10.1007\/978-981-10-1536-6“}，{“key”：”ref_6“，”首页“：”243“，”article-title“：”ARIMA\u2013Noise Models的重复时间序列分析“，”volume“：”8“，”author“：”Wong“，”year“：”1990“，”journal-title”：“J.Bus.Econ.Stat.”}，“key“：“ref_7”，”first-page“：”787“，”article-title“：”一种改进的前向搜索方法应用于时间序列分析“，”volume“：”Volumen XXXVII“，”author“：”Pesentia“，“year”：“2008”，“journal-title”：“摄影测量、遥感和空间信息科学国际档案”}，{“key”：“ref_8”，“unstructured”：“Yin，W.、Kann，K.、Yu，M.和Sch\u00fctze，H.（2017）。CNN和RNN在自然语言处理方面的比较研究。arXiv.”}、{“密钥”：“ref_9“，“doi-asserted-by”：“crossref”，“first page”：“1389”，“doi”：“10.1016\/S0031-3203（98）00174-5”，“article-title”：“噪声对使用智能模式匹配技术进行时间序列预测的影响”，“volume”：”32“，“author”：“Singh”，“year”：“1999”，“journal-title“：”模式识别。“｝，｛”key“：”ref_10“，”doi asserted by“：”crossref“，”首页“：”1329“，”doi“：”10.1109\/72.548162“，”文章标题“：”学习NARX递归神经网络中的长期依赖性“，”卷“：”7“，”作者“：”Lin“，”年份“：”1996“，”期刊标题“：”IEEE Trans.neural Netw.“｝，｛”key“：”ref_11“，”非结构化“：”Wei，W.W.-S（2006）《时间序列分析：单变量和多变量方法》，Addison-Wesley Pearson Higher Ed.【第二版】。“}，{”key“：”ref_12“，”doi-asserted-by“：”crossref“，”unstructured“：”Huang，N.E.，Shen，Z.，Long，S.R.，Wu，M.C.，Shih，H.H.，Zheng，Q.，Yen，N.-C.，Tung，C.C.，and Liu，H.H.H.（1998年1月8日）非线性和非平稳时间序列分析的经验模式分解和希尔伯特谱。《伦敦皇家学会学报A：数学、物理和工程科学》，英国伦敦2008年，“新闻标题”：“机械。系统。信号处理。“}，{”key“：”ref_14“，”doi-asserted-by“：”crossref“，”first page“：“40”，”doi“：”10.32614\/RJ-2009-002“，”article-title“：”EMD:经验模式分解和希尔伯特谱的包“，”volume“:”1“，”author“：”Kim“，”year“：”2009“，”journal-titleWei，Y.和Chaudhary，V.（2015年1月9日\u201311）。样本重构对NARX神经网络股票趋势预测的影响。2015 IEEE第十四届国际机器学习与应用会议论文集，美国佛罗里达州IMiami”，“DOI”：“10.1109”，{“key”：“ref_16”，“unstructured”：“Subba Rao，T.，Priestley，M.B.，and Lessi，O.（1997）.天文时间序列样本。《时间序列分析在天文学和气象学中的应用》，查普曼和霍尔出版社。“｝，｛”key“：”ref_17“，”非结构化“：”Weigend，A.S.（，1月至1月）。时间序列的未来。国际神经信息处理会议论文集，韩国首尔。“｝，｛”key“：”ref_18“，”doi asserted by“：”crossref“，”first page“：”365“，”doi“：”10.1007\\s11222-013-375-7“，”文章标题“：”作为预测者的新型混合RBF神经网络模型”，“卷”：“24”，“作者”：“Akbilgic”，“年份”：“2014”，“日志标题”：“统计计算”。“}，{”key“：”ref_19“，”unstructured“：”（2016年2月15日）。神经网络时间序列预测和建模\u2014MATLAB&Simulink。在线获取：http://www.mathworks.com/help\/nnet\/gs \/nearl-Network-Time-Series-Prediction-and-Modeling.html.“}”，{非结构化”：“Zupan，B.、Bohanec，M.、Bratko，I.和Demsar，J.（1997年1月8日\u201312）。通过函数分解进行机器学习。第十四届机器学习国际会议（ICML\u201997）论文集，美国田纳西州纳什维尔2014年，“新闻标题”：“物理。Stat.机械。其应用。“}，{”key“：”ref_23“，”doi-asserted-by“：”crossref“，”first page“：“3509”，”doi“：”10.1016\/j.neucom.2007.012“，”article-title“：”Interference-less neural network training“，“volume”：“71”，“author”：“Guan”，“year”：“2008”，“journal-title”：“Neurocomputing”}]，“container-title”:[“Symmetry”]，“original-tittle”：[]，“language”：“en”，“链接”：[{“URL”：“https:\/\/www.mdpi.com/2073-8994\/9\/11\/283\/pdf“，”content-type“：”unspecified“，”content-version“：”vor“，”intended-application“：”similarity-checking“}]，”deposed“：{”date-parts“：[[2024,6,9]]，”date-time“：“2024-06-09T03:53:34Z”，”timestamp“：1717905214000}，”score“：1，”resource“：”{“primary”：{“URL”：“https:\ \\/www.mdpi.com\/2073-8994\/9\/11\/283“}}，”副标题“：[]，”短标题“：[]，”已发布“：{”日期部分“：[[2017,11,18]]}，”引用计数“：23，”日志发布“：}”问题“：“11”，”在线发布“：”日期部分：[[2017，11]]}}，“alternative-id”：[“sym9110283”]，“URL”：“http://\/dx.doi.org\/10.3390\/sym9110283 N“：[”2073-8994“]，“ISSN-type”：[{“value”：“2073-89964”，“type”:“electronic”}]，“主题“：[]，”发布“：{“日期部分”：[[2017,11,18]]}}