Key points are not available for this paper at this time.
Wir diskutieren eine einfache Strategie, die darauf abzielt, die Vorhersagegenauigkeit neuronaler Netze zu verbessern, basierend auf der Kombination von Vorhersagen auf unterschiedlichen Auflösungsebenen des untersuchten Bereichs (hier: Zeitreihen). Zunächst wird eine Wavelet-Transformation verwendet, um die Zeitreihe in unterschiedliche Skalen der zeitlichen Auflösung zu zerlegen. Letztere bieten eine sinnvolle Dekompensation der Daten, sodass die zugrunde liegenden zeitlichen Strukturen der originalen Zeitreihe greifbarer werden. Anschließend wird ein dynamisches rekurrentes neuronales Netzwerk (DRNN) auf jeder Auflösungsskala mit dem zeitlich-rekurrenten Rückpropagationsalgorithmus (TRBP) trainiert. Aufgrund seiner internen Dynamik approximiert diese allgemeine Klasse von dynamischen connectionistischen Netzwerken das zugrunde liegende Gesetz, das jede Auflösungsebene regiert, durch ein System nichtlinearer Differenzengleichungen. Die einzelnen Wavelet-Skalenprognosen werden anschließend rekombiniert, um die aktuelle Schätzung zu bilden. Die Vorhersagefähigkeit dieser Strategie wird anhand der Sonnenfleckenreihe bewertet. Schlüsselwörter -- Dyna...
Aussem et al. (Sat,) haben diese Frage untersucht.