Jan, 2024

利用深度学习估计线性分数阶过程的赫斯特参数并评估其可靠性

PDF
TL;DR本研究探讨了深度学习，具体而言是长短期记忆（LSTM）网络，在分数随机过程中估计赫斯特参数的可靠性。研究侧重于三种类型的过程：分数布朗运动（fBm），分数奥恩斯坦 - 厄伦贝克（fOU）过程和线性分数稳定运动（lfsm）。该工作通过对 fBm 和 fOU 产生大量数据集，以便以可行的时间内训练 LSTM 网络。研究分析了 LSTM 网络的赫斯特参数估计的准确性，涉及各种性能指标，如均方根误差（RMSE）、平均绝对误差（MAE）、相对误差均值（MRE）以及绝对误差和相对误差的分位数。结果发现，在 fBm 和 fOU 过程的情况下，LSTM 的性能优于传统统计方法，但在 lfsm 过程中的准确性有限。研究还深入探讨了训练长度和估值序列长度对 LSTM 性能的影响。该方法应用于锂离子电池衰减数据中的赫斯特参数估计，并得到了估计的置信区间。研究得出的结论是，虽然深度学习方法在分数过程参数估计方面表现出潜力，但其有效性取决于过程类型和训练数据的质量。
deep learninglong short-term memoryhurst parameter estimationfractional stochastic processeslstm performance
发现论文，激发创造
  • 利用长短期记忆网络对高维混沌系统进行数据驱动的预测

    使用基于数据驱动的长短时记忆（LSTM）循环神经网络的预测方法，展示了该方法在高维混沌系统中的定量预测效果，并提出了一种新的具有混合结构的 LSTM 神经网络。与高斯过程相比，LSTM 在所有应用中都表现出更好的短期预测准确性，并且 MSM-LSTM 可以保证收敛到不变措施。

    Feb, 2018

  • 基于 LSTM 编码器 - 解码器的无监督健康指数的多传感器预测

    使用 Long Short Term Memory 编码器 - 解码器方案获取多传感器时间序列数据的无监督健康指数来进行设备剩余寿命估计。

    Aug, 2016

  • 人工智能时代的风暴潮模拟：基于 LSTM 的机器学习用于提高预测准确性

    利用 LSTM 深度学习网络模型对风暴潮预测模型中系统误差进行预测和修正，能够提高预测准确性。

    Mar, 2024

  • 从部分数据中重构、预测和稳定混沌动态

    通过使用基于数据的方法，该研究提出了 Long Short-Term Memory (LSTM) 网络来推断未观察到的（隐藏的）混沌变量的动力学，时间预测完全状态的演变并推断其稳定性。

    May, 2023

  • 通过优化 LSTM 模型性能和比较分析推进金融风险预测

    该研究侧重于 LSTM 模型在金融风险预测中的应用和优化，实验结果表明，经过优化的 LSTM 模型在 AUC 指数上相比随机森林、BP 神经网络和 XGBoost 都有显著优势，验证了其在金融风险预测领域的有效性和实用性，尤其是处理复杂时间序列数据的能力，为该模型在实际生产环境中的应用奠定了坚实基础。

    May, 2024

  • 基于长短期记忆模型的多元工业时间序列防篡改检测仿真

    基于 LSTM 神经网络的多元时间序列数据监测和故障检测，采用 Modelica 模型进行验证，引入阈值筛选机制并过滤超出操作者兴趣范围的故障。

    Dec, 2016

  • 基于 LSTM 的时间变化可变性数据的预测监控方法

    该论文研究了循环神经网络和其变体在处理序列方面的强大性能，并提出了一种基于长短期记忆（LSTM）预测区间的控制图方法，用于监测具有时间变动性的数据，并表明该方法优于其他基于神经网络的预测监测方法，特别适用于检测平均值突变的异常情况。

    Sep, 2023

  • 增强金融数据可视化以便于投资决策

    利用 LSTM 网络预测股票动态，主要关注细微的涨跌模式，结合纽约证交所的数据集，改进 LSTM 模型以捕捉复杂的市场模式，进而提高股票价格预测的准确性。

    Dec, 2023

  • 在计算时间约束下，基于 FPGA 的近似 LSTM

    本文介绍了一种近似计算方案，结合迭代低秩压缩和剪枝以及一种新型 FPGA 基于的 LSTM 结构，以部署计算时间受限的应用程序为挑战，将其优化和配置成高性能的 LSTM 执行体系框架。在真实生活中的图像字幕应用的定量评估表明，该方法需要的时间比基准方法少达 6.5 倍，同时在相同的计算时间限制下，实现了平均 25 倍的应用级别精度。

    Jan, 2018

  • 深度循环因子模型：可解释的非线性和时变多因子模型

    该研究中提出了一种基于 LSTM 和 LRP 的深度复发因子模型，将线性多因子模型扩展为非线性和时变，具有更好的预测能力。

    Jan, 2019