10.3969/j.issn.1000-386x.2021.04.046
基于循环神经网络和卡尔曼滤波器的多变量混沌时间序列预测
混沌时间序列的鞍点远多于极值点,且容易出现多重共线性问题.对此,提出基于循环深度神经网络和卡尔曼滤波器的时间序列预测算法.利用循环深度神经网络预测高维时间序列,使用实时递归学习算法搜索最小化预测误差的最优网络参数,采用Levenberg-Marquardt算法对神经网络进行迭代训练.在线更新循环神经网络的过程中,利用卡尔曼滤波器对循环神经网络的输出权重进行调节,解决多重共线性的问题.实验结果表明,该算法实现了较低的预测误差,并且缓解了高维时间序列的多重共线性问题.
时间序列、深度学习、卡尔曼滤波器、多重共线性问题、循环神经网络、梯度下降法
38
TP391(计算技术、计算机技术)
2021-04-19(万方平台首次上网日期,不代表论文的发表时间)
共8页
281-287,323