საკვანძო სიტყვები
ორთოგონალური რეგულარიზაცია
დროითი მწკრივები
როგორ უნდა ციტირება
ანოტაცია
წარმოდგენილი სტატია განიხილავს ვალუტის გაცვლითი კურსების მწკრივების პროგნოზირების ამოცანას, რაც დღევანდელი გამოყენებითი მათემატიკისა და მანქანური დასწავლის ერთ-ერთი მთავარი გამოწვევაა. შემოთავაზებულია ხელოვნური ნეირონული ქსელის (ANN) ჰიბრიდულ მოდელი ორთოგონალური რეგულარიზაციით, რომლის მიზანია მოკლევადიანი პროგნოზის სიზუსტის გაუმჯობესება. მიდგომა იყენებს ორთოგონალური ბაზისებისა და არაწრფივი გარდაქმნების კომბინაციას ANN არქიტექტურაში. წარმოდგენილი ორთოგონალური გარდაქმნა, გამოიყენება დროითი მწკრივის სიხშირული და ტრენდული კომპონენტების გამოსაყოფად, შეყვანილი მახასიათებლების კორელაციის შესამცირებლად და ქსელის ხმაურის მიმართ მდგრადობის გასაზრდელად.
წყაროები
Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.
Haykin S. Neural Networks and Learning Machines. Pearson, 2009.
Goodfellow I., Bengio Y., Courville A. Deep Learning. MIT Press, 2016.
Box G., Jenkins G. Time Series Analysis: Forecasting and Control. Wiley, 2015.
Mallat S. A Wavelet Tour of Signal Processing. Academic Press, 2009.
Zhang G. Time series forecasting using a hybrid ARIMA and neural network model. Neurocomputing, 50 (2003).
Hornik K., Stinchcombe M., White H. Multilayer feedforward networks are universal approximators. Neural Networks, 1989.
Poggio T., Girosi F. Networks for approximation and learning. Proceedings of the IEEE, 1990.
Oseledets I. V. Tensor-train decomposition. SIAM Journal on Scientific Computing, 2011.
Kloeden P., Platen E. Numerical Solution of Stochastic Differential Equations. Springer, 1992.
Kingma D., Ba J. Adam: A method for stochastic optimization. ICLR, 2015.