文献

J-GLOBAL ID：201802213430159429   整理番号：18A1346458

神経モデル展望の目的データ解析と方法論比較の予測【JST・京大機械翻訳】

Forecasting Purpose Data Analysis and Methodology Comparison of Neural Model Perspective

著者 (2件)： Lee Sungju (Department of Computer Convergence Software, Korea University, Korea) ,  Jeong Taikyeong (Department of Computer Science and Engineering, Seoul Women’s University, Korea)
資料名： Symmetry (Web)  (Symmetry (Web))
巻： 9  号： 7  ページ： 108  発行年： 2017年 
JST資料番号： U7282A  ISSN： 2073-8994  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： 本論文の目標は,2つの人工ニューラルネットワークモデル(すなわち,MLP(多層パーセプトロン)とDNN(深いニューラルネットワーク))の予測性能を比較して,分析して,データフローによって実験的調査を実施することである。本論文では,単純な予測の範囲を超えて研究し,各モデルの長所とデータに基づく研究を行い,より少ない誤差での解析的方法論に基づいて最も効率的な結果を予測し予測することができる。特に,ニューラルネットワーク(NN),多層パーセプトロン(すなわちMLP)モデルおよびニューラルネットワーク(すなわちDNN)モデルの間の優れたモデルの2つのモデルを同定することに焦点を合わせた。この時点で,予測可能性と精度はDNNモデルにおいて優れていることが分かり,MLPモデルにおいて,それは高度に相関し,アクセス可能であることが分かった。本研究の主目的は,人工ニューラルネットワークストック予測法に基づく実用的アプローチを通してMLPとDNNの性能を解析することである。著者らは,資本の適切な流れを見るために,S&P(すなわち,標準とPoorの500指数)を制限しないが,最初に,100か月(すなわち,407週間)のS&Pデータを測定し,最初に,各モデルの特異性と層の深さに依存する従来の人工神経回路網(ANN)モデルは,予測井戸のモデルを示し,指標データに敏感である。第2に,2つのモデルを比較して,DNNモデルはMLPよりデータアクセシビリティと予測精度に関してより良い精度を示して,誤差比率は週と毎月のデータにおいてさらに示した。第3に,各モデルの予測精度の差は統計的に有意ではない。しかし,これらの結果は互いに相関し,種々の他の予測精度測定法へのアクセシビリティにより,誤差率がほとんどないので,ロバストであると考えられる。Copyright 2018 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 予測技法 ,  計量経済学 ,  *予測 ,  ニューラルネットワーク ,  *モデリング ,  *データ解析 ,  在庫量 ,  アクセシビリティ ,  ロバスト性 ,  多層パーセプトロン ,  予測可能性
準シソーラス用語： *神経回路網モデル ,  情報へのアクセス ,  予測精度 ,  特異性 ,  予測性能 , 【Automatic Indexing@JST】

著者キーワード (6件)： データ解析 ,  予測 ,  ニューラルネットワーク ,  株式交換 ,  時系列 ,  計量経済学

分類 (2件)： 流出解析  (DC07030N) ,  脳・神経系モデル  (EL02050C)

引用文献 (27件)：

• Coch, D.; Ansari, D. Thinking about mechanisms is crucial to connecting neuroscience and education. Cortex 2009, 45, 546-547.
• Hamid, S.A.; Iqbal, Z. Using neural networks for forecasting volatility of S&P 500 Index futures prices. J. Bus. Res. 2004, 57, 1116-1125.
• Huang, G.B.; Saratchandran, P.; Sundararajan, N. A generalized growing and pruning RBF (GGAP-RBF) neural network for function approximation. IEEE Trans. Neural Netw. 2005, 16, 57-67.
• Jain, A.; Kumar, A.M. Hybrid neural network models for hydrologic time series forecasting. Appl. Soft Comput. 2007, 7, 585-592.
• Singh, K.P.; Basant, A.; Malik, A.; Jain, G. Artificial neural network modeling of the river water quality-A case study. Ecol. Model. 2009, 220, 888-895.

タイトルに関連する用語 (5件)： 神経モデル ,  展望 ,  データ解析 ,  方法論 ,  予測