文献

J-GLOBAL ID：202002255964451320   整理番号：20A2082743

カオス時系列予測のための深層ハイブリッドニューラルネットワークと改良型微分ニューロ進化【JST・京大機械翻訳】

Deep Hybrid Neural Network and Improved Differential Neuroevolution for Chaotic Time Series Prediction

著者 (3件)： Huang Weijian (School of Information and Electrical Engineering, Hebei University of Engineering, Handan, China) ,  Li Yongtao (School of Information and Electrical Engineering, Hebei University of Engineering, Handan, China) ,  Huang Yuan (School of Information and Electrical Engineering, Hebei University of Engineering, Handan, China)
資料名： IEEE Access  (IEEE Access)
巻： 8  ページ： 159552-159565  発行年： 2020年 
JST資料番号： W2422A  ISSN： 2169-3536  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： Chaosは,金融,エネルギー,および天候のような非線形系に広く分布している。カオスシステムにおいて,時間による可変変化はカオス時系列を生成し,非線形系に関する豊富な情報を含み,カオス系を解析し理解するのに役立った。ニューラルネットワークに基づくカオス時系列予測のための従来のハイブリッドモデルは,ネットワークトポロジーを決定する際に,低い予測精度と困難のような問題を持っている。近年,カオス時系列予測は,深い学習の領域における研究者の注意を引きつけた。本論文では,畳み込みニューラルネットワーク(CNN),ゲートリカレントユニット(GRU)ネットワーク,およびカオス時系列を予測するための注意機構に基づく深層ハイブリッドニューラルネットワーク(DHNN)を用いた。そのうえ,著者らは,DHNNのトポロジーを最適化するために,神経進化のアイデアを使用する。DHNNでは,カオス時系列の位相空間再構成から空間特徴を捉えるためにCNNを用いた。次に,空間特徴を元のカオス時系列と結合させた。GRUは結合配列から時空間特徴を抽出し,非線形活性化関数による注意機構を設計し,臨界空間時間特徴を捉えた。さらに,CNNのフィルタサイズとGRUの隠れニューロンの数を含むDHNNのトポロジーを最適化するための改良微分進化(IDE)アルゴリズムを提案した。適応突然変異オペレータと動的カオス交差オペレータを有するIDEを開発し,収束速度を改善し,最適化時間を減らすことができる。本論文では,提案した予測モデルの予測精度を検証するために,理論的Lorenzデータセット,月平均全太陽点データセット,および実際の炭鉱ガス濃度データセットを用いた。実験結果は,提案した予測モデルがカオス時系列予測においてよく機能することを示した。Copyright 2020 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  位相幾何学 ,  最適化 ,  非線形系 ,  オペレータ ,  *ネットワーク ,  ニューロン ,  *ニューラルネットワーク ,  突然変異 ,  *微分 ,  *カオス ,  予測モデル
準シソーラス用語： 収束速度 ,  予測精度 ,  ハイブリッドモデル , 【Automatic Indexing@JST】

分類 (2件)： パターン認識  (JE07000S) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (6件)： カオス ,  時系列予測 ,  深層 ,  ニューラルネットワーク ,  微分 ,  進化