In this paper, a LLRBFN is proposed

In this paper, a LLRBFN is proposed to forecast the nonlinear dynamics of stock price time-series. The LLRBFN provides
a parsimonious interpolation in high-dimension space and it is more efficient than RBFN. Also the local linear model gives more ability than a constant weight thus in the proposed LLRBFN, only a few of radial basis functions is necessary for time-series predicting. In other words, the LLRBFN has better results than RBFN with a same structure. This claim has been demonstrated in the simulation that two networks (LLRBFN and RBFN) with the same inputs have been utilized for the stock price forecasting and MSE of the LLRBFN is less than the RBFN

ผลลัพธ์ (ไทย) 1:

ในเอกสารนี้ มีเสนอ LLRBFN เป็นการคาดการณ์การเปลี่ยนแปลงที่ไม่เชิงเส้นของชุดข้อมูลเวลาราคาหุ้น LLRBFN การแสดงแทรกข้อความ parsimonious ในพื้นที่ขนาดสูงและมีประสิทธิภาพมากขึ้นกว่า RBFN ยัง แบบเชิงเส้นภายในช่วยเพิ่มเติมกว่าน้ำหนักคงดังนั้นใน LLRBFN เสนอ เพียงบางฟังก์ชันฐานรัศมีเป็นสิ่งจำเป็นสำหรับการคาดการณ์เวลาชุด ในคำอื่น ๆ LLRBFN จะได้ผลลัพธ์ที่ดีกว่า RBFN มีโครงสร้างเดียวกัน ข้อเรียกร้องนี้ได้ถูกสาธิตจำลองว่า สองเครือข่าย (LLRBFN และ RBFN) กับอินพุตเดียวได้ถูกใช้สำหรับการคาดการณ์ราคาหุ้น และ MSE ของ LLRBFN น้อยกว่าการ RBFN

ผลลัพธ์ (ไทย) 2:

ในบทความนี้ LLRBFN มีการเสนอที่จะคาดการณ์การเปลี่ยนแปลงเชิงอนุกรมเวลาราคาหุ้น LLRBFN
ให้สอดแทรกเค็มในพื้นที่สูงมิติและมีประสิทธิภาพมากขึ้นกว่าRBFN นอกจากนี้ยังมีรูปแบบเชิงเส้นในท้องถิ่นให้ความสามารถมากกว่าน้ำหนักคงที่ดังนั้นใน LLRBFN เสนอเพียงไม่กี่ของฟังก์ชั่นพื้นฐานรัศมีเป็นสิ่งจำเป็นสำหรับอนุกรมเวลาการพยากรณ์ ในคำอื่น ๆ LLRBFN มีผลลัพธ์ที่ดีกว่า RBFN ที่มีโครงสร้างเดียวกัน การเรียกร้องนี้ได้รับการพิสูจน์ในการจำลองว่าทั้งสองเครือข่าย (LLRBFN และ RBFN) กับปัจจัยเดียวกันได้ถูกนำมาใช้สำหรับการคาดการณ์ราคาหุ้นและ MSE ของ LLRBFN น้อยกว่า RBFN

ผลลัพธ์ (ไทย) 3:

ในกระดาษนี้ llrbfn นำเสนอการพยากรณ์แบบอนุกรมเวลาการเปลี่ยนแปลงของราคาหลักทรัพย์ . การ llrbfn มีการสอดแทรกความตระหนี่ในช่องว่างมิติสูงและมันมีประสิทธิภาพมากขึ้นกว่า rbfn . นอกจากนี้ แบบจำลองเชิงเส้นในประเทศให้มากกว่าน้ำหนักคงที่ ดังนั้นในการนำเสนอ llrbfn เพียงไม่กี่ของฟังก์ชันฐานรัศมีเป็นสิ่งจำเป็นสำหรับการทำนายอนุกรมเวลา .ในคำอื่น ๆ llrbfn ได้ผลลัพธ์ที่ดีกว่า rbfn ที่มีโครงสร้างเดียวกัน ข้อเรียกร้องนี้ได้แสดงในการจำลองสถานการณ์ที่ 2 ( llrbfn เครือข่าย และ rbfn ) กับกระผมได้ใช้สำหรับการพยากรณ์ราคาหุ้นและ MSE ของ llrbfn น้อยกว่า rbfn