Although artificial neural networks

Although artificial neural networks have recently gained importance in time series applications, some methodological shortcomings still continue to exist. One of these shortcomings is the selection of the final neural network model to be used to evaluate its performance in test set among many neural networks. The general way to overcome this problem is to divide data sets into training, validation, and test sets and also to select a neural network model that provides the smallest error value in the validation set. However, it is likely that the selected neural network model would be overfitting the validation data. This paper proposes a new model selection strategy (IHTS) for forecasting with neural networks. The proposed selection strategy first determines the numbers of input and hidden units, and then, selects a neural network model from various trials caused by different initial weights by considering validation and training performances of each neural network model. It is observed that the proposed selection strategy improves the performance of the neural networks statistically as compared with the classic model selection method in the simulated and real data sets. Also, it exhibits some robustness against the size of the validation data.

ผลลัพธ์ (ไทย) 1:

แม้ว่าเครือข่ายประสาทเทียมเมื่อเร็ว ๆ นี้ได้รับความสำคัญในการใช้งานชุดเวลา แสดงบาง methodological ยังคงดำเนินอยู่ หนึ่งของการแสดงเหล่านี้เป็นตัวเลือกของแบบจำลองโครงข่ายประสาทสุดท้ายที่จะใช้เพื่อประเมินประสิทธิภาพของชุดทดสอบระหว่างเครือข่ายประสาทหลาย วิธีทั่วไปที่จะเอาชนะปัญหานี้คือ การแบ่งค่าฝึกอบรม ตรวจสอบ ทดสอบชุด และเลือกรูปแบบจำลองโครงข่ายประสาทที่ให้ค่าผิดพลาดน้อยที่สุดในการตรวจสอบ อย่างไรก็ตาม ก็มีแนวโน้มว่า รูปแบบเครือข่ายประสาทที่เลือกจะถูก overfitting ข้อมูลตรวจสอบ กระดาษนี้เสนอแบบจำลองการเลือกกลยุทธ์ใหม่ (IHTS) สำหรับการคาดการณ์กับเครือข่ายประสาท กลยุทธ์เลือกเสนอก่อน กำหนดจำนวนหน่วยอินพุต และซ่อนไว้ แล้ว เลือกแบบจำลองโครงข่ายประสาทจากการทดลองต่าง ๆ ที่เกิดจากน้ำหนักเริ่มต้นแตกต่างกัน โดยพิจารณาตรวจสอบและฝึกการแสดงของแต่ละแบบจำลองโครงข่ายประสาท แล้วหรือไม่ที่ เลือกนำเสนอกลยุทธ์ปรับปรุงประสิทธิภาพของเครือข่ายประสาททางสถิติเมื่อเทียบกับวิธีการเลือกรูปแบบคลาสสิกในชุดข้อมูลจริง และจำลอง ยัง จะจัดแสดงเสถียรภาพบางกับขนาดของข้อมูลตรวจสอบ

ผลลัพธ์ (ไทย) 2:

แม้ว่าเครือข่ายประสาทเทียมเมื่อเร็ว ๆ นี้ได้รับความสำคัญในเวลาการใช้งานชุดข้อบกพร่องบางอย่างวิธีการยังคงมีอยู่ หนึ่งในข้อบกพร่องเหล่านี้คือการเลือกรูปแบบเครือข่ายประสาทสุดท้ายที่จะนำมาใช้ในการประเมินผลการปฏิบัติงานในการทดสอบตั้งอยู่ท่ามกลางเครือข่ายประสาทจำนวนมาก วิธีทั่วไปที่จะเอาชนะปัญหานี้คือการแบ่งชุดข้อมูลในการฝึกอบรมการตรวจสอบและชุดทดสอบและยังสามารถเลือกรูปแบบเครือข่ายประสาทที่ให้ค่าความผิดพลาดที่เล็กที่สุดในชุดการตรวจสอบ แต่ก็เป็นไปได้ว่ารูปแบบเครือข่ายประสาทที่เลือกจะได้รับการ overfitting ข้อมูลการตรวจสอบ บทความนี้นำเสนอกลยุทธ์การเลือกรูปแบบใหม่ (IHTS) สำหรับการคาดการณ์ที่มีเครือข่ายประสาท กลยุทธ์การเลือกคนแรกที่เสนอกำหนดตัวเลขของหน่วยการป้อนข้อมูลและที่ซ่อนอยู่และจากนั้นเลือกรูปแบบเครือข่ายประสาทจากการทดลองต่างๆที่เกิดจากน้ำหนักเริ่มต้นที่แตกต่างกันโดยพิจารณาการตรวจสอบและการแสดงการฝึกอบรมของแต่ละรุ่นโครงข่ายประสาทเทียม มันเป็นที่สังเกตว่ากลยุทธ์การเลือกเสนอปรับปรุงประสิทธิภาพการทำงานของเครือข่ายประสาททางสถิติเมื่อเทียบกับวิธีการเลือกรูปแบบคลาสสิกในชุดข้อมูลจำลองและเป็นจริง นอกจากนี้ยังจัดแสดงนิทรรศการความทนทานกับขนาดของข้อมูลการตรวจสอบบางส่วน

ผลลัพธ์ (ไทย) 3:

ซึ่งโครงข่ายประสาทเทียมที่เพิ่งได้รับความสำคัญในการใช้งานชุดเวลาบางส่วนในข้อบกพร่องที่ยังคงมีอยู่ หนึ่งในข้อบกพร่องเหล่านี้คือ การเลือกสุดท้ายของแบบจำลองโครงข่ายประสาทเทียมเพื่อใช้ในการประเมินสมรรถนะของชุดทดสอบระหว่างโครงข่ายประสาทมาก วิธีทั่วไปเพื่อแก้ไขปัญหานี้คือการแบ่งชุดข้อมูลในการฝึกอบรมการตรวจสอบและชุดทดสอบ และยังเลือกโครงข่ายประสาทเทียมแบบจำลองที่ให้ค่าความผิดพลาดน้อยที่สุดในการตั้งค่า อย่างไรก็ตาม มีแนวโน้มว่า การเลือกรูปแบบเครือข่ายประสาทจะ overfitting ข้อมูลการตรวจสอบ บทความนี้นำเสนอกลยุทธ์การเลือกรูปแบบใหม่ ( ihts ) สำหรับการพยากรณ์ด้วยโครงข่ายประสาทเทียมการนำเสนอกลยุทธ์การเลือกแรกจะกำหนดตัวเลขของการป้อนข้อมูลและหน่วย ที่ซ่อนอยู่ และจากนั้น เลือกโดยใช้โครงข่ายประสาทเทียมแบบจากหลาย ๆการทดลองที่เกิดจากน้ำหนักเริ่มต้นที่แตกต่างกัน โดยพิจารณาตรวจสอบและฝึกการแสดงของแต่ละเครือข่ายประสาทแบบพบว่า การนำเสนอการเลือกกลยุทธ์เพิ่มประสิทธิภาพของโครงข่ายประสาทเทียมอย่างมีนัยสำคัญทางสถิติเมื่อเทียบกับรุ่นคลาสสิก การเลือกวิธีในการตั้งค่าและข้อมูลที่แท้จริง นอกจากนี้ยังจัดแสดงบางทนทานกับขนาดของข้อมูลการตรวจสอบ .