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 นี้ได้รับความสำคัญในการใช้งานเวลาชุด บางแสดง methodological ยังคงดำเนินอยู่ แสดงเหล่านี้เป็นการเลือกแบบจำลองโครงข่ายประสาทสุดท้ายที่จะใช้เพื่อประเมินประสิทธิภาพของชุดทดสอบระหว่างเครือข่ายประสาทหลายวิธีทั่วไปเพื่อเอาชนะปัญหานี้คือ การแบ่งชุดข้อมูลฝึกอบรม ตรวจสอบ ทดสอบชุด และยังเลือกรูปแบบจำลองโครงข่ายประสาทที่ให้ค่าผิดพลาดน้อยที่สุดในการตรวจสอบอย่างไรก็ตาม ก็มีแนวโน้มว่า รูปแบบเครือข่ายประสาทที่เลือกจะถูก overfitting ข้อมูลตรวจสอบ นี้กระดาษนำเสนอแบบจำลองการเลือกกลยุทธ์ใหม่ (IHTS) สำหรับการคาดการณ์กับเครือข่ายประสาท การนำเสนอกลยุทธ์การเลือกครั้งแรก กำหนดหมายเลขของหน่วยป้อนข้อมูล และซ่อน แล้ว เลือกการแบบจำลองโครงข่ายประสาทจากการทดลองต่าง ๆ ที่เกิดจากน้ำหนักเริ่มต้นแตกต่างกัน โดยพิจารณาตรวจสอบและฝึกอบรมของแต่ละรูปแบบเครือข่ายประสาท คือสังเกตที่ตัวเลือกการนำเสนอกลยุทธ์ปรับปรุงประสิทธิภาพของเครือข่ายประสาททางสถิติเมื่อเทียบกับคลาสสิกวิธีการเลือกแบบจำลองในชุดข้อมูลจริง และจำลอง ยัง จะจัดแสดงเสถียรภาพบางกับการขนาดของข้อมูลตรวจสอบ

ผลลัพธ์ (ไทย) 2:

แม้ว่าเครือข่ายประสาทเทียมเมื่อเร็ว ๆ
นี้ได้รับความสำคัญในเวลาการใช้งานชุดบางข้อบกพร่องวิธีการยังคงมีอยู่
หนึ่งในข้อบกพร่องเหล่านี้คือการเลือกของรูปแบบเครือข่ายประสาทสุดท้ายที่จะนำมาใช้ในการประเมินผลการปฏิบัติงานในการทดสอบตั้งอยู่ท่ามกลางเครือข่ายประสาทจำนวนมาก. วิธีทั่วไปที่จะเอาชนะปัญหานี้คือการแบ่งชุดข้อมูลในการฝึกอบรมการตรวจสอบและทดสอบชุดและเพื่อเลือกรูปแบบเครือข่ายประสาทที่ให้ค่าความผิดพลาดที่เล็กที่สุดในชุดการตรวจสอบ. แต่ก็เป็นไปได้ว่ารูปแบบเครือข่ายประสาทที่เลือกจะได้รับการ overfitting ข้อมูลการตรวจสอบ นี้กระดาษที่นำเสนอกลยุทธ์การเลือกรูปแบบใหม่ (IHTS) สำหรับการคาดการณ์ที่มีเครือข่ายประสาท ที่นำเสนอกลยุทธ์การเลือกครั้งแรกกำหนดตัวเลขของหน่วยการป้อนข้อมูลและที่ซ่อนอยู่และจากนั้นเลือกรูปแบบเครือข่ายประสาทจากการทดลองต่างๆที่เกิดจากน้ำหนักเริ่มต้นที่แตกต่างกันโดยพิจารณาการตรวจสอบและการแสดงการฝึกอบรมของแต่ละรุ่นโครงข่ายประสาทเทียม มันถูกตั้งข้อสังเกตว่าการเลือกนำเสนอกลยุทธ์การเพิ่มประสิทธิภาพการทำงานของเครือข่ายประสาททางสถิติเมื่อเทียบกับคลาสสิกวิธีการเลือกรูปแบบในชุดข้อมูลจำลองและจริง นอกจากนี้ยังจัดแสดงนิทรรศการความทนทานกับบางขนาดของข้อมูลการตรวจสอบ

ผลลัพธ์ (ไทย) 3:

ซึ่งโครงข่ายประสาทเทียมที่เพิ่งได้รับความสำคัญในการใช้งานชุดบางเวลา
วิธีการข้อบกพร่องยังคงมีอยู่ หนึ่งในข้อบกพร่องเหล่านี้คือการเลือกของ
สุดท้ายแบบจำลองโครงข่ายประสาทเทียมเพื่อใช้ในการประเมินสมรรถนะของชุดทดสอบระหว่างโครงข่ายหลาย .
วิธีทั่วไปเพื่อแก้ไขปัญหานี้คือการแบ่งชุดข้อมูลในการฝึกอบรมการตรวจสอบและชุดทดสอบ
และยังเลือกโครงข่ายประสาทเทียมแบบจำลองที่ให้ค่าความผิดพลาดน้อยที่สุดในการตั้งค่า .
แต่ก็มีแนวโน้มว่า จะ overfitting เลือกโครงข่ายประสาทแบบข้อมูลการตรวจสอบ บทความนี้นำเสนอกลยุทธ์การเลือกรูปแบบใหม่
( ihts ) สำหรับการพยากรณ์ด้วยโครงข่ายประสาทเทียม เสนอ
กลยุทธ์การเลือกครั้งแรกกำหนดตัวเลขและหน่วยของข้อมูลที่ซ่อนอยู่และจากนั้นเลือกรูปแบบเครือข่ายจากหลาย ๆการทดลอง
ประสาทที่เกิดจากน้ำหนักเริ่มต้นที่แตกต่างกัน โดยพิจารณาตรวจสอบ
และการฝึกอบรมการแสดงของแต่ละเครือข่ายประสาทแบบ พบว่า การนำเสนอกลยุทธ์การ
ช่วยเพิ่มประสิทธิภาพของโครงข่ายประสาทเทียมอย่างมีนัยสำคัญทางสถิติเมื่อเทียบกับคลาสสิก
รูปแบบการเลือกวิธีในการตั้งค่าและข้อมูลที่แท้จริง นอกจากนี้ยังจัดแสดงบางทนทานกับ
ขนาดของข้อมูลการตรวจสอบ