Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Mạng nơ-ron nhân tạo Pi Sigma được điều chỉnh để dự đoán
Tóm tắt
Các mạng nơ-ron nhân tạo Pi Sigma là một loại mạng nơ-ron bậc cao được sử dụng trong các vấn đề dự đoán chuỗi thời gian. Trong các mạng nơ-ron nhân tạo Pi Sigma, trọng số giữa lớp ẩn và lớp đầu ra được coi là hằng số và bằng một, và độ thiên lệch được coi là hằng số và bằng zero. Mặc dù đặc điểm này của các mạng nơ-ron nhân tạo Pi Sigma cho phép nó hoạt động với ít tham số hơn, nhưng nó cũng có thể được xem là một trở ngại để đạt được hiệu suất dự đoán tốt hơn. Trong nghiên cứu này, không giống như các mạng nơ-ron nhân tạo Pi Sigma cổ điển, một mạng nơ-ron nhân tạo Pi Sigma được điều chỉnh được đề xuất bằng cách coi trọng số và độ thiên lệch là các biến giữa lớp ẩn và lớp đầu ra của mạng. Như vậy, việc xử lý trực tiếp thông tin đến lớp đầu ra bị ngăn chặn và thông tin đến lớp đầu ra được trọng số bằng cách sử dụng các trọng số và giá trị độ thiên lệch khác nhau. Quá trình tối ưu hóa tất cả các giá trị trọng số và độ thiên lệch giữa lớp đầu vào và lớp ẩn, lớp ẩn và lớp đầu ra của mạng được thực hiện cùng với phương pháp tối ưu hóa bầy đàn hạt. Các mạng nơ-ron nhân tạo Pi Sigma được điều chỉnh được so sánh với một số mạng nơ-ron nhân tạo khác trong tài liệu bằng cách phân tích nhiều chuỗi thời gian nổi tiếng. Kết quả của các ứng dụng cho thấy hiệu suất dự đoán của các mạng nơ-ron nhân tạo Pi Sigma được điều chỉnh tốt hơn cả mạng nơ-ron nhân tạo Pi Sigma cổ điển và nhiều mạng nơ-ron nhân tạo khác.
Từ khóa
#mạng nơ-ron nhân tạo #Pi Sigma #dự đoán #chuỗi thời gian #tối ưu hóa bầy đàn hạtTài liệu tham khảo
Akdeniz E, Egrioglu E, Bas E, Yolcu U (2018) An ARMA type Pi Sigma artificial neural network for nonlinear time series forecasting. J Artif Intell Soft Comput 8:121–132
Akram U, Ghazali R, Mushtaq MF (2017) A comprehensive survey on Pi–Sigma neural network for time series prediction. J Telecommun Electron Comput Eng 9(3–3):57–62
Bas E, Grosan C, Egrioglu E, Yolcu U (2018) High order fuzzy time series method based on Pi–Sigma neural network. Eng Appl Artif Intell 72:350–356
Bas E, Egrioglu E, Kolemen E (2022) Training simple recurrent deep artificial neural network for forecasting using particle swarm optimization. Granul Comput 7(2):411–420
Chen SM, Kao PY (2013) TAIEX forecasting based on fuzzy time series, particle swarm optimization techniques and support vector machines. Inf Sci 247:62–71
Chen SM, Phuong BDH (2017) Fuzzy time series forecasting based on optimal partitions of intervals and optimal weighting vectors. Knowl Based Syst 118:204–216
Chen SM, Manalu GMT, Pan JS, Liu HC (2013) Fuzzy forecasting based on two-factors second-order fuzzy-trend logical relationship groups and particle swarm optimization techniques. IEEE Trans Cybern 43(3):1102–1117
Chen SM, Zou XY, Gunawan GC (2019) Fuzzy time series forecasting based on proportions of intervals and particle swarm optimization techniques. Inf Sci 500:127–139
Dash R, Routray A, Rautray R, Dash R (2018) Gold price prediction using an evolutionary Pi–Sigma neural network. Int J Eng Technol 7(4.5):742–746
Dash R, Rautray R, Dash R (2020) Utility of a shuffled differential evolution algorithm in designing of a Pi-Sigma neural network-based predictor model. Appl Computi Inform
Egrioglu E, Yolcu U, Bas E (2019) Intuitionistic high-order fuzzy time series forecasting method based on Pi–Sigma artificial neural networks trained by artificial bee colony. Granul Comput 4(4):639–654
Nayak J, Naik B, Behera HS (2015) A novel chemical reaction optimization based higher order neural network (CRO-HONN) for nonlinear classification. Ain Shams Eng J 6(3):1069–1091
Nayak J, Naik B, Behera HS (2014) A hybrid PSO-GA based Pi sigma neural network (PSNN) with standard back propagation gradient descent learning for classification. In: 2014 International conference on control, instrumentation, communication and computational technologies (ICCICCT), IEEE, pp 878–885
Nayak SC (2020) A fireworks algorithm based Pi-Sigma neural network (FWA-PSNN) for modelling and forecasting chaotic crude oil price time series. EAI Endorsed Trans Energy Web 7(28)
Nie Y, Deng W (2008) A hybrid genetic learning algorithm for Pi–Sigma neural network and the analysis of its convergence. In: 2008 Fourth international conference on natural computation, vol 3, IEEE, pp 19–23
Panda N, Majhi SK (2021) Oppositional salp swarm algorithm with mutation operator for global optimization and application in training higher order neural networks. Multimedia Tools Appl 1–25
Panda N, Majhi SK (2020) Improved spotted hyena optimizer with space transformational search for training Pi–Sigma higher order neural network. Comput Intell 36(1):320–350
Panigrahi S, Bhoi AK, Karali Y (2013) A modified differential evolution algorithm trained Pi–Sigma neural network for pattern classification. Int J Soft Comput Eng 3(5):133–136
Pant M, Kumar S (2021a) Fuzzy time series forecasting based on hesitant fuzzy sets, particle swarm optimization and support vector machine-based hybrid method. Granul Comput 1–19
Pant M, Kumar S (2021b) Particle swarm optimization and intuitionistic fuzzy set-based novel method for fuzzy time series forecasting. Granul Comput 1–19
Shin Y, Gosh J (1991) The Pi-Sigma network: an efficient higher order neural network for pattern classification and function approximation. In: Proceedings of the International Joint Conference on Neural Networks, Seattle, pp 13–18
Yılmaz O, Bas E, Egrioglu E (2021) The training of Pi–Sigma artificial neural networks with differential evolution algorithm for forecasting. Comput Econ 1–13
Yolcu U, Egrioglu E, Aladag CH (2013) A new linear and nonlinear artificial neural network model for time series forecasting. Decis Support Syst 1340–134
Yu X, Deng F, Tang LX (2011) Training Pi–Sigma neural network by stochastic simple point online gradient algorithm with Lagrange multiplier method. Appl Res Comput 11
Zhao L, Yang Y (2009) PSO-based single multiplicative neuron model for time series prediction. Expert Syst Appl 36:2805–2812