文献类型：期刊文章

作　　者：胡艳[1]

Hu Yan(School of Fangchenggang,Guangxi University of Finance and Economics,Nanning 530003,Guangxi,China)

机构地区：[1]广西财经学院防城港学院,广西南宁530003

出　　处：《计算机应用与软件》

年　　份：2021

卷　　号：38

期　　号：4

起止页码：281-287

语　　种：中文

收录情况：BDHX、BDHX2020、IC、JST、ZGKJHX、核心刊

摘　　要：混沌时间序列的鞍点远多于极值点,且容易出现多重共线性问题。对此,提出基于循环深度神经网络和卡尔曼滤波器的时间序列预测算法。利用循环深度神经网络预测高维时间序列,使用实时递归学习算法搜索最小化预测误差的最优网络参数,采用Levenberg-Marquardt算法对神经网络进行迭代训练。在线更新循环神经网络的过程中,利用卡尔曼滤波器对循环神经网络的输出权重进行调节,解决多重共线性的问题。实验结果表明,该算法实现了较低的预测误差,并且缓解了高维时间序列的多重共线性问题。

关 键 词：时间序列 深度学习  卡尔曼滤波器  多重共线性问题  循环神经网络 梯度下降法

分 类 号：TP391]