Stochastic Neural Networks With Applications to Nonlinear Time Series
随机神经网络及其在非线性时间序列中的应用AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确研究非线性时间序列建模、多步预测与样本后预测表现。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
随机神经网络及其在非线性时间序列中的应用
- 研究问题
- 如何构造可逼近复杂非线性随机系统的神经网络，并降低估计成本，使模型选择与多步时间序列预测能够实施？
- 方法与思路
- 作者提出随机神经网络，以期望最大化算法估计，并通过贝叶斯信息准则选择隐藏单元数及输入变量，开展多步预测。
- 材料陈述的贡献
- 摘要称模型具有通用逼近性质且估计复杂度更低，并在所用真实和模拟序列中获得优于若干对照模型的样本后预测。
- 阅读关注点
- 应核对随机网络结构、复杂度比较的计量方式、通用逼近条件，以及模型选择和样本后预测比较是否避免信息泄漏。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；未给出理论条件、预测损失、比较规模或误差幅度，不能认定普遍优越或推断刊本变化。
原文摘要
We consider a variant of the conventional neural network model, called the stochastic neural network, that can be used to approximate complex nonlinear stochastic systems. We show how the expectation-maximization algorithm can be used to develop efficient estimation schemes that have much lower computational complexity than those for conventional neural networks. This enables us to carry out model selection procedures, such as the Bayesian information criterion, to choose the number of hidden units and the input variables for each hidden unit. Stochastic neural networks are shown to have the universal approximation property of neural networks. Other important properties of the proposed model are given, and model-based multistep-ahead forecasts are provided. We fit stochastic neural network models to several real and simulated time series. Results show that the fitted models improve postsample forecasts over conventional neural networks and other nonlinear and nonparametric models.