A Neural Net Model for Prediction
用于预测的神经网络模型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：摘要明确报告带噪混沌时间序列预测及算法精度比较，支持时间序列与预测方向分类。
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
用于预测的神经网络模型
- 研究问题
- 如何为非线性统计预测构造具有随机连接和带噪响应的神经网络，并通过贝叶斯学习改进所考察时间序列的预测？
- 方法与思路
- 作者采用随机模型下的多层前馈网络，推导基于 Kalman 滤波的贝叶斯推断程序，形成推广一维 Newton 更新的算法。
- 材料陈述的贡献
- 摘要称在带噪混沌时间序列的数值研究中，新算法相较所比较的 Newton 算法展示了更高的预测精度。
- 阅读关注点
- 应核对随机连接与响应噪声的设定、滤波推断所用近似、学习算法的关系，以及数值研究的预测评价设计。
- 阅读边界
- 材料为 OpenAlex 索引摘要，稿件版本未注明；网络规模、推断条件和精度数值未说明，单项数值研究不能证明普遍预测优势。
原文摘要
In this article we introduce a neural net designed for nonlinear statistical prediction. The net is based on a stochastic model featuring a multilayer feedforward architecture with random connections between units and noisy response functions. A Bayesian inferential procedure for this model, based on the Kalman filter, is derived. The resulting learning algorithm generalizes the so-called onedimensional Newton method, an updating algorithm currently popular in the neural net literature. A numerical study concerning the prediction of a noisy chaotic time series is presented, and the greater predictive accuracy of the new algorithm with respect to the Newton algorithm is exhibited.