Prediction Intervals for Artificial Neural Networks
人工神经网络的预测区间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：摘要研究通用神经网络预测区间，电力负荷案例尚不足以明确归入宏观预测或金融收益预测方向。
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
人工神经网络的预测区间
- 研究问题
- 神经网络权重不可识别时，如何为预测构造有效区间，并利用这些区间选择网络节点数量、控制模型复杂度？
- 方法与思路
- 作者从预测而非权重参数出发，构造渐近有效的预测区间，并提出利用预测区间选择节点数量的方法。
- 材料陈述的贡献
- 摘要称参数不可识别造成的区间问题在预测层面得到解决，同时给出节点选择用途，并应用于电力负荷预测。
- 阅读关注点
- 应核对预测区间的目标、渐近有效所需条件，以及节点选择规则如何使用区间信息并处理模型选择不确定性。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；网络结构、误差假设和覆盖率数值未说明，不能据此判断有限样本可靠性。
原文摘要
The artificial neural network (ANN) is becoming a very popular model for engineering and scientific applications. Inspired by brain architecture, artificial neural networks represent a class of nonlinear models capable of learning from data. Neural networks have been applied in many areas, including pattern matching, classification, prediction, and process control. This article focuses on the construction of prediction intervals. Previous statistical theory for constructing confidence intervals for the parameters (or the weights in an ANN), is inappropriate, because the parameters are unidentifiable. We show in this article that the problem disappears in prediction. We then construct asymptotically valid prediction intervals and also show how to use the prediction intervals to choose the number of nodes in the network. We then apply the theory to an example for predicting the electrical load.