短期記憶を用いたシンプルリカレントネットワークによるカオス時系列の短期予測

• Item type: SIG Technical Reports(1)
• 公開日: 2000-05-12
• タイトル: 短期記憶を用いたシンプルリカレントネットワークによるカオス時系列の短期予測
• タイトル / 言語: en
• タイトル: Short - term Forecasting of Chaotic Time Series by Simple Recurrent Network with Short - term Memory
• 言語: jpn
• 資源タイプ / 資源タイプ識別子: http://purl.org/coar/resource_type/c_18gh
• 資源タイプ: technical report
• 著者所属: 慶應義塾大学大学院理工学研究科開放環境科学専攻
• 著者所属: 慶應義塾大学大学院理工学研究科開放環境科学専攻
• 著者所属(英): en
• 著者所属(英): School of Science for Open and Environmental Systems, Keio University
• 著者所属(英): en
• 著者所属(英): School of Science for Open and Environmental Systems, Keio University
• 著者名: 菊地, 進一; 中西, 正和
• 著者名(英): Shinichi, Kikuchi; Masakazu, Nakanishi
• 論文抄録 / 内容記述タイプ: Other
• 論文抄録 / 内容記述: 時系列の非線形予測手法の1つとしてElmanのリカレントニューラルネットワークがある．筆者らは，この構造の入力に過去の履歴を直接与えることで，学習が高速化されることを確認している．ただし，これまでは周期的なデータに対する適用であったため，過去の履歴が重要であった．本研究は，カオス的なデータに対しても，提案手法が有効であることを示すものである．この構造にクロスエントロピー法を用いることにより，従来のElmanの手法と比較して，汎化能力を低下させずに，学習が数倍から130倍程度まで高速化されることを確認した．
• 論文抄録(英) / 内容記述タイプ: Other
• 論文抄録(英) / 内容記述: Recently, we have proposed a structure which uses directly past histories in Elman's recurrent neural network. It is shown that learning is accelerated using the structure. Data in the previous work is periodic, so past histories are important for learning time series. In this work, it is shown that the structure is also useful for chaotic data. Moreover, we employ the cross entropy method for fast learning. Using our method, it is shown that learning speed attains 130 times faster without making generalization ability worse compared with Elman's method.
• 書誌レコードID / 収録物識別子タイプ: NCID
• 書誌レコードID / 収録物識別子: AN10505667
• 書誌情報: 情報処理学会研究報告数理モデル化と問題解決（MPS）; 巻 2000, 号 38(2000-MPS-029), p. 13-16, 発行日 2000-05-12
• Notice: SIG Technical Reports are nonrefereed and hence may later appear in any journals, conferences, symposia, etc.
• 出版者 / 言語: ja
• 出版者: 情報処理学会