Neural network-based models of binomial time series in data analysis problems

Yu. S. Kharin

doi:10.29235/1561-8323-2021-65-6-654-660

Abstract

This article is devoted to constructing neural network-based models for discrete-valued time series and their use in computer data analysis. A new family of binomial time series based on neural networks is presented, which makes it possible to approximate the arbitrary-type stochastic dependence in time series. Ergodicity conditions and an equivalence relation for these models are determined. Consistent statistical estimators for model parameters and algorithms for computer data analysis (including forecasting and pattern recognition) are developed.

Highlights

This article is devoted to constructing neural network-based models for discrete-valued time series and their use in computer data analysis
A new family of binomial time series based on neural networks is presented, which makes it possible to approximate the arbitrary-type stochastic dependence in time series
Robust estimation for Binomial conditionally nonlinear autoregressive time series based on multivariate conditional frequencies / Yu

Summary

НЕЙРОСЕТЕВЫЕ МОДЕЛИ БИНОМИАЛЬНЫХ ВРЕМЕННЫХ РЯДОВ В ЗАДАЧАХ АНАЛИЗА ДАННЫХ

В данном сообщении рассматриваются задачи построения нейросетевых моделей дискретных временных рядов и использования их для компьютерного анализа данных. Представлено новое семейство нейросетевых моделей дискретных временных рядов, позволяющих аппроксимировать любой тип стохастической зависимости состояний временного ряда от его предыстории. Установлены условия эргодичности и отношение эквивалентности для этих моделей. Построены состоятельные статистические оценки параметров моделей и алгоритмы компьютерного анализа данных с использованием нейросетевых моделей: алгоритмы оценивания параметров, прогнозирования и распознавания образов. Ключевые слова: дискретный временной ряд, цепь Маркова, нейросетевая модель, оценки параметров, анализ данных. С. Нейросетевые модели биномиальных временных рядов в задачах анализа данных / Ю. Research Institute for Applied Problems of Mathematics and Informatics of the Belarusian State University, Minsk, Republic of Belarus

Если определитель

Список используемых источников