一种利用人工神经网络估计时间序列熵的方法
机器学习
2022-01-14 v4 信息论
神经与进化计算
math.IT
混沌动力学
摘要
使用熵测量时间序列的可预测性与复杂性是设计和控制非线性系统的重要工具。然而，现有方法存在一些缺陷，即熵对方法参数具有强依赖性。为克服这些困难，本研究提出一种利用 LogNNet 神经网络模型估计时间序列熵的新方法。根据我们的算法，LogNNet 储备矩阵由时间序列元素填充。来自 MNIST-10 数据库的图像分类准确率被视为熵度量并记为 NNetEn。熵计算的新颖之处在于时间序列参与储备池中输入信息的混合。时间序列中更大的复杂性导致更高的分类准确率与更高的 NNetEn 值。我们引入一种称为时间序列学习惯性的新时间序列特征，其决定神经网络的学习率。该方法的鲁棒性与效率在混沌、周期、随机、二值与常数时间序列上得到验证。NNetEn 与其他熵估计方法的比较表明，我们的方法更鲁棒、更准确，并可在实践中广泛使用。
引用
@article{arxiv.2107.08399,
title = {A Method for Estimating the Entropy of Time Series Using Artificial Neural Networks},
author = {Andrei Velichko and Hanif Heidari},
journal= {arXiv preprint arXiv:2107.08399},
year = {2022}
}
备注
15 pages, 14 figures, 1 table