Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Prediction of Highly Non-stationary Time Series Using Higher-Order Neural Units

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21220%2F18%3A00315468" target="_blank" >RIV/68407700:21220/18:00315468 - isvavai.cz</a>

  • Nalezeny alternativní kódy

    RIV/68407700:21220/17:00315468

  • Výsledek na webu

    <a href="https://doi.org/10.1007/978-3-319-69835-9_74" target="_blank" >https://doi.org/10.1007/978-3-319-69835-9_74</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.1007/978-3-319-69835-9_74" target="_blank" >10.1007/978-3-319-69835-9_74</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Prediction of Highly Non-stationary Time Series Using Higher-Order Neural Units

  • Popis výsledku v původním jazyce

    Adaptive predictive models can use conventional and nonconventional neural networks for highly non-stationary time series prediction. However, conventional neural networks present a series of known drawbacks. This paper presents a brief discussion about this concern as well as how the basis of higher-order neural units can overcome some of them; it also describes a sliding window technique alongside the batch optimization technique for capturing the dynamics of non-stationary time series over a Quadratic Neural Unit, a special case of higher-order neural units. Finally, an experimental analysis is presented to demonstrate the effectiveness of the proposed approach.

  • Název v anglickém jazyce

    Prediction of Highly Non-stationary Time Series Using Higher-Order Neural Units

  • Popis výsledku anglicky

    Adaptive predictive models can use conventional and nonconventional neural networks for highly non-stationary time series prediction. However, conventional neural networks present a series of known drawbacks. This paper presents a brief discussion about this concern as well as how the basis of higher-order neural units can overcome some of them; it also describes a sliding window technique alongside the batch optimization technique for capturing the dynamics of non-stationary time series over a Quadratic Neural Unit, a special case of higher-order neural units. Finally, an experimental analysis is presented to demonstrate the effectiveness of the proposed approach.

Klasifikace

  • Druh

    D - Stať ve sborníku

  • CEP obor

  • OECD FORD obor

    10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Návaznosti výsledku

  • Projekt

  • Návaznosti

    S - Specificky vyzkum na vysokych skolach

Ostatní

  • Rok uplatnění

    2018

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Údaje specifické pro druh výsledku

  • Název statě ve sborníku

    Proceedings of the 12th International Conference on P2P, Parallel, Grid, Cloud and Internet Computing (3PGCIC-2017)

  • ISBN

    978-3-319-69835-9

  • ISSN

    2367-4512

  • e-ISSN

    2367-4512

  • Počet stran výsledku

    9

  • Strana od-do

    787-795

  • Název nakladatele

    Springer International Publishing AG

  • Místo vydání

    Cham

  • Místo konání akce

    Barcelona

  • Datum konání akce

    8. 11. 2017

  • Typ akce podle státní příslušnosti

    WRD - Celosvětová akce

  • Kód UT WoS článku

    000464606800074