4.2 Forecasting with ANNsDeveloping

4.2 Forecasting with ANNs
Developing a prediction model with Neural
Networks requires performing certain
configurations for the input nodes, the number
of hidden layers and hidden nodes, the
activation functions in the hidden and output
layers, the training algorithm and the stopping
conditions. For this study the multilayered
feed-forward neural network was selected
using BFGS training algorithm.
The input nodes of the network were assigned
based on the ARIMA model that resulted
significant in the previous sub-section. Thus,
the fourth period will be explained using the
values observed within the previous three
days. Recent work on the estimation of
EUR/RON exchange rate using ANNs ([17])
used a trial and error approach to select the
relevant input periods.
Regarding the number of hidden layers, only
one was included, as with the appropriate
number of hidden nodes results are good in
most of the cases ([18]).
On each stationary time series were further
trained 100 networks in which the number of
hidden nodes was varied between 2 and 30. In
the hidden layer, logistic sigmoid (log) and
hyperbolic-tangent sigmoid (tanh) functions
were used in turns and in the output layer,
apart from these two, the linear activation
function (lin) was also considered. The
stopping condition was set to either of the
following events, meaning that whichever
happens first, leads to ending the training
process: 500 cycles, or a variation of the
average error for 20 consecutive epochs
below 0.0000001. The best 5 networks in
terms of mean squared error on the test data
set were retained for each currency
(EUR/RON and CHF/RON).

Kết quả (Việt) 1:

4.2 dự báo với ANNsPhát triển một mô hình dự báo với thần kinhMạng đòi hỏi phải thực hiện một sốcấu hình cho các nút đầu vào, sốẩn lớp và ẩn các nút, cáckích hoạt chức năng ẩn và đầu ralớp, các thuật toán đào tạo và dừngđiều kiện. Cho nghiên cứu này là multilayeredmạng nơ-ron nuôi tiến được lựa chọnsử dụng thuật toán đào tạo BFGS.Các nút input của mạng đã được chỉ địnhDựa trên mô hình ARIMA kết quảquan trọng ở phần phụ trước. Vì vậy,giai đoạn thứ tư sẽ được giải thích bằng cách sử dụng cácgiá trị quan sát trong ba người trước đóngày. Các tác phẩm gần đây trên dự toán củaTỷ giá ngoại tệ EUR/RON sử dụng ANNs ([17])sử dụng một phương pháp thử và sai để chọn cácthời gian đầu vào có liên quan.Liên quan đến số lượng Layer ẩn, chỉmột trong những được bao gồm, như là thích hợpsố ẩn nút kết quả là tốt trongHầu hết các trường hợp ([18]).Mỗi khi văn phòng phẩm series đã thêmđược đào tạo 100 mạng trong đó số lượngẩn các nút khác nhau giữa 2 và 30. Ởẩn layer, logistic sigmoid (log) vàchức năng hypebolic ốp sigmoid (tánh)được sử dụng lần lượt và trong lớp đầu ra,ngoài hai, kích hoạt tuyến tínhchức năng (lin) cũng được xem xét. Cácngăn chặn tình trạng đã được thiết lập với một trong cácsau sự kiện, có nghĩa rằng cho dùxảy ra lần đầu tiên, dẫn đến kết thúc việc đào tạoquá trình: 500 chu kỳ, hoặc một biến thể của cácTrung bình là lỗi cho kỷ nguyên liên tiếp 20dưới đây 0.0000001. 5 mạng tốt nhất trongCác điều khoản có nghĩa là bình phương lỗi vào các dữ liệu thử nghiệmthiết lập được giữ lại cho từng loại tiền tệ(EUR/RON và CHF/RON).

Kết quả (Việt) 2:

4.2 Dự báo với ANNs
Xây dựng mô hình dự đoán với Neural
Networks đòi hỏi phải thực hiện một số
cấu hình cho các nút đầu vào, số lượng
các lớp ẩn và các nút ẩn, các
chức năng kích hoạt trong các ẩn và đầu ra
các lớp, các thuật toán huấn luyện và dừng
điều kiện. Đối với nghiên cứu này, nhiều lớp
mạng nơron feed-forward được lựa chọn
sử dụng thuật toán huấn luyện BFGS.
Các nút đầu vào của mạng đã được chỉ định
dựa trên mô hình ARIMA dẫn
đáng kể trong tiểu phần trước. Như vậy,
giai đoạn thứ tư sẽ được giải thích bằng cách sử dụng
các giá trị quan sát trong vòng ba năm trước
ngày. Nghiên cứu gần đây về việc ước của
EUR / RON tỷ giá sử dụng ANNs ([17])
sử dụng phương pháp thử và sai để chọn
thời gian đầu vào liên quan.
Về số lượng lớp ẩn, chỉ có
một đã được bao gồm, như với các hợp
số ẩn các nút kết quả tốt trong
hầu hết các trường hợp ([18]).
trên mỗi chuỗi thời gian đứng yên được tiếp tục
đào tạo 100 mạng trong đó số lượng các
nút ẩn đã được thay đổi giữa 2 và 30. trong
lớp ẩn, sigmoid logistic (log) và
hyperbol-ốp sigmoid (tanh) chức năng
được sử dụng trong phiên nhau và trong lớp đầu ra,
ngoài hai người này, kích hoạt tuyến tính
chức năng (lin) cũng đã được xem xét. Các
điều kiện dừng được thiết lập để một trong các
sự kiện sau đây, có nghĩa là bất cứ
xảy ra đầu tiên, dẫn đến kết thúc đào tạo
trình: 500 chu kỳ, hoặc một biến thể của
sai số trung bình cho 20 kỷ nguyên liên tiếp
dưới đây 0,0000001. 5 mạng tốt nhất trong
điều kiện của trung bình bình phương lỗi trên dữ liệu thử nghiệm
thiết lập được giữ lại cho mỗi loại tiền tệ
(EUR / RON và CHF / RON).