利用神经网络架构对序列数据进行非线性格兰杰因果关系分析
《IEEE Latin America Transactions》:Nonlinear Granger Causality Analysis Using Neural Network Architectures for Sequential Data
【字体:
大
中
小
】
时间:2026年04月29日
来源:IEEE Latin America Transactions 1.3
编辑推荐:
摘要: 本研究基于人工神经网络(ANN)架构,对非线性格兰杰因果关系(NNGC)的计算方法进行了分析。该研究评估了使用计算智能模型(即ANN)的影响,以及训练参数如何改变因果关系的估计结果。为此,采用了三种混沌映射(Henon、Ikeda和Tinkerbell)和一种类神经元映
摘要:
本研究基于人工神经网络(ANN)架构,对非线性格兰杰因果关系(NNGC)的计算方法进行了分析。该研究评估了使用计算智能模型(即ANN)的影响,以及训练参数如何改变因果关系的估计结果。为此,采用了三种混沌映射(Henon、Ikeda和Tinkerbell)和一种类神经元映射(Rulkov)在双变量场景中的应用。研究使用了三种ANN架构,包括多层感知器(作为非线性自回归模型的形式)、长短期记忆(LSTM)和门控循环单元(GRU)来计算NNGC,并应用了序列数据预测技术。结果表明,NNGC对神经网络参数(如神经元数量、滞后长度和批量大小)非常敏感,最佳配置因混沌映射的不同而有所差异。与传统的格兰杰因果关系方法进行比较后发现,神经网络能够有效发现线性方法遗漏的非线性关系,尤其是在Henon和Rulkov映射中。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号