راحله بهارلو - پژوهشگاه بین المللی زلزله شناسی و مهندسی زلزله

ابزارهای یادگیری ماشین با پاسخ ضربه محدود برای یادگیری وابستگیهای درازمدت در سریهای زمانی مناسب نیستند. نشان داده شده است که در این مورد، حتی آموزش برخی سامانه های پویا مانند شبکه عصبی بازگشتی با استفاده از الگوریتم یادگیری نزول گرادیانی، به علت میرا شدن پیش از موعد گرادیان خطا بسیار دشوار است. دستهای از شبکه های عصبی بازگشتی به نام مدلهای خودبرگشتی غیرخطی با ورودیهای برونزاد (نارکس) حساسیت کمتری به وابستگیهای درازمدت دارند و میتوان میرا شدن گرادیان خطا را در آنها به تاخیر انداخت. در این مقاله از شبکه نارکس برای پیشبینی سریهای زمانی با وابستگیهای درازمدت استفاده شده است. مقایسه نتایج این شبکه با نتایج شبکههای بازگشتی ساده، مانند المن، توانایی یادگیری و فراگیر شدن بهتر نارکس را تایید میکند.

بازسازی پویایی، پیشبینی سریهای زمانی، مدل خودبرگشتی غیرخطی با ورودی برونزاد (نارکس)، نزول گرادیانی، وابستگی درازمدت