• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文会议>International Conference on Advances in Intelligent Computing(ICIC 2005); 20050823-26; Hefei(CN) >Nonlinear Prediction by Reinforcement Learning
【24h】

Nonlinear Prediction by Reinforcement Learning

机译：强化学习的非线性预测

获取原文
获取原文并翻译 | 示例
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Artificial neural networks have presented their powerful ability and efficiency in nonlinear control, chaotic time series prediction, and many other fields. Reinforcement learning, which is the last learning algorithm by awarding the learner for correct actions, and punishing wrong actions, however, is few reported to nonlinear prediction. In this paper, we construct a multi-layer neural network and using reinforcement learning, in particular, a learning algorithm called Stochastic Gradient Ascent (SGA) to predict nonlinear time series. The proposed system includes 4 layers: input layer, hidden layer, stochastic parameter layer and output layer. Using stochastic policy, the system optimizes its weights of connections and output value to obtain its prediction ability of nonlinear dynamics. In simulation, we used the Lorenz system, and compared short-term prediction accuracy of our proposed method with classical learning method.
机译：人工神经网络已经在非线性控制，混沌时间序列预测和许多其他领域展示了其强大的功能和效率。增强学习是通过授予学习者正确的动作并惩罚错误的动作的最后一种学习算法，但是，很少有关于非线性预测的报道。在本文中，我们构建了一个多层神经网络，并使用强化学习，特别是一种称为随机梯度上升（SGA）的学习算法来预测非线性时间序列。所提出的系统包括4层：输入层，隐藏层，随机参数层和输出层。该系统使用随机策略优化其连接权重和输出值，以获得其非线性动力学的预测能力。在仿真中，我们使用了Lorenz系统，并将我们提出的方法的短期预测准确性与经典学习方法进行了比较。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号