文章 "神经网络变得简单（第 92 部分）：频域和时域中的自适应预测" 新评论 MetaQuotes 2025.02.19 08:51 新文章 神经网络变得简单（第 92 部分）：频域和时域中的自适应预测已发布： FreDF 方法的作者通过实验证实了结合频域和时域进行预测的优势。不过，权重超参数的使用对于非稳态时间序列并非最优。在本文中，我们将领略结合频域和时域预测的自适应方法。 时域和频域是分析时间序列数据的两种基本表现形式。在时域中，分析侧重于振幅随时间的变化，从而允许识别信号中的局部依赖关系和瞬态。相反，频域分析旨在依据频率分量来表示时间序列，以供深入透视数据的全局依赖关系和频谱特征。结合这两个领域的优势是解决在实时序列中混合不同周期形态问题的一种颇有前景的方式。此处的问题是如何有效地结合时域和频域的优点。 相比时域的成就，频域仍有许多未探索的区域。在最近的文章中，我们已见识过一些使用频域的示例，能更好地处理全局时间序列依赖关系。频域中的直接预测允许使用更多的频谱信息来提高预测时间序列的准确性。不过，在频域中进行直接频谱预测还有一些问题。这些问题之一是正在分析的已知数据的频谱，与正在研究的时间序列的整个频谱之间的频率特征可能存在不匹配，这是运用离散傅里叶变换（DFT）造成的结果。这种不匹配令其很难在跨越整个源数据频谱中准确表示有关特定频率的信息，从而导致预测不准确。 作者：Dmitriy Gizlyk 新评论 您错过了交易机会： 免费交易应用程序 8,000+信号可供复制 探索金融市场的经济新闻 注册 登录 拉丁字符（不带空格） 密码将被发送至该邮箱 发生错误 使用 Google 登录 您同意网站政策和使用条款 如果您没有帐号，请注册 可以使用cookies登录MQL5.com网站。 请在您的浏览器中启用必要的设置，否则您将无法登录。 忘记您的登录名/密码？ 使用 Google 登录
新文章 神经网络变得简单（第 92 部分）：频域和时域中的自适应预测已发布：
FreDF 方法的作者通过实验证实了结合频域和时域进行预测的优势。不过，权重超参数的使用对于非稳态时间序列并非最优。在本文中，我们将领略结合频域和时域预测的自适应方法。
时域和频域是分析时间序列数据的两种基本表现形式。在时域中，分析侧重于振幅随时间的变化，从而允许识别信号中的局部依赖关系和瞬态。相反，频域分析旨在依据频率分量来表示时间序列，以供深入透视数据的全局依赖关系和频谱特征。结合这两个领域的优势是解决在实时序列中混合不同周期形态问题的一种颇有前景的方式。此处的问题是如何有效地结合时域和频域的优点。
相比时域的成就，频域仍有许多未探索的区域。在最近的文章中，我们已见识过一些使用频域的示例，能更好地处理全局时间序列依赖关系。频域中的直接预测允许使用更多的频谱信息来提高预测时间序列的准确性。不过，在频域中进行直接频谱预测还有一些问题。这些问题之一是正在分析的已知数据的频谱，与正在研究的时间序列的整个频谱之间的频率特征可能存在不匹配，这是运用离散傅里叶变换（DFT）造成的结果。这种不匹配令其很难在跨越整个源数据频谱中准确表示有关特定频率的信息，从而导致预测不准确。
作者：Dmitriy Gizlyk