文章 "神经网络变得简单(第 96 部分):多尺度特征提取(MSFformer)" 新评论 MetaQuotes 2025.03.07 15:00 新文章 神经网络变得简单(第 96 部分):多尺度特征提取(MSFformer)已发布: 高效提取与集成长期依赖关系和短期特征,仍然是时间序列分析中的一项重要任务。它们的正确理解及整合,对于创建准确可靠的预测模型是必要的。 MSFformer 模型作者提出了一种创新的不同时间间隔的金字塔关注度机制架构,其为他们方法的底线。此外,为了在输入数据中构造多级时态信息,他们在大尺度构造模块 CSCM(粗尺度构造模块)中采用了特征卷积。这允许他们在更粗略的级别上提取时态信息。 CSCM 模块构造了所分析时间序列的特征树。于此,输入首先通过一个全连接层,以便将特征维度转换为固定大小。然后实用若干顺序的、专门设计的 FCNN 特征卷积模块。 在 FCNN 模块中,首先使用给定的交叉步长从输入序列中提取数据来形成特征向量。然后,这些向量被组合起来。组合后的向量随即交予卷积运算。作者对 FCNN 模块的可视化如下所示。 作者提出的 CSCM 模块用到了若干个连续的 FCNN 模块。它们中的每一个都使用前一个模块的结果作为输入,提取更大尺度的特征。 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 96 部分):多尺度特征提取(MSFformer)已发布:
高效提取与集成长期依赖关系和短期特征,仍然是时间序列分析中的一项重要任务。它们的正确理解及整合,对于创建准确可靠的预测模型是必要的。
MSFformer 模型作者提出了一种创新的不同时间间隔的金字塔关注度机制架构,其为他们方法的底线。此外,为了在输入数据中构造多级时态信息,他们在大尺度构造模块 CSCM(粗尺度构造模块)中采用了特征卷积。这允许他们在更粗略的级别上提取时态信息。
CSCM 模块构造了所分析时间序列的特征树。于此,输入首先通过一个全连接层,以便将特征维度转换为固定大小。然后实用若干顺序的、专门设计的 FCNN 特征卷积模块。
在 FCNN 模块中,首先使用给定的交叉步长从输入序列中提取数据来形成特征向量。然后,这些向量被组合起来。组合后的向量随即交予卷积运算。作者对 FCNN 模块的可视化如下所示。
作者:Dmitriy Gizlyk