Tabla
de contenido Antecedentes
Resumen
Definición básica de LSTM
Pasos de implementación de LSTM
Predicción de precios de futuros de soya basada en redes neuronales a largo y corto plazo
Código LSTM MATALB
Diagrama de efectos
Análisis de resultados
Perspectivas
Documentos de referencia
vista trasera
El pronóstico de futuros es un problema matemático que es difícil de predecir. Hay muchos modelos para la investigación, pero todos tienen limitaciones y la tasa de precisión no es alta. En este documento, LSTM se utiliza para el pronóstico de precios de futuros de soja, y la programación de aprendizaje profundo es No se requiere fórmula de ajuste, y la aproximación El efecto es bueno.
Resumen
principio LSTM, programación MATALB red neuronal a largo y corto plazo predicción de precios de futuros de soja LSTM,
Definición básica de LSTM
LSTM es un tipo de red neuronal que contiene bloques LSTM (bloques) u otros. En la literatura u otros materiales, los bloques LSTM pueden describirse como unidades de red inteligente porque pueden memorizar valores de duración indefinida. Hay una puerta puede determinar si la entrada es lo suficientemente importante como para ser recordada y si se puede generar.
Hay cuatro unidades de funciones S en la parte inferior de la Figura 1. La función más a la izquierda puede convertirse en la entrada del bloque según la situación. Las tres de la derecha pasarán por la puerta para determinar si la entrada se puede pasar al bloque. La segunda a la izquierda es la puerta de entrada.Si la salida aquí es similar Si está en cero, el valor aquí se bloqueará y no ingresará a la siguiente capa. La tercera desde la izquierda es la puerta de olvido, cuando esta produce un valor cercano a cero, el valor recordado en el bloque será olvidado. La cuarta y más a la derecha de la entrada es la puerta de salida, que puede determinar si la entrada en la memoria de bloques se puede enviar.
Figura 1 modelo LSTM
Figura 1 modelo LSTM
Hay muchas versiones de LSTM, una de las versiones importantes es GRU (Gated Recurrent Unit), según la prueba de Google, la más importante en LSTM es Forget gat