利用深度学习估计线性分数阶过程的赫斯特参数并评估其可靠性
原文中文，约600字，阅读约需2分钟。发表于：。本研究探讨了深度学习，具体而言是长短期记忆（LSTM）网络，在分数随机过程中估计赫斯特参数的可靠性。研究侧重于三种类型的过程：分数布朗运动（fBm），分数奥恩斯坦 - 厄伦贝克（fOU）过程和线性分数稳定运动（lfsm）。该工作通过对 fBm 和 fOU 产生大量数据集，以便以可行的时间内训练 LSTM 网络。研究分析了 LSTM...
本研究使用LSTM网络估计分数随机过程的赫斯特参数。研究发现LSTM在分数布朗运动和分数奥恩斯坦-厄伦贝克过程中表现优于传统统计方法，但在线性分数稳定运动中准确性有限。研究还探讨了训练长度和估值序列长度对LSTM性能的影响。该方法应用于锂离子电池衰减数据中的赫斯特参数估计，并得到了估计的置信区间。深度学习方法在分数过程参数估计方面表现出潜力，但有效性取决于过程类型和训练数据质量。
