奥恩斯坦 - 乌伦贝克过程参数估计的传统与深度学习方法的比较
原文中文，约500字，阅读约需2分钟。发表于：。我们使用多层感知器 (MLP) 来估计 OU 过程的参数，并将其性能与传统参数估计方法（如卡尔曼滤波器和极大似然估计）进行比较，发现在大型观测轨迹数据集上，MLP 可以准确估计 OU 过程的参数，但传统参数估计方法可能更适用于较小的数据集。
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。
