Дифференцируйте зашумленные данные временных рядов с помощью символической регрессии
• Профили временных рядов важны в повседневной жизни и исследованиях. • Моделирование помогает предсказать поведение профиля при наличии предыдущих точек данных. • Для обучения моделей нужны данные, но иногда требуется производная системы, а не наблюдаемое состояние. • Шум в данных может затруднить вычисление производных. • Существуют различные методы борьбы с шумом, включая фильтрацию и символическую регрессию. • Символическая регрессия позволяет аналитически вывести функцию и производные, уменьшая влияние шума. • Метод SR может быть полезным в конкретных ситуациях и может улучшить прогнозы модели.
Этот пост подготовила нейросеть: сделала выжимку статьи и, возможно, даже перевела ее с английского. А бот опубликовал пост в Сетке.
