Risk reduction for nonlinear prediction and its application to the surrogate data test

ما یک روش برای برآورد خطر پیش بینی غیر خطی با استفاده از یک الگوریتم بسته بندی که شامل یادگیری گروهی است پیشنهاد می کنیم. ابتدا توزیع احتمال یک دولت آینده را به عنوان مجموعه ای از مجموعه با استفاده از پیش بینی کننده های بسته بندی به دست می آوریم و انحراف معیار آن را به عنوان خطر پیش بینی می کنیم. پس از آن می توانیم پیش بینی های احتمالی را با اجتناب از پیش بینی های خطرناک انجام دهیم اگر خطر پیش بینی پیش بینی شده بالا باشد. به عنوان یک کاربرد از این روش کاهش خطر، ما توانایی تست داده های جایگزین برای شناسایی سیستم را بهبود می بخشیم. دقت پیش بینی دقیق و نامناسب سیستم شناسایی ناشی از داده های کوتاه و پر سر و صدا است، بنابراین ما شبیه سازی ها را با استفاده از داده های کوتاه مشتق شده از مدل های آشوب پر سر و صدا و سیستم های واقعی برای تأیید اعتبار روش ما انجام می دهیم.