İleri besleme ağı kullanıyorsunuz; diğer cevaplar, FFNN'lerin eğitim verisi aralığının ötesinde ekstrapolasyonda mükemmel olmadığı doğrudur.
Bununla birlikte, veriler periyodik bir kaliteye sahip olduğundan, sorun bir LSTM ile modellenmeye uygun olabilir. LSTM'ler, diziler üzerinde çalışan ve daha önce gördükleri şey hakkında bir "belleğe" sahip olan çeşitli sinir ağı hücresidir. Bu kitap bölümünün özeti, LSTM yaklaşımının periyodik problemlerde nitelikli bir başarı olduğunu göstermektedir.
Bu durumda, eğitim verileri bir dizi tuple ve bazı n ve i için yeni girişler x i + 1 … x i + n için doğru tahminler yapma görevi olacaktır.(xi,sin(xi))xi+1…xi+nni endeksler bazı artan sıra. Her bir giriş dizisinin uzunluğu, kapladıkları aralığın genişliği ve aralıkları size kalmış. Sezgisel olarak, 1 periyodu kapsayan düzenli bir ızgaranın başlamak için iyi bir yer olmasını beklerdim, eğitim sekansları bir süre ile sınırlı olmaktan ziyade çok çeşitli değerleri kapsar.
(Jimenez-Guarneros, Magdiel ve Gomez-Gil, Pilar ve Fonseca-Delgado, Rigoberto ve Ramirez-Cortes, Manuel ve Alarcon-Aquino, Vicente, "Bir LSTM Sinir Ağı Kullanarak Sinüs Fonksiyon Uzun Vadeli Tahmin" de Nature- Hibrit Akıllı Sistemlerden Esinlenen Tasarım )