Обработка на сигнал со нервни мрежи од типот мрежи на ехо-состојба - бесплатно преземање PDF
Обработка на сигнал со нервни мрежи од типот ехо државни мрежи од матура број Георг Фет 948955 Дипломска теза по компјутерски науки презентирана на Факултетот за компјутерски науки при ТУ-Дармштад во 24 мај Надзор: Др. Julулијан Егерт и Др. Марк-Оливер Нахрунгсмитлиг, рецензент на ОФИ-ЕУ од Офенбах: Проф. Оскар фон Стрик, Симулации и системи за оптимизација, ТУ-Дармштад
Со ова уверувам дека го напишав делото независно и дека не користев други извори и помагала освен дадените. Дармштад, 27 мај 24, Георг Фет
Му благодарам на д-р. Julулијан Егерт, кој трпеливо ги водеше моите нечисти математички објаснувања на вистинскиот пат, како и д-р. Марк-Оливер моќен кој ме поддржа со многу предлози. Би сакал да им се заблагодарам на целиот персонал на Хонда-ХРИ-ЕУ и особено на Волкер Вилерт, Ина Михајлова, Расван Еначе и Бјорн Шолинг за нивната логистичка поддршка помеѓу Дармштат и Офенбах за фактот што успеав да ја напишам својата дипломска работа во интересно опкружување. Им благодарам на моите родители и на сите мои колеги студенти и пријатели за помошта во текот на моето студирање. 2
Содржина Вовед 5. Општа структура. 5.2 Учење и читање. 7.3 Први експерименти. 8.3. Реконструкција на минатото ВР. 8.3.2 Препознавање на моделот. 9.3.3 Нелинеарно приближување на функциите. 4 Прелиминарни заклучоци. 2 Аналитичка истрага на ESN во линеарна 3 2. Дијагонализација. 3 2.2 Јадро. 3 2.3 Набори. 6 2.4 Излези. 6 2.5 Влези. 7 2.6 Општо јадро. 8 3 Повторување на експериментите со нов фокус 2 3. Реконструкција на минатото ВР. 2 3.2 Изградба на вкупни јадра за VR. 22 3.3 Регресија на посакуваното јадро. 25 3.4 Препознавање на моделот. 26 4 Капацитет на складирање 3 4. Капацитет на меморија (MC). 3 4.2 Средна грешка во квадрат за минато s (mse (s)). 33 4.3 Извори на мешање. 34 4.3. Мешање на сеништата. 34 3
4.3.2 Отстапување од хомогената мрежа заради различно α v. 36 4.3.3 Отстапување од хомогената мрежа од кое било ω v. 38 4.3.4 Бучава на возбудливите состојби на ехо-невроните. 4 4.3.5 Споредба со ловџиски мрежи. 42 4.3.6 Интерференции поради нелинеарност. 44 5 Истражување на ESN во нелинеарните 45 5. Функции за пренос. 45 5 . тан (x) како функција за пренос. 45 5.2 Алтернативна функција за пренос преку Тејлор експанзија на тан (x) 45 5.3 Функција за испуштање како функција за пренос. 46 5.2 Топологии на мрежата. 46 5.3 Нарушување на МЦ од нелинеарност. 48 5.4 Нелинеарни проблеми. 49 5.4. Препознавање на моделот. 55 5.4.2 Броење на оние. 59 6 Пример за примена 65 7 Резиме и изглед 68 8 Додаток 69 8. Користени кратенки. 69 8.2 Повратни информации за резултатите. 7 8.3 Дијаграми на еквивалентни кола. 7 8,4 општ доказ за MC = бр. 73 8,5 Циркуларен закон на Гирко. 74 8.6 Софтвер. 76 4
o (t) o (t) o (t) o (t) .8.8.6.6 o (t) .4 o (t) .4.2.2.2.2 2 4 6 8 2 4 6 8 2 2 2 6 6 8 2 4 6 8 2 до (t) o (t) .8.6 o (t) .4.2.2 2 4 6 8 2 4 6 8 2 t Слика 4: o (t) и ô (t) различни варијанти на обучени мрежи на препознавање на шема: неколку нелинеарно корелирани влезови, функција на линеарен трансфер (ннд); линеарен влез, функција на нелинеарно пренесување (р.о.); линеарен влез, функција на линеарен пренос (l.u.). 29
во близина на влезот. Затоа може да се претпостави дека линеарните мрежи со влезови кои се доволно корелирани (на пр. Како што е тука со множење со минати влезови) можат да ја имаат истата пресметковна јачина како нелинеарните мрежи или дека нелинеарните мрежи можат да вршат пресметки слични на корелациите. 3