机构名称：
¥ 1.0
抽象可区分的神经计算机（DNC）在解决复杂问题方面表现出了显着的功能。在本文中，我们建议将增强的可区分神经计算机堆叠在一起，以扩展其学习能力。首先，我们对DNC进行了直观的解释来解释建筑本质，并通过将其与常规的经常性神经网络进行对比，证明了堆叠的可行性。其次，提出了堆叠DNC的结构，并修改了脑电图（EEG）数据分析的构建。我们用经常性的卷积网络控制器替换原始的长期短期内存网络控制器，并调整用于处理EEG EEG地形数据的内存访问结构。第三，我们提出的模型的实用性由开源的EEG数据集验证，其平均精度最高。然后，在调整参数后，我们显示了在专有EEG数据集上获得的最小平均误差。最后，通过分析训练有素的堆叠DNCS模型的行为特征，我们强调了在EEG信号处理中利用堆叠的DNC的适当性和潜力。
EEG数据分析与堆叠的可区分神经计算机EEG数据分析与堆叠的可区分神经计算机
主要关键词
相关文件推荐
