机构名称：
¥ 2.0
大脑电路涉及大量的反馈回路，其动力学取决于相互作用的延迟。脑启发的储层计算利用互连单元的丰富复发动力学来执行输入的任务。特别是，时间延迟储层计算使用非线性延迟反馈回路架构中的高维瞬态动力学，例如时间序列预测和语音分类。最近还证明，通过包含多个延迟的延迟分化系统的动态属性修改，以提高时间延迟储层计算的性能。在这里，我们探索了这种基本和技术重要性的这种神经启发的计算的另一个方面：在混合物中分离和预测两个信号的能力，在混合物中，每个信号由于其潜在的动力学而具有一些内在的可预测性。使用混沌输入信号混合物的多层和多层储层计算进行了说明。与独立的组件分析和相关的无监督学习技术相反，这里的上下文在于平行监督每个信号的动力学学习，以便在训练集之外预测每个信号的每个信号。此外，将混沌信号的超渗透到单个输入通道中增加了任务的难度。我们用确定性和随机系统发出的各种信号来量化和解释这种性能。此外，我们还探索了深度延迟储层计算机的体系结构。我们的发现表明，多延迟储层计算可以学习和预测两个叠加确定性信号的未来。预测（因此分离）在单层和多层时间延迟的预订计算中可能会明显更高。混合信号的带通滤波以除去较低和较高的频率，将预测提高了几％。在某些情况下，矛盾的是，增加混合物中一个混沌信号的比例实际上可以帮助学习另一个混乱信号，从而稍微改善其预测。
使用多层多层储层计算
主要关键词
相关文件推荐
