机构名称：
¥ 1.0
可区分的神经计算机（DNC）在解决复杂问题方面具有显着的功能。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，以解释建筑本质，并通过将其与常规的经常性神经网络（RNN）进行对比，证明了堆叠的可行性。其次，提出并修改了堆叠DNC的架构以进行脑电图（EEG）数据分析。我们将原始的长期记忆（LSTM）网络控制器替换为经常性的卷积网络控制器，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，在微调参数后，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-data-Analysis-antals-and-dist-Differentiable-nural- ...
主要关键词
相关文件推荐
