Обработка на сигнали с невронни мрежи от типа ехо мрежи - PDF безплатно изтегляне

Обработка на сигнали с невронни мрежи от типа echo state мрежи от Georg Fette matriculation number 948955 Дипломна работа по компютърни науки, представена пред Факултета по компютърни науки в TU-Дармщат на 24 май Ръководител: Dr. Джулиан Егерт и д-р Marc-Oliver Nahrungsmittelig, HRI-EU Offenbach Рецензент: проф. Д-р Оскар фон Щрик, Симулации и оптимизация на системи, TU-Дармщат

типа

С настоящото уверявам, че съм написал произведението самостоятелно и че не съм използвал други източници и помощни средства освен дадените. Дармщат, 27 май, 24 Георг Фета

Благодаря на д-р. Джулиан Егерт, който с много търпение насочи нечистите ми математически обяснения по правилния път, както и Dr. Марк-Оливър мощен, който ме подкрепи с много предложения. Бих искал да благодаря на целия персонал на Honda-HRI-EU и особено на Volker Willert, Inna Mikhailova, Rasvan Enache и Björn Schölling за тяхната логистична подкрепа между Дармщат и Офенбах за факта, че успях да напиша дипломната си работа в интересна среда. Благодаря на родителите си и на всички мои състуденти и приятели за помощта през цялото ми обучение. 2

Съдържание Въведение 5. Обща структура. 5.2 Учене и четене. 7.3 Първи експерименти. 8.3. Реконструкция на миналото VR. 8.3.2 Разпознаване на образец. 9.3.3 Апроксимация на нелинейна функция. 4 Предварителни заключения. 2 Аналитично изследване на ESN в линейната 3 2. Диагонализация. 3 2.2 Ядро. 3 2.3 Сгъвания. 6 2.4 Изходи. 6 2.5 Входове. 7 2.6 Общо ядро. 8 3 Повторение на експериментите с нов фокус 2 3. Реконструкция на миналото VR. 2 3.2 Изграждане на общите ядра p s за VR. 22 3.3 Регресия към желаното ядро. 25 3.4 Разпознаване на образец. 26 4 Капацитет на паметта 3 4. Капацитет на паметта (MC). 3 4.2 Средноквадратична грешка за последните s (mse (s)). 33 4.3 Източници на смущения. 34 4.3. Призрачни смущения. 34 3

4.3.2 Отклонение от хомогенната мрежа поради различни α v. 36 4.3.3 Отклонение от хомогенната мрежа с която и да е ω v. 38 4.3.4 Шум върху състоянията на възбуждане на ехо невроните. 4 4.3.5 Сравнение с ловни мрежи. 42 4.3.6 Интерференции поради нелинейности. 44 5 Изследване на ESN в нелинейни 45 5. Трансферни функции. 45 5 . tanh (x) като трансферна функция. 45 5.2 Алтернативна трансферна функция чрез разширяване на Taylor на tanh (x) 45 5.3 Функция за освобождаване като трансферна функция 46 5.2 Мрежови топологии. 46 5.3 Нарушаване на MC от нелинейности. 48 5.4 Нелинейни задачи. 49 5.4. Разпознаване на шаблон. 55 5.4.2 Преброяване на такива. 59 6 Пример за приложение 65 7 Резюме и перспективи 68 8 Приложение 69 8. Използвани съкращения. 69 8.2 Обратна връзка на изходите. 7 8.3 Еквивалентни електрически схеми. 7 8.4 общо доказателство за MC = n. 73 8.5 Циркулярният закон на Гирко. 74 8.6 Софтуер. 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 t 2 4 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 Фигура 4: o (t) и ô (t) различни варианти на обучени мрежи в разпознаване на образец: няколко нелинейно корелирани входа, линейна трансферна функция (lo); линеен вход, нелинейна трансферна функция (r.o.); линеен вход, линейна трансферна функция (l.u.). 29

близо до входа. Следователно може да се приеме, че линейните мрежи с входове, които са достатъчно корелирани (напр. Като тук чрез умножение с минали входове), могат да имат същата изчислителна сила като нелинейните мрежи или че нелинейните мрежи могат да извършват изчисления, подобни на корелациите. 3