Обробка сигналів за допомогою нейронних мереж типу echo state network - завантажити безкоштовно PDF

Обробка сигналів за допомогою нейронних мереж типу ехостатових мереж за атестаційним номером Георга Фетта 948955 Дипломна робота з інформатики представлена ​​на факультеті обчислювальної техніки в ТУ Дармштадт 24 травня Науковий керівник: д-р Джуліан Еггерт і доктор Марк-Олівер Нарунгсміттеліг, HRI-EU Offenbach Рецензент: Проф. Оскар фон Стрик, Моделювання та оптимізація систем, ТУ-Дармштадт

допомогою

Цим я запевняю, що написав твір самостійно і що я не використовував жодних інших джерел чи ресурсів, окрім поданих. Дармштадт, 27 травня, 24 Георг Фетта

Я дякую доктору. Джуліан Еггерт, який терпляче скерував мої нечисті математичні пояснення на правильний шлях, а також доктор Марк-Олівер потужний, який підтримав мене багатьма пропозиціями. Я хотів би подякувати усім співробітникам Honda-HRI-EU і особливо Фолькеру Віллерту, Інні Михайловій, Расвана Еначе та Бьорну Шеллінгу за їхню матеріально-технічну підтримку між Дармштадтом та Оффенбахом за те, що я зміг написати свою дипломну роботу в цікавій обстановці. Я дякую своїм батькам та всім моїм однокурсникам та друзям за допомогу впродовж навчання. 2

Зміст Вступ 5. Загальна структура. 5.2 Навчання та читання. 7.3 Перші експерименти. 8.3. Реконструкція минулого ВР. 8.3.2 Розпізнавання зразків. 9.3.3 Наближення нелінійної функції. 4 Попередні висновки. 2 Аналітичне дослідження ESN в лінійному 3 2. Діагоналізація. 3 2.2 Ядро. 3 2.3 Складки. 6 2.4 Виходи. 6 2.5 Входи. 7 2.6 Загальне ядро. 8 3 Повторення експериментів з новим фокусом 2 3. Реконструкція минулого ВР. 2 3.2 Побудова загальної кількості ядер p s для VR. 22 3.3 Регресія до потрібного ядра. 25 3.4 Розпізнавання зразків. 26 4 Ємність 3 4. Ємність пам'яті (MC). 3 4.2 Середньоквадратична помилка за минулі s (mse (s)). 33 4.3 Джерела перешкод. 34 4.3. Примарне втручання. 34 3

4.3.2 Відхилення від однорідної мережі через різні α v. 36 4.3.3 Відхилення від однорідної мережі на будь-яке ω v. 38 4.3.4 Шум від станів збудження ехонейронів. 4 4.3.5 Порівняння з мисливськими сітками. 42 4.3.6 Втручання через нелінійність. 44 5 Дослідження ESN у нелінійних 45 5. Передавальні функції. 45 5 . tanh (x) як передавальна функція. 45 5.2 Альтернативна передавальна функція через розширення Тейлора tanh (x) 45 5.3 Функція розряду як передавальна функція. 46 5.2 Мережеві топології. 46 5.3 Порушення MC від нелінійності. 48 5.4 Нелінійні задачі. 49 5.4. Розпізнавання образів. 55 5.4.2 Підрахунок одиниць. 59 6 Приклад застосування 65 7 Короткий зміст та перспективи 68 8 Додаток 69 8. Використані скорочення. 69 8.2 Зворотній зв’язок результатів. 7 8.3 Еквівалентні електричні схеми. 7 8.4 загальний доказ для MC = п. 73 8.5 Циркулярний закон Гірка. 74 8.6 Програмне забезпечення. 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 Рисунок 4: o (t) та ô (t) різні варіанти навчених мереж на розпізнавання зразків: кілька нелінійно корельованих входів, лінійна передавальна функція (lo); лінійний вхід, нелінійна передавальна функція (r.o.); лінійний вхід, лінійна передавальна функція (л.у.). 29

біля входу. Тому можна припустити, що лінійні мережі з входами, які мають достатню кореляцію (наприклад, як тут шляхом множення з минулими входами), можуть мати таку ж обчислювальну силу, як нелінійні мережі, або що нелінійні мережі можуть виконувати обчислення, подібні до кореляцій. 3