找回密码
 注册
关于网站域名变更的通知
查看: 387|回复: 1
打印 上一主题 下一主题

[毕业设计] 基于多反馈环结构提高硬件储备池记忆能力

[复制链接]

该用户从未签到

跳转到指定楼层
1#
发表于 2021-3-30 10:47 | 只看该作者 回帖奖励 |倒序浏览 |阅读模式

EDA365欢迎您登录!

您需要 登录 才可以下载或查看,没有帐号?注册

x
摘  要:针对单反馈环硬件储备池记忆能力不足的问题,提出一种基于多反馈环结构提高储备池记忆能力的方法.通过增加反馈环将更早输人信号产生的响应重新注入回储备池,使更早期的输入信号也影响储备池的内部动态,从而增强储备池的记忆能力.仿真研究了单个和多个反馈环结构的储备池的记忆能力及其在需要更长记忆能力的NAR-MA30任务中的预测性能.结果表明,把反馈环增加到10个,虚节点数为50时储备池的记忆能力由单反馈环的18.2提高到40.2.仅用两个反馈环,虚节点数为1000时NARMA30预测的归一化均方根误差可从单反馈环的0.27降到0.09.说明通过合理设置多个反馈环的参数,可以设计出任务需要的特定记忆能力,部分解决了储备池的适应性问题.
. C9 g( k0 B' C' ?7 N+ N1 v1 Y! R6 @
& j- f9 j6 f* X; {4 s' b& s关键词:递归神经网络;硬件储备池;多反馈环;记忆能力;30阶非线性自回归移动平均(NARMA30)
7 }6 d7 q3 _' X5 e0 w
4 P1 M0 E4 i5 I, F& J( ]( U/ P" I/ J& {
递归神经网络是一种适合处理时序信号的机器学习模型.传统的递归神经网络训练算法计算量大、收敛慢。% r$ q2 I; V. D. z/ r' V/ s
2 Y% }1 C) _) n8 b* W' V

5 N$ |+ O& q  w6 N
游客,如果您要查看本帖隐藏内容请回复
$ N) U4 O0 P) s- `# b, r2 R" T

4 h, ]* y& \0 l  p# G
  • TA的每日心情
    开心
    2023-1-3 15:10
  • 签到天数: 2 天

    [LV.1]初来乍到

    2#
    发表于 2021-3-30 13:12 | 只看该作者
    提高硬件储备池记忆能力
    您需要登录后才可以回帖 登录 | 注册

    本版积分规则

    关闭

    推荐内容上一条 /1 下一条

    EDA365公众号

    关于我们|手机版|EDA365电子论坛网 ( 粤ICP备18020198号-1 )

    GMT+8, 2025-7-23 01:35 , Processed in 0.125000 second(s), 26 queries , Gzip On.

    深圳市墨知创新科技有限公司

    地址:深圳市南山区科技生态园2栋A座805 电话:19926409050

    快速回复 返回顶部 返回列表