|
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$ N) U4 O0 P) s- `# b, r2 R" T
4 h, ]* y& \0 l p# G |
|