Mar, 2018

用于多元时间序列表示和分类的水库计算方法

PDF
TL;DR采用水库计算方法的多元时间序列分类技术，基于线性模型训练产生 MTS 的低维嵌入的参数来编码每个 MTS，应用时附带中间的维度重组程序，以及提供不同的模块以轻松创建高级的 RC 架构的增量式 RC 框架，比其他 MTS 分类器更快，还能实现更高的分类精度。
multivariate time seriesreservoir computingvectorial representationmodular rc frameworkmts classification
发现论文，激发创造
  • 关于蓄水池计算及其超越传统机器学习的跨学科应用的调查

    储备计算（RC）是一种递归神经网络，通过随机连接神经元实现对时间信号处理的应用。该模型具有丰富的动力学、线性可分性和记忆能力，可在各种应用中生成适当的响应。RC 的研究领域涉及机器学习、物理学、生物学和神经科学，可应用于物理硬件和生物设备的复杂动力学实现及对大脑机制的理解。本文对 RC 的发展进行了综合回顾，包括模型、应用和脑机制的建模，并提供了储备设计、编码框架统一、物理实现以及与认知神经科学和进化之间的相互作用等新视角。

    Jul, 2023

  • 基于分析和全基于电阻忆阻器的蓄能池计算用于时间数据分类

    我们的研究引入了一种新型的双存储器 RC 系统，通过基于 WOx 的忆阻器实现 16 个不同状态的编码和基于 TiOx 的忆阻器实现长期记忆单元，实现了处理时间数据集的能力。通过对孤立语音数字识别和 Mackey-Glass 时间序列预测的基准任务的验证，该系统在数字识别中达到了 98.84% 的准确率，在时间序列预测任务中保持了较低的规范化均方根误差（NRMSE）0.036，突出了其能力。本研究揭示了基于忆阻器的 RC 系统在处理复杂时间挑战方面的能力，为神经形态计算的进一步创新奠定了基础。

    Mar, 2024

  • 传统与新一代蓄水库计算的混合应用在动力系统精确高效预测中

    基于混合模型的混沌动力系统时间序列预测方法能够提高计算效率和解决传统模型的局限性。

    Mar, 2024

  • 自回归型时间序列数据的完全预测水库计算的数学结构

    强调了递归神经网络中的输入和循环权重矩阵的隐藏结构，并证明这些结构在 AR 类型的时间序列数据中实现了完美预测。

    Sep, 2023

  • 储层核心模式空间中的预测建模

    基于线性水库的核观点，提出一种时间序列预测方法，利用水库核的时间序列模式作为表示基础，并与最新的 Transformer 模型和 LSTM 模型进行实证实验比较，结果表明即使采用线性读出，我们的方法在单变量时间序列上能够超过 Transformer 模型，在多变量基准数据集上也能够取得竞争性的结果，这表明简单模型能够胜过过度复杂的深度学习模型。

    May, 2024

  • 利用无监督储备计算进行信号噪声分离

    基于时间序列预测的信号 - 噪音分离方法，使用储备计算从给定信号中提取可预测信息。该方法能够估计噪音分布并间接评估信噪比，对各种信号和噪音组合都表现出强大的分离能力。

    Apr, 2024

  • 一种周期时间序列预测的新型储备架构

    本文介绍了一种基于储层计算的新方法，用于预测周期性时间序列，特别适用于生成音乐节奏等需要精确预测节奏的任务。我们的方法利用储层计算，并以预测人类节奏感知为最终目标。我们的网络准确地预测人类频率感知范围内的节奏信号。模型结构包含主要和中间神经元，用于捕捉和传递节奏信息。两个参数矩阵 c 和 k 调节储层的动态特性。我们提出了一个损失函数来调整训练后的 c，并引入了一种动态选择机制来调整 k，以便关注具有杰出贡献的区域。在多样化的测试集上的实验结果展示了准确的预测，并通过实时调整储层的 c 和 k 进一步提高了预测性能。比较评估结果显示其相对于传统模型具有更出色的性能。

    May, 2024

  • 扩展循环核到不同储层计算的拓扑结构

    通过对特定的 RC 体系结构和其对应的递归核公式的等效性进行实证分析，本研究填补了基于泄漏型 RC、稀疏 RC 和深层 RC 等众多已建立的 RC 范式尚未进行该等效性分析的空白。我们通过变化各个体系结构中实施的激活函数进行了收敛性研究。我们的研究还揭示了稀疏连接在 RC 体系结构中的作用，并提出了与水库尺寸有关的最佳稀疏程度。此外，我们的系统分析表明，在深层 RC 模型中，通过逐渐减小水库大小的连续水库可以更好地实现收敛。

    Jan, 2024

  • 递归神经网络中的反向传播算法和储备计算用于复杂时空动态预测

    本文研究使用循环神经网络以及储备计算和时域反向传播来预测高维和低维复杂系统的时空动态，结果表明：对于长期预测混沌系统，当全部状态动态数据用于训练时，储备计算方法的预测性能优于时域反向传播，但在使用低维数据时时域反向传播方法表现更好。同时该研究还首次量化了使用时域反向传播方法的 Lyapunov 谱。

    Oct, 2019

  • 基于蓄水池计算的概率负荷预测

    应用深度学习量化不确定性是实现电网管理中精确可靠的时间序列预测的关键，本研究探索并比较了在水库计算中采用的贝叶斯和确定性方法对预测准确性、计算资源效率和估计不确定性可靠性的影响。

    Aug, 2023