利用无监督储备计算进行信号噪声分离
利用表面流动液膜上激发的孤立波,实验证明一种物理上的储备计算系统,该系统通过对输入数据进行非线性转换来替代随机性的影响,从而作为传统储备计算算法的技术简单的硬件改进。
Jan, 2024
利用噪声驱动的转换现象的机器学习模型,储层计算(一种递归神经网络)能够学习噪声引起的系统状态转换,通过调整关键的超参数,包括储层动力学的时间尺度,生成准确的转换时间和数量的统计数据,适用于多种系统和蛋白质折叠实验数据,表明机器学习方法可以捕捉噪声引发的现象。
Sep, 2023
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
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。
Mar, 2018
本文提出了新的几何解释,解释了库沃塞蓝计算的现象,将其构建为强普适性水库系统;随机投影所有状态空间系统的家族,以产生 Volterra 级数扩展,生成随机系数的状态仿射水库系统能够通过为每个不同的滤波器训练一个不同的线性输出来近似任何消退存储过滤器类中的元素。
Sep, 2020
深度学习在无线通信等领域得到了迅速的应用,本文通过应用一种称为储备计算的学习技术对信道均衡进行研究,并提供了其操作的信号处理理论基础,通过模拟展示了通过优化初始化可以改善接收处理和符号检测性能,这是实现可解释机器学习和提高检测可靠性的首要步骤。
Oct, 2023
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
借助卷积神经网络和残差结构以及非线性激活函数对信号进行局部平均值计算,该论文提出了一种新的非平稳信号分解方法,并相比于现有方法能更好地处理边界效应、模态混合效应、分解组件的正交性以及噪声干扰的鲁棒性,这在尚未有直接使用深度学习技术对非平稳信号进行分解的文献中具有重要意义。
Jul, 2023