谁能给我翻译一下文章啊?
发布网友
发布时间：2022-04-23 23:12
共2个回答
热心网友
时间：2023-08-07 04:43
我们赠品方法为了知识非线性的系统, 回声情形网络(ESNs). ESNs雇用人造的复发的神经的网络某种程度上那最近是计划地同样地知识机械装置在生物学的智力. 知识方法是computationally生效的和容易的到使用. 在的基准任务预言混乱的时间系列, 精确是改良的在的因素2400结束前一个技术. 潜在的为了工程应用是举例说明在使相等传达频道, 什么地方信号错误比率是改良的在巨大的二订购.
国际的大学Bremen, Bremen D-28759, 德国.
* 到谁相应应该是地址. 电子邮件: h.jaeger@iu-bremen.de
非线性的动力系统富于科学和在工程. 如果一个愿望到模拟, 预言, 过滤器, 分类, 或控制这样的系统, 一个需要实行的系统模型. 然而, 它是时常不可行到获得分析的模型. 在这样的箱, 一个到采取黑色-盒子模型, 哪个不理睬内在的身体的机械装置和代替复制唯一的表面地看得见的输入-输出目标系统的举止.
如果目标系统是线的, 生效的方法为了黑色-盒子建模是可用到的. 最多的技术的系统, 然而, 变成非线性的如果操作在更高的操作的点(那是, 靠近的到饱和). 虽然这might导致便宜的和更多的精力-生效的设计, 它是不妥当的广告. 因为作为结果的nonlinearities不能是马具. 多数biomechanical系统使用他们的全部动态山脉(一直到饱和) 和因此变成轻量级选手, 精力生效的, 和十分地非线性的.
在这里, 我们赠品接近到知识黑色-盒子非线性的系统的模型, 回声情形网络(ESNs). ESN是人造的复发的神经的网络(RNN). RNNs是表示在反馈("复发的") 环在他们的synaptic连接路. 他们能维持进行的活化平的在输入的不在和因而展出动态记忆. 生物学的神经的网络是代表性地复发的. 象生物学的神经的网络, 人造的RNN能学习到模仿的目标系统—原则上, 有任意的精确 (1). 几个知识算法是知名的(2–4) 那incrementally使适应synaptic的重量RNN为了曲调它向目标系统. . 这些算法有不是广泛地雇工在技术的应用因为慢的集中和suboptimal解答 (5, 6). ESN接近不同. 这些方法在那大的RNN是使用(在的订购50到1000神经元; 前一个技术代表性地使用5到30神经元) 和在那唯一的synaptic连接从RNN到输出读出器神经元是更改在知识; 前一个技术曲调全部的synaptic连接(无花果. 1). ad. 因为在那里是没有循环的依靠在中间火车读出器连接, 训练ESN变成简单的线的衰退任务.
热心网友
时间：2023-08-07 04:44
我们提出一个方法为学会非线性系统, echo 状态网络(ESNs) 。ESNs 使用人为周期性神经网络用地最近提议作为一个学习机制在生物脑子的方法。学习的方法计算上高效率和容易使用。
对对谁演讲书信应该。电子邮件: h.jaeger@iu-bremen.de 非线性动态系统盛产在科学和在工程学。如果你希望模仿, 预言, 过滤, 分类, 或控制这样系统, 你需要一个可执行的系统模式。但是, 它经常是不能实行的获得分析模型。在这些情况下, 你必须依靠黑箱子模型, 忽略内部物理机制和改为再生产唯一目标系统的向外可测的输入- 输出行为。
如果目标系统线性, 高效率的方法为黑箱子塑造是可利用的。多数技术系统, 然而, 变得非线性如果经营在更高的操作的点(那是离饱和较近) 。虽然这也许导致更加便宜和更加省能源的设计, 它不做因为收效的非线形性无法被利用。许多biomechanical 系统使用他们充分的力学范围(由饱和决定) 并且因此成为轻量级, 能量高效率, 和周到地非线性。
这里, 我们提出一种方法对非线性系统, echo 状态网络(ESNs) 学习的黑箱子模型。ESN 是一个人为周期性神经网络(RNN) 。RNNs 为反馈("周期性") 圈描绘在他们突触神经的连接路。他们能维护持续的活化作用在没有输入时和因而陈列动态记忆。生物神经网络典型地周期性。象生物神经网络, 人为RNN 可能学会仿造一个目标系统在原则, 以任意准确性(1) 。几种学习算法为人所知(2-4) 增加地适应RNN 的突触神经的重量为了定调它往目标系统。这些算法不广泛被使用了在技术应用由于缓慢的汇合和最适度一下的解答(5, 6) 。ESN 方法与这些方法不同因为大RNN 被使用(大约50 个到1000 个神经元; 早先技术典型地使用5 个到30 个神经元) 并且由于唯一突触神经的连接从RNN 与产品读出神经元被学会修改; 早先技术定调所有突触神经的连接(图1) 。由于没有循环附庸在训练的读出连接之间, 训练ESN 成为一项简单的线性回归任务。
