|
Эта публикация цитируется в 2 научных статьях (всего в 2 статьях)
НЕЛИНЕЙНАЯ ДИНАМИКА И НЕЙРОНАУКА
Динамика сети дискретных модельных нейронов при контролируемом обучении системы резервуарных вычислений
М. М. Пугавкоab, О. В. Масленниковab, В. И. Некоркинab a Институт прикладной физики РАН, г. Нижний Новгород
b Национальный исследовательский Нижегородский государственный университет им. Н. И. Лобачевского
Аннотация:
Цель настоящей работы состоит в построении системы резервуарных вычислений, которая содержит сеть модельных нейронов с дискретным временем, и изучении характеристик системы при её обучении автономно генерировать гармонический целевой сигнал. Методы работы включают в себя подходы нелинейной динамики (анализ фазового пространства в зависимости от параметров), машинного обучения (резервуарные вычисления, контролируемая минимизация ошибки) и компьютерного моделирования (реализация численного алгоритма, построение характеристик и диаграмм). Результаты. Построена система резервуарных вычислений на основе сети связанных дискретных модельных нейронов, показана возможность её контролируемого обучения генерации целевого сигнала с помощью метода контролируемой минимизации ошибки FORCE. Установлено, что с ростом размера сети среднеквадратичная ошибка обучения снижается. Исследованы динамические режимы, возникающие на уровне индивидуальной активности внутрирезервуарных нейронов на различных стадиях обучения. Показано, что в процессе обучения сеть-резервуар переходит из состояния пространственно-временного беспорядка в состояние, когда в сети-резервуаре существуют регулярные кластеры спайковой активности. Найдены оптимальные значения коэффициентов связи и параметров собственной динамики нейронов, соответствующие минимальной ошибке обучения. Заключение. В работе предложена новая система резервуарных вычислений, базовой единицей которой является дискретный модельный нейрон Курбажа-Некоркина. Преимущество сети, основанной на такой модели спайкового нейрона, заключается в том, что модель задается в виде точечного отображения, следовательно, нет необходимости производить операцию интегрирования. Предложенная система показала свою эффективность при обучении автономной генерации гармонической функции, а также для ряда других целевых функций.
Ключевые слова:
резервуарные вычисления, машинное обучение, дискретный модельный нейрон, целевой сигнал, функция ошибки.
Поступила в редакцию: 23.09.2019
Образец цитирования:
М. М. Пугавко, О. В. Масленников, В. И. Некоркин, “Динамика сети дискретных модельных нейронов при контролируемом обучении системы резервуарных вычислений”, Известия вузов. ПНД, 28:1 (2020), 77–89
Образцы ссылок на эту страницу:
https://www.mathnet.ru/rus/ivp357 https://www.mathnet.ru/rus/ivp/v28/i1/p77
|
Статистика просмотров: |
Страница аннотации: | 357 | PDF полного текста: | 126 |
|