《表1 各种方法的对比:深度回声状态网络概述》
相比于其他的方法,Deep-ESN有如下几点特征(详见表1):(1)多投影编码。Deep-ESN不是直接堆叠多个ESN,而是在储备池之间使用编码器,充分利用高维投影来获得丰富的多尺度输入动态表达;(2)多尺度特征融合。为了更好地融合每个储备池捕获的多尺度动态表示,添加了从每个编码器到最后一个输出层的连接,即特征链接;(3)简化训练。与以前的一些基于层次的ESN模型不同,Deep-ESN唯一可训练的层是最后一个输出层,它保留了储备池计算的高效计算而不依赖于梯度传播算法。
图表编号 | XD0017065400 严禁用于非法目的 |
---|---|
绘制时间 | 2018.08.15 |
作者 | 程国建、魏珺洁 |
绘制单位 | 西安石油大学研究生院、西安石油大学研究生院 |
更多格式 | 高清、无水印(增值服务) |