کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
406226 | 678073 | 2014 | 12 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
Relative entropy minimizing noisy non-linear neural network to approximate stochastic processes
ترجمه فارسی عنوان
آنتروپی نسبی به حداقل رساندن شبکه های عصبی غیر خطی پر سر و صدا به روند تقریبی تصادفی
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
شبکه های دولتی اکو مدلسازی معکوس خطی، آنتروپی نسبی، فرآیندهای تصادفی، الک نینو نوسان جنوبی
موضوعات مرتبط
مهندسی و علوم پایه
مهندسی کامپیوتر
هوش مصنوعی
چکیده انگلیسی
A method is provided for designing and training noise-driven recurrent neural networks as models of stochastic processes. The method unifies and generalizes two known separate modeling approaches, Echo State Networks (ESN) and Linear Inverse Modeling (LIM), under the common principle of relative entropy minimization. The power of the new method is demonstrated on a stochastic approximation of the El Niño phenomenon studied in climate research.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Neural Networks - Volume 56, August 2014, Pages 10–21
Journal: Neural Networks - Volume 56, August 2014, Pages 10–21
نویسندگان
Mathieu N. Galtier, Camille Marini, Gilles Wainrib, Herbert Jaeger,