新型深度储备池计算方法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.2 国内外研究动态 | 第12-15页 |
| 1.3 研究动态分析与总结 | 第15-16页 |
| 1.4 本文主要研究内容及其安排 | 第16-17页 |
| 第二章 储备池计算模型基础 | 第17-21页 |
| 2.1 回声状态网络模型 | 第17-18页 |
| 2.2 储备池中的超参数 | 第18-19页 |
| 2.3 储备池系统的稳定性条件 | 第19-20页 |
| 2.4 本章小结 | 第20-21页 |
| 第三章 基于多重投影编码的深度储备池网络 | 第21-45页 |
| 3.1 研究动机 | 第21页 |
| 3.2 深度储备池网络 | 第21-24页 |
| 3.3 编码器的选择 | 第24-26页 |
| 3.4 超参数优化 | 第26-28页 |
| 3.5 稳定性分析 | 第28-30页 |
| 3.6 实验部分 | 第30-44页 |
| 3.6.1 时间序列预测实验 | 第31-35页 |
| 3.6.2 拓展多项式系统的识别实验 | 第35-37页 |
| 3.6.3 超参数灵敏度分析实验 | 第37-40页 |
| 3.6.4 多尺度动态的可视化分析 | 第40-44页 |
| 3.7 本章小结 | 第44-45页 |
| 第四章 基于卷积回声状态网络的时序分类模型 | 第45-68页 |
| 4.1 研究动机 | 第45页 |
| 4.2 卷积回声状态网络 | 第45-49页 |
| 4.2.1 基于储备池系统的回声状态编码 | 第46-47页 |
| 4.2.2 基于卷积的多尺度解码 | 第47-49页 |
| 4.2.3 损失函数与训练算法 | 第49页 |
| 4.3 面向动作识别的卷积回声状态网络扩展模型 | 第49-53页 |
| 4.3.1 人体骨骼节点数据的结构划分 | 第49-51页 |
| 4.3.2 基于多步通道融合策略的拓展模型 | 第51-53页 |
| 4.4 基于UCR时序数据库的分类实验 | 第53-62页 |
| 4.4.1 UCR时序数据库介绍 | 第53-55页 |
| 4.4.2 数据预处理与模型设置 | 第55页 |
| 4.4.3 实验结果 | 第55-62页 |
| 4.5 基于人体骨骼节点序列的动作识别任务 | 第62-67页 |
| 4.5.1 数据集介绍 | 第62-63页 |
| 4.5.2 数据预处理与实验设置 | 第63-64页 |
| 4.5.3 实验结果 | 第64-67页 |
| 4.6 本章小结 | 第67-68页 |
| 第五章 结论和展望 | 第68-70页 |
| 参考文献 | 第70-79页 |
| 攻读硕士学位期间取得的研究成果 | 第79-81页 |
| 致谢 | 第81-82页 |
| 附件 | 第82页 |
