双向深度读出回声状态网络
神经与进化计算
2018-02-15 v3
摘要
我们提出了一种用于多变量时间序列分类的深度架构。通过循环且未训练的储备池，我们生成了嵌入数据中时间关系的向量表示。为提升记忆能力，我们实现了双向储备池，其最终状态也捕获了输入中的过去依赖。我们对最终储备池状态进行降维，以获得时间序列的压缩定长表示。随后将这些表示送入深度前馈网络以执行最终分类。我们在基准数据集和血液样本分类的真实用例上测试了我们的架构。结果表明，我们的方法优于标准回声状态网络，同时取得了与全训练循环网络相当的结果，但训练更快。
引用
@article{arxiv.1711.06509,
title = {Bidirectional deep-readout echo state networks},
author = {Filippo Maria Bianchi and Simone Scardapane and Sigurd Løkse and Robert Jenssen},
journal= {arXiv preprint arXiv:1711.06509},
year = {2018}
}