从噪声数据的序贯学习：数据同化遇见回声状态网络
系统与控制
2023-04-04 v1 机器学习
系统与控制
摘要
本文探讨从噪声数据训练循环神经网络的问题。尽管基于神经网络的动态预测器在无噪声训练数据下表现良好，但在训练阶段使用含噪输入进行预测却构成重大挑战。此处通过结合使用集成卡尔曼滤波的噪声观测，为回声状态网络（ESN）开发了一种序贯训练算法。由此得到的卡尔曼训练回声状态网络（KalT-ESN）优于用最小二乘算法传统训练的 ESN，同时仍保持计算成本低廉。所提方法在来自三个系统的噪声观测上进行了演示：两个来自混沌动力系统的合成数据集，以及一组实时交通数据。
引用
@article{arxiv.2304.00198,
title = {Sequential Learning from Noisy Data: Data-Assimilation Meets Echo-State Network},
author = {Debdipta Goswami},
journal= {arXiv preprint arXiv:2304.00198},
year = {2023}
}
备注
7 pages, 9 figures, 1 table. arXiv admin note: text overlap with arXiv:2211.05992