Redes de configuración estocástica recurrente con incrementos de bloques

Área de la Ciencia:

• Neurociencia computacional
• Aprendizaje automático
• Dinámica no lineal

Sus antecedentes:

• Las redes de configuración estocástica recurrente (RSCN) son efectivas para sistemas dinámicos no lineales con incertidumbre de orden.
• Las RSCN existentes ofrecen facilidad de implementación, reducción de la intervención humana y fuertes capacidades de aproximación.

Objetivo del estudio:

• Introducir redes de configuración estocástica recurrente de bloques (BRSCN) para mejorar la capacidad y la eficiencia del aprendizaje.
• Mejorar el modelado de sistemas dinámicos complejos no lineales.

Principales métodos:

• Desarrollar BRSCN capaces de añadir múltiples nodos de depósito (subdepósitos) al mismo tiempo.
• Configurar cada subdepósito con estructuras únicas utilizando un mecanismo de supervisión.
• Escalar la matriz de retroalimentación del depósito para garantizar la propiedad del estado de eco.
• Emplear actualizaciones de peso de salida en línea a través de un algoritmo de proyección.
• Establecer condiciones de excitación persistentes para la convergencia de los parámetros.

Principales resultados:

• Los BRSCN demuestran una eficiencia de modelado y un rendimiento de aprendizaje superiores.
• El método propuesto muestra un rendimiento de generalización favorable en varias tareas.
• Eficacia validada en la predicción de series temporales, la identificación de sistemas no lineales y el análisis de datos industriales.

Conclusiones:

• Los BRSCN ofrecen un potencial significativo para modelar dinámicas complejas con mayor eficiencia.
• La nueva arquitectura mejora las RSCN tradicionales para el análisis dinámico de sistemas.
• Los BRSCN proporcionan un marco sólido para abordar problemas difíciles de modelado no lineal.