赫尔密特型神经网络运营商:用于功能神经成像和信号处理的衍生信息框架

科学领域:

• 机器学习 机器学习
• 数字分析 数字分析
• 信号处理 信号处理
• 神经成像是一种神经成像.

背景情况:

• 现有的神经网络运营商往往难以保持曲率等差异结构,对噪音和不规则的采样敏感.
• 需要适应式运算符,可以利用函数值及其导数来提高近似精度和稳定性.

研究的目的:

• 引入新的赫尔米特型神经网络 (HNN) 和赫尔米特-坎托罗维奇神经网络 (HKNN) 运营商,这些运营商具有衍生意识.
• 开发一种混合HNN-HKNN模型,可以动态地适应信号曲率,平衡保真性和稳定性.
• 为这些新的基于NN的运营商提供趋同保证.

主要方法:

• 开发HNN运算符,使用本地化激活函数和泰勒式扩展来整合函数值和导数.
• 扩展到HKNN运营商以实现基于积分的近似,增强稳定性.
• 创建一个混合模型,根据第二个导数 (曲率) 的大小适应权重HNN和HKNN.

主要成果:

• 在平滑的目标上,HNN实现了高准确度近似 (例如,RMSE 1.4×10-4的高斯基基准),优于现有方法.
• 混合模型在不规则性压力测试中表现良好,并在fMRI研究中提高了振幅稳定性和可靠性.
• 数字诊断证实了预期的偏差差异权衡,HNN最小化了光滑信号的误差,HKNN减少了高频增益和采样灵敏度.

结论:

• HNN和HKNN运营商提供衍生意识的近似方法,有效地保持局部差异结构和控制差异在噪音和不规则的采样下.
• 混合型HNN-HKNN模型提供了适应性强度,使其适用于具有不同曲率的复杂信号.
• 这些运算符在神经成像 (fMRI) 和对差异信息敏感的其他应用中显示出显著的实用性.