هدف ما ،تنظیم وزن در شبکه های عصبی بازگشتی برای آموزش آنلاین
یادگیری بازگشتی بهنگام (RTRL) در شبکه های عصبی بازگشتی میتواند به نحو موثری دینامیک های پیچیده را مدل کند و این روش برای پیش بینی سری های زمانی مختلف با یک گام پیشروی موفق بوده است.
در این مقاله یک روش یادگیری بازگشتی بهنگامِ تقویت شده با دو گام پیشروی پیشنهاد شده است. کارآیی روش پیشنهادی با استفاده از دو سری زمانی پایه و دادگان آب های جاری در هنگام وقوع سیل در کشور تایوان مورد بررسی قرار گرفته است.
نتایج نشان میدهند روش پیشنهادی مبتنی بر آموزش بازگشتی با دو گام پیشروی میتواند به نحو مطلوبی سری های زمانی تئوریک را پیش بینی کرده، صحت پیشبینی سیل را بهبود داده و اثرات تاخیر زمانی را کاهش دهد.
در این مقاله روش جدیدِ R-RTRL برای شبکه های بازگشتی پیشنهاد شده است که به صورت مداوم مقادیر پیش بینی شده با یک گام و دو گام پیشروی را به همراه مقدار مشاهده شده جمع آوری میکند تا تاخیر زمانی و دقت پیش بینی افزایش یابد. توانایی یادگیری و پیشبینی این روش با استفاده از دو سری زمانی متداول مورد بررسی قرار گرفته است.
برای مقایسه روش اصلی RTRL نیز به همراه روشهای ESN، BPNNI و BPNNII پیاده سازی شده است. در مقاله ادعا شده است که روش پیشنهادی بهترین نتیجه را از نظر معیارهای کارآیی دارد. با این حال نتایج شبیه سازی نشان میدهند شبکه ESNهم در روند تعلیم و هم در روند تست نتایج بهتری در بر دارد.
تنظیم وزن در شبکه های عصبی بازگشتی برای آموزش آنلاین
Reinforced Two-Step-Ahead Weight Adjustment Technique for Online