文献

J-GLOBAL ID：201702285367004533   整理番号：17A1034483

動的非線形ネットワーク(DyNNets)の推定と学習【Powered by NICT】

Estimation and learning of Dynamic Nonlinear Networks (DyNNets)

著者 (2件)： Sahraee-Ardakan Mojtaba (University of California at Los Angeles, United States of America) ,  Fletcher Alyson K. (University of California at Los Angeles, United States of America)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： ICASSP  ページ： 2856-2860  発行年： 2017年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： データからの高次元システムの学習非線形性とダイナミックスの存在下における計算的に困難なことが多い。無記憶,スカラー非線形フィードバック要素と無記憶,線形相互作用を持つ低次元線形動的サブシステムのネットワークに分解システムに基づいた高次元システムの同定のための新しいアプローチを提案した。動的非線形ネットワーク(DyNNets)と呼ばれる,提案したモデルは,広範囲の複雑な現象を包含でき,特にモデリング神経系に適している。DyNNetの未知パラメータを与えられた隠れ状態の事後密度は線形動力学,無記憶非線形性,および線形相互作用を分離する因数分解可能な構造を許容することを示した。因数分解は乗算器の交互方向手法(ADMM)による最大事後確率(MAP)状態推定とシステム同定の効率的な実装を可能にする。方法論は,ニューラル質量モデルの推定について説明した。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： モデリング ,  非線形性 ,  乗算器 ,  相互作用 ,  *ネットワーク ,  神経系 ,  スカラー ,  状態推定 ,  高次元 ,  *学習 ,  因数分解 ,  *線形性
準シソーラス用語： 最大事後確率 ,  サブシステム ,  低次元 , 【Automatic Indexing@JST】

分類 (3件)： 増幅回路  (NC05040U) ,  移動通信  (ND08030H) ,  信号理論  (ND02020G)

タイトルに関連する用語 (3件)： 非線形 ,  推定 ,  学習