Como nuevo tipo de modelo de red neuronal artificial, el HTM se ha convertido en el centro de la investigación y la aplicación actuales. La representación distribuida dispersa es la base del modelo HTM, pero los algoritmos de aprendizaje de pool espacial existentes tienen una elevada sobrecarga de tiempo de entrenamiento y pueden hacer que el pool espacial se vuelva inestable. Para superar estas desventajas, proponemos un algoritmo de aprendizaje de pool espacial rápido de HTM basado en la nominación de minicolumnas, en el que las minicolumnas se seleccionan según la capacidad de carga y las sinapsis se ajustan mediante codificación comprimida. Hemos implementado el prototipo del algoritmo y hemos realizado experimentos con tres conjuntos de datos. Se comprueba que la sobrecarga de tiempo de entrenamiento del algoritmo propuesto casi no se ve afectada por la longitud de la codificación, y el pool espacial se estabiliza tras menos iteraciones de entrenamiento. Además, el entrenamiento de la nueva entrada no afecta a los resultados ya entrenados.
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
Investigación sobre la tecnología de exploración del carbón basada en la teledetección por satélite
Artículo:
Detección cooperativa asistida por localización de ataques de emulación de usuario primario en redes de sensores inalámbricas cognitivas mediante técnicas no paramétricas
Artículo:
Trefilado in situ de vidrio fosfatado en matrices poliméricas para la impresión 3D por extrusión de material
Artículo:
Análisis del valor enfermero y evaluación del riesgo de las enfermedades gastroenterológicas agudas
Artículo:
Nanocables de CuO retorcidos como materiales para ánodos de baterías de iones de litio