如何正确形成NS的输入值。 - 页 13

新评论
 

朋友们，我为 "插嘴 "而道歉。

有人在这个方向上工作过吗？

在没有先验知识的情况下 "捞 "出有用信息的想法似乎很诱人。我想知道这在我们的业务中如何现实地使用？

 
Neutron писал (а)>>

朋友们，我为 "插嘴 "而道歉。

有人在这个方向上工作过吗？

在没有先验知识的情况下 "捞 "出有用信息的想法似乎很诱人。我想知道这在我们的业务中如何现实地使用？

像这样的反馈

 
这看起来像是一种关联。也就是说，你要找的函数是一个从输入到输出或反之亦然的相关函数。
 

互惠信息被作为目标函数提供。也就是说，它是一种没有老师的学习的变体。

这就是最终的结果吗？某种滑动的矢量，即多维的muving？

 
YuraZ писал (а)>>

>>像这样的反馈


不，它看起来更像是PCA。

 
lna01 писал (а)>>
不，相互信息是作为一个目标函数提供的。因此，这是一种没有老师的学习的变体。

为什么不呢？如果存在相关性，在训练期间，目标函数就会趋向于1。原则上，我看不出与传统优化有什么区别。

 
sergeev писал (а)>>

2 YuraZ.人 们正在回升，这很好。

你在上述主题中的专家是我的第一个介绍。非常感谢您提供的代码。我将在此粘贴其稍作修正和装饰的版本。对于初学者来说，这已经很不错了。


我严格比较了我的版本与真实版本在测试模式上的输出。

我试过你的版本，我从来没有成功地教过它!

在我的变体中，学习速度更快

 
Neutron писал (а)>>

在没有先验知识的情况下 "捞 "出有用信息的想法似乎很诱人。我想知道这在我们的案例中如何现实地使用？

那么I(X, Y)函数呢？



IMHO，PCA（主成分分析）或MGC（主成分法）和再循环网络是你需要的。
 
FION писал (а)>>

为什么不呢？如果存在相关性，在训练期间，目标函数就会趋向于1。原则上，我看不出与传统优化有什么区别。

"不 "指的是反馈:)。至于作为目标函数的相关性，它似乎确实与相互信息有关。但由于公式不同，学习的轨迹也可能不同。一般来说，对于一个或多或少复杂的系统，很难指望达到全球极值。而由此产生的局部极值对于不同的学习路径可能是不同的。

 
Neutron писал (а)>>

朋友们，我为 "插嘴 "而道歉。

有人在这个方向上工作过吗？

在没有先验知识的情况下 "捞 "出有用信息的想法似乎很诱人。我想知道这在我们的案例中如何现实地使用？

我可以问一下这段摘录是出自哪里吗？我曾经尝试过从噪声中提取一个有用的信号，但工作仍未完成。

1...67891011121314151617181920...31
新评论