An experimental analysis of the Echo State Network initialization using the Particle Swarm Optimization

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61989100%3A27240%2F14%3A86092410" target="_blank" >RIV/61989100:27240/14:86092410 - isvavai.cz</a>

Nalezeny alternativní kódy

RIV/61989100:27740/14:86092410

Výsledek na webu

<a href="http://ieeexplore.ieee.org/stamp/stamp.jsp?arnumber=6921880" target="_blank" >http://ieeexplore.ieee.org/stamp/stamp.jsp?arnumber=6921880</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1109/NaBIC.2014.6921880" target="_blank" >10.1109/NaBIC.2014.6921880</a>

Jazyk výsledku

angličtina

Název v původním jazyce

An experimental analysis of the Echo State Network initialization using the Particle Swarm Optimization

Popis výsledku v původním jazyce

This article introduces a robust hybrid method for solving supervised learning tasks, which uses the Echo State Network (ESN) model and the Particle Swarm Optimization (PSO) algorithm. An ESN is a Recurrent Neural Network with the hidden-hidden weights fixed in the learning process. The recurrent part of the network stores the input information in internal states of the network. Another structure forms a free memory method used as supervised learning tool. The setting procedure for initializing the recurrent structure of the ESN model can impact on the model performance. On the other hand, the PSO has been shown to be a successful technique for finding optimal points in complex spaces. Here, we present an approach to use the PSO for finding some initial hidden-hidden weights of the ESN model. We present empirical results that compare the canonical ESN model with this hybrid method on a wide range of benchmark problems.

Název v anglickém jazyce

An experimental analysis of the Echo State Network initialization using the Particle Swarm Optimization

Popis výsledku anglicky

This article introduces a robust hybrid method for solving supervised learning tasks, which uses the Echo State Network (ESN) model and the Particle Swarm Optimization (PSO) algorithm. An ESN is a Recurrent Neural Network with the hidden-hidden weights fixed in the learning process. The recurrent part of the network stores the input information in internal states of the network. Another structure forms a free memory method used as supervised learning tool. The setting procedure for initializing the recurrent structure of the ESN model can impact on the model performance. On the other hand, the PSO has been shown to be a successful technique for finding optimal points in complex spaces. Here, we present an approach to use the PSO for finding some initial hidden-hidden weights of the ESN model. We present empirical results that compare the canonical ESN model with this hybrid method on a wide range of benchmark problems.

Druh

D - Stať ve sborníku

CEP obor

IN - Informatika

OECD FORD obor

—

Projekt

Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2014

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

NaBIC 2014 ; CASoN 2014 : July 30-31, Porto, Portugal

ISBN

978-1-4799-5937-2

ISSN

—

e-ISSN

—

Počet stran výsledku

6

Strana od-do

214-219

Název nakladatele

IEEE

Místo vydání

New York

Místo konání akce

Porto

Datum konání akce

30. 7. 2014

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—