Analysis of the dynamics of the echo state network model using recurrence plot

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61989100%3A27240%2F19%3A10244284" target="_blank" >RIV/61989100:27240/19:10244284 - isvavai.cz</a>

Výsledek na webu

<a href="https://link.springer.com/chapter/10.1007%2F978-3-030-01818-4_35" target="_blank" >https://link.springer.com/chapter/10.1007%2F978-3-030-01818-4_35</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-030-01818-4_35" target="_blank" >10.1007/978-3-030-01818-4_35</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Analysis of the dynamics of the echo state network model using recurrence plot

Popis výsledku v původním jazyce

At the beginning of the 2000s, a specific type of Recurrent Neural Networks (RNNs) was developed with the name Echo State Network (ESN). The model has become popular during the last 15 years in the area of temporal learning. The model has a RNN (named reservoir) that projects an input sequence in a feature map. The reservoir has two main parameters that impact the accuracy of the model: the reservoir size (number of neurons in the RNN) and the spectral radius of the hidden-hidden recurrent weight matrix. In this article, we analyze the impact of these parameters using the Recurrence Plot technique, which is a useful tool for visualizing chaotic systems. Experiments carried out with three well-known dynamical systems show the relevance of the spectral radius in the reservoir projections. (C) Springer Nature Switzerland AG 2019.

Název v anglickém jazyce

Analysis of the dynamics of the echo state network model using recurrence plot

Popis výsledku anglicky

At the beginning of the 2000s, a specific type of Recurrent Neural Networks (RNNs) was developed with the name Echo State Network (ESN). The model has become popular during the last 15 years in the area of temporal learning. The model has a RNN (named reservoir) that projects an input sequence in a feature map. The reservoir has two main parameters that impact the accuracy of the model: the reservoir size (number of neurons in the RNN) and the spectral radius of the hidden-hidden recurrent weight matrix. In this article, we analyze the impact of these parameters using the Recurrence Plot technique, which is a useful tool for visualizing chaotic systems. Experiments carried out with three well-known dynamical systems show the relevance of the spectral radius in the reservoir projections. (C) Springer Nature Switzerland AG 2019.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10200 - Computer and information sciences

Projekt

<a href="/cs/project/GJ16-25694Y" target="_blank" >GJ16-25694Y: Mnohoparadigmatické algoritmy dolování z dat založené na vyhledávání, fuzzy technologiích a bio-inspirovaných výpočtech</a><br>

Návaznosti

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

Rok uplatnění

2019

Kód důvěrnosti údajů

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

Název statě ve sborníku

Advances in Intelligent Systems and Computing. Volume 874

ISBN

978-3-030-01817-7

ISSN

2194-5357

e-ISSN

—

Počet stran výsledku

9

Strana od-do

353-361

Název nakladatele

Springer

Místo vydání

Basilej

Místo konání akce

Soči

Datum konání akce

17. 9. 2018

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—