蓋世汽車訊 各種形式的模式識別，特別是機器學習，已經被廣泛應用于各種現代技術。通過發現數據中的模式，機器學習能夠將此類模式轉變為可理解的信息，比如，識別自動駕駛汽車行進路徑上的物體，或者識別入侵者的熱特征等。
以與機器學習類似的方式，一種名為“儲備池計算”（reservoir computing）的新興框架可用于從數據中學習模式。此種計算形式的關鍵是采用一個復雜的系統，通過該系統對信息進行重復計算。這一切可通過一種循環神經網絡（RNN）來完成，該網絡采用動力系統或“儲備池”來執行模式識別任務。
可識別聲音的材料（圖片來源：advancedsciencenews.com）
不過，傳統的RNN由大量獨立、相互連接的節點或具有多個參數的神經元構成，會導致此類系統笨拙、難以訓練，甚至會導致高能量消耗，從而阻礙應用。儲備池計算則通過隨機選擇參數以及只訓練輸出節點來簡化這一點，極大地降低復雜性。
模式識別材料
最近的研究已經轉向采用能夠執行模式識別任務的物理基礎，來進行儲備池計算。只要此類材料足夠復雜、非線性（輸入的變化不一定與輸出的變化相同），并且具有漸漸減弱的記憶特性，即該系統隨著時間的推移，回憶過去輸入的信號的能力逐漸減弱，其就能夠發揮儲備池的作用。
來源：蓋世汽車
作者：Fairy
本文地址：http://www.155ck.com/news/jishu/201364
以上內容轉載自蓋世汽車，目的在于傳播更多信息，如有侵僅請聯系admin#d1ev.com(#替換成@)刪除，轉載內容并不代表第一電動網（www.155ck.com）立場。
文中圖片源自互聯網，如有侵權請聯系admin#d1ev.com（#替換成@）刪除。
先估價再買車，買的放心開的安心
您的詢價信息
已經成功提交我們稍后會聯系您進行報價!
京公網安備
11010502033163號