Improving the Efficacy of Artificial Neural Network Training by Optimizing Training Data for the Simulation and Prediction of Electroencephalogram Chaotic Patterns
Notice bibliographique
Résumé
In this paper, the quality and size of training data are investigated for improving the training efficacy of artificial neural network (ANN) to generate Lorenz chaotic system and predict the time series outputs using Nonlinear Auto-Regressive (NAR) model. The designed NAR ANN model will be used for the simulation and analysis of Electroencephalogram (EEG) signals captured from brain activities. A simple ANN topology with a single hidden layer is used, and different ANN architectures with varying number of hidden neurons (n=3 to 16) and input delays (d=1 to 4) are trained with Levenberg-Marquardt algorithm using the MATLAB Neural Network Toolbox. The training results are investigated by comparing two aspects of the training data: size and precision. It is found that for any given ANN architecture, the training performance cannot be improved by solely increasing the training data size in the case of Lorenz system, which is useful knowledge towards reducing the training data size of EEG signals required for training ANN-based NAR model. On the other hand, the training performance can be improved by training data with the same size but better precision. Moreover, when training data with the same size and precision is used, the training performance varies depends on the segment of the Lorenz chaotic trajectory used for the training and can worsen if the changing rate of the selected segment represented by the training data is high.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».