Multilayer Artificial Neural Network Design and Architecture Optimization for the Pattern Recognition and Prediction of EEG Signals Based on Hénon Map Chaotic System
Notice bibliographique
Résumé
This paper investigates the training performances of multilayer artificial neural network (ANN) architectures for the implementation of chaotic systems. The designed ANN models can be employed for pattern recognition and prediction of dynamic chaotic systems, in order to simulate and analyze brain activities captured by Electroencephalogram (EEG). Previous research shows that EEG signals demonstrate chaotic features. Chaotic systems can be represented by a set of mathematical equations, which can be used to generate the target outputs for training ANN. In this research, the Henon map is selected as an example for ANN-based chaotic system design. The optimization of ANN architecture is important for improving the performance of hardware implementation. ANN architectures with up to 3 hidden layers combined with different number of hidden neurons are compared by measuring the training performance using the mean square errors (MSE). The ANN training are carried out using three training algorithms: Levenberg-Marquardt, Bayesian Regulation and Scaled Conjugated Gradient. Nonlinear autoregressive (NAR) model is used for ANN architectures design. The training results demonstrate that the training performance can not be improved simply by increasing the complexity of the ANN architecture in terms of the number of hidden layers and hidden neurons. It is therefore necessary to optimize the ANN architecture on a case-by-case basis in order to improve the efficiency of the ANN implementation for specified applications.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».