Nichtlineare Systemidentifikation mit Hilfe von Deep Learning und randomisierten Algorithmen

Randomisierte Algorithmen zeigen gute Leistungen bei Regressions- und Klassifikationsproblemen, indem sie zufällige versteckte Gewichte und die Pseudoinversberechnung für die Ausgangsgewichte verwenden. Sie verfügen über eine einzige verborgene Ebene. Andererseits wurden Deep-Learning-Techniken aufgrund ihrer tiefen Struktur und effektiven unüberwachten Lernens erfolgreich zur Mustererkennung eingesetzt. In diesem Papier wird der randomisierte Algorithmus durch die Deep-Learning-Methode modifiziert. Es gibt mehrere versteckte Schichten, und die versteckten Gewichte werden durch die Eingabedaten und modifizierte beschränkte Boltzmann-Maschinen bestimmt. Die Ausgangsgewichte werden mit normalen randomisierten Algorithmen trainiert. Das vorgeschlagene Deep Learning mit den randomisierten Algorithmen wird mit drei Benchmark-Datensätzen validiert.