Ghent University Academic Bibliography

Advanced

Reservoir Computing: computation with dynamical systems

David Verstraeten UGent (2009)
abstract
In het onderzoeksgebied Machine Learning worden systemen onderzocht die kunnen leren op basis van voorbeelden. Binnen dit onderzoeksgebied zijn de recurrente neurale netwerken een belangrijke deelgroep. Deze netwerken zijn abstracte modellen van de werking van delen van de hersenen. Zij zijn in staat om zeer complexe temporele problemen op te lossen maar zijn over het algemeen zeer moeilijk om te trainen. Recentelijk zijn een aantal gelijkaardige methodes voorgesteld die dit trainingsprobleem elimineren. Deze methodes worden aangeduid met de naam Reservoir Computing. Reservoir Computing combineert de indrukwekkende rekenkracht van recurrente neurale netwerken met een eenvoudige trainingsmethode. Bovendien blijkt dat deze trainingsmethoden niet beperkt zijn tot neurale netwerken, maar kunnen toegepast worden op generieke dynamische systemen. Waarom deze systemen goed werken en welke eigenschappen bepalend zijn voor de prestatie is evenwel nog niet duidelijk. Voor dit proefschrift is onderzoek gedaan naar de dynamische eigenschappen van generieke Reservoir Computing systemen. Zo is experimenteel aangetoond dat de idee van Reservoir Computing ook toepasbaar is op niet-neurale netwerken van dynamische knopen. Verder is een maat voorgesteld die gebruikt kan worden om het dynamisch regime van een reservoir te meten. Tenslotte is een adaptatieregel geïntroduceerd die voor een breed scala reservoirtypes de dynamica van het reservoir kan afregelen tot het gewenste dynamisch regime. De technieken beschreven in dit proefschrift zijn gedemonstreerd op verschillende academische en ingenieurstoepassingen.
Please use this url to cite or link to this publication:
author
promoter
UGent and UGent
organization
alternative title
Reservoir Computing : rekenen met dynamische systemen
year
type
dissertation (monograph)
subject
keyword
neural networks, Reservoir Computing, machine learning, dynamical systems
pages
XXII, 178 pages
publisher
Ghent University. Faculty of Engineering
place of publication
Ghent, Belgium
defense location
Gent : Faculteit Ingenieurswetenschappen (Jozef Plateauzaal)
defense date
2009-10-13 18:00
ISBN
9789085783091
language
English
UGent publication?
yes
classification
D1
copyright statement
I have retained and own the full copyright for this publication
id
779431
handle
http://hdl.handle.net/1854/LU-779431
alternative location
http://lib.ugent.be/fulltxt/RUG01/001/356/663/RUG01-001356663_2010_0001_AC.pdf
date created
2009-11-10 09:55:01
date last changed
2010-01-29 11:40:57
@phdthesis{779431,
  abstract     = {In het onderzoeksgebied Machine Learning worden systemen onderzocht die kunnen leren op basis van voorbeelden. Binnen dit onderzoeksgebied zijn de recurrente neurale netwerken een belangrijke deelgroep. Deze netwerken zijn abstracte modellen van de werking van delen van de hersenen. Zij zijn in staat om zeer complexe temporele problemen op te lossen maar zijn over het algemeen zeer moeilijk om te trainen. Recentelijk zijn een aantal gelijkaardige methodes voorgesteld die dit trainingsprobleem elimineren. Deze methodes worden aangeduid met de naam Reservoir Computing. Reservoir Computing combineert de indrukwekkende rekenkracht van recurrente neurale netwerken met een eenvoudige trainingsmethode. Bovendien blijkt dat deze trainingsmethoden niet beperkt zijn tot neurale netwerken, maar kunnen toegepast worden op generieke dynamische systemen. Waarom deze systemen goed werken en welke eigenschappen bepalend zijn voor de prestatie is evenwel nog niet duidelijk.
Voor dit proefschrift is onderzoek gedaan naar de dynamische eigenschappen van generieke Reservoir Computing systemen. Zo is experimenteel aangetoond dat de idee van Reservoir Computing ook toepasbaar is op niet-neurale netwerken van dynamische knopen. Verder is een maat voorgesteld die gebruikt kan worden om het dynamisch regime van een reservoir te meten. Tenslotte is een adaptatieregel ge{\"i}ntroduceerd die voor een breed scala reservoirtypes de dynamica van het reservoir kan afregelen tot het gewenste dynamisch regime. De technieken beschreven in dit proefschrift zijn gedemonstreerd op verschillende academische en ingenieurstoepassingen.},
  author       = {Verstraeten, David},
  isbn         = {9789085783091},
  keyword      = {neural networks,Reservoir Computing,machine learning,dynamical systems},
  language     = {eng},
  pages        = {XXII, 178},
  publisher    = {Ghent University. Faculty of Engineering},
  school       = {Ghent University},
  title        = {Reservoir Computing: computation with dynamical systems},
  url          = {http://lib.ugent.be/fulltxt/RUG01/001/356/663/RUG01-001356663\_2010\_0001\_AC.pdf},
  year         = {2009},
}

Chicago
Verstraeten, David. 2009. “Reservoir Computing: Computation with Dynamical Systems”. Ghent, Belgium: Ghent University. Faculty of Engineering.
APA
Verstraeten, D. (2009). Reservoir Computing: computation with dynamical systems. Ghent University. Faculty of Engineering, Ghent, Belgium.
Vancouver
1.
Verstraeten D. Reservoir Computing: computation with dynamical systems. [Ghent, Belgium]: Ghent University. Faculty of Engineering; 2009.
MLA
Verstraeten, David. “Reservoir Computing: Computation with Dynamical Systems.” 2009 : n. pag. Print.