×
伊沃·布科夫斯基

学习熵：增量学习的多尺度度量。 （英语） Zbl 1357.68163号

熵 15，第10号，4159-4187（2013）.
摘要：首先，本文回顾了最近引入的动态系统自适应监测方法，并用多尺度增强方法给出了最近的扩展。然后，研究表明，这种实时数据监测的概念建立了一种新颖的非香农和非概率新颖性量化概念，即学习熵，简称学习熵。这种新颖的认知测量方法可以用于评估每个新测量的数据样本，甚至整个区间。学习熵是根据数据与系统行为的临时控制规律的不一致性进行量化的，系统行为是通过线性或多项式自适应滤波器或神经网络等自适应模型增量学习的。本文以具有归一化学习速率的梯度下降学习技术为例，提出了这一新概念。

引用于1文件

理学硕士：

68T05型 人工智能中的学习和自适应系统
37M10个 动力系统的时间序列分析
94甲17 信息的度量，熵

关键词：

增量学习;适应图;多尺度;学习熵;个体样本学习熵;近似学习熵;学习熵的阶数;模型的学习熵;非香农熵;新奇检测;混乱;时间序列;人力资源价值;心电图
PDF格式BibTeX公司 XML格式引用
\textit{I.Bukovsky}，熵15，No.10，4159-4187（2013；Zbl 1357.68163）
全文： 内政部

参考文献：

[2] Bukovsky，使用低维神经架构对复杂动态系统进行自适应评估，认知信息学和认知计算进展，系列：计算智能研究第323卷第33页–（2010）
[3] 贝克，连接学习控制系统简介，《智能控制手册：神经、模糊和自适应方法》第36页–（1993）
[4] 内政部：10.1109/9.847127·Zbl 0972.93007号 ·doi:10.1109/9.847127
[5] 内政部：10.1016/j.sigpro.2003.07.018·兹比尔1145.94402 ·doi:10.1016/j.sigpro.2003.07.018
[6] DOI:10.1016/j.sigpro.2003.07.019·Zbl 1145.94403号 ·doi:10.1016/j.sigpro.2003.07.019
[7] DOI:10.1073/pnas.88.6.2297·Zbl 0756.60103号 ·doi:10.1073/美国国家统计局.88.6.2297
[8] Richman，《使用近似熵和样本熵进行生理时间序列分析》，美国生理学杂志。心脏循环。生理学。第278页，2039–（2000）
[9] DOI:10.4018/jcini.20070102·doi:10.4018/jcini.20070102
[10] 内政部：10.4018/jcini.2007100103·doi:10.4018/jcini.2007100103
[11] 内政部：10.4018/jcini.2007040103·doi:10.4018/jcini.2007040103
[12] DOI:10.1016/j.physa-2012.07.003·doi:10.1016/j.physa.2012.07.003
[13] 施罗德，《分形、混沌、幂律：无限天堂的几分钟》（1991）
[14] DOI:10.1103/PhysRevLett.89.068102·doi:10.1103/PhysRevLett.89.068102
[15] DOI:10.1103/PhysRevE.71.021906·doi:10.1103/PhysRevE.71.021906
[16] 内政部：10.3390/e15031069·Zbl 1298.65020号 ·doi:10.3390/e15031069
[17] DOI:10.1016/j.medengphy.2012.06.020·doi:10.1016/j.medengphy.2012.06.020
[18] 内政部：10.3390/e15020416·doi:10.3390/e15020416
[19] 数字对象标识码：10.3390/e15010198·doi:10.3390/e15010198
[20] 数字对象标识码：10.3390/e15010032·Zbl 1297.93161号 ·doi:10.3390/e15010032
[22] 内政部：10.1016/0005-1098（76）90041-8·兹伯利0345.93067 ·doi:10.1016/0005-1098（76）90041-8
[23] 内政部：10.1109/37.9163·doi:10.1109/37.9163
[24] 内政部：10.1016/0005-1098（84）90098-0·Zbl 0539.90037号 ·doi:10.1016/0005-1098（84）90098-0
[25] DOI:10.1016/0005-1098（90）90018-D·兹比尔0713.93052 ·doi:10.1016/0005-1098（90）90018-D
[26] 内政部：10.1007/BF00116900·doi:10.1007/BF00116900
[27] 内政部：10.1109/21.467710·doi:10.1109/21.467710
[28] 内政部：10.1109/9.728881·Zbl 0957.90037号 ·doi:10.1109/9.728881
[29] 内政部：10.1109/72.822513·数字对象标识代码：10.1109/72.822513
[30] 内政部：10.1109/TNN.2008.2000082·doi:10.1109/TNN.2008.200082
[31] 内政部：10.1109/TNN.2008.2003998·doi:10.1109/TNN.2008.2003998
[32] 内政部：10.1109/TNNLS.2013.2239309·doi:10.1109/TNNLS.2013.2239309
[33] 内政部：10.1109/TNNLS.2013.2253491·doi:10.1010/TNNLS.2013.2253491
[34] 内政部：10.1016/j.neunet.2012.09.017·doi:10.1016/j.neunet.2012.09.017
[35] 古普塔，《静态和动态神经网络：从基础到高级理论》（2003）
[36] Bukovsky，《非传统神经单元的建立和分类以及非突触神经相互作用的范式，认知信息学和自然智能的发现和突破》（2009）
[41] 内政部：10.1109/LSP.2003.821649·doi:10.1109/LSP.2003.821649
[42] DOI:10.1109/TCSII.2006.877280·doi:10.1109/TCSII.2006.877280
[43] 内政部：10.1162/neco.1989.1.2.270·doi:10.1162/neco.1989.1.2.270
[44] 内政部：10.1126/science.267326·Zbl 1383.92036号 ·doi:10.1126/science.267326
[45] 内政部：10.1002/年2月13日·兹比尔1024.94522 ·doi:10.1002/cta.213
[46] R-R图，记录号：222。PhysioBank:MIT-BIH心律失常数据abasehttp://www.physicnet.org/物理银行/数据库/mitdb
[47] Yoshizawa-Homma L公司网址：www.yoshizawa.ecei.tohoku.ac.jp/英语
此参考列表基于出版商或数字数学图书馆提供的信息。它的项目与zbMATH标识符启发式匹配，并且可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。