Pokúšal som sa zreprodukovať výsledky Boedeckera z Information Processing in Echo State Networks at the Edge of Chaos
Zdrojaky:
argmin NRMSE=0.95, min NRMSE=0.84877
argmin NRMSE=0.8, min NRMSE=0.909755
argmin NRMSE=66, min NRMSE=0.823972
argmin NRMSE=69, min NRMSE=0.83421
OG: argmin NRMSE=(16,29), min NRMSE=0.8187
ON: argmin NRMSE=(29,29), min NRMSE=0.823497
argmin NRMSE=(19,28), min NRMSE=0.838228
argmin NRMSE=0.875, min NRMSE=0.000247
argmin NRMSE=0.1, min NRMSE=0.00034128
argmin NRMSE=0, min NRMSE=0.00024545
argmin NRMSE=10, min NRMSE=0.00024369
OG: argmin NRMSE=(12,0), min NRMSE=0.00024
ON: argmin NRMSE=(10,0), min NRMSE=0.00024
argmin NRMSE=(4,0), min NRMSE= 0.00021
Zdrojaky:
errors.py
errors2d.py
errorsOG.py
errorsON.py
errorsWin.py
Parametre siete
TE reservoir distribution
Pozorovanie: Pri troche predstavivosti TE medzi jednotlivými neurónmi pripomína normálne rozdelenie. (teda v prípade, že TE je väčšie) A váhy rezervoárovej matice sú z normálenho rozdelenia.
TE reservoir distribution (instances of reservoir matrix)
TE reservoir-output distribution
Zdrojaky:
grafy.py
MGTEnormalized.py
TE a predikcie NARMA.
NRMSE
Mean TE
Mean TE reservoir-output
TE Input/Output
Zdrojaky:
NARMATE.py
NARMATEnormalized.py
NARMATEnormalizedOG.py
NARMATEnormalizedON.py
TE a predikcie Mackey-Glass.
NRMSE
Mean TE
Mean TE reservoir-output
TE Input/Output
Zdrojaky:
MGTE.py
MGTEnormalized.py
MGTEnormalizedOG.py
MGTEnormalizedON.py
TE a úloha memory capacity. Input do siete bol Unif[-1,1].
Memory capacity
Mean TE
Mean TE reservoir-output
TE Input/Output
Zdrojaky:
TEMC.py
TEMCnormalized.py
TEMCnormalizedOG.py
TEMCnormalizedON.py
Pozeral som sa na overfitting ako na problém veľkých chýb a nakoniec bol problém v chybe v kóde.
Parametre siete
mean NRMSE test data
mean NRMSE train data
Zdrojaky:
standart.py
standartOverfit.py
normalized.py
normalizedOverfit.py
normalizedOG.py
normalizedOverfitOG.py
normalizedON.py
normalizedOverfitON.py
