Echo State Network
Ein Echo State Network (ESN) ist ein Typ eines rekurrenten neuronalen Netzes, das 2004 von Herbert Jaeger und Harald Haas eingeführt wurde und eine große, zufällig verbundene, feste rekurrenten Schicht – das Reservoir – nutzt, um Eingangssignale in einen hochdimensionalen nichtlinearen Raum zu projizieren. Nur die linearen Ausgangsgewichte werden trainiert, typischerweise mittels Ridge-Regression, was ESNs recheneffizient und dennoch ausdrucksstark für Aufgaben der Modellierung zeitlicher und chaotischer Zeitreihen macht.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- Jaeger, H., & Haas, H. (2004). Harnessing nonlinearity: Predicting chaotic systems and saving energy in wireless communication. Science, 304(5667), 78–80. DOI: 10.1126/science.1091277 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 2). Echo State Network (Reservoir Computing). ScholarGate. https://scholargate.app/de/deep-learning/echo-state-network
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- LSTMDeep Learning↔ compare
- Rekurrentes neuronales NetzDeep Learning↔ compare
- Sample EntropyKomplexe Systeme↔ compare
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →