Echo State Network
Een Echo State Network (ESN) is een type recurrent neuraal netwerk dat in 2004 werd geïntroduceerd door Herbert Jaeger en Harald Haas. Het maakt gebruik van een grote, willekeurig verbonden, vaste recurrente laag – de reservoir – om inputsignalen te projecteren in een niet-lineaire ruimte met hoge dimensionaliteit. Alleen de lineaire outputgewichten worden getraind, doorgaans via ridge regressie, waardoor ESNs computationeel goedkoop maar toch zeer expressief zijn voor modelleringstaken met temporele en chaotische tijdreeksen.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 2). Echo State Network (Reservoir Computing). ScholarGate. https://scholargate.app/nl/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
- Recurrent Neuraal NetwerkDeep learning↔ compare
- SteekproefentropieComplexe systemen↔ compare
Een fout op deze pagina gezien? Meld het of stel een correctie voor →