Zobrazeno 1 - 10
of 1 885
pro vyhledávání: '"Liquid state machine"'
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Autor:
Oscar I. Alvarez-Canchila, Andres Espinal, Marco A. Sotelo-Figueroa, Jorge A. Soria-Alcaraz, Horacio Rostro-Gonzalez
Publikováno v:
IEEE Access, Vol 12, Pp 182856-182871 (2024)
The Liquid State Machine (LSM) framework addresses supervised learning tasks involving spatio-temporal data streams. It relies on a randomly created, untrained Spiking Recurrent Neural Network (SRNN), called the “liquid,” to map inputs into task-
Externí odkaz:
https://doaj.org/article/bb23b486e8c44eafb55f9adc6c146060
Autor:
Lin, Ning, Wang, Shaocong, Li, Yi, Wang, Bo, Shi, Shuhui, He, Yangu, Zhang, Woyu, Yu, Yifei, Zhang, Yue, Qi, Xiaojuan, Chen, Xiaoming, Jiang, Hao, Zhang, Xumeng, Lin, Peng, Xu, Xiaoxin, Liu, Qi, Wang, Zhongrui, Shang, Dashan, Liu, Ming
The human brain is a complex spiking neural network (SNN) that learns multimodal signals in a zero-shot manner by generalizing existing knowledge. Remarkably, the brain achieves this with minimal power consumption, using event-based signals that prop
Externí odkaz:
http://arxiv.org/abs/2307.00771
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Autor:
Zarini, Hosein, Gholipoor, Narges, Mili, Mohamad Robat, Rasti, Mehdi, Tabassum, Hina, Hossain, Ekram
Passive beamforming in reconfigurable intelligent surfaces (RISs) enables a feasible and efficient way of communication when the RIS reflection coefficients are precisely adjusted. In this paper, we present a framework to track the RIS reflection coe
Externí odkaz:
http://arxiv.org/abs/2208.04400
Autor:
Surendran, Ranjini1 (AUTHOR) ranjinirajeshk@gmail.com, Chihi, Ines2 (AUTHOR) ines.chihi@uni.lu, Anitha, J.2 (AUTHOR) anithaj@karunya.edu, Hemanth, D. Jude1 (AUTHOR) judehemanth@karunya.edu
Publikováno v:
Algorithms. Sep2023, Vol. 16 Issue 9, p430. 21p.
Publikováno v:
35th Conference on Neural Information Processing Systems (NeurIPS 2021)
The liquid state machine (LSM) combines low training complexity and biological plausibility, which has made it an attractive machine learning framework for edge and neuromorphic computing paradigms. Originally proposed as a model of brain computation
Externí odkaz:
http://arxiv.org/abs/2111.01760
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Reservoir Computing (RC) offers a viable option to deploy AI algorithms on low-end embedded system platforms. Liquid State Machine (LSM) is a bio-inspired RC model that mimics the cortical microcircuits and uses spiking neural networks (SNN) that can
Externí odkaz:
http://arxiv.org/abs/2105.09909
Autor:
Fountain, Andrew, Merkel, Cory
A model of metabolic energy constraints is applied to a liquid state machine in order to analyze its effects on network performance. It was found that, in certain combinations of energy constraints, a significant increase in testing accuracy emerged;
Externí odkaz:
http://arxiv.org/abs/2006.04716