无超参数神经混沌学习分类算法.pdfVIP

无超参数神经混沌学习分类算法

AkhilaHenryNithinNagaraj

DepartmentofMathematicsComplexSystemsProgramme

AmritaVishwaVidyapeethamNationalInstituteofAdvancedStudies

AmritapuriCampusIndianInstituteofScienceCampus

Kollam,690525,Kerala,India.Bengaluru,560012,Karnataka,India.

akhilahenryu@nithin@nias.res.in

本ABSTRACT

译神经混沌学习（NL）是一种受大脑启发的分类框架，它利用混沌动力学从输入数据中提取

中特征，并在分类任务上实现了最先进的性能。然而，NL需要调整多个超参数并为每个输入

1样本计算四个混沌特征。本文我们提出自动混沌网络——一种新颖且无超参数的NL算法

v变体，消除了训练和参数优化的需求。AutochaosNet利用从Champernowne常数派生出的

8通用混沌序列，并使用输入刺激定义特征提取的时间界限。评估了两个简化的变体——TM

7

4AutochaosNet和TM-FRAutochaosNet，并与现有的NL架构ChaosNet进行比较。我们的结果

1显示，AutochaosNet实现了具有竞争力或更优的分类性能，同时由于计算量减少而大大减少

0.了训练时间。除了消除训练和超参数调整之外，AutochaosNet还表现出优秀的泛化能力，使

8其成为现实世界分类任务中可扩展且高效的选项。未来工作将重点识别各种混沌映射下的通

0

5用轨道，并将其纳入NL框架以进一步提高性能。

2

:

vKeywords神经混沌学习轨迹均值点火率普适轨道自动混沌网络

i

x

r

a

1介绍

当前的人工智能研究轨迹旨在使机器能够自主学习。各种各样的机器学习算法正在以加速的速度开发中。其

中，受大脑启发的学习算法最近受到了广泛关注。其中一个方法是神经混沌学习（NL）算法[1]，它从人脑的

动力学行为中汲取灵感，特别是神经活动中的混沌现象。

在中，研究者引入了两种不同的NL框架架构：ChaosNet和CFX（混沌特征提取）+ML[2]。这些架构

通过使用一种称为斜顶帐篷映射的一维混沌映射来运用混沌。对于每个数据集，都会计算一个神经轨迹，该

轨迹在达到预定义的噪声阈值时终止。

给定一个包含个样本和个特征的数据集，ChaosNet和CFX+ML算法为每个输入特征提取四个混沌特征

——放电时间、放电率、能量和熵——从而形成一个大小为的转换特征集。这些特征随后被馈入经典机

器学习分类器或直接使用余弦相似度进行分类。该算法涉及初始条件和混沌映射的偏斜值等超参数，以及噪

声水平，所有这些都需要调优。这一过程增加了特征提取的计算成本和复杂性。

在这项研究中，我们介绍了一种新颖的神经混沌学习算法变体，该变体通过利用最近提出的通用混沌轨道[3]

完全消除了超参数调整的需求，该轨道是使用十进制移位映射导出的。这种方法旨在简化特征提取过程，同

时保持混沌表示在学习任务中的有效性。

增强回归与神经混沌学习关联法增强回归与神经混沌学习关联法增强回归与神经混沌学习关联法

2使用通用轨