Project

Bayesiaanse technieken toegepast op reservoir computing voor de modellering en controle van dynamische systemen

Looptijd
01-10-2012 → 30-09-2014
Financiering
Fonds voor Wetenschappelijk Onderzoek - Vlaanderen (FWO), Gewestelijke en gemeenschapsmiddelen: Bijzonder Onderzoeksfonds
Onderzoeksdisciplines
  • Natural sciences
    • Applied mathematics in specific fields
    • Computer architecture and networks
    • Distributed computing
    • Information sciences
    • Information systems
    • Programming languages
    • Scientific computing
    • Theoretical computer science
    • Visual computing
    • Other information and computing sciences
  • Engineering and technology
    • Modelling
    • Multimedia processing
Trefwoorden
computer technieken
 
Projectomschrijving

Machine Learning (ML) is een wetenschappelijke discipline die algoritmes die computers kunnen gebruiken om geavanceerde en moeilijke taken uit te voeren ontwikkelt. Het belangrijkste idee is dat deze algoritmen toelaten computersystemen om “te leren uit ervaring”. Door voorbeelden van b.v. handgeschreven cijfers, kan de computer leren cijfers is het nog nooit eerder gezien als 1, 2 et cetera te herkennen en ze in te delen. Dit toont aan dat ML geïnspireerd door de werking van de menselijke hersenen. Vanaf het moment dat we geboren worden, zijn onze zintuigen beïnvloed door de omgeving: we horen dingen en een taal te leren, zien we objecten en leren hun eigenschappen, zien we hoe andere mensen bewegen en leren om onszelf te lopen. Veel technieken zijn ontwikkeld dat bepaalde relaties kunnen leren en te onderscheiden verschillende patronen. Er zijn maar weinig technieken bestaan ​​echter die alle eigenschappen van het menselijk brein te hebben. Ons brein is robuust: als we een ras van de hond die we nooit eerder zagen zien, we weten dat het een hond. Ons brein kan dingen afleiden en generaliseren observaties: we hoeven niet elke aardbei om te weten dat het zoete smaak. Onze hersenen herkent verandert zeer snel: als een persoon begint te lopen hebben we niet nodig om hem te observeren gedurende een paar seconden om te beseffen dat hij gaat sneller. Mijn onderzoek stelt de combinatie van twee technieken, namelijk Recurrent Neural Networks (op basis van de vroege ideeën over het functioneren van neuronen) en Bayesian Inference (een methode die waarschijnlijkheden gebaseerd op waarnemingen berekent). Door het combineren van deze technieken, het doel is om systemen die robuust, snel en kan generaliseren bij gebruik in zeer dynamische omgevingen te produceren. Het belangrijkste idee is om een ​​model voor deze omgeving te leren en dan proberen om het model te keren om voorspellingen op basis van de reële opmerkingen maken. Wanneer dit succesvol is, kunnen deze modellen worden gebruikt om complexe processen te controleren. Dit is een nieuwe benadering die staat zou overtreffen of the art toepassingen. Bovendien heeft het een belofte om inzicht te krijgen in de exacte werking van de hersenen te bieden.