![](https://img-blog.csdnimg.cn/20201014180756923.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
文章阅读
zhoudapeng01
这个作者很懒,什么都没留下…
展开
-
脑电特征中的微分熵(DE)计算
最近参加了一个脑电相关的竞赛,其中有一个赛道是情绪识别,根据脑电数据将情绪进行4分类,查了一些文献,使用了包括时域、频域、空间域的一些特征,最后发现微分熵作为特征的分类效果最好。相关参考文献整理下载:https://download.csdn.net/download/zhoudapeng01/12845100微分熵作为作为香农熵在连续变量上的推广形式其计算比较简单:参考:http://cg.cs.tsinghua.edu.cn/people/~Yongjin/N112018-00337.p原创 2020-09-15 16:20:01 · 15790 阅读 · 13 评论 -
RNNBow:Visualizing Learining via Backpropagation Gradients in Recurrent Neural Networks (文章解读)
https://arxiv.org/pdf/1907.12545.pdf这篇文章主要强调了RNN中梯度流的重要性。实际上在神经网络模型中梯度有着十分重要的作用,但由于网络结构的复杂性以及参数过于庞大,梯度流的研究一直是一个很困难的问题,所以在一般情况下人们多是通过研究训练好的模型节点的激活情况来研究网络的内部结构以及各参数在网络模型中所起的作用。这篇文章的作者设计了一款网页版的工具,通过这个工...原创 2019-08-08 17:15:17 · 182 阅读 · 0 评论