神经网络的分类及其不同的应用场景

Artificial Nerual Networks-Based Machine Learning for Wireless Networks:A Tutorial

这篇论文讲述了基于神经网络的无线网络机器学习教程,论文中对神经网络进行了分类,并且总结了不同的神经网络应用的场景。
神经网络的分类及其不同的应用场景_第1张图片

•模块化神经网络: 模块化神经网络(MNN)由几个独立的神经网络和一个中介组成。在一个MNN中,每个ANN用来完成MNN要执行的整个任务的一个子任务。中间层用来处理每个独立神经网络的输出,并生成一个神经网络的输出。
递归(循环)神经网络:RNN是一种神经网络结构,允许神经元从一层神经元连接到前一层神经元。根据RNN中神经元的激活函数和连接方式的不同,RNN可以定义几种不同的结构:
a)随机神经网络
b)双向神经网络(BNNs)
c)全递归神经网络(FRNN)
d)神经图灵机(NTM)
e)长短时记忆(LSTM)
f) 回声状态网络(ESNs)
g)简单递归神经网络(SRNNs)
h)门控递归单元(gru)
**•生成性对抗网络:**生成性对抗网络(GAN)由两个神经网络组成。一个神经网络用于从潜在空间学习映射到特定的数据分布,另一个神经网络用于区分真实数据分布和神经网络映射的分布。
•深层神经网络: 所有具有多个隐藏层的ann称为dnn。
**•尖峰神经网络:**尖峰神经网络由精确模拟生物神经网络的尖峰神经元组成。
•前馈神经网络: 在前馈神经网络(FNN)中,每个神经元只有来自前一层的传入连接,只有到下一层的传出连接。FNNs可用于定义更高级的体系结构,如:
a)极限学习机(ELMs)
b)卷积神经网络(CNNs)
c)时延神经网络(TDNNs)
d)自动编码器(Autoencoder)
e)概率神经网络(pnu)
f)径向基函数(rbf)。
•物理神经网络: 在物理神经网络(PNN)中,使用电可调电阻材料来模拟神经激活的功能。
每种类型的神经网络都适用于特定的学习任务。例如,rnn在处理依赖时间的数据方面是有效的,而snn在处理连续数据方面是有效的。应该注意的是,大多数由无线网络收集的数据是时间相关的和连续的。特别是在无线网络中,用户上下文和行为、无线信号和无线信道条件都是时间相关的和连续的。RNN和SNN在处理这些收集到的数据时是有效的。他们可以利用这些数据进行各种用途,例如网络控制和用户行为预测。然而,由于rnn或snn只能记录有限大小的历史数据,它们可能无法解决所有的无线通信问题。为了解决浅层rnn和snn无法解决的复杂无线问题,可以使用具有高存储容量的dnn进行数据分析,并且可以将需要学习的复杂问题分离成几个简单问题的组合,从而使学习过程有效。因此,可以根据不同的应用场合来选取特定的算法。
下图总结了RNNs(循环神经网络),SNNs(尖峰神经网络),DNNs(深度神经网络)的优缺点:
神经网络的分类及其不同的应用场景_第2张图片

你可能感兴趣的:(论文阅读,机器学习,人工智能,神经网络,机器学习)