Я пытаюсь воссоздать эту модель в эту бумагу . Архитектура модели описывается приведенным ниже текстом.
Насколько я понимаю (пожалуйста, исправьте, если не так), каждый входной сигнал декодируется в 20 функций, затем в зависимости от целевого значения эти функции подаются в 1 из трех начальные модели. Первоначальные модели - это простые MLPNN с активацией softmax для выдачи горячо закодированных выходов классов. Каждая исходная модель обучается таким образом, что она дает хорошие результаты и классифицирует один выход (важно, чтобы каждая модель функционировала как тип двоичного классификатора).
Количество скрытых нейронов составляло 20, а количество выходной сигнал составил 3. Образцы с целевыми выходными сигналами, набор A (сигналы ЭЭГ, записанные от здоровых добровольцев с открытыми глазами), набор D (сигналы ЭЭГ, зарегистрированные от пациентов с эпилепсией в зоне эпилептогенеза c в течение интервала без приступов), и набор E ( Сигналы ЭЭГ, регистрируемые у пациентов с эпилепсией во время эпилептических припадков c, получали двоичные целевые значения (0,0,1), (0,1,0) и (1,0,0) соответственно. Нейронная сеть второго уровня была обучена объединять предсказания сетей первого уровня. Сеть второго уровня имела 9 входов, которые соответствуют выходам трех групп сетей первого уровня. Цели для сети второго уровня были такими же, как цели исходных данных. Количество выходов было три, а количество скрытых нейронов было выбрано равным 25.
Мои вопросы касаются размеров X_train и y_train, а также этого раздела.
исходная модель на выходе были заданы двоичные целевые значения (0,0,1), (0,1,0) и (1,0,0) соответственно. Нейронная сеть второго уровня была обучена комбинировать предсказания сетей первого уровня.
Является ли вход в нейронную сеть второго уровня просто объединением всех выходов исходной модели?
Как определить уровень двоичных выходов исходной модели в кератах? В частности, как мне обеспечить, чтобы каждая модель училась классифицировать.
- Как следует подавать обучающий набор (состоящий из [x = features, y = label] в 3 входных канала. Подумайте о результатах в различных наборах поездов [X] и целей [y].
Спасибо за ваше время.