IDENTIFIABILITY OF RECURRENT NEURAL NETWORKS
循环神经网络的可识别性AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要讨论通用非线性系统与神经网络识别，未明确对应所列经济计量应用方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
循环神经网络的可识别性
- 研究问题
- 当非线性状态空间系统由离散时间的 Elman 循环网络驱动时，哪些最小系统会产生相同的输入输出行为？
- 方法与思路
- 作者从系统可识别性出发，在所称的一般假设下，刻画一大类 Elman 网络对应的观测等价最小系统集合。
- 材料陈述的贡献
- 摘要称，论文确定了相关网络的观测等价最小系统类别，为理解相同输入输出行为下的系统区分问题提供理论结果。
- 阅读关注点
- 应核对最小系统与可识别性的定义、网络类别的覆盖范围，以及观测等价刻画所需的输入条件和参数限制。
- 阅读边界
- 摘要未说明一般假设的具体内容、等价变换形式或证明；这里只依据所给出版社摘要，不能推断其他版本的变化。
原文摘要
We examine the identifiability of a nonlinear state space system under general assumptions. The discrete time evolution of the state is generated by a recurrent Elman network. For a large set of Elman networks we determine the class of observationally equivalent minimal systems, i.e., minimal systems that exhibit the same input-output behavior.The authors are grateful for discussions with M. Deistler and D. Bauer. A.A. Al-Falou was funded by the ERNSI network within the European Union program Training and Mobility of Researchers (TMR). D. Trummer was funded by the FWF (Austrian Science Fund). We thank an anonymous referee for helpful comments and suggestions.