问题描述
我们想用不同的反馈范式来模拟学习过程。
具体来说，我们要使用两个神经网络。一种输入 6 个运动学（-1 和 1 之间）并输出 32 个 EMG 信号（-300 和 + 400 之间）。第二个神经网络接受 32 个 EMG 信号并输出 6 个运动学。都是回归。
第一个神经网络应该模仿假肢用户，第二个是对假肢用户实际训练然后使用的解码。我不会深入讨论反馈范式。
我们想模拟一个用户试图做一个动作（第一个神经网络的输入），然后将第一个神经网络的输出直接用于第二个神经网络的输入，并比较第一个网络的输入，与输出。我们的错误是第一个 NN 的输入 - 第二个 NN 的输出。
运动学输入 -> 1st NN -> EMG 输出 = EMG 输入 -> 2nd NN -> 运动学输出
我们的想法是通过两个网络进行反向传播，但只改变第一个网络（即假肢用户正在“学习”但解码没有改变）。
关于一些神经网络结构的任何想法来做到这一点？我确信我可以手工编写整个代码，但由于信息的复杂性，我们通常使用 7 层 CNN，这对我们来说有点难以编写代码。我觉得做一个通用的 7 层神经网络很舒服，但做卷积似乎令人生畏。
期待一些见解！我尝试查看不同的架构，如 GAN 或自动编码器，但我对它们的了解不够，无法理解这些方法是否正确。
解决方法
暂无找到可以解决该程序问题的有效方法，小编努力寻找整理中！
如果你已经找到好的解决方法，欢迎将解决方案带上本链接一起发送给小编。
小编邮箱:dio#foxmail.com (将#修改为@）