改进的快速跟踪回声状态网络及PM 2.5 预测

发布时间：2021-07-09 17:12

　　针对递归最小二乘回声状态网络在噪声环境中预测精度不高的问题,提出了一种改进的快速跟踪回声状态网络。首先在递归最小二乘回声状态网络结构的基础上,将自适应调节的可变遗忘因子加入其代价函数中,用改进的递归最小二乘法对网络输出权值进行训练,得到快速跟踪回声状态网络;然后利用经典Lorenz混沌系统验证快速跟踪回声状态网络的有效性;最后利用灰关联法分析各相关变量与PM_2.5的关联度,建立PM_2.5浓度值辅助变量集合,将辅助变量集合输入到快速跟踪回声状态网络进行PM_2.5浓度值预测。实验表明,与传统回声状态网络、递归最小二乘回声状态网络预测效果相比,快速跟踪回声状态网络的预测方法精度佳,抗噪声能力强。 

【文章来源】：计量学报. 2020,41(09)北大核心CSCD

【文章页数】：8 页

【部分图文】：

回声状态网络结构

RLS-ESN预测输出图及误差图

2 10 h后的PM2.5预测输出图

【参考文献】：
期刊论文
[1]一种改进的雁群扩展粒子群算法研究[J]. 刘浩然,崔静闯,卢泽丹,郭长江,丁攀.  计量学报. 2019(03)
[2]Seeing permeability from images: fast prediction with convolutional neural networks[J]. Jinlong Wu,Xiaolong Yin,Heng Xiao.  Science Bulletin. 2018(18)
[3]称重传感器蠕变误差的神经网络补偿方法[J]. 王有贵,吴双双,陈红江.  计量学报. 2018(04)
[4]基于对抗训练策略的语言模型数据增强技术[J]. 张一珂,张鹏远,颜永红.  自动化学报. 2018(05)
[5]基于电磁超声导波的铝板裂纹缺陷检测方法[J]. 杨理践,邢燕好,张佳,高松巍.  仪器仪表学报. 2018(04)
[6]基于泄漏积分型回声状态网络的在线学习光伏功率预测[J]. 徐正阳,路志英,刘洪.  电力系统及其自动化学报. 2018(02)
[7]基于PSO-BP神经网络的关节臂式坐标测量机长度误差补偿[J]. 陆艺,张培培,王学影,王华,赵晨馨.  计量学报. 2017(03)
[8]基于罚函数内点法的泄露积分型回声状态网的参数优化[J]. 伦淑娴,胡海峰.  自动化学报. 2017(07)
[9]多元时间序列的子空间回声状态网络预测模型[J]. 韩敏,许美玲,王新迎.  计算机学报. 2014(11)
[10]基于小波回声状态网络的混沌时间序列预测[J]. 宋彤,李菡.  物理学报. 2012(08)



本文编号：3274147