多储备池回声状态网的研究

发布时间：2021-03-02 16:15

　　回声状态网是一种新型的递归神经网络,仅需要训练输出权值,克服了传统递归神经网络存在训练算法过于复杂、收敛速度慢、易于陷入局部最小等问题。为进一步提高回声状态网的建模能力,特别是面临实现多个正弦函数叠加（MSO）等任务时的逼近能力,本文提出两种新型的多储备池结构。第一种由泄露积分型神经元构建一种新型的多储备池回声状态网,称为多储备池泄露积分回声状态网（MLESN）。MLESN是采用由顶向下和由底向上相结合的思路构建回声状态网。首先采用由顶向下的思路构建回声状态网,假设其储备池由P类相异泄露积分型神经元构成,每一类神经元的群体将构成一个子储备池。然后采用由底向上方式构建回声状态网,生成P个相异中心神经元,分别代表P个子储备池,每个子储备池的神经元状态要与其中心神经元状态相同或相近,P个中心神经元之间通过随机稀疏连接构成了一个新的虚拟子储备池。在储备池状态更新过程中,仍需保持各子储备池内部神经元之间的差异性小,不同子储备池神经元状态之间的差异性大的特点。第二种是在MLESN的基础上提出了新的多储备池回声状态网,即多储备池嗅感受回声状态网（OFESN）。OFESN产生思路来源于果蝇的的嗅小球,... 

【文章来源】：渤海大学辽宁省

【文章页数】：53 页

【学位级别】：硕士

【部分图文】：

回声状态网的结构

Leaky-ESN测试结果

MLESN测试结果

【参考文献】：
期刊论文
[1]一种基于改进回声状态网络的预测算法[J]. 庄小叶,李轲.  新乡学院学报. 2019(03)
[2]基于灵敏度分析的模块化回声状态网络修剪算法[J]. 王磊,乔俊飞,杨翠丽,朱心新.  自动化学报. 2019(06)
[3]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)
[4]基于Leaky-ESN的光伏发电输出功率预测[J]. 胡海峰,伦淑娴.  电子设计工程. 2016(17)
[5]基于改进回声状态网的时间序列预测[J]. 林健,伦淑娴.  渤海大学学报(自然科学版). 2015(03)
[6]基于贝叶斯框架和回声状态网络的日最大负荷预测研究[J]. 嵇灵,牛东晓,吴焕苗.  电网技术. 2012(11)
[7]模糊回声状态网络[J]. 彭宇,王建民,彭喜元.  电子学报. 2011(07)
[8]基于ESN网络的航天器姿态跟踪鲁棒控制[J]. 袁长清,李俊峰,邓志东,宝音贺西.  清华大学学报(自然科学版). 2008(08)
[9]ESN岭回归学习算法及混沌时间序列预测[J]. 史志伟,韩敏.  控制与决策. 2007(03)

博士论文
[1]回声状态网络结构设计及应用研究[D]. 李丁园.吉林大学 2019
[2]混沌时间序列预测与储备池机器学习方法研究[D]. 史志伟.大连理工大学 2008

硕士论文
[1]回声状态网的改进与应用研究[D]. 姚显双.渤海大学 2015



本文编号：3059556