针对回声状态网络（Echo State Networks，ESNs）输入序列延迟时间（和嵌入维数D的选择以及储备池的适应性问题，利用自相关性分析法从被预测样本序列构建ESNs网络输入，并通过移动通信话务量的预测问题，采用实验分析的方法讨论了储备...针对回声状态网络（Echo State Networks，ESNs）输入序列延迟时间（和嵌入维数D的选择以及储备池的适应性问题，利用自相关性分析法从被预测样本序列构建ESNs网络输入，并通过移动通信话务量的预测问题，采用实验分析的方法讨论了储备池参数选择对于时间序列预测性能的影响.与采用ARMA和BP神经网络的预测方法相比，新方法在保证预测精度和效率的情况下，具有更好的泛化能力.展开更多
针对基于梯度下降的模糊递归神经网络训练效率低、容易陷入局部极小的缺点,本文基于回声状态网络(Echo State Networks,ESNs)和TS模型提出一种新的模糊模型结构———模糊回声状态网络(Fuzzy Echo State Networks,FESNs).FESNs由多条TS...针对基于梯度下降的模糊递归神经网络训练效率低、容易陷入局部极小的缺点,本文基于回声状态网络(Echo State Networks,ESNs)和TS模型提出一种新的模糊模型结构———模糊回声状态网络(Fuzzy Echo State Networks,FESNs).FESNs由多条TS类型的模糊规则组成,规则后件采用ESNs网络.研究表明,TS模型和ESN都可以看做是FESN模型的某种特例,而且FESNs具有较强的非线性映射能力、局部反馈以及学习算法稳定等特点.同时,其模型参数确定方法与经典TS模型以及ESN一样可以归结为一个线性回归问题,大大减少了网络训练的计算量.仿真实验表明,与经典TS模型相比,FESNs在不显著增加建模时间情况下可有效提高建模精度.展开更多
文摘针对回声状态网络（Echo State Networks，ESNs）输入序列延迟时间（和嵌入维数D的选择以及储备池的适应性问题，利用自相关性分析法从被预测样本序列构建ESNs网络输入，并通过移动通信话务量的预测问题，采用实验分析的方法讨论了储备池参数选择对于时间序列预测性能的影响.与采用ARMA和BP神经网络的预测方法相比，新方法在保证预测精度和效率的情况下，具有更好的泛化能力.
文摘针对基于梯度下降的模糊递归神经网络训练效率低、容易陷入局部极小的缺点,本文基于回声状态网络(Echo State Networks,ESNs)和TS模型提出一种新的模糊模型结构———模糊回声状态网络(Fuzzy Echo State Networks,FESNs).FESNs由多条TS类型的模糊规则组成,规则后件采用ESNs网络.研究表明,TS模型和ESN都可以看做是FESN模型的某种特例,而且FESNs具有较强的非线性映射能力、局部反馈以及学习算法稳定等特点.同时,其模型参数确定方法与经典TS模型以及ESN一样可以归结为一个线性回归问题,大大减少了网络训练的计算量.仿真实验表明,与经典TS模型相比,FESNs在不显著增加建模时间情况下可有效提高建模精度.
