回声状态网络(Echo State Network,ESN)能够极好地逼近非线性系统,在非线性混沌时间序列的预测中取得了良好的效果。但是,由于ESN的训练和预测过程是1个高维权值矩阵的运算过程,往往不能获得更好的预测速度。文章提出了一种基于主元分...回声状态网络(Echo State Network,ESN)能够极好地逼近非线性系统,在非线性混沌时间序列的预测中取得了良好的效果。但是,由于ESN的训练和预测过程是1个高维权值矩阵的运算过程,往往不能获得更好的预测速度。文章提出了一种基于主元分析与回声状态网络相融合的非线性混沌时间序列预测模型。该模型通过主元分析降低输入向量的维数,以减小ESN输入权值矩阵的规模,降低运算的复杂度,从而达到减小ESN训练时间、提高预测速度的目的。利用仿真数据对ESN和文中模型进行了精度和预测时间对比实验,表明该模型是一种有效模型。展开更多
文摘回声状态网络(Echo State Network,ESN)能够极好地逼近非线性系统,在非线性混沌时间序列的预测中取得了良好的效果。但是,由于ESN的训练和预测过程是1个高维权值矩阵的运算过程,往往不能获得更好的预测速度。文章提出了一种基于主元分析与回声状态网络相融合的非线性混沌时间序列预测模型。该模型通过主元分析降低输入向量的维数,以减小ESN输入权值矩阵的规模,降低运算的复杂度,从而达到减小ESN训练时间、提高预测速度的目的。利用仿真数据对ESN和文中模型进行了精度和预测时间对比实验,表明该模型是一种有效模型。
