回声状态网络(Echo State Network,ESN)能够为解决时间序列问题提供有效的动态解决方法,然而大多数情况下ESN模型主要用于预测而不是分类,ESN在时间序列分类任务的应用尚未得到充分的研究。传统ESN由于存在随机生成的输入权重,使得其性...回声状态网络(Echo State Network,ESN)能够为解决时间序列问题提供有效的动态解决方法,然而大多数情况下ESN模型主要用于预测而不是分类,ESN在时间序列分类任务的应用尚未得到充分的研究。传统ESN由于存在随机生成的输入权重,使得其性能并不能保证最优。随机生成的权重在特征映射时,可能会破坏有用的特征。针对这些缺点,提出了一种针对时间序列分类任务的基于图正则化自编码的回声状态网络模型(GRAE-ESN),利用流形学习考虑数据内在的流形结构,来约束输出权重使得相似样本的输出在新的空间中更加接近,之后将ESN结构中的输入权重用解码层获得的权重所替换,以学习到丰富的输入特征。在基准数据上的实验表明,所提出的GRAE方法能够有效的改进ESN分类器,在与多个主流算法和深度学习算法相比,该算法具有更好的性能和鲁棒性。展开更多
回声状态网络(echo state network,ESN)的储备池结构不仅能充分挖掘序列数据中动态信息,也进一步提高了训练效率。然而目前基于ESN的算法难以达到复杂神经网络的精度,为此提出一种基于生成模型距离度量的多元时间序列学习与分类方法。利...回声状态网络(echo state network,ESN)的储备池结构不仅能充分挖掘序列数据中动态信息,也进一步提高了训练效率。然而目前基于ESN的算法难以达到复杂神经网络的精度,为此提出一种基于生成模型距离度量的多元时间序列学习与分类方法。利用ESN在动态数据表示的优势将低维动态原始输入映射到高维静态空间,再拟合储备池状态序列的生成模型作为数据的模型表达,结合原型推理,基于生成模型集合张成的空间中原型与输入的距离进行分类,其结果能通过在模型读出空间的相似原型来推导,具有可解释性。基准数据集上的实验验证了该方法在算法实时性和分类性能上的优势。展开更多
交通流预测是交通智慧化的重要任务。为了提高短时交通流的预测精度,解决单一模型预测精度不足、易受噪声干扰等特点,提出了一种基于随机拓扑优化的提升回声状态网络(echo state networks, ESN)的预测方法。该方法以简单的回声状态网络...交通流预测是交通智慧化的重要任务。为了提高短时交通流的预测精度,解决单一模型预测精度不足、易受噪声干扰等特点,提出了一种基于随机拓扑优化的提升回声状态网络(echo state networks, ESN)的预测方法。该方法以简单的回声状态网络为基本构成单元,利用随机拓扑优化策略对回声状态网络的拓扑结构进行优化选择,然后利用基于误差补偿的提升算法提高整体模型的预测精度。通过对随机拓扑优化策略和提升算法在实际交通流预测问题中的性能分析,验证了所提方法的可行性和有效性,同时可为其他弱预测学习器的学习性能改进提供参考。展开更多
光伏电池温度变化影响光伏系统输出的稳定性,精准地预测光伏电池板温度的变化趋势,对光伏系统智能运行具有重要意义.为了更好地预测温度的变化趋势,本文考虑了光伏电池板温度的迟滞效应,将先前的温度输出作为延迟项引入回声状态网中,提...光伏电池温度变化影响光伏系统输出的稳定性,精准地预测光伏电池板温度的变化趋势,对光伏系统智能运行具有重要意义.为了更好地预测温度的变化趋势,本文考虑了光伏电池板温度的迟滞效应,将先前的温度输出作为延迟项引入回声状态网中,提出了一种基于延迟回声状态网的光伏电池板温度预测模型.给出一个延迟回声状态网具有回声状态特性的判定条件,使得预测模型能够稳定地预测光伏电池板温度.同时,建立了一套光伏多传感器监测系统,利用该监测系统采集的数据,训练和验证模型的准确性.与回声状态网(Echo state network,ESN),Leaky ESN(Leaky-integrator ESN)和VML ESN(ESN with variable memory length)相比,仿真结果表明,本文所提出的延迟回声状态网具有更好的预测性能,平均绝对百分比误差甚至达到3.45%.展开更多
网络流量预测是网络拥塞控制与网络管理的一个重要问题.网络流量时间序列具有时变、非线性特征,导致传统时间序列预测方法预测精度比较低,无法建立精确的预测模型.回声状态网络(echo state network,ESN)在非线性混沌系统预测与建模方面...网络流量预测是网络拥塞控制与网络管理的一个重要问题.网络流量时间序列具有时变、非线性特征,导致传统时间序列预测方法预测精度比较低,无法建立精确的预测模型.回声状态网络(echo state network,ESN)在非线性混沌系统预测与建模方面有着良好的性能,非常适合网络流量的预测.为了提高网络流量的预测精度,提出一种基于遗传算法(genetic algorithm,GA)优化回声状态网络的网络流量非线性预测方法.首先利用回声状态网络对网络流量进行预测;然后利用遗传算法对回声状态网络预测模型中的储备池参数进行优化,提高预测模型的预测精度.通过中国联合网络通信公司辽宁分公司采集的实际网络流量数据进行了仿真验证.与差分自回归滑动平均模型(auto regressive integrated moving average,ARIMA)、Elman神经网络以及最小二乘支持向量机(least square support vector machine,LSSVM)这3种常见预测模型进行了对比,仿真结果表明提出的方法具有更高的预测精度与更小的预测误差,更能刻画网络流量复杂的变化特点.展开更多
文摘回声状态网络(Echo State Network,ESN)能够为解决时间序列问题提供有效的动态解决方法,然而大多数情况下ESN模型主要用于预测而不是分类,ESN在时间序列分类任务的应用尚未得到充分的研究。传统ESN由于存在随机生成的输入权重,使得其性能并不能保证最优。随机生成的权重在特征映射时,可能会破坏有用的特征。针对这些缺点,提出了一种针对时间序列分类任务的基于图正则化自编码的回声状态网络模型(GRAE-ESN),利用流形学习考虑数据内在的流形结构,来约束输出权重使得相似样本的输出在新的空间中更加接近,之后将ESN结构中的输入权重用解码层获得的权重所替换,以学习到丰富的输入特征。在基准数据上的实验表明,所提出的GRAE方法能够有效的改进ESN分类器,在与多个主流算法和深度学习算法相比,该算法具有更好的性能和鲁棒性。
文摘回声状态网络(echo state network,ESN)的储备池结构不仅能充分挖掘序列数据中动态信息,也进一步提高了训练效率。然而目前基于ESN的算法难以达到复杂神经网络的精度,为此提出一种基于生成模型距离度量的多元时间序列学习与分类方法。利用ESN在动态数据表示的优势将低维动态原始输入映射到高维静态空间,再拟合储备池状态序列的生成模型作为数据的模型表达,结合原型推理,基于生成模型集合张成的空间中原型与输入的距离进行分类,其结果能通过在模型读出空间的相似原型来推导,具有可解释性。基准数据集上的实验验证了该方法在算法实时性和分类性能上的优势。
文摘交通流预测是交通智慧化的重要任务。为了提高短时交通流的预测精度,解决单一模型预测精度不足、易受噪声干扰等特点,提出了一种基于随机拓扑优化的提升回声状态网络(echo state networks, ESN)的预测方法。该方法以简单的回声状态网络为基本构成单元,利用随机拓扑优化策略对回声状态网络的拓扑结构进行优化选择,然后利用基于误差补偿的提升算法提高整体模型的预测精度。通过对随机拓扑优化策略和提升算法在实际交通流预测问题中的性能分析,验证了所提方法的可行性和有效性,同时可为其他弱预测学习器的学习性能改进提供参考。
文摘光伏电池温度变化影响光伏系统输出的稳定性,精准地预测光伏电池板温度的变化趋势,对光伏系统智能运行具有重要意义.为了更好地预测温度的变化趋势,本文考虑了光伏电池板温度的迟滞效应,将先前的温度输出作为延迟项引入回声状态网中,提出了一种基于延迟回声状态网的光伏电池板温度预测模型.给出一个延迟回声状态网具有回声状态特性的判定条件,使得预测模型能够稳定地预测光伏电池板温度.同时,建立了一套光伏多传感器监测系统,利用该监测系统采集的数据,训练和验证模型的准确性.与回声状态网(Echo state network,ESN),Leaky ESN(Leaky-integrator ESN)和VML ESN(ESN with variable memory length)相比,仿真结果表明,本文所提出的延迟回声状态网具有更好的预测性能,平均绝对百分比误差甚至达到3.45%.
