用于时间序列预测的混沌回声状态网络复合FORCE学习
机器学习
2024-01-22 v1 神经与进化计算
摘要
回声状态网络（ESN）是一种递归神经网络，由固定的储备池构成，其中神经元随机递归连接，仅通过训练输出连接权重获得期望输出。一阶降阶受控误差（FORCE）学习是一种在线监督训练方法，可将ESN的混沌活动转变为指定的活动模式。本文提出一种基于递推最小二乘的复合FORCE学习方法来训练初始活动自发混沌的ESN，其中应用了以动态回归量扩展和记忆数据利用为特征的复合学习技术以增强参数收敛性。所提方法应用于由Mackey-Glass系统生成的混沌时间序列预测的基准问题，数值结果表明，与现有方法相比，它显著提升了学习与预测性能。
引用
@article{arxiv.2207.02420,
title = {Composite FORCE learning of chaotic echo state networks for time-series prediction},
author = {Yansong Li and Kai Hu and Kohei Nakajima and Yongping Pan},
journal= {arXiv preprint arXiv:2207.02420},
year = {2024}
}
备注
Submitted to 2022 Chinese Control Conference