基于可见性图的动力学信息注入式储备池计算

准确预测复杂非线性时间序列仍然是工程和科学领域中的一个挑战性问题。储备池计算（RC）通过仅训练读出层，同时采用随机结构且固定的储备池网络，提供了一种比传统深度学习计算效率更高的替代方案。尽管有其优势，但高度随机的储备池图结构通常会导致次优且规模过大的网络，且其动力学特性难以理解。针对这一问题，我们提出了一种新颖的动力学信息注入式储备池计算（DyRC）框架，该框架直接从输入训练序列中系统地推断储备池网络结构。本文提出采用可见性图（VG）技术，该技术通过将测量点表示为由相互可见性连接的节点，将时间序列数据转换为网络。储备池网络通过直接从训练数据序列中采用VG网络构建，利用无参数的可见性图方法避免了昂贵的超参数调优。这一过程产生了一个直接由所研究预测任务的特定动力学信息注入的储备池。我们通过涉及典型非线性Duffing振荡器的预测任务评估了DyRC-VG方法，评估了预测准确性和一致性。与相同大小、谱半径和固定密度的Erdős-Rényi（ER）图相比，我们观察到DyRC-VG在重复实现中具有更高的预测质量和更一致的性能。在某些条件下，密度与DyRC-VG匹配的ER图可以优于这两种方法。