时序数据分析的循环随机配置网络
机器学习
2025-04-03 v3
摘要
具有神经网络的时序数据建模技术在许多领域应用中具有重要价值，包括时间序列预测和控制工程。本文旨在开发一种用于问题解决的循环随机配置网络（RSCN），其中不对输入变量的动态顺序作出任何假设。给定一组历史数据后，我们首先依据监督机制构建初始RSCN模型，随后通过投影算法进行输出权重的在线更新。建立了一些理论结果，包括RSCN的回响状态属性、针对离线和在线学习的普遍逼近属性，以及输出权重的收敛性。与众所周知的回响状态网络（ESN）相比，提出的RSCN模型在输入随机权重矩阵的分配方式以及随机反馈矩阵的特殊结构方面具有显著区别。对LSTM网络、原始ESN以及几种最新ESN方法（如简单循环储备（SCR）、多项式ESN（PESN）、漏积分ESN（LIESN）和RSCN）进行了全面的比较研究。数值结果清晰地表明，所提出的RSCN在所有数据集上都表现出色。
引用
@article{arxiv.2406.16959,
title = {Recurrent Stochastic Configuration Networks for Temporal Data Analytics},
author = {Dianhui Wang and Gang Dang},
journal= {arXiv preprint arXiv:2406.16959},
year = {2025}
}