用于回声状态网络最优训练的场景优化
系统与控制
2019-12-05 v1 系统与控制
摘要
回声状态网络（ESN）是广泛使用的循环神经网络。它们是包含状态空间形式中非线性状态方程与线性输出变换的动力系统。训练 ESN 的常规步骤是随机选取状态方程的参数，然后通过标准最小二乘问题估计输出方程的参数。该步骤针对刻画状态方程的随机参数的不同实例重复进行，直至获得满意结果。然而，这种试错过程缺乏系统性，且无法对辨识结果的最优性提供任何保证。为解决此问题，我们提出将场景优化的结果补充应用于 ESN 的辨识过程。所得训练过程在理论上严谨，并允许将辨识实例的数量与有关性能指标的保证最优性界（如估计模型在验证数据集上评估的均方根误差与 FIT 指标）精确关联。所提过程最终应用于 pH 中和过程的仿真模型：所得结果证实了该方法的有效性。
引用
@article{arxiv.1912.01693,
title = {Scenario optimization for optimal training of Echo State Networks},
author = {Luca Bugliari Armenio and Lorenzo Fagiano and Enrico Terzi and Marcello Farina and Riccardo Scattolini},
journal= {arXiv preprint arXiv:1912.01693},
year = {2019}
}
备注
6 pages