文章摘要:为了提高回声状态网络对于混沌时间序列特征提取与预测的能力,本文提出一种层次化可塑性回声状态网络模型.该模型将多个储备池顺序连接,通过逐层特征变换的方式增强了对非线性多尺度动态特征的提取能力.同时,引入神经科学中的内在可塑性机制模拟真实生物神经元的放电率分布,以最大化神经元的信息传递为目标对储备池进行预训练.层次化可塑性回声状态网络不仅增加了模型的容量,降低随机投影所带来的不稳定性,同时也为理解储备池的表示、处理、记忆及储存操作提供了一种新的思路.仿真实验结果表明,相比于其他7种改进的回声状态网络模型,本文所提出的模型在人造数据和真实数据所构成的混沌时间序列预测任务中均取得了最优的预测精度.

文章关键词:

项目基金: