esn岭回归学习算法及混沌时间序列预测 ridge regression learning in esn for chaotic time series prediction.pdfVIP

下载本文档

29
0
约2.11万字
约 5页
2017-11-02 发布于上海
举报
版权申诉

esn岭回归学习算法及混沌时间序列预测 ridge regression learning in esn for chaotic time series prediction.pdf

1、本文档共5页，可阅读全部内容。
2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击这里二次下载。
4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
5、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
6、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
7、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
8、VIP文档为合作方或网友上传，每下载1次，网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档

esn岭回归学习算法及混沌时间序列预测 ridge regression learning in esn for chaotic time series prediction

第22卷第3期控制与 2007年3月 V01．22No．3 Controland Mar．2007 文章编号：1001—0920(2007)03—0258—04 ESN岭回归学习算法及混沌时间序列预测史志伟，韩敏 (大连理工大学电子与信息工程学院，辽宁大连116024) 摘要：ESN(回声状态网络)是一种新型的递归神经网络．可有效处理非线性系统辨识以及混沌时间序列预测问题．针对ESN学习算法中可能存在的解的奇异问题，利用岭回归方法代替原有的线性回归算法．通过贝叶斯或 Bootstrap方法确定岭回归方法中的正则项系数。从而有效地控制输出权值的幅值，改善ESN的预测性能．该方法在月太阳黑子预测问题中显示出较好的结果．关键词：回声状态网络；岭回归；混沌时间序列预测中图分类号：TPl83 文献标识码：A inESNforchaotictimeseries Ridgeregressionlearning prediction SHI Min Zhi—wei，HAN (SchoolofElectronicandInformation of 116024，China Engineering，DalianOniversityTechnology，Dalian Min，E-mail：minhan@dlut．edu．cn) Correspondent：HAN anew ofrecurrentneural state tononlinear Abstract：As network，echonetwork(ESN)is type applied system identificationandchaotictimeseries is to the ofESNsolution， prediction．Atechniqueproposedimproveproperties which inthereservoirstate insteadofthe linear addition，the performsridgeregression space previousregression．In is methodor ridgeregressionparametersystematicallydetermined method．The byBayesian Bootstrap prediction resultsfor timeseriesshowa monthlysunspots satisfyingperformance． words：Echostate timeseries Key networks；Ridgeregreession；Chaoticprediction 1引言存在的局部最小问题；再次，ESN避免了传统递归近年来，基于神经网络的混沌时间序列预测技神经网络求取时序偏微分的过程，因此网络的训练术表现出较快的发展势头，每一种新的神经网络方过程变得特别简