最小确定性回声状态网络在学习混沌动力学方面优于随机储备池-计算机科学-机器学习-混沌系统-回声状态网络.pdf

最小确定性回声状态网络在学习混沌动力学方面优于随机水库

最小确定性回声状态网络在学习混沌动力学方面优于随机储备池

F.Martinuzzi1,2

1)CenterforScalableDataAnalyticsandArtificialIntelligence(ScaDS.AI),LeipzigUniversity,Leipzig,

Germany

2)InstituteforEarthSystemScienceRemoteSensing,LeipzigUniversity,Leipzig,Germany

(10*Electronicmail:martinuzzi@informatik.uni-leipzig.de)

(10Dated:2025年7月18日)

机器学习（ML）广泛用于建模混沌系统。在各种ML方法中，回声状态网络（ESNs）因其结构简单和

训练速度快而受到广泛关注。然而，ESN的性能高度依赖于超参数的选择及其随机初始化。在这项工作

中，我们展示了使用确定性规则和简单拓扑构建的ESN（MESNs）在混沌吸引子重建任务上优于标准

ESN。我们使用超过90个混沌系统的数据集来评估10种不同的最小确定性水库初始化方法。我们发现，

MESNs相比标准ESN误差减少了41%。此外，我们展示了MESNs更稳健，表现出的跨运行变异较小，

并且具有在不同系统间复用超参数的能力。我们的结果说明了ESN设计中的结构简单如何能够胜过学

习混沌动力学时的随机复杂性。

本

译回声状态网络（ESNs）为建模混沌系统提供了一个有的方法越来越依赖机器学习（ML）方法来处理混沌数

10–12

中吸引力的机器学习公式：一个固定的、高维互联单元水据。。回声状态网络（ESNs）已被成功用于重构混

113–2122,23

库保持不变，通过线性回归训练读出层，并且最终的网沌吸引子。通常属于水库计算（RC）模型家

v

0络能够复制系统的长期行为。问题在于水库通常是随族，ESNs是一种不通过反向传播训练的递归神经网络

524

0机生成的。因此，使用相同超参数构建的两个ESN可（RNN）。相反，ESNs通过一个水库将输入数据扩展

6能会表现出非常不同的性能。此外，找到一个好的配到更高维度的空间，这通常由具有固定权重的随机连

0

.25,26

置往往更像是试错而不是设计。在这项工作中，我们接RNN组成。由此产生的高维表示被称为状态，然

7

27

0探讨了对于用ESNs重建混沌动力学来说，随机性是后仅用于训练输出层，通常是通过线性回归。由于其

5

2否真的必要。我们在多个不同的混沌系统上测试最小简单的架构，ESNs在非线性动力学社区中作为可访问

:28,29

v确定性水库，这些水库的连接遵循简单的固定规则而的M