用于 Lorenz 系统的大范围有效预测时间的水库计算.pdfVIP

用于Lorenz系统的大范围有效预测时间的水库计算

LAHurleyandSEShaheen

DepartmentofElectrical,ComputerandEnergyEngineering,Universityof

ColoradoBoulder,Boulder,Colorado,80309-0425USA

RenewableandSustainableEnergyInstitute,UniversityofColoradoBoulder,

Boulder,Colorado,80309-0027,USA

DepartmentofPhysics,UniversityofColoradoBoulder,Boulder,Colorado,

80309-0390,USA

本E-mail:lauren.hurley@

译August2025

中

摘要.我们研究了回水池计算机（RCs）的有效预测时间（VPT）与正则化系数、水库

1

v大小和谱半径等超参数之间的依赖关系。在精心选择的条件下，基于单步预测输出作

0为Lorenz方程初始条件的情况下，RC可以达到大约70%的基准性能。我们报告了高

3VPT值（30个Lyapunov时间），因为我们正在预测一个无噪声系统，在这种情况下

7过拟合可能是有益的。虽然这些条件可能不适用于嘈杂系统，但它们仍然对具有有限

6

0噪声的实际应用有用。此外，利用Lyapunov指数的知识，我们发现可以通过前几步预

.测中的误差来预测VPT，提供了一种计算效率高的评估方法。我们强调了生成Lorenz

8数据集所使用的数值求解器的重要性，并定义了一个有效的真实时间（VGTT），在此

0

5期间，几种常用求解器的输出一致。当VPT超过VGTT时是没有意义的，因为不同

2的求解器可能会产生不同的结果。最后，我们确定了两种能够实现大VPT的谱半径区

:间：接近零的小半径，这导致简单的但稳定的操作；以及在“混沌边缘”运行的大半径。

v

i

x

r

a

关键词:回声状态网络（ESN）、储备计算、岭回归、谱半径、有效预测时间

1.介绍

水库计算（RC）是一种递归神经网络，包含固定的输入层权重、一个隐藏层（即水库）

具有固定权重以及输出层的权重进行训练。与其它神经网络相比，RC的一个优势是

只有输出层的权重被训练，从而实现快速高效的训练[1,2,3]。尽管输出层的权重是唯

一的参数，但仍有一系列超参数必须由用户仔细选择。这包括激活函数的选择、输入

权重缩放、泄漏率、正则化参数、水库大小、稀疏性、谱半径和权重分布等其他因素

[4,5]。文献提供了一些关于选择超参数的指导，例如以下出版物：[6,7,8,9]。然而，

这些一般指南可能会根据任务的不同而有所例外，在这种情况下，超参数的选择通常

具有长时间有效预测时间的Lorenz系统reservoircomputing