针对回声状态网络(Echo state network,ESN)结构设计问题,提出一种基于脑网络的分层模块化回声状态网络(Hierarchical modular echo state network,HMESN)。脑网络的拓扑结构使功能网络具有丰富的动力学特性,因此,从生物仿生学角度出发,...
详细信息
针对回声状态网络(Echo state network,ESN)结构设计问题,提出一种基于脑网络的分层模块化回声状态网络(Hierarchical modular echo state network,HMESN)。脑网络的拓扑结构使功能网络具有丰富的动力学特性,因此,从生物仿生学角度出发,对HMESN的储备池进行分层设计,各层级上的神经元采用小世界网络构建算法生成模块化结构,并引入层级连接。基于脑网络分层模块化的拓扑特征弱化了神经元间的耦合程度,从而使神经元的动力学特性更为丰富,在功能与结构上更接近于真实生物神经网络,有效地提高了网络处理问题的能力。采用Mackey-Glass时间序列预测和非线性系统辨识对网络进行验证,证明该网络的有效性和可行性。
本文设计了基于ESN(Echo state network,ESN)神经网络的PM2.5时均值预测方法,并讨论了基于偏最小二乘回归的数据选择方式。在仿真实验中,通过与径向基函数(radial basisfunction,RBF)神经网络和反向传播(back propagation,BP)神经网络...
详细信息
本文设计了基于ESN(Echo state network,ESN)神经网络的PM2.5时均值预测方法,并讨论了基于偏最小二乘回归的数据选择方式。在仿真实验中,通过与径向基函数(radial basisfunction,RBF)神经网络和反向传播(back propagation,BP)神经网络方法比较,验证了基于ESN神经网络模型预测的可行性。实验结果表明,与径向基神经网络和反向传播神经网
暂无评论