结合高斯噪声的回声状态网络模型及其时间序列预测性能

为了模拟回声状态网络模型在时间序列预测实例中的影响因素,在回声状态网络模型的储备池层引入高斯噪声,构建结合高斯噪声的回声状态网络模型;利用公式推导分析所提模型的非线性性质;采用股票序列数据与Logistic混沌序列数据进行实验验证和对比分析。结果表明,本文所提模型的预测效果优于回声状态网络模型、压缩感知回声状态网络模型和反向传播神经网络模型,股票收盘价预测、Logistic混沌序列预测的平均绝对误差均最小,分别为1.33×10^(-3)、5.21×10^(-4)。

液体状态机研究进展

液体状态机(Liquid State Machine,LSM)具有实时计算和仿生的特点,在处理时间序列数据上具有巨大潜力。为了研究如何提高神经网络模型训练性能,降低计算复杂度,文章首先梳理和回顾了近几年相关研究文献,其次提出硬件实现和软件模型两个优化思路,并总结了不同优化方法的优势与不足,硬件和软件上的优化可以提高神经网络模型学习性能和训练速度,但依然存在可控性差、算法最优解未知等问题,最后针对以上问题对未来的研究方向进行了展望,可为时间序列数据处理和模式识别领域提供优化思路。