基于多储备池相关向量回声状态机和误差补偿的短期负荷预测研究

针对相关向量机核函数存在计算复杂度高、无法体现数据全部特点的问题,提出一种基于多储备池相关向量回声状态机和误差补偿的模型。多储备池具有稀疏性强、内部状态稳定的特点,采用多储备池加权组合代替核函数对数据进行高维映射,并通过稀疏贝叶斯理论求解模型参数。综合考虑多储备池初始化与训练过程的随机性,提取训练产生的误差并结合多种影响因素构建误差补偿环节,对预测结果进行修正。根据某地电网实际负荷数据进行仿真验证,结果表明该模型具有良好的精度与稳定性。

一种应用多储备池回声状态网络的图像语义映射研究

【目的】建立图像低层特征到高层语义的映射,填补图像检索中的"语义鸿沟",以提高检索准确率。【方法】借鉴集成学习思想,将多储备池回声状态网络(MESN)应用于图像语义映射模型中。图像低层特征按照类型划分后,通过不同的储备池训练,并对训练结果进行线性融合。【结果】该模型相对于BP神经网络和传统ESN,平均映射错误率分别下降31.64%和19.28%,查准率分别提高4.56%和1.86%。【局限】储备池参数通过人工设定,未构造参数优化算法。【结论】实验结果证明,将多储备池回声状态网络应用于图像语义映射中是有效的。

基于贝叶斯回归的多核回声状态网络研究

在利用单储备池模型对多变量预测研究时,多个变量只能通过单个储备池进行特征映射,无法分别刻画各个变量的动力学特性.针对以上问题,提出一种多储备池回声状态网络.混沌系统中各个变量分别通过各个储备池扩展成高维的特征向量,采用Bayesian线性回归的方法,对多核回声状态网络输出权值进行训练,形成一种新的预报器,即多核贝叶斯状态回声机(MrBESN).实际数据的仿真结果验证了所提方法的有效性.