基于最大信息挖掘广域学习系统的混沌时间序列预测

为了进一步挖掘混沌系统的演化信息,提升预测精度,减少训练时间,提出一种基于最大信息挖掘广域学习系统的混沌时间序列预测模型。为了有效地捕捉混沌系统的线性信息,引入一种改进的漏积分器动态储层,不仅可以获取系统当前状态的信息,而且可以兼顾历史状态信息。通过非线性随机映射将特征映射到增强层从而充分挖掘非线性信息。引入层叠机制促进了动态建模中信息的传播,实现了特征的再激活。在四个大规模数据集上的实验结果表明,提出的方法具有更好的预测精度和更少的计算代价,验证了该方法可以在大规模动态系统建模中获得更好的预测结果。