摘要：回声状态网是一种新型的循环网络结构与循环网络学习方法,较传统神经网络相比,具有更强的非线性预测能力。但是,传统ESN的训练方法所需学习样本非常多,而提出的PSO-ESN模型利用PSO来训练ESN的输出权重,能在有限的学习样本情况下,有效的提高了其预测精度。最后,对网络流量预测的实验结果表明了该算法的有效性。

摘要：对光伏发电系统的发电特性及影响发电的因素进行分析,建立了基于回声状态网的光伏发电量预测模型。该模型利用回声状态网的简单而独特的学习方法,将光伏发电系统的历史数据(如发电量、光照强度、温度)作为模型的学习样本,对网络模型进行学习,并利用学习稳定的模型对发电量进行预测。仿真实验表明,该预测方法能得到较高的预测精度。

摘要：为了提高居民消费价格指数的预测精度,提出了泄露积分型回声状态网,该模型采用泄漏积分神经元改进了传统回声状态网,将其预测我国2013年—2014年各月的居民消费价格指数,得出的预测结果与差分自回归移动平均模型做比较,结果表明,泄露积分型回声状态网的平均相对误差减小了52.9%,均方根误差减小了58.1%。因此,泄露积分型回声状态网的预测效果更精确,对于宏观经济预测具有可行性和实际应用价值。