摘要：针对传统回声状态网络难以有效应对高阶非线性复杂模型问题,本文在理论分析的基础上提出了一种双储层结构的误差补偿回声状态网络,并设计了该网络的学习算法.该网络由计算层和补偿层构成,计算层主要承担拟合任务,补偿层则作为状态跟随器,实时补偿由于计算层对期望方差估计不足而导致的幅值偏差.对多阶振荡器和真实高阶非线性数据集的实验结果表明,本文所提网络结构较常规网络具有更高的稳定性和泛化性能,尤其对高阶非线性复杂模型的预测精度大幅度提升.

摘要：针对大多数模型对时间序列预测数据的预测准确率较低,为提升时间序列的预测精度,提出一种基于Biased Drop-weight的偏置剪枝叠式自编码回声状态网络(BD-AE-SGESN)的深度模型。以叠式ESN为多层深度网络框架,提出一种生成式AE算法生成每一层的输入权值,利用BD算法根据输入权重激活值进行剪枝。对比实验结果表明,该模型能够有效提升预测准确率,在3个不同的数据上,相比其它模型有着较小的预测误差和较高的稳定度。

摘要：针对回声状态网络(ESN)的结构设计问题,提出增量式正则化回声状态网络(IRESN).该网络由相互独立的子储备池模块构成,首先,子储备池根据奇异值分解方法生成,且可以保证每个子储备池权值矩阵的奇异值都小于1;其次,利用问题复杂度或者残差,将网络中逐一添加子储备池,直至满足预设的终止条件,在生成IRESN的过程中,回声状态特性能够得以保证,并不需要缩放储备池权值矩阵;然后,为了解决不适定问题,在网络增量式学习过程中,利用正则化方法训练输出权值,并利用留一交叉验证方法选择正则化参数.仿真结果表明,与其他ESNs相比较,所得网络具有紧凑的结构和较高的预测精度.

摘要：可见光通信系统的空间相关性会对系统信道容量以及系统性能产生巨大的影响,为此对回声状态网络下的可见光通信系统空间相关性进行研究。基于回声状态网络设计通信信道模型,分别计算直射链路以及非直射链路的信道直流增益效果,在通信函数的基础上建立可见光通信模型,并设置回声状态网络连接矩阵;分析可见光通信系统空间相关性,获取接收机热噪声的系数比;在发射与接收端口建立矩阵结构,依据接收角的集中增益系数,更新信号接收集中增益比;计算空间相关容量误差,以此获取相关系数。实验结果显示,2*2信道容量下,三种频率的空间相关性分别在链路距离为80 m、100 m和150 m时归零,2*4信道容量的最大链路距离则为140 m、190 m、230 m,信道容量和中心点频率均对空间相关性具有正向影响。

摘要：溶解氧是水体质量的一个重要参数,合适的溶解氧浓度有利于水产品的生长发育,预测溶解氧变化对水产养殖环境预警有重要的意义。以准确快速预测溶解氧的变化为目标,设计了一种基于优化回声状态网络(ESN)的水产养殖中溶解氧的预测模型。将双向构造训练样本的方法和ESN模型相集成以构建溶解氧预测模型,解决了传统ESN模型存在的网络自由参数定值的问题,以及在储备池规模较大情况下模型泛化性能恶化的问题,很好地解决了在水产养殖中无法快速且准确地预测溶解氧变化的问题。测试对比结果表明,优化后的ESN模型具有良好的鲁棒性;同时在储备池较大规模的情况下,能有效减弱传统ESN出现的过拟合现象,增强了模型的泛化性能。

摘要：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。

摘要：循环神经网络(RNN,也称反馈神经网络)是一种重要的人工神经网络,与前馈神经网络相比具有更好的学习能力和更快的收敛速度,但其隐层结构的设计一直是个难点问题。回声状态网络(ESN)有效地解决了上述问题,相比于以前的循环神经网络,其具有结构独特、稳定性好、学习过程简单快捷等特点。介绍了回声状态网络及其学习方法,将其用于图像的边缘检测中,取得了良好的效果。

摘要：针对普通的递归神经网络训练过程较复杂,而且存在记忆渐消等问题,提出一种基于回声状态网络的船舶横摇运动预报方法.该网络将隐层设计成一个巨大的动态记忆库,具有记忆功能,隐层中的神经元在学习过程中不进行权值调整,而通过线性回归的方式训练网络,使网络记忆功能加强,学习速度加快.运用该网络对某型船舶在海浪遭遇角为90°海况下的横摇运动进行预报.结果表明:回声状态网络训练简单,加速了网络的训练速度,有更好的记忆性能,以预报60步为例,回声状态网络和对角递归神经网络预报的均方根误差分别为0.003 9和0.024 9,提高了近8倍,在相同的预报精度下,回声状态网络的预报时长明显增长,验证了该方法的可行性与有效性.

摘要：针对传统海洋多目标跟踪控制系统跟踪速度慢的问题,设计一种基于回声状态网络的海洋多目标跟踪控制系统。选用PMI1201C D/C卡,插在兼容的计算机卡槽中,进行海洋多目标的数据探测,并通过安装多通道信号调理卡,实时改变滤波器截止频率。利用目标检测算法,选择海洋多目标控制区域,并对目标中心位置进行计算,得到目标状态估计结果,确认目标轨迹,实现基于回声状态网络的海洋多目标控制。仿真实验结果表明,该系统设计在进行目标控制时,速度较传统速度高出了22.78%,符合理想的海洋多目标控制要求。

摘要：为进一步提高剪纸纹样识别过程精度,提出一种基于（Fourier-Mellin,FM）变换的多分辨率小波（Multi resolution wavelet,MRW）特征的剪纸纹样回声状态网络识别算法。首先,对于剪纸纹样进行Fourier-Mellin变换,获得其图像二值化表达形式,并采用多分辨率小波特征提取技术,获得剪纸纹样信号的频谱分解,得到具备独特幅值的频谱模态的频率分量;其次,对于上述频率分量,采用回声状态网络构建多频率分量的剪纸纹样识别模型,并通过正则化最小二乘算法（Regularized Least Square Algorithm,RLSA）实现网络权重优化;最后,通过剪纸纹样实验测试,显示所提算法在选取的6种剪纸纹样识别率均超过92%,要整体优于对比文献算法,验证了算法有效性。