国产精品1024永久观看,大尺度欧美暖暖视频在线观看,亚洲宅男精品一区在线观看,欧美日韩一区二区三区视频,2021中文字幕在线观看

  • <option id="fbvk0"></option>
    1. <rt id="fbvk0"><tr id="fbvk0"></tr></rt>
      <center id="fbvk0"><optgroup id="fbvk0"></optgroup></center>
      <center id="fbvk0"></center>

      <li id="fbvk0"><abbr id="fbvk0"><dl id="fbvk0"></dl></abbr></li>

      一種基于回聲狀態(tài)網(wǎng)絡(luò)的預(yù)測(cè)方法及裝置的制造方法

      文檔序號(hào):9200728閱讀:575來(lái)源:國(guó)知局
      一種基于回聲狀態(tài)網(wǎng)絡(luò)的預(yù)測(cè)方法及裝置的制造方法
      【技術(shù)領(lǐng)域】
      [0001] 本發(fā)明涉及通信領(lǐng)域,尤其涉及一種基于回聲狀態(tài)網(wǎng)絡(luò)的預(yù)測(cè)方法及裝置。
      【背景技術(shù)】
      [0002] 人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks,簡(jiǎn)寫為ANNs)也簡(jiǎn)稱為神經(jīng)網(wǎng)絡(luò) (NNs)或稱作連接模型(Connection Model),它是一種模仿動(dòng)物神經(jīng)網(wǎng)絡(luò)行為特征,進(jìn)行分 布式并行信息處理的算法數(shù)學(xué)模型。這種網(wǎng)絡(luò)依靠系統(tǒng)的復(fù)雜程度,通過(guò)調(diào)整內(nèi)部大量節(jié) 點(diǎn)之間相互連接的關(guān)系,從而達(dá)到處理信息的目的,其特色在于信息的分布式存儲(chǔ)和并行 協(xié)同處理。在網(wǎng)絡(luò)模型與算法研究的基礎(chǔ)上,利用人工神經(jīng)網(wǎng)絡(luò)組成實(shí)際的應(yīng)用系統(tǒng)很多, 例如,完成某種信號(hào)處理或模式識(shí)別的功能、構(gòu)作專家系統(tǒng)、制成機(jī)器人、復(fù)雜系統(tǒng)控制等 等。
      [0003] 其中,回聲狀態(tài)網(wǎng)絡(luò)(echo state network, ESN)作為一種新型的遞歸神經(jīng)網(wǎng)絡(luò), 無(wú)論是建模還是學(xué)習(xí)算法,都已經(jīng)與傳統(tǒng)的遞歸神經(jīng)網(wǎng)絡(luò)差別很大。ESN是一種新型的循環(huán) 網(wǎng)絡(luò)結(jié)構(gòu)與循環(huán)網(wǎng)絡(luò)學(xué)習(xí)方法,具有大規(guī)模的內(nèi)部神經(jīng)元,使得它具備良好的短期記憶能 力,在混沌時(shí)間序列預(yù)測(cè)任務(wù)中比傳統(tǒng)神經(jīng)網(wǎng)絡(luò)要優(yōu)秀很多。如圖1所示,ESN網(wǎng)絡(luò)具有以 下特點(diǎn):首先,它的核心結(jié)構(gòu)是一個(gè)隨機(jī)生成、且保持不變的動(dòng)態(tài)池 (Reservo ir );另外,它 輸出權(quán)值是唯一需要調(diào)整的部分;最后,它可以使用簡(jiǎn)單的線性回歸就可完成網(wǎng)絡(luò)的訓(xùn)練。
      [0004] ESN網(wǎng)絡(luò)的核心結(jié)構(gòu)是一個(gè)"動(dòng)態(tài)池"。所謂的動(dòng)態(tài)池就是隨機(jī)生成的、大規(guī)模的、 稀疏連接的遞歸結(jié)構(gòu)。ESN是一種特殊類型的遞歸神經(jīng)網(wǎng)絡(luò),其基本思想為使用大規(guī)模隨機(jī) 連接的遞歸網(wǎng)絡(luò),取代經(jīng)典神經(jīng)網(wǎng)絡(luò)中的中間層,從而簡(jiǎn)化網(wǎng)絡(luò)的訓(xùn)練過(guò)程。
      [0005] 雖然有大量的研究是關(guān)于如何獲得與具體問(wèn)題相關(guān)的"好"的動(dòng)態(tài)池,但是并沒(méi)有 形成一個(gè)系統(tǒng)的方法,多數(shù)研究?jī)H僅是從實(shí)驗(yàn)的角度進(jìn)行的,這也是目前ESN方法遇到的 最大的挑戰(zhàn)。

      【發(fā)明內(nèi)容】

      [0006] 本發(fā)明的實(shí)施例提供一種基于回聲狀態(tài)網(wǎng)絡(luò)的預(yù)測(cè)方法及裝置,通過(guò)生成若干小 世界和無(wú)標(biāo)度的動(dòng)態(tài)池組,改變了原有ESN網(wǎng)絡(luò)動(dòng)態(tài)池結(jié)構(gòu)的種類和拓?fù)浣Y(jié)構(gòu),有效地提 高動(dòng)態(tài)池混沌特性,使其對(duì)非線性混沌時(shí)間系統(tǒng)產(chǎn)生更優(yōu)秀的預(yù)測(cè)效果。
      [0007] 為達(dá)到上述目的,本發(fā)明的實(shí)施例采用如下技術(shù)方案:
      [0008] 第一方面,本發(fā)明的實(shí)施例提供一種基于回聲狀態(tài)網(wǎng)絡(luò)的預(yù)測(cè)方法,所述回聲狀 態(tài)網(wǎng)絡(luò)ESN由輸入層、中間層和輸出層構(gòu)成,所述輸入層由X個(gè)輸入單元構(gòu)成,所述中間層 由Y個(gè)中間單元,所述Y個(gè)中間單元構(gòu)成第一動(dòng)態(tài)池,所述輸出層由Z個(gè)輸出單元構(gòu)成,其 中,所述輸入層與中間層之間設(shè)有連接矩陣Win,所述中間層的Y個(gè)中間單元之間設(shè)有第一 內(nèi)部矩陣W,所述輸出層與中間層之間設(shè)有反饋矩陣Wbadt,所述輸出層與所述ESN之間設(shè)有 連接矩陣Wtjut, X、Y、Z為大于0的整數(shù),所述方法包括:
      [0009] 建立第二動(dòng)態(tài)池,所述第二動(dòng)態(tài)池是根據(jù)復(fù)雜網(wǎng)絡(luò)理論建立的N個(gè)小世界動(dòng)態(tài)池 和Y個(gè)無(wú)標(biāo)度動(dòng)態(tài)池組成的,N和Y大于O ;
      [0010] 將所述第一動(dòng)態(tài)池替換為所述第二動(dòng)態(tài)池,并使用側(cè)邊界抑制機(jī)制對(duì)所述第二動(dòng) 態(tài)池中的N個(gè)小世界動(dòng)態(tài)池和Y個(gè)無(wú)標(biāo)度動(dòng)態(tài)池進(jìn)行關(guān)聯(lián);
      [0011] 輸入指定長(zhǎng)度的訓(xùn)練集對(duì)所述第二動(dòng)態(tài)池進(jìn)行更新,進(jìn)而得到更新后的連接矩陣 Wout;
      [0012] 根據(jù)更新后的Wrat使用以下公式進(jìn)行預(yù)測(cè):
      [0013] y(n+l)=f°ut(Xut(u(n+l), x(n+l), y(n))),其中,u(n)為待預(yù)測(cè)的輸入數(shù)據(jù),y(n) 為預(yù)測(cè)輸出數(shù)據(jù),η為時(shí)間下標(biāo),y(n+l)為下一時(shí)刻的輸出數(shù)據(jù)。
      [0014] 在第一方面的第一種可能的實(shí)現(xiàn)方式中,所述建立小世界動(dòng)態(tài)池,包括:
      [0015] 獲取A個(gè)神經(jīng)元,并連接成一個(gè)最近鄰耦合網(wǎng)絡(luò),所述最近鄰耦合網(wǎng)絡(luò)中的每個(gè) 神經(jīng)元都與其左右鄰接的k/2個(gè)神經(jīng)元相連,k為偶數(shù),A大于1 ;
      [0016] 以概率P (0〈P〈1)隨機(jī)選取兩個(gè)神經(jīng)元并在所述兩個(gè)神經(jīng)元之間進(jìn)行加邊處理, 以使得兩個(gè)不同的神經(jīng)元之間最多只能存在一條邊,并且每個(gè)神經(jīng)元不能形成自環(huán);
      [0017] 建立鄰接矩陣Wnw,所述Wnw表示各個(gè)神經(jīng)元的拓?fù)浣Y(jié)構(gòu),所述W nw中的元素非零則 表示有邊連接;
      [0018] 將Wnw中的非零元素替換為[-1,1]上的隨機(jī)取值,生成第二內(nèi)部矩陣A。
      [0019] 在第一方面的第二種可能的實(shí)現(xiàn)方式中,所述建立無(wú)標(biāo)度動(dòng)態(tài)池,包括:
      [0020] 根據(jù)預(yù)設(shè)算法依次獲取B個(gè)神經(jīng)元,B大于1,其中,一個(gè)新引入的神經(jīng)元與一個(gè)已 經(jīng)存在的神經(jīng)元i相連接的概率Pi的關(guān)系如下公式:
      [0021]
      其中,ki為神經(jīng)元i的度,kj為神經(jīng)元j的度;
      [0022] 建立鄰接矩陣Wba,所述Wba表示各個(gè)神經(jīng)元的拓?fù)浣Y(jié)構(gòu),所述W ba中的元素非零則 表示有邊連接;
      [0023] 將Wba中的非零元素替換為[-1,1]上的隨機(jī)取值,生成第三內(nèi)部矩陣W 2。
      [0024] 在第一方面的第三種可能的實(shí)現(xiàn)方式中,所述使用側(cè)邊界抑制機(jī)制對(duì)所述第二動(dòng) 態(tài)池中的N個(gè)小世界動(dòng)態(tài)池和N個(gè)無(wú)標(biāo)度動(dòng)態(tài)池進(jìn)行關(guān)聯(lián),包括:
      [0025] 引入預(yù)置的預(yù)測(cè)算子P,根據(jù)所述^和^生成第四內(nèi)部矩陣Wkp,以使得所述N個(gè) 小世界動(dòng)態(tài)池和N個(gè)無(wú)標(biāo)度動(dòng)態(tài)池相互關(guān)聯(lián);或者,
      [0026] 引入預(yù)置前向算子z,根據(jù)所述W1和W2生成第五內(nèi)部矩陣WMaxInf。,以使得所述N個(gè) 小世界動(dòng)態(tài)池和N個(gè)無(wú)標(biāo)度動(dòng)態(tài)池相互關(guān)聯(lián)。
      [0027] 在第一方面的第四種可能的實(shí)現(xiàn)方式中,所述輸入指定長(zhǎng)度的訓(xùn)練集對(duì)所述第二 動(dòng)態(tài)池進(jìn)行更新,進(jìn)而得到更新后的連接矩陣Wwt,包括:
      [0028] 根據(jù)所述ESN中間層的中間單元的數(shù)量輸入指定長(zhǎng)度的訓(xùn)練集;
      [0029] 按照以下公式對(duì)所述第二動(dòng)態(tài)池進(jìn)行更新:
      [0030] X(n+1) =f (Winii(n+1) +Wx(n) +Wbadj(η)),其中,u(η)為輸入的訓(xùn)練集數(shù)據(jù),y(η)為 輸出數(shù)據(jù),η為時(shí)間下標(biāo),W為WMaxInf?;騑kp ;
      [0031] 按照以下公式計(jì)算更新后的連接矩陣Wwt :
      [0032] (Wwt)tIiT1T,其中,N為所述輸入單元、中間單元和輸出單元的聯(lián)合狀態(tài)矩陣,T為 訓(xùn)練集已知的輸出數(shù)據(jù)。
      [0033] 第二方面,本發(fā)明的實(shí)施例提供一種基于回聲狀態(tài)網(wǎng)絡(luò)的預(yù)測(cè)裝置,所述回聲狀 態(tài)網(wǎng)絡(luò)ESN由輸入層、中間層和輸出層構(gòu)成,所述輸入層由X個(gè)輸入單元構(gòu)成,所述中間層 由Y個(gè)中間單元,所述Y個(gè)中間單元構(gòu)成第一動(dòng)態(tài)池,所述輸出層由Z個(gè)輸出單元構(gòu)成,其 中,所述輸入層與中間層之間設(shè)有連接矩陣Win,所述中間層的Y個(gè)中間單元之間設(shè)有第一 內(nèi)部矩陣W,所述輸出層與中間層之間設(shè)有反饋矩陣Wbadt,所述輸出層與所述ESN之間設(shè)有 連接矩陣Wtjut, X、Y、Z為大于0的整數(shù),所述裝置包括:
      [0034] 獲取模塊,用于建立第二動(dòng)態(tài)池,所述第二動(dòng)態(tài)池是根據(jù)復(fù)雜網(wǎng)絡(luò)理論建立的N 個(gè)小世界動(dòng)態(tài)池和Y個(gè)無(wú)標(biāo)度動(dòng)態(tài)池組成的,N和Y大于0 ;
      [0035] 關(guān)聯(lián)模塊,用于將所述第一動(dòng)態(tài)池替換為所述第二動(dòng)態(tài)池,并使用側(cè)邊界抑制機(jī) 制對(duì)所述第二動(dòng)態(tài)池中的N個(gè)小世界動(dòng)態(tài)池和Y個(gè)無(wú)標(biāo)度動(dòng)態(tài)池進(jìn)行關(guān)聯(lián);
      [0036] 訓(xùn)練模塊,用于輸入指定長(zhǎng)度的訓(xùn)練集對(duì)所述第二動(dòng)態(tài)池進(jìn)行更新,進(jìn)而得到更 新后的連接矩陣Wtjut;
      [0037] 預(yù)測(cè)模塊,用于根據(jù)更新后的Wrat使用以下公式進(jìn)行預(yù)測(cè):
      [0038] y(n+l)=f°ut(Xut(u(n+l), x(n+l), y(n))),其中,u(n)為待預(yù)測(cè)的輸入數(shù)據(jù),y(n) 為預(yù)測(cè)輸出數(shù)據(jù),η為時(shí)間下標(biāo),y(n+l)為下一時(shí)刻的輸出數(shù)據(jù)。
      [0039] 在第二方面的第一種可能的實(shí)現(xiàn)方式中,
      [0040] 所述獲取模塊,具體用于獲取A個(gè)神經(jīng)元,并連接成一個(gè)最近鄰耦合網(wǎng)絡(luò),所述最 近鄰耦合網(wǎng)絡(luò)中的每個(gè)神經(jīng)元都與其左右鄰接的k/2個(gè)神經(jīng)元相連,k為偶數(shù),A大于1 ; 以概率P (〇〈Ρ〈1)隨機(jī)選取兩個(gè)神經(jīng)元并在所述兩個(gè)神經(jīng)元之間進(jìn)行加邊處理,以使得兩 個(gè)不同的神經(jīng)元之間最多只能存在一條邊,并且每個(gè)神經(jīng)元不能形成自環(huán);建立鄰接矩陣 Wnw,所述Wnw表示各個(gè)神經(jīng)元的拓?fù)浣Y(jié)構(gòu),所述Wnw中的元素非零則表示有邊連接;將W nw中 的非零元素替換為[_1,1]上的隨機(jī)取值,生成第二內(nèi)部矩陣Wp
      [0041] 在第二方面的第二種可能的實(shí)現(xiàn)方式中,
      [0042] 所述獲取模塊,具體用于根據(jù)預(yù)設(shè)算法依次獲取B個(gè)神經(jīng)元,B大于1,其中,一個(gè) 新引入的神經(jīng)元與一個(gè)已經(jīng)存在的神經(jīng)元i相連接的概率Pi的關(guān)系如下公式: J
      其中,h為神經(jīng)元i的度,kj為神經(jīng)元j的度;建立鄰接矩陣Wba,所述Wba表示各個(gè)神經(jīng)元 的拓?fù)浣Y(jié)構(gòu),所述Wba中的元素非零則表示有邊連接;將Wba中的非零元素替換為[-1,1]上 的隨機(jī)取值,生成第三內(nèi)部矩陣W2。
      [0043] 在第二方面的第三種可能的實(shí)現(xiàn)方式中,
      [0044] 所述關(guān)聯(lián)模塊,用于引入預(yù)置的預(yù)測(cè)算子P,根據(jù)所述^和^生成第四內(nèi)部矩陣 Wkp,以使得所述N個(gè)小世界動(dòng)態(tài)池和N個(gè)無(wú)標(biāo)度動(dòng)態(tài)池相互關(guān)聯(lián);或者,引入預(yù)置前向算子 z,根據(jù)所述W1和W2生成第五內(nèi)部矩陣WMaxInf。,以使得所述N個(gè)小世界動(dòng)態(tài)池和N個(gè)無(wú)標(biāo)度 動(dòng)態(tài)池相互關(guān)聯(lián)。
      [0045] 在第二方面的第四種可能的實(shí)現(xiàn)方式中,
      當(dāng)前第1頁(yè)1 2 3 4 5 
      網(wǎng)友詢問(wèn)留言 已有0條留言
      • 還沒(méi)有人留言評(píng)論。精彩留言會(huì)獲得點(diǎn)贊!
      1