使用局部状态观察研究动力系统的问题在于其适用于许多现实世界的系统。我们通过提出具有局部状态输入和局部或全部状态输出的回声状态网络框架来解决这个问题，结合 Lorenz 系统和 Chua 的振荡器进行验证，表明该方法的有效性。因此，我们证明了 ESN 作为一种自主动力系统具有短期预测数个 Lyapunov 时间的能力，并能有效地学习系统的动态，因此具有作为预测完全观测不可用的系统的动态的廉价代理模型的潜力。

Jun, 2023

介绍了一种应用于非线性、多元时间序列的深度集成 ESN 模型及其在美国长期土壤湿度预测中的应用。

Jun, 2018

介绍了控制感知回声状态网络（Ca-ESN），用于无缝结合 ESNs 和控制策略，如比例积分微分控制和模型预测控制，以抑制极端事件，并在混沌湍流流动中展示了这一方法，相对于传统方法将极端事件的发生率降低了两个数量级，为用神经网络有效控制非线性系统开辟了新的可能性。

Aug, 2023

本文探讨了在嘈杂数据下训练循环神经网络的问题，并提出了使用卡尔曼滤波器的序贯训练算法来优化基于回声状态网络的动态预测器，该方法在两个混沌动力系统的合成数据集和实时交通数据集上表现优秀。

Apr, 2023

提出了一种新颖且可解释的循环神经网络结构，采用回声态网络（ESN）范例进行时间序列预测，并通过较小的并行储备池驱动不同输入组合的特征，非线性组合以产生输出，其预测能力表现优于传统单储备池 ESN。

Mar, 2024

本文提出了一种基于基因算法进行底层储备计算的正弦储备网络模型，该模型能够对经典 ESN 进行维度约简转换，以便更好地利用大型反馈结构的优势并避免梯度下降训练方法的问题。实验结果表明，该方法在混沌系统和真实世界数据方面具有较好的性能。

Jun, 2022

研究测试了储层计算和普遍同步检测，通过 Rössler 混沌吸引子实现时间序列中的同步和非同步序列的区分，并证明了基于 ESN 的同步检测方法具有在线检测能力，对于监测连续信号的动力学同步变化具有很好的应用前景。

Oct, 2017

通过将一些储备态的组成部分反馈到网络中的输入端，我们可以显著改善给定回声状态网络的性能。我们严格证明，对于任何给定的回声状态网络，反馈几乎总是会提高输出的准确性。在三个代表不同问题类别的任务中，我们发现通过反馈，平均误差的度量减少了 30%-60%。引人注目的是，与将初始计算节点数量翻倍的计算昂贵且技术上具有挑战性的替代方案相比，反馈提供了至少与之相当的性能提升。这些结果证明了这种反馈方案的广泛适用性和实用性。

Dec, 2023

基于脑启发的脉冲回波稳态网络（Spike-ESN）模型用于航空发动机智能故障预测，通过从航空发动机序列数据中提取有用的时态特征，将数据投影到高维稀疏空间，并通过岭回归方法读取脉冲回波稳态网络的内部状态，实验证明了该方法的优越性和潜力。

Jun, 2024

使用结构和对称性的 Hamilton 神经网络预测非线性系统从秩序到混沌的相空间轨迹，以亨农 - 海尔斯系统为例进行实证研究，该技术的实用性和混沌广泛存在性启示着广泛的应用前景。

Nov, 2019