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
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
使用物理知识启发的回声状态网络 (ESN) 预测混沌系统的演化,通过引入附加损失函数惩罚非物理预测,提高了预测可预见性,展示了机器学习和物理先验知识相结合的潜力。
Apr, 2019
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
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
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
本文总结了 DeepESN 的发展、分析和应用,详细阐述了深度循环神经网络、储水池计算和状态动力学等方面的现有研究成果。
Dec, 2017
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
本文研究了循环神经网络在数据驱动下的噪声动力学系统模拟行为,训练了一组 LSTM 网络,发现在训练噪声变大时,LSTM 更多地依赖其自主动力学而不是噪声输入数据。
该研究旨在解决云无线电接入网络中预测式缓存的问题,通过利用基带单元的机器学习框架并结合子线性算法,确定内容缓存,研究发现该方法相较于随机缓存算法提高了 27.8%至 30.7%的有效容量。
Jul, 2016