多尺度储备计算学习噪声诱导的转变
应用机器学习控制混沌参数 Lorenz 系统，研究表明下一代水库计算在数据有限的情况下可以显著优于传统水库计算，并在实际控制应用中具有进一步潜力。
Jul, 2023
非线性动力系统中模型无关且数据驱动的预测是一个复杂系统科学中具有挑战性且突出的任务，本文提出了一种基于下一代储层计算的全新数据驱动机器学习算法，通过使用静态训练数据样本来外推非线性动力系统的分岔行为，展示了该方法能够外推临界转变点，同时还证明了训练有素的下一代储层计算结构可以用于预测具有时间变化的分岔参数的非稳态动力学，通过这种方法可以模拟未知参数区域的过临界后动力学。
Dec, 2023
利用名为 “储集计算” 的机器学习方法成功地进行了混沌动力系统的短期预测和吸引子重构研究。我们提出了一个理论框架，描述了储集计算可以创建具有短期预测能力和准确长期遗传行为的经验模型的条件，并通过数值实验说明了这个理论。我们还认为这个理论适用于某些其他时间序列预测的机器学习方法。
May, 2018
基于时间序列预测的信号 - 噪音分离方法，使用储备计算从给定信号中提取可预测信息。该方法能够估计噪音分布并间接评估信噪比，对各种信号和噪音组合都表现出强大的分离能力。
Apr, 2024
该论文研究了随机库容计算机的普适性，证明了具有随机特性的库容计算机是一种普遍的逼近类，并通过两个实际应用示例展示了其在分类和混沌时间序列预测方面相对确定性库容计算机的高性能。
May, 2024
本文提出了新的几何解释，解释了库沃塞蓝计算的现象，将其构建为强普适性水库系统；随机投影所有状态空间系统的家族，以产生 Volterra 级数扩展，生成随机系数的状态仿射水库系统能够通过为每个不同的滤波器训练一个不同的线性输出来近似任何消退存储过滤器类中的元素。
Sep, 2020
通过振荡驱动储层计算的反馈机制，本研究提出一种能够稳定网络活动且诱导复杂储层动力学的储层计算模型，即振荡驱动储层计算（ODRC）。ODRC 在运动定时和混沌时间序列预测任务中与传统储层计算方法相比能更准确地复现长期目标时间序列，并能从有限观测中学习到抽象生成规则。基于这种简单且计算廉价的实现所获得的显著改进，ODRC 可作为各种时间序列数据的实用模型，并可作为神经震荡及其小脑处理器的模型进行生物学探讨。
Jun, 2024
使用深度时滞水库计算的方法，通过分析条件 Lyapunov 指数和系统到分岔点的距离，调节线性和非线性记忆容量的分布，得出了高非线性或长时间线性记忆容量的系统设计。
Jun, 2020
本文介绍了一种基于储层计算的新方法，用于预测周期性时间序列，特别适用于生成音乐节奏等需要精确预测节奏的任务。我们的方法利用储层计算，并以预测人类节奏感知为最终目标。我们的网络准确地预测人类频率感知范围内的节奏信号。模型结构包含主要和中间神经元，用于捕捉和传递节奏信息。两个参数矩阵 c 和 k 调节储层的动态特性。我们提出了一个损失函数来调整训练后的 c，并引入了一种动态选择机制来调整 k，以便关注具有杰出贡献的区域。在多样化的测试集上的实验结果展示了准确的预测，并通过实时调整储层的 c 和 k 进一步提高了预测性能。比较评估结果显示其相对于传统模型具有更出色的性能。
May, 2024