回聲狀態(tài)網(wǎng)絡(luò)是一種新型的遞歸神經(jīng)網(wǎng)絡(luò),動力學特性豐富,學習算法簡單有效,訓練速度快,適用于處理復(fù)雜的非線性系統(tǒng),已廣泛應(yīng)用于時間序列預(yù)測、模式識別、非線性系統(tǒng)建模及控制等領(lǐng)域。然而,回聲狀態(tài)網(wǎng)絡(luò)在解決實際問題時,仍存在一些關(guān)鍵性問題亟待解決,如:(1)傳統(tǒng)回聲狀態(tài)網(wǎng)絡(luò)的儲備池拓撲結(jié)構(gòu)完全隨機生成,導(dǎo)致網(wǎng)絡(luò)性能及其性能穩(wěn)定性較差;(2)回聲狀態(tài)網(wǎng)絡(luò)在訓練過程中常存在不適定問題,特別是當網(wǎng)絡(luò)存在近似共線性問題時,易產(chǎn)生病態(tài)解,導(dǎo)致網(wǎng)絡(luò)的泛化能力降低;(3)回聲狀態(tài)網(wǎng)絡(luò)往往需要較大的網(wǎng)絡(luò)結(jié)構(gòu)以獲得良好的網(wǎng)絡(luò)性能,而冗余的網(wǎng)絡(luò)結(jié)構(gòu)會導(dǎo)致網(wǎng)絡(luò)的預(yù)測精度及泛化能力下降。針對上述問題,本文的主要研究內(nèi)容如下:1.針對回聲狀態(tài)網(wǎng)絡(luò)儲備池拓撲結(jié)構(gòu)設(shè)計存在的問題,借鑒腦網(wǎng)絡(luò)具有層次化和模塊化的拓撲結(jié)構(gòu)特征,將生物神經(jīng)網(wǎng)絡(luò)的拓撲結(jié)構(gòu)引入到回聲狀態(tài)網(wǎng)絡(luò)的儲備池拓撲結(jié)構(gòu)設(shè)計中,設(shè)計了類腦的分層模塊化儲備池拓撲結(jié)構(gòu),并建立了一種分層模塊化回聲狀態(tài)網(wǎng)絡(luò)模型。與傳統(tǒng)的儲備池拓撲結(jié)構(gòu)相比,分層模塊化儲備池拓撲結(jié)構(gòu)降低了神經(jīng)元間的耦合程度,豐富了網(wǎng)絡(luò)的動力學特性,使其更接近于真實的生物神經(jīng)網(wǎng)絡(luò)。實驗結(jié)果表明,類腦的分層模...

【文章頁數(shù)】：115 頁

【學位級別】：博士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 課題的研究背景及研究意義
        1.1.1 研究背景
        1.1.2 研究意義
        1.1.3 課題來源
    1.2 回聲狀態(tài)網(wǎng)絡(luò)的發(fā)展及其研究現(xiàn)狀
        1.2.1 回聲狀態(tài)網(wǎng)絡(luò)的發(fā)展
        1.2.2 回聲狀態(tài)網(wǎng)絡(luò)的研究現(xiàn)狀
    1.3 回聲狀態(tài)網(wǎng)絡(luò)存在的問題
    1.4 論文主要工作
    1.5 論文內(nèi)容安排
第2章 回聲狀態(tài)網(wǎng)絡(luò)及性能分析
    2.1 引言
    2.2 回聲狀態(tài)網(wǎng)絡(luò)
        2.2.1 回聲狀態(tài)網(wǎng)絡(luò)模型
        2.2.2 穩(wěn)定性分析
    2.3 回聲狀態(tài)網(wǎng)絡(luò)的學習算法
        2.3.1 學習算法分析
        2.3.2 回聲狀態(tài)網(wǎng)絡(luò)的訓練步驟
    2.4 回聲狀態(tài)網(wǎng)絡(luò)的關(guān)鍵參數(shù)
        2.4.1 關(guān)鍵參數(shù)選擇
        2.4.2 仿真實驗與結(jié)果分析
    2.5 本章小結(jié)
第3章 類腦的分層模塊化儲備池拓撲結(jié)構(gòu)設(shè)計
    3.1 引言
    3.2 儲備池拓撲結(jié)構(gòu)存在問題分析
    3.3 類腦的分層模塊化儲備池拓撲結(jié)構(gòu)設(shè)計
        3.3.1 腦網(wǎng)絡(luò)的拓撲結(jié)構(gòu)
        3.3.2 類腦的分層模塊化儲備池拓撲結(jié)構(gòu)設(shè)計
    3.4 仿真實驗及結(jié)果分析
        3.4.1 MSO問題
        3.4.2 Mackey-Glass混沌時間序列預(yù)測
        3.4.3 非線性動力學系統(tǒng)辨識
    3.5 本章小結(jié)
第4章 基于貝葉斯信息準則的混合正則化算法
    4.1 引言
    4.2 回聲狀態(tài)網(wǎng)絡(luò)的不適定問題分析
    4.3 基于貝葉斯信息準則的混合正則化算法分析與設(shè)計
        4.3.1 基于正則化的學習算法分析
        4.3.2 基于貝葉斯信息準則的混合正則化算法設(shè)計
    4.4 基于貝葉斯信息準則的混合正則化回聲狀態(tài)網(wǎng)絡(luò)模型
    4.5 仿真實驗及結(jié)果分析
        4.5.1 太陽黑子數(shù)時間序列預(yù)測
        4.5.2 Mackey-Glass混沌時間序列預(yù)測
    4.6 本章小結(jié)
第5章 基于貢獻度的回聲狀態(tài)網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化設(shè)計
    5.1 引言
    5.2 現(xiàn)有的結(jié)構(gòu)優(yōu)化方法分析
    5.3 基于貢獻度的結(jié)構(gòu)優(yōu)化算法
        5.3.1 神經(jīng)元間信息連接強度分析
        5.3.2 儲備池神經(jīng)元的貢獻度
        5.3.3 基于貢獻度的修剪判別準則
    5.4 基于貢獻度的回聲狀態(tài)網(wǎng)絡(luò)模型
    5.5 仿真實驗及結(jié)果分析
        5.5.1 Rossler混沌時間序列預(yù)測
        5.5.2 Lorenz混沌時間序列預(yù)測
    5.6 本章小結(jié)
第6章 回聲狀態(tài)網(wǎng)絡(luò)在污水處理過程中的應(yīng)用研究
    6.1 引言
    6.2 城市污水處理過程簡介
    6.3 基于結(jié)構(gòu)優(yōu)化回聲狀態(tài)網(wǎng)絡(luò)的關(guān)鍵水質(zhì)軟測量模型
        6.3.1 關(guān)鍵水質(zhì)軟測量模型設(shè)計
        6.3.2 仿真實驗及結(jié)果分析
    6.4 本章小結(jié)
第7章 總結(jié)與展望
    7.1 全文總結(jié)
    7.2 展望
參考文獻
攻讀博士學位期間所取得的科研成果
致謝



本文編號：3844556