回聲狀態(tài)網(wǎng)絡(Echo State Network,ESN)是對時間序列數(shù)據(jù)進行分析和預測的高效神經(jīng)網(wǎng)絡工具,并已被廣泛應用于時間序列分析的各個研究與應用領域。然而,現(xiàn)實中的時間序列往往呈現(xiàn)出高維度、非線性、不平穩(wěn)、序列特征多變等性質(zhì),使用現(xiàn)有的ESN技術(shù)對時間序列數(shù)據(jù)進行分析依然存在不足。集成學習技術(shù)通過有效組合若干模型,能夠有效克服傳統(tǒng)預測方法容易過擬合和不穩(wěn)定等缺陷,而目前基于集成學習策略的ESN建模方法尚未得到深入研究和廣泛應用。本文以時間序列預測為背景,結(jié)合各領域?qū)嶋H應用問題,研究基于集成學習策略的ESN預測建模和應用,主要內(nèi)容包括以下三個方面:首先,由于集成學習方法通常需要組合一定規(guī)模的基礎模型,因此計算和存儲都比較占用資源,并且目前的神經(jīng)網(wǎng)絡集成預測研究很少考慮集成效率和資源消耗,因此本文提出具有稀疏結(jié)構(gòu)的自適應提升集成ESN預測方法(Adaboost_sp-ESN),通過在傳統(tǒng)的Adaboost集成算法中引入模型篩選機制,Adaboost_sp-ESN有效提升了計算效率,并保證了預測精度。結(jié)合國內(nèi)工業(yè)用電需求預測實際問題,本文對所...

【文章頁數(shù)】：147 頁

【學位級別】：博士

【文章目錄】：
摘要 Abstract 1
    緒論 1.1
    研究背景與意義 1.2
    研究面臨的關鍵問題 1.3
    研究內(nèi)容及創(chuàng)新點 1.4
    研究方法與技術(shù)路線 1.5
    論文結(jié)構(gòu)和主要內(nèi)容 2
    國內(nèi)外相關研究綜述 2.1
    時間序列預測研究現(xiàn)狀 2.2
    回聲狀態(tài)網(wǎng)絡研究現(xiàn)狀 2.3
    神經(jīng)網(wǎng)絡集成學習研究現(xiàn)狀 2.4
    集成ESN研究現(xiàn)狀 2.5
    本章小結(jié) 3
    基于稀疏自適應提升的ESN工業(yè)用電預測方法研究 3.1
    引言 3.2
    Adaboostsp-ESN集成預測模型 3.3
    數(shù)據(jù)來源、預處理及誤差指標 3.4
    對比算法與參數(shù)設置 3.5
    實驗結(jié)果展示與討論 3.6
    本章小結(jié) 4
    基于SAE-ESN的網(wǎng)絡搜索指數(shù)旅游需求預測方法研究 4.1
    引言 4.2
    SAE架構(gòu)介紹 4.3
    SAEN集成預測模型 4.4
    數(shù)據(jù)來源、預處理及誤差指標 4.5
    對比算法與參數(shù)設置 4.6
    實驗結(jié)果展示與討論 4.7
    本章小結(jié) 5
    基于RF-ESN的多因素原油價格預測方法研究 5.1
    引言 5.2
    回歸樹與隨機森林 5.3
    RF-ESN集成預測模型 5.4
    數(shù)據(jù)來源、預處理及誤差指標 5.5
    對比算法與參數(shù)設置 5.6
    實驗結(jié)果展示與分析 5.7
    本章小結(jié) 6
    總結(jié)與展望 6.1
    全文總結(jié) 6.2
    研究展望 致謝 參考文獻 附錄1
    攻讀博士學位期間發(fā)表的論文 附錄2
    攻讀博士學位期間參加的科研課題



本文編號：3969457