储备池计算(Reservoir computing,RC)是一种高效处理时序数据的神经网络框架,属于递归神经网络的简化变体。与传统神经网络相比,RC仅需训练输出层的线性权重,从而显著降低计算复杂度,具有低训练成本和高计算效率,特别适合处理复杂的非...储备池计算(Reservoir computing,RC)是一种高效处理时序数据的神经网络框架,属于递归神经网络的简化变体。与传统神经网络相比,RC仅需训练输出层的线性权重,从而显著降低计算复杂度,具有低训练成本和高计算效率,特别适合处理复杂的非线性时间序列预测任务。本文将霍德里克-普雷斯科特(Hodrick-Prescott,HP)滤波器应用于分组储备池结构,并将储备池改进为循环跳跃储备池(Cycle reservoir with jumps,CRJ)结构,设计了基于HP滤波器的分组循环跳跃储备池(Grouped cycle reservoir with jumps based on HP filter,HP-GroupedCRJ)模型。该模型通过HP滤波器将复杂的输入信息分解成多个不同分量,分别输送到分组储备池结构中,使每个子储备池提取不同特征,从而增强模型处理复杂任务的性能。同时,储备池内部结构改进为固定循环跳跃形式,可以降低传统储备池结构因随机性导致的性能波动,显著提升模型结构的稳定性。在实验部分,本文对于模型的记忆容量进行了评估,并且在三种数据集(Sante Fe激光强度、共享单车租赁数量和每日心血管住院患者人数)开展时间序列预测实验。实验结果表明,HP-GroupedCRJ模型在预测方面显著优于其他比较模型,其归一化均方根误差(Normalized root mean square error,NRMSE)在所有数据集中均达最小值。展开更多
文摘储备池计算(Reservoir computing,RC)是一种高效处理时序数据的神经网络框架,属于递归神经网络的简化变体。与传统神经网络相比,RC仅需训练输出层的线性权重,从而显著降低计算复杂度,具有低训练成本和高计算效率,特别适合处理复杂的非线性时间序列预测任务。本文将霍德里克-普雷斯科特(Hodrick-Prescott,HP)滤波器应用于分组储备池结构,并将储备池改进为循环跳跃储备池(Cycle reservoir with jumps,CRJ)结构,设计了基于HP滤波器的分组循环跳跃储备池(Grouped cycle reservoir with jumps based on HP filter,HP-GroupedCRJ)模型。该模型通过HP滤波器将复杂的输入信息分解成多个不同分量,分别输送到分组储备池结构中,使每个子储备池提取不同特征,从而增强模型处理复杂任务的性能。同时,储备池内部结构改进为固定循环跳跃形式,可以降低传统储备池结构因随机性导致的性能波动,显著提升模型结构的稳定性。在实验部分,本文对于模型的记忆容量进行了评估,并且在三种数据集(Sante Fe激光强度、共享单车租赁数量和每日心血管住院患者人数)开展时间序列预测实验。实验结果表明,HP-GroupedCRJ模型在预测方面显著优于其他比较模型,其归一化均方根误差(Normalized root mean square error,NRMSE)在所有数据集中均达最小值。
