储备池计算概述

被引：66

作者：

彭宇 ^{[1
]}

王建民 ^{[1
,2
]}

彭喜元 ^{[1
]}

机构：

[1] 哈尔滨工业大学自动化测试与控制研究所

[2] 哈尔滨理工大学电子科学与技术系

来源：

电子学报 | 2011年 / 39卷 / 10期

关键词：

机器学习; 递归神经网络; 储备池计算; 回声状态网络;

D O I：

暂无

中图分类号：

TP183 [人工神经网络与计算];

学科分类号：

140502 [人工智能];

摘要：

针对传统递归神经网络存在训练困难的问题,一种新的递归神经网络的训练方法———储备池计算被提出,这种方法的核心思想是只训练网络部分连接权,其余连接权一经产生就不再改变,网络的训练一般只需要通过求解线性回归问题.广义地说,储备池可以作为一种时序相关的核函数使用,从而完全拓展了其应用领域,使之不再仅仅是递归神经网络训练算法的一种改进.本文在介绍储备池计算基本数学模型的基础上,从储备池计算研究的热点问题——储备池适应性问题的角度,全面地分析了目前储备池计算的研究现状、热点及应用等方面的问题.

引用

页码：2387 / 2396

页数：10

共 19 条

[1]

基于回声状态网络的时间序列预测方法研究 [J].

彭宇 ;

王建民 ;

彭喜元 .

电子学报, 2010, 38(S1) (S1) :148-154

[2]

基于Kalman滤波的储备池多元时间序列在线预报器.[J].韩敏;王亚楠;.自动化学报.2010, 01

[3]

用于混沌时间序列预测的多簇回响状态网络 [J].

宋青松 ;

冯祖仁 ;

李人厚 .

物理学报, 2009, 58 (07) :5057-5064

[4]

构建复杂回响状态网络的新方法 [J].

宋青松 ;

冯祖仁 .

西安交通大学学报, 2009, 43 (04) :1-4

[5]

基于ESN网络的航天器姿态跟踪鲁棒控制.[J].袁长清;李俊峰;邓志东;宝音贺西;.清华大学学报(自然科学版).2008, 08

[6]

回声状态网络及其在图像边缘检测中的应用 [J].

裴承丹 .

计算机工程与应用 , 2008, (19) :172-174+192

[7]

ESN岭回归学习算法及混沌时间序列预测 [J].

史志伟 ;

韩敏 .

控制与决策 , 2007, (03) :258-261+267

[8]

Effects of connectivity structure of complex echo state network on its prediction performance for nonlinear time series.[J].Qingsong Song;Zuren Feng.Neurocomputing.2010, 10

[9]

Delay learning and polychronization for reservoir computing.[J].Hélène Paugam-Moisy;Régis Martinez;Samy Bengio.Neurocomputing.2008, 7

[10]

Optimization and applications of echo state networks with leaky-integrator neurons [J].

Jaegera, Herbert ;

Lukosevicius, Mantas ;

Popovici, Dan ;

Siewert, Udo .

NEURAL NETWORKS, 2007, 20 (03) :335-352

← 1 2 →