本发明专利技术实施例提供一种回声状态网络的预测方法和预测装置，涉及通信服务网络技术领域，能够有效地提升ESN网络的预测性能，提高预测速度和预测精度。其方法为：通过建立回声状态网络的预测模型，预测模型的动态池为包括小波神经元的混合神经元动态池，从输入数据中获取训练集，根据训练集对预测模型进行预测训练，获取训练完成后的预测模型，通过预测输入数据对训练完成的预测模型进行预测，获取预测过程中的预测输出数据。本发明专利技术实施例用于非线性混沌时间序列数据的预测。
【技术实现步骤摘要】
一种回声状态网络的预测方法和预测装置
本专利技术涉及通信服务网络
，尤其涉及一种回声状态网络的预测方法和预 测装置。
技术介绍
使用神经网络对非线性系统进行预测，具有良好的效果，并得到广泛应用。ESN (Echo State Network，回声状态神经网络）是一种新型的循环网络结构与循环网络学习方 法。ESN具有大规模的内部神经元，使得该ESN具备良好的短期记忆能力，在混沌时间序列 的预测任务中，比传统的神经网络要好很多。 在使用ESN回声状态网络对非线性系统的预测中，传统的ESN回声状态网络中的 预测速度比较慢，预测精度不能达到要求。
技术实现思路
本专利技术的实施例提供一种回声状态网路的预测方法和预测装置，能够有效地提升 ESN网络的预测性能，提高预测速度和预测精度。 为达到上述目的，本专利技术的实施例采用如下技术方案： 第一方面，提供一种回声状态网络的预测方法，包括： 建立回声状态网络的预测模型，所述预测模型的动态池为包括小波神经元的混合 神经元动态池； 从输入数据中获取训练集，根据所述训练集对所述预测模型进行预测训练，获取 训练完成后的预测模型； 通过预测输入数据对所述训练完成的预测模型进行预测，获取预测过程中的预测 输出数据。 结合第一方面，在第一种可能实现的方式中，所述建立回声状态网络的预测模型， 所述预测模型的动态池为包括小波神经元的混合神经元动态池包括： 建立回声状态网络的预测模型，所述预测模型包括输入层、中间层和输出层； 所述中间层的神经元相互连接形成所述动态池，所述动态池为混合神经元动态 池，所述混合神经元动态池中所述小波神经元的数量与所述混合神经元动态池中神经元总 数量的比例值为预设比例值。 其中，所述动态池中的神经元为环形连接拓扑结构，所述环形连接拓扑结构中 所述小波神经元与除所述小波神经元之外的普通神经元交替连接，所述小波神经元为 Sigmoid型小波神经元。 结合第一方面的第一种可能实现的方式，在第二种可能实现的方式中，所述从输 入数据中获取训练集，根据所述训练集对所述预测模型进行预测训练，获取训练完成后的 预测模型包括： 按照时间顺序，获取预设数量个单位时间内对所述输入数据进行采样得到的所述 训练集； 在对所述回声状态网络进行初始化后，将所述训练集作为动态池神经元状态更新 公式的输入数据，获取动态池神经元状态值； 根据所述动态池神经元状态值获取所述输入层神经元、所述中间层神经元和所述 输出层神经元的联合状态矩阵； 将所述联合状态矩阵和教师数据作为输出权重矩阵公式的输入获取输出权重矩 阵。 结合第一方面的第二种可能实现的方式，在第三种可能实现的方式中，所述通过 预测输入数据对所述训练完成的预测模型进行预测，获取预测过程中的预测输出数据包 括： 将已选定数据作为数据预测公式的预测输入数据，根据所述预测输入数据和所述 数据预测公式对所述训练完成的预测模型进行预测； 获取预测过程中的预测输出数据。 结合第一方面的第三种可能实现的方式，在第四种可能实现的方式中，所述动态 池神经元状态更新公式包括： X (n+1) =f (ffinu (η+1) +Wx (n) +ffbacky (η)) 其中，u(n+l)为所述训练集输入数据，χ(η)为更新前的动态池神经元状态值， χ(η+1)为更新后的动态池神经元状态值，y (η)为所述训练集输出数据，Win为输入权重矩 阵，W为动态池的内部权重矩阵，η为非负整数； 所述输出权重矩阵公式包括： 其中，（Wtjut) tZiT1T,其中，Wwt为所述输出权重矩阵，M为所述联合状态矩阵，T为根 据所述训练集得到的教师数据矩阵。 所述数据预测公式包括： y (n+1) =fout (Wout (u (n+1), x (n+1), y (n))) 其中，u(n+l)为所述预测输入数据，y(n)为预测输出数据，y(n+l)为下一单位时 间的预测输出数据，x(n+l)为更新后的动态池神经元状态值，W rat为所述输出权重矩阵。 第二方面，提供一种预测装置，包括： 建立单元，用于建立回声状态网络的预测模型，所述预测模型的动态池为包括小 波神经元的混合神经元动态池； 训练单元，用于从输入数据中获取训练集，根据所述训练集对所述预测模型进行 预测训练，获取训练完成后的预测模型； 预测单元，用于通过预测输入数据对所述训练完成的预测模型进行预测，获取预 测过程中的预测输出数据。 结合第二方面，在第一种可能实现的方式中，所述建立单元具体用于： 建立回声状态网络的预测模型，所述预测模型包括输入层、中间层和输出层； 所述中间层的神经元相互连接形成所述动态池，所述动态池为混合神经元动态 池，所述混合神经元动态池中所述小波神经元的数量与所述混合神经元动态池中神经元总 数量的比例值为预设比例值。 其中，所述动态池中的神经元为环形连接拓扑结构，所述环形连接拓扑结构中 所述小波神经元与除所述小波神经元之外的普通神经元交替连接，所述小波神经元为 Sigmoid型小波神经元。 结合第二方面的第一种可能实现的方式，在第二种可能实现的方式中，所述训练 单元包括： 采样子单元，用于按照时间顺序，获取预设数量个单位时间内对所述输入数据进 行采样得到的所述训练集； 第一获取子单元，用于在对所述回声状态网络进行初始化后，将所述训练集作为 动态池神经元状态更新公式的输入数据，获取动态池神经元状态值； 第二获取子单元，用于根据所述动态池神经元状态值获取所述输入层神经元、所 述中间层神经元和所述输出层神经元的联合状态矩阵； 第三获取子单元，用于将所述联合状态矩阵和教师数据作为输出权重矩阵公式的 输入获取输出权重矩阵。 结合第二方面的第二种可能实现的方式，在第三种可能实现的方式中，所述预测 单元用于： 将已选定数据作为数据预测公式的预测输入数据，根据所述预测输入数据和所述 数据预测公式对所述训练完成的预测模型进行预测； 获取预测过程中的预测输出数据。 结合第二方面的第三种可能实现的方式，在第四种可能实现的方式中，所述动态 池神经元状态更新公式包括： X (n+1) =f (ffinu (η+1) +Wx (n) +ffbacky (η)) 其中，u(n+l)为所述训练集输入数据，χ(η)为更新前的动态池神经元状态值， χ(η+1)为更新后的动态池神经元状态值，y (η)为所述训练集输出数据，Win为输入权重矩 阵，W为动态池的内部权重矩阵，η为非负整数； 所述输出权重矩阵公式包括： 其中，（Wtjut) tZiT1T,其中，Wwt为所述输出权重矩阵，M为所述联合状态矩阵，T为根 据所述训练集得到的教师数据矩阵。 所述数据预测公式包括： y (n+1) =fout (Wout (u (n+1), x (n+1), y (n))) 其中，u(n+l)为所述预测输入数据，y(n)为预测输出数据，y(n+l)为下一单位时 间的预测输出数据，x(n+l)为更新后的动态池本文档来自技高网...
【技术保护点】
一种回声状态网络的预测方法，其特征在于，包括：建立回声状态网络的预测模型，所述预测模型的动态池为包括小波神经元的混合神经元动态池；从输入数据中获取训练集，根据所述训练集对所述预测模型进行预测训练，获取训练完成后的预测模型；通过预测输入数据对所述训练完成的预测模型进行预测，获取预测过程中的预测输出数据。
【技术特征摘要】
1. 一种回声状态网络的预测方法，其特征在于，包括： 建立回声状态网络的预测模型，所述预测模型的动态池为包括小波神经元的混合神经 元动态池； 从输入数据中获取训练集，根据所述训练集对所述预测模型进行预测训练，获取训练 完成后的预测t旲型； 通过预测输入数据对所述训练完成的预测模型进行预测，获取预测过程中的预测输出 数据。2. 根据权利要求1所述的方法，其特征在于，所述建立回声状态网络的预测模型，所述 预测模型的动态池为包括小波神经元的混合神经元动态池包括： 建立回声状态网络的预测模型，所述预测模型包括输入层、中间层和输出层； 所述中间层的神经元相互连接形成所述动态池，所述动态池为混合神经元动态池，所 述混合神经元动态池中所述小波神经元的数量与所述混合神经元动态池中神经元总数量 的比例值为预设比例值； 其中，所述动态池中的神经元为环形连接拓扑结构，所述环形连接拓扑结构中所述小 波神经元与除所述小波神经元之外的普通神经元交替连接，所述小波神经元为Sigmoid型 小波神经元。3. 根据权利要求2所述的方法，其特征在于，所述从输入数据中获取训练集，根据所述 训练集对所述预测模型进行预测训练，获取训练完成后的预测模型包括： 按照时间顺序，获取预设数量个单位时间内对所述输入数据进行采样得到的所述训练 集； 在对所述回声状态网络进行初始化后，将所述训练集作为动态池神经元状态更新公式 的输入数据，获取动态池神经元状态值； 根据所述动态池神经元状态值获取所述输入层神经元、所述中间层神经元和所述输出 层神经元的联合状态矩阵； 将所述联合状态矩阵和教师数据作为输出权重矩阵公式的输入获取输出权重矩阵。4. 根据权利要求3所述的方法，其特征在于，所述通过预测输入数据对所述训练完成 的预测模型进行预测，获取预测过程中的预测输出数据包括： 将已选定数据作为数据预测公式的预测输入数据，根据所述预测输入数据和所述数据 预测公式对所述训练完成的预测模型进行预测； 获取预测过程中的预测输出数据。5. 根据权利要求4所述的方法，其特征在于，所述动态池神经元状态更新公式包括： x (n+1) =f (ffinu (n+1) +ffx (n) +ffbacky (n)) 其中，u(n+l)为所述训练集输入数据，x(n)为更新前的动态池神经元状态值，x(n+l) 为更新后的动态池神经元状态值，y(n)为所述训练集输出数据，Win为输入权重矩阵，W为动 态池的内部权重矩阵，n为非负整数； 所述输出权重矩阵公式包括： 其中，（W^) yM^T，其中，Wwt为所述输出权重矩阵，M为所述联合状态矩阵，T为根据所 述训练集得到的教师数据矩阵； 所述数据预测公式包括： y (n+1) =fout (ffout (u (n+1), x (n+1), y (n))) 其中，u(n+l)为所述预测输入数据，y(n)为预测输出数据，y(n+l)为下一单位时间的 预测输出数据...
【专利技术属性】
技术研发人员：杨凤琴，
申请(专利权)人：杨凤琴，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。