论文部分内容阅读
时间序列数据广泛存在于日常生活中，充分挖掘时间序列数据中存在的隐藏信息具有重要意义。但是，时间序列往往表现出复杂的特点，比如时序性、高维度、大体量、含噪音等；时间序列在很大程度上也会表现出非线性、非平稳性以及非周期性等特征，因此，对时间序列数据进行准确分析依然存在巨大挑战。回声状态网络(Echo state network,ESN)是最先进的储备池计算方法，属于递归神经网络的范畴。它能够克服传统递归神经网络的训练效率低下、收敛速度慢、容易陷入局部最优等缺陷，因此能够被用于求解许多实际问题。基于回声状态网络的时间序列分析逐渐受到国内外研究者的广泛重视，已经成为一个具有重要理论和实际应用价值的研究热点。本文基于回声状态网络对时间序列预测和分类问题进行研究，主要内容包括以下三个方面： 首先，本文提出基于BSA优化ESN进行时间序列预测。ESN因为耦合“时间参数”，因此，能够有效地应用于时间序列预测问题研究。然而，传统的ESN使用线性回归方法计算输出权值，这种计算方法可能会导致ESN出现严重的过拟合问题。在本文中，作者提出采用回溯搜索算法(BSA)或者BSA变体优化ESN的输出权重，从而克服ESN出现的过拟合问题，增加模型在预测问题上的通用性。实验结果表明，采用BSA优化的ESNs能够比未优化的ESN和已知最优的预测模型获得更好的预测精度。 其次，本文提出基于组合ESN进行时间序列预测。越来越多的研究表明组合预测成为了一种最重要的、最有效的时间序列预测研究方法。组合预测模型不仅在精度和误差变化方面优于单一预测模型，而且组合预测模型能够简化模型的构建和选择过程，同时把预测过程作为一个整体进行处理。在本文中，作者提出一种组合ESN的线性组合预测模型。该模型选择四种属于不同类别的神经网络进行组合，并设计确定每个神经网络结构的机制IHSH和设计确定组合权重的机制ITVPNNW。实验结果表明，该组合预测模型比每个个体模型和已知最优的组合预测的预测精度更高。 最后，本文提出基于ESN进行时间序列分类。由于多变量时间序列数据(Multivariate time series,MTS)自身的复杂性导致其分类是一个极其困难的过程。虽然，最常用的属性-值表示法的分类方法被证明是有效的，但是，这类方法的缺点也很明显，比如非常耗时，对噪音值很敏感，破坏MTS数据类型内在的数据属性和产生的分类精度也不是非常满意。在本文中，作者提出基于ESN和自适应差分进化算法(ADE)的多变量时间序列分类方法。该方法充分考虑MTS数据类型自身的数据属性，能够有效克服属性-值表示法的一些潜在的缺点。实验结果证实了所提出的分类方法的有效性和鲁棒性。