一種基于粒子群優化最簡回聲狀態網絡參數的方法和系統的制作方法
【專利摘要】本發明涉及一種基于粒子群優化最簡回聲狀態網絡參數的方法和系統，其方法包括以下步驟：(1)建立最簡回聲狀態網絡模型；(2)設置最簡回聲狀態網絡模型的初始化參數；(3)建立適應度函數；(4)計算粒子目標函數；(5)更新各粒子個體最優解和結構參數；(6)判斷是否達到終止條件；(7)輸出粒子群最優解。本發明所引用最簡回聲狀態網絡模型包括輸入層、儲備池和輸出層，該模型具有一個確定的儲備池結構，其中的神經元以環形結構相連，增強了儲備池拓撲的穩定性且簡化了計算量，同時，基于粒子群優化算法運算速度快，全局搜索能力強的特點，對最簡回聲狀態網絡的多個參數進行了優化，從而得到一個粒子群最優解，提高了預測精度。
【專利說明】
-種基于粒子群優化最簡回聲狀態網絡參數的方法和系統
技術領域
[0001] 本發明設及機器學習領域，具體設及一種基于粒子群優化最簡回聲狀態網絡參數 的方法和系統。
【背景技術】
[0002] 回聲狀態網絡ESN化Cho state化twork)是一種新型的遞歸神經網絡，其獨特的 動態儲備池結構使網絡具備良好的短期記憶能力，與傳統的遞歸神經網絡相比，ESN最大的 優勢就是簡化了網絡的訓練過程，解決了傳統遞歸神經網絡結構難W確定、訓練算法過于 復雜的問題，同時也克服了遞歸網絡存在的記憶漸消問題，但也存在一些問題，如：
[0003] (1)儲備池內部隨機拓撲，映射到未知的高維空間；
[0004] (2)ESN結構參數選取憑借經驗，沒有科學理論的支撐。
[0005] 運些問題阻止了ESN成為可W廣泛使用的工具，為了改善運些不足，文獻(Rodan A,Tino P.Minimum Complexity Echo State Network[J].iEEE Transactions on 化ural化tworks，2011，22.)提出了一種具有環形儲備池拓撲結構的最簡回聲狀態網絡 MESN(Minimum ComplexityEcho Sl:ate Network),分別設置了輸入權值矩陣和內部權值矩 陣的權值相同，運確保僅需調整較少的自由參數，同時該確定的儲備池拓撲避免了不斷重 復實驗W獲得性能良好的ESN結構。針對非線性系統逼近任務，該方法在保持精度不降低的 同時，極大地減少了計算量。
[0006] 相比經典回聲狀態網絡，雖然MESN極大地簡化了ESN結構，解決了第一個問題，即 儲備池內部隨機拓撲，映射到未知的高維空間，但是其參數選擇如神經元數量、譜半徑、輸 入權值、內部權值和反饋權值等大多在給定的參數空間通過試湊的方法實現，或者根據經 驗選擇，存在很大的盲目性與不確定性，因此，如何尋找到最適合的參數解決參數選取的問 題成為了人們研究的熱點方向。
【發明內容】
[0007] 本發明所要解決的技術問題是提供一種基于粒子群優化最簡回聲狀態網絡參數 的方法和系統，該方法將粒子群優化算法引入簡最回聲狀態網絡，優化其關鍵參數，有效地 加快了運算速度，提高了預測精度。
[000引本發明解決其技術問題所采用的技術方案是:一種基于粒子群優化最簡回聲狀態 網絡參數的方法，包括W下步驟：
[0009] 步驟1:建立一個最簡回聲狀態網絡模型，用環形拓撲結構代替原有回聲狀態網絡 的隨機拓撲結構；
[0010] 步驟2:設置最簡回聲狀態網絡模型的初始化參數，所述初始化參數包括結構參 數、粒子個體最優解、粒子群最優解、最大迭代次數及粒子群的粒子個數；
[0011] 步驟3:對最簡回聲狀態網絡模型的結構參數和最優解進行隨機分配，建立最簡回 聲狀態網絡模型的適應度函數，并計算每個粒子的適應度值；
[0012] 步驟4:根據步驟3中計算的每個粒子的適應度值和步驟2中的初始化參數的粒子 個體最優解及粒子群最優解計算粒子目標函數；
[0013] 步驟5:根據粒子群算法的位置和速度更新公式，更新最簡回聲狀態網絡模型中粒 子個體最優解和結構參數，迭代次數加1;
[0014] 步驟6:判斷迭代次數是否大于最大迭代次數，如果是，執行步驟7，否則，執行步驟 3至步驟5;
[0015] 步驟7:輸出該粒子群最優解。
[0016] 進一步地，所述步驟1中的最簡回聲狀態網絡模型包括輸入層、儲備池和輸出層， 所述輸入層、儲備池和輸出層對應的輸入向量、狀態向量和輸出向量分別為:K個輸入單元U (n) =(山(n), . . .，Uk(n));N個儲備池單元x(n) = (xi(n), . . .，XN(n));和L個輸出單元y(n) = (yi(n),. . . ,yL(n))〇
[0017] 進一步地，所述儲備池中包括多個神經元，每個神經元都有一個激勵狀態，且儲備 池中神經元的激勵狀態x(n+l)，通過狀態更新方程更新：
[001 引 x(n+l)=f(Winu(n+l)+Wx(n)+Wbacky(n))
[0019] 其中，u(n)為K個輸入單元;x(n)為N個儲備池單元;y(n)為L個輸出單元;Wi嘴W分 別表示N X K輸入權值矩陣和N X N儲備池連接矩陣，Wbatk為一個N X L的反饋連接矩陣，分別 設置Win和W中的所有非零元素絕對值相同，等于非零值a G (-1，1 )，其權值符號通過隨機方 法或者Logistic映射的方式產生，f( ?)表示儲備池中神經元的激勵函數。
[0020] 進一步地，所述儲備池中神經元的激勵函數為正弦函數或者S型函數。
[0021] 進一步地，根據所述儲備池中神經元的激勵狀態x(n+l)，該模型的輸出為：
[0022] y(n+l)=f〇ut(W〇ut(u(n+l)，x(n+l)，y(n)))
[0023] 其中，u(n)為K個輸入單元;x(n)為N個儲備池單元;y(n)為L個輸出單元，是一 個輸出函數，表示一個LX化+化L)的輸出連接矩陣。
[0024] 進一步地，所述步驟3中的適應度函數包括MES的川練階段和測試階段的誤差，可表 示為：
[0025] Fitness = JMErrortrain) +f 2 (Elrrortes t)
[0026] 訓練階段需要考慮該結構參數下ESN模型的逼近能力，用訓練的誤差化rortrain體 現，預測階段考慮的是該結構參數下ESN模型的泛化能力，用訓練的誤差化rortest體現，其 中，fi( ? )、f2( ?)分別為Errortrain和Errortest的激勵函數，Fitness為為每個粒子的適應度 值。
[0027] 進一步地，所述步驟4中計算目標函數的具體過程為：
[0028] (1)對于某一時刻的一個粒子將該粒子當前時刻的最優解/4所對應的適應 度值與該粒子個體最優解Pld的適應度值進行比較，若當前時刻的最優解括^所對應的適應 度值小于該粒子個體最優解Pld的適應度值，則用該粒子當前時刻的最優解把替換為該粒 子個體最優解Pld，否則Pld保持不變；
[0029] (2)將該粒子得到的最優解Pid所對應的適應度值與粒子群最優解Pgd所對應的適 應度值進行比較，若當前時刻的最優解Pid所對應的適應度值小于粒子群最優解Pgd的適應 度值，則將其最優解Pid的作為粒子群最優解Pgd，否則Pgd保持不變。
[0030] 進一步地，所述步驟2中結構參數包括神經元數量、輸入權值矩陣、反饋權值矩陣、 儲備池的權值、譜半徑，其中，神經元數量初始化從10開始，變化范圍在10-1000之間，其余 參數初始時刻為0~1的隨機數。
[0031 ]進一步地，所述步驟5中的位置和速度更新公式如下：
[0032]
[0033]
[0034] 其中，ri，n是[0~1]區間生成的隨機數，d = l，2,3,4,5,即解空間的維數為5或自 變量的個數為5，1 = 1，2-1，1是群體中粒子的個數，(31和〇2為加速因子，4表示迭代次數;1^；； 表示第i個粒子在第k次迭的第d維分量的最優解; < 表示第i個粒子在第k次迭代的第d維分 量的結構參數;=神經元數量=輸入權值矩陣;=反饋權值矩陣=儲備池的 權值;jfs =譜半徑;Pid表示第i個粒子的個體最優解的第d維分量;Pgd表示粒子群最優解的 第d維分量。
[0035] -種基于粒子群優化最簡回聲狀態網絡參數的系統，包括建模單元、初始化單元、 建立函數單元、計算單元、更新單元、判斷單元及輸出單元；
[0036] 所述建模單元，用于建立一個最簡回聲狀態網絡模型，用環形拓撲結構代替原有 回聲狀態網絡的隨機拓撲結構；
[0037] 所述初始化單元，用于設置最簡回聲狀態網絡模型的初始化參數，所述初始化參 數包括結構參數、粒子個體最優解、粒子群最優解、最大迭代次數及粒子群的粒子個數；
[0038] 所述建立函數單元，用于對最簡回聲狀態網絡模型的結構參數和最優解進行隨機 分配，建立最簡回聲狀態網絡模型的適應度函數，并計算每個粒子的適應度值；
[0039] 所述計算單元，用于根據計算的每個粒子的適應度值和初始化參數的粒子個體最 優解及粒子群最優解計算粒子目標函數；
[0040] 所述更新單元，用于根據粒子群算法的位置和速度更新公式，更新最簡回聲狀態 網絡模型中粒子個體最優解和結構參數.
[0041 ]所述判斷單元，用于判斷是否達到終止條件；
[0042] 所述輸出單元，用于輸出粒子群最優解。
[0043] 本發明的有益效果:本發明將粒子群優化算法引入最簡回聲狀態網絡優化其關鍵 參數，最簡回聲狀態網絡模型包括輸入層、儲備池、輸出層，該模型具有一個確定的儲備池 結構，其中的神經元W環形結構相連，增強了儲備池拓撲的穩定性并且大大簡化了計算量， 同時，基于粒子群優化算法運算速度快，全局捜索能力強的特點，對最簡回聲狀態網絡的多 個參數進行了優化，從而找尋到一個全局最優解，提高了預測精度。
【附圖說明】
[0044] 圖1為最簡回聲狀態網絡結構圖；
[0045] 圖2為本發明的方法流程圖；
[0046] 圖3粒子數為20時本發明逼近NARMA系統的效果圖；
[0047] 圖4粒子數為20本發明逼近NARMA系統的誤差幅度圖；
[004引圖5粒子數為20時本發明逼近NARMA系統的性能評估圖。
【具體實施方式】
[0049] W下結合附圖對本發明的原理和特征進行描述，所舉實例只用于解釋本發明，并 非用于限定本發明的范圍。
[0化日]粒子群優化算法PSO(化dicle Swarm Optimization)具有原理簡單，參數少，收 斂速度快，全局尋優能力強的特點，運種優化算法是根據鳥捕食的行為提出的，每個覓食的 鳥都是一個粒子，粒子在空間中W-定的速度飛行(運個速度根據它本身的飛行經驗和同 伴的飛行經驗來動態調整)所有粒子都有一個被目標函數決定的適應值一一運個值適用于 評價粒子的好壞程度。優化捜索正是在由運樣一群隨機初始化形成的粒子組成的一個種群 中，W迭代的方式進行的。
[0051] 本發明利用粒子群優化算法優化最簡回聲狀態網絡的5個關鍵儲備池參數:神經 元數量、輸入權值矩陣、反饋權值矩陣、儲備池的權值及譜半徑。
[0052] 如圖1至圖5所示，本發明提供了一種基于粒子群優化最簡回聲狀態網絡參數的方 法，包括W下步驟：
[0053] 步驟1:如圖1所示，建立一個最簡回聲狀態網絡模型，用環形拓撲結構代替原有回 聲狀態網絡的隨機拓撲結構;=層最簡回聲狀態網絡模型由輸入層、儲備池和輸出層=部 分構成，其對應的輸入向量、狀態向量和輸出向量分別為:K個輸入單元u(n) = (Ui(n)，...， uk(n)) ;N個儲備池單元x(n) = (xi(n)，. . .，XN(n));和L個輸出單元y(n) = (yi(n)，. . .，yL (n))，其中，該模型采用單個非線性神經元和延遲環代替傳統儲備池中大量隨機互連的非 線性神經元，W簡化其物理拓撲，運種系統更易于硬件實現，因為只包括兩個元素:單個非 線性神經元和一個延遲環，儲備池中的每個神經元都有一個激勵狀態，且儲備池神經元的 激勵狀態x(n+l)，通過狀態更新方程更新：
[0054] x(n+l)=f(Winu(n+l)+Wx(n)+Wbacky(n))
[005引其中，Wi嘴W分別表示NXK輸入權值矩陣和NXN儲備池連接矩陣，Wbaek為一個NXL 的反饋連接矩陣，分別設置Win和W中的所有非零元素絕對值相同，等于非零值a G (-1，1 )，其 權值符號通過隨機方法或者Logistic映射的方式產生，f表示儲備池神經元的激勵函數，通 常為正弦函數或者S型函數。
[0056] 根據上述儲備池激勵狀態x(n+l)，該模型的輸出可W通過W下等式計算：
[0057] y(n+l)=f?t(W?t(u(n+l)，x(n+l)，y(n)))
[005引其中，u(n)為K個輸入單元;x(n)為N個儲備池單元;y(n)為L個輸出單元，是一 個輸出函數，表示表示一個LX化+化L)的輸出連接矩陣。
[0059] 步驟2:設置最簡回聲狀態網絡模型的初始化參數，所述初始化參數包括（1)結構 參數:神經元數量、輸入權值矩陣、反饋權值矩陣、儲備池的權值、譜半徑，其中，神經元數量 初始化從10開始，變化范圍在10-1000之間，其余參數初始時刻為0~1的隨機數；（2)最優 解:粒子個體最優解Pid和粒子群最優解Pgd;(3)粒子群的粒子個數、最大迭代次數。
[0060] 步驟3:對最簡回聲狀態網絡模型的結構參數和最優解進行隨機分配，建立最簡回 聲狀態網絡模型的適應度函數，并計算每個粒子的適應度值;為確保回聲狀態網絡的泛化 能力，需將全部訓練數據分為訓練集與預測集，先進行MES的川練階段再進行預測階段，所述 適應度函數包括MES的川練階段和測試階段的誤差，可表示為：
[0061 ] Fitness = fi( Errortrain) +f 2 (Errortest)
[0062] 訓練階段需要考慮該結構參數下ESN模型的逼近能力，用訓練的誤差化rortrain體 現。預測階段考慮的是該結構參數下ESN模型的泛化能力，用訓練的誤差化rortest體現，其 中，fi( ? )、f2( ?)分別為Errortrain和Errortest的激勵函數，Fitness為每個粒子的適應度 值。
[0063] 步驟4:根據步驟3中計算的每個粒子的適應度值和步驟2中的初始化參數計算粒 子目標函數;計算粒子目標函數的具體過程為：
[0064] (1)對于某一時刻的一個粒子X:,,,，將該粒子當前時刻的最優解托/所對應的適應度 值與該粒子個體最優解Pid的適應度值進行比較，若當前時刻的最優解托,所對應的適應度 值小于該粒子個體最優解Pid的適應度值，則用該粒子當前時刻的最優解替換為該粒子 個體最優解Pid，否則Pid保持不變；
[0065] (2)將該粒子得到的最優解Pid所對應的適應度值與粒子群最優解Pgd所對應的適 應度值進行比較，若當前時刻的最優解Pid所對應的適應度值小于粒子群最優解Pgd的適應 度值，則將其最優解Pid的作為粒子群最優解Pgd，否則Pgd保持不變。
[0066] 步驟5:根據粒子群算法的位置和速度更新公式，更新粒子個體最優解和結構參 數，迭代次數加1;
[0067] 位晉和速度更新公式如下：
[006引
[0069]
[0070] 其中，ri，n是[0~1]區間生成的隨機數，(1 = 1，2,3,4,5，即解空間的維數為5或自 變量的個數為5，1 = 1，2。禮1是群體中粒子的個數向和〇2為加速因子，4表示迭代次數;4 表示第i個粒子在第k次迭的第d維分量的最優解；表示第i個粒子在第k次迭代的第d維 分量的結構參數;=神經元數量;=輸入權值矩陣；=反饋權值矩陣;xf 1 =儲備池 的權值;4 =譜半徑;Pid表示第i個粒子的個體最優解的第d維分量;Pgd表示粒子群最優解 的第d維分量。
[0071 ]步驟6:判斷迭代次數是否大于最大迭代次數，如果是，執行步驟7，否則，執行步驟 3至步驟5;
[0072] 步驟7:輸出粒子群最優解。
[0073] -種基于粒子群優化最簡回聲狀態網絡參數的系統，包括建模單元、初始化單元、 建立函數單元、計算單元、更新單元、判斷單元及輸出單元；
[0074] 所述建模單元，用于建立一個最簡回聲狀態網絡模型，用環形拓撲結構代替原有 回聲狀態網絡的隨機拓撲結構；
[0075] 所述初始化單元，用于設置最簡回聲狀態網絡模型的初始化參數，所述初始化參 數包括結構參數、粒子個體最優解、粒子群最優解、最大迭代次數及粒子群的粒子個數；
[0076] 所述建立函數單元，用于對最簡回聲狀態網絡模型的結構參數和最優解進行隨機 分配，建立最簡回聲狀態網絡模型的適應度函數，并計算每個粒子的適應度值；
[0077] 所述計算單元，用于根據計算的每個粒子的適應度值和初始化參數的粒子個體最 優解及粒子群最優解計算粒子目標函數；
[0078] 所述更新單元，用于根據粒子群算法的位置和速度更新公式，更新最簡回聲狀態 網絡模型中粒子個體最優解和結構參數.
[0079] 所述判斷單元，用于判斷是否達到終止條件；
[0080] 所述輸出單元，用于輸出粒子群最優解。
[0081] 圖3和圖4分別給出了粒子數為20時本發明逼近NARMA系統的效果圖和誤差幅度 圖，可W看出利用該方法可W有效地跟隨NARMA系統的未來變化趨勢。
[0082] 圖5給出了粒子數為20時本發明逼近NARMA系統的性能評估圖，可W看出在第16次 迭代時NRMSE最小，即MESN具有最佳的非線性逼近能力，此時優化結果為：儲備池規模為 620，輸入權值矩陣權值為0.55，反饋權值矩陣權值為0.21，儲備池權值矩陣權值為0.48，譜 半徑為0.77。
[0083] 本發明的有益效果:本發明將粒子群優化算法引入最簡回聲狀態網絡優化其關鍵 參數，最簡回聲狀態網絡模型包括輸入層、儲備池、輸出層，該模型具有一個確定的儲備池 結構，其中的神經元W環形結構相連，增強了儲備池拓撲的穩定性并且大大簡化了計算量， 同時，基于粒子群優化算法運算速度快，全局捜索能力強的特點，對最簡回聲狀態網絡的多 個參數進行了優化，從而找尋到一個全局最優解，提高了預測精度。
[0084] W上所述僅為本發明的較佳實施例，并不用W限制本發明，凡在本發明的精神和 原則之內，所作的任何修改、等同替換、改進等，均應包含在本發明的保護范圍之內。
【主權項】
1. 一種基于粒子群優化最簡回聲狀態網絡參數的方法，其特征在于，包括W下步驟： 步驟1:建立一個最簡回聲狀態網絡模型，用環形拓撲結構代替原有回聲狀態網絡的隨 機拓撲結構； 步驟2:設置最簡回聲狀態網絡模型的初始化參數，所述初始化參數包括結構參數、粒 子個體最優解、粒子群最優解、最大迭代次數及粒子群的粒子個數； 步驟3:對最簡回聲狀態網絡模型的結構參數和最優解進行隨機分配，建立最簡回聲狀 態網絡模型的適應度函數，并計算每個粒子的適應度值； 步驟4:根據步驟3中計算的每個粒子的適應度值和步驟2中的初始化參數的粒子個體 最優解及粒子群最優解計算粒子目標函數； 步驟5:根據粒子群算法的位置和速度更新公式，更新最簡回聲狀態網絡模型中粒子個 體最優解和結構參數，迭代次數加1; 步驟6:判斷迭代次數是否大于最大迭代次數，如果是，執行步驟7，否則，執行步驟3至 步驟5; 步驟7:輸出粒子群最優解。2. 如權利要求1所述的一種基于粒子群優化最簡回聲狀態網絡參數的方法，其特征在 于，所述步驟1中的最簡回聲狀態網絡模型包括輸入層、儲備池和輸出層，所述輸入層、儲備 池和輸出層對應的輸入向量、狀態向量和輸出向量分別為：K個輸入單元u(n) = (ui (η), . . . ,uk(n)) ;N個儲備池單元x(n) = (xi(n), . . . ,ΧΝ(η));和L個輸出單元y(n) = (yi (η)，...，yL(n))。3. 如權利要求2所述的一種基于粒子群優化最簡回聲狀態網絡參數的方法，其特征在 于，所述儲備池中包括多個神經元，每個神經元都有一個激勵狀態，且儲備池中神經元的激 勵狀態x(n+l)為： x(n+l)=f(Winu(n+l)+Wx(n)+Wbacky(n)) 其中，U (η)為K個輸入單元;X (η)為N個儲備池單元;y (η)為L個輸出單元;win和W分別表 示N X K輸入權值矩陣和N X N儲備池連接矩陣，Wbatk為一個N X L的反饋連接矩陣，分別設置 Win和W中的所有非零元素絕對值相同，等于非零值ae (-1，1)，其權值符號通過隨機方法或 者Logistic映射的方式產生，f( ·)表示儲備池中神經元的激勵函數。4. 如權利要求3所述的一種基于粒子群優化最簡回聲狀態網絡參數的方法，其特征在 于，所述儲備池中神經元的激勵函數為正弦函數或者S型函數。5. 如權利要求3所述的一種基于粒子群優化最簡回聲狀態網絡參數的方法，其特征在 于，根據所述儲備池中神經元的激勵狀態x(n+l)，該模型的輸出為： y(n+l)=嚴(rut(u(n+l)，x(n+l)，y(n))) 其中，u(n)為K個輸入單元;x(n)為N個儲備池單元;y(n)為L個輸出單元，rut是一個輸 出函數，表示一個LX化+化L)的輸出連接矩陣。6. 如權利要求1所述的一種基于粒子群優化最簡回聲狀態網絡參數的方法，其特征在 于，所述步驟3中的適應度函數包括最簡回聲狀態網絡模型訓練階段和測試階段的誤差，表 示為： Pi tne S S - f 1 (Errortra in)+f2(Errortest) 訓練階段需要考慮該結構參數下ESN模型的逼近能力，用訓練的誤差Errortrain體現;預 測階段考慮的是該結構參數下ESN模型的泛化能力，用訓練的誤差化rortest體現，其中，fi (· )、f2( ·)分別為Elrrortrain和Elrrortest的激勵函數，Fitness為每個粒子的適應度值。7. 如權利要求1所述的一種基于粒子群優化最簡回聲狀態網絡參數的方法，其特征在 于，所述步驟4中計算粒子目標函數的具體過程為： (1) 對于某一時刻的一個粒子，將該粒子當前時刻的最優解所對應的適應度值與 該粒子個體最優解Pid的適應度值進行比較，若當前時刻的最優解所對應的適應度值小 于該粒子個體最優解Pid的適應度值，則用該粒子當前時刻的最優解托，替換為該粒子個體 最優解Pid，否則Pid保持不變； (2) 將該粒子得到的最優解pid所對應的適應度值與粒子群最優解pgd所對應的適應度值 進行比較，若當前時刻的最優解Pid所對應的適應度值小于粒子群最優解Pgd的適應度值，貝U 將其最優解Pid的作為粒子群最優解Pgd,否則Pgd保持不變。8. 如權利要求1所述的一種基于粒子群優化最簡回聲狀態網絡參數的方法，其特征在 于，所述步驟2中結構參數包括神經元數量、輸入權值矩陣、反饋權值矩陣、儲備池的權值、 譜半徑，其中，神經元數量初始化從10開始，變化范圍在10-1000之間，其余參數初始時刻為 0~1的隨機數。9. 如權利要求8所述的一種基于粒子群優化最簡回聲狀態網絡參數的方法，其特征在 于，所述步驟5中的位置和速度更新公式如下：其中，η，η是[0~U區間生成的隨機數，(1=1，2,3,4,5，即解空間的維數為5或自變量的個 數為5，1 = 1，2-禮1是群體中粒子的個數，〇和〇2為加速因子古表示迭代次數^表示第1個粒 子在第k次迭的第d維分量的最優解;X；；表示第i個粒子在第k次迭代的第d維分量的結構參數； 卻=神經元救量：4崎資入權值化陣：鳴=反饋權植化陣；4=儲備池的權值：4=譜半徑： Pid表示第i個粒子的個體最優解的第d維分量;Pgd表示粒子群最優解的第d維分量。10. -種基于粒子群優化最簡回聲狀態網絡參數的系統，其特征在于，包括建模單元、 初始化單元、建立函數單元、計算單元、更新單元、判斷單元及輸出單元； 所述建模單元，用于建立一個最簡回聲狀態網絡模型，用環形拓撲結構代替原有回聲 狀態網絡的隨機拓撲結構； 所述初始化單元，用于設置最簡回聲狀態網絡模型的初始化參數，所述初始化參數包 括結構參數、粒子個體最優解、粒子群最優解、最大迭代次數及粒子群的粒子個數； 所述建立函數單元，用于對最簡回聲狀態網絡模型的結構參數和最優解進行隨機分 配，建立最簡回聲狀態網絡模型的適應度函數，并計算每個粒子的適應度值； 所述計算單元，用于根據計算的每個粒子的適應度值和初始化參數的粒子個體最優解 及粒子群最優解計算粒子目標函數； 所述更新單元，用于根據粒子群算法的位置和速度更新公式，更新最簡回聲狀態網絡 模型中粒子個體最優解和結構參數； 所述判斷單元，用于判斷是否達到終止條件； 所述輸出單元，用于輸出粒子群最優解。
【文檔編號】H04L12/24GK105978732SQ201610478359
【公開日】2016年9月28日
【申請日】2016年6月27日
【發明人】孫曉川, 陳揚, 張明輝, 李瑩琦
【申請人】華北理工大學