.png){kind=icon}
返回
Echo State Network with Information Inheritance Properties
.png){kind=icon}
PRE
AI
DOI：10.1142/S0218127426500458.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
混沌系统对初始条件高度敏感，其动态行为的极端不可预测性对精确预测构成了显著挑战。原始回声状态网络（OESN）在特征提取方面存在局限性，且应用于混沌系统预测时，其在层次化建模方面不足。为解决此问题，本文提出了一种具有信息继承特性的回声状态网络（In-ESN），通过创新的跨层动态耦合机制构建轻量化层次化架构。该模型采用双重存储池结构，信息层与决策层的协同工作实现了多级特征的逐步提取与融合。实验结果表明，In-ESN在多个经典混沌系统的预测任务中表现出更优性能，验证了其在特征提取和长期预测方面的显著优势。
Keyword:
Echo state network
information inheritance
chaotic time series
echo state property
期刊
I
IF:
2.3
论文数:
233
被引数:
8.5K
机构
引用论文
Application of cross-channel multiscale permutation entropy in measuring multichannel data complexity交叉通道多尺度排列熵在多通道数据复杂度测量中的应用
PREAI
分享收藏分享收藏Predicting chaotic time series and replicating chaotic attractors based on two novel echo state network models.png)
NEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏A systematic study of Echo State Networks topologies for chaotic time series prediction用于混沌时间序列预测的回声状态网络拓扑的系统研究NEUROCOMPUTING
OAAI
NEUROCOMPUTINGIF6.5
OAAI分享收藏分享收藏Emerging opportunities and challenges for the future of reservoir computingNATURE COMMUNICATIONSOAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏
查看更多内容