.png){kind=icon}
返回
Optimized echo state network for error compensation based on transfer learning
.png){kind=icon}
OA
AI
DOI：10.1016/j.asoc.2025.112935.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
回声状态网络（ESN）在非线性系统建模中得到了广泛应用，但其性能常因缺乏误差自相关分析而受限，导致建模精度降低。现有的扩展方法，如SR-ESN和ERBM，主要关注结构优化或特征表示，但未能有效解决自相关误差问题。为克服这些局限性，我们提出了一种基于迁移学习的回声状态网络（TLESN），该网络通过实时补偿误差来提升预测精度。TLESN整合了基于ESN的计算层和采用迁移学习的补偿层，后者动态调整输出权重。为验证所提模型，实验在Mackey-Glass时间序列、实际太阳黑子数据集和真实工业数据集上进行。结果表明，TLESN能有效缓解自相关误差，相比现有ESN扩展方法，预测精度至少提升了17%。
Keyword:
Echo state network
Error compensation
Transfer learning
Error autocorrelation
Nonlinear system modeling
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
6.6
论文数:
1.4W
被引数:
4.8W
机构
引用论文
.png){kind=icon}
Multi-Reservoir Echo State Networks with Hodrick-Prescott Filter for nonlinear time-series prediction具有hudrick-Prescott滤波器的多储层回波状态网络，用于非线性时间序列预测OAAI
OAAI分享收藏Ensemble mutation-driven salp swarm algorithm with restart mechanism: Framework and fundamental analysis具有重启机制的集成变异驱动salp群算法: 框架和基本分析
PREAI
分享收藏DeepESN Neural Networks for Industrial Predictive Maintenance through Anomaly Detection from Production Energy Data基于生产能耗数据异常检测的工业预测性维护深度回声状态神经网络
OAAI
OAAI分享收藏
查看更多内容