回声状态网络时间序列预测方法及应用研究
| 摘要 | 第4-6页 |
| Abstract | 第6-8页 |
| 第1章 绪论 | 第11-16页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 课题的研究内容 | 第12-13页 |
| 1.3 本文的组织结构 | 第13-16页 |
| 第2章 回声状态网络及预测方法介绍 | 第16-35页 |
| 2.1 引言 | 第16页 |
| 2.2 时间序列预测方法 | 第16-18页 |
| 2.2.1 线性模型 | 第16-17页 |
| 2.2.2 非线性模型 | 第17-18页 |
| 2.3 递归神经网络模型 | 第18-22页 |
| 2.4 回声状态网络 | 第22-30页 |
| 2.4.1 ESN研究进展 | 第24-26页 |
| 2.4.2 离线学习 | 第26-27页 |
| 2.4.3 在线学习 | 第27-30页 |
| 2.5 储备池的参数选择 | 第30-34页 |
| 2.5.1 储备池的功能 | 第30-31页 |
| 2.5.2 储备池的维度和稀疏度 | 第31-32页 |
| 2.5.3 输入尺度变换与保留率 | 第32-33页 |
| 2.5.4 谱半径 | 第33-34页 |
| 2.6 小结 | 第34-35页 |
| 第3章 具有修正协方差的ESN预测方法 | 第35-55页 |
| 3.1 引言 | 第35-36页 |
| 3.2 基于卡尔曼滤波的ESN | 第36-38页 |
| 3.3 具有修正协方差的ESN | 第38-42页 |
| 3.3.1 模型推导 | 第38-40页 |
| 3.3.2 收敛性分析 | 第40-42页 |
| 3.4 实验与结果分析 | 第42-54页 |
| 3.4.1 Lorenz时间序列 | 第42-46页 |
| 3.4.2 城市共享自行车数据集 | 第46-50页 |
| 3.4.3 太阳黑子数 | 第50-54页 |
| 3.5 小结 | 第54-55页 |
| 第4章 具有自适应因子的ESN预测方法 | 第55-70页 |
| 4.1 引言 | 第55-56页 |
| 4.2 气温时间序列数据分析 | 第56-58页 |
| 4.3 基于递归贝叶斯的ESN | 第58-62页 |
| 4.3.1 递归贝叶斯线性回归 | 第58-60页 |
| 4.3.2 基于递归贝叶斯的ESN | 第60-62页 |
| 4.4 实验与结果分析 | 第62-69页 |
| 4.5 小结 | 第69-70页 |
| 第5章 基于学生T分布的ESN预测方法 | 第70-100页 |
| 5.1 引言 | 第70-71页 |
| 5.2 基于学生T分布的ESN | 第71-84页 |
| 5.2.1 学生t分布 | 第71-79页 |
| 5.2.2 基于学生t分布的贝叶斯方法 | 第79-81页 |
| 5.2.3 近似计算 | 第81-84页 |
| 5.3 基于学生T分布的ESN预测算法 | 第84-85页 |
| 5.4 实验与分析 | 第85-99页 |
| 5.4.1 Mackey-Glass时间序列 | 第85-89页 |
| 5.4.2 Rossler混沌时间序列 | 第89-95页 |
| 5.4.3 空气污染物时间序列 | 第95-99页 |
| 5.5 小结 | 第99-100页 |
| 第6章 结论 | 第100-103页 |
| 6.1 工作总结 | 第100-102页 |
| 6.2 展望 | 第102-103页 |
| 参考文献 | 第103-115页 |
| 读博期间所取得的科研成果 | 第115-116页 |
| 致谢 | 第116页 |
