掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
宇宙、量子和人類心靈
-
>
氣候文明史
-
>
南極100天
-
>
考研數學專題練1200題
-
>
希格斯:“上帝粒子”的發明與發現
-
>
神農架疊層石:10多億年前遠古海洋微生物建造的大堡礁
-
>
聲音簡史
回聲狀態網絡時間序列分類與預測:理論、模型與應用 版權信息
- ISBN：9787030747884
- 條形碼：9787030747884 ; 978-7-03-074788-4
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
回聲狀態網絡時間序列分類與預測:理論、模型與應用 本書特色
本書適合從事管理科學、運籌管理、人工智能、預測理論與方法研究和教學的學者及研究生閱讀，也可以作為企業運營管理、數據管理和統計管理人員的學習與培訓用書
回聲狀態網絡時間序列分類與預測:理論、模型與應用 內容簡介
本專著基于回聲狀態網絡有效處理時間序列分類和預測問題。**，分析了面向時間序列分析的回聲狀態網絡；第二，提出了基于ESN的時間序列分類方法；第三，設計了基于回溯搜索算法優化ESN的時間序列預測模型；第四，研究了基于組合ESN的時間序列預測問題；第五，構建基于小波ESN的旅游需求預測模型；第六，研究了基于雙儲備池ESN的電力需求預測問題。
回聲狀態網絡時間序列分類與預測:理論、模型與應用 目錄
目錄
1 面向時間序列分析的ESN 1
1.1 時間序列分析面臨的挑戰 1
1.2 ESN原理分析 5
1.3 ESN時間序列分類 11
1.4 ESN時間序列預測 14
1.5 本章小結 17
2 基于DE和ESN的時間序列分類 18
2.1 引言 18
2.2 分類器Conceptor 19
2.3 基于ADE算法優化的分類器 23
2.4 數值實驗和結果分析 27
2.5 本章小結 38
3 基于BSA優化ESN的時間序列預測 39
3.1 引言 39
3.2 BSA及其改進 41
3.3 設計的BSA-ESN混合預測模型 46
3.4 數值實驗和結果分析 48
3.5 本章小結 59
4 基于組合ESN的時間序列預測 61
4.1 引言 61
4.2 所選個體預測模型分析 65
4.3 線性組合預測模型 69
4.4 數值實驗和結果分析 79
4.5 本章小結 86
5 基于小波ESN的旅游需求預測 87
5.1 引言 87
5.2 具有小世界特性的小波ESN預測模型 90
5.3 基于SW-W-ESN模型的旅游需求預測 95
5.4 本章小結 103
6 基于雙儲備池ESN的電力負荷預測 104
6.1 引言 104
6.2 改進BSA優化雙儲備池ESN的混合預測模型 106
6.3 基于IBSA-DRESN的單因素電力負荷預測 115
6.4 基于IBSA-DRESN的多因素電力負荷預測 123
6.5 本章小結 130
7 基于VMD和改進ESN的風速預測 131
7.1 引言 131
7.2 構建的VMD-DE-ESN混合預測模型 134
7.3 實驗設置 138
7.4 實驗結果展示與分析 142
7.5 本章小結 158
8 基于Bagging和ESN的能源消費量預測 160
8.1 引言 160
8.2 設計的BDEESN預測模型 162
8.3 實驗設置 165
8.4 實驗結果展示與分析 172
8.5 本章小結 180
參考文獻 182
后記 198
1 面向時間序列分析的ESN 1
1.1 時間序列分析面臨的挑戰 1
1.2 ESN原理分析 5
1.3 ESN時間序列分類 11
1.4 ESN時間序列預測 14
1.5 本章小結 17
2 基于DE和ESN的時間序列分類 18
2.1 引言 18
2.2 分類器Conceptor 19
2.3 基于ADE算法優化的分類器 23
2.4 數值實驗和結果分析 27
2.5 本章小結 38
3 基于BSA優化ESN的時間序列預測 39
3.1 引言 39
3.2 BSA及其改進 41
3.3 設計的BSA-ESN混合預測模型 46
3.4 數值實驗和結果分析 48
3.5 本章小結 59
4 基于組合ESN的時間序列預測 61
4.1 引言 61
4.2 所選個體預測模型分析 65
4.3 線性組合預測模型 69
4.4 數值實驗和結果分析 79
4.5 本章小結 86
5 基于小波ESN的旅游需求預測 87
5.1 引言 87
5.2 具有小世界特性的小波ESN預測模型 90
5.3 基于SW-W-ESN模型的旅游需求預測 95
5.4 本章小結 103
6 基于雙儲備池ESN的電力負荷預測 104
6.1 引言 104
6.2 改進BSA優化雙儲備池ESN的混合預測模型 106
6.3 基于IBSA-DRESN的單因素電力負荷預測 115
6.4 基于IBSA-DRESN的多因素電力負荷預測 123
6.5 本章小結 130
7 基于VMD和改進ESN的風速預測 131
7.1 引言 131
7.2 構建的VMD-DE-ESN混合預測模型 134
7.3 實驗設置 138
7.4 實驗結果展示與分析 142
7.5 本章小結 158
8 基于Bagging和ESN的能源消費量預測 160
8.1 引言 160
8.2 設計的BDEESN預測模型 162
8.3 實驗設置 165
8.4 實驗結果展示與分析 172
8.5 本章小結 180
參考文獻 182
后記 198
展開全部
回聲狀態網絡時間序列分類與預測:理論、模型與應用 節選
1 面向時間序列分析的ESN 1.1 時間序列分析面臨的挑戰 1.1.1 研究背景與意義 充分挖掘龐大的數據資源中存在的有價值的信息，能夠為決策者提供決策支持（王方等，2022）。在這些海量數據中，有一類有趣的動態數據稱作時間序列數據。時間序列數據是根據時間順序記錄的一系列觀測值，即數據值是按時間順序保存的。時間序列數據客觀記錄了所觀測的系統在各個時刻點的重要信息。一條時間序列是一組序列數據，它通常是在相等間隔的時間段內，依照給定的采樣率，對系統中某一個變量（單變量序列）或者多個變量（多變量序列）進行連續觀測的結果（孫少龍等，2022）。在現實應用中，許多數據都是以時間序列的形式呈現的，如一個國家消耗電力的月度數據（圖1-1），生態學上對于某種現象的觀測數據（圖1-2），物理學上對于太陽活動的觀測數據等。 時間序列數據往往能夠映射動態系統具有的特定規律和潛在特性，它能夠通過分析時間序列數據的歷史值和當前觀測值，充分挖掘隱藏信息，然后進行合理的假設和推理，建立能夠精確辨識和重構所觀測系統動力學行為的模型，并依據該模型對序列未來的發展規律做出估計和判斷（Giles et al.，2001）。 然而，現實世界中采集的時間序列數據往往表現出復雜的特點，時間序列在很大程度上會表現出非線性、非平穩性及非周期性等特征（李木易和方穎，2020；趙陽等，2022）。因此，對時間序列數據進行準確分析依然存在巨大的挑戰。為了有效應對時間序列分析在實際應用中的挑戰，時間序列數據挖掘（time series data mining，TSDM）技術應運而生（Agrawal et al.，1993；Esling and Agon，2012）。自20世紀90年代時間序列數據挖掘被提出來之后，其就受到了國內外研究人員的廣泛關注，并且得到了迅猛的發展。通過分析現有關于時間序列數據挖掘的研究資料，可以將其研究熱點歸納為以下幾個方面：①時間序列近似表示；②時間序列模式發現；③時間序列的相似性度量方法；④時間序列分類；⑤時間序列聚類；⑥時間序列預測。本書的研究工作主要集中在時間序列的預測和分類兩個內容上。 如前文所述，時間序列數據在很大程度上會表現出非線性、非平穩性及非周期性等動態特征，使用傳統的靜態數據分析方法往往效果不佳。人工神經網絡（artificial neural network，ANN）是一種以數據為驅動的、自適應的人工智能模型。憑借其良好的非線性逼近能力，ANN被廣泛應用在各個領域中。其中，將ANN應用于時間序列分析得到了研究人員的廣泛認可。ANN根據信息反饋方式的不同可以劃分為前饋人工神經網絡（feedforward artificial neural network，FANN）和RNN。理論分析和實驗結果表明，RNN非常適合處理無法或者難以建立系統物理模型的時間序列問題，如聚類（Cherif et al.，2011）、模式識別（Chatzis and Demiris，2012）、分類（Skowronski and Harris，2007）和預測（Cao et al.，2012；Jaeger and Haas，2004）等。但是，傳統RNN的訓練算法是基于誤差梯度下降法的，這種類型的訓練算法效率低下，導致RNN在實際中的應用受到嚴重限制。 由Jaeger（2001a）提出的ESN為RNN的研究開辟了新的思路。ESN是儲備池計算方法之一，采用儲備池作為信息處理媒介，只需要訓練儲備池到輸出層的連接權值，而輸入層到儲備池和儲備池內部連接權值在網絡初始化階段隨機生成并保持不變。與傳統RNN相比，ESN能夠有效避免傳統RNN訓練效率低下、收斂速度慢、容易陷入局部*優等缺陷。Jaeger和Haas（2004）采用ESN對麥克—格拉斯（Mackey-Glass）混沌時間序列進行預測，其預測精度較過去的研究成果提高了2400倍，文獻發表在全球頂級期刊Science上，成為ESN研究的標志性成果。正是因為ESN表現出的杰出性能，其已經成為神經網絡領域的研究熱點之一，也是時間序列領域的研究熱點之一，吸引了國內外學者的廣泛關注。 因此，在充分考慮時間序列數據特性的現實基礎上，可應用ESN進行時間序列數據挖掘。針對提升挖掘精度，從ESN的改進、與其他方法進行組合等角度開展基于ESN的時間序列預測和分類方法研究，具有很強的理論意義和較高的應用價值。 1.1.2 待解決的關鍵問題 時間序列數據是一種非常復雜的數據，其復雜性體現如下：時序性、高維度、大體量、含噪聲、非線性、非平穩性和快速波動等（Boucheham，2010；Esling and Agon，2012），這些固有的特性使時間序列數據挖掘研究充滿了挑戰。將ESN應用在時間序列預測和分類的建模時，依然面臨以下亟待解決的關鍵問題。 （1）隨著ESN在時間序列預測應用領域研究的不斷深入，標準ESN的一些局限和弊端逐漸顯現。為此，研究人員提出了各種改進的ESN時間序列預測模型，如自反饋儲備池結構ESN模型、多層儲備池結構ESN模型、解耦儲備池結構ESN模型、環形儲備池結構ESN模型和混合循環儲備池結構ESN模型等。但是，改進的ESN模型的復雜程度顯著提高，訓練算法過于復雜，而且改進ESN模型的穩定性和儲備池適應性等基本理論問題也沒有得到有效的解決。 （2）將單一的ESN應用在時間序列預測問題上能夠獲得較高的預測精度，但是精度提高到一定程度后，很難再有提高。為此，研究者將ESN與其他模型進行組合，從不同角度提出了各種改進的ESN預測模型。將ESN與其他類型的神經網絡模型組合，主要面臨如下挑戰：①從各種類別的神經網絡中選擇合適的神經網絡作為個體預測模型進行組合是一個難題；②神經網絡的性能受其網絡結構的影響，如何快速確定各個神經網絡的結構也是相當困難的。 （3）將ESN應用于時間序列分類的研究較少，主要是因為時間序列分類本身就是一個很有挑戰的任務。將ESN應用于MTS分類問題是一個值得進行深入研究的方向，面臨的主要挑戰如下：①MTS數據的維度很大且每個樣本的長度不一樣，如何將樣本輸入ESN是一個難題。②雖然可以在時間序列上使用特征選擇的方法選擇特征作為ESN的輸入，但是時間序列特征空間的維度很大，特征選擇的過程是非常困難的。而且，采用特征選擇進行降維操作不僅會增加計算成本，同時也會破壞MTS數據類型自身的數據屬性。③神經網絡本身具有黑箱性質，雖然使用ESN建立分類器在理論上可行，但是建立一個在實際應用中具有可解釋性的分類器是很困難的。 1.1.3 時間序列概述 時間序列是指在生產和科學研究等過程中，按照時間順序記錄得到的一系列觀測值，它是某個變量或多個變量在不同時刻上所形成的隨機數據，反映了現象的發展變化規律（王海燕和盧山，2006；張滸，2013）。一般而言，時間序列可以分為單變量時間序列（univariate time series，UTS）和MTS。一個有限長度單變量時間序列表示從某一個特定的時期（如）開始，直到另一個時期（如）結束的一系列觀測值，即一個長度為U的單變量時間序列可以用一個矩陣表示，公式如下： 其中，表示矩陣的轉置矩陣；表示在時刻t的觀測值；U表示序列的觀測周期長度。通常，可以獲取更早一些的觀測數據或者是更新一些的觀測數據。那么，這個觀測樣本可視為一個無限序列的有限片段，其中這個無限序列記為 MTS則是一個有限的單變量時間序列的序列，即MTS可以表示為，其中，表示第v個變量的序列觀測值；U表示每個變量的觀測周期長度；V表示變量的個數（也就是MTS的維度）。一般地，一個長度為U的V維時間序列可以用一個矩陣表示，公式如下： 其中，矩陣中是第v維變量在時間點t上的采樣值。 相對于傳統靜態數據而言，現實世界中采集的時間序列數據往往表現出復雜的特點，如時序性、高維度、大體量、含噪聲等；時間序列在很大程度上也會表現出非線性、非平穩性及非周期性等特征。 1.2 ESN原理分析 ESN的基本思想是使用儲備池作為信息處理媒介，將輸入信號映射到高維且不斷變化的復雜動態狀態空間，當狀態空間足夠復雜時，即可以利用輸入信號對應的內部狀態線性組合出所需要的輸出。可以采用線性回歸方法計算網絡的輸出連接權值，而網絡的其他連接權值則可以在網絡初始化階段隨機生成并在網絡訓練過程中保持不變。 下面將分析ESN的一些基本理論問題，包括其典型的網絡結構、數學模型和儲備池的關鍵參數等，同時也會對ESN的國內外研究現狀進行歸納和總結。 1.2.1 網絡結構 ESN因為其簡單的網絡結構和快速且高效的訓練算法而受到廣泛的關注。ESN是儲備池計算方法之一，采用儲備池作為信息處理媒介。儲備池是指大規模稀疏網絡，相當于其他類型神經網絡的隱藏層，主要功能是對網絡的輸入信號進行處理，將輸入信號轉換成網絡狀態。儲備池在網絡初始化階段隨機生成并在整個訓練過程中保持不變。為了有效映射輸入信號的特征，儲備池具備以下幾個特點（Jaeger，2001a，2001b）：①與其他類型神經網絡相比，ESN儲備池中包含數目相對多的神經元；②儲備池神經元之間是稀疏連接的；③儲備池神經元之間的連接關系是隨機的。 儲備池特性導致ESN相比于傳統RNN有更優越的性能（圖1-3）。標準的ESN可以分為三個組成部分：一個輸入層（K個節點）、一個隱藏層（N個節點）、一個輸出層（L個節點）。其中，隱藏層又稱作儲備池。 在時刻n，ESN中的輸入層節點，儲備池內部節點和輸出層節點的活動狀態分別表示如下： （1-1） （1-2） （1-3） 在標準的ESN中，儲備池的神經元通過內部連接權值矩陣相連接，輸入層的輸入信號和輸出層的反饋信號分別通過輸入連接權值矩陣和反饋連接矩陣連接到儲備池。而且，網絡的輸入層的輸入信號、儲備池內部網絡狀態和輸出層的輸出信號三個部分通過輸出連接權值矩陣連接到網絡的輸出層。 ESN相對于傳統RNN而言，網絡結構簡單且訓練算法高效，主要是因為只有輸出連接權值矩陣需要訓練，其他的網絡各層之間的連接權值矩陣包括儲備池內部連接權值矩陣W、輸入連接權值矩陣及反饋連接矩陣等在網絡初始化階段隨機產生并且在整個訓練過程中保持不變。對于，通常可以采用線性回歸方法進行計算。基于此，ESN在很大程度上簡化了網絡的訓練過程，提升了網絡訓練的效率，避免了傳統RNN結構難以確定、訓練效率低下、收斂速度慢、容易陷入局部*優等缺陷，也可以解決RNN普遍存在的“記憶”漸消問題。
書友推薦
- >
李白與唐代文化
- >
伯納黛特,你要去哪(2021新版)
- >
小考拉的故事-套裝共3冊
- >
回憶愛瑪儂
- >
煙與鏡
- >
我從未如此眷戀人間
- >
經典常談
- >
龍榆生：詞曲概論/大家小書
本類暢銷
