|
|
|
摘要 针对回声状态网络(ESN)对于不同时间序列的学习上无法有效地确定储备池参数的问题，提出一种新型预测模型。利用改进的高斯骨架差分进化算法(DE)来优化回声状态网络。在DE算法中引入了变异策略选择因子，并将选择因子随个体共同参与进化，使每个个体执行当前最适合的变异策略。改善了原始DE算法进化过程中的盲目性，同时选择因子的动态自适应特性保持了骨架算法近似无参数的优点，最后为避免算法早熟加入停滞扰动策略改善算法的寻优性能。为验证模型的有效性，对Mackey-Glass时间序列、赣州月平均气温数据集进行仿真实验。由实验结果可知，该模型可以提高时间序列的预测精度，且具有良好的泛化能力及实际应用价值。
|
|
| 关键词 ：
时间序列,
高斯骨架,
差分进化,
回声状态网络
|
|
|
| 基金资助:国家自然科学基金资助项目(12161043)~~； |
| [1] |
张小玲 徐丹 甘仰本 况杰. SARIMA模型在南昌市HIV/AIDS疫情预测中的应用[J]. 南昌大学学报（医学版）, 2020, 60(6): 1-. |
| [2] |
徐东辉 徐向阳. 车用锂离子动力电池SOC时间序列的BP神经网络预测模型[J]. 南昌大学学报（理科版）, 2020, 44(2): 180-. |
| [3] |
杨舒晴； 邱晓红； 李渤. 双进化策略轮流切换差分进化算法[J]. 南昌大学学报（理科版）, 2015, 39(01): 31-. |
| [4] |
许涤龙; 张钰. 资本资产定价模型与上海股票市场的实证分析[J]. 南昌大学学报（理科版）, 2005, 29(02): 1-. |
| [5] |
张德平; 何明. 6α-甲基强的松龙毒性试验数据的灰色处理[J]. 南昌大学学报（医学版）, 1997, 39(03): 1-. |
| [6] |
肖鸿晶. MTV模型及其运用方法[J]. 南昌大学学报（理科版）, 1996, 20(03): 1-. |
| [7] |
涂努民. 稻螟中长期数量预测的时间序列分析法[J]. 南昌大学学报（理科版）, 1990, 14(01): 1-. |
|
|
|
