长短期记忆网络预测混沌时间序列
近年来,深度学习技术的快速发展推动了机器学习的广泛应用.其中,储备池计算(Reservoir Computing)方法由于在混沌时间序列预测方面的卓越效果而受到了越来越多的重视,形成了一个新的研究热点.本文以传统的长短期记忆网络(LSTM)和全连接层作为模型的基础,构建了基于循环神经网络的LSTM学习机.在仿真实验中,我们以平均有效预测时间作为度量指标,使用模型对洛伦兹系统的状态变量进行预测,并针对混沌系统特殊的动力学性质,为模型搭配了四项策略来辅助预测.结果表明,LSTM学习机搭配合适的组合策略,其预测能力也能达到与储备池计算相比拟的效果,且模型复杂度更低.因此,储备池计算并没有超越于传统方法的绝对优势,这启发我们通过进一步研究学习机预测时间序列的机制和方法,寻找更加有效的时间序列预测学习机.
机器学习、混沌时间序列、预测、长短期记忆网络
49
F83;R33
国家自然科学基金11335006
2019-12-31(万方平台首次上网日期,不代表论文的发表时间)
共8页
88-95