基于儲(chǔ)備池的非線性系統(tǒng)預(yù)測(cè)理論與分析方法

內(nèi)容概要

　　《基于儲(chǔ)備池的非線性系統(tǒng)預(yù)測(cè)理論與分析方法》從儲(chǔ)備池網(wǎng)絡(luò)的基本概念出發(fā)，重點(diǎn)論述了基于儲(chǔ)備池的非線性系統(tǒng)辨識(shí)和預(yù)測(cè)方法，并針對(duì)儲(chǔ)備池網(wǎng)絡(luò)的優(yōu)化算法進(jìn)行了深入探討。在此基礎(chǔ)上，針對(duì)具體的實(shí)際問(wèn)題，給出了多個(gè)算例，進(jìn)而說(shuō)明儲(chǔ)備池網(wǎng)絡(luò)在非線性系統(tǒng)辨識(shí)和預(yù)測(cè)研究中的應(yīng)用。
　　《基于儲(chǔ)備池的非線性系統(tǒng)預(yù)測(cè)理論與分析方法》適合學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)、非線性系統(tǒng)建模辨識(shí)、混沌時(shí)間序列預(yù)測(cè)等方面的研究生閱讀，也適合從事混沌時(shí)間序列預(yù)測(cè)、復(fù)雜系統(tǒng)建模與辨識(shí)等領(lǐng)域的工程技術(shù)人員參考。

書(shū)籍目錄

前言
第1章　緒論
　1.1　引言
　1.2　儲(chǔ)備池及相關(guān)神經(jīng)網(wǎng)絡(luò)方法
　1.3　基于儲(chǔ)備池的非線性系統(tǒng)辨識(shí)和預(yù)測(cè)方法
　1.4　小結(jié)
　參考文獻(xiàn)
第2章　儲(chǔ)備池網(wǎng)絡(luò)基礎(chǔ)
　2.1　引言
　2.2　儲(chǔ)備池網(wǎng)絡(luò)
　2.3　靜態(tài)儲(chǔ)備池網(wǎng)絡(luò)的模型結(jié)構(gòu)
　2.4　動(dòng)態(tài)儲(chǔ)備池網(wǎng)絡(luò)的模型結(jié)構(gòu)
　2.5　基于儲(chǔ)備池的非線性系統(tǒng)建模
　2.6　小結(jié)
　參考文獻(xiàn)
第3章　儲(chǔ)備池解的性能分析及幾種改進(jìn)學(xué)習(xí)算法
　3.1　引言
　3.2　儲(chǔ)備池解的性能分析
　3.3　基于正則化方法的儲(chǔ)備池網(wǎng)絡(luò)
　3.4　基于LM算法的儲(chǔ)備池網(wǎng)絡(luò)
　3.5　基于信賴域Newton算法的儲(chǔ)備池網(wǎng)絡(luò)
　3.6　小結(jié)
　參考文獻(xiàn)
第4章　基于儲(chǔ)備池的無(wú)核支持向量機(jī)
　4.1　引言
　4.2　基于儲(chǔ)備池的無(wú)核支持向量機(jī)
　4.3　無(wú)核支持向量機(jī)的魯棒性及其實(shí)現(xiàn)方法
　4.4　無(wú)核支持向量機(jī)與傳統(tǒng)支持向量機(jī)的區(qū)別和聯(lián)系
　4.5　小結(jié)
　參考文獻(xiàn)
第5章　儲(chǔ)備池網(wǎng)絡(luò)的幾種改進(jìn)方法
　5.1　引言
　5.2　儲(chǔ)備池網(wǎng)絡(luò)的卡爾曼濾波在線學(xué)習(xí)方法
　5.3　基于儲(chǔ)備池的主成分分析方法
　5.4　基于靜態(tài)儲(chǔ)備池的無(wú)核支持向量機(jī)Newton算法
　5.5　基于1-范數(shù)正則化的靜態(tài)儲(chǔ)備池網(wǎng)絡(luò)
　5.6　基于貝葉斯回歸的多儲(chǔ)備池網(wǎng)絡(luò)
　5.7　小結(jié)
　參考文獻(xiàn)
第6章　基于儲(chǔ)備池的非線性系統(tǒng)辨識(shí)和預(yù)測(cè)仿真實(shí)例
　6.1　性能指標(biāo)
　6.2　靜態(tài)儲(chǔ)備池的仿真實(shí)例
　6.3　基于動(dòng)態(tài)儲(chǔ)備池的非線性系統(tǒng)辨識(shí)仿真實(shí)例
　6.4　基于動(dòng)態(tài)儲(chǔ)備池的混沌時(shí)間序列預(yù)測(cè)仿真實(shí)例
　6.5　儲(chǔ)備池網(wǎng)絡(luò)的幾種改進(jìn)方法仿真實(shí)例
　6.6　小結(jié)
　參考文獻(xiàn)
附錄　公式符號(hào)對(duì)照表

章節(jié)摘錄

版權(quán)頁(yè)：插圖：第1章 緒論人工神經(jīng)網(wǎng)絡(luò)（Artifical Neural Network，ANN），通常也稱(chēng)為神經(jīng)網(wǎng)絡(luò)（Neural Network，NN），是受生物神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和功能啟發(fā)而提出的一種并行分布式數(shù)學(xué)計(jì)算模型。神經(jīng)網(wǎng)絡(luò)因其強(qiáng)大的非線性處理能力，在非線性系統(tǒng)辨識(shí)、分析和預(yù)測(cè)等領(lǐng)域起到越來(lái)越重要的作用。隨著經(jīng)濟(jì)和社會(huì)的發(fā)展，人們對(duì)非線性系統(tǒng)的控制精度要求越來(lái)越高，作為研究非線性系統(tǒng)的有利工具，神經(jīng)網(wǎng)絡(luò)也從僅可擬合非線性系統(tǒng)輸入輸出靜態(tài)映射關(guān)系的前饋神經(jīng)網(wǎng)絡(luò)發(fā)展到可有效描述非線性系統(tǒng)動(dòng)態(tài)特性的遞歸神經(jīng)網(wǎng)絡(luò)。儲(chǔ)備池網(wǎng)絡(luò)作為一種新型的遞歸神經(jīng)網(wǎng)絡(luò)，克服了傳統(tǒng)遞歸神經(jīng)網(wǎng)絡(luò)收斂速度慢、訓(xùn)練困難等不足，一經(jīng)提出就受到了學(xué)術(shù)界的廣泛關(guān)注，并在非線性系統(tǒng)辨識(shí)和預(yù)測(cè)領(lǐng)域展現(xiàn)了巨大的應(yīng)用前景。本章將給出儲(chǔ)備池網(wǎng)絡(luò)的概念和研究現(xiàn)狀，分析幾種與儲(chǔ)備池網(wǎng)絡(luò)相關(guān)的神經(jīng)網(wǎng)絡(luò)。1.1 引言在實(shí)際的生產(chǎn)生活中，許多問(wèn)題都是時(shí)序的，如預(yù)測(cè)（天氣、動(dòng)態(tài)系統(tǒng)、經(jīng)濟(jì)數(shù)據(jù)等）、系統(tǒng)辨識(shí)、自適應(yīng)濾波、語(yǔ)音和圖像識(shí)別、信息處理等。作為解決非時(shí)序問(wèn)題有效工具的前饋神經(jīng)網(wǎng)絡(luò)，在某些條件下可用于解決時(shí)序問(wèn)題。如在動(dòng)態(tài)系統(tǒng)建模領(lǐng)域，Takens[1]指出動(dòng)態(tài)系統(tǒng)的狀態(tài)可通過(guò)適當(dāng)?shù)难舆t坐標(biāo)進(jìn)行相空間重構(gòu)，可將時(shí)序問(wèn)題轉(zhuǎn)化為空間問(wèn)題，這時(shí)，可采用前饋神經(jīng)網(wǎng)絡(luò)有效學(xué)習(xí)相空間中的數(shù)據(jù)。但該方法的一個(gè)缺陷是相空間重構(gòu)參數(shù)的選取對(duì)動(dòng)態(tài)系統(tǒng)的建模效果影響較大，且目前仍未有良好的重構(gòu)參數(shù)選取方法。

編輯推薦

《基于儲(chǔ)備池的非線性系統(tǒng)預(yù)測(cè)理論與分析方法》是由中國(guó)水利水電出版社出版的。

圖書(shū)封面

評(píng)論、評(píng)分、閱讀與下載

---

    基于儲(chǔ)備池的非線性系統(tǒng)預(yù)測(cè)理論與分析方法 PDF格式下載

---