《表1 图3数据的10次预测平均数值》
所选用ESN稀疏矩阵为(500×500),稀疏度为4%,正则项系数为1×10-5,待优化参数为尺度因子和稀疏矩阵谱半径,训练序列为[0,600],测试序列为[500,600],初始序列为[0,100]。PSO粒子群数量为10,粒子群速度更新上限为0.1,下限为-0.1。区域最优解学习因子以及本次迭代最优解学习因子均为2,PSO迭代次数为100。为了验证本文改进算法的预测效果,对3种算法进行比较:1)利用ESN常用的RMSE作为优化目标函数,优化采用基本PSO,PSO退出机制采用本文提出的方法(算法1)。2)利用本文提出的RES作为优化目标函数,优化采用PSO算法,其中速度-更新算法中惯性权重为经典线性递减方式如式(7)所示,PSO退出机制采用本文提出的方法(算法2)。3)利用本文提出的RES作为优化目标函数,PSO速度-位置更新办法采用本文的改进算法,退出机制采用本文提出的方法(算法3)。利用这3种算法对图3~6的数据进行预测,结果如表1~4所示,表中数据均为10次预测的平均值。
图表编号 | XD00145314900 严禁用于非法目的 |
---|---|
绘制时间 | 2020.04.01 |
作者 | 熊鸣 |
绘制单位 | 北京信息科技大学自动化学院 |
更多格式 | 高清、无水印(增值服务) |