Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Neural Processing Letters
Erschienen in: Neural Processing Letters 1/2020

31.05.2020

Fractional Order Echo State Network for Time Series Prediction

verfasst von: Xianshuang Yao, Zhanshan Wang

Erschienen in: Neural Processing Letters | Ausgabe 1/2020

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

In this brief, considering the infinite memory of fractional-order differential equation, a fractional-order echo state network (FESN) is given for time series prediction. For the FESN, the reservoir state differential equation is replaced with fractional-order differential equation. According to the advantages of FESN, the dynamic characteristics of a class of time series can be fully reflected. In order to improve the prediction performance of FESN, a fractional-order output weights learning method and a fractional-order parameter optimization method are given to train the output weights and optimize the reservoir parameters, respectively. Finally, two numerical examples are used to show the effectiveness of FESN.
Vorheriger Artikel Latent-MVCNN: 3D Shape Recognition Using Multiple Views from Pre-defined or Random Viewpoints
Nächster Artikel PSSA: Polar Coordinate Salp Swarm Algorithm for Curve Design Problems

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Literatur
1.
Jaeger H, Haas H (2004) Harnessing nonlinearity: predicting chaotic systems and saving energy in wireless telecommunication. Science 304(5667):78–80
2.
Jaeger H (2010) The ‘echo state’ approach to analysing and training recurrent neural networks–with an Erratum note. German National Research Center for Information Technology, GMD Report 148,
3.
Zhang HG, Wang ZS, Liu DR (2014) A comprehensive review of stability analysis of continuous-time recurrent neural networks. IEEE Trans Neural Netw Learn Syst 25(7):1229–1262
4.
Jaeger H, Lukoševičius M, Popovici D, Siewert U (2007) Optimization and applications of echo state networks with leaky-integrator neurons. Neural Netw 20(3):335–352MATH
5.
Han M, Xu ML (2018) Laplacian echo state network for multivariate time series prediction. IEEE Trans Neural Netw Learn Syst 29(1):238–244MathSciNet
6.
Shi G, Liu DR, Wei QL (2016) Energy consumption prediction of office buildings based on echo state networks. Neurocomputing 216:478–488
7.
Xue FZ, Li Q, Li XM (2017) The combination of circle topology and leaky integrator neurons remarkably improves the performance of echo state network on time series prediction. PloS One 12(7):e0181816
8.
Sun XC, Li T, Li Q, Huang Y, Li YQ (2017) Deep belief echo-state network and its application to time series prediction. Knowl-Based Syst 130:17–29
9.
Wang HS, Yan XF (2015) Optimizing the echo state network with a binary particle swarm optimization algorithm. Knowl-Based Syst 86:182–193
10.
Magerl M, Ceperic V, Baric A (2016) Echo state networks for black-box modeling of integrated circuits. IEEE Trans Comput-Aided Des Integr Circuits Syst 35(8):1309–1317
11.
Yao XS, Wang ZS, Zhang HG (2018) Identification method for a class of periodic discrete-time dynamic nonlinear systems based on sinusoidal ESN. Neurocomputing 275:1511–1521
12.
Han SI, Lee JM (2014) Fuzzy echo state neural networks and funnel dynamic surface control for prescribed performance of a nonlinear dynamic system. IEEE Trans Ind Electron 61(2):1099–1112
13.
Kaslik E, Sivasundaram S (2012) Nonlinear dynamics and chaos in fractional-order neural networks. Neural Netw 32:245–256MATH
14.
Podlubny I (1998) Fractional differential equations. Elsevier, AmsterdamMATH
15.
Guo BL, Pu XK, Huang FH (2015) Fractional partial differential equations and their numerical solutions. World Scientific, SingaporeMATH
16.
Yang Y, Xue DY (2017) Modified grey model predictor design using optimal fractional-order accumulation calculus. IEEE/CAA J Autom Sinica 4(4):724–733MathSciNet
17.
Xiao M, Jiang GP, Cao JD, Zheng WX (2017) Local bifurcation analysis of a delayed fractional-order dynamic model of dual congestion control algorithms. IEEE/CAA J Autom Sinica 4(2):361–369MathSciNet
18.
Qiao JF, Li FJ, Han HG, Li WJ (2017) Growing echo-state network with multiple subreservoirs. IEEE Trans Neural Netw Learn Syst 28(2):391–404
19.
Scardapane S, Panella M, Comminiello D, Hussain A, Uncini A (2016) Distributed reservoir computing with sparse readouts. IEEE Comput Intell Mag 11(4):59–70
20.
Soto J, Melin P, Castillo O (2018) A new approach for time series prediction using ensembles of IT2FNN models with optimization of fuzzy integrators. Int J Fuzzy Syst 20(3):701–728MathSciNet
21.
22.
Waheeb W, Ghazali R, Hussain AJ (2018) Dynamic ridge polynomial neural network with Lyapunov function for time series forecasting. Appl Intell 48(7):1721–1738
Metadaten
Titel
Fractional Order Echo State Network for Time Series Prediction
verfasst von
Xianshuang Yao
Zhanshan Wang
Publikationsdatum
31.05.2020
Verlag
Springer US
Erschienen in
Neural Processing Letters / Ausgabe 1/2020
Print ISSN: 1370-4621
Elektronische ISSN: 1573-773X
DOI
https://doi.org/10.1007/s11063-020-10267-y

Weitere Artikel der Ausgabe 1/2020

Neural Processing Letters 1/2020 Zur Ausgabe

OriginalPaper

Binary Output Layer of Extreme Learning Machine for Solving Multi-class Classification Problems

OriginalPaper

Adaptive Sampled-Data Observer Design for a Class of Nonlinear Systems with Unknown Hysteresis

OriginalPaper

Fixed-Time Lag Synchronization Analysis for Delayed Memristor-Based Neural Networks

OriginalPaper

An Enhanced Extreme Learning Machine Based on Liu Regression

OriginalPaper

Spikes and Nets (S&N): A New Fast, Parallel Computing, Point Process Software for Multineuronal Discharge and Connectivity Analysis

OriginalPaper

Quantized Control for Synchronization of Delayed Fractional-Order Memristive Neural Networks

Neuer Inhalt

    Bildnachweise