[发明专利]一种基于灰狼优化回声状态网络的时序预测方法

权利要求书

1.一种基于灰狼优化回声状态网络的时序预测方法，其特征在于，包括：

初始化回声状态网络中的参数，同时初始化灰狼算法中的最优解位置参数Positions()，将最优解位置参数Positions()作为初始的W^out，向回声状态网络中输入时序数据和初始的W^out，计算预测输出序列；

根据实际输出序列和预测输出序列之间的误差，计算误差函数，并将误差函数作为灰狼算法中的适应度函数；

分别对比灰狼算法中三狼的目标函数与适应度函数，同时根据灰狼的捕食行为更新灰狼的位置，得到最终的优化结果；

将最优结果作为回声状态网络的输出权重W^out，利用回声状态网络进行时序数据的预测。

2.根据权利要求1所述的基于灰狼优化回声状态网络的时序预测方法，其特征在于，在向回声状态网络中输入时序数据和初始的W^out，计算预测输出序列的步骤之前，还包括步骤：

对时间序列数据进行预处理；其中，预处理的方式至少包括：降维、去噪、归一化、局部均值分解、软阈值去噪、改进小波熵分段、SAX符号表示。

3.根据权利要求1所述的基于灰狼优化回声状态网络的时序预测方法，其特征在于，根据训练集及初始的W^out，计算预测输出序列的公式如下：

x(n+1)＝f(Wⁱⁿu(n+1)+Wx(n)+W^backy(n))

W^out＝Positions()

y(n+1)＝f^out(W^outu(n+1),x(n+1),y(n))；

式中，

u(n)＝u₁(n),u₂(n),u₃(n),...,u_K(n)，

x(n)＝x₁(n),x₂(n),x₃(n),...,x_N(n)，

y(n)＝y₁(n),y₂(n),y₃(n),...,y_L(n)

u(n)、x(n)、y(n)分别为回声状态网络的输入向量、状态向量和输出向量，M为x₁(n),x₂(n),x₃(n),...,x_N(n)构成的矩阵，T为y₁(n),y₂(n),y₃(n),...,y_L(n)构成的列向量，f和f^out分别为回声状态网络储备池处理单元和输出处理单元的内部神经元的激活函数。

4.根据权利要求3所述的基于灰狼优化回声状态网络的时序预测方法，其特征在于，回声状态网络储备池处理单元和输出处理单元的内部神经元的激活函数为正切函数。

5.根据权利要求1所述的基于灰狼优化回声状态网络的时序预测方法，其特征在于，将实际输出序列和预测输出序列之间误差函数作为适应度函数的表达公式为：

fitness()=Σi=1N(y1-y)2N]]>

式中，y₁表示预测得到的输出序列；y实际训练的输出序列；N为训练输出序列的长度。