[发明专利]一种基于进化混沌边缘的卷积储备池优化方法

权利要求书

1.一种基于进化混沌边缘的卷积储备池优化方法，用于提升储备池的计算能力，其特征在于，包括以下步骤：

1)将待处理的时间序列Y及其相关输入变量x划分为训练数据集和预测数据集；

2)随机初始化输入连接矩阵W_in、储备池第l阶延迟连接矩阵(W_x)^l，l＝1,...,L，L为延迟阶数，并设定最大迭代次数和测试误差阈值；

3)对基于记忆策略和Lèvy随机游走的粒子群优化-重力搜索算法的超参数进行初始化；

4)设定卷积回声状态网络参数搜索空间；

5)将训练数据集输入卷积回声状态网络，对于批处理，采用Toeplitz矩阵简化回声状态网络状态向量，并进行训练得到输入连接估计矩阵

6)将基于记忆策略和Lèvy随机游走的粒子群优化-重力搜索算法的超参数作为粒子位置，进行混沌边缘储备池优化，从而获取卷积储备池的最优超参数。

2.根据权利要求1所述的一种基于进化混沌边缘的卷积储备池优化方法，其特征在于，所述的步骤3)中，基于记忆策略和Lèvy随机游走的粒子群优化-重力搜索算法的超参数包括PSO超参数、GSA超参数和Lèvy随机游走的超参数，所述的PSO超参数包括种群大小M、最大迭代次数maxiter、惯性权重ω、局部加速常数c₁和全局加速常数c₂，所述的GSA超参数包括引力常数初始值G₀和降序系数α，所述的Lèvy随机游走的超参数包括位置参数β和加速常数γ。

3.根据权利要求1所述的一种基于进化混沌边缘的卷积储备池优化方法，其特征在于，所述的步骤4)中，卷积回声状态网络参数搜索空间包括储备池大小P、延迟阶数L、稀疏度SD、输入尺度IS、输入单元位移ISH、教师信号尺度TS和教师信号位移TSH，并在搜索空间随机初始化所有粒子的位置矢量p及速度矢量v。

4.根据权利要求1所述的一种基于进化混沌边缘的卷积储备池优化方法，其特征在于，所述的步骤5)中，回声状态网络中卷积储备池的模型表达为：

y(n)＝W_outx(n)

其中，x(n)为n时刻的状态向量，表示卷积操作，y(n)为输出向量，W_in为输入连接矩阵，W_out为输出连接矩阵，u_in(n+1)为训练数据集的输入序列，f表示激活函数。

5.根据权利要求4所述的一种基于进化混沌边缘的卷积储备池优化方法，其特征在于，所述的步骤6)具体包括以下步骤：

61)将基于记忆策略和Lèvy随机游走的粒子群优化-重力搜索算法的超参数作为粒子，采用均方根误差函数计算所有粒子的适应度，并存储在记忆库中；

62)当迭代次数iter<maxiter时，若记忆长度内的所有拟合函数变化均小于设定阈值，则调整为更大的速度策略系数S，否则，保持局部速度策略系数不变；

63)更新所有粒子的重力、重力常数、合力以及加速度，并根据适应度函数变化选择局部速度更新策略；

64)更新粒子的速度和位置向量，判断迭代次数是否达到最大迭代次数或满足设定的测试误差阈值，若是，则输出gb作为卷积储备池的最优超参数，若否，则重复执行步骤61)-64)，直到满足设定条件为止。

6.根据权利要求5所述的一种基于进化混沌边缘的卷积储备池优化方法，其特征在于，所述的步骤61)中，适应度NRMSE的计算式为：

其中，和分别为预测时间序列和实际时间序列的平均值，N为序列长度。

7.根据权利要求5所述的一种基于进化混沌边缘的卷积储备池优化方法，其特征在于，所述的步骤64)中，更新粒子的速度和位置向量的具体计算式为：

v_i(n)＝wv_i(n-1)+S*c₁rand₁ac_i(n-1)+c₂rand₂(gb-p_i(n-1))

p_i(n)＝Levy(p_i(n-1),β,γ)+v_i(n)

式中v_i(n)和p_i(n)分别是粒子i在n时刻的速度和位置矢量，gb为n时刻整个粒子群的最优位置矢量，w为惯性权重，c₁和c₂分别为局部和全局加速常数，ac_i为粒子i的加速度，rand₁和rand₂为介于0和1之间的随机数，S为依据适应度函数变化选择的速度策略系数，Levy(·)为Lèvy分布的概率密度函数。