[发明专利]一种基于卷积回声状态网络的时间序列分类方法

摘要

本发明公开了一种基于卷积回声状态网络的时间序列分类方法，回声状态网络具有时序核及回声状态性质，前者是指回声状态网络将输入的信号映射到储备池的高维空间中，而后者是指该网络对于短期的历史信息具有记忆的能力。在卷积神经网络中，多尺度卷积层可提取回声状态网络中的多尺度特征并且通过时间方向上的最大池化可维持多尺度的时序不变性。本发明将回声状态网络及卷积神经网络结合在一起，提出卷积回声状态网络模型，该模型将回声状态网络输出的状态表示信息进行多尺度卷积及时间方向上的最大池化等操作，实现回声状态网络及卷积神经网络的优势互补，在保持回声状态网络学习模式的高效性的同时，也发挥了卷积神经网络在特征提取方面的优势。

主权项

1.一种基于卷积回声状态网络的时间序列分类方法，其特征在于，所述的时间序列分类方法包括下列步骤：S1、网络初始化，确定储备池的大小，从标准正态分布中随机生成储备池的输入权值，与储备池内部的递归连接权值，确定激活函数f(z)，初始化输入缩放比例参数IS，谱半径参数Sr及稀疏度α；S2、信号输入，输入当前第n时刻的信号u(n)；S3、状态更新，收集输入信号的回声状态表示信息X；S4、对回声状态表示信息X在时间方向上进行多尺度卷积，收集回声状态信息中的多尺度特征；S5、对卷积后回声状态网络中的多尺度特征信息进行时间方向上的最大池化，在压缩信息的同时减少过拟合风险；S6、加入全连接层，通过全连接层实现回声状态网络中特征的连接；S7、将全连接层的所有特征作为输入，通过Softmax函数实现对原始信号进行分类。