【MLPs+ESN】利用多层感知机MLPs对经典ESN(回声状态网络)的输出权值计算进行优化的MATLAB仿真
单独的ESN仿真:
ESN的运行结果如下所示:
这个部分的误差为:
0.0435
ESN部分就不多做介绍了,你应该了解的,下面我们对ESN和BP改进和极限学习改进分别进行修改和说明,并进行仿真。
ESN+BP的仿真:
首先,在原始的ESN中,权值的计算是通过pseudoinverse.m这个函数进行计算的,其主要内容就是:
即:
这里,我们的主要方法为:
将计算得到的权值作为bp神经网络迭代的初始值,然后以这个初始值为迭代过程的第一个值,不断的训练迭代,最后得到ESN-BP输出的权值,然后进行测试。
因此,其基本思路就是通过B-1T得到初始权值,然后通过bp网络进行迭代,得到最后优化后的值。
计算后的误差为0.0427
从上面的对比可知,采用BP神经网络进行权值系数的非线性更新之后,其误差可以进一步降低。但提升性能有限。
ESN+极限学习算法的仿真:
这个部分的原理和上面的相同,不同的是,我们需要使用极限学习方法对ESN网络的中的权值进行更新。
误差为:0.1050
下面给出整个算法的流程框图:
2.部分核心代码
clc;
clear;
close all;
warning off;
RandStream.setDefaultStream(RandStream('mt19937ar','seed',1));
addpath 'func\data_process\'
addpath 'func\Initial_ESN\'
addpath 'func\train_esn\'
addpath 'func\test_esn\'load data.mat
%数据分割
train_fraction = 0.5;
[trainInputSequence, testInputSequence] = split_train_test(inputSequence,train_fraction);
[trainOutputSequence,testOutputSequence] = split_train_test(outputSequence,train_fraction);%generate an esn
nInputUnits = 2;
nInternalUnits = 32;
nOutputUnits = 1;
esn = generate_esn(nInputUnits,nInternalUnits,nOutputUnits,'spectralRadius',0.5,'inputScaling',[0.1;0.1],'inputShift',[0;0],'teacherScaling',[0.3],'teacherShift',[-0.2],'feedbackScaling',0,'type','plain_esn');
esn.internalWeights = esn.spectralRadius * esn.internalWeights_UnitSR;%train the ESN
%discard the first 100 points
nForgetPoints = 100;
%这里,就固定设置一种默认的学习方式,其他的就注释掉了
[trainedEsn,stateMatrix] = train_esn(trainInputSequence,trainOutputSequence,esn,nForgetPoints) ; %test the ESN
nForgetPoints = 100 ;
predictedTrainOutput = test_esn(trainInputSequence, trainedEsn, nForgetPoints);
predictedTestOutput = test_esn(testInputSequence, trainedEsn, nForgetPoints) ; figure;
plot(testOutputSequence(nForgetPoints+4:end),'b');
hold on
plot(predictedTestOutput,'r');
legend('原数据','预测数据');
title('ESN-ELM:测试数据的预测');%计算测试数据的预测结果:
estimatedOutput = predictedTestOutput(1:end-3);
correctOutput = testOutputSequence(nForgetPoints+4:end);nEstimatePoints = length(estimatedOutput) ;
nForgetPoints = length(correctOutput) - nEstimatePoints ;
correctVariance = 1;
meanerror = sum((estimatedOutput - correctOutput).^2)/nEstimatePoints ;
err =(sqrt(meanerror./correctVariance));
err
3.参考文献
A05-22
【MLPs+ESN】利用多层感知机MLPs对经典ESN(回声状态网络)的输出权值计算进行优化的MATLAB仿真相关推荐
- 第二十九课.回声状态网络ESN
目录 Echo State Network ESN的训练与预测 关于ESN工作原理的理解 基于Numpy的ESN Echo State Network ESN的训练与预测 回声状态网络(Echo St ...
- Deep Learning之带你详细了解回声状态网络(ESN)
Abstract 首先呢写本篇博客的灵感来源于我在学习RNN(循环神经网络)时对 ...
- 经典机器学习方法(3)—— 多层感知机
参考:动手学深度学习 注:本文是 jupyter notebook 文档转换而来,部分代码可能无法直接复制运行! 前文介绍的线性回归和 softmax回归,在模型结构上都属于单层神经网络(只有一个输入 ...
- 基于Tensorflow实现多层感知机网络MLPs
正文共1232张图,1张图,预计阅读时间7分钟. github:https://github.com/sladesha/deep_learning 之前在基于Tensorflow的神经网络解决用户流失 ...
- Theano3.4-练习之多层感知机
来自http://deeplearning.net/tutorial/mlp.html#mlp Multilayer Perceptron note:这部分假设读者已经通读之前的一个练习 Classi ...
- python 底层实现_用Python从底层实现一个多层感知机
在上一篇文章中,我们从数学理论对多层感知机的反向传播进行了推导.南柯一梦宁沉沦:神经网络中反向传播算法数学推导zhuanlan.zhihu.com 这一篇文章中我们将基于上一篇文章最后给出的算法使用 ...
- 多层感知机和神经网络的区别_学习笔记-从神经元到神经网络
人的大脑神经网络的复杂程度有人说,只有银河系可以比拟.总所周知,神经网络就是模仿大脑神经网络用数学知识构造的模型.单个神经元还是比较简单的. 神经元 一个神经元有树突,轴突,和细胞体等部分.树突接受输 ...
- 深度学习基础(二)—— 从多层感知机(MLP)到卷积神经网络(CNN)
经典的多层感知机(Multi-Layer Perceptron)形式上是全连接(fully-connected)的邻接网络(adjacent network). That is, every neur ...
- 深度学习笔记其三:多层感知机和PYTORCH
深度学习笔记其三:多层感知机和PYTORCH 1. 多层感知机 1.1 隐藏层 1.1.1 线性模型可能会出错 1.1.2 在网络中加入隐藏层 1.1.3 从线性到非线性 1.1.4 通用近似定理 1 ...
- TensorFlow基础之模型建立与训练:线性回归、MLP多层感知机、卷积神经网络
TensorFlow基础之模型建立与训练 模型建立与训练:简单的线性回归 MLP多层感知机 数据获取.预处理 模型搭建 训练与评估 卷积神经网络 高效建模 Keras Sequential高效建模 F ...
最新文章
- FESCAR:阿里重磅开源分布式事务解决方案
- sqlserver 更新 datetime 数据_获取股票分笔数据存储本地
- LeetCode Longest Valid Parentheses
- myeclipse中添加Oracle数据库
- Monitorix 2.6.0 发布,系统监控工具
- qsocket 指定网卡_QSocket
- 新手入门Java疯狂讲义遇到的100个问题
- php 触屏手写,MyTouch易维触摸屏手写输入法
- 体检导检系统服务器系统,全科智能导检系统
- ANTELOPE WASHBASIN | ANTELOPE 洗脸盆
- BP神经网络之鸢尾花
- 优美图案c语言程序,C语言编程之一个最优美的图案
- 我们进入“超空间”时代
- 推荐几个海外优秀的新闻网站[中文]
- 关于马云最帅的照片是哪一张?!你们感受下!哈哈哈哈!(10P)
- 项目组如何保持人员稳定性
- matlab 雅可比矩阵求取
- redis持久化与架构搭建
- 网络数据包片段拼合(连续h264片段拼接成完整h264 slice)(三)循环体移到外部调用,便于调用者控制
- 职场漂流记:序章说明之要
热门文章
- unable to find account data for the submitted AuthenticationToken
- 练习 fullpage
- 记录错误:cv2.error: OpenCV(4.4.0) C:\Users\appveyor\AppData\Local\Temp\1\pip-req-build-h4wtvo23\opencv\m
- 汇编语言-实验6(学习打卡Day18)
- Win10 键盘输入法消失后如何恢复
- android 最好的gtd软件,这9款高质量APP让你工作效率提高50%!
- 数据获取以及处理Beta版本展示
- windows中nginx.exe注册为系统服务
- 阿里云 Linux云服务器登陆方式(Windows远程登录工具XShell,基于ssh建立会话)
- 四、大话HTTP协议-用Wireshark研究一个完整的TCP连接