阅读时间:2023-11-19
年份:2023
作者:Soltani, Rebh, Emna Benmohamed, and Hela Ltifi. 智能机器研究小组,国家工程学院 (ENIS),斯法克斯大学
期刊: Neural Processing Letters
引用量:0
本文收集了74篇研究文章,总结了近年来关于优化Echo State Network(ESN)的相关工作,结果表明生物启发方法是最常用的参数优化技术,并指出了粒子群优化(PSO)的潜在应用。此外,研究也发现了ESN在不同参数、拓扑结构和训练技术下的行为特性,并对ESN的超参数优化、评估指标、数据集等方面存在的研究空白进行了探讨。
ESN是一种强大的RNN变体,其结构包括输入层、隐藏层和输出层。ESN的学习速度快,只需训练隐藏层和输出层之间的连接权重、ESN的结构简单且具有高预测精度。ESN的隐藏层是一个大型储备层,它使用非线性函数对输入信号进行处理。通过更新储备状态和应用线性函数,ESN可以进行预测。但是由于随机生成的池依赖于定义的全局参数,ESN进行训练需要经验,这些参数必须正确定义以获得高效的结果。
ESN有三个重要参数:储层大小(reservoir size)、谱半径(spectrum Radius ,SR)、输入比例因子(Input Scaling ,IS)和稀疏度(Sparsity Degree ,SD)。储层尺寸、谱半径、输入尺度和稀疏矩阵都会显著影响回声状态网络的性能。
ESN的研究论文大部分研究是发表在期刊上的。其中Scicence direct的期刊检索最多,其次是IEEE的会议。
在2011年后,ESN优化算法的研究逐渐兴起,从2017年开始有了突增。
优化算法在ESN网络的应多非常多。其中的粒子群优化(PSO)方法的研究论文最多。是因为PSO计算时间短且易于编程,在ESN参数优化中表现出良好的效果。此外,还有遗传算法和进化策略等,也可以用于优化ESN参数。未来,贝叶斯优化(BO)和梯度下降算法可以作为非生物启发式技术的潜在应用。
(1)第一种研究方向
优化了储备池大小、光谱半径、输入/输出缩放、输入/输出偏移、读出函数类型、岭回归的正则化参数、储备池激活函数、渗露率和噪声缩放。在这种情况下,参数表示可以是一个足够长的一维向量,以适应需要优化的超参数。例如[P1,P2,…,Pn],其中P为要优化的参数,n表示要优化的参数数量。
(2)第二种研究方向
集中于改进网络的拓扑结构,例如权重连接和储备池连接。在这种情况下,权重可以是一个二维二进制矩阵,其中矩阵的行和列表示神经元。例如,对于一个矩阵C,Cij表示神经元i和神经元j之间的连接。如果Cij的值为1,则表示神经元i和神经元j之间存在连接;如果Cij的值为0,则表示两者之间不存在连接。
(3)评价指标
ESN相较于其他形式的循环神经网络在单步学习方面具有显著优势。训练时仅使用Wout权重,因此ESN的训练速度通常较快。常用的目标函数包括表示ESN预测准确度:
(1) NARMA
是一个非线性自回归滑动平均(nonlinear autoregressive moving average)数据集,它有非常复杂的序列特性和高度的非相关性。特点是序列的复杂性不可预测,输入的误解和非相关性较高。
(2) Mackey Glass
是实际数据基准序列,它也具有非线性自回归滑动平均特性,但相比NARMA数据集更为复杂。
(3) Lorenz时间序列预测
这是一种用于ESN的基准数据集,Lorenz系统是一个非线性的方程系统,由于xy和xz项,无法通过一般的数值方法进行精确求解,只能使用近似方法进行确定。
这篇论文对于ESN的热度、热点研究内容、常用的数据集都做了全面的调研,非常有启发性,说明ESN的研究目前还处于研究热门中。有可能是没有分析完,通过我使用VOSviewer的数据分析,目前的研究主要分为四个热门方向。可以参考我的文章http://t.csdnimg.cn/nwt8f。其中一个ESN的研究方向是研究大脑功能连接和网络,涉及脑皮层、认知、注意力、决策制定等方面,并在神经影像学、精神疾病如精神分裂症以及工作记忆等领域有所深入探讨。