任条娟 钟陈健 刘半藤,2 郑启航

1(常州大学信息科学与工程学院 江苏 常州 213164)2(浙江树人大学信息科技学院 浙江 杭州 310015)

0 引 言

目前，时间序列预测在医学[1]、工业[2]、金融[3]等领域有着广泛需求，而大量的时间序列呈现不稳定非线性特征，对非线性时间序列的预测长期都是时间序列分析领域的难题之一[4]。非线性时间序列预测方法主要分为两类：一类通过回归分析[5-6]，构建回归模型，该方法适合持续时间较长、变化较为缓慢的序列的预测；另一类是通过机器学习方法[7-9]。文献[7-8]分别用深度神经网络和RBF神经网络对非线性时间序列进行预测能够取得较好的预测效果，但是它们在训练过程中，需要的样本过多，网络结构复杂庞大，导致计算复杂性过大。回声状态网络预测方法(ESN)作为一种基于储备池计算的神经网路，结构简单，只需采用一个随机大规模的稀疏连接的储备池即可保证模型对非线性数据的处理能力，通过样本输出进行反馈学习，实时修正预测模型，被广泛用于非线性时间序列的应用中[10-12]，而ESN储备池网络的随机性使得模型训练无目的性、收敛速度慢，无法满足非线性时间序列准确有效的预测需求[13-14]。因此本文用小世界网络替代随机网络作为储备池来构建非线性时间序列预测模型，小世界网络同时具备随机网络和规则性，提高了模型适应性和收敛速度。

以小世界网络作为储备池的ESN模型，在计算输出权值时，易受储备池规模的影响。……