第
34
卷第
2
期
2012
年
2
月
北京科技大学学报
Vo
1.
34
No.2
Feb.
2012
Journal
of
University
of
Science
and
Technology
Beijing
回声状态网络的研究进展
罗熊
1)
囚黎江
1)
孙增沂
2)
1)
北京科技大学计算机与通信工程学院,北京
100083
2)
清华大学计算机科学与技术系智能技术与系统国家重点实验室,北京
100084
因通信作者,
E-mail: xluo@ustb.edu.cn
摘 要
回声状态网络是近年来新兴的-种递归神经网络,独特而简单的训练方式以及高精度的训练结果已使其成为当前
研究的热点之一.在该网络中,引入了储备池计算模式这一新的神经网络的建设方案,克服了之前网络模型基于梯度下降的
学习算法所难以避免的收敛慢和容易陷入局部极小等问题.围绕这种新型网络结构,国内外许多学者开展了多样的研究.本
文全面深入介绍了回声状态网络这一新兴技术,讨论了回声状态网络的优缺点,并综合近年的研究现状,总结了回声状态网
络的主要研究工作进展和未来的研究方向.
关键词
回声状态网络;储备池计算;递归神经网络
分类号
TP18
Review
00
echo state oetworks
LUO
Xiong
'
)
区
,
Ll
Ji
α
ng
'
)
,
SUN
Zeng-q/)
1)
School
of
Computer
and
Communication Engineering , University
of
Science and Technology Beijing , Beijing 100083 , China
2)
State
Key
Laboratory
of
Intelligent Technology and Systems , Department
of
Computer Science and Technology , Tsinghua University , Beijing 100084 ,
China
因
Corresponding
author , E-mail: xluo@ustb.edu.cn
ABSTRACT
The
echo
state
network
(ESN)
is a novel
kind
of
recurrent
neural
network
and
has
recently
become
a
hot
topic for its
easy
and
distinctive
training
method
along with high
performance.
In ESN , the reservoir
computing
method is
introduced
, which is a
completely
new
approach
used
to
design
a
recurrent
neural
network.
By
comparing
this novel model with existing
recurrent
neural
net-
work
models
, it
can
overcome the difficulty
encountered
in slow
convergence
and
local
minimum
in
the
gradient
descent
based
training
algorithm.
Currently ,
there
is
considerable
enthusiasm
for
the
research
and
application
of
ESN. A review on ESN is
presented
in this
pape
r.
The
aåvantages
and
drawbacks
of
ESN
and
various
improvements
are
analyzed.
Finally
,
some
future
research
directions
are
also
discussed.
KEY
WORDS
echo
state
networks;
reservoir
computing;
recurrent
neural
networks
对实际应用场合中的一些动态系统,可以通过
引人反馈连接之后的神经网络(即所谓的递归神经
网络)来建模.尽管这种递归神经网络与自然界生
物的神经网络更加类似,理论描述比较完善,但是由
于网络中存在着递归信号,网络状态一般随着时间
变化而变化,其运动轨迹存在稳定性问题
[1]
致使
难于找到有效的学习算法.由于相关的学习算法均
基于误差对权值的梯度进行,使得递归网络的训练
收敛慢,训练复杂度高,难以被广泛地应用.
收稿日期:
2011-05-25
由
Jaeger
和
Haas
所提出的回声状态网络(
echo
state
network
,
ESN
)以及相应的学习算法为递归神
经网络的研究开辟了崭新的道路
[2]
这种方法也被
称为所谓的储备池计算模式,它引人一个称作储备
池的内部网络,当外部的输入序列进入这个内部网
络时,便在其中激发起复杂多样的非线性状态空间,
然后再通过一个简单的读出网络来得到网络输出.
与之前递归神经网络的最大不同之处是在训练过程
中,储备池内部的连接权值是固定不变的,调整仅仅
基金项目·国家自然科学基金资助项目
(61174103;
61074066;
61004021);
中央高校基本科研业务费专项资金资助项目
(FRF-TP-
1l
-002B)