摘要：针对在线应用中回声状态网络（echo state network,ESN）的储备池适应性和训练算法效率问题,文中提出一种基于扩展卡尔曼滤波（extended kalman filter,EKF）的ESN在线训练算法。该算法以ESN的储备池参数以及输出连接权矩阵为目标参数,利用EKF对其进行联合训练提高储备池适应性,并能够有效地克服交叉验证参数选择导致的ESN训练效率下降问题。Lorenz混沌时间序列以及移动通信话务量时间序列预测实验证明,新方法可显著提升ESN算法的总体计算效率。

关键词：时间序列预测 递归神经网络 回声状态网络 扩展卡尔曼滤波 

单位：哈尔滨工业大学自动化测试与控制研究所 哈尔滨150001