基于局部有源忆阻器的深度回声状态网络系统技术方案

一种基于局部有源忆阻器的深度回声状态网络系统，包括输入层，所述输入层采集具有时间序列属性的向量数据组，并传送向量数据组给第一个储备池和训练池，所述储备池的输出端连接所述训练池，所述训练池输出训练结果给输出层，其特征在于：所述输入层与首尾依次连接的n个储备池中的第一个储备池相连接；所述储备池内设置有掩膜和局部有源忆阻器，其中第一个储备池内的掩膜连接所述输入层，所述局部有源忆阻器前端接掩膜，后端串负载电阻后接地；后级储备池内的的输入是前级负载电阻之间的电压值。其显著效果是：大大减少了储备池的尺寸，简化训练，只需要单个局部有源忆阻器就可实现深度结构，适用于复杂的时间序列预测任务，具有更好的系统性能。更好的系统性能。更好的系统性能。

【技术实现步骤摘要】
基于局部有源忆阻器的深度回声状态网络系统


[0001]本专利技术涉及时间序列预测
，特别是涉及一种基于局部有源忆阻器的深度回声状态网络系统。

技术介绍

[0002]回声状态网络广泛应用于非线性系统识别、语音识别、时间序列预测等领域，效果良好。许多新型材料和元件，包括自旋电子振荡器和局部有源忆阻器等，正被研究用于回声状态网络的硬件实现，以提高系统效率。传统的基于局部有源忆阻器的回声状态网络系统在每个输入信号之后，必须跟随一个读取信号来读取器件电导，且单层的网络不适用于多尺度的时间序列预测任务，限制了其使用范围。而深度回声状态网络对于一些复杂的时间序列预测任务，会导致储备池节点过多，网络过深，影响系统性能。
[0003]现有技术的缺点是：传统的基于局部有源忆阻器的回声状态网络系统不适用于多尺度的时间序列预测任务，而深度回声状态网络对于一些复杂的时间序列预测任务，会导致储备池节点过多，网络过深，影响系统性能。

技术实现思路

[0004]本专利技术的主要目的是，提供基于局部有源忆阻器的深度回声状态网络系统，能够实现回声状态网络系统对于多尺度的时间序列预测任务，提高系统性能，且只需要单个局部有源忆阻器便可实现深度网络。
[0005]为达到上述目的，本专利技术的具体技术方案如下：
[0006]一种基于局部有源忆阻器的深度回声状态网络系统，包括输入层，所述输入层采集具有时间序列属性的向量数据组，并传送向量数据组给第一个储备池和训练池，所述储备池的输出端连接所述训练池，所述训练池输出训练结果W
out
给输出层，其关键在于：所述输入层与n个储备池中的第一个储备池相连接，n个储备池结构一致，首位依次连接。
[0007]所述储备池内设置有掩膜和局部有源忆阻器，其中第一个储备池内的掩膜连接所述输入层，所述局部有源忆阻器前端接掩膜，后端串负载电阻后接地；后级储备池内的输入是前级负载电阻之间的电压值，后级储备池内的掩膜采集是前级负载电阻之间的电压值。不同储备池之间的差异由不同的掩膜决定。
[0008]具体的，所述输入层采集具有时间序列属性的向量数据组，并对输入向量数据组进行归一化处理，消除奇异样本数据导致的不良影响。所述输入层将归一化处理后的向量数据组传送给第一个储备池，储备池中的掩膜对向量数据组起到时分复用作用，将其转换为时间信号，然后时间信号通过局部有源忆阻器，因局部有源忆阻器本身具有非线性特性即通过局部有源忆阻器相当于局部有源忆阻器的值w
i
改变，故利用局部有源忆阻器本身固有的变化生成不同的储备池状态，局部有源忆阻器输出的电流值即为储备池状态值。为便于储备池状态值的读出，在局部有源忆阻器后串联电阻，该电阻用于将局部有源忆阻器的输出电流转化为电压信号，采样然后将其作为储备池状态，输出向量是储备池状态的线性
组合。
[0009]进一步的，所述局部有源忆阻器模型，其包含的混沌边缘是ESN最佳的工作点，具有更加复杂丰富的动态特性，更有利于回声状态网络系统的实现。而深度的结构可以获得更加丰富的储备池状态，在复杂的时间序列预测任务方面具有良好的性能。
[0010]作为优选：第一个储备池中所述局部有源忆阻器的输出状态表达式为：
[0011][0012]其中，a0＝
‑
1.55，a1＝
‑
1，a2＝6，b0＝
‑
3，b1＝
‑
1，b2＝6，b3＝0.9，b4＝
[0013]0.076，x为局部有源忆阻器的初始导值，x0＝
‑
3.8，v为输入电压，i为输出电流；
[0014]储备池中的局部有源忆阻器均为同一模型，且都是以电压信号作为输入，因此本系统只需使用一个局部有源忆阻器便可实现深度网络。
[0015]作为优选：引入了时间复用的概念，并使用掩膜过程在时域中生成虚拟节点，虚拟节点状态值如下式：
[0016][0017]其中，w
i
为通过局部有源忆阻器得到的电流值，τ为时间步长，x为通过掩膜之后虚拟节点的状态值，N为储备池虚拟节点的总个数，Rt为电阻值，X(t)为最终储备池中得到的状态值。
[0018]作为优选：在所述训练池中的状态矩阵M表达为：
[0019][0020]其中，s代表训练样本的个数，x1(t)
‑
x
N
(t)代表不同虚拟节点的状态值，与时刻t具有关联性；
[0021]采用岭回归法求解训练得到的输出连接权重矩阵W
out
，求解过程如下：
[0022]W
out
＝Y
terget
M
T
(MM
T
+λI)
‑1[0023]其中，Y
terget
为训练用的真实值，λ表示正则化系数，I是一个单位矩阵，符号“T”表示矩阵转置，符号
“‑
1”表示矩阵求逆。
[0024]作为优选：在所述输出层的预测结果y的表达式为：
[0025]y＝W
out
M。
[0026]作为优选：在所述储备池中，改变掩膜时间参数，起到时分复用作用，实现各级储备池之间的线性连接，并实现各级储备池之间的差异化，可以获得更加丰富的储备池状态，并且只需要单个局部有源忆阻器就可以实现深度网络。
[0027]作为优选：所述输入层采集的向量数据组或者是温度随时间变化的向量组；或者是电压随时间变化的向量组；或者是速度随时间变化的向量组；或者是电流随时间变化的向量组；或者是压力随时间变化的向量组；
[0028]所述输入层将上述随时间变化的向量组进行归一化处理，转化为电压随时间变化的向量组，并传递给第一个储备池。
[0029]本专利技术的显著效果是：本系统大幅度减少了储备池和节点数，提高了网络的性能，将储层的多连接节点结构替换为受延迟反馈影响的单节点组成的局部有源忆阻器系统，适用于多尺度的时间序列预测任务，且深度网络的实现只需要单个局部有源忆阻器就可实现。
附图说明
[0030]图1为本专利技术的结构示意图；
[0031]图2为实施例2中对太阳黑子时间序列预测结果图；
[0032]图3为将储备池规模固定时掩膜长度ML和层数(N)之间的关系图。
具体实施方式
[0033]下面结合附图和具体实例对本专利技术作进一步详细说明：
[0034]实施例1：
[0035]如图1所示：一种基于局部有源忆阻器的深度回声状态网络系统，包括输入层，所述输入层采集具有时间序列属性的向量数据组，并传送向量数据组给第一个储备池和训练池，所述储备池的输出端连接所述训练池，所述训练池输出训练结果W
out
给输出层，其关键在于：所述输入层与n个储备池中的第一个储备池相连接，n个储备池结构一致，首位依次连接。
[0036]所述储备池内设置有掩膜和局部有源忆阻器，其中第一个储备池本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于局部有源忆阻器的深度回声状态网络系统，包括输入层，所述输入层采集具有时间序列属性的向量数据组，并传送向量数据组给第一个储备池和训练池，所述储备池的输出端连接所述训练池，所述训练池输出训练结果W
out
给输出层，其特征在于：所述输入层与n个储备池中的第一个储备池相连接，n个储备池结构一致，首尾依次连接；所述储备池内设置有掩膜和局部有源忆阻器，其中第一个储备池内的掩膜连接所述输入层，所述局部有源忆阻器前端接掩膜，后端串负载电阻后接地；后级储备池内的的输入是前级负载电阻之间的电压值。2.根据权利要求1所述的基于局部有源忆阻器的深度回声状态网络系统，其特征在于：第一个储备池中所述局部有源忆阻器的输出状态表达式为：其中，a0＝
‑
1.55，a1＝
‑
1，a2＝6，b0＝
‑
3，b1＝
‑
1，b2＝6，b3＝0.9，b4＝0.076，x为局部有源忆阻器的初始导值x0，v为输入电压，i为输出电流；所有储备池中的局部有源忆阻器均为同一模型，且都是以电压信号作为输入。3.根据权利要求2所述的基于局部有源忆阻器的深度回声状态网络系统，其特征在于：使用掩膜过程在时域中生成虚拟节点，虚拟节点状态值如下式：其中，w
i
为通过局部有源忆阻器得到的电流值，τ为时间步长，x为通过掩膜之后虚拟节点的状态值，N为储备池虚拟节点的总个数，Rt为电阻值，X(t)为最终储备池中得到的状态值。4.根据权利要求1所述的基于局部有源忆阻器的深度回声...

【专利技术属性】
技术研发人员：王丽丹，李广隶，夏磊，唐健峰，付军，杨斌，段书凯，
申请(专利权)人：西南大学，
类型：发明
国别省市：