改進(jìn)回聲狀態(tài)網(wǎng)絡(luò)的可燃?xì)怏w異常檢測(cè)研究

趙月愛(ài),郗林棟

(1.太原師范學(xué)院 計(jì)算機(jī)系，山西 晉中 030619；2.太原師范學(xué)院 數(shù)學(xué)系，山西 晉中 030619)

0 引言

天然氣、液化氣、煤氣等可燃?xì)怏w被廣泛應(yīng)用在工業(yè)生產(chǎn)和日常生活中，帶給人們極大的方便，但也存在一定的安全隱患問(wèn)題，如若灶前閥門未關(guān)緊或軟管存在問(wèn)題沒(méi)有及時(shí)發(fā)現(xiàn)并處理，在濃度達(dá)到爆炸下限5.3%后可能會(huì)引發(fā)爆炸事故，嚴(yán)重危害人們的生命和財(cái)產(chǎn)安全.據(jù)不完全統(tǒng)計(jì)，2019 年，我國(guó)共發(fā)生722 起燃?xì)馐鹿剩斐?3人死亡、585人受傷；2020 年，我國(guó)共發(fā)生539起燃?xì)馐鹿?，造?8人死亡、496人受傷；2021年截止6月，我國(guó)共發(fā)生207起燃?xì)馐鹿?，造?5人死亡、264人受傷.目前，部分城市的住宅用戶中通過(guò)安裝燃?xì)夤艿雷钄嘌b置在管道壓力發(fā)生變化時(shí)自動(dòng)關(guān)閉閥門，很好地解決了燃?xì)庑孤秵?wèn)題，但阻斷裝置的局限性在于只能用于城市的輸氣管道，在鄉(xiāng)鎮(zhèn)農(nóng)村使用的罐裝液化氣就無(wú)法使用.因此，如能及時(shí)檢測(cè)出可燃?xì)怏w泄露顯得十分重要.本文前期已設(shè)計(jì)并實(shí)現(xiàn)了基于多傳感器的可燃?xì)怏w異常檢測(cè)平臺(tái)，通過(guò)部署MQ2，MQ5，MQ7等傳感器對(duì)目標(biāo)環(huán)境進(jìn)行監(jiān)測(cè)，運(yùn)用 NB-IoT 物聯(lián)網(wǎng)技術(shù)構(gòu)建無(wú)線傳輸模塊將數(shù)據(jù)傳送到云服務(wù)器，最終通過(guò)預(yù)警系統(tǒng)實(shí)時(shí)監(jiān)測(cè)異常數(shù)據(jù)并報(bào)警.本文重點(diǎn)對(duì)收集到的傳感器數(shù)據(jù)使用改進(jìn)的回聲狀態(tài)網(wǎng)絡(luò)模型進(jìn)行異常檢測(cè)研究，實(shí)驗(yàn)結(jié)果表明該方法精度更高.

國(guó)內(nèi)外許多學(xué)者對(duì)可燃?xì)怏w的異常檢測(cè)技術(shù)進(jìn)行了研究.Lorenzo Baldacci等[1]對(duì)一個(gè)村莊和一個(gè)小城市的用氣量歷史數(shù)據(jù)進(jìn)行了分析，并采用了最近鄰方法和局部回歸分析方法進(jìn)行預(yù)測(cè)，結(jié)果表明該方法既能用于用氣量預(yù)測(cè)，又能有效地識(shí)別異常用氣量；丁汀等[2]人提出一種融合煤礦多維時(shí)序數(shù)據(jù)的煤礦瓦斯異常檢測(cè)算法.該方法首先對(duì)煤礦中的多維數(shù)據(jù)進(jìn)行滑動(dòng)窗口采樣，然后建立局部敏感哈希孤立森林，最后將每個(gè)待檢測(cè)樣本遍歷森林中的每一棵樹(shù)，通過(guò)計(jì)算平均路徑長(zhǎng)度來(lái)判斷是否異常，并在淮南朱集東煤礦數(shù)據(jù)集上進(jìn)行了大量實(shí)驗(yàn)，結(jié)果表明該方法的檢測(cè)精度很高.

回聲狀態(tài)網(wǎng)絡(luò)(Echo State Networks，ESN)[3]是Jaeger于2001年提出的一種新型遞歸神經(jīng)網(wǎng)絡(luò).ESN采用儲(chǔ)備池代替了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的隱含層，簡(jiǎn)化了網(wǎng)絡(luò)的訓(xùn)練過(guò)程，又可以緩解局部極小，同時(shí)能夠取得很好的建模精度，并且成功應(yīng)用于航空航天[4]、光電檢測(cè)[5]、工況識(shí)別[6]和空氣質(zhì)量檢測(cè)[7]等領(lǐng)域，但采用ESN進(jìn)行可燃?xì)怏w異常檢測(cè)的研究很少.

為了在輸出權(quán)值的訓(xùn)練中充分考慮到輸入變量的特性.Yang 等[8]通過(guò)利用輸入變量到輸出權(quán)值的多項(xiàng)式函數(shù)，提出了多項(xiàng)式回聲狀態(tài)網(wǎng)絡(luò)(Polynomial echo state network，PESN)，PESN的儲(chǔ)備池通過(guò)奇異值分解方法構(gòu)造，從而保證回聲狀態(tài)的特性，結(jié)果表明該方法的預(yù)測(cè)精度和學(xué)習(xí)速度很好；為了研究節(jié)點(diǎn)數(shù)和連通度對(duì)儲(chǔ)層連通性的影響，Wen等[9]提出了一種基于記憶電阻的回聲狀態(tài)網(wǎng)絡(luò)(Memristor-based echo state network，MESN)，通過(guò)提高輸入數(shù)據(jù)的維數(shù)獲得儲(chǔ)備池狀態(tài)矩陣，將其作為輸入來(lái)訓(xùn)練輸出權(quán)值矩陣，使網(wǎng)絡(luò)結(jié)構(gòu)具有記憶性神經(jīng)突觸，并分別在車輛評(píng)估和短期電力負(fù)荷預(yù)測(cè)上驗(yàn)證了其有效性.雖然改進(jìn)的回聲狀態(tài)網(wǎng)絡(luò)在其他方面已經(jīng)有了很大的優(yōu)勢(shì)，但是在精度方面還需要提高.本文為提高可燃?xì)怏w異常檢測(cè)的預(yù)測(cè)精度，提出一種基于Xavier思想的回聲狀態(tài)網(wǎng)絡(luò)的權(quán)值初始化方法(Xavier echo state network，XESN)，結(jié)果表明，與原ESN相比，XESN的預(yù)測(cè)精度更高，能對(duì)可燃?xì)怏w異常信息進(jìn)行更準(zhǔn)確的刻畫(huà)，具有更好的應(yīng)用價(jià)值.

1 改進(jìn)回聲狀態(tài)網(wǎng)絡(luò)的可燃?xì)怏w異常檢測(cè)算法

1.1 回聲狀態(tài)網(wǎng)絡(luò)基本原理

圖1 ESN的網(wǎng)絡(luò)結(jié)構(gòu)

回聲狀態(tài)網(wǎng)絡(luò)由輸入層、儲(chǔ)備池和輸出層組成，儲(chǔ)備池內(nèi)含有成百上千個(gè)神經(jīng)元，它們隨機(jī)稀疏連接，彼此耦合在一起.ESN的網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示.

假定非線性系統(tǒng)的輸入u(t)有K個(gè)節(jié)點(diǎn)，儲(chǔ)備池狀態(tài)x(t)有N個(gè)節(jié)點(diǎn)，輸出y(t)有L個(gè)節(jié)點(diǎn)，那么t時(shí)刻輸入、儲(chǔ)備池、輸出狀態(tài)分別為：

u(t)=[u1(t),u2(t),…,uK(t)]T，

x(t)=[x1(t),x2(t),…,xN(t)]T，y(t)=[y1(t),y2(t),…,yL(t)]T.

儲(chǔ)備池的狀態(tài)更新方程和輸出狀態(tài)方程分別為：

x(t+1)=f(Winu(t+1)+Wx(t))

(1)

y(t+1)=fout(Wout(u(t+1),x(t+1)))

(2)

其中f,fout為激活函數(shù)，分別為雙曲正切函數(shù)和線性函數(shù)；Win,W,Wout分別為輸入權(quán)值矩陣、儲(chǔ)備池權(quán)值矩陣、輸出權(quán)值矩陣，其維數(shù)分別為N×K,N×N,L×(K+N+L);Win和W均在訓(xùn)練前隨機(jī)確定，并且在訓(xùn)練和測(cè)試過(guò)程中保持不變.輸出權(quán)值矩陣的計(jì)算公式為：

Wout=(M-1×T)T

(3)

其中M為儲(chǔ)備池狀態(tài)變量x1(k),x2(k),x3(k),…,xN(k),k=m,m+1,m+2,…,P構(gòu)成的(P-m+1)×N的矩陣；T為輸出變量y(k)構(gòu)成的(P-m+1)×1的矩陣.這里m為開(kāi)始收集儲(chǔ)備池狀態(tài)變量的時(shí)刻，P為訓(xùn)練樣本數(shù).

ESN的參數(shù)較多，如儲(chǔ)備池規(guī)模、譜半徑、輸入單元尺度、稀疏度、輸入權(quán)值范圍及儲(chǔ)備池權(quán)值范圍等需要大量嘗試并進(jìn)行優(yōu)化[10].儲(chǔ)備池規(guī)模是儲(chǔ)備池中神經(jīng)元的個(gè)數(shù)，規(guī)模的選擇與樣本個(gè)數(shù)有關(guān)，規(guī)模越大，ESN對(duì)系統(tǒng)的描述越準(zhǔn)確，但同時(shí)會(huì)帶來(lái)過(guò)擬合問(wèn)題；譜半徑是連接權(quán)值矩陣絕對(duì)值最大的特征值，譜半徑小于1時(shí)，ESN才能具有回聲狀態(tài)屬性；輸入單元尺度是一個(gè)尺度因子，需要在儲(chǔ)備池的輸入連接到儲(chǔ)備池內(nèi)部神經(jīng)元之前相乘，從而對(duì)輸入進(jìn)行一定的縮放，并且輸入單元尺度會(huì)隨著處理對(duì)象非線性的增強(qiáng)而增大；稀疏度是儲(chǔ)備池中相互連接的神經(jīng)元數(shù)量占總神經(jīng)元數(shù)量的比例，比例越大，非線性逼近能力越強(qiáng)；輸入權(quán)值矩陣和儲(chǔ)備池權(quán)值矩陣選用隨機(jī)初始化的方法確定，并且在區(qū)間[-1,1]上服從均勻分布.不同的權(quán)值分布區(qū)間會(huì)對(duì)網(wǎng)絡(luò)的性能造成不同的影響，因此選擇合適的權(quán)值分布區(qū)間十分重要.本文對(duì)權(quán)值初始化方法進(jìn)行了研究.

1.2 Xavier權(quán)值初始化方法

國(guó)內(nèi)外學(xué)者對(duì)于回聲狀態(tài)網(wǎng)絡(luò)權(quán)值初始化進(jìn)行了一定的研究. Qiao等[11]提出了基于互信息的權(quán)值初始化方法來(lái)確保神經(jīng)元的輸入在Sigmoid函數(shù)的激活區(qū)域內(nèi)，該方法使初始權(quán)值以較高的概率接近全局最優(yōu)點(diǎn)，避免了過(guò)早飽和，結(jié)果表明該方法的穩(wěn)定性和精度都很高；王磊等[12]提出了一種利用柯西不等式和線性代數(shù)確定初始權(quán)值范圍的方法，該方法可避免奇異解，并在Mackey-Glass系統(tǒng)和太陽(yáng)黑子序列數(shù)據(jù)集上進(jìn)行仿真實(shí)驗(yàn)，結(jié)果表明該方法的精度和訓(xùn)練時(shí)間優(yōu)于隨機(jī)初始化方法，提高了網(wǎng)絡(luò)性能.Glorot[13]提出了Xavier權(quán)值初始化方法，他認(rèn)為優(yōu)秀的初始化應(yīng)該使得各層的激活值的方差、狀態(tài)梯度的方差分別在傳播過(guò)程中保持一致，即：

V(yi)=V(yj)

(4)

(5)

采用一層網(wǎng)絡(luò)時(shí)輸出為：

yi=W1u1+W2u2+…+Wniuni

(6)

其中Wi(i=1,…,ni)表示輸入權(quán)值矩陣，ui(i=1,…,ni)表示輸入變量，ni表示輸入個(gè)數(shù).

方差公式：

V(Wiui)=E(Wi)2V(ui)+E(ui)2V(Wi)+V(Wi)V(ui)

(7)

假設(shè)輸入變量ui和權(quán)值矩陣Wi均值為0且獨(dú)立同分布時(shí)，則(7)式化為：

V(Wiui)=V(Wi)V(ui)

(8)

輸出方差為：

V(yi)=niV(Wi)V(ui)

(9)

由輸入與輸出方差相等，即V(y)=V(ui)得：

(10)

多層網(wǎng)絡(luò)某一層輸出的方差用累積的形式表示為：

(11)

同樣由輸入與輸出方差相等得：

(12)

同理其反向傳播權(quán)值的方差為：

(13)

但實(shí)際中輸入與輸出的個(gè)數(shù)往往不相等，均衡考量后最終的權(quán)值方差為：

(14)

由概率論與數(shù)理統(tǒng)計(jì)可知區(qū)間[a,b]上的均勻分布的方差為：

(15)

因此，

(16)

1.3 基于Xavier權(quán)值初始化的XESN算法

本文對(duì)Xavier權(quán)值初始化方法進(jìn)行了分析，并應(yīng)用到了回聲狀態(tài)網(wǎng)絡(luò)，提出了XESN算法，其訓(xùn)練過(guò)程步驟如下：

第1步：通過(guò)式(16)對(duì)儲(chǔ)備池的狀態(tài)x(t)進(jìn)行權(quán)值初始化.

第3步：W0通過(guò)比例因子α(0<α<1)調(diào)整后滿足回聲狀態(tài)的必要條件，即W=(α/ρ(W0))W0,其中ρ(W0)為W0的譜半徑.

第5步：通過(guò)輸入變量u(t)驅(qū)動(dòng)儲(chǔ)備池，并且從時(shí)刻m開(kāi)始收集內(nèi)部狀態(tài)變量x(t).

第6步：根據(jù)式(3)計(jì)算輸出權(quán)值矩陣Wout.

第7步：測(cè)試訓(xùn)練好的網(wǎng)絡(luò).

1.4 預(yù)測(cè)模型

結(jié)合Xavier權(quán)值初始化方法，本文提出了XESN算法預(yù)測(cè)模型.該模型的預(yù)測(cè)步驟如下：

1)對(duì)時(shí)間序列數(shù)據(jù)進(jìn)行歸一化處理，選取一定數(shù)量的數(shù)據(jù)作為訓(xùn)練樣本和測(cè)試樣本.

2)以訓(xùn)練樣本作為預(yù)測(cè)模型的輸入變量，對(duì)預(yù)測(cè)模型進(jìn)行訓(xùn)練.

3)用測(cè)試樣本輸入訓(xùn)練好的預(yù)測(cè)模型，得到預(yù)測(cè)值，通過(guò)計(jì)算預(yù)測(cè)值與實(shí)際值的誤差驗(yàn)證預(yù)測(cè)模型的準(zhǔn)確度.

4)用預(yù)測(cè)模型對(duì)時(shí)間序列進(jìn)行預(yù)測(cè).

2 數(shù)據(jù)采集與仿真實(shí)驗(yàn)

2.1 可燃?xì)怏w數(shù)據(jù)采集平臺(tái)

本文在可燃?xì)怏w檢測(cè)周圍環(huán)境中的眾多物理特征中選取一些具有明顯特征的物理量，作為對(duì)可燃?xì)怏w異常檢測(cè)依據(jù).本文主要選擇可燃?xì)怏w濃度、溫度、煙霧濃度、一氧化碳濃度作為探測(cè)參量，具體如表1所示.

表1 硬件設(shè)備選型及說(shuō)明

可燃?xì)怏w異常檢測(cè)采用多傳感器陣列采集目標(biāo)環(huán)境的相關(guān)數(shù)據(jù)，設(shè)備包括溫濕度傳感器、煙霧傳感器、可燃?xì)怏w傳感器、主控制器、蜂鳴器、窄帶物聯(lián)網(wǎng)設(shè)備等.可燃?xì)怏w檢測(cè)實(shí)時(shí)預(yù)警系統(tǒng)實(shí)驗(yàn)裝置結(jié)構(gòu)圖如圖2所示.

圖2 實(shí)驗(yàn)裝置結(jié)構(gòu)

主控制器采用STM32F103芯片，其接口豐富、對(duì)各種系統(tǒng)都能很好地支持，有實(shí)時(shí)性強(qiáng)、產(chǎn)品穩(wěn)定性好等特點(diǎn).主控制器負(fù)責(zé)產(chǎn)品控制、數(shù)據(jù)采集、數(shù)據(jù)傳輸?shù)裙ぷ?產(chǎn)品工作時(shí)，傳感器陣列采集實(shí)驗(yàn)環(huán)境數(shù)據(jù)，經(jīng)過(guò)A/D轉(zhuǎn)換，由主控制器對(duì)數(shù)據(jù)進(jìn)行預(yù)處理.其中，蜂鳴器會(huì)根據(jù)所采信息情況進(jìn)行預(yù)警提醒.數(shù)據(jù)會(huì)通過(guò)組幀的方式，由無(wú)線模塊將數(shù)據(jù)傳至云服務(wù)器數(shù)據(jù)庫(kù).

2.2 實(shí)驗(yàn)環(huán)境與數(shù)據(jù)預(yù)處理

仿真實(shí)驗(yàn)環(huán)境為Windows10，64位，CPU為3.40 GHz，內(nèi)存為4 GB，matlab版本為2018a.為了消除數(shù)據(jù)過(guò)大對(duì)訓(xùn)練過(guò)程造成的不利影響，對(duì)數(shù)據(jù)進(jìn)行歸一化處理，公式為:

(17)

其中dg是歸一化后的值，d是數(shù)據(jù)集中的原始值，dmin是數(shù)據(jù)集中的最小值，dmax是數(shù)據(jù)集中的最大值.

實(shí)驗(yàn)在不同的儲(chǔ)備池規(guī)模中采用均方誤差(E1)、歸一化均方根誤差(E2)和平均絕對(duì)百分比誤差(E3)作為網(wǎng)絡(luò)的性能評(píng)價(jià)指標(biāo)[14-15]：

(18)

(19)

(20)

2.3 可燃?xì)怏w數(shù)據(jù)采集與分析

在2021年8月3日、4日的不同時(shí)間段，不同情況下分多次進(jìn)行數(shù)據(jù)采集，用MQ-5，MQ-7，DHT11和MQ-2傳感器分別對(duì)空氣中的可燃?xì)怏w、一氧化碳、溫度和煙霧進(jìn)行檢測(cè)，期間每隔一段時(shí)間向空氣中釋放一分鐘一定濃度的煤氣.本文實(shí)驗(yàn)選取了從2021年8月4日16點(diǎn)49分開(kāi)始，18點(diǎn)15分開(kāi)始釋放一分鐘一定濃度的煤氣，18點(diǎn)32分結(jié)束，用MQ-5傳感器采集到的1 800組數(shù)據(jù)進(jìn)行實(shí)驗(yàn).

2.3.1 正常數(shù)據(jù)集預(yù)測(cè)

采集到的1 800組數(shù)據(jù)中，前1 565組數(shù)據(jù)和最后120組數(shù)據(jù)為正常數(shù)據(jù)集.實(shí)驗(yàn)在正常數(shù)據(jù)集上進(jìn)行， 1 000組用于訓(xùn)練，100組用于測(cè)試，丟棄100組克服初始瞬態(tài)的影響，Q取100.儲(chǔ)備池規(guī)模分別取500和1 000時(shí)，ESN與XESN對(duì)可燃?xì)怏w的測(cè)試誤差比較分別為圖3和圖4，與ESN對(duì)可燃?xì)怏w的測(cè)試誤差相比，XESN的測(cè)試誤差明顯減小，并且更加穩(wěn)定.

圖3 儲(chǔ)備池規(guī)模為500,ESN與XESN對(duì)可燃?xì)怏w的測(cè)試誤差

圖4 儲(chǔ)備池規(guī)模為1 000,ESN與XESN對(duì)可燃?xì)怏w的測(cè)試誤差

儲(chǔ)備池規(guī)模分別取500，550，950和1 000時(shí)，分別采用ESN和XESN對(duì)可燃?xì)怏w進(jìn)行預(yù)測(cè)，結(jié)果如表2所示，可以看到XESN比ESN的E1，E2和E3都小，是一種誤差更小、結(jié)果更可靠的預(yù)測(cè)方法，并且儲(chǔ)備池規(guī)模取1 000時(shí)，預(yù)測(cè)效果更好.

2.3.2 異常數(shù)據(jù)集預(yù)測(cè)

采集到的1 800組數(shù)據(jù)中，中間115組數(shù)據(jù)為異常數(shù)據(jù)集，并且在第9組時(shí)異常值達(dá)到最大.采用儲(chǔ)備池規(guī)模為1 000的XESN，1 000組用于訓(xùn)練，700組用于測(cè)試，丟棄100組克服初始瞬態(tài)的影響，Q取700.

表2 可燃?xì)怏w仿真結(jié)果

從圖5和圖6可知，當(dāng)空氣中的可燃?xì)怏w發(fā)生異常時(shí)，會(huì)導(dǎo)致實(shí)際值與預(yù)測(cè)值之間出現(xiàn)極大偏差，殘差變大，殘差曲線斜率出現(xiàn)異常突變，可以表征出異常.

圖5 可燃?xì)怏w實(shí)際值與預(yù)測(cè)值

圖6 實(shí)際值與預(yù)測(cè)值殘差

2.4 其他數(shù)據(jù)集上的實(shí)驗(yàn)

2.4.1 MackeyGlass_t17數(shù)據(jù)集預(yù)測(cè)

MackeyGlass_t17數(shù)據(jù)集中有10 000組數(shù)據(jù)均分布在區(qū)間[-1,1]上.2 000組用于訓(xùn)練，2 000組用于測(cè)試，丟棄100組克服初始瞬態(tài)的影響，Q取100.儲(chǔ)備池規(guī)模分別取500，750，1 000和1 250時(shí)，對(duì)應(yīng)的測(cè)試誤差比較分別如圖7、圖8、圖9和圖10所示，與ESN對(duì)可燃?xì)怏w的測(cè)試誤差相比，XESN的測(cè)試誤差明顯減小，并且更加穩(wěn)定.

圖7 儲(chǔ)備池規(guī)模為500,ESN與XESN對(duì)MackeyGlass_t17的測(cè)試誤差

圖8 儲(chǔ)備池規(guī)模為750,ESN與XESN對(duì)MackeyGlass_t17的測(cè)試誤差

表3的對(duì)比結(jié)果表明，在儲(chǔ)備池規(guī)模分別取500，750，1 000和1 250時(shí)，相對(duì)于ESN，采用XESN有效提高了預(yù)測(cè)精度，可以對(duì)數(shù)據(jù)進(jìn)行更加準(zhǔn)確的預(yù)測(cè).

2.4.2 太陽(yáng)黑子序列預(yù)測(cè)

太陽(yáng)黑子序列數(shù)據(jù)集常用于測(cè)試神經(jīng)網(wǎng)絡(luò)的建模和預(yù)測(cè)能力，所用的數(shù)據(jù)集為1749年1月至2013年6月的3 174組月均值Wolf太陽(yáng)黑子數(shù)據(jù)，2 000組用于訓(xùn)練，1 000組用于測(cè)試，丟棄100組克服初始瞬態(tài)

圖9 儲(chǔ)備池規(guī)模為1 000,ESN與XESN對(duì)MackeyGlass_t17的測(cè)試誤差

圖10 儲(chǔ)備池規(guī)模為1 250,ESN與XESN對(duì)MackeyGlass_t17的測(cè)試誤差

表3 MackeyGlass_t17仿真結(jié)果

的影響，Q取100.儲(chǔ)備池規(guī)模分別取900和1 000時(shí)，對(duì)應(yīng)的測(cè)試誤差比較分別如圖11和圖12所示，結(jié)果表明與ESN對(duì)可燃?xì)怏w的測(cè)試誤差相比，XESN的測(cè)試誤差明顯減小，并且更加穩(wěn)定.

圖11 儲(chǔ)備池規(guī)模為500,ESN，XESN對(duì)太陽(yáng)黑子的測(cè)試誤差

圖12 儲(chǔ)備池規(guī)模為1 000,ESN，XESN對(duì)太陽(yáng)黑子的測(cè)試誤差

表4的對(duì)比結(jié)果表明，在儲(chǔ)備池規(guī)模分別取900和1 000時(shí)，相對(duì)于ESN，采用XESN對(duì)太陽(yáng)黑子進(jìn)行預(yù)測(cè)，誤差更小，預(yù)測(cè)效果更加令人滿意.

表4 太陽(yáng)黑子仿真結(jié)果

3 結(jié)束語(yǔ)

本文針對(duì)傳統(tǒng)回聲狀態(tài)網(wǎng)絡(luò)存在的缺陷，引入Xavier初始化的思想來(lái)優(yōu)化初始權(quán)值的范圍，提出了基于XESN權(quán)值初始化的回聲狀態(tài)網(wǎng)絡(luò)異常檢測(cè)模型，并在真實(shí)環(huán)境中采集的數(shù)據(jù)集上進(jìn)行可燃?xì)怏w異常應(yīng)用研究.實(shí)驗(yàn)結(jié)果表明，改進(jìn)的回聲狀態(tài)網(wǎng)絡(luò)有效地降低了測(cè)試誤差，建立起預(yù)測(cè)性能更優(yōu)的可燃?xì)怏w異常檢測(cè)的預(yù)測(cè)模型，具有一定的實(shí)際應(yīng)用價(jià)值.今后的工作集中在有效降低回聲狀態(tài)網(wǎng)絡(luò)中儲(chǔ)備池輸出的維數(shù)，提高運(yùn)算效率，構(gòu)建更為完善的異常檢測(cè)模型.