1、時間序列數(shù)據(jù)廣泛存在于電子商務，金融，視頻活動分析等任務中，針對時序數(shù)據(jù)的分析和預測是一項十分重要且有挑戰(zhàn)性的工作。對時間序列分析的難點有二，其一是:時間序列數(shù)據(jù)具有時序性。其二是:時間序列數(shù)據(jù)通常包含較多的噪聲?；芈暊顟B(tài)網(wǎng)絡(Echo State Network，ESN)是目前一種流行的時間序列分析模型，它的儲蓄池（相當于傳統(tǒng)神經(jīng)網(wǎng)絡的隱藏層）的循環(huán)連接使其具有一定的“記憶”能力，可以很好地擬合出時間序列數(shù)據(jù)的時序關(guān)系。由于回聲狀態(tài)網(wǎng)

2、絡儲蓄池中的節(jié)點個數(shù)較多，當它被用來擬合噪聲較多的數(shù)據(jù)時，容易造成過擬合，影響模型的預測能力。傳統(tǒng)ESN模型中，ESN輸入層到儲蓄池、儲蓄池內(nèi)部節(jié)點之間連接權(quán)重隨機生成，ESN的性能依賴于這種隨機性，導致它具有不穩(wěn)定性。為了得到合適的ESN，通常需要不斷地隨機生成ESN，直到產(chǎn)生合適模型為止，傳統(tǒng)方法無法保證新生成的ESN優(yōu)于之前的ESN?；诨芈暊顟B(tài)網(wǎng)絡的上述缺點，本文提出了多目標多樣性回聲狀態(tài)網(wǎng)絡(Multi-objective D

3、iversifiedEcho State Network，MODESN)，MODESN定義了ESN多樣性。ESN多樣性通過考慮儲蓄池中節(jié)點之間的冗余度，從而盡可能地避免過擬合情況發(fā)生。MODESN利用多目標遺傳算法同時對ESN多樣性和預測準確率進行優(yōu)化，使得新生成的ESN模型向期望的方向演化，從而避免了傳統(tǒng)生成ESN方法的隨機性。本文的主要工作可以總結(jié)如下:
　　(1)本文定義了ESN多樣性，通過優(yōu)化ESN多樣來優(yōu)化ESN結(jié)構(gòu)，從