控制与决策

作者：张昭昭,陈豪,朱应钦,余文

单位：西安科技大学 人工智能与计算机学院，西安 710054,,西安科技大学 人工智能与计算机学院，西安 710054,,墨西哥国立理工学院高级研究中心 控制科学与工程系，墨西哥 07360,,墨西哥国立理工学院高级研究中心 控制科学与工程系，墨西哥 07360,

关键词：回声状态网络;储层计算;时间序列预测;动态系统建模;多任务学习

储层计算(RC)作为一种高效的循环神经网络训练范式, 在处理单个时序任务时表现出色. 但是在多任务场景下, 不同任务引起的储层状态易发生混叠, 限制了其应用. 鉴于此, 提出一种基于子空间映射的多任务储层计算框架, 在传统的回声状态网络(ESN)的基础上, 设计并实现一种多任务回声状态网络(MT-ESN). 该方法为每个任务分配唯一的二元映射向量, 在每个时间步, 任务对应的原始储层状态与其映射向量进行Hadamard积运算, 将原始的高维储层状态选择性地投影至由其映射向量所定义的低维子空间内, 从而实现不同任务储层状态轨迹在共享储层内部的结构化分离, 从根本上抑制状态混叠现象, 进而有效降低不同任务状态间的重叠度. 通过对多个混沌吸引子短期预测和真实世界多个时序任务预测的实验验证, 与标准ESN相比, MT-ESN能够在单一储层网络中显著提升多任务处理的准确性和稳定性, 尤其是在长时预测中能够有效避免状态崩溃; t分布随机邻域嵌入(t-SNE)可视化也验证了其储层状态分离能力, 研究还发现映射向量存在最优稀疏度. 所提出方法为在资源受限设备上实现多任务储层计算提供了有效途径.

来源：2026年第1期

《控制与决策》期刊编辑部

查看控制与决策杂志2026年第1期