一种增量递归随机权神经网络的非线性时间序列预测方法

本发明公开了一种增量递归随机权神经网络的非线性时间序列预测方法，首先对工业过程的历史数据进行采集，以用于网络模型的参数初始化；采用基于全局约束的动态逐步更新方法对新增节点参数进行更新，基于Greville迭代理论引入全局约束进行节点参数质量监督，在可变参数区间内随机生成一批输入权值、偏置和储备池权值；基于节点贡献指标筛选有效候选节点，将满足约束的节点用于构建储备池，从中选择最大贡献节点扩展储备池，通过Greville迭代理论动态更新输出权值；采用点增构造方式添加储备池节点，直至达到事先设定的最大模型尺寸或满足设定的误差容忍度。本发明显著提高了模型的预测精度与计算效率，为非线性时间序列数据的预测提供了一种有效的方案。