回声状态网是一种新型的递归神经网络,仅需要训练输出权值,克服了传统递归神经网络存在训练算法过于复杂、收敛速度慢、易于陷入局部最小等问题。为进一步提高回声状态网的建模能力,特别是面临实现多个正弦函数叠加(MSO)等任务时的逼近能力,本文提出两种新型的多储备池结构。第一种由泄露积分型神经元构建一种新型的多储备池回声状态网,称为多储备池泄露积分回声状态网(MLESN)。MLESN是采用由顶向下和由底向上相结合的思路构建回声状态网。首先采用由顶向下的思路构建回声状态网,假设其储备池由P类相异泄露积分型神经元构成,每一类神经元的群体将构成一个子储备池。然后采用由底向上方式构建回声状态网,生成P个相异中心神经元,分别代表P个子储备池,每个子储备池的神经元状态要与其中心神经元状态相同或相近,P个中心神经元之间通过随机稀疏连接构成了一个新的虚拟子储备池。在储备池状态更新过程中,仍需保持各子储备池内部神经元之间的差异性小,不同子储备池神经元状态之间的差异性大的特点。第二种是在MLESN的基础上提出了新的多储备池回声状态网,即多储备池嗅感受回声状态网(OFESN)。OFESN产生思路来源于果蝇的的嗅小球,每个子储备池相当于一个嗅小球,给出了新型的子储备池之间连接方式,即子储备池之间连接转变为主神经元之间的连接,进而构建出新型储备池的连接权值矩阵,大大化简了不同储备池神经元之间的耦合连接。OFESN网络可以在每个实际子储备池神经元数目少,子储备池数目大的情况下,相当于获得更多的储备池神经元数目,且保证神经元状态相异性,提高了回声状态网的预测精度,大大减少了计算量。最后,利用Matlab仿真软件进行实现,并与泄露积分型回声状态网(Leaky-ESN)预测性能进行比较。仿真结果表示,本文提出的两种方法具有更高的预测精度和预测误差波动性小等特点。