基于循环随机配置网络的非线性系统建模与预测项目产品系统

本项目面向非线性动态系统建模与时间序列预测场景，主要解决传统模型在复杂系统输入输出关系中难以准确拟合、泛化能力不足的问题。项目以循环随机配置网络 RSCN 为核心算法，对 MG1 时间序列和非线性系统数据进行训练、验证和测试，实现对系统未来输出的一步预测，可用于控制系统仿真、科研实验分析和机器学习模型性能验证等场景。

项目主要包含数据生成、模型训练、参数搜索、预测评估和结果保存等功能模块。系统能够自动读取训练集、验证集和测试集数据，构建 RSCN 循环随机配置网络模型，通过逐节点增长方式扩展水库层，并使用最小二乘方法求解输出权重。同时支持 alpha 参数网格搜索、多随机种子实验、早停回滚、NRMSE/MSE/RMSE/MAE 等指标计算，并将实验结果保存为 CSV、JSON、NPZ 和预测对比图，方便后续分析模型性能。

主要负责项目整体算法实现和实验流程搭建，包括 RSCN 核心模型类的编写、循环权重矩阵 Wr 的构造与谱半径缩放、候选节点筛选、训练残差和验证残差计算、早停机制设计等。同时完成了 MG1 数据集和非线性系统数据集的处理脚本，编写训练入口程序，实现模型训练、验证、测试、指标统计和结果导出。项目使用 Python 作为主要开发语言，结合 NumPy 完成矩阵运算，Matplotlib 绘制预测效果图，并通过 CSV/JSON 文件保存实验数据和模型结果。