中文摘要：

时间模式识别是视频跟踪、语音识别等智能系统的关键共性问题之一，要求算法具备时序建模能力。储备池神经网络是一类新型递归神经网络（RNN），采用"储备池"+"读取器"网络结构组织，促使棘手的RNN训练问题转化为一个简单的线性回归或分类问题。现有研究表明，储备池神经计算方法可为时间模式识别问题提供有竞争力的方案，但在泛化性能、问题适应性等方面还存在大量的理论与实际问题亟待解决。综上，本项目面向时间模式识别问题，以一类自动语音识别问题为例，结合结构风险最小化原理方法，开展储备池神经网络泛化能力研究；结合参数自适应与优化技术，开展储备池适应性研究。最终将建立一种自适应的结构风险最小化储备池算法，并实现一个车载自动语音识别原型系统，实际验证算法的有效性与先进性。本项目的成功实施有助于神经网络理论与应用研究发展，并为求解实际的时间模式识别问题提供新的思路与方法。