冯·诺依曼结构计算机所存在的“内存墙”问题严重阻碍了计算机性能的进一步提升,为此,研究者提出液体状态机(liquid state machine,LSM)和回声状态网络(Echo state network,ESN)两种储备池计算,将内存与计算单元合并以避免“内存墙”问题。两种储备池计算各具优势。液体状态机具有更高的生物真实性,因而具有较高的抗噪性和鲁棒性,同时能耗也更低。而回声状态网络则具有更高的准确率和稳定性。二者面临共同的问题——储备池的优化较为困难,即采用人工神经网络的方法无法保证有效性,而采用高生物真实性的方法又过于复杂。为此,本文对两种储备池的优化方法进行了研究,提出具有较高生物真实性且并不复杂的储备池优化方法,主要研究内容包括:(1)研究了基于连接权值和结构的液体状态机储备池优化方法,提出一种非局部连接的液体状态机的储备池优化方法。为了提高储备池的泛用性和抗噪性,同时避免复杂的优化过程,本文模拟大脑中普遍存在的各神经元集群间的非局部连接分布——伽马分布来生成储备池的权值,生成一个具有更高生物真实性、隐含功能柱结构的储备池。首先,通过对储备池活动和储备池进行Lempel-Ziv复杂度分析,从理论上说明该种储备池优化方式的优势;然后通过与脉冲时序可塑性算法(STDP)和高斯分布等进行对比实验,验证网络的性能。(2)研究了基于小世界网络和功能柱的回声状态网储备池优化方法,提出一种区域划分的回声状态网储备池优化方法。为了提高储备池的记忆能力和信息传递能力,本文采用小世界网络对储备池结构进行了优化。改进了储备池原本随机连接的结构,使网络具有更优的计算信号处理能力,最后用有输入的随机序列预测任务检验优化的效果。为了提高储备池的稳定性,本文将功能柱结构显式的引入储备池中,将储备池划分为不同的功能区域。通过多个部分独立工作、共同完成任务的方式提高网络的稳定性,并通过信号生成实验进行验证。实验结果表明,采用伽马分布对储备池进行优化相对于常用的STDP优化,能在不降低准确率的前提下提高液体状态机的抗噪性和鲁棒性;采用小世界网络优化的储备池能够提升回声状态网络在有输入序列预测任务上的表现,与粒子群算法相比具有更高的预测精确度;在储备池中进行功能柱划分能够提高回声状态网络的稳定性,使网络在信号生成实验中取得较好的表现,与采用非线性读出函数相比受网络随机性和超参数的影响更小。