- 输入可以是一维或多维
- 符号表示:
- 训练
- 预测
- 储备池有两个主要功能：非线性高维变换和输入数据ut的记忆（对历史时间相关的数据有记忆功能）。
- 回声状态网络与核函数方法之间存在类似关系
：储备池的神经元数量n，储备池的稀疏度，wr中非零数据分布，wr的谱半径，win缩放率和泄漏率γ
参数选择
- 储备池维数(神经元数)n：考虑到储备池必须记住的独立数据数量来估计储备池维数n的下限，独立数据是指回声状态网络需要记住的数据，才能成功完成任务。。对于独立和分布的输入数据，通过输入相互数据的维数乘以解决问题所需的记忆时间来粗略估计独立数据的数量
- 储备池的稀疏度：储备池的连接权矩阵通常由高斯分布生成wr
- 输入连接矩阵win尺度因子：win假设尺度因子被定义为服从均匀分布α，那么α∈[-a，a]，win从区间[-a，a]采样；若win服从正态分布，选择标准偏差作为尺度因素。
(储备池倾向于消除xt中ut因此，数据在输入回声状态网络之前，。如果输入较小的主要成分不携带有用的信息，可以在输入储备池之前通过主要成分分析从数据中删除，否则会在储备池中放大)
- 保留率γ是储备池状态的决定xt更新速度的重要参数，γ可视为两个连续步长之间离散化的时间间隔。
- 储备池的连接权矩阵wr谱半径：谱半径决定了输入对储备池状态的影响，以及储备池的稳定性。<1不是回声状态属性的必要条件，有时最优谱半径值可能大于1
(储备池应满足所谓的回声状态特性:储备池的状态xt应输入ut唯一的确定性。换句话说，对于足够长的输入ut，储备池的最终状态xt输入前前的初始条件无关。