系统科学与数学
繫統科學與數學
계통과학여수학
JOURNAL OF SYSTEMS SCIENCE AND MATHEMATICAL SCIENCES
2013年
6期
671-684
,共14页
辨识%迭代学习%时变系统%时变神经网络
辨識%迭代學習%時變繫統%時變神經網絡
변식%질대학습%시변계통%시변신경망락
Identification%iterative learning algorithms%time-varying systems%time-varying neural networks
时变神经网络结构可简单地取为常规神经网络连接形式,但连接权却是时变的.如何确定时变权是应用时变神经网络时的难题.迭代学习方法是一种合理的选择,它不同于将时变连接权展成Taylor级数,通过训练多项式系数的处理方法.而且,后者的处理方式不可避免地存在截断误差.对于有限区间连续时变非线性系统的神经网络建模与辨识,借助于重复运行过程,以迭代学习算法调整权值,进行网络训练.不计逼近误差,提出的学习算法能够使得辨识误差在整个区间上渐近收敛于零.为处理非零但有界的逼近误差,采用带死区的迭代学习算法.逼近误差界值已知时,文中证明带死区修正的迭代学习算法使得辨识误差在整个区间上渐近收敛于由死区界定的邻域内.对于逼近误差界值未知的情形也进行了讨论.
時變神經網絡結構可簡單地取為常規神經網絡連接形式,但連接權卻是時變的.如何確定時變權是應用時變神經網絡時的難題.迭代學習方法是一種閤理的選擇,它不同于將時變連接權展成Taylor級數,通過訓練多項式繫數的處理方法.而且,後者的處理方式不可避免地存在截斷誤差.對于有限區間連續時變非線性繫統的神經網絡建模與辨識,藉助于重複運行過程,以迭代學習算法調整權值,進行網絡訓練.不計逼近誤差,提齣的學習算法能夠使得辨識誤差在整箇區間上漸近收斂于零.為處理非零但有界的逼近誤差,採用帶死區的迭代學習算法.逼近誤差界值已知時,文中證明帶死區脩正的迭代學習算法使得辨識誤差在整箇區間上漸近收斂于由死區界定的鄰域內.對于逼近誤差界值未知的情形也進行瞭討論.
시변신경망락결구가간단지취위상규신경망락련접형식,단련접권각시시변적.여하학정시변권시응용시변신경망락시적난제.질대학습방법시일충합리적선택,타불동우장시변련접권전성Taylor급수,통과훈련다항식계수적처리방법.이차,후자적처리방식불가피면지존재절단오차.대우유한구간련속시변비선성계통적신경망락건모여변식,차조우중복운행과정,이질대학습산법조정권치,진행망락훈련.불계핍근오차,제출적학습산법능구사득변식오차재정개구간상점근수렴우령.위처리비령단유계적핍근오차,채용대사구적질대학습산법.핍근오차계치이지시,문중증명대사구수정적질대학습산법사득변식오차재정개구간상점근수렴우유사구계정적린역내.대우핍근오차계치미지적정형야진행료토론.
