基于神经网络的时变非线性系统迭代学习辨识_孙明轩

基于神经网络的时变非线性系统迭代学习辨识_孙明轩

ID:14853351

大小:1.36 MB

页数:14页

时间:2018-07-30

基于神经网络的时变非线性系统迭代学习辨识_孙明轩_第1页
基于神经网络的时变非线性系统迭代学习辨识_孙明轩_第2页
基于神经网络的时变非线性系统迭代学习辨识_孙明轩_第3页
基于神经网络的时变非线性系统迭代学习辨识_孙明轩_第4页
基于神经网络的时变非线性系统迭代学习辨识_孙明轩_第5页
资源描述:

《基于神经网络的时变非线性系统迭代学习辨识_孙明轩》由会员上传分享,免费在线阅读,更多相关内容在学术论文-天天文库

1、系统科学与数学J.Ss.&Math.Scis.y.Sci33620136671-684()(,),基于神经网络的时变非线性系统*迭代学习辨识孙明轩何海港孔颖浙江工业大学信息工程学院杭州310023(,)摘要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一.迭代学习方法是确定时变权是应用时变神经网络时的难题种合理的选择,它不同于将时变连接权展成Taylor.而且后者的处理方式不可级数,通过训练多项式系数的处理方法,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于,借助重复运行过程迭代学习算法调整权值进

2、行网络训练.,以,不计逼近误差,提出的学习算法.为处理非零但有界的逼近误差能够使得辨识误差在整个区间上渐近收敛于零,采用带死区的迭代学习算法.逼近误差界值已知时证明带死区修正的迭代学习算法使得辨识,文中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..关键词辨识,迭代学习,时变系统,时变神经网络MR(2000主题分类号93E12)NEURALNETWORKBASEDITERATIVELEARNINGIDENTIFICATIONOFTIME-VARYINGNONLINEARSYSTEMSSUNMinxuanHEHa

3、ianKONGYinggggColleeoInormationEnineeringZheianUniversitoTechnoloHan310023,j,gzhou)(gffggyfgyAbstractThearchitectureofaclassoime-varinneuralnetworkscanbeeter?ftygdminedbsimladotinthatoftheconventionalneuralnetworkswhiletheweihtsypypg,g?areallowedtovarwithtime.Thechallenelieshow

4、toselectthewehyitswhenagg,p'-linaimevarinneuralnetwork.TheconventionaltreamentistouseTalorspygtygtyseriesexansionforthetime-varyingweightsandtheexistintraininalorithmsp,ggg*国家自然科学基金6087404161174034助项目.(,)资----9.收稿日期:20130524到修改稿日期:2013061,收672系统科学与数学33卷adiliablehecoecienichime-

5、invi?rerectlacfortfitswharetarant.Howevertrunypp,,cationerrorsexistwhichmacausedeteriorationinerformance.Inthisaerwe,yppp,heiat-usetterivelearningmethodolofortrainintimevarinneuralnetworksandgygyg,theneuralnetworksareroosedformodelinandidentificationofcontinuous-timeppgi-ilirst

6、mevaryngnonneaystems.Thezeroidentificationerrorisachievedovertheentireintervaliftheusedneuralnetworkiserfectinaroximation.Inthecase,pppof-roaoximaierroriailearninaloihmihadod?nonzertontertvertswtdezonempp,ggificationareroosedforudatinthetime-varinweihtsandtheidentificationpppgy

7、gg,errorisensuredtoconveretotheboundwhichisroortionalothearoximationg,pptpperror.wordsIdenificationiative-var-Keytterlearninalorithmstimeinsstemstime,gg,ygy,varinneuralnetworks.ygi引言常规神经网络中连接权取常值.如果允许连接权的取值随时间变化人们便可获得时变,.神经网络这样时变神经网络在结构上可简单地取与定常网络相同的结构.这类网络的训,练问题中除选取网络结构.通常做法是、

8、神经元数量外确定连接权是该问题的主要方面,,将时变连接权展开为Taylor级数,进而采用常规确定连接权的方法

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。