یادگیری عاطفی بر مبنای لیاپانوف بهنگام از مرتبه بالاتر برای شناساگرهای راف-عصبی

به منظور بالا بردن کارایی شبکه های راف-عصبی در شناسایی سیستم، یک الگوریتم یادگیری پایدار بر مبنای یادگیری عاطفی برای آنها ارائه شده است. این الگوریتم با افزودن به عمق حافظه شبکه های راف-عصبی همگرایی خطا را آسان می کند. برای این منظور، از یک سیگنال عاطفی که ترکیبی خطی از خطای شناسایی و تفاضلات آن می باشد، برای دستیاب1ی به قوانین یادگیری استفاده شده است. علاوه بر این، همگرایی خطا و کرانداری پیش بینی ها و پارامترهای مدل اثبات شده است. برای نشان دادن کارآمدی الگوریتم پیشنهادی، چند سیستم غیرخطی شامل کوره دوار سیمان با استفاده از این روش شناسایی شده و نتایج با چند مدل دیگر مقایسه شده است.