ماشین های یادگیری حدی راف پایدار برای شناسایی سیستم های غیرخطی زمان-پیوسته غیرقطعی
ماشینهای یادگیری حدی راف شبکههای راف-عصبی با یک لایه پنهان هستند که در آنها پارامترهای بین ورودیها و نورونهای پنهان به صورت تصادفی انتخاب میشوند و هرگز به روز نمیشوند. در این مقاله، ماشینهای یادگیری حدی راف با یک الگوریتم یادگیری برخط پایدار را برای شناسایی سیستمهای غیرخطی زمان-پیوسته در حضور نویزها و عدمقطعیتها پیشنهاد میکنیم و با استفاده از نظریه پایداری لیاپانوف، همگرایی مجانبی سراسری الگوریتم یادگیری پیشنهاد شده را اثبات میکنیم. سپس، از روش پیشنهاد شده برای شناسایی سیستمهای آشوبی نوسانگر دافینگ و سیستم لورنز بهره میگیریم. نتایج شبیهسازی کارآمدی مدل پیشنهادی را نشان میدهد.
- حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران میشود.
- پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانههای چاپی و دیجیتال را به کاربر نمیدهد.