文摘
人工神经网络(ANN)的概念是熟悉的任务的方法,例如,识别或近似模型复杂系统输出的困难。一般来说,目标是确定适当的参数在线达成更好的点对点的收敛速度,因此介绍了参数估计为一个等价的安(EANN),获得一个递归识别随机系统,首先,在恒定的参数和,其次,非平稳的输出系统条件。因此,在过去的估计,也有随机属性的参数,使得传统的近似方法没有足够由于他们失去的收敛速度。为了解决这个问题,我们提出一个非常数的指数遗忘因子(NCEFF)滑动模式,获得在几乎所有点指数收敛速度下降。理论结果的识别阶段执行使用MATLAB®和比较,观察改进当非平稳的输出条件的新提议。
1。介绍
人工神经网络(ann)是基于生物神经网络计算模型(BNN)突触的描述。生物神经元包括火灾作用后连接神经元的输入与创新的条件下,由外部刺激和激励信号。这个函数是传播和操纵的答案,获得与其他神经元和集成一个完整的网络互联。另一方面,ANN模型是著名的因为有学习能力和动态地调整参数,添加复合因素修正,或不同的结合技术包括专家系统(1]。
而不是投资于高计算资源代表安通过添加因素调整其隐藏的收益,在2)提出了三种模型近似允许识别选择,在某种意义上神经网络需要的收益,并显示三种不同的表征网络,考虑特征,使其适合建模和识别和还表明非线性模型可以被解释为一个安与特定的属性。不幸的是,网络本身在识别和评估任务表现不佳在考虑非线性系统和不足够完成在线需求由于其复杂的算法,通常是基于稳定和不变的条件3]。
解决这些限制条件的组合人工神经网络与传统方法和其他人,如滑动模式(SM)、概率,或模糊逻辑(FL),改善网络性能在收敛意义上(4- - - - - -6]。然而,几个还会增加算法的复杂性的结合,给予较高的计算成本。
相当于人工神经网络(EANN)开发的(7),是一个表示,考虑多输入单输出的线性化(味噌)系统和有用的情况下,时间是一个重要因素,采用不同的技术来调整他们的收益根据参考,即使困难造型外部扰动。一般来说,任何安可以减少到一个简单的等效模型(EANN)集成多个输入与一组交互的权重组合在某种意义上给最终输出(7,8]。
在[9),提出了不同的自适应算法,期望信号与输出校正误差。图表示是EANN描述来完成。因此,可以考虑EANN通过黑盒(BB)概念作为安味噌系统通过输入BB输入向量和输出信号作为一个比较不稳定文献[1,8,10]。动态权值或参数计算,使用它们,而不是那些传统上是随机分配的,唯一的限制是一个预先制定的范围。这些考虑生成更少的计算周期获得所需的输出不稳定,降低计算成本。图1显示之间的类比EANN BB和比较两个答案通过误差信号。
递归和传统识别,例如,通过最小二乘法(LSM)或卡尔曼滤波器(KF),具有良好的结果平均的分配,只要初始条件是足够的。然而,他们的表现是减少当一个点对点的近似。作为初始权重分配是不够的,包括一个遗忘因子(FF)在评估过程中使收敛误差的最小化在几乎所有点(11]。
FFs作为常量或线性函数,提高了参数估计;现在的问题是将会发生什么如果系统条件发生显著的变化从一个常数或线性FF设计?它不再是有用的吗?从这个意义上说,不同的方法使用个人系数为特定系统进化时期,变化的时间间隔。其他应用进化或采样时间的指数函数作为参数,提供更快的指数收敛的参考,但只适合光滑变化(12]。
相当于EAAN模型需要权重估计时变条件和考虑平滑运动,作为第一应用程序。然而,在许多情况下,论坛的非平稳条件范围,超过顺利理想条件;,前两个概率时刻由分布函数有界,分别,没有解决运动跟踪任务,有研究人员继续提出不同的自适应技术。
尽管组合开发,幸运的是在本文中,我们提出一个新颖的估计技术相结合三个传统工具:(a)与工具变量估计利用LSM,应用参考信号和收敛误差(由参考之间的差异和EAAN输出答案)及其符号,(b)基于错误的滑动面属性,允许发展中一个新的评价策略,最小化在更短的时间内收敛误差比传统的LSM [13,14),(c)一个创新指数FF (EFF)应用传统的SM。考虑的策略是在传统估计因为EFF的计算和施工的新估计是由使用SM,结合,允许跟踪不稳定重量或参数。
2。最优权重值
做一个分析EANN的分析,它的元素可以被视为向量,所以变量的数量是守恒的,适用于任何命题。从图1,输入信号将向量所代表的,计算权重向量,输出信号将被视为(15]。这些考虑同意一阶系统定义为味噌 这可能是解决使用概率意义上的期望值。从(1),输入向量和期望信号是有效的为一个特定的瞬间的时间,我们清楚。因此,我们获得和它的离散形式:
的结果应用到输出识别并通过比较参考信号,获取错误的功能时,往往为零吗是最优的。
最佳的描述向量系数平均所以任何通过反馈是没有必要调整;然而,需要表达解决方案递归地应用于等效模型系统,观察答案进化。
首先,我们定义和分别用递归形式由以下:
用(3)和(4)(2),然后表达的,其框图如图2,我们决定向量,在以下的术语描述和图3:
3所示。指数遗忘因子(EFF)
系统响应时使用(5)是足够的情况下,需要平均近似,这意味着系统常数参数。然而,因为我们不知道重量或如果他们遭受任何改变通过系统进化,有必要提高估算技术通过创建一个更健壮的过程。
在[16),我们建议使用一个FF nonnormalized最小均方算法(NLMSA)来改善它。与此同时,在[17)是使用一个确定性FF达到一个优化的收敛速度(OCR)。
FF用于降低过去信息的影响计算的新参数,获得一个新的近似和制动与收敛的媒体价值完整的过程。在[18)建议使用一个等价的ANN模型和滑动模式(SM)结合FF,从而逐步减少历史数据的影响。另一方面,在19)表示,FF值应该在0和1之间,这样,当它接近零,丢弃旧的数据更快,使新数据的响应更敏感;相反当FF接近。
获得一个最优系数允许一个更好的反应,生成的输出跟随变化的参考,我们提出一个非常数的指数FF (NCEFF),如下表示: 其属性依赖于错误呢作为一个创新的过程,是基于计算和它的标志(13,14]。符号函数给出了SM感和允许参数不仅积极融合,所以有必要把它作为一个额外的工具。
应用(6)结合(5),它的符号函数,我们获得(7),这是一种创新的方式来计算一个新的重量参数,通过一种改进的技术。
4所示。仿真和结果
我们开发了MATLAB集成的模拟分析其性能对参考信号和替换(5)和(7)(1)。比较给我们的想法如何提出的新估计技术改善原来的估计(7EANN]。在图形中,估计命名为“最佳”使用的是(5),而“滚开”估计包括的实现(7)。
从最简单的开始引用,一个信号不变参数和没有外部噪声可能是视为一个常数函数,在那里是恒定的。图4比较的参考与使用估计参数的响应(5)和(7)。
作为第二测试图5礼物时系统的响应变量参数没有外部噪音,描述这两种方法的行为及其范围;在这种情况下,参考来源,在那里 修改向量参数。
的固定系统响应给出了一个估计可以和包括在拟议的模型。比较两者,进化模型生成影响的差异在某种程度上,因为参数收敛误差的函数。
本文的主要目的是建立一个特殊的随机估计,从而影响输出模型系统,寻求一个更好的收敛速度,,在那里是一个随机变量。
第三次模拟,我们将假设能够测量内部参数;然而,他们只是作为一个说明性的考虑。然后,图6比较了未知系统参数估计的,和图7代表的方法达到一个参考信号,视为一个极地轨道。
5。应用实例
前面的问题可以应用,改善,例如,一个旅游的地方的资源分布根据季节现状,计算收入,旅游,和经济事件20.,21)振荡一段时间> 10年如图8。
这些参数有助于确定乘客数量去旅游的地方,根据前几年的信息(22]。图9显示了这种现象的行为及其识别、描述非平稳的趋势与滑动模式,通过随机估计描述不确定的情况下,点对点。
然后,图10介绍了熵增加的旅客流程从极坐标形式,在同一时期。
6。结论
本文演示了一个经典的优势和限制通过随机系统近似使用期望值时,如图3- - - - - -6在一个分布意义上,具有良好的性能。
不过,当需要更精确的结果,有必要添加一个校正因子,以跟踪参数的平均值,给一个更好的输出响应系统具有随机特征(数字7和9等),提出了动态指数遗忘因子(EFF)。
使用欧拉数和符号函数(SF)提高了复杂轨迹,见图7,因为错误的实现属性影响指数遗忘因子(NCEFF)和滑动模式。
科幻允许收敛对参数不仅高于参考还低于这个,虽然绝对函数允许转换的一侧。此外,使用的错误决定EFF实现点对点随着系统的发展。这是没有必要创建一个新的递归近似过去估计阶段;然而,作为未来的工作,它将会是很有趣的分析第二个递归和测试是否有改进。
最后,我们认为该方法是足够的估计系数通过一个复杂的系统,影响,积极,相当于人工神经网络(EANN),或者换句话说,一个味噌的系统。
相互竞争的利益
作者宣称没有利益冲突有关的出版。
确认
作者要感谢研究所Politecnico Nacional (IPN)的支持而开展我们的研究工作通过项目SIP20160382和SIP20161922。