Сonvergence of Sequential Gradient Learning Algorithms in Neural Networks for Online Identification of Nonlinear Systems: a Special Case

• Опубліковано в: : Індуктивне моделювання складних систем
• Дата: 2015
• Автори: Zhiteckii, L.S., Nikolaienko, S.A.
• Формат: Стаття
• Мова: Англійська
• Опубліковано: Міжнародний науково-навчальний центр інформаційних технологій і систем НАН та МОН України 2015
• Онлайн доступ: https://nasplib.isofts.kiev.ua/handle/123456789/125021
• Назва журналу: Digital Library of Periodicals of National Academy of Sciences of Ukraine
• Цитувати: Сonvergence of Sequential Gradient Learning Algorithms in Neural Networks for Online Identification of Nonlinear Systems: a Special Case / L.S. Zhiteckii, S.A. Nikolaienko // Індуктивне моделювання складних систем: Зб. наук. пр. — К.: МННЦ ІТС НАН та МОН України, 2015. — Вип. 7. — С. 46-58. — Бібліогр.: 27 назв. — англ

The paper deals with the asymptotic properties of an online learning procedure for identifying non-linear systems via neural networks models of these systems. The probabilistic convergence condi-tions of this procedure are presented for the special case where a nonlinearity can exactly be ap-proximated by a suitable neural network. Keywords: identification, nonlinear system, neural network, learning algorithm, stochastic environment, convergence. Стаття стосується асимптотичних властивостей деякої процедури навчання в реальному часі для ідентифікації нелінійних систем з використанням нейронних мереж як моделей цих систем. Представлені умови ймовірносної збіжності цієї процедури для спеціального випадку, коли нелінійність може бути точно апроксимована належною нейронною мережею. Ключові слова: ідентифікація, нелінійна система, нейронна мережа, алгоритм навчання, стохастичне середовище, збіжність. Статья касается асимптотических свойств некоторой процедуры обучения в реальном време-ни для идентификации нелинейных систем с использованием нейронных сетей в качестве моделей этих систем. Представлении условия вероятностной сходимости этой процедуры для специального случая, когда нелинейность может быть точно аппроксимирована подхо-дящей нейронной сетью.