文献

J-GLOBAL ID：201702283915448054   整理番号：17A0887536

正規化学習則を用いた適応ニューラルネットワークノンパラメトリック同定【Powered by NICT】

Adaptive Neural Network Nonparametric Identifier With Normalized Learning Laws

著者 (1件)： Chairez Isaac (Department of Bioprocesses, Unidad Profesional Interdisciplinaria de Biotecnologi ́a-Instituto Politecnico Nacional, Mexico City, Mexico)
資料名： IEEE Transactions on Neural Networks and Learning Systems  (IEEE Transactions on Neural Networks and Learning Systems)
巻： 28  号： 5  ページ： 1216-1227  発行年： 2017年 
JST資料番号： T0881A  ISSN： 2162-237X  CODEN： ITNNEP  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 本論文では,連続ダイナミックスを持つニューラルネットワーク(NN)のための正規化収束学習法則の設計について述べた。NNを一連の常微分方程式により記述される不確定システムのためのノンパラメトリックモデルを得るためにここで用いた。不確実性の原因は,いくつかの外部摂動の存在と,そのシステムダイナミックスを記述した非線形関数に関する知識不足のためである。正規化アルゴリズムに基づく新しい適応アルゴリズムをNNの重みを調整するために使用した。適応アルゴリズムは非標準的対数Lyapunov関数(LLF)により導出した。二識別子を最初の同定器と可変利得正規化学習則のための正規化学習則を導くLLFsの二つのバリエーションを用いて設計した。第二識別子の場合,正規化学習則の包含は,実用的な安定性解析の解として得られた収束領域のサイズを小さくするために得られた。一方,学習則の収束の速度は逆形で誤差のノルムに依存する。この事実は,同定誤差の収束を加速する量の時間発展におけるピーク過渡挙動を回避した。数値例は正規化連続学習手法を用いた古典的な方式と比較してこの論文で導入したアルゴリズムにより実現された改善を示した。正規化識別子による達成同定性能と本論文で開発したものとの比較は,この論文で提案した学習則の利点を示した。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： 常微分方程式 ,  利得 ,  システムダイナミックス ,  *正規化 ,  安定性解析 ,  *ニューラルネットワーク ,  Lyapunov関数 ,  不確実性 ,  ノルム ,  アルゴリズム ,  *学習 ,  摂動
準シソーラス用語： 識別子 ,  適応アルゴリズム ,  *学習則 , 【Automatic Indexing@JST】

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (4件)： 正規化 ,  学習則 ,  適応ニューラルネットワーク ,  パラメトリック同定