طراحي شناساگر غيرخطي عصبي پايدار بر مبناي توابع متعامد تكه‌اي پيوسته‌ي سينوسي

Designing of stable neural nonlinear identifier on the basis of sinusoidal piecewise continuous orthogonal functions

شبكه‌هاي عصبي متعامد رده‌ي مهمي از شبكه‌هاي عصبي هستند كه بر مبناي مجموعه‌هايي از توابع متعامد ساخته‌ مي‌شوند. در سالهاي اخير، توابع متعامد تكه‌اي پيوسته كارآمدي خود را در زمينه‌هاي مختلف علوم كاربردي نشان داده‌اند. در اين مقاله، بر مبناي يك جفت مكمل از مجموعه‌هاي توابع متعامد تكه‌اي پيوسته‌ي سينوسي، شبكه‌هاي عصبي متعامد سينوسي را طراحي مي‌كنيم و از آنها در شناسايي سيستم‌هاي ديناميكي غيرخطي بهره مي‌گيريم. براي آموزش اين شبكه عصبي از يك الگوريتم برخط پايدار استفاده مي‌كنيم. در پايان، كارآمدي اين رويكرد را با شناسايي سيستم غيرخطي زمان-گسسته‌ي نارندرا-لي نشان مي‌دهيم.

Orthogonal neural networks are important classes of neural networks that are constructed on the basis of sets of orthogonal functions. In recent years, piecewise orthogonal continuous functions show their efficiencies in different aspects of applied sciences. In this paper, on the basis of complementary pair of sinusoidal piecewise continuous orthogonal functions sets, we design the sinusoidal orthogonal neural networks, and utilize them for the identification of nonlinear dynamic systems. To train these neural networks, we use a stable online learning algorithm. At the end, we show the efficiency of this approach with the identification of discrete-time nonlinear Narendra-Li system.