Resumen

Este artículo trata algunos problemas relacionados con la identificación de sistemas no lineales. Se presenta un modelo de red neuronal de análisis de estabilidad para la identificación de sistemas dinámicos no lineales. Se presenta una ley de actualización de retropropagación estable y adaptable que se utiliza en el enfoque de identificación propuesto. El algoritmo de entrenamiento por retropropagación propuesto se modifica para obtener una tasa de aprendizaje adaptativa que garantice la estabilidad de la convergencia. La regla de aprendizaje propuesta es el algoritmo de retropropagación bajo la condición de que la tasa de aprendizaje pertenezca a un rango especificado que define el dominio de estabilidad. Si se cumple esta condición, se evitan los fenómenos de inestabilidad durante el proceso de aprendizaje. Un análisis de Lyapunov conduce al cálculo de la expresión de una tasa de aprendizaje adaptativa conveniente que verifica los criterios de estabilidad de la convergencia. Por último, el algoritmo de entrenamiento elaborado se aplica en varias simulaciones. Los resultados confirman la eficacia del algoritmo CSBP.

• Materias:Simulación por computador Redes neuronales (Computadores) Sistema dinámico (Matemáticas) Inteligencia computacional
• Subjects:Computerized simulation Neural networks (Computer science) Dynamic system (Mathematics) Computational Intelligence;
• Palabras claves:tasa de aprendizaje adaptativa que garantiza la estabilidad de convergencia, ley de actualización de retropropagación estable adaptativa restringida, tasa de aprendizaje adaptativa conveniente, algoritmo de entrenamiento de retropropagación, criterios de estabilidad de convergencia, modelo de red neuronal, sistemas dinámicos no lineales, identificación de sistemas no lineales, algoritmo CSBP, análisis de Lyapunov
• Keywords:adaptive learning rate guarantying convergence stability, constrained adaptive stable backpropagation updating law, convenient adaptive learning rate, backpropagation training algorithm, convergence stability criteria, neural network model, nonlinear dynamic systems, nonlinear systems identification, CSBP algorithm, Lyapunov analysis