ΕΚΜΑΘΗΣΗ ΑΝΑΔΡΟΜΙΚΩΝ ΝΕΥΡΩΝΙΚΩΝ ΔΙΚΤΥΩΝ ΥΨΗΛΗΣ ΤΑΞΗΣ ΣΕ ΔΥΝΑΜΙΚΑ ΠΕΡΙΒΑΛΛΟΝΤΑ

Περίληψη

Σ'ΑΥΤΗΝ ΤΗΝ ΕΡΓΑΣΙΑ ΑΣΧΟΛΗΘΗΚΑΜΕ ΑΡΧΙΚΑ ΜΕ ΤΙΣ ΙΔΙΟΤΗΤΕΣ ΤΩΝ ΑΠΟΚΑΛΟΥΜΕΝΩΝ ΝΕΥΡΩΝΙΚΩΝ ΔΙΚΤΥΩΝ ΑΝΑΔΡΟΜΙΚΟΥ ΤΥΠΟΥ ΥΨΗΛΗΣ ΤΑΞΗΣ (ΝΔΑΤΥΤ) ΧΡΗΣΙΜΟΠΟΙΩΝΤΑΣ ΚΑΤΑΛΛΗΛΑ ΘΕΩΡΗΤΙΚΑ ΕΡΓΑΛΕΙΑ ΑΠΟΔΕΙΚΝΥΟΥΜΕ ΟΤΙ ΤΑ ΝΔΑΤΥΤ ΜΠΟΡΟΥΝ ΝΑ ΠΡΟΣΕΓΓΙΣΟΥΝ ΟΠΟΙΟΔΗΠΟΤΕ ΣΥΝΕΧΕΣ ΔΥΝΑΜΙΚΟ ΣΥΣΤΗΤΜΑ. ΕΠΙΣΗΣ, ΠΡΟΤΕΙΝΟΥΜΕ ΑΛΓΟΡΙΘΜΟΥΣ ΜΑΘΗΣΗΣ ΓΙΑ ΤΑ ΝΔΑΤΥΤ ΟΙ ΟΠΟΙΟΙ ΣΥΓΚΛΙΝΟΥΝ ΣΤΟ ΟΛΙΚΟ ΕΛΑΧΙΣΤΟ. ΜΕΤΑ ΕΞΕΤΑΖΟΥΜΕ ΜΙΑ ΚΑΤΗΓΟΡΙΑ ΤΩΝ ΝΔΑΤΥΤ, ΤΑ ΑΠΟΚΑΛΟΥΜΕΝΑ ΒΑΘΜΩΤΑ ΝΔΑΤΥΤ (Β-ΝΔΑΤΥΤ). ΤΑ Β-ΝΔΑΤΥΤ ΔΙΑΤΗΡΟΥΝ ΤΙΣ ΙΔΙΟΤΗΤΕΣ ΠΡΟΣΕΓΓΙΣΗΣ ΚΑΙ ΜΑΘΗΣΗΣ ΤΩΝ ΝΔΑΤΥΤ, ΑΛΛΑ ΕΠΙΣΗΣ ΕΙΝΑΙ ΕΥΣΤΑΘΗ ΚΑΙ ΕΥΡΩΣΤΑ ΟΤΑΝ ΔΙΑΤΑΡΑΣΣΟΝΤΑΙ ΑΠΟ ΝΤΕΤΕΡΜΙΝΙΣΤΙΚΕΣ Η ΣΤΟΧΑΣΤΙΚΕΣ ΔΙΑΤΑΡΑΧΕΣ. ΤΑ Β-ΝΔΑΤΥΤ ΜΠΟΡΟΥΝ ΝΑ ΧΡΗΣΙΜΟΠΟΙΗΘΟΥΝ ΣΕ ΠΛΗΘΟΣ ΕΦΑΡΜΟΓΩΝ ΟΠΩΣ ΠΡΟΣΕΓΓΙΣΗ ΣΥΣΤΗΜΑΤΩΝ, ΕΚΤΙΜΗΣΗ ΚΑΤΑΝΟΜΗΣ ΠΙΘΑΝΟΤΗΤΩΝ. ΕΚΤΙΜΗΣΗ ΙΔΙΟΤΗΤΩΝ ΕΥΣΤΑΘΕΙΑΣ ΣΥΣΤΗΜΑΤΩΝ, ΥΛΟΠΟΙΗΣΗ ΔΙΑΦΟΡΙΚΩΝ ΕΞΙΣΩΣΕΩΝ ΜΕ ΜΗ-ΓΡΑΜΜΙΚΑ ΚΥΚΛΩΜΑΤΑ. ΜΕΤΑ, ΕΝΑΣΝΕΟΣ ΝΟΜΟΣ ΜΑΘΗΣΗΣ ΓΙΑ ΤΑ ΝΔΑΤΥΤ ΠΡΟΤΕΙΝΕΤΑΙ, Ο ΟΠΟΙΟΣ ΑΠΟΔΕΙΚΝΥΕΤΑΙ ΟΤΙ ΕΧΕΙΤΗ ΒΕΛΤΙΣΤΗ (ΕΚΘΕΤΙΚΗ) ΣΥΓΚΛΙΣΗ. ΤΕΛΟΣ, ΔΙΝΕΤΑΙ ΕΝΑ Θ ...
περισσότερα

Περίληψη σε άλλη γλώσσα

IN THIS THESIS, THE APPLICABILITY OF RECURRENT HIGH ORDER NEURAL NETWORKS (RHONNS) WHEN USED IN IDENTIFICATION OF UNKNOWN NONLINEAR DYNAMICAL SYSTEMS IS EXAMINED. RHONNS ARE SHOWN TO BE CAPABLE OF APPROXIMATING-TO ANY DEGREE OF ACCURACY- A QUITE GENERAL CLASS OF NONLINEAR SYSTEMS. APPROPRIATE LEARNING LAWS-WHICH ARE BASED ON WELL KNOWN ADAPTIVE ROBUST PARAMETER ESTIMATION TECHNIQUES-ARECONSTRUCTED AND IT IS SHOWN THAT THESE LEARNING LAWS ARE GLOBALLY CONVERGENT,STABLE AND ROBUST; USING THESE LEARNING LAWS. THE IDENTIFICATION ERROR IS SHOWN TO CONVERGE TO A BALL CENTERED AT THE ORIGIN, AND WHOSE RADIUS CAN BE MADE ARBITRARILY SMALL BY INCREASING THE NUMBER OF RHONN HIGH ORDER CONNECTIONS. A TOTALLY NOVEL LEARNING LAW IS PROPOSED WHICH IS NOT ONLY CONVERGENT, STABLE AND ROBUST, BUT IS ALSO ENSURES EXPONENTIAL IDENTIFICATION ERROR CONVERGENCE FOR ANY RHONN ARCHITECTURE. IN OTHER WORDS, THE CONVERGENCE OF THE NEW LEARNING LAW IS INDEPENDENT OF THE NUMBER OF RHONN HIGH ORDER T ...
περισσότερα
Πρέπει να είστε εγγεγραμένος χρήστης για έχετε πρόσβαση σε όλες τις υπηρεσίες του ΕΑΔΔ  Είσοδος /Εγγραφή

Όλα τα τεκμήρια στο ΕΑΔΔ προστατεύονται από πνευματικά δικαιώματα.

DOI
10.12681/eadd/3764
Διεύθυνση Handle
http://hdl.handle.net/10442/hedi/3764
ND
3764
Εναλλακτικός τίτλος
RECURRENT HIGH ORDER NEURAL NETWORKS FOR LEARNING IN DYNAMIC ENVIRONMENTS
Συγγραφέας
ΚΟΣΜΑΤΟΠΟΥΛΟΣ, ΗΛΙΑΣ
Ημερομηνία
1995
Ίδρυμα
Πολυτεχνείο Κρήτης. Τμήμα Ηλεκτρονικών Μηχανικών
Εξεταστική επιτροπή
Ζερβάκης Μιχαήλ
Χριστοδούλου Εμμανουήλ
Χριστοδουλάκης Σταύρος
Μάρας Ανδρέας
Τσίνιας Ιωάννης
Παπαγεωργίου Μάρκος
Σταυρακάκης Γεώργιος
Επιστημονικό πεδίο
Μηχανική & Τεχνολογία
Επιστήμες Ηλεκτρολόγου Μηχανικού, Ηλεκτρονικού Μηχανικού & Μηχανικού Η/Υ
Λέξεις-κλειδιά
ΑΛΓΟΡΙΘΜΟΙ ΕΚΜΑΘΗΣΗΣ ΚΑΙ ΠΡΟΣΑΡΜΟΓΗΣ; ΔΙΑΝΥΣΜΑΤΙΚΗ ΚΒΑΝΤΟΠΟΙΗΣΗ; ΕΥΣΤΑΘΕΙΑ ΚΑΤΑ LYAPUNOV; ΜΗ-ΓΡΑΜΜΙΚΑ ΣΥΣΤΗΜΑΤΑ; Δίκτυα, Νευρωνικά; Ρομποτική; ΣΥΓΚΛΙΣΗ ΑΛΓΟΡΙΘΜΩΝ; ΤΑΥΤΟΠΟΙΗΣΗ ΣΥΣΤΗΜΑΤΩΝ
Χώρα
Ελλάδα
Γλώσσα
Αγγλικά
Άλλα στοιχεία
182 σ.