طراحی شناساگر غیرخطی عصبی پایدار بر مبنای توابع متعامد تکه‌ای پیوسته‌ی سینوسی

شبکه‌های عصبی متعامد رده‌ی مهمی از شبکه‌های عصبی هستند که بر مبنای مجموعه‌هایی از توابع متعامد ساخته‌ می‌شوند. در سالهای اخیر، توابع متعامد تکه‌ای پیوسته کارآمدی خود را در زمینه‌های مختلف علوم کاربردی نشان داده‌اند. در این مقاله، بر مبنای یک جفت مکمل از مجموعه‌های توابع متعامد تکه‌ای پیوسته‌ی سینوسی، شبکه‌های عصبی متعامد سینوسی را طراحی می‌کنیم و از آنها در شناسایی سیستم‌های دینامیکی غیرخطی بهره می‌گیریم. برای آموزش این شبکه عصبی از یک الگوریتم برخط پایدار استفاده می‌کنیم. در پایان، کارآمدی این رویکرد را با شناسایی سیستم غیرخطی زمان-گسسته‌ی نارندرا-لی نشان می‌دهیم.

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

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.