Izvorni znanstveni članak

Konveksna optimizacija u učenju CMAC neuronskih mreža

Mato Baotić
Ivan Petrović
Nedjeljko Perić

Sažetak

Jednostavnost građe i algoritama učenja od iznimne su važnosti u primjenama neuronskih mreža u stvarnom vremenu. CMAC neuronska mreža s asocijativnom memorijskom organizacijom i Hebbianovim algoritmom učenja udovoljava ovim zahtjevima. Međutim, Hebbianov algoritam učenja ne daje dobre rezultate pri off-line identifikaciji, koja se koristi kao pripremna faza za on-line identifikaciju. U ovom se članku pokazuje da se optimalne vrijednosti parametara CMAC neuronske mreže mogu dobiti primjenom tehnika konveksne optimizacije. Za standardnu l2 aproksimaciju koristi se kvadratno programiranje (QP), a za l1 i l‡ aproksimacije linearno programiranje (LP). U oba je slučaja jednostavno uključiti fizikalna ograničenja na vrijednosti parametara u algoritam optimizacije.

Ključne riječi

CMAC neuronske mreže; identifikacija; konveksno optimiranje; kvadratno programiranje; linearno programiranje

Hrčak ID:

6617

URI

https://hrcak.srce.hr/6617

Datum izdavanja:

21.12.2001.

Podaci na drugim jezicima: engleski

Posjeta: 2.228 *