Resumen

Se presenta un novedoso enfoque de aprendizaje basado en datos de un sistema no lineal representado por un modelo neural difuso de Hammerstein-Wiener. El sistema Hammerstein-Wiener tiene dos bloques no lineales estáticos representados por dos modelos neurales difusos independientes que rodean un bloque lineal dinámico descrito por un modelo de respuesta al impulso finito. La teoría multiseñal está diseñada para emplear el sistema Hammerstein-Wiener con el fin de separar los problemas de aprendizaje de parámetros. Para empezar, los parámetros de la no linealidad de salida se aprenden utilizando señales separables con diferentes amplitudes. Además, se aplica un método de análisis de correlación para estimar los parámetros de bloques lineales utilizando señales de entrada y salida separables; de este modo, la interferencia del ruido del proceso se gestiona de forma eficaz. Por último, se introduce la tecnología de aprendizaje multi-innovación para mejorar la precisión del aprendizaje del sistema y, a continuación, se obtiene el algoritmo de gradiente estocástico ampliado multi-innovación para optimizar la no linealidad de entrada y el modelo de ruido utilizando la técnica multi-innovación y el método de búsqueda de gradiente. Los resultados de la simulación muestran que el enfoque de aprendizaje basado en datos presentado tiene la disponibilidad de aprender el sistema Hammerstein-Wiener.

• Materias:Biotecnología Minería de datos Redes de sensores Sistema de sensores Tecnología de sensores
• Subjects:Biotechnology Data mining Sensor networks Sensor system Sensor technology
• Palabras claves:sistema wiener, hammerstein, enfoque de aprendizaje, modelo de respuesta al impulso finito, modelos neurales difusos independientes, método de análisis de correlación, bloque lineal dinámico, método de búsqueda de gradiente, tecnología de aprendizaje innovadora, parámetros del bloque lineal
• Keywords:wiener system, hammerstein, learning approach, finite impulse response model, independent neural fuzzy models, correlation analysis method, dynamic linear block, gradient search method, innovation learning technology, linear block parameters