Resumen

Un sistema no lineal de entrada se descompone en dos subsistemas, uno que incluye los parámetros del modelo del sistema y otro que incluye los parámetros del modelo de ruido, y se presenta un algoritmo de gradiente estocástico de multi-innovación para sistemas Hammerstein controlados autorregresivos autorregresivos (H-CARAR) basado en el principio de separación de términos clave y en la descomposición del modelo, con el fin de mejorar la velocidad de convergencia del algoritmo de gradiente estocástico. El principio de separación de términos clave puede simplificar el modelo de identificación del sistema no lineal de entrada, y la técnica de descomposición puede mejorar la eficiencia computacional de los algoritmos de identificación. Los resultados de la simulación muestran que el algoritmo propuesto es efectivo para estimar los parámetros de los sistemas IN-CARAR.

• Materias:Modelado matemático Modelo de red neuronal Tasa de convergencia Aritmética Ondículas libres
• Subjects:Mathematical modeling Neural network model Convergence rate Arithmetic Free wavelets
• Palabras claves:Sistema no lineal; Parámetros; Modelo de ruido; Algoritmo de gradiente estocástico de múltiples innovaciones; Sistemas autorregresivos controlados de Hammerstein
• Keywords:Input; Nonlinear system; Parameters; Noise model; Multi-innovation stochastic gradient algorithm; Hammerstein controlled autoregressive autoregressive systems