فیلتر غیرخطی تطبیقی عصبی شناساگر با نرخ آموزش بهینه برای همگرایی پارامترها بر پایه گرادیان نزولی

بحث همگرایی در شبکه های عصبی شناساگر و کنترل کننده یکی از موارد پراهمیت در مهندسی کنترل می باشد، که در این راستا تحقیقات متنوعی صورت پذیرفته است که عمدتاً در چهار چوب شبکه های عصبی معمولی بوده است. در این مقاله الگوریتم گرادیان نزولی تطبیقی با یادگیری پارامترهای شبکه عصبی چند لایه بصورت بهنگام بر اساس بسط سری تیلور خطای خروجی مطرح و همگرایی الگوریتم آموزشی بررسی شده است . برای افزایش دقت و سرعت همگرایی ، جمله های مرتبه دوم و بالاتر بسط سری تیلور با استفاده از گرادیان نزولی بروز رسانی می شود . الگوریتم آموزشی معرفی شده برای دو مثال شبیه سازی شده است . نتایج شبیه سازی کاهش خطا و افزایش سرعت همگرایی را نشان می دهند .