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

بحث همگرایی در شبکه‌های عصبی شناساگر و کنترل‌کننده یکی از موارد پراهمیت در مهندسی کنترل می‌باشد، که در این راستا تحقیقات متنوعی صورت پذیرفته است که عمدتاً در چهار چوب شبکه‌های 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، جمله‌های مرتبه‌ دوم و بالاتر بسط سری تیلور با استفاده از گرادیان نزولی بروز رسانی می‌شود‌. الگوریتم آموزشی معرفی شده برای دو مثال شبیه‌سازی شده است‌. نتایج شبیه‌سازی کاهش خطا و افزایش سرعت همگرایی را نشان می‌دهند‌.